JoVE Journal > Environment
Summary
Abstract
Introduction
Protocol
Ergebnisse
Discussion
Offenlegungen
Acknowledgements
Materials
Referenzen
Please note that all translations are automatically generated. Click here for the English version.
Umwelt

Investigando la relación entre la clorofila de la superficie del mar y las principales características del Mar de China Meridional con información satelital

Published: June 13, 2020
doi:
10.3791/61172
, , , ,
1College of Oceanography,Hohai University, 2State Key Laboratory of Satellite Ocean Environment Dynamics, Second Institute of Oceanography,Ministry of Natural Resources

Summary

Los datos de clorofila, temperatura, altura del nivel del mar, viento y frente obtenidos o derivados de observaciones satelitales ofrecen una manera eficaz de caracterizar el océano. Presentado es un método para el estudio integral de estos datos, incluyendo el promedio general, el ciclo estacional y los análisis de intercorrelación, para comprender plenamente la dinámica regional y los ecosistemas.

Abstract

Las observaciones satelitales ofrecen un gran enfoque para investigar las características de los principales parámetros marinos, incluyendo clorofila de superficie marina (CHL), temperatura de la superficie del mar (SST), altura de la superficie del mar (SSH) y factores derivados de estos parámetros (por ejemplo, frentes). Este estudio muestra un procedimiento paso a paso para utilizar observaciones satelitales para describir los principales parámetros y sus relaciones en campos estacionales y anómalos. Este método se ilustra utilizando conjuntos de datos satélite de 2002 a 2017 que se utilizaron para describir las características superficiales del Mar de China Meridional (SCS). Debido a la cobertura en la nube, se utilizaron datos mensuales promediados en este estudio. La función ortogonal empírica (EOF) se aplicó para describir la distribución espacial y las variaciones temporales de diferentes factores. El viento monzónico domina la variabilidad en la cuenca. Por lo tanto, el viento del conjunto de datos de reanálisis se utilizó para investigar su fuerza motriz en diferentes parámetros. La variabilidad estacional en la CHL fue prominente y se correlacionó significativamente con otros factores en la mayoría del SCS. En invierno, un fuerte monzón del noreste induce una capa mixta profunda y un alto nivel de clorofila en toda la cuenca. Se encontraron coeficientes de correlación significativos entre los factores del ciclo estacional. En verano, los altos niveles de CHL se encontraron principalmente en el SCS occidental. En lugar de una dependencia estacional, la región era muy dinámica, y factores se correlacionaban significativamente en campos anómalos, de modo que los niveles inusualmente altos de CHL se asociaban con vientos anormalmente fuertes y actividades frontales intensas. El estudio presenta un procedimiento paso a paso para utilizar observaciones satelitales para describir los principales parámetros y sus relaciones en campos estacionales y anómalos. El método se puede aplicar a otros océanos globales y será útil para entender la dinámica marina.

Introduction

La tecnología de teledetección ofrece grandes conjuntos de datos con grandes escalas espaciales y largos períodos para describir entornos marinos. Con la creciente resolución espacial de los satélites, las características detalladas ahora se resuelven de la escala regional a unos pocos cientos de metros1,2. Se puede lograr una mejor comprensión de la dinámica marina con las observaciones satelitales más actualizadas3.

Mediante la incorporación de múltiples sensores en una plataforma de teledetección, es posible una descripción completa de los diferentes parámetros. La temperatura de la superficie del mar (SST) es el parámetro básico que se ha observado durante más de medio siglo4. Recientemente, las observaciones de la clorofila-a de la superficie marina (CHL) han quedado disponibles y pueden utilizarse para describir la productividad marina5. Los satélites de altimetry se utilizan para medir la altura de la superficie del mar6,7, que está fuertemente relacionada con las actividades de eddy mesoescala en el océano global8,9. Además de los remolinos, las actividades frontales también son importantes para afectar la dinámica regional y la producción primaria10.

El enfoque principal del estudio actual es encontrar un procedimiento estándar para describir la distribución espacial y las variaciones temporales de diferentes factores oceánicos. En este método, SST, CHL, SSH y front-data, que se derivan de degradados SST, se analizan para determinar patrones. En particular, el CHL se utiliza para representar la productividad del océano, y se introduce un método para investigar la relación entre el CHL y otros parámetros oceánicos. Para validar el método, se utilizó el período entre octubre de 2002 y septiembre de 2017 en el Mar de China Meridional para examinar todos los parámetros. El método se puede utilizar fácilmente para otras regiones del mundo para capturar los principales patrones oceánicos y explorar cómo la dinámica marina afecta el ecosistema.

El Mar de China Meridional (SCS) fue designado como la región de estudio debido a su relativamente alta tasa de cobertura de observaciones por satélite. El SCS es abundante en radiación solar; por lo tanto, el CHL está determinado principalmente por la disponibilidad de nutrientes11,12. Con más nutrientes que se transportan a la capa eufótica, los niveles de CHL pueden aumentar13. La mezcla, inducida por el viento, puede introducir nutrientes en la superficie del océano y mejorar el CHL14. El SCS está dominado de forma única por un sistema eólico monzónico, que determina la dinámica y el ecosistema en la región. El viento monzónico es más fuerte durante el invierno15. En verano, los vientos cambian de dirección y las velocidades del viento son mucho más débiles que las del invierno16,17. La intensidad del viento puede determinar la fuerza de la mezcla vertical, de tal manera que la profundidad de capa mixta (MLD) se profundiza a medida que el viento aumenta en invierno y se vuelve más superficial a medida que el viento disminuye en el verano18. Así, se transportan más nutrientes a la capa eufórtica durante el invierno cuando el viento es fuerte19 y CHL alcanza su punto más alto del año20,21.

Además del viento, el MLD también se puede determinar utilizando otros factores, como SST y anomalías del nivel del mar (SLA), que en última instancia afectan el contenido de nutrientes y CHL22. Durante el invierno, el gradiente vertical débil se asocia con bajas temperaturas en la superficie20. El MLD correspondiente es profundo y más nutrientes pueden ser transportados hacia arriba; por lo tanto, el CHL en la capa de superficie es alto17. Una variación creciente en los niveles de CHL se puede atribuir a remolinos mesoescala, que inducen el transporte vertical y la mezcla23. El upwelling se encuentra generalmente en remolinos ciclónicos asociados con SLAs8deprimidos,9 y concentraciones elevadas de CHL24. El downwelling se encuentra generalmente en remolinos anticiclónicos asociados con SLAs elevados8,9 y concentraciones de CHL deprimidos24. Para otras temporadas, el MLD se vuelve superficial, y la mezcla se vuelve débil; por lo tanto, se puede observar un CHL bajo en la mayor parte de la cuenca25. Los ciclos estacionales de los niveles de CHL son posteriormente predominantes para la región26.

