Summary

التحقيق في العلاقة بين الكلوروفير السطحي البحري والسمات الرئيسية لبحر الصين الجنوبي بمعلومات عن الأقمار الصناعية

Published: June 13, 2020
doi:

Summary

10- وتوفر الكلوروفير السطحي للبحر ودرجة الحرارة وارتفاع مستوى سطح البحر والرياح والبيانات الأمامية التي تم الحصول عليها أو المستمدة من عمليات الرصد الساتلية طريقة فعالة لتوصيف المحيطات. وتُعرض طريقة للدراسة الشاملة لهذه البيانات، بما في ذلك المتوسط العام، والدورة الموسمية، وتحليلات العلاقات المتبادلة، من أجل فهم الديناميات والنظم الإيكولوجية الإقليمية فهماً كاملاً.

Abstract

10- وتوفر عمليات الرصد الساتلية نهجاً كبيراً في استقصاء معالم البارامترات البحرية الرئيسية، بما في ذلك الكلورو سطح البحر، ودرجة حرارة سطح البحر، وارتفاع سطح البحر، والعوامل المستمدة من هذه المعلمات (مثل الجبهات). 11- تُظهر هذه الدراسة إجراءً متدرجاً لاستخدام عمليات الرصد الساتلية لوصف البارامترات الرئيسية وعلاقاتها في المجالات الموسمية والشذوذة. وتُوضَّح هذه الطريقة باستخدام مجموعات بيانات ساتلية من 2002-2017 استُخدمت لوصف المعالم السطحية لبحر الصين الجنوبي. بسبب التغطية السحابية، تم استخدام متوسط البيانات الشهرية في هذه الدراسة. وقد طبقت وظيفة متعامد تجريبية لوصف التوزيع المكاني والتغيرات الزمنية لعوامل مختلفة. الرياح الموسمية تهيمن على التقلبات في الحوض. وهكذا، استخدمت الرياح من مجموعة بيانات إعادة التحليل للتحقيق في قوتها الدافعة على معلمات مختلفة. وكان التغير الموسمي في الـ CHL بارزاً ويرتبط بشكل كبير بعوامل أخرى في غالبية الـ SCS. في فصل الشتاء، والرياح الموسمية الشمالية الشرقية القوية تحفز طبقة مختلطة عميقة ومستوى عال من الكلورو في جميع أنحاء الحوض. وقد وجدت معاملات ارتباط هامة بين العوامل في الدورة الموسمية. في الصيف، تم العثور على مستويات عالية CHL في الغالب في SCS الغربية. وبدلاً من الاعتماد الموسمي، كانت المنطقة شديدة الديناميكية، وارتبطت العوامل بشكل كبير في الحقول الشاذة بحيث ارتبطت مستويات CHL المرتفعة بشكل غير عادي برياح قوية بشكل غير طبيعي وأنشطة أمامية مكثفة. وتقدم الدراسة إجراءً متدرجاً لاستخدام عمليات الرصد الساتلية لوصف المعايير الرئيسية وعلاقاتها في المجالات الموسمية والشذوذة. ويمكن تطبيق هذه الطريقة على المحيطات العالمية الأخرى، كما أنها ستساعد على فهم الديناميات البحرية.

Introduction

10- وتوفر تكنولوجيا الاستشعار عن بعد مجموعات بيانات كبيرة ذات نطاقات مكانية كبيرة وفترات طويلة لوصف البيئات البحرية. مع تزايد دقة المكانية للأقمار الصناعية ، يتم حل الميزات التفصيلية الآن من النطاق الإقليمي إلى بضع مئات من الأمتار1،2. ويمكن تحقيق فهم أفضل للديناميات البحرية من خلال معظم عمليات الرصد الساتلية المحدثة3.

ومن خلال دمج أجهزة استشعار متعددة على منصة للاستشعار عن بعد، يمكن تقديم وصف شامل لبارامترات مختلفة. درجة حرارة سطح البحر (SST) هي المعلمة الأساسية التي لوحظت لأكثر من نصف قرن4. ومؤخرا، أصبحت عمليات الرصد المتعلقة بالكلوروفير -أ على سطح البحر متاحة ويمكن استخدامها لوصف الإنتاجية البحرية5. وتستخدم الأقمار الصناعية لقياس ارتفاع سطح البحر6،7، والتي ترتبط بقوة إلى mesoscale eddy الأنشطة في المحيط العالمي8،9. بالإضافة إلى الدوامات ، والأنشطة الأمامية مهمة أيضًا للتأثير على الديناميكيات الإقليمية والإنتاج الأساسي10.

وتركز الدراسة الحالية بشكل رئيسي على إيجاد إجراء موحد لوصف التوزيع المكاني والتباين الزمني لعوامل المحيطات المختلفة. في هذه الطريقة، يتم تحليل SST و CHL و SSH والبيانات الأمامية، والتي يتم اشتقاقها من تدرجات SST، لتحديد الأنماط. وتستخدم هذه البارامترات على وجه الخصوص لتمثيل إنتاجية المحيطات، وتُستحدث طريقة لدراسة العلاقة بين هذه المنطقة وبارامترات المحيطات الأخرى. وللتحقق من صحة هذه الطريقة، استخدمت الفترة الزمنية بين تشرين الأول/أكتوبر 2002 وسبتمبر/أيلول 2017 في بحر الصين الجنوبي لفحص جميع البارامترات. ويمكن استخدام هذه الطريقة بسهولة في مناطق أخرى في جميع أنحاء العالم لالتقاط أنماط المحيطات الرئيسية واستكشاف كيفية تأثير الديناميات البحرية على النظام الإيكولوجي.

