Untersuchung der Beziehung zwischen Sea Surface Chlorophyll und Hauptmerkmalen des Südchinesischen Meeres mit Satelliteninformationen

Die räumlichen und zeitlichen Muster der Meeresoberfläche CHL im SCS wurden anhand von Satellitenbeobachtungen beschrieben. Satelliteninformationen für CHL (Abbildung 1A) und SST (Abbildung 1B) können durch Die Bedeckung kontaminiert werden, was dazu führt, dass ein großer Teil der Daten nicht verwendet werden kann. Die neu analysierten Winddaten (Abbildung 1C) und SLA (Abbildung 1D) wurden von den täglichen Wolken nicht beeinflusst. Die Topographie (Abbildung 1E) hatte einen prominenten Einfluss auf die räumliche Verteilung von CHL. High CHL wurde hauptsächlich entlang der Küste verteilt, wo die Topographie flach ist. Der Wind wurde auch durch die Orographie beeinflusst, und die Leeseite der Berge war durch schwachen Wind gekennzeichnet; So wurde südwestlich des SCS ein prominenter WSC identifiziert. Im Gegensatz dazu waren die SLAs nicht sehr von der Topographie abhängig, und im Becken des SCS wurde eine Region mit ungewöhnlich hohen SLAs gefunden. Abbildung 1: Ursprüngliche Beobachtungen für wichtige Parameter am 15. April 2015.(A) Meeroberfläche Chlorophyll (CHL), (B) Meeresoberflächentemperatur (SST), (C) Windspannungscurl (WSC, Schattierung) mit Windspannung (WS, Vektor), (D) Meeresoberflächenanomalie und (E) Topographie für das Ozeanbecken. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Aufgrund der schwerwiegenden Auswirkungen auf Satellitenbeobachtungen waren viele Daten entweder nicht verfügbar oder räumlich inkonsistent. Es wurde eine effektive und effiziente Methode angewendet, um einige Datenlücken zu schließen und das Feld zu glätten. Die Daten wurden zuerst durch einen 3-Tage-Durchschnitt an jedem Pixel ersetzt, der einige Lücken effektiv füllen kann, da die Wolken täglich variieren(Abbildung 2B). Ein räumlicher Durchschnitt wurde an jedem Pixel weiter angewendet, sodass die Daten durch den Mittelwert der umgebenden Werte (3 x 3 Pixel) ersetzt wurden. Dadurch wurde die räumliche Inkonsistenz stark reduziert (Abbildung 2C). Abbildung 2: SST für einen einzigen Tag am 15. April 2015.(A) Original SST von MODIS, (B) Drei-Tage-gemitteltes SST und (C) SST nach räumlicher Glättung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Die tägliche Verteilung der SST-Fronten wurde aus den SST-Gradienten abgeleitet (Abbildung 3A). Die hier angewandten Schwellenwerte erfassten effektiv die Position der Front (Abbildung 3B) und sorgten für die Darstellung der Grenzen ganzer Wassermassen (Abbildung 3C). Die Steigungen und Fronten waren fast identisch, da die Front hauptsächlich aus dem Gradienten gewonnen wurde. Abbildung 3: Verfahren zur Fronterkennung, abgeleitet von SST.(A) Magnitude des SST-Gradienten, (B) die Verteilung von SST-Fronten in dünnen schwarzen Linien und (C) Frontverteilung basierend auf den entsprechenden SST-Gradienten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Aufgrund der Cloud-Abdeckung in den CHL-, SST- und Frontdaten wurden die monatlichen durchschnittlichen Zeitreihen in dieser Studie berechnet und angewendet. Ein zufälliges Beispiel ist in Abbildung 4 für den Monat April 2015 dargestellt. Für einen der Parameter gab es keine Lücke. Die allgemeinen Muster für verschiedene Parameter waren hinsichtlich ihrer räumlichen Varianz sehr konsistent. Zum Beispiel war CHL hoch in der Nähe der Küste und niedrig im zentralen Becken, während die SST war niedrig in der Nähe der Küste und hoch im zentralen Becken. Der monatliche Durchschnitt bot umfassende Informationen, um regionale Merkmale darzustellen. Die Fronten waren hauptsächlich entlang der Küste verteilt, wo die Dynamik komplex ist. Ein großer Teil des Beckens war frei von Fronten; somit war das Zentrum des SCS durch einen Wert nahe Null gekennzeichnet (Abbildung 4E). Abbildung 4: Monatlicher Durchschnitt für die wichtigsten Parameter im April 2015.