Summary

Investigando a relação entre clorofila da superfície do mar e principais características do Mar do Sul da China com informações de satélite

Published: June 13, 2020
doi:

Summary

Clorofila da superfície do mar, temperatura, altura do nível do mar, vento e dados frontais obtidos ou derivados de observações por satélite oferecem uma maneira eficaz de caracterizar o oceano. Apresentado é um método para o estudo abrangente desses dados, incluindo análises gerais de ciclo médio, sazonal e intercorrelação, para compreender plenamente a dinâmica regional e os ecossistemas.

Abstract

Observações por satélite oferecem uma grande abordagem para investigar as características dos principais parâmetros marinhos, incluindo clorofila da superfície do mar (CHL), temperatura da superfície do mar (SST), altura da superfície do mar (SSH) e fatores derivados desses parâmetros (por exemplo, frentes). Este estudo mostra um procedimento passo a passo para usar observações por satélite para descrever os principais parâmetros e suas relações em campos sazonais e anômalos. Este método é ilustrado usando conjuntos de dados de satélite de 2002 a 2017 que foram usados para descrever as características da superfície do Mar do Sul da China (SCS). Devido à cobertura em nuvem, foram utilizados dados médios mensais neste estudo. A função ortogonal empírica (EOF) foi aplicada para descrever a distribuição espacial e as variabilidades temporais de diferentes fatores. O vento das monções domina a variabilidade na bacia. Assim, o vento do conjunto de dados da reanálise foi utilizado para investigar sua força motriz em diferentes parâmetros. A variabilidade sazonal no CHL foi proeminente e significativamente correlacionada com outros fatores na maioria da SCS. No inverno, uma forte monção nordeste induz uma camada profunda mista e alto nível de clorofila em toda a bacia. Coeficientes de correlação significativos foram encontrados entre os fatores do ciclo sazonal. No verão, os altos níveis de CHL foram encontrados principalmente no SCS ocidental. Em vez de uma dependência sazonal, a região foi altamente dinâmica, e fatores correlacionaram-se significativamente em campos anômalos, de tal forma que níveis de CHL extraordinariamente altos estavam associados a ventos anormalmente fortes e atividades frontais intensas. O estudo apresenta um procedimento passo a passo para o uso de observações por satélite para descrever os principais parâmetros e suas relações em campos sazonais e anômalos. O método pode ser aplicado a outros oceanos globais e será útil para entender a dinâmica marinha.

Introduction

A tecnologia de sensoriamento remoto oferece ótimos conjuntos de dados com grandes escalas espaciais e longos períodos para descrever ambientes marinhos. Com a crescente resolução espacial dos satélites, características detalhadas são agora resolvidas da escala regional para algumas centenas de metros1,2. Uma melhor compreensão da dinâmica marinha pode ser alcançada com as observações de satélite mais atualizadas3.

Ao incorporar vários sensores em uma plataforma de sensoriamento remoto, uma descrição abrangente de diferentes parâmetros é possível. A temperatura da superfície do mar (SST) é o parâmetro básico observado há mais de meio século4. Recentemente, observações para clorofila-a da superfície do mar (CHL) tornaram-se disponíveis e podem ser usadas para descrever a produtividade marinha5. Os satélites de altimetria são usados para medir a altura da superfície do mar6,7, o que está fortemente relacionado com as atividades de eddy mesoescala no oceano global8,9. Além dos redemoinhos, as atividades frontais também são importantes para impactar a dinâmica regional e a produção primária10.

O foco principal do presente estudo é encontrar um procedimento padrão para descrever a distribuição espacial e as variabilidades temporais de diferentes fatores oceânicos. Neste método, SST, CHL, SSH e dados frontais, derivados de gradientes SST, são analisados para determinar padrões. Em particular, o CHL é usado para representar a produtividade do oceano, e um método é introduzido para investigar a relação entre chl e outros parâmetros oceânicos. Para validar o método, utilizou-se o período entre outubro de 2002 e setembro de 2017 no Mar do Sul da China para examinar todos os parâmetros. O método pode ser facilmente usado para outras regiões ao redor do mundo para capturar os principais padrões oceânicos e explorar como a dinâmica marinha impacta o ecossistema.