وقد تم تعيين بحر الصين الجنوبي كمنطقة الدراسة بسبب ارتفاع معدل تغطيته نسبياً من عمليات الرصد الساتلية. وSCS وفيرة في الإشعاع الشمسي; وهكذا، يتم تحديد CHL أساسا من قبل توافر المواد الغذائية11،12. مع المزيد من المواد الغذائية التي يتم نقلها إلى طبقة euphotic، يمكن أن تزيد مستويات CHL13. خلط، التي تسببها الرياح، يمكن أن أعرض المواد الغذائية في سطح المحيط وتعزيز CHL14. ويهيمن على نظام الرياح الموسمية نظام الرياح الموسمية الذي يحدد الديناميات والنظام البيئي في المنطقة. الرياح الموسمية هي أقوى خلال فصل الشتاء15. في الصيف، والرياح تغيير الاتجاه وسرعة الرياح هي أضعف بكثير من تلك التي في الشتاء16،17. يمكن أن شدة الرياح تحديد قوة الاختلاط الرأسي، بحيث عمق طبقة مختلطة (MLD) يتعمق مع زيادة الرياح في فصل الشتاء ويصبح ضحل كما تنخفض الرياح في الصيف18. وهكذا، يتم نقل المزيد من المواد الغذائية في طبقة euphotic خلال فصل الشتاء عندما تكون الرياح قوية19 وCHL تصل إلى أعلى نقطة من السنة20،21.

بالإضافة إلى الرياح، يمكن أيضا تحديد MLD باستخدام عوامل أخرى، مثل SST و الحالات الشاذة مستوى سطح البحر (SLAs)، والتي تؤثر في نهاية المطاف على محتوى المواد الغذائية وCHL22. خلال فصل الشتاء، ويرتبط ضعف التدرج الرأسي مع انخفاض درجات الحرارة على السطح20. وMLD المقابلة عميقة ويمكن نقل المزيد من المواد الغذائية إلى أعلى; وهكذا ، فإن CHL في الطبقة السطحية عالية17. ويمكن أن يعزى اختلاف متزايد في مستويات CHL إلى الدوامات mesoscale، التي تحفز النقل الرأسي وخلط23. وعادة ما توجد Upwelling في الدوامات الإعصار المرتبطة بالاكتئاب SLAs8,9 وارتفاع تركيزات CHL24. وعادة ما توجد Downwelling في الدوامات المضادة للدراجات المرتبطة بـ SLAsمرتفعة 8,9 وتركيزات CHL الاكتئاب24. وبالنسبة للمواسم الأخرى، يصبح الـ MLD سطحياً، ويصبح الخلط ضعيفاً؛ وهكذا، يمكن ملاحظة انخفاض CHL على مدى غالبية الحوض25. الدورات الموسمية لمستويات CHL هي السائدة في وقت لاحق للمنطقة26.

وبالإضافة إلى الاختلاط، يمكن للواجهات وما يرتبط بها من التهيّب الساحلي أن يزيد من تعديل الـ CHL. الجبهة، التي تعرف بأنها حدود الكتل المائية المختلفة، مهمة لتحديد الدورة الإقليمية واستجابات النظام البيئي27. ويرتبط عادة Frontogenesis مع ارتفاع الساحلية والتقارب28،29، والتي يمكن أن تحفز المواد الغذائية ورفع نمو العوالق النباتية30. وقد تم تطوير خوارزميات مختلفة لتحديد الجبهات تلقائيا من عمليات الرصد الساتلية ، بما في ذلك الرسم البياني وأساليب التدرج SST. وقد اعتمد النهج الأخير في هذه الدراسة28.

إن الارتباط بين سلسلة زمنية بين CHL وعوامل مختلفة يقدم رؤى كبيرة لتحديد العلاقة بينهما. وتقدم الدراسة الحالية وصفا شاملا لكيفية استخدام عمليات الرصد الساتلية للكشف عن الديناميات البحرية الإقليمية المتصلة بالإنتاجية. ويمكن استخدام هذا الوصف كدليل لتحري العمليات السطحية في أي جزء من المحيط. يتضمن بنية هذه المقالة بروتوكول خطوة بخطوة متبوعاً نتائج وصفية في النص و الشكل. وتناقش فيما بعد إمكانية تطبيق هذا الأسلوب بالإضافة إلى مزاياه وسلبياته.

