Studiare la relazione tra la clorofilla della superficie del mare e le principali caratteristiche del Mar Cinese Meridionale con le informazioni satellitari

I modelli spaziali e temporali della superficie del mare CHL nel SCS sono stati descritti usando osservazioni satellitari. Le informazioni satellitari per CHL (Figura 1A) e SST (Figura 1B) possono essere contaminate dalla copertura nuvolosa, con il risultato che gran parte dei dati non è utilizzabile. I dati del vento rianalizzato (Figura 1C) e del contratto di servizio (Figura 1D) non sono stati influenzati dalle nuvole giornaliere. La topografia (Figura 1E) ha avuto un impatto prominente sulla distribuzione spaziale di CHL. Il vento fu anche influenzato dall’ortografia, e il lato lee delle montagne era caratterizzato da vento debole; pertanto, un importante WSC è stato identificato a sud-ovest della SCS. Al contrario, gli SLA non dipendevano molto dalla topografia, e una regione di SLA insolitamente alta è stata trovata nel bacino del SCS. Figura 1: Osservazioni originali per i principali parametri il 15 aprile 2015.(A) Clorofilla di superficie del mare (CHL), (B) temperatura della superficie del mare (SST), (C) ricciolo di stress del vento (WSC, ombreggiatura) con stress del vento (WS, vettore), (D) anomalia della superficie del mare e (E) topografia per il bacino oceanico. Clicca qui per visualizzare una versione più grande di questa figura. A causa del grave impatto del cloud sulle osservazioni satellitari, molti dati non erano disponibili o spazialmente incoerenti. È stato applicato un metodo efficace ed efficiente per colmare alcune lacune di dati e smussare il campo. I dati sono stati prima sostituiti con una media di 3 giorni ad ogni pixel, che può effettivamente colmare alcune lacune perché le nuvole variano ogni giorno (Figura 2B). Una media spaziale è stata ulteriormente applicata ad ogni pixel in modo che i dati fossero sostituiti dalla media dei valori circostanti (3 x 3 pixel). Pertanto, l’incoerenza spaziale è stata notevolmente ridotta(figura 2C). Figura 2: SST per un solo giorno il 15 aprile 2015.(A) SST originale di MODIS, (B) SST medio di tre giorni e SST (C) dopo l’levigatura spaziale. Clicca qui per visualizzare una versione più grande di questa figura. La distribuzione giornaliera dei fronti SST è stata derivata dai gradienti SST (Figura 3A). Le soglie qui applicate hanno effettivamente catturato la posizione della parte anteriore (Figura 3B) e hanno garantito la rappresentazione dei confini di intere masse d’acqua (Figura 3C). Le sfumature e i fronti erano quasi identici perché la parte anteriore era ottenuta principalmente dalla pendenza. Figura 3: Procedura per il rilevamento frontale derivato dall’SST.(A) Grandezza del gradiente SST, (B) distribuzione dei fronti SST in linee nere sottili e distribuzione frontale (C) in base ai gradienti SST corrispondenti. Clicca qui per visualizzare una versione più grande di questa figura. A causa della copertura cloud nei dati CHL, SST e front, le serie temporali medie mensili sono state calcolate e applicate in questo studio. Un esempio casuale è mostrato nella figura 4 per il mese di aprile 2015. Non c’era spazio esistente per nessuno dei parametri. I modelli generali per i diversi parametri erano altamente coerenti per quanto riguarda la loro varianza spaziale. Ad esempio, la CHL era alta vicino alla costa e bassa nel bacino centrale, mentre l’SST era bassa vicino alla costa e alta nel bacino centrale. La media mensile offriva informazioni complete per rappresentare le caratteristiche regionali. I fronti sono stati distribuiti principalmente lungo la costa, dove la dinamica è complessa. Gran parte del bacino era privo di fronti; pertanto, il centro della SCS era caratterizzato da un valore vicino allo zero (Figura 4E). Figura 4: Media mensile per i principali parametri nell’aprile 2015.