O Mar do Sul da China (SCS) foi designado como a região de estudo devido à sua taxa de cobertura relativamente alta de observações por satélite. O SCS é abundante em radiação solar; assim, o CHL é determinado principalmente pela disponibilidade de nutrientes11,12. Com mais nutrientes sendo transportados para a camada eufóbica, os níveis de CHL podem aumentar13. A mistura, induzida pelo vento, pode introduzir nutrientes na superfície do oceano e melhorar o CHL14. O SCS é dominado exclusivamente por um sistema eólico de monções, que determina a dinâmica e o ecossistema na região. O vento de monção é mais forte durante o inverno15. No verão, os ventos mudam de direção e as velocidades dos ventos são muito mais fracas do que as do inverno16,17. A intensidade do vento pode determinar a força da mistura vertical, de modo que a profundidade da camada mista (MLD) se aprofunda à medida que o vento aumenta no inverno e se torna mais raso à medida que o vento diminui no verão18. Assim, mais nutrientes são transportados para a camada eufóbica durante o inverno, quando o vento é forte19 e o CHL atinge seu ponto mais alto do ano20,21.

Além do vento, o MLD também pode ser determinado utilizando outros fatores, como anomalias do nível do mar e SST (SLAs), que acabam impactando o teor de nutrientes e o CHL22. Durante o inverno, o gradiente vertical fraco está associado a baixas temperaturas na superfície20. O MLD correspondente é profundo e mais nutrientes podem ser transportados para cima; assim, o CHL na camada superficial é alto17. Uma variação crescente nos níveis de CHL pode ser atribuída aos redemoinhos de mesoesoescala, que induzem o transporte vertical e a misturade 23. Upwelling é geralmente encontrado em redemoinhos ciclônicos associados a SLAs deprimidas8,9 e concentrações de CHL elevadas24. Downwelling é geralmente encontrado em redemoinhos anticiclônicos associados a concentrações de SLAs8,9 e CHL deprimidas24. Para outras estações, o MLD torna-se raso, e a mistura torna-se fraca; assim, pode-se observar baixo CHL sobre a maior parte da bacia25. Os ciclos sazonais dos níveis de CHL são posteriormente predominantes para a região26.

Além da mistura, frentes e seus aumentos costeiros associados podem modular ainda mais o CHL. A frente, que é definida como um limite de diferentes massas de água, é importante para determinar a circulação regional e as respostas do ecossistema27. A frontogênese é geralmente associada à elevação costeira e à convergência28,29, que pode induzir nutrientes e elevar o crescimento do fitoplâncton30. Diferentes algoritmos foram desenvolvidos para identificar automaticamente frentes a partir de observações por satélite, incluindo métodos de gradiente histograma e SST. Esta última abordagem é adotada neste estudo28.

A correlação de séries temporais entre CHL e diferentes fatores oferece grandes insights para quantificar seu relacionamento. O presente estudo oferece uma descrição abrangente de como usar observações por satélite para revelar a dinâmica marinha regional relacionada à produtividade. Esta descrição pode ser usada como um guia para investigar os processos superficiais em qualquer parte do oceano. A estrutura deste artigo inclui um protocolo passo a passo, seguido de resultados descritivos no texto e nos números. A aplicabilidade, além dos prós e contras do método, são posteriormente discutidas.