Protocol

1 – حيازة مجموعة البيانات SST و CHL تنزيل مجموعة بيانات من عمليات الرصد الساتلية لSST و CHL من MODIS-Aqua (podaac-tools.jpl.nasa.gov/)، حيث تبلغ الدقة المكانية لكل من مجموعتي البيانات 4.5 كم تقريباً على فترات يومية.ملاحظة: بنية الدلائل والبيانات التالية مجلد البرامج النصية المثال المتوفرة في الملفات التكميلية. تخزين ملفات .nc بيانات القمر الصناعي في مجلد ‘البيانات’. إضافة المسار إلى مربع أدوات NetCDF في برنامج التحليل (أي MATLAB). حدد إضافة مع مجلدات فرعية لتضمين مسارات المجلد ‘UTILITIES’ ومجلداته الفرعية. تحديد الفترة الزمنية. للحفاظ على التناسق بين مجموعات البيانات المختلفة، استخدم نفس النطاق الزمني لكافة المعلمات. 1- ضبط النطاق الزمني استناداً إلى التغطية الزمنية واستخدام أطول فترة مراقبة بين مجموعات البيانات المختلفة. لهذا البروتوكول، قم بتنزيل 15 عامًا من البيانات من أكتوبر 2002 إلى سبتمبر 2017. تحديد التغطية المكانية.ملاحظة: منطقة الدراسة المصممة تتراوح بين 105 درجة شرق و 123 درجة شرقاً وبين 0 و25 درجة شمالاً. تحقق من إرشادات المعالجة المسبقة. قراءة الإرشادات في ملفات .nc فيما يتعلق بمتطلبات المعالجة المسبقة لبيانات SST و CHL (على سبيل المثال، ما إذا كان هناك حاجة إلى القياس).ملاحظة: مجموعة البيانات التي تم تحميلها تستبعد بالفعل البيانات على اليابسة وعلى بعد 5 كم من الساحل، وكذلك تلك الملوثة بالسحب. تحميل بيانات SST و CHL في برنامج التحليل. اكتب Read_MODIS_SST في إطار الأوامر لقراءة بيانات SST. وبالمثل، اكتب Read_MODIS_CHL في إطار الأوامر لقراءة البيانات CHL. تحويل البيانات CHL لوجيتماً لأن لديهم توزيع31سجل عادي.ملاحظة: تتضمن المتغيرات المحملة SST و CHL في ثلاثة أبعاد، تمثل موقع meridional، وموقع المناطق، والوقت بالأيام، على التوالي. يتراوح نطاق SSTs بين -2 و44، ويتراوح نطاق CHL بين 0.01 و 20. شذوذ مستوى سطح البحر (SLA) تحميل بيانات اتفاقية مستوى الخدمة اليومية مع دقة مكانية 25 كم من 2002-201732.ملاحظة: تصف اتفاقات مستوى الخدمة الفرق بين ارتفاعات سطح البحر المرصودة ومتوسط ارتفاع سطح البحر على مدى 20 عاماً (1993-2012) بالنسبة للبكسل المقابل. تتم معالجة بيانات اتفاقية مستوى الخدمة من قبل SSALTO/DUACS ويتم توزيعها عن طريق أرشفة البيانات الأوقيانوغرافية الساتلية والتحقق منها وتفسيرها (AVISO، https://www.aviso.altimetry.fr). قم بتحميل البيانات في برنامج التحليل. قم بتحميل بيانات اتفاقية SLA ليوم واحد عن طريق كتابة Read_SLA في إطار الأوامر.ملاحظة: المجلد ‘البيانات’ في الملفات التكميلية يتضمن فقط واحد إسناد نموذج في البرنامج النصي للتوضيح. سرعة الرياح الحصول على معلومات الرياح من منتج ERA-Inanalysis المؤقت، وهو مجموعة بيانات إعادة تحليل الغلاف الجوي العالمية التي وضعها المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF)33. تحميل بيانات الرياح للفترة نفسها (أكتوبر 2002 – سبتمبر 2017) للحفاظ على الاتساق مع بيانات CHL و SST.ملاحظة: مجموعة البيانات الريحية لها دقة مكانية تبلغ حوالي 25 كم، وقد تم استيفاءها من مجموعة البيانات الأصلية بدقة مكانية تبلغ حوالي 0.7 درجة. قم بتحميل البيانات في برنامج التحليل. اكتب Read_WindVector في إطار الأوامر لقراءة بيانات الرياح لشهر واحد. حساب المتوسط الشهري عن طريق حساب متوسط البيانات الأصلية، والتي هي في فترات 6 ح. الطوبوغرافيا تحميل بيانات الطبوغرافيا عالية الدقة من موقع المراكز الوطنية للمعلومات البيئية (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). الدقة المكانية هي ~2 كم. الحصول على بيانات ETOPO1 لحجر الأساس في شكل XYZ لمنطقة الدراسة المختارة. قم بتحميل البيانات في برنامج التحليل. اكتب Read_topography في إطار الأوامر لتحميل بيانات التضاريس إلى برنامج التحليل. 2. معالجة البيانات قبل المتوسط الزمني نظرًا للتغطية السحابية الكبيرة في بيانات SST و CHL، استبدل البيانات الأصلية بمتوسط بيانات لمدة 3 أيام. للقيام بذلك، بعد تشغيل Read_MODIS_SST.m و Read_MODIS_CHL.m البرامج النصية (الخطوة 1.1.5) ، اكتب Temporal_average في إطار الأوامر لتشغيل البرنامج النصي. الاستيفاء في نفس الشبكة لأن الدقة المكانية غير متناسقة لمجموعات البيانات المختلفة، interpolate البيانات SST و CHL في شبكة مكانية هي نفس الرياح والشبكة المكانية SLA قبل إجراء مقارنات. بعد تشغيل Temporal_average.m والبرامج النصية Read_WindVector.m، اكتب Interpolation_grid في إطار الأوامر لتشغيل البرنامج النصي. الرياح الإجهاد والرياح الإجهاد حليقة اكتب Wind_stress_curl في إطار الأمر لحساب الضغط الرياح (WS) و حليقة الضغط الرياح (WSC) باستخدام المعادلات التالية:حيث هو متجه سرعة الرياح؛ هو WS في نفس اتجاه المتجه الرياح؛ وWS في الاتجاهين الشرقي والشمالي، على التوالي؛ هو كثافة الهواء (يساوي 1.2 كجم / م3) ؛ و C هو معامل السحب (يتم استخدام قيمة 0.0015) في ظروف الاستقرار محايدة34. المتوسطات الشهرية حساب سلسلة وقت SST و Wind و SLA الشهرية كمتوسطات 30 يوم في كل بكسل بكتابة Monthly_average لتشغيل البرنامج النصي. نظرًا لارتفاع معدل التغطية السحابية، استخدم متوسط 60 يومًا كسلسلة زمنية شهرية لـ CHL، بما في ذلك 30 يومًا قبل 30 يومًا من اليومالخامس عشر من الشهر. 