(A) CHL (in logarithm skala), (B) SST, (C) WSC (Schattierung) mit WS (Vektor), (D) Anomalie der Meeresoberfläche und (E) frontale Wahrscheinlichkeit (FP). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Die meisten Oberflächenmerkmale waren durch eine ausgeprägte saisonale Variabilität gekennzeichnet, die mit EOFs deutlich beobachtet wurde. Der EOF ist eine nützliche mathematische Methode, die in den Atmosphärischen und Meereswissenschaften weit verbreitet ist. Die Methode kann räumliche Muster und zeitliche Signale aus Zeitreihen über räumliche Domänen28ableiten. Nach der räumlich-zeitlichen Zersetzung für Meeresoberflächen-Features im SCS werden die ersten beiden Modi in der Regel zur Beschreibung der räumlichen und zeitlichen Variabilitäten benötigt. Die ersten beiden EOFs für CHL beschrieben 44 % bzw. 12 % der Gesamtvarianz. EOF1 erfasste eine große Varianz im nördlichen Teil des SCS (Abbildung 5A). Der entsprechende Monatsdurchschnitt der Zeitreihen (Abbildung 5C) zeigte, dass CHL im Winter erhöht und im Sommer depressiv war. Die Region an der Südwestküste war durch eine schwache Größe gekennzeichnet, und die entsprechende Variabilität wurde hauptsächlich von EOF2 erfasst (Abbildung 5B). Die CHL-Werte waren im Sommer hoch und im Winter niedrig. Dies war im Vergleich zum nördlichen Abschnitt hauptsächlich aphase. Die monatlichen Zeitreihen für EOFs zeigten eine deutliche saisonale Variabilität, und EOF2 führte EOF1 um etwa 4 Monate an (Abbildung 5E). Abbildung 5: Der EOF für CHL.(A) Größe der EOF1, (B) Magnitude von EOF2, (C) monatliche gemittelte Zeitreihen für EOF1, (D) monatliche durchschnittliche Zeitreihen für EOF2 und (E) monatliche Zeitreihen von EOF1 (schwarz) und EOF2 (blau). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Die erklärte Abweichung in den ersten beiden EOFs für SST war mit 91 % bzw. 5 % für EOF1 bzw. EOF2 deutlich hoch. Es ist wichtig zu betonen, dass der Gesamtdurchschnitt vor der Durchführung des EOF entfernt werden muss; somit wurde das mittlere Feld ausgeschlossen. EOF1 dominierte die Gesamtvarianz, und seine Größe war am größten im nördlichen SCS und ging nach Süden zurück (Abbildung 6A). Der entsprechende Monatsdurchschnitt der Zeitreihen (Abbildung 6C) zeigte, dass die SST im Sommer erhöht und im Winter depressiv war. Der südliche SCS zeichnete sich durch eine schwache Größe aus, die auf anhaltend hohe Temperaturen in niedrigen Breitengraden zurückzuführen war. Die Variabilität im südlichen Abschnitt wurde hauptsächlich von EOF2 erfasst (Abbildung 6B). Der entsprechende SST wurde zwischen März und Juni verbessert, während die niedrigen Werte in den verbleibenden Monaten anhielten. In den Jahren 2010 und 2016 kam es zu einer deutlicher Erwärmung, bei der die SST vor der Küste südwestlich des SCS viel höher war als in den anderen Jahren(Abbildung 6E). Diese jährliche Variabilität wird hauptsächlich auf El-Nio-Ereignisse zurückgeführt, die den Südwest-Sommermonsun verringern und zu einem schwachen Aufwind von12führen. Da die saisonale Variabilität im Mittelpunkt der aktuellen Studie steht, wird diese Funktion nicht weiter diskutiert. Abbildung 6: Der EOF für SST.(A) Größe der EOF1, (B) Magnitude von EOF2, (C) monatliche gemittelte Zeitreihen für EOF1, (D) monatliche gemittelte Zeitreihen für EOF2 und (E) monatliche Zeitreihen von EOF1 (schwarz) und EOF2 (blau). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Aufgrund der lauten Natur des Farbverlaufs erklärte die abgeleitete Front viel weniger der Varianz. EOF1 und EOF2 des RP erklärten nur 19 % bzw. 9 % der Gesamtabweichung. EOF1 erfasste die Varianzen im nördlichen und nordöstlichen SCS (Abbildung 7A). Der entsprechende Monatsdurchschnitt der Zeitreihen (Abbildung 7C) zeigte, dass in diesen Regionen mehr FP im Winter und weniger im Sommer auftraten. Die Phase vor der Küste südwestlich des SCS war das Gegenteil, obwohl die entsprechende Variabilität viel weniger ausgeprägt war. EOF2 erfasste die Federverbesserung des FP (Abbildung 7D) im westlichen SCS (Abbildung 7B). Die monatlichen Zeitreihen von EOF1 und EOF2 waren durch eine schwache jährliche Variabilität gekennzeichnet. Abbildung 7: Der EOF für FP.