Protocol

1. Aquisição de conjuntos de dados SST e CHL Baixe um conjunto de observações por satélite para SST e CHL do MODIS-Aqua (podaac-tools.jpl.nasa.gov/), onde a resolução espacial de ambos os conjuntos de dados é de aproximadamente 4,5 km em intervalos diários.NOTA: Estruturar os diretórios e dados seguindo a pasta de scripts de exemplo disponível nos Arquivos Suplementares. Armazene os arquivos .nc dos dados do satélite na pasta ‘Dados’. Adicione o caminho à caixa de ferramentas NetCDF no software de análise (ou seja, MATLAB). Selecione Adicionar com subpastas para incluir os caminhos da pasta ‘UTILITIES’ e suas subpastas. Determine o intervalo de tempo. Para manter a consistência entre diferentes conjuntos de dados, use o mesmo período de tempo para todos os parâmetros. Ajuste o período de tempo com base na cobertura temporal e use o período de observação mais longo entre diferentes conjuntos de dados. Para este protocolo, baixe 15 anos de dados de outubro de 2002 a setembro de 2017. Determine a cobertura espacial.NOTA: A região de estudo projetada está entre 105°E e 123°E e entre 0° e 25°N. Verifique as instruções de pré-processamento. Leia instruções nos arquivos .nc sobre os requisitos de pré-processamento dos dados SST e CHL (por exemplo, se o dimensionamento é necessário).NOTA: O conjunto de dados baixado já exclui dados sobre a terra e dentro de 5 km do litoral, bem como aqueles contaminados por nuvens. Carregue os dados SST e CHL no software de análise. Digite Read_MODIS_SST na janela de comando para ler os dados do SST. Da mesma forma, digite Read_MODIS_CHL na janela de comando para ler os dados chl. Transforme os dados CHL logaritmicamente porque eles têm uma distribuição log-normal31.NOTA: As variáveis carregadas incluem SST e CHL em três dimensões, representando localização meridional, localização zonal e tempo em dias, respectivamente. A gama de SSTs é entre -2 e 44, e a faixa de CHL é entre 0,01 e 20. Anomalia do nível do mar (SLA) Baixe dados diários da SLA com resolução espacial de 25 km de 2002-201732.NOTA: As SLAs descrevem a diferença entre as alturas observadas da superfície do mar e a altura média da superfície do mar ao longo de 20 anos (1993-2012) para um pixel correspondente. Os dados do SLA são processados pelo SSALTO/DUACS e distribuídos por Arquivamento, Validação e Interpretação de Dados Oceanográficos por Satélite (AVISO, https://www.aviso.altimetry.fr). Carregue dados no software de análise. Carregue dados SLA de um dia digitando Read_SLA na janela de comando.NOTA: A pasta ‘Dados’ nos Arquivos Suplementares inclui apenas um datum de amostra no script para ilustração. Velocidade do vento Obtenha as informações de vento de um produto de reanálise ERA-Provisória, que é um conjunto de dados de reanálise atmosférica global desenvolvido pelo European Center for Medium-Range Weather Forecasts (ECMWF)33. Baixe dados de vento para o mesmo período (outubro de 2002 a setembro de 2017) para manter a consistência com os dados chl e SST.NOTA: O conjunto de dados de vento tem uma resolução espacial de aproximadamente 25 km e foi interpolado a partir do conjunto de dados original com uma resolução espacial de aproximadamente 0,7°. Carregue dados no software de análise. Digite Read_WindVector na janela de comando para ler os dados de vento de um mês. Calcule a média mensal com a média dos dados originais, que está em intervalos de 6h. Topografia Baixe os dados de topografia de alta resolução do site do National Centers for Environmental Information (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). A resolução espacial é de ~2 km. Obtenha os dados ETOPO1 para base no formato XYZ para a região de estudo selecionada. Carregue dados no software de análise. Digite Read_topography na janela de comando para carregar os dados de topografia no software de análise. 2. Pré-processamento de dados Média temporal Devido à grande cobertura de nuvem nos dados SST e CHL, substitua os dados originais por dados médios de 3 dias. Para isso, depois de executar os scripts Read_MODIS_SST.m e Read_MODIS_CHL.m (passo 1.1.5), digite Temporal_average na janela de comando para executar o script. Interpolação na mesma grade Como a resolução espacial não é consistente para diferentes conjuntos de dados, interpole os dados SST e CHL em uma grade espacial que é a mesma que a grade espacial do vento e da SLA antes de fazer comparações. Depois de executar os scripts Temporal_average.m e Read_WindVector.m, digite Interpolation_grid na janela de comando para executar o script. Estresse do vento e enrolamento de estresse do vento Digite Wind_stress_curl na janela de comando para calcular o estresse do vento (WS) e o cacho de estresse do vento (WSC) usando as seguintes equações:onde está o vetor de velocidade do vento; é o WS na mesma direção do vetor de vento; e estão os WS nas direções leste e norte, respectivamente; é a densidade do ar (igual a 1,2 