3. SST الكشف الأمامي تنعيم مكاني اكتب Spatial_smoothing لتشغيل البرنامج النصي إلى متوسط البيانات SST ثلاثة أيام في كل بكسل.ملاحظة: تم تعريف كمية كبيرة من الضوضاء في بيانات SST. وهكذا، تم تخفيف البيانات بمتوسط مكاني 3 × 3. وعندما لا تتوافر بيانات في البيانات الأصلية التي يبلغ متوسطها 3 أيام، تم تعيين البيانات متوسط المكانية على أنها غير متوفرة. التدرج SST اكتب SST_gradient لتشغيل البرنامج النصي لحساب تدرجات SST المناطقية والمريديونية (أي Gx و Gyعلى التوالي) كفارق SST بين أقرب بيكسلين مقسومين على المسافة المقابلة عبر المعادلة (3). استخدم المتجه المتدرجة الذي تم الحصول عليه لحساب التدرج الكلي، G، كمعادلة تالية 1 (4). الحد الأقصى المحلي تعريف الجبهة باختبار قيمة التدرج SST: تسمية بكسل كـ بكسل أمامي محتمل إذا كانت القيمة أكبر من عتبة معينة. الحفاظ على أقصى بكسل محلي في نفس الاتجاه عمودي على اتجاه التدرج إذا كان هناك بكسل متصل بقيم أكبر من العتبة. هنا، حدد العتبة على أنها 0.035 درجة مئوية/كم بعد الدراسات السابقة10،28.ملاحظة: البرنامج النصي المطابق ‘Local_maximum.m’ متوفر في الملفات التكميلية. الاحتمال الأمامي الشهري (FP)ملاحظة: يصف الاحتمال الأمامي (FP) احتمال مراقبة الجبهة. حساب FP لمدى زمني معين (في هذه الحالة، فاصل شهري) ، بكتابة Monthly_FP لتشغيل البرنامج النصي. تقسيم تواجد الجبهات عند كل بكسل أثناء إطار زمني على عدد الأيام التي تكون خالية من السحب. 4- التغير المكاني والزماني دورة موسمية حساب الدورات الموسمية لعوامل مختلفة كمتوسطات مواسم مختلفة. حدد الفصول على النحو التالي: الشتاء من ديسمبر إلى فبراير، والربيع من مارس إلى مايو، والصيف من يونيو إلى أغسطس، والخريف من سبتمبر إلى نوفمبر.ملاحظة: لا تظهر الدورة الموسمية في هذه الدراسة؛ يتم استخدام الطريقة التالية لشرح التغير المكاني والزماني بدلاً من ذلك. دالة متعامدة تجريبية (EOF) إزالة المتوسط الزمني والبكسل غير المتوفر. قبل إجراء EOF، قم بطرح المتوسط العام عند كل بكسل واستبعاد المواقع التي تتجاوز فيها الملاحظات المفقودة 20٪ بسبب تغطية السحابة. تحميل البيانات بكتابة تحميل(‘Monthly_data_for_EOF.mat’) في إطار الأوامر. تطبيق EOF لوصف المتغيرات المكانية والزمانية من معلمات مختلفة. اكتب Empirical_orthogonal_function.m لتشغيل البرنامج النصي لحساب حجم (Mag) و القيم الذاتية (Eig) والسعة (أمبير) من EOFs لمجموعة البيانات (أي سلسلة زمنية من متوسط شهري SST ، إجهاد الرياح ، حليقة إجهاد الرياح ، CHL ، وFP).ملاحظة: الدالة تتحلل سلسلة الوقت الشهرية في أوضاع مختلفة، والتي تتكون من أنماط المكانية والزمانية و التباين الموضح من قبل كل وضع يقلل مع زيادة عدد الوضع. 5. العلاقة بين الارتباط على النطاق الموسمي حساب الارتباطات بين عاملين باستخدام سلسلة الوقت الخاصة بهم في كل بكسل بكتابة Seasonal_correlation لتشغيل البرنامج النصي. نظرًا لعدم إزالة الدورة الموسمية، تحقق من أهمية الارتباط لجميع الارتباطات. ارتباط حقل شاذ حساب الارتباطات بين الشذوذ CHL الشهرية وعوامل أخرى مثل SST و WS و الجبهات وSS. الحصول على الشذوذ الشهري (أي الانحراف عن الوضع المتوسط) عن طريق طرح المتوسط العام لشهر المقابلة من سلسلة الوقت الشهري. اكتب Anomalous_correlation لتشغيل البرنامج النصي والحصول على الارتباطات. 6. عرض المعلومات وحساب العلاقات عرض معلومات الأقمار الصناعية. اكتب Sat_SCS_Fig3457 لتشغيل البرنامج النصي لإنشاء عرض معلومات القمر الصناعي، بما في ذلك SST و CHL والتوزيعات الأمامية. تعيين المجلد الحالي كـ ‘البرامج النصية’ حيث توجد البيانات ‘Sat_SCS_data.mat’.ملاحظة: الشكل 1، الشكل 2، الشكل 3، والشكل 4 إظهار SST و CHL والجبهات والرياح والتضاريس للتاريخ المحدد كمثال. عرض نتيجة EOF بكتابة Sat_SCS_Fig890.m لتشغيل البرنامج النصي.ملاحظة: الشكل 5، الشكل 6، والشكل 7 يصفان الحجم المكاني، والمتوسط الشهري، وسلسلة الوقت من أول وضعين لـ CHL وSST والجبهات، على التوالي. حساب العلاقة بين CHL والعوامل الأخرى في الجداول الزمنية الموسمية و للحقول الشاذة بكتابة Sat_SCS_Fig1112.m لتشغيل البرنامج النصي. الحصول على خريطة الارتباط للمتغيرات الموسمية (الشكل 8) و الحالات الشاذة (الشكل 9).