Además de mezclar, los frentes y su azote costero asociado pueden modular aún más el CHL. El frente, que se define como un límite de diferentes masas de agua, es importante para determinar la circulación regional y las respuestas del ecosistema27. La frontogénesis se asocia generalmente con el crecimiento y convergencia costero28,29, que puede inducir nutrientes y elevar el crecimiento de fitoplancton30. Se han desarrollado diferentes algoritmos para identificar automáticamente frentes a partir de observaciones satelitales, incluidos los métodos de histograma y gradiente SST. Este último enfoque se adopta en este estudio28.

La correlación de series temporales entre CHL y diferentes factores ofrece una gran visión para cuantificar su relación. El estudio actual ofrece una descripción completa de cómo utilizar las observaciones satelitales para revelar la dinámica marina regional relacionada con la productividad. Esta descripción se puede utilizar como guía para investigar los procesos de superficie en cualquier parte del océano. La estructura de este artículo incluye un protocolo paso a paso, seguido de resultados descriptivos en el texto y las figuras. Posteriormente se discute la aplicabilidad, además de los pros y los contras del método.

Protocol

1. Adquisición de conjuntos de datos SST y CHL Descargue un conjunto de datos de observaciones por satélite para SST y CHL desde MODIS-Aqua (podaac-tools.jpl.nasa.gov/), donde la resolución espacial de ambos datasets es de aproximadamente 4,5 km a intervalos diarios.NOTA: Estructurar los directorios y los datos siguiendo la carpeta de scripts de ejemplo disponible en Archivos suplementarios. Almacene los archivos .nc de los datos satélite en la carpeta ‘Datos’. Agregue la ruta a la caja de herramientas NetCDF en el software de análisis (es decir, MATLAB). Seleccione Agregar con subcarpetas para incluir las rutas de la carpeta ‘UTILITIES’ y sus subcarpetas. Determine el intervalo de tiempo. Para mantener la coherencia entre diferentes conjuntos de datos, utilice el mismo intervalo de tiempo para todos los parámetros. Ajuste el intervalo de tiempo en función de la cobertura temporal y utilice el período de observación más largo entre diferentes conjuntos de datos. Para este protocolo, descargue 15 años de datos de octubre de 2002 a septiembre de 2017. Determinar la cobertura espacial.NOTA: La región de estudio diseñada se encuentra entre 105o E y 123oE y entre 0o y 25oN. Compruebe las instrucciones de preprocesamiento. Lea las instrucciones de los archivos .nc con respecto a los requisitos de preprocesamiento de los datos SST y CHL (por ejemplo, si es necesario escalar).NOTA: El conjunto de datos descargado ya excluye los datos sobre la tierra y dentro de 5 km de la costa, así como los contaminados por nubes. Cargue datos SST y CHL en el software de análisis. Escriba Read_MODIS_SST en la ventana de comandos para leer los datos SST. De forma similar, escriba Read_MODIS_CHL en la ventana de comandos para leer los datos de CHL. Transforme los datos CHL logarítmicamente porque tienen una distribución log-normal31.NOTA: Las variables cargadas incluyen SST y CHL en tres dimensiones, que representan la ubicación meridional, la ubicación zonal y la hora en días, respectivamente. El rango de SSTs está entre -2 y 44, y el rango de CHL está entre 0.01 y 20. Anomalía del nivel del mar (SLA) Descargue datos de SLA diarios con una resolución espacial de 25 km de 2002 a 201732.NOTA: Los SLA describen la diferencia entre las alturas de superficie marina observadas y la altura media de la superficie del mar durante 20 años (1993-2012) para un píxel correspondiente. Los datos del SLA son procesados por SSALTO/DUACS y distribuidos por Archiving, Validación e Interpretación de Datos Oceanográficos Por Satélite (AVISO, https://www.aviso.altimetry.fr). Cargue datos en el software de análisis. Cargue datos de SLA de un solo día escribiendo Read_SLA en la ventana de comandos.NOTA: La carpeta ‘Datos’ de los archivos suplementarios solo incluye un dato de ejemplo en el script para ilustrar. Velocidad del viento Obtenga la información eólica de un producto de reanálisis ERA-Interim, que es un conjunto de datos global de reanálisis atmosférico desarrollado por el Centro Europeo de Pronósticos Meteorológicos de Medio Alcance (ECMWF)33. Descargue los datos de viento para el mismo período (octubre 2002-septiembre de 2017) para mantener la coherencia con los datos de CHL y SST.NOTA: El dataset de viento tiene una resolución espacial de aproximadamente 25 km y se interpola desde el dataset original con una resolución espacial de aproximadamente 0,7o. Cargue datos en el software de análisis. Escriba Read_WindVector en la ventana de comandos para leer los datos de viento de un mes. Calcule la media mensual promediando los datos originales, que es a intervalos de 6 h. Topografía Descargue los datos de topografía de alta resolución del sitio web de los Centros Nacionales de Información Ambiental (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). La resolución espacial es de 2 km. Obtenga los datos ETOPO1 para la base en formato XYZ para la región de estudio seleccionada. Cargue datos en el software de análisis. Escriba Read_topography en la ventana de comandos para cargar los datos de topografía en el software de análisis. 