kg/m3); e C é o coeficiente de arrasto (um valor de 0,0015 é usado) sob condições de estabilidade neutras34. Médias mensais Calcule as séries temporizadas SST, wind e SLA mensais como médias de 30 dias em cada pixel digitando Monthly_average para executar o script. Devido à alta taxa de cobertura em nuvem, use uma média de 60 dias como a série temporal mensal para CHL, incluindo 30 dias antes até 30 dias após o 15º dia do mês. 3. Detecção frontal SST Alisamento espacial Digite Spatial_smoothing para executar o script para mediar os dados SST de três dias em cada pixel.NOTA: Uma grande quantidade de ruído foi identificada nos dados do SST. Assim, os dados foram suavizadas com uma média espacial de 3 x 3. Quando não havia dados disponíveis nos dados médios originais de 3 dias, os dados da média espacial foram definidos como indisponíveis. Gradiente SST Digite SST_gradient para executar o script para calcular os gradientes SST zonais e meridionas (ou seja, Gx e Gy ,respectivamente)como a diferença SST entre os dois pixels mais próximos divididos pela distância correspondente via equação (3). Use o vetor de gradiente obtido para calcular o gradiente total, G, como uma equação seguinte escalar (4). Máximo local Identifique uma frente testando um valor de gradiente SST: rotule um pixel como um pixel frontal potencial se o valor for maior do que um limiar designado. Mantenha apenas o pixel máximo local na mesma direção perpendicular à direção gradiente se houver pixels conectados com valores maiores que o limiar. Aqui, defina o limiar como 0,035 °C/km após estudos anteriores10,28.NOTA: O script correspondente ‘Local_maximum.m’ está disponível nos Arquivos Suplementares. Probabilidade frontal mensal (FP)NOTA: A probabilidade frontal (FP) descreve a probabilidade de observar uma frente. Calcule o FP por um determinado período de tempo (neste caso, um intervalo mensal), digitando Monthly_FP para executar o script. Divida a ocorrência de frentes em cada pixel durante uma janela de tempo pelo número de dias livres de nuvens. 4. Variabilidade espacial e temporal Ciclo sazonal Calcule os ciclos sazonais de diferentes fatores como as médias de diferentes estações. Defina as estações da seguinte forma: o inverno é de dezembro a fevereiro, a primavera é de março a maio, o verão é de junho a agosto, e o outono é de setembro a novembro.NOTA: O ciclo sazonal não é mostrado neste estudo; o seguinte método é usado para explicar a variabilidade espacial e temporal. Função ortogonal empírica (EOF) Remova a média temporal e os pixels indisponíveis. Antes de conduzir o EOF, subtraia a média geral em cada pixel e exclui os locais onde as observações ausentes excedem 20% por causa da cobertura da nuvem. Carregue os dados digitando carga (‘Monthly_data_for_EOF.mat’) na janela de comando. Aplique um EOF para descrever as variabilidades espaciais e temporais de diferentes parâmetros. Tipo Empirical_orthogonal_function.m executar o script para calcular a magnitude (Mag), eigenvalues (Eig) e amplitude (Amp) dos EOFs para o conjunto de dados (ou seja, série temporal de SST médio mensal, estresse do vento, enrolamento de estresse do vento, CHL e FP).NOTA: A função decompõe a série temporal mensal em diferentes modos, que são compostos por padrões espaciais e temporais e a variância explicada por cada modo diminui com o aumento do número do modo. 5. Intercorrelação Correlação na escala sazonal Calcule as correlações entre dois fatores usando sua série de tempo em cada pixel digitando Seasonal_correlation para executar o script. Como o ciclo sazonal não é removido, verifique o significado da correlação para todas as correlações. Correlação de um campo anômal Calcule as correlações entre as anomalias mensais do CHL e outros fatores, como SST, WS, fronts e SLAs. Obtenha as anomalias mensais (ou seja, o desvio do estado médio) subtraindo a média geral por um mês correspondente da série temporal mensal. Digite Anomalous_correlation para executar o script e obter as correlações. 6. Exibindo informações e calculando relacionamentos Exibir informações de satélite. Digite Sat_SCS_Fig3457 para executar o script para gerar uma vitrine de informações de satélite, incluindo SST, CHL e distribuições frontais. Defina a pasta atual como ‘scripts’ onde os dados ‘Sat_SCS_data.mat’ estão localizados.NOTA: Figura 1, Figura 2, Figura 3e Figura 4 mostram SST, CHL, frentes, vento e topografia para a data selecionada como exemplo. Exibir o resultado do EOF digitando Sat_SCS_Fig890.m para executar o script.NOTA: Figura 5, Figura 6e Figura 7 descrevem a magnitude espacial, média mensal e série temporal dos dois primeiros modos para CHL, SST e frentes, respectivamente. Calcule a relação entre CHL e outros fatores em escalas de tempo sazonais e para campos anômalos digitando Sat_SCS_Fig1112.m para executar o script. Obter o mapa de correlação para variabilidades sazonais(Figura 8) e anomalias(Figura 9).