Representative Results

10- وقد وصفت الأنماط المكانية والزمانية لسطح البحر CHL في الساتل SCS باستخدام عمليات الرصد الساتلية. يمكن أن تكون معلومات الأقمار الصناعية لـ CHL(الشكل 1A)و SST(الشكل 1B)ملوثة بتغطية سحابية، مما يؤدي إلى عدم إمكانية استخدام جزء كبير من البيانات. لم تتأثر بيانات الرياح التي أعيد تحليلها(الشكل 1C)وSLA(الشكل 1D)بالسحب اليومية. كان للتضاريس(الشكل 1E)تأثير بارز على التوزيع المكاني لـ CHL. تم توزيع CHL العالي بشكل رئيسي على طول الساحل ، حيث التضاريس ضحلة. كما تأثرت الرياح من قبل orography، وتميز الجانب لي من الجبال من الرياح الضعيفة. وهكذا، تم تحديد WSC بارزة جنوب غرب SCS. وعلى النقيض من ذلك، لم تعتمد اتفاقات الخدمة بدرجة كبيرة على التضاريس، وتم العثور على منطقة ذات معدلات عالية بشكل غير عادي في حوض SCS. الشكل 1: الملاحظات الأصلية للبارامترات الرئيسية في 15 أبريل 2015.(A) سطح البحر الكلورو (CHL)، (B) درجة حرارة سطح البحر (SST)، (C) الرياح الإجهاد حليقة (WSC، التظليل) مع الضغط الرياح (WS، ناقلات)، (D) الشاذ سطح البحر، و (E)التضاريس لحوض المحيط. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم. وبسبب التأثير الشديد للسحابة على عمليات الرصد الساتلية، فإن الكثير من البيانات إما غير متوفرة أو غير متسقة من الناحية المكانية. وقد تم تطبيق طريقة فعالة وكفؤة لسد بعض الثغرات في البيانات وسلاسة المجال. تم استبدال البيانات لأول مرة بمتوسط 3 أيام عند كل بكسل ، مما يمكن أن يسد بشكل فعال بعض الثغرات لأن الغيوم تختلف يوميًا(الشكل 2B). وقد تم تطبيق المتوسط المكاني على كل بكسل بحيث تم استبدال البيانات بمتوسط القيم المحيطة (3 × 3 بكسل). وهكذا، تم تقليل عدم الاتساق المكاني إلى حد كبير (الشكل 2C). الشكل 2: SST ليوم واحد في 15 أبريل 2015.(أ)SST الأصلي من MODIS،(ب)متوسط SST لمدة ثلاثة أيام، و (C) SST بعد تنعيم المكاني. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم. تم اشتقاق التوزيع اليومي لجبهات SST من تدرجات SST (الشكل 3A). عتبات تطبيق هنا القبض على الموقع الفعال للجبهة (الشكل 3B) وضمان تصوير حدود الكتل المائية بأكملها (الشكل 3C). وكانت التدرجات والجبهات متطابقة تقريبا لأن الجبهة تم الحصول عليها أساسا من التدرج. الشكل 3: إجراء الكشف الأمامي المستمدة من SST.(A) حجم التدرج SST،(B)توزيع الجبهات SST في خطوط سوداء رقيقة، و (C) التوزيع الأمامي استناداً إلى التدرجات SST المقابلة. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم. بسبب تغطية سحابة في CHL، SST، والبيانات الأمامية، تم حساب متوسط سلسلة الوقت الشهرية وتطبيقها في هذه الدراسة. مثال عشوائي هو مبين في الشكل 4 لشهر أبريل 2015. ولم تكن هناك فجوة قائمة لأي من المعايير. وكانت الأنماط العامة لمختلف البارامترات متسقة إلى حد كبير فيما يتعلق بفرقها المكاني. على سبيل المثال، كان CHL مرتفعًا بالقرب من الساحل ومنخفضًا في الحوض المركزي، في حين كان SST منخفضًا بالقرب من الساحل وأعلى مستوى في الحوض المركزي. ويقدم المتوسط الشهري معلومات شاملة لتصوير السمات الإقليمية. ووزعت الجبهات أساسا على طول الساحل، حيث الديناميات معقدة. وكان جزء كبير من الحوض خاليا من الجبهات؛ وهكذا، كان يتميز مركز SCS بقيمة قريبة من الصفر(الشكل 4E). الشكل 4: المتوسط الشهري للبارامترات الرئيسية في نيسان/أبريل 2015.(A) CHL (في مقياس لوغاريتم)، (B) SST ، (C) WSC (تظليل) مع WS (متجه) ، (D) شذوذ سطح البحر ، و (E) احتمال أمامي (FP). الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم. وتتميز معظم السمات السطحية بتقلبات موسمية بارزة لوحظت بوضوح باستخدام صناديق الاستثمار الأحيائية. EOF هو طريقة الرياضيات مفيدة التي تستخدم على نطاق واسع في علوم الغلاف الجوي والبحرية. ويمكن أن تحدد هذه الطريقة الأنماط المكانية والإشارات الزمنية من سلسلة زمنية عبر المجالات المكانية28. وبعد التحلل الزماني السحّالي لمعالم سطح البحر في نظام SCS، هناك حاجة عامة إلى أول وضعين لوصف المتغيرات المكانية والزمانية. وقد وصف أول أول EOFs لـ CHL 44٪ و 12٪ من الفرق الإجمالي ، على التوالي. EOF1 القبض على تباين كبير في الجزء الشمالي من SCS (الشكل 5A). وأظهرت المقابلة المتوسط الشهري للسلسلة الزمنية(الشكل 5C)أن CHL كان مرتفعا خلال فصل الشتاء والاكتئاب خلال فصل الصيف. تميزت المنطقة المجاورة للساحل الجنوبي الغربي بالحجم الضعيف ، وتم التقاط التقلبات المقابلة بشكل رئيسي من قبل EOF2 (الشكل 5B). وكانت قيم CHL عالية في فصل الصيف ومنخفضة في فصل الشتاء. وكان هذا أساسا خارج المرحلة بالمقارنة مع الجزء الشمالي. وأظهرت سلسلة الوقت الشهرية لEOFs تقلب موسمي واضح، وقاد EOF2 EOF1 بنحو 4 أشهر(الشكل 5E). الشكل 5: EOF لCHL.(A) حجم EOF1 ، (B) حجم EOF2 ، (C) متوسط شهريًا لسلسلة زمنية لـ EOF1 ، (D) متوسط شهري للسلسلة الزمنية لـ EOF2 ، و (E) شهريًا من سلسلة الوقت EOF1 (أسود) و EOF2 (أزرق). الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم. وكان الفرق المفسر في أول EOFs الأولين لـ SST مرتفعًا بشكل بارز ، حيث بلغ 91٪ و 5٪ لـ EOF1 و EOF2 على التوالي. ومن المهم التأكيد على ضرورة إزالة المتوسط العام قبل إجراء عملية EOF؛ وبالتالي، تم استبعاد حقل الوسط. سيطر EOF1 على التباين الكلي ، وكان حجمه أكبر في منطقة SCS الشمالية وانخفض جنوبًا(الشكل 6A). وأظهرت المقابلة المتوسط الشهري للسلسلة الزمنية(الشكل 6C) أن SST كانت مرتفعة خلال فصل الصيف والاكتئاب خلال فصل الشتاء. وتميزت منطقة جنوب أفريقيا جنوب أفريقيا بقلة حجمها، ويعزى ذلك إلى استمرار ارتفاع درجات الحرارة عند خطوط العرض المنخفضة. تم التقاط التقلبات في القسم الجنوبي بشكل رئيسي من قبل EOF2 (الشكل 6B). تم تحسين SST المقابلة بين مارس ويونيو، بينما استمرت القيم المنخفضة في الأشهر المتبقية. حدث ارتفاع بارز في 2010 و 2016، حيث كان SST قبالة الساحل جنوب غرب SCS أعلى بكثير من ذلك في السنوات الأخرى(الشكل 6E). ويعزى هذا التقلبات بين الnual أساسا إلى النينيو الأحداث التي تقلل من الرياح الموسمية الصيف جنوب غرب ويؤدي إلى ارتفاع الويلات الضعيفة12. ونظراً لأن التقلبات الموسمية هي محور التركيز الرئيسي للدراسة الحالية، فإن هذه الميزة لا تناقش أكثر من ذلك. الشكل 6: EOF SST.(A) حجم EOF1،(ب)حجم EOF2، (C) متوسط شهريًا لسلسلة زمنية متوسطة لـ EOF1،(D)متوسط شهريًا لسلسلة زمنية متوسطة لـ EOF2، و (E) شهريًا من سلسلة الوقت EOF1 (أسود) و EOF2 (أزرق). الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم. بسبب الطبيعة صاخبة من التدرج، وأوضح الجبهة المشتقة أقل بكثير من التباين. في الواقع ، EOF1 و EOF2 من FP فقط 19 ٪ و 9 ٪ من الفرق الكلي ، على التوالي. EOF1 القبض على الفروق في الشمال والشمال الشرقي SCS (الشكل 7A). وأظهر المتوسط الشهري المقابل للسلسلة الزمنية(الشكل 7C)أن أكثر FP حدث في تلك المناطق خلال فصل الشتاء وأقل خلال فصل الصيف. كانت المرحلة قبالة الساحل جنوب غرب SCS على العكس من ذلك ، على الرغم من أن التباين المقابل كان أقل بروزًا. EOF2 القبض على تعزيز الربيع من FP (الشكل 7D) في SCS الغربية (الشكل 7B). وتميزت السلسلة الزمنية الشهرية EOF1 وEOF2 بتقلبات ضعيفة بين المواليد. الشكل 7: EOF لـ FP.