2. Preprocesamiento de datos Promedio temporal Debido a la gran cobertura de nube en los datos SST y CHL, reemplace los datos originales por datos promedio de 3 días. Para ello, después de ejecutar los scripts Read_MODIS_SST.m y Read_MODIS_CHL.m (paso 1.1.5), escriba Temporal_average en la ventana de comandos para ejecutar el script. Interpolación en la misma cuadrícula Dado que la resolución espacial no es coherente para diferentes datasets, interpolar los datos SST y CHL en una cuadrícula espacial que sea la misma que la cuadrícula espacial de viento y SLA antes de realizar comparaciones. Después de ejecutar los scripts Temporal_average.m y Read_WindVector.m, escriba Interpolation_grid en la ventana de comandos para ejecutar el script. El estrés del viento y el rizo del estrés del viento Escriba Wind_stress_curl en la ventana de comandos para calcular la tensión del viento (WS) y el rizo de tensión del viento (WSC) utilizando las siguientes ecuaciones:donde está el vector de velocidad del viento; es el WS en la misma dirección que el vector de viento; y son el WS en las direcciones este y norte, respectivamente; es la densidad del aire (igual a 1,2 kg/m3); y C es el coeficiente de arrastre (se utiliza un valor de 0.0015) en condiciones de estabilidad neutra34. Promedios mensuales Calcule las series temporales mensuales SST, wind y SLA como promedios de 30 días en cada píxel escribiendo Monthly_average para ejecutar el script. Debido a la alta tasa de cobertura de nubes, utilice un promedio de 60 días como la serie de tiempo mensual para CHL, incluidos 30 días antes a 30 días después deldía 15 del mes. 3. Detección frontal SST Suavizado espacial Escriba Spatial_smoothing para ejecutar el script para promediar los datos SST de tres días en cada píxel.NOTA: Se identificó una gran cantidad de ruido en los datos SST. Por lo tanto, los datos se suavizaron con un promedio espacial de 3 x 3. Cuando no había datos disponibles en los datos promediados originales de 3 días, los datos promediados espaciales se establecieron como no disponibles. Gradiente SST Escriba SST_gradient ejecutar el script para calcular los gradientes SST zonales y meridionales (es decir, Gx y Gy, respectivamente) como la diferencia SST entre los dos píxeles más cercanos divididos por la distancia correspondiente a través de la ecuación (3). Utilice el vector de degradado obtenido para calcular el degradado total, G, como un escalar siguiente ecuación (4). Máximo local Identifique un frente probando un valor de degradado SST: etiquete un píxel como un píxel frontal potencial si el valor es mayor que un umbral designado. Mantenga solo el píxel máximo local en la misma dirección perpendicular a la dirección del degradado si hay píxeles conectados con valores mayores que el umbral. Aquí, defina el umbral como 0,035 oC/km después de los estudios anteriores10,28.NOTA: El script correspondiente ‘Local_maximum.m’ está disponible en los archivos suplementarios. Probabilidad frontal mensual (FP)NOTA: La probabilidad frontal (FP) describe la probabilidad de observar un frente. Calcule el FP para un intervalo de tiempo determinado (en este caso, un intervalo mensual), escribiendo Monthly_FP para ejecutar el script. Divida la aparición de frentes en cada píxel durante una ventana de tiempo por el número de días que están libres de nubes. 4. Variabilidad espacial y temporal Ciclo estacional Calcular los ciclos estacionales de diferentes factores como los promedios de diferentes estaciones. Definir las estaciones de la siguiente manera: el invierno es de diciembre a febrero, la primavera es de marzo a mayo, el verano es de junio a agosto, y el otoño es de septiembre a noviembre.NOTA: El ciclo estacional no se muestra en este estudio; el siguiente método se utiliza para explicar la variabilidad espacial y temporal en su lugar. Función ortogonal empírica (EOF) Elimine el promedio temporal y los píxeles no disponibles. Antes de realizar el EOF, reste la media general en cada píxel y excluya las ubicaciones donde faltan observaciones superiores al 20% debido a la cobertura de la nube. Cargue los datos escribiendo load(‘Monthly_data_for_EOF.mat’) en la ventana de comandos. Aplique un EOF para describir las variidades espaciales y temporales de diferentes parámetros. Escriba Empirical_orthogonal_function.m ejecutar el script para calcular la magnitud (Mag), los valores propios (Eig) y la amplitud (Amp) de los EOF para el conjunto de datos (es decir, series temporales de SST promediado mensual, tensión del viento, rizo de tensión del viento, CHL y FP).NOTA: La función descompone la serie temporal mensual en diferentes modos, que se componen de patrones espaciales y temporales y la varianza explicada por cada modo disminuye con el número de modo creciente. 5. Intercorrelación Correlación a escala estacional Calcule las correlaciones entre dos factores utilizando su serie temporal en cada píxel escribiendo Seasonal_correlation para ejecutar el script. Dado que no se elimina el ciclo estacional, compruebe la importancia de la correlación para todas las correlaciones. Correlación de un campo anómalo Calcule las correlaciones entre las anomalías mensuales de CHL y otros factores, como SST, WS, frentes y SLA. Obtenga las anomalías mensuales (es decir, la desviación del estado medio) restando el promedio general de un mes correspondiente de la serie temporal mensual. Escriba Anomalous_correlation para ejecutar el script y obtener las correlaciones. 6. Visualización de información y cálculo de relaciones Mostrar información del satélite. Escriba Sat_SCS_Fig3457 ejecutar el script para generar un escaparate de información de satélite, incluidas SST, CHL y distribuciones frontales. Establezca la carpeta actual como ‘scripts’ donde se encuentran los datos ‘Sat_SCS_data.mat’.NOTA: La Figura 1, la Figura 2, la Figura 3y la Figura 4 muestran SST, CHL, frentes, viento y topografía para la fecha seleccionada como ejemplo. Muestre el resultado de EOF escribiendo Sat_SCS_Fig890.m para ejecutar el script.NOTA: La Figura 5, la Figura 6y la Figura 7 describen la magnitud espacial, el promedio mensual y las series temporales de los dos primeros modos para CHL, SST y frentes, respectivamente. Calcule la relación entre CHL y otros factores en escalas de tiempo estacionales y para campos anómalos escribiendo Sat_SCS_Fig1112.m para ejecutar el script. Obtenga el mapa de correlación para las variabilidades estacionales (Figura 8) y anomalías (Figura 9).