(A) Größe der EOF1, (B) Magnitude von EOF2, (C) monatliche gemittelte Zeitreihen für EOF1, (D) monatliche gemittelte Zeitreihen für EOF2 und (E) monatliche Zeitreihen von EOF1 (schwarz) und EOF2 (blau). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Für ihre Beziehungen zu CHL wurden verschiedene Faktoren untersucht (Abbildung 8). SST kann beispielsweise verwendet werden, um die grundlegenden Merkmale des Ozeans zu verstehen, die die Wachstumsrate von Phytoplankton beeinflussen und sich anschließend auf CHL auswirken können. Bei der Mehrheit der SCS gab es hohe Korrelationen zwischen SST und CHL (Abbildung 8A), und die meisten Korrelationen erreichten mehr als -0,8. Es ist wichtig, darauf hinzuweisen, dass eine hohe Korrelation nicht auf eine Ursache zwischen diesen beiden Faktoren hindeutet. Als SST im Sommer sein jahresjährliches Maximum erreichte, wurde die MLD am flachsten21. Die Nährstoffe, die der euphotischen Schicht zugeführt wurden, waren gering, da das vertikale Mischen durch intensive Schichtung blockiert wurde13. Infolgedessen beschränkten niedrige Nährstoffe die Wachstumsrate von Phytoplankton und führten zu einer niedrigen CHL. Im Gegensatz dazu trat eine hohe CHL im Winter auf, als die MLD tiefer war, und niedrige SST induzierte eine schwache Schichtung35. Abbildung 8: Korrelationen zwischen CHL und anderen Faktoren auf der saisonalen Skala.(A) SST, (B) WS, (C) WSC, (D) FP und (E) SLA. Die graue Farbe gibt an, dass die Korrelation nicht signifikant ist. Räumlich gemittelte Variablen werden basierend auf dem grünen Feld in Panel Aberechnet. Ihre Zeitreihen werden verwendet, um die Korrelationskoeffizienten in Tabelle 1zu erhalten. Diese Zahl wurde von Yu et al.17geändert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Windgetriebenes Mischen kann ungefähr von WS gemessen werden und wurde verwendet, um vertikales Mischen18zu beschreiben. Große Korrelationskoeffizienten mit Werten von etwa 0,8 wurden zwischen dem WS- und dem CHL-Niveau nördlich des SCS identifiziert (Abbildung 8B), insbesondere in den Regionen mit dem stärksten Winterwind, der sich auf dem nördlichen Schelf des SCS befindet. Im Süden wurden schwache, aber signifikante Korrelationen festgestellt. Die Korrelationen zwischen WSC und CHL waren in der Mehrheit der SCS signifikant (Abbildung 8C), obwohl sie gegensätzliche Tendenzen im Norden und Süden aufwiesen. Im Süden wurde ein positiver Korrelationskoeffizient zwischen CHL und WSC identifiziert, im Norden gab es negative Werte. Die Korrelation in der Region zwischen ihnen war nicht signifikant. Die WS und CHL wurden in der entsprechenden Region, in der die Winter-WS am größten war, stark korreliert. Fronten können auch CHL-Variabilität induzieren. Eine große Korrelation wurde im Nordosten und Südwesten des SCS gefunden (Abbildung 8D). CHL stieg mit zunehmender Aktivität der Frontalaktivitäten36. Die SLA zeigte eine signifikante negative Korrelation mit CHL vom nordöstlichen SCS in Richtung Südwesten und eine positive Korrelation entlang der Westküste des SCS (Abbildung 8E). Es ist interessant festzustellen, dass die positiven Korrelationen auf die Region mit flacher Topographie beschränkt waren. Im Nordosten des SCS waren alle Korrelationen groß (Abbildung 8). So wurden die Korrelationen der monatlichen Zeitreihen zwischen CHL und anderen Parametern anhand des räumlichen Durchschnitts in einem bestimmten Feld berechnet (Abbildung 8A), und die meisten Faktoren standen in Beziehung zu signifikanten Korrelationen (oben rechts Abschnitt von Tabelle 1). Da der saisonale Zyklus die Zeitreihen dominierte, war die Korrelation nach dem