(A) حجم EOF1،(ب)حجم EOF2، (C) متوسط شهريًا لسلسلة زمنية متوسطة لـ EOF1،(D)متوسط شهريًا لسلسلة زمنية متوسطة لـ EOF2، و (E) شهريًا من سلسلة الوقت EOF1 (أسود) و EOF2 (أزرق). الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم. تم التحقيق في عوامل مختلفة عن علاقاتهم مع CHL (الشكل 8). على سبيل المثال، يمكن استخدام SST لفهم السمات الأساسية للمحيطات التي يمكن أن تؤثر على معدل نمو العوالق النباتية وتؤثر بعد ذلك على CHL. بالنسبة لغالبية SCS ، كانت هناك ارتباطات عالية بين SST و CHL(الشكل 8A)، ووصلت معظم الارتباطات إلى أكثر من -0.8. ومن المهم الإشارة إلى أن الارتباط العالي لا يشير إلى السببية بين هذين العاملين. كما SST وصلت إلى الحد الأقصى السنوي في الصيف، أصبحت MLD الضحلة21. وكانت المواد الغذائية التي تم توفيرها إلى طبقة euphotic منخفضة لأن الاختلاط الرأسي كان مسدودا من قبل الطبقات المكثفة13. ونتيجة لذلك، حدّت المغذيات المنخفضة من معدل نمو العوالق النباتية وأدت إلى انخفاض معدل نقص المغذيات في المغذيات. في المقابل، حدث CHL عالية في فصل الشتاء عندما كان MLD أعمق، وانخفاض SST الناجمة عن الطبقات الضعيفة35. الشكل 8: الارتباطات بين CHL وعوامل أخرى على النطاق الموسمي.(A) SST ، (ب) WS ، (C) WSC ، (D) FP ، و (E) SLA. يشير اللون الرمادي إلى أن الارتباط غير مُعَد. يتم حساب متوسط المتغيرات المكانية على أساس المربع الأخضر في اللوحة A. وتستخدم سلسلة الوقت الخاصة بهم للحصول على معاملات الارتباط في الجدول 1. وقد تم تعديل هذا الرقم من يو وآخرون17. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم. يمكن قياس الاختلاط الذي يحركه الرياح تقريبًا بواسطة WS وكان يستخدم لوصف الخلط الرأسي18. تم تحديد معاملات ارتباط كبيرة، مع قيم 0.8 تقريباً، بين مستويات WS و CHL شمال SCS(الشكل 8B)،وخاصة في المناطق التي توجد فيها أقوى رياح الشتاء على الجرف الشمالي لـ SCS. تم العثور على ارتباطات ضعيفة ولكنها كبيرة في الجنوب. وكانت الارتباطات بين WSC و CHL كبيرة في غالبية SCS(الشكل 8C)، على الرغم من أنها أظهرت اتجاهات متعارضة في الشمال والجنوب. وتم تحديد معامل ارتباط إيجابي بين CHL وWSC في الجنوب، وكانت القيم السلبية في الشمال. ولم يكن الارتباط في المنطقة بينهما كبيرا. تم العثور على WS و CHL لتكون مرتبطة بقوة في المنطقة المقابلة حيث كان الشتاء WS أكبر. يمكن أن الجبهات أيضا الحث على CHL التباين. تم العثور على ارتباط كبير في الشمال الشرقي والجنوب الغربي من SCS (الشكل 8D). CHL زيادة كما أصبحت الأنشطة الجبهية أكثر نشاطا36. أظهر جيش تحرير السودان وجود علاقة سلبية كبيرة مع CHL من شمال شرق SCS نحو الجنوب الغربي وارتباط إيجابي على طول الساحل الغربي SCS(الشكل 8E). ومن المثير للاهتمام أن نلاحظ أن الارتباطات الإيجابية كانت تقتصر على المنطقة ذات التضاريس الضحلة. إلى الشمال الشرقي من SCS، كانت جميع الارتباطات كبيرة(الشكل 8). وهكذا، تم حساب الارتباطات بين سلسلة زمنية شهرية بين CHL وغيرها من المعلمات باستخدام المتوسط المكاني في مربع معين (الشكل 8A) ، وكانت معظم العوامل مترابطة مع ارتباطات كبيرة (الجزء الأيمن العلوي من الجدول 1). لأن الدورة الموسمية هيمنت على سلسلة زمنية، لم يعد الارتباط صالحا بعد إزالة المتوسط الشهري (الجزء الأيسر السفلي من الجدول 1). Chl-a SST Ws Wsc Fp جيش تحرير السودان 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 جيش تحرير السودان -0.25 0.42 0.07 0.13 -0.08 الجدول 1: معاملات الارتباط للسلسلة الزمنية بين العوامل، الواقعة شمال شرق SCS، مثل SST (درجة حرارة سطح البحر)، FP (احتمال أمامي)، WSC (حليقة إجهاد الرياح) و WS (إجهاد الرياح)، باستخدام المربع المبين في الشكل 8A. وتظهر المتوسطات الشهرية والشذوذ في القسم العلوي الأيمن والجزء السفلي الأيسر، على التوالي. وتشير الأرقام بالخط العريض والمائل إلى أن الارتباط لا يفي بمستوى الثقة بنسبة 95 في المائة. وقد تم تعديل الجدول من يو وآخرون17. ولم تكن الارتباطات في الدورة الموسمية كبيرة بالنسبة لبعض المناطق، مثل الجنوب الغربي من SCS(الشكل 8). وتهيمن على المنطقة عمليات دينامية (مثل النقل البحري الناجم عن التهاون والرياح) التي تحدد التباين في17من CHL . تم تحديد علاقة كبيرة بين CHL وعوامل أخرى (مثل SST و WS وجبهات وWSC) في الحقول الشاذة(الشكل 9). وتم حساب الحالات الشاذة بالنسبة لسلسلة الوقت الشهرية بإزالة المتوسط الشهري المقابل. ويمكن زيادة عدد درجات الحرية الفعلية، ولكن الدراسات السابقة أظهرت أنها لا تؤثر على العلاقات الأساسية بين سلسلة زمنيةلها 28،37. الشكل 9: العلاقة بين CHL والعوامل الأخرى في المجالات الشاذة.(A) SST ، (ب) WS ، (C) WSC ، (D) FP ، و (E) SLA. يشير اللون الرمادي إلى أن الارتباط غير مُعَد. وتُحسب المتغيرات المتوسطة المكانية على أساس الصندوق الأخضر في اللوحة A. وتستخدم السلاسل الزمنية للحصول على معاملات الارتباط المبينة في الجدول 2. وقد تم تعديل هذا الرقم من يو وآخرون17. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم. في الحقول الشاذة، كانت CHL وSST ترتبط بشكل كبير في غالبية SCS(الشكل 9A). عندما كانت SSTs عالية بشكل غير عادي ، أصبح CHL منخفضًا بشكل غير عادي ، والعكس بالعكس. وبالمثل ، فإن WSC عالية بشكل غير عادي والجبهات إلى الجنوب الغربي من SCS تسبب مستويات عالية من CHL ، والعكس بالعكس (الشكل 9C، 9D). وبالإضافة إلى ذلك، تم العثور على ارتباط سلبي بين مستويات SLAs و CHL (الشكل 9E). واختُرِبَت فترات مختلفة من التأخر، ولم يصبح الارتباط كبيراً إلا إذا لم يُستخدم أي تأخير. وهكذا، تأثرت CHL في وقت واحد من الشذوذ في SST، WSC، والجبهات، وكذلك جيش تحرير السودان. وقد تم التحقيق في علاقتهما باستخدام متوسط مكاني سلسلة الوقت الشهري جنوب غرب SCS، المعينة كمربع أخضر في الشكل 9A. وتبين النتائج أن معظم العوامل كانت مترابطة مع الارتباطات الهامة في مجال الشذوذ (الجزء الأيسر السفلي من الجدول 2). Chl-a SST Ws Wsc Fp جيش تحرير السودان 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 جيش تحرير السودان -0.3 0.54 -0.23 -0.29 -0.47 الجدول 2: معاملات الارتباط للسلسلة الزمنية بين العوامل، وتقع جنوب غرب SCS، مثل SST (درجة حرارة سطح البحر)، FP (احتمال أمامي)، WSC (حليقة إجهاد الرياح) و WS (إجهاد الرياح)، وذلك باستخدام المربع المبين في الشكل 9A. ويظهر المتوسط الشهري والشذوذ في القسم العلوي الأيمن والجزء السفلي الأيسر، على التوالي. وتشير الأرقام بالخط العريض والمائل إلى أن الارتباط لا يفي بمستوى الثقة بنسبة 95 في المائة. وقد تم تعديل الجدول من يو وآخرون17. ملفات تكميلية. الرجاء النقر هنا لتحميل هذا الملف. 