Representative Results

Los patrones espaciales y temporales de la superficie marina CHL en el SCS se describieron utilizando observaciones satelitales. La información satelital para CHL (Figura 1A) y SST (Figura 1B) puede estar contaminada por la cobertura de nube, lo que da como resultado que una gran parte de los datos no se puedan utilizar. Los datos del viento reanalizado (Figura 1C) y SLA (Figura 1D) no se vieron afectados por las nubes diarias. La topografía (Figura 1E) tuvo un impacto prominente en la distribución espacial de CHL. High CHL se distribuyó principalmente a lo largo de la costa, donde la topografía es poco profunda. El viento también fue influenciado por la orografía, y el lado sotavento de las montañas se caracterizó por el viento débil; por lo tanto, se identificó un prominente WSC al suroeste del SCS. En cambio, los SLA no dependían mucho de la topografía, y se encontró una región de SLAs inusualmente altas en la cuenca del SCS. Figura 1: Observaciones originales para los parámetros principales el 15 de abril de 2015.(A) Clorofila de superficie marina (CHL),( B) temperatura de la superficie del mar (SST), (C) rizo de tensión del viento (WSC, sombreado) con tensión del viento (WS, vector), (D) de la topografía de la superficie del mar y (E) topografía para la cuenca oceánica. Haga clic aquí para ver una versión más grande de esta figura. Debido al grave impacto de la nube en las observaciones de satélites, una gran cantidad de datos no estaban disponibles o espacialmente inconsistentes. Se aplicó un método eficaz y eficiente para llenar algunas lagunas de datos y suavizar el campo. Los datos se sustituyeron primero por un promedio de 3 días en cada píxel, lo que puede llenar eficazmente algunos vacíos porque las nubes varían diariamente(Figura 2B). Se aplicó además un promedio espacial en cada píxel de forma que los datos se sustituyeron por la media de los valores circundantes (3 x 3 píxeles). Por lo tanto, la incoherencia espacial se redujo en gran medida(Figura 2C). Figura 2: SST para un solo día el 15 de abril de 2015.(A) SST original de MODIS, (B) SST promedio de tres días y (C) SST después del suavizado espacial. Haga clic aquí para ver una versión más grande de esta figura. La distribución diaria de los frentes SST se deriva de los gradientes SST (Figura 3A). Los umbrales aplicados aquí capturaron efectivamente la ubicación del frente (Figura 3B) y aseguraron la representación de los límites de masas de agua enteras (Figura 3C). Los gradientes y frentes eran casi idénticos porque el frente se obtenía principalmente del gradiente. Figura 3: Procedimiento para la detección frontal derivada de SST.(A) Magnitud del gradiente SST, (B) la distribución de frentes SST en líneas negras delgadas y (C) distribución frontal basada en los gradientes SST correspondientes. Haga clic aquí para ver una versión más grande de esta figura. Debido a la cobertura en la nube en los datos CHL, SST y front, las series temporales medias mensuales se calcularon y aplicaron en este estudio. Un ejemplo aleatorio se muestra en la Figura 4 para el mes de abril de 2015. No existía ninguna brecha para ninguno de los parámetros. Los patrones generales para diferentes parámetros eran muy consistentes con respecto a su varianza espacial. Por ejemplo, el CHL era alto cerca de la costa y bajo en la cuenca central, mientras que el SST era bajo cerca de la costa y alto en la cuenca central. El promedio mensual ofreció información completa para representar las características regionales. Los frentes se distribuyeron principalmente a lo largo de la costa, donde la dinámica es compleja. Una gran parte de la cuenca estaba libre de frentes; por lo tanto, el centro del SCS se caracterizó por un valor cercano a cero(Figura 4E). Figura 4: Promedio mensual de los principales parámetros en abril de 2015.(A) CHL (en escala de logaritmo),( B) SST, (C) WSC (sombreado) con WS (vector), (D) anomalía de superficie marina y (E) probabilidad frontal (FP). Haga clic aquí para ver una versión más grande de esta figura. La mayoría de las características de la superficie se caracterizaron por una prominente variabilidad estacional, que se observó claramente utilizando EF. El EOF es un método matemático útil que es ampliamente utilizado en las ciencias atmosféricas y marinas. El método puede delinear patrones espaciales y señales temporales de series temporales sobre dominios espaciales28. Después de la descomposición espaciotemporal para las entidades de superficie marina en el SCS, los dos primeros modos son generalmente necesarios para describir las variables espaciales y temporales. Los dos primeros EF para CHL describieron el 44% y el 12% de la varianza total, respectivamente. EOF1 capturó una gran varianza en la sección norte del SCS (Figura 5A). El promedio mensual correspondiente de la serie temporal (Figura 5C) mostró que el CHL estaba elevado durante el invierno y deprimido durante el verano. La región junto a la costa suroeste se caracterizó por una magnitud débil, y la variabilidad correspondiente fue capturada principalmente por EOF2 (Figura 5B). Los valores de CHL eran altos en el verano y bajos en el invierno. Esto fue principalmente fuera de fase en comparación con la sección norte. La serie temporal mensual para los EF mostró una clara variabilidad estacional, y EOF2 llevó a EOF1 por aproximadamente 4 meses(Figura 5E). Figura 5: El EOF para CHL.(A) Magnitud de EOF1,( B) magnitud de EOF2, (C) series temporales medias mensuales para EOF1, (D) series temporales medias mensuales para EOF2, y (E) series temporales mensuales de EOF1 (negro) y EOF2 (azul). Haga clic aquí para ver una versión más grande de esta figura. La varianza explicada en los dos primeros EF para SST fue prominentemente alta, igualando el 91% y el 5% para EOF1 y EOF2, respectivamente. Es importante hacer hincapié en que el promedio general debe eliminarse antes de llevar a cabo la EOF; por lo tanto, se excluyó el campo medio. EOF1 dominó la varianza total, y su magnitud fue mayor en el SCS septentrional y disminuyó hacia el sur(Figura 6A). El promedio mensual correspondiente de la serie temporal (Figura 6C) mostró que el SST fue elevado durante el verano y deprimido durante el invierno. El SCS meridional se caracterizó por una magnitud débil, atribuido a temperaturas altas persistentes en latitudes bajas. La variabilidad en la sección sur fue capturada principalmente por EOF2 (Figura 6B). El SST correspondiente se mejoró entre marzo y junio, mientras que los valores bajos persistieron en los meses restantes. El calentamiento prominente ocurrió en 2010 y 2016, donde el SST frente a la costa suroeste del SCS fue mucho mayor que el de los otros años(Figura 6E). Esta variabilidad interanual se atribuye principalmente a los eventos de El Niño que reducen el monzón de verano suroeste y dan lugar a un aumento débilde 12. Dado que la variabilidad estacional es el foco principal del estudio actual, esta característica no se discute más a fondo. Figura 6: El EOF para SST.(A) Magnitud de EOF1,( B) magnitud de EOF2, (C) series temporales mediadas mensuales para EOF1, (D) series temporales medias mensuales para EOF2, y (E) series temporales mensuales de EOF1 (negro) y EOF2 (azul). Haga clic aquí para ver una versión más grande de esta figura. Debido a la naturaleza ruidosa del gradiente, el frente derivado explicaba mucho menos de la varianza. De hecho, la EOF1 y la EOF2 de FP sólo explicaron el 19% y el 9% de la varianza total, respectivamente. EOF1 capturó las varianzas en el SCS norte y noreste (Figura 7A). El promedio mensual correspondiente de la serie temporal (Figura 7C) mostró que en esas regiones, se produjo más FP durante el invierno y menos durante el verano. La fase frente a la costa suroeste del SCS fue la opuesta, aunque la variabilidad correspondiente era mucho menos prominente. EOF2 capturó la mejora del resorte de FP (Figura 7D) en el SCS occidental (Figura 7B). Las series temporales mensuales de EOF1 y EOF2 se caracterizaron por una débil variabilidad interanual. Figura 7: El EOF para FP.