Representative Results

Os padrões espaciais e temporais da superfície do mar CHL no SCS foram descritos por meio de observações por satélite. As informações de satélite para CHL (Figura 1A) e SST (Figura 1B) podem ser contaminadas pela cobertura de nuvens, resultando em uma grande porção de dados não sendo utilizáveis. Os dados de vento reanalisado(Figura 1C) e SLA(Figura 1D)não foram impactados por nuvens diárias. A topografia (Figura 1E) teve um impacto proeminente na distribuição espacial do CHL. High CHL foi distribuída principalmente ao longo da costa, onde a topografia é rasa. O vento também foi influenciado pela orografia, e o lado lee das montanhas foi caracterizado pelo vento fraco; assim, um proeminente WSC foi identificado a sudoeste da SCS. Em contraste, os SLAs não dependiam muito da topografia, e uma região de SLAs extraordinariamente altas foi encontrada na bacia do SCS. Figura 1: Observações originais para parâmetros principais em 15 de abril de 2015.(A) Clorofila da superfície do mar (CHL), (B) temperatura da superfície do mar (SST), (C) cacho de estresse do vento (WSC, sombreamento) com estresse do vento (WS, vetor), (D) anomalia da superfície do mar e(E)topografia para a bacia oceânica. Clique aqui para ver uma versão maior desta figura. Devido ao severo impacto da nuvem nas observações por satélite, muitos dados não estavam disponíveis ou espacialmente inconsistentes. Um método eficaz e eficiente foi aplicado para preencher algumas lacunas de dados e suavizar o campo. Os dados foram primeiro substituídos por uma média de 3 dias em cada pixel, o que pode efetivamente preencher algumas lacunas porque as nuvens variam diariamente(Figura 2B). Uma média espacial foi ainda mais aplicada em cada pixel de modo que os dados foram substituídos pela média de valores circundantes (3 x 3 pixels). Assim, a inconsistência espacial foi bastante reduzida(Figura 2C). Figura 2: SST por um único dia em 15 de abril de 2015.(A) SST original de MODIS, (B) SST médio de três dias, e(C) SST após suavização espacial. Clique aqui para ver uma versão maior desta figura. A distribuição diária das frentes SST foi derivada dos gradientes SST(Figura 3A). Os limiares aplicados aqui efetivamente capturaram a localização da frente (Figura 3B) e garantiram a representação dos limites de massas de água inteiras(Figura 3C). Os gradientes e frentes eram quase idênticos porque a frente foi obtida principalmente a partir do gradiente. Figura 3: Procedimento para detecção frontal derivado do SST.(A) Magnitude do gradiente SST, (B) a distribuição de frentes SST em linhas pretas finas, e (C) distribuição frontal com base nos gradientes SST correspondentes. Clique aqui para ver uma versão maior desta figura. Devido à cobertura em nuvem nos dados de CHL, SST e front, as séries de tempo média mensal foram calculadas e aplicadas neste estudo. Um exemplo aleatório é mostrado na Figura 4 para o mês de abril de 2015. Não havia lacuna existente para nenhum dos parâmetros. Os padrões gerais para diferentes parâmetros foram altamente consistentes quanto à sua variância espacial. Por exemplo, o CHL era alto perto da costa e baixo na bacia central, enquanto o SST era baixo perto da costa e alto na bacia central. A média mensal oferecia informações abrangentes para retratar características regionais. As frentes foram distribuídas principalmente ao longo do litoral, onde a dinâmica é complexa. Uma grande parte da bacia estava livre de frentes; assim, o centro do SCS foi caracterizado por um valor próximo a zero (Figura 4E). Figura 4: Média mensal para parâmetros principais em abril de 2015.