Entfernen des Monatsdurchschnitts (untere linke Sektion von Tabelle 1) nicht mehr gültig. Chl-a Sst Ws Wsc Fp Sla Chl-a -0.8 0.78 0.67 0.74 -0.71 Sst -0.41 -0.47 -0.51 -0.79 0.86 Ws 0.32 0.04 0.63 0.51 -0.38 Wsc 0 0.08 -0.02 0.52 -0.37 Fp 0.21 -0.09 0.03 0.15 -0.74 Sla -0.25 0.42 0.07 0.13 -0.08 Tabelle 1: Korrelationskoeffizienten der Zeitreihen zwischen Faktoren, die sich nordöstlich des SCS befinden, z. B. SST (Meeresoberflächentemperatur), FP (frontale Wahrscheinlichkeit), WSC (Windspannungscurl) und WS (Windspannung), unter Verwendung des in Abbildung 8A dargestellten Kastens. Die monatlichen Durchschnittswerte und Anomalien werden im oberen rechten bzw. linken unteren Bereich angezeigt. Zahlen in Fett- und Kursivschrift deuten darauf hin, dass die Korrelation nicht das 95%-Konfidenzniveau erreicht. Die Tabelle wurde von Yu et al.17geändert. Die Korrelationen im saisonalen Zyklus waren in einigen Regionen, wie z. B. im Südwesten des SCS , nicht signifikant (Abbildung 8). Die Region wird von dynamischen Prozessen (z.B. Auftrieb und windinduziertem Offshore-Transport) dominiert, die die Variabilität in CHL17bestimmen. Eine signifikante Korrelation zwischen CHL und anderen Faktoren (z. B. SST, WS, Fronten und WSC) wurde in anomalen Feldern identifiziert (Abbildung 9). Die Anomalien wurden für die monatlichen Zeitreihen berechnet, indem der entsprechende Monatsdurchschnitt entfernt wurde. Die effektive Anzahl der Freiheitsgrade könnte erhöht werden, aber frühere Studien haben gezeigt, dass es keine Auswirkungen auf die zugrunde liegenden Beziehungen zwischen ihren Zeitreihen28,37. Abbildung 9: Korrelation zwischen CHL und anderen Faktoren in den anomalen Feldern.(A) SST, (B) WS, (C) WSC, (D) FP und (E) SLA. Die graue Farbe gibt an, dass die Korrelation nicht signifikant ist. Räumlich gemittelte Variablen werden auf Basis des grünen Feldes in Panel A berechnet. Die Zeitreihen werden verwendet, um die in Tabelle 2dargestellten Korrelationskoeffizienten zu erhalten. Diese Zahl wurde von Yu et al.17geändert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. In den anomalen Feldern waren CHL und SST in der Mehrheit der SCS signifikant korreliert (Abbildung 9A). Wenn SSTs ungewöhnlich hoch waren, wurde CHL ungewöhnlich niedrig und umgekehrt. In ähnlicher Weise induzierte ein ungewöhnlich hoher WSC und Fronten im Südwesten des SCS hohe CHL-Werte und umgekehrt (Abbildung 9C, 9D). Darüber hinaus wurde eine negative Korrelation zwischen den SLAs und chl-Ebenen gefunden (Abbildung 9E). Es wurden verschiedene Verzögerungen getestet, und die Korrelation wurde nur signifikant, wenn keine Verzögerung verwendet wurde. So wurde CHL gleichzeitig von Anomalien in SST, WSC und Fronten sowie SLA beeinflusst. Ihre Beziehung wurde weiter untersucht, indem die räumlich gemittelte monatliche Zeitreihe südwestlich des SCS verwendet wurde, die in Abbildung 9Aals grüne Box bezeichnet wurde. Die Ergebnisse zeigen, dass die meisten Faktoren mit signifikanten Korrelationen im anomalen Feld in Beziehung standen (untere linke Abteilung von Tabelle 2). Chl-a Sst Ws Wsc Fp Sla Chl-a -0.15 0.36 0.35 0.26 -0.15 Sst -0.59 -0.48 0.61 0.07 0.17 Ws 0.25 -0.24 -0.14 -0.02 0.1 Wsc 0.29 -0.1 0.41 0.53 -0.21 Fp 0.57 -0.42 0.24 0.29 -0.42 Sla -0.3 0.54 -0.23 -0.29 -0.47 Tabelle 2: Korrelationskoeffizienten der Zeitreihen zwischen Faktoren, die sich südwestlich des SCS befinden, z. B. SST (Meeresoberflächentemperatur), FP (frontale Wahrscheinlichkeit), WSC (Windspannungscurl) und WS (Windspannung), unter Verwendung des in Abbildung 9A dargestellten Kastens. Der monatliche Durchschnitt und Anomalien werden im oberen rechten bzw. linken unteren Bereich angezeigt. Zahlen in Fett- und Kursivschrift deuten darauf hin, dass die Korrelation nicht das 95%-Konfidenzniveau erreicht. Die Tabelle wurde von Yu et al.17geändert. Ergänzende Dateien. Bitte klicken Sie hier, um diese Datei herunterzuladen.