(A) Magnitud de EOF1,( B) magnitud de EOF2, (C) series temporales mediadas mensuales para EOF1, (D) series temporales medias mensuales para EOF2, y (E) series temporales mensuales de EOF1 (negro) y EOF2 (azul). Haga clic aquí para ver una versión más grande de esta figura. Se investigaron diferentes factores para sus relaciones con CHL (Figura 8). Por ejemplo, SST se puede utilizar para entender las características fundamentales del océano que pueden influir en la tasa de crecimiento del fitoplancton y, posteriormente, impactar el CHL. Para la mayoría del SCS, hubo altas correlaciones entre SST y CHL (Figura 8A), y la mayoría de las correlaciones alcanzaron más de -0,8. Es importante señalar que la alta correlación no indica causalidad entre estos dos factores. A medida que SST alcanzó su máximo anual en verano, el MLD se convirtió enel 21más superficial. Los nutrientes suministrados a la capa eufórtica eran bajos porque la mezcla vertical estaba bloqueada por la estratificación intensiva13. Como resultado, los nutrientes bajos limitaron la tasa de crecimiento del fitoplancton y resultaron en CHL bajo. En contraste, el CHL alto ocurrió en invierno cuando el MLD era más profundo, y la estratificación débil inducida por SST bajo35. Figura 8: Correlaciones entre CHL y otros factores a escala estacional.(A) SST, (B) WS, (C) WSC, (D) FP y (E) SLA. El color gris indica que la correlación no es insignificante. Las variables promediadas espacialmente se calculan en función del cuadro verde del panel A. Sus series temporales se utilizan para obtener los coeficientes de correlación en la Tabla 1. Esta cifra ha sido modificada de Yu et al.17. Haga clic aquí para ver una versión más grande de esta figura. La mezcla impulsada por el viento puede ser medida aproximadamente por WS y se utilizó para describir la mezcla vertical18. Se identificaron grandes coeficientes de correlación, con valores de aproximadamente 0,8, entre los niveles WS y CHL al norte del SCS(Figura 8B),particularmente en las regiones con el viento invernal más fuerte situado en la plataforma norte del SCS. Se encontraron correlaciones débiles pero significativas al sur. Las correlaciones entre WSC y CHL fueron significativas en la mayoría del SCS(Figura 8C),aunque mostraron tendencias opuestas en el norte y el sur. Se identificó un coeficiente de correlación positivo entre CHL y WSC hacia el sur, con valores negativos en el norte. La correlación en la región entre ellos no fue significativa. Se encontró que el WS y el CHL estaban fuertemente correlacionados en la región correspondiente, donde el WS de invierno era más grande. Los frentes también pueden inducir la variabilidad de la CHL. Se encontró una gran correlación en el noreste y suroeste del SCS(Figura 8D). EL CHL aumentó a medida que las actividades frontales se volvieron más activas36. El SLA mostró una correlación negativa significativa con CHL desde el NOreste del SCS hacia el suroeste y una correlación positiva a lo largo de la costa oeste del SCS (Figura 8E). Es interesante notar que las correlaciones positivas se limitaron a la región con topografía poco profunda. Al noreste del SCS, todas las correlaciones eran grandes(Figura 8). Por lo tanto, las correlaciones de series temporales mensuales entre CHL y otros parámetros se calcularon utilizando el promedio espacial en un cuadro designado (Figura 8A), y la mayoría de los factores se correlacionaron con correlaciones significativas (sección superior derecha de la Tabla 1). Debido a que el ciclo estacional dominó la serie temporal, la correlación ya no era válida después de eliminar el promedio mensual (sección inferior izquierda de la Tabla 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 Tabla 1: Coeficientes de correlación de la serie temporal entre factores, situados al noreste del SCS, por ejemplo, SST (temperatura de la superficie del mar), FP (probabilidad frontal), WSC (curva de tensión del viento) y WS (estrés del viento), utilizando la caja que se muestra en la Figura 8A. Los promedios mensuales y las anomalías se muestran en la sección superior derecha y en la sección inferior izquierda, respectivamente. Los números en negrita y cursiva indican que la correlación no alcanza el nivel de confianza del 95%. La tabla ha sido modificada de Yu et al.17. Las correlaciones en el ciclo estacional no fueron significativas para algunas regiones, como el suroeste del SCS (Figura 8). La región está dominada por procesos dinámicos (por ejemplo, azotes y transporte marítimo inducido por el viento) que determinan la variabilidad en el CHL17. Se identificó una correlación significativa entre CHL y otros factores (por ejemplo, SST, WS, frentes y WSC) en campos anómalos (Figura 9). Las anomalías se calcularon para la serie temporal mensual eliminando el promedio mensual correspondiente. El número efectivo de grados de libertad podría aumentar, pero estudios previos han demostrado que no afecta a las relaciones subyacentes entre sus series temporales28,37. Figura 9: Correlación entre CHL y otros factores en los campos anómalos.(A) SST, (B) WS, (C) WSC, (D) FP y (E) SLA. El color gris indica que la correlación no es insignificante. Las variables promediadas espacialmente se calculan sobre la base del cuadro verde del panel A. Las series temporales se utilizan para obtener los coeficientes de correlación mostrados en la Tabla 2. Esta cifra ha sido modificada de Yu et al.17. Haga clic aquí para ver una versión más grande de esta figura. En los campos anómalos, CHL y SST se correlacionaron significativamente en la mayoría del SCS (Figura 9A). Cuando los SST eran inusualmente altos, CHL se volvió inusualmente bajo, y viceversa. Del mismo modo, un WSC inusualmente alto y frentes al suroeste del SCS indujeron altos niveles de CHL, y viceversa (Figura 9C, 9D). Además, se encontró una correlación negativa entre los niveles de SLA y CHL (Figura 9E). Se probaron diferentes retrasos, y la correlación sólo se hizo significativa si no se empleó ningún retraso. Por lo tanto, CHL se vio afectada simultáneamente por anomalías en SST, WSC y frentes, así como SLA. Su relación se investigó más a fondo utilizando la serie temporal mensual promediada espacialmente al suroeste del SCS, designada como caja verde en la Figura 9A. Los resultados muestran que la mayoría de los factores se intercorrelaron con correlaciones significativas en el campo anómalo (sección inferior izquierda del Cuadro 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 Tabla 2: Coeficientes de correlación de la serie temporal entre factores, situados al suroeste del SCS, por ejemplo, SST (temperatura de la superficie del mar), FP (probabilidad frontal), WSC (curva de tensión del viento) y WS (estrés del viento), utilizando la caja que se muestra en la Figura 9A. El promedio mensual y las anomalías se muestran en la sección superior derecha y la sección inferior izquierda, respectivamente. Los números en negrita y cursiva indican que la correlación no alcanza el nivel de confianza del 95%. La tabla ha sido modificada de Yu et al.17. Archivos Suplementarios. Haga clic aquí para descargar este archivo. 