(A) CHL (in scala logaritmica), (B) SST, (C) WSC (ombreggiatura) con WS (vettore), (D) anomalia della superficie del mare e (E) probabilità frontale (FP). Clicca qui per visualizzare una versione più grande di questa figura. La maggior parte delle caratteristiche superficiali erano caratterizzate da un’importante variabilità stagionale, che è stata chiaramente osservata usando gli EOF. L’EOF è un utile metodo matematico ampiamente utilizzato nelle scienze atmosferiche e marine. Il metodo può delineare modelli spaziali e segnali temporali dalle serie temporali ai domini spaziali28. Dopo la decomposizione spaziotemporale per le caratteristiche della superficie del mare nel SCS, le prime due modalità sono generalmente necessarie per descrivere le variabilità spaziali e temporali. I primi due EOF per CHL hanno descritto rispettivamente il 44% e il 12% della varianza totale. EOF1 ha catturato una grande varianza nella sezione settentrionale del SCS (Figura 5A). La corrispondente media mensile delle serie temporali (figura 5C) ha mostrato che il CHL è stato elevato durante l’inverno e depresso durante l’estate. La regione vicino alla costa sud-occidentale era caratterizzata da una magnitudine debole, e la corrispondente variabilità è stata catturata principalmente da EOF2 (Figura 5B). I valori di CHL erano alti in estate e bassi in inverno. Ciò è stato principalmente fuori fase rispetto alla sezione settentrionale. Le serie temporali mensili per gli EOF hanno mostrato una chiara variabilità stagionale e L’EOF2 ha guidato L’EOF1 di circa 4 mesi(figura 5E). Figura 5: L’EOF per CHL.(A) Magnitudo di EOF1, (B) grandezza di EOF2, (C) serie temporali medie mensili per EOF1, (D) serie temporali medie mensili per EOF2 e (E) serie temporali mensili di EOF1 (nero) ed EOF2 (blu). Clicca qui per visualizzare una versione più grande di questa figura. La varianza spiegata nei primi due EOF per l’SST è stata di primo piano, pari rispettivamente al 91% e al 5% per EOF1 ed EOF2. È importante sottolineare che la media complessiva deve essere eliminata prima di condurre l’EOF; pertanto, il campo medio è stato escluso. L’EOF1 ha dominato la varianza totale e la sua entità è stata maggiore nel SCS settentrionale ed è diminuita verso sud (Figura 6A). La corrispondente media mensile delle serie temporali ( figura6C) ha mostrato che l’SST è stato elevato durante l’estate e depresso durante l’inverno. La SCS meridionale era caratterizzata da una magnitudine debole, attribuita a temperature elevate persistenti a basse latitudini. La variabilità nella sezione meridionale è stata catturata principalmente da EOF2(figura 6B). L’SST corrispondente è stato migliorato tra marzo e giugno, mentre i valori bassi sono persistito nei mesi rimanenti. Il riscaldamento prominente si è verificato nel 2010 e nel 2016, dove l’SST al largo della costa a sud-ovest del SCS è stato molto più alto di quellodegli altri anni (figura 6E). Questa variabilità interannuale è principalmente attribuita agli eventi di El Niño che riducono il monsone estivo sud-occidentale e si traducono in un debole aumentodi 12. Poiché la variabilità stagionale è al centro dello studio attuale, questa caratteristica non viene ulteriormente discussa. Figura 6: EOF per SST.(A) Magnitudo di EOF1, (B) grandezza di EOF2, (C) serie temporali medie mensili per EOF1, (D) serie temporali medie mensili per EOF2 e (E) serie temporali mensili di EOF1 (nero) ed EOF2 (blu). Clicca qui per visualizzare una versione più grande di questa figura. A causa della natura rumorosa del gradiente, il fronte derivato spiegò molto meno della varianza. In effetti, EOF1 ed EOF2 del PQ hanno spiegato rispettivamente solo il 19% e il 9% della varianza totale. EOF1 ha catturato le varianze nel SCS nord e nord-est (Figura 7A). La corrispondente media mensile delle serie temporali (figura7C) ha mostratoche in queste regioni si è verificato più PQ durante l’inverno e meno durante l’estate. La fase al largo della costa a sud-ovest della SCS era l’opposto, anche se la corrispondente variabilità era molto meno prominente. EOF2 ha acquisito il miglioramento della molla del FP (Figura 7D) nella SCS occidentale (Figura 7B). Le serie temporali mensili di EOF1 ed EOF2 sono state caratterizzate da una debole variabilità interannuale. Figura 7: EOF per il PQ.