(A) CHL (em escala de logaritmo), (B) SST, (C) WSC (sombreamento) com WS (vetor),(D) anomalia da superfície do mar e(E) probabilidade frontal (FP). Clique aqui para ver uma versão maior desta figura. A maioria das características da superfície foi caracterizada pela variabilidade sazonal proeminente, que foi claramente observada usando EOFs. O EOF é um método matemático útil que é amplamente utilizado em ciências atmosféricas e marinhas. O método pode delinear padrões espaciais e sinais temporais de séries temporais sobre domínios espaciais28. Após a decomposição espacial para características da superfície do mar no SCS, os dois primeiros modos são geralmente necessários para descrever as variabilidades espaciais e temporais. Os dois primeiros EOFs para CHL descreveram 44% e 12% da variância total, respectivamente. O EOF1 capturou uma grande variância na seção norte do SCS (Figura 5A). A média mensal correspondente da série temporal (Figura 5C) mostrou que a CCT foi elevada durante o inverno e deprimida durante o verão. A região próxima ao litoral sudoeste foi caracterizada pela fraca magnitude, e a variabilidade correspondente foi capturada principalmente pela EOF2 (Figura 5B). Os valores do CHL foram altos no verão e baixos no inverno. Isso foi principalmente fora de fase em comparação com a seção norte. A série temporal mensal para EOFs mostrou clara variabilidade sazonal, e o EOF2 liderou o EOF1 por aproximadamente 4 meses (Figura 5E). Figura 5: O EOF para CHL.(A) Magnitude da magnitude EOF1, (B) de EOF2, (C) série horária média mensal para EOF1, (D) série de tempo médio mensal para EOF2, e(E) séries temporais mensais de EOF1 (preto) e EOF2 (azul). Clique aqui para ver uma versão maior desta figura. A variação explicada nos dois primeiros EOFs para SST foi proeminentemente elevada, igualando 91% e 5% para EOF1 e EOF2, respectivamente. É importante ressaltar que a média global deve ser removida antes de realizar o EOF; assim, o campo médio foi excluído. O EOF1 dominou a variância total, e sua magnitude foi maior no norte da SCS e diminuiu para o sul (Figura 6A). A média mensal correspondente da série temporal (Figura 6C) mostrou que o SST foi elevado durante o verão e deprimido durante o inverno. O SCS sul foi caracterizado por uma magnitude fraca, atribuída a altas temperaturas persistentes em baixas latitudes. A variabilidade na seção sul foi capturada principalmente pela EOF2 (Figura 6B). O SST correspondente foi aprimorado entre março e junho, enquanto os valores baixos persistiram nos meses restantes. O aquecimento proeminente ocorreu em 2010 e 2016, onde o SST ao largo da costa sudoeste da SCS foi muito maior do que nos outros anos(Figura 6E). Essa variabilidade interanual é atribuída principalmente aos eventos do El Niño que reduzem as monções de verão do sudoeste e resultam em um fraco aumento de12. Como a variabilidade sazonal é o principal foco do presente estudo, essa característica não é mais discutida. Figura 6: O EOF para SST.(A) Magnitude da magnitude EOF1, (B) de EOF2, (C) série horária média mensal para EOF1, (D) série horária média mensal para EOF2, e(E) séries temporais mensais de EOF1 (preto) e EOF2 (azul). Clique aqui para ver uma versão maior desta figura. Devido à natureza ruidosa do gradiente, a frente derivada explicou muito menos da variância. De fato, eOF1 e EOF2 de FP só explicaram 19% e 9% da variância total, respectivamente. A EOF1 capturou as variações nas regiões norte e nordeste da SCS (Figura 7A). A média mensal correspondente da série temporal (Figura 7C)mostrou que nessas regiões, mais FP ocorreu durante o inverno e menos durante o verão. A fase ao largo da costa sudoeste da SCS foi o oposto, embora a variabilidade correspondente tenha sido muito menos proeminente. O EOF2 capturou o aprimoramento da mola da FP (Figura 7D) no SCS ocidental (Figura 7B). As séries temporal de EOF1 e EOF2 foram caracterizadas pela fraca variabilidade interanual. Figura 7: O EOF para FP.