Discussion

En este estudio, las principales características de los sistemas marinos se describen mediante observaciones satelitales. El CHL, que se puede utilizar para representar la producción oceánica, se selecciona como un factor indicador. Se investigaron factores relacionados con la variabilidad de LA CHL utilizando series temporales medias mensuales, por ejemplo, SST, WS, WSC, FP y SLA. En este estudio se describen tres pasos críticos: la adquisición de datos satelitales para diferentes parámetros, la descripción de sus variaciones espaciales y temporales a través de EOF y la determinación de interrelaciones entre diferentes factores mediante el cálculo de coeficientes de correlación. Se incluye un procedimiento detallado que muestra la identificación para la distribución frontal diaria, que se deriva de las observaciones del SST. Se han desarrollado dos enfoques principales para la detección frontal SST: el método de gradiente10,38 y el método de histograma39,40. El método histograma se basa en un rango similar de valores para SST, que se puede utilizar para dividir las masas de agua en diferentes grupos. Los píxeles con valores entre diferentes grupos que representan el píxel en una banda de transición se definen como frentes. Por otro lado, el método de degradado separa varios cuerpos de agua relativamente uniformes como píxeles con valores de degradado grandes. Se llevó a cabo un estudio de comparación, y encontraron tasas falsas más bajas utilizando el método histograma y menos frentes perdidos utilizando el método de gradiente41. En este estudio, el método basado en gradiente38 fue adoptado después de los estudios anteriores10,28. El algoritmo puede evitar la ruptura frontal en varios fragmentos de borde al permitir que la magnitud disminuya a un nivel por debajo de un umbral más pequeño. Además del conjunto de datos incluido aquí, otras observaciones por satélite, como el índice de aerosoles, también se pueden utilizar con un enfoque similar.

La mayoría de los procedimientos se pueden aplicar directamente en otras regiones o conjuntos de datos. La modificación puede tener lugar para cambiar el umbral de la detección frontal. Dado que el gradiente SST en el SCS es comparable con el Sistema Actual de Límites Orientales28,se implementaron los mismos umbrales para el estudio actual. Un estudio anterior reveló que el gradiente SST de diferentes conjuntos de datos puede variar hasta tres veces42,lo que hace que el método de alguna manera sea menos objetivo. Estudios sustanciales han investigado las actividades frontales alrededor de los océanos globales28,43. El mejor enfoque para validar frentes es compararlos con observaciones in situ. Yao44 describió la distribución frontal mensual para el SCS. Sus resultados coincidieron bien con las mediciones in situ. El gradiente general debe comprobarse y ajustarse, ya que su valor puede variar en función de la resolución espacial y los instrumentos. En particular, el umbral debe actualizarse cuando se utiliza otro conjunto de datos SST. Una comprensión básica de la dinámica regional es fundamental para entender la frontogénesis45,46,47. El script de detección frontal puede ser desarrollado por autores individuales basado en la descripción de este artículo.

La información satelital ofrece una comprensión completa de las características de la superficie, y una comparación de resultados con observaciones in situ puede ayudar a evaluar la credibilidad. Sin embargo, las observaciones satelitales se limitan a la superficie del océano, lo que limita la aplicación para entender la estructura vertical de la columna de agua. En un estudio reciente, las observaciones satelitales revelaron que la superficie CHL aumentó en 15 veces, pero el valor integrado vertical sólo aumentó en 2,5 veces48. Esta diferencia se debió a que el valor de la superficie se vio afectado por los efectos del crecimiento del fitoplancton y el cardo de MLD, lo que resultó en un valor irrealizable en la superficie. Por lo tanto, es posible que la entidad de superficie no ofrezca una descripción precisa para toda la columna de agua. Además, la influencia de la cobertura de nubes limita las observaciones continuas de los satélites. Por lo tanto, las series temporales mensuales se calculan para diferentes factores en la misma región y el mismo período. Esto garantizará la credibilidad de calcular las correlaciones entre diferentes factores. Sin embargo, los eventos de corto plazo, por ejemplo, tifones que duran de unos días a una semana, no se resolverán.

En comparación con estudios anteriores, el método propuesto puede ofrecer información espacial a nivel de píxel, lo que puede ayudar a evaluar la dinámica de una manera más detallada. Algunos estudios anteriores promediaron todo el SCS como un solo número y obtuvieron una serie temporal. Encontraron que un WS inusualmente fuerte y un SST alto pueden inducir CHL16anómalamente alto, que es consistente con el resultado actual. Sin embargo, la variación espacial en las relaciones no se resolvió. En este estudio, la correlación a escala de cuenca entre WS y CHL fue débil en el campo anómalo. Sólo se identificó una gran correlación significativa para ciertas áreas, por ejemplo, en el centro del SCS (Figura 9B). Por lo tanto, el método actual ofrece una descripción completa para investigar las variaciones espaciales. Del mismo modo, se utilizaron observaciones de dos flotadores Bio-Argo y revelaron que WSC no se correlacionaba con la variabilidad de CHL20. Sin embargo, las trayectorias de los dos flotadores sólo se encuentran en ciertas regiones. En este caso, fue exactamente dentro de la banda donde la correlación entre el nivel de CHL y el WSC no era significativa (Figura 8D). El método propuesto es muy útil para resolver la dependencia espacial entre factores, que es una característica fundamental del océano global.

En resumen, el método utilizado aquí puede describir con precisión la distribución espacial y la variabilidad temporal en las entidades de la superficie del océano mediante observaciones por satélite. Con la creciente resolución de datasets satélite, se pueden identificar e investigar características más detalladas, lo que permite una comprensión general de las características regionales, como CHL, SST y SSH. La correlación de series temporales mensuales entre diferentes factores puede ayudar a comprender sus relaciones dinámicas y su impacto potencial en un ecosistema49. Debido a que la correlación puede variar en gran medida en diferentes ubicaciones espaciales, el método propuesto ofrece una descripción detallada y completa. Un enfoque similar se puede aplicar a cualquier cuenca oceánica en todo el mundo, lo que será muy útil para mejorar la comprensión de la dinámica marina y los ecosistemas.