(A) Magnitudo di EOF1, (B) grandezza di EOF2, (C) serie temporali medie mensili per EOF1, (D) serie temporali medie mensili per EOF2 e (E) serie temporali mensili di EOF1 (nero) ed EOF2 (blu). Clicca qui per visualizzare una versione più grande di questa figura. Sono stati studiati diversi fattori per le loro relazioni con il CHL(figura 8). Ad esempio, l’SST può essere usato per comprendere le caratteristiche fondamentali dell’oceano che possono influenzare il tasso di crescita del fitoplancton e successivamente influire sul CHL. Per la maggior parte del SCS, vi erano alte correlazioni tra SST e CHL (Figura 8A), e la maggior parte delle correlazioni raggiunse più di -0,8. È importante sottolineare che un’elevata correlazione non indica nesso di causalità tra questi due fattori. Quando l’SST ha raggiunto il suo massimo annuale in estate, l’MLD è diventato ilpiù superficiale 21. I nutrienti forniti allo strato euforico erano bassi perché la miscelazione verticale era bloccata da una stratificazione intensiva13. Di conseguenza, bassi nutrienti hanno limitato il tasso di crescita del fitoplancton e hanno portato a un basso CHL. Al contrario, l’elevato CHL si è verificato in inverno quando l’MLD era più profondo e la bassa stratificazione debole indotta dall’SST35. Figura 8: Correlazioni tra il CHL e altri fattori a scala stagionale.(A) SST, (B) WS, (C) WSC, (D) FP e (E) SLA. Il colore grigio indica che la correlazione non è significativa. Le variabili mediate nello spazio vengono calcolate in base alla casella verde nel pannello A. Le loro serie temporali sono utilizzate per ottenere i coefficienti di correlazione nella tabella 1. Questa cifra è stata modificata da Yu etal. Clicca qui per visualizzare una versione più grande di questa figura. La miscelazione azionata dal vento può essere approssimativamente misurata da WS ed è stata utilizzata per descrivere la miscelazioneverticale 18. Grandi coefficienti di correlazione, con valori di circa 0,8, sono stati identificati tra i livelli WS e CHL a nord del SCS (Figura 8B), in particolare nelle regioni con il vento invernale più forte situato sulla piattaforma settentrionale del SCS. Correlazioni deboli ma significative sono state trovate a sud. Le correlazioni tra WSC e CHL sono state significative nella maggior parte del SCS (Figura 8C), sebbene mostrasse tendenze opposte nel nord e nel sud. Un coefficiente di correlazione positivo tra CHL e WSC è stato identificato a sud, con valori negativi a nord. La correlazione nella regione tra di loro non era significativa. Le WS e la CHL sono state fortemente correlate nella regione corrispondente in cui il WS invernale era più grande. I fronti possono anche indurre variabilità CHL. Una grande correlazione è stata trovata nel nord-est e nel sud-ovest del SCS (Figura 8D). CHL è aumentato man mano che le attività frontali diventavanopiù attive 36. Lo SLA ha mostrato una significativa correlazione negativa con CHL dalla SCS nord-orientale verso sud-ovest e una correlazione positiva lungo la costa occidentale del SCS (Figura 8E). È interessante notare che le correlazioni positive erano limitate alla regione con topografia poco profonda. A nord-est del SCS, tutte le correlazioni erano grandi (Figura 8). Pertanto, le correlazioni delle serie temporali mensili tra CHL e altri parametri sono state calcolate utilizzando la media spaziale in una casella designata (Figura 8A), e la maggior parte dei fattori erano correlati con correlazioni significative (sezione in alto a destra della tabella 1). Poiché il ciclo stagionale dominava le serie temporali, la correlazione non era più valida dopo aver rimosso la media mensile (sezione in basso a sinistra della tabella 1). 