(A) Magnitude da magnitude EOF1, (B) de EOF2, (C) série horária média mensal para EOF1, (D) série horária média mensal para EOF2, e(E) séries temporais mensais de EOF1 (preto) e EOF2 (azul). Clique aqui para ver uma versão maior desta figura. Foram investigados diferentes fatores para suas relações com a CHL (Figura 8). Por exemplo, o SST pode ser usado para entender as características fundamentais do oceano que podem influenciar a taxa de crescimento do fitoplâncton e, posteriormente, impactar o CHL. Para a maioria da SCS, houve altas correlações entre SST e CHL (Figura 8A),e a maioria das correlações atingiu mais de -0,8. É importante ressaltar que a alta correlação não indica causalidade entre esses dois fatores. Como o SST atingiu seu máximo anual no verão, o MLD tornou-se mais raso21. Os nutrientes fornecidos à camada eufóbica foram baixos porque a mistura vertical foi bloqueada pela estratificação intensiva13. Como resultado, os baixos nutrientes limitaram a taxa de crescimento do fitoplâncton e resultaram em baixo CHL. Em contraste, o alto CHL ocorreu no inverno, quando o MLD era mais profundo, e a baixa Estratificação induzida pelo SST35. Figura 8: Correlações entre CHL e outros fatores na escala sazonal.(A) SST, (B) WS, (C) WSC, (D) FP, e(E) SLA. A cor cinza indica que a correlação não é significativa. As variáveis espacialmente médias são calculadas com base na caixa verde no painel A. Suas séries temporísticas são usadas para obter os coeficientes de correlação na Tabela 1. Este valor foi modificado a partir de Yu et al.17. Clique aqui para ver uma versão maior desta figura. A mistura movida pelo vento pode ser aproximadamente medida por WS e foi usada para descrever a mistura vertical18. Grandes coeficientes de correlação, com valores de aproximadamente 0,8, foram identificados entre os níveis de WS e CHL ao norte da SCS (Figura 8B),particularmente nas regiões com o vento de inverno mais forte localizado na plataforma norte do SCS. Correlações fracas, mas significativas, foram encontradas ao sul. As correlações entre OC e a CST foram significativas na maioria dos SCS (Figura 8C),embora tenham mostrado tendências opostas no norte e sul. Identificou-se coeficiente positivo de correlação entre ACS e WSC ao sul, com valores negativos no norte. A correlação na região entre eles não foi significativa. O WS e o CHL foram fortemente correlacionados na região correspondente onde o WS de inverno foi maior. As frentes também podem induzir a variabilidade do CHL. Uma grande correlação foi encontrada no nordeste e sudoeste da SCS (Figura 8D). A ACS aumentou à medida que as atividades frontais se tornaram mais ativas36. O SLA apresentou correlação negativa significativa com o CHL do nordeste da SCS em direção ao sudoeste e correlação positiva ao longo da costa oeste da SCS (Figura 8E). É interessante notar que as correlações positivas foram limitadas à região com topografia rasa. Para o nordeste da SCS, todas as correlações foram grandes (Figura 8). Assim, as correlações das séries temporais mensais entre ACS e outros parâmetros foram calculadas utilizando-se a média espacial em uma caixa designada (Figura 8A),e a maioria dos fatores foram intercorrelatados com correlações significativas (seção superior direita da Tabela 1). Como o ciclo sazonal dominou a série temporal, a correlação deixou de ser válida após a remoção da média mensal (seção inferior esquerda da Tabela 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 Tabela 1: Coeficientes de correlação da série temporal entre os fatores, localizados a nordeste do SCS, por exemplo, SST (temperatura da superfície