Offenlegungen

The authors have nothing to disclose.

Acknowledgements

El apoyo del Programa Nacional de Investigación y Desarrollo Clave de China (No 2016YFC1401601), el Programa de Investigación y Práctica de Posgrado de la Provincia de Jiangsu (No. SJKY19_0415) con el apoyo de los Fondos de Investigación Fundamental para las Universidades Centrales (No 2019B62814), la Fundación Nacional de Ciencias Naturales de China (No 41890805, 41806026 y 41730536) y los Estudios Marinos y Ecológicos Avanzados Conjuntos en la Bahía de Bengala y el Océano Indico Ecuatorial oriental fueron reconocidos en gran medida. Los autores aprecian el suministro de datos de fuentes como la Administración Nacional de Aeronáutica y del Espacio (NASA), el Centro Europeo de Pronósticos Meteorológicos de Medio Alcance (ECMWF), el Servicio de Vigilancia Marina y Ambiental de Copérnico (CMEMS) y la Administración Nacional Oceánica y Atmosférica (NOAA).

Materials

Matlab MathWorks Matlab R2016 https://www.mathworks.com/products/matlab.html; referred to analysis software in the protocol
Sea surface chlorophyll NASA MODIS mg/mg3 (podaac-tools.jpl.nasa.gov)
Sea surface height AVISO AVISO meter (www.aviso.altimetry.fr)
Sea surface temperature NASA MODIS °C (podaac-tools.jpl.nasa.gov)
Topography NOAA NGDC meter (maps.ngdc.noaa.gov/viewers/wcs-client/)
Wind ECMWF ERA-interim m/s (www.ecmwf.int/en/forecasts/datasets)
DOWNLOAD MATERIALS LIST