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 Tabella 1: Coefficienti di correlazione delle serie temporali tra i fattori, situati a nord-est della SCS, ad esempio SST (temperatura della superficie del mare), FP (probabilità frontale), WSC (wind stress curl) e WS (wind stress), utilizzando la scatola mostrata nella figura 8A. Le medie mensili e le anomalie sono mostrate rispettivamente nella sezione in alto a destra e nella sezione inferiore sinistra. I numeri in grassetto e corsivo indicano che la correlazione non soddisfa il livello di confidenza del 95%. La tabella è stata modificata da Yu etal. Le correlazioni nel ciclo stagionale non erano significative per alcune regioni, come il sud-ovest del SCS (Figura 8). La regione è dominata da processi dinamici (ad esempio, upwelling e trasporto offshore indotto dal vento) che determinano la variabilità in CHL17. Una correlazione significativa tra CHL e altri fattori (ad esempio, SST, WS, fronti e WSC) è stata identificata in campi anomali (Figura 9). Le anomalie sono state calcolate per le serie temporali mensili eliminando la corrispondente media mensile. Il numero effettivo di gradi di libertà potrebbe essere aumentato, ma studi precedenti hanno dimostrato che non intasa le relazioni sottostanti tra le loro serietemporali 28,37. Figura 9: Correlazione tra il CHL e altri fattori nei campi anomali.(A) SST, (B) WS, (C) WSC, (D) FP e (E) SLA. Il colore grigio indica che la correlazione non è significativa. Le variabili mediate spazialmente sono calcolate in base alla casella verde del pannello A. Le serie temporali vengono utilizzate per ottenere i coefficienti di correlazione indicati nella tabella 2. Questa cifra è stata modificata da Yu etal. Clicca qui per visualizzare una versione più grande di questa figura. Nei campi anomali, CHL e SST sono stati significativamente correlati nella maggior parte del SCS(figura 9A). Quando gli SST erano insolitamente alti, la CHL divenne insolitamente bassa e viceversa. Allo stesso modo, un WSC insolitamente alto e fronti a sud-ovest della SCS hanno indotto alti livelli di CHL e viceversa (Figura 9C, 9D). Inoltre, è stata riscontrata una correlazione negativa tra gli SLA e i livelli di CHL (figura 9E). Sono stati testati diversi ritardi e la correlazione è diventata significativa solo se non è stato impiegato alcun ritardo. Pertanto, CHL è stato simultaneamente influenzato da anomalie in SST, WSC e fronti, così come SLA. La loro relazione è stata ulteriormente studiata utilizzando le serie temporali mensili mediate spazialmente a sud-ovest del SCS, designate come scatola verde nella figura 9A. I risultati mostrano che la maggior parte dei fattori era interconnessa con correlazioni significative nel campo anomalo (sezione in basso a sinistra della tabella 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 Tabella 2: Coefficienti di correlazione delle serie temporali tra i fattori, situati a sud-ovest della SCS, ad esempio SST (temperatura della superficie del mare), FP (probabilità frontale), WSC (wind stress curl) e WS (wind stress), utilizzando la scatola mostrata nella figura 9A. La media mensile e le anomalie sono mostrate rispettivamente nella sezione in alto a destra e nella sezione inferiore sinistra. I numeri in grassetto e corsivo indicano che la correlazione non soddisfa il livello di confidenza del 95%. La tabella è stata modificata da Yu etal. File supplementari. Clicca qui per scaricare questo file.