Discussion

وفي هذه الدراسة، يرد وصف للخصائص الرئيسية للنظم البحرية باستخدام عمليات الرصد الساتلية. واختيرت هذه الـ CHL، التي يمكن استخدامها لتمثيل إنتاج المحيطات، كعامل من العوامل المؤشرة. وقد تم بحث العوامل المتصلة بتقلبات الـ CHL باستخدام السلاسل الزمنية متوسطة شهرية، مثل SST، WS، WSC، FP وSLAS. ويرد وصف لثلاث خطوات حاسمة في هذه الدراسة: الحصول على بيانات ساتلية لبارامترات مختلفة، ووصف تغيراتها المكانية والزمانية عن طريق الـ EOF، وتحديد العلاقات المتبادلة بين العوامل المختلفة عن طريق حساب معاملات الارتباط. ويتضمن الإجراء المفصل الذي يبين تحديد التوزيع الجبهي اليومي، المستمد من ملاحظات SST. وقد تم تطوير نهجين رئيسيين للكشف عن SST الجبهة: طريقة التدرج10،38 وطريقة الرسم البياني39،40. ويستند أسلوب المدرج التكراري على نطاق مماثل من القيم لSTST، والتي يمكن استخدامها لتقسيم الكتل المائية إلى مجموعات مختلفة. يتم تعريف البيكسلات ذات القيم بين مجموعات مختلفة تمثل البيكسل في شريط انتقالي كواجهات. ومن ناحية أخرى، تفصل طريقة التدرج عدة أجسام مائية موحدة نسبياً على أنها وحدات بكسل ذات قيم تدرجية كبيرة. وأجريت دراسة مقارنة، ووجدوا معدلات أقل كاذبة باستخدام طريقة المدرج التكراري وعدد أقل من الجبهات الفائتة باستخدام طريقة التدرج41. في هذه الدراسة، تم اعتماد الطريقة المستندة إلى التدرج38 بعد الدراسات السابقة10،28. يمكن للخوارزمية تجنب تفكك الجبهة إلى أجزاء متعددة من الحافة عن طريق السماح للحجم أن ينخفض إلى مستوى أقل من عتبة أصغر. وبالإضافة إلى مجموعة البيانات الواردة هنا، يمكن استخدام عمليات رصد ساتلية أخرى، مثل مؤشر الهباء الجوي، مع اتباع نهج مماثل.

ويمكن تطبيق معظم الإجراءات مباشرة في مناطق أو مجموعات بيانات أخرى. قد يتم تعديل لتغيير عتبة الكشف الأمامي. لأن التدرج SST في SCS مقارنة مع النظام الحالي الحدود الشرقية28، تم تنفيذ عتبات نفس للدراسة الحالية. وكشفت دراسة سابقة أن التدرج SST من مجموعات البيانات المختلفة يمكن أن تختلف بقدر ثلاثة أضعاف42، مما يجعل الطريقة بطريقة أو بأخرى أقل موضوعية. وقد بحثت دراسات جوهرية الأنشطة الأمامية حول المحيطات العالمية28,43. وأفضل نهج للتحقق من صحة الجبهات هو مقارنتها بالملاحظات في الموقع. ووصف ياو44 التوزيع الأمامي الشهري لـ SCS. وكانت نتائجها متفقة تماماً مع القياسات في الموقع. وينبغي فحص التدرج الإجمالي وتعديله لأن قيمته قد تختلف تبعاً للدقة المكانية والأدوات. وبوجه خاص، يجب تحديث العتبة عند استخدام مجموعة بيانات SST أخرى. إن الفهم الأساسي للديناميات الإقليمية أمر أساسي لفهم النشوء الجبهي45و46و47. يمكن تطوير البرنامج النصي للكشف الأمامي من قبل مؤلفين فرديين استنادًا إلى الوصف الموجود في هذه الورقة.

وتوفر المعلومات الساتلية فهما شاملا للمعالم السطحية، ويمكن أن تساعد مقارنة النتائج مع عمليات الرصد في الموقع في تقييم المصداقية. غير أن عمليات الرصد الساتلية تقتصر على سطح المحيطات، مما يحد من تطبيق فهم الهيكل الرأسي للعمود المائي. في دراسة حديثة، كشفت عمليات الرصد الساتلية أن سطح CHL زاد بمقدار 15 مرة، ولكن القيمة العمودية المتكاملة زادت فقط بمقدار 2.5 مرة48. ويرجع هذا الاختلاف إلى تأثر القيمة السطحية بالآثار المشتركة لنمو العوالق النباتية و shoaling من MLD، مما أدى إلى قيمة غير قابلة للانتقاب على السطح. وبالتالي، قد لا تقدم ميزة السطح وصفا دقيقا لعمود المياه بأكملها. وبالإضافة إلى ذلك، يحد تأثير التغطية السحابية من عمليات الرصد المستمرة للسواتل. وبالتالي، يتم حساب السلاسل الزمنية الشهرية لعوامل مختلفة على مدى نفس المنطقة ونفس الفترة. وهذا من شأنه أن يضمن مصداقية حساب الارتباطات بين العوامل المختلفة. ومع ذلك، فإن أحداث الفترة القصيرة، مثل الأعاصير التي تستمر لبضعة أيام إلى أسبوع، لن تحل.

وبالمقارنة مع الدراسات السابقة، يمكن أن تقدم الطريقة المقترحة معلومات مكانية على مستوى البكسل، مما يمكن أن يساعد على تقييم الديناميات بطريقة أكثر تفصيلاً. بعض الدراسات السابقة متوسط SCS بأكمله كرقم واحد وحصل على سلسلة زمنية. وجدوا أن WS قوية بشكل غير عادي وSST عالية يمكن أن تحفز عالية بشكل شاذ CHL16، وهو ما يتفق مع النتيجة الحالية. ومع ذلك، لم يتم حل التباين المكاني في العلاقات. في هذه الدراسة، كان الارتباط على نطاق الحوض بين WS و CHL ضعيفًا في الحقل الشاذ. تم تحديد ارتباط كبير فقط لمناطق معينة، على سبيل المثال، في وسط SCS(الشكل 9B). وهكذا، فإن الطريقة الحالية تقدم وصفا شاملا للتحقيق في الاختلافات المكانية. وبالمثل، استخدمت ملاحظات من اثنين من العوامات بيو-أرغو وكشفت أن WSC لم ترتبط مع CHL التباين20. ومع ذلك، فإن مسارات العوامتين تقع فقط في مناطق معينة. في هذه الحالة، كان بالضبط داخل النطاق حيث الارتباط بين مستوى CHL وWSC لم يكن كبيرا (الشكل 8D). والطريقة المقترحة مفيدة جدا في حل مسألة الاعتماد المكاني بين العوامل، التي هي سمة أساسية للمحيط العالمي.

وباختصار، يمكن للطريقة المستخدمة هنا أن تصف بدقة التوزيع المكاني والتباين الزمني في معالم سطح المحيطات باستخدام عمليات الرصد الساتلية. مع زيادة دقة مجموعات البيانات الساتلية، يمكن تحديد المزيد من الميزات التفصيلية والتحقيق فيها، مما يتيح فهمًا عامًا للخصائص الإقليمية، بما في ذلك CHL و SST و SSH. ويمكن أن يساعد ارتباط السلاسل الزمنية الشهرية بين عوامل مختلفة في فهم علاقاتها الديناميكية والتأثير المحتمل على النظام الإيكولوجي49. ولأن الارتباط يمكن أن يختلف إلى حد كبير في مواقع مكانية مختلفة، فإن الطريقة المقترحة تقدم وصفاً مفصلاً وشاملاً. ويمكن تطبيق نهج مماثل على أي حوض من أحواض المحيطات في جميع أنحاء العالم، مما سيساعد كثيرا على تحسين فهم الديناميات والنظم الإيكولوجية البحرية.

Divulgations

The authors have nothing to disclose.

Acknowledgements

الدعم المقدم من البرنامج الوطني الرئيسي للبحث والتطوير في الصين (رقم 2016YFC1401601)، برنامج بحوث الدراسات العليا والابتكار في الممارسة في مقاطعة جيانغسو (رقم 1. SJKY19_0415) بدعم من صناديق البحوث الأساسية للجامعات المركزية (رقم 2019B62814)، والمؤسسة الوطنية للعلوم الطبيعية في الصين (رقم 41890805، 41806026 و41730536) والدراسات البحرية والإيكولوجية المتقدمة المشتركة في خليج البنغال والمحيط الهندي الاستوائي الشرقي. ويقدر المؤلفون تقديم بيانات من مصادر منها الإدارة الوطنية للملاحة الجوية والفضاء (ناسا)، والمركز الأوروبي للتنبؤات الجوية المتوسطة المدى، ودائرة كوبرنيكوس لرصد البيئة البحرية() والإدارة الوطنية لدراسة المحيطات والغلاف الجوي.()

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)

References

  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).

Play Video

Citer Cet Article
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).

View Video