Referenzen

  1. Behrenfeld, M. J., Falkowski, P. G. Photosynthetic rates derived from satellite-based chlorophyll concentration. Limnology and Oceanography. 42 (1), 1-20 (1997).
  2. Loisel, H., et al. Assessment and analysis of the chlorophyll-a concentration variability over the Vietnamese coastal waters from the MERIS ocean color sensor (2002-2012). Remote Sensing of Environment. 190, 217-232 (2017).
  3. Gohin, F., et al. Towards a better assessment of the ecological status of coastal waters using satellite-derived chlorophyll-a concentrations. Remote Sensing of Environment. 112 (8), 3329-3340 (2008).
  4. Bates, J. J., Smith, W. L. Sea surface temperature: Observations from geostationary satellites. Journal of Geophysical Research. 90, 11609-11618 (1985).
  5. Antoine, D., Andre, J., Morel, A. Oceanic primary production: 2. Estimation at global scale from satellite (Coastal Zone Color Scanner) chlorophyll. Global Biogeochemical Cycles. 10 (1), 57-69 (1996).
  6. Mason, E., Pascual, A., McWilliams, J. C. A new sea surface height-based code for oceanic mesoscale eddy tracking. Journal of Atmospheric and Oceanic Technology. 31 (5), 1181-1188 (2014).
  7. Sterlini, P., De Vries, H., Katsman, C. A. Sea surface height variability in the North East Atlantic from satellite altimetry. Climate Dynamics. 47, 1285-1302 (2016).
  8. Chelton, D. B., Schlax, M. G., Samelson, R. M., De Szoeke, R. A. Global observations of large oceanic eddies. Geophysical Research Letters. 34, 15606 (2007).
  9. Chelton, D. B., Schlax, M. G., Samelson, R. M. Global observations of nonlinear mesoscale eddies. Progress in Oceanography. 91 (2), 167-216 (2011).
  10. Castelao, R. M., Wang, Y. Wind-driven variability in sea surface temperature front distribution in the California Current System. Journal of Geophysical Research: Oceans. 119 (3), 1861-1875 (2014).
  11. Pauly, D., Christensen, V., Sherman, K., Alexander, L. M., Gold, B. D. Stratified model of large marine ecosystems: A general approach and an application to the South China Sea. Large Marine Ecosystems: Stress, Mitigation, and Sustainability. , 148-174 (1993).
  12. Gao, S., Wang, H., Liu, G., Li, H. Spatio-temporal variability of chlorophyll a and its responses to sea surface temperature, winds and height anomaly in the western South China Sea. Acta Oceanologica Sinica. 32 (1), 48-58 (2013).
  13. Chen, Y. L. Spatial and seasonal variations of nitrate-based new production and primary production in the South China Sea. Deep-sea Research Part I. 52 (2), 319-340 (2005).
  14. Kahru, M., et al. Global correlations between winds and ocean chlorophyll. Journal of Geophysical Research. 115, 12040 (2010).
  15. Wu, C. R., Shaw, P. T., Chao, S. Y. Seasonal and Interannual Variations in the Velocity Field of the South China Sea. Journal of Oceanography. 54, 361-372 (1998).
  16. Liu, K. K., et al. Inter-annual variation of chlorophyll in the northern South China Sea observed at the SEATS Station and its asymmetric responses to climate oscillation. Biogeosciences. 10, 7449-7462 (2013).
  17. Yu, Y., et al. The variability of chlorophyll-a and its relationship with dynamic factors in the basin of the South China Sea. Journal of Marine Systems. 200, 103230 (2019).
  18. Qu, T., Du, Y., Gan, J., Wang, D. Mean seasonal cycle of isothermal depth in the South China Sea. Journal of Geophysical Research. 112, 02020 (2007).
  19. Chen, C. C., Shiah, F. K., Chung, S. W., Liu, K. K. Winter phytoplankton blooms in the shallow mixed layer of the South China Sea enhanced by upwelling. Journal of Marine Systems. 59, 97-110 (2006).
  20. Zhang, W. Z., Wang, H., Chai, F., Qiu, G. Physical drivers of chlorophyll variability in the open South China Sea. Journal of Geophysical Research: Oceans. 121, 7123-7140 (2016).
  21. Zeng, L., Wang, D., Chen, J., Wang, W., Chen, R. SCSPOD14, a South China Sea physical oceanographic dataset derived from in situ measurements during 1919-2014. Scientific Data. 3, 160029 (2016).
  22. Greer, A. T., Cowen, R. K., Guigand, C. M., Hare, J. A. Fine-scale planktonic habitat partitioning at a shelf-slope front revealed by a high-resolution imaging system. Journal of Marine Systems. 142, 111-125 (2015).
  23. Piontkovski, S. A., Nezlin, N. P., Alazri, A., Alhashmi, K. Mesoscale eddies and variability of chlorophyll-a in the Sea of Oman. Journal of Remote Sensing. 33 (17), 5341-5346 (2012).
  24. Kahru, M., Fiedler, P. C., Gille, S. T., Manzano, M., Mitchell, B. G. Sea level anomalies control phytoplankton biomass in the Costa Rica Dome area. Geophysical Research Letters. 34, 22601 (2007).
  25. Palacz, A. P., Xue, H., Armbrecht, C., Zhang, C., Chai, F. Seasonal and inter-annual changes in the surface chlorophyll of the South China Sea. Journal of Geophysical Research. 116, 09015 (2011).
  26. Tang, S., Liu, F., Chen, C. Seasonal and intraseasonal variability of surface chlorophyll a concentration in the South China Sea. Aquatic Ecosystem Health and Management. 17, 242-251 (2014).
  27. Fedorov, K. N. . The physical nature and structure of oceanic fronts. , 333 (1986).
  28. Wang, Y., Castelao, R. M., Yuan, Y. Seasonal variability of alongshore winds and sea surface temperature fronts in Eastern Boundary Current Systems. Journal of Geophysical Research: Oceans. 120 (3), 2385-2400 (2015).
  29. Chen, H. H., Qi, Y., Wang, Y., Chai, F. Seasonal variability of SST fronts and winds on the southeastern continental shelf of Brazil. Ocean Dynamics. 69 (11), 1387-1399 (2019).
  30. Woodson, C. B., Litvin, S. Y. Ocean fronts drive marine fishery production and biogeochemical cycling. Proceedings of the National Academy of Sciences of the United States of America. 112 (6), 1710-1715 (2015).
  31. Siegel, D. A., et al. Regional to global assessments of phytoplankton dynamics from the SeaWiFS mission. Remote Sensing of Environment. 135, 77-91 (2013).
  32. Ducet, N., Traon, P. Y. L., Reverdin, G. Global high-resolution mapping of ocean circulation from Topex/Poseidon and ERS-1/2. Journal of Geophysical Research-Atmospheres. 105 (8), 19477-19498 (2000).
  33. Dee, D. P., et al. The ERA Interim reanalysis: Configuration and performance of the data assimilation system. Quarterly Journal of the Royal Meteorological Society. 137 (656), 553-597 (2011).
  34. Hellerman, S. Computations of wind stress fields over the Atlantic Ocean. Monthly Weather Review. 93 (4), 239-244 (1965).
  35. Xian, T., Sun, L., Yang, Y. J., Fu, Y. F. Monsoon and eddy forcing of chlorophyll-a variation in the northeast South China Sea. International Journal of Remote Sensing. 33 (23), 7431-7443 (2012).
  36. Hu, J. Y., Kawamura, H., Tang, D. Tidal front around the Hainan Island, northwest of the South China Sea. Journal of Geophysical Research. 108 (11), 3342 (2003).
  37. Chelton, D. B. Large-scale response of the California Current to forcing by the wind stress curl. CalCOFI Reports. 23, 130-148 (1982).
  38. Canny, J. A computational approach to edge-detection. IEEE Transactions on Pattern Analysis and Machine Intelligence. 6, 679-698 (1986).
  39. Cayula, J. F., Cornillon, P., Holyer, R., Peckinpaugh, S. Comparative study of two recent edge-detection algorithms designed to process sea-surface temperature fields. IEEE Geoscience and Remote Sensing Letters. 29 (1), 175-177 (1991).
  40. Cayula, J. F., Cornillon, P. Cloud detection from a sequence of SST images. Remote Sensing of Environment. 55 (1), 80-88 (1996).
  41. Ullman, D. S., Cornillon, P. Evaluation of Front Detection Methods for Satellite-Derived SST Data Using in Situ Observations. Journal of Atmospheric and Oceanic Technology. 17 (12), 1667-1675 (2000).
  42. Oey, L., Chang, M. C., Huang, S., Lin, Y. C., Lee, M. The influence of shelf-sea fronts on winter monsoon over East China Sea. Climate Dynamics. 45, 2047-2068 (2015).
  43. Legeckis, R. A survey of worldwide sea surface temperature fronts detected by environmental satellites. Journal of Geophysical Research. 83 (9), 4501-4522 (1978).
  44. Yao, J., Belkin, I. M., Chen, J., Wang, D. Thermal fronts of the southern South China Sea from satellite and in situ data. International Journal of Remote Sensing. 33 (23), 7458-7468 (2012).
  45. Chen, G., et al. Eddy heat and salt transports in the South China Sea and their seasonal modulations. Journal of Geophysical Research. 117, 05021 (2012).
  46. Wang, G., Li, J., Wang, C., Yan, Y. Interactions among the winter monsoon, ocean eddy and ocean thermal front in the South China Sea. Journal of Geophysical Research. 117, 08002 (2012).
  47. Guo, L., et al. Enhanced chlorophyll concentrations induced by Kuroshio Intrusion Fronts in the Northern South China Sea. Geophysical Research Letter. 44 (22), 565-572 (2017).
  48. Xing, X. G., Qiu, G. Q., Boss, E., Wang, H. L. Temporal and Vertical Variations of Particulate and Dissolved Optical Properties in the South China Sea. Journal of Geophysical Research-Oceans. 124 (6), 3779-3795 (2019).
  49. Belkin, I. M., Cornillon, P., Sherman, K. Fronts in Large Marine Ecosystems. Progress in Oceanography. 81, 223-236 (2009).

Tags

Satellite ObservationSea Surface ChlorophyllSouth China SeaSpatial And Temporal VariabilitySea Surface TemperatureSea Level AnomalyWind SpeedFrontsEmpirical Orthogonal FunctionData AcquisitionMODIS AquaNetCDFMATLABMarine DynamicsEcosystem

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Diesen Artikel zitieren
Chen, H., Tang, R., Zhang, H., Yu, Y., Wang, Y. Investigating the Relationship between Sea Surface Chlorophyll and Major Features of the South China Sea with Satellite Information. J. Vis. Exp. (160), e61172, doi:10.3791/61172 (2020).
Zitat herunterladen
Nachdrucke und Berechtigungen

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image