do mar), FP (probabilidade frontal), WSC (cacho de estresse do vento) e WS (estresse do vento), utilizando a caixa mostrada na Figura 8A. As médias e anomalias mensais são mostradas na seção superior direita e na parte inferior esquerda, respectivamente. Números em negrito e itálico indicam que a correlação não atende ao nível de confiança de 95%. A tabela foi modificada a partir de Yu et al.17. As correlações no ciclo sazonal não foram significativas para algumas regiões, como o sudoeste da SCS (Figura 8). A região é dominada por processos dinâmicos (por exemplo, transporte offshore induzido pelo vento) que determinam a variabilidade no CHL17. Foi identificada correlação significativa entre ACS e outros fatores (por exemplo, SST, WS, frentes e WSC) em campos anômalos(Figura 9). As anomalias foram calculadas para a série temporal mensal, removendo a média mensal correspondente. O número efetivo de graus de liberdade poderia ser aumentado, mas estudos anteriores mostraram que ela não afeta as relações subjacentes entre suas séries temporadas28,37. Figura 9: Correlação entre ACS e outros fatores nos campos anômalos.(A) SST, (B) WS, (C) WSC, (D) FP, e(E) SLA. A cor cinza indica que a correlação não é significativa. As variáveis espacialmente mediadas são calculadas com base na caixa verde no painel A. As séries temporáticas são utilizadas para obter os coeficientes de correlação mostrados na Tabela 2. Este valor foi modificado a partir de Yu et al.17. Clique aqui para ver uma versão maior desta figura. Nos campos anômalos, a CHL e a SST foram significativamente correlacionadas na maioria dos SCS (Figura 9A). Quando os SSTs eram extraordinariamente altos, o CHL tornou-se extraordinariamente baixo, e vice-versa. Da mesma forma, um WSC extraordinariamente alto e frentes para o sudoeste do SCS induziram altos níveis de CHL, e vice-versa (Figura 9C, 9D). Além disso, foi encontrada correlação negativa entre os níveis de SLAs e CHL(Figura 9E). Diferentes lags foram testados, e a correlação só se tornou significativa se não fosse empregada nenhuma defasagem. Assim, o CHL foi simultaneamente impactado por anomalias em SST, WSC e frentes, bem como SLA. Sua relação foi ainda investigada usando a série temporal mensal espacialmente média a sudoeste da SCS, designada como uma caixa verde na Figura 9A. Os resultados mostram que a maioria dos fatores foi intercorrelada com correlações significativas no campo anômo (parte inferior esquerda da Tabela 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 Tabela 2: Coeficientes de correlação da série temporal entre os fatores, localizados a sudoeste do SCS, por exemplo, SST (temperatura da superfície do mar), FP (probabilidade frontal), WSC (cacho de estresse do vento) e WS (estresse do vento), utilizando a caixa mostrada na Figura 9A. A média mensal e anomalias são mostradas na seção superior direita e na parte inferior esquerda, respectivamente. Números em negrito e itálico indicam que a correlação não atende ao nível de confiança de 95%. A tabela foi modificada a partir de Yu et al.17. Arquivos Suplementares. Clique aqui para baixar este arquivo. 

Discussion

Neste estudo, as principais características dos sistemas marinhos são descritas por meio de observações por satélite. O CHL, que pode ser usado para representar a produção oceânica, é selecionado como fator indicador. Fatores relacionados à variabilidade do CHL foram investigados utilizando-se séries temporáticas mensais médias, por exemplo, SST, WS, WSC, FP e SLA. Três etapas críticas estão descritas neste estudo: a aquisição de dados de satélite para diferentes parâmetros, a descrição de suas variabilidades espaciais e temporais via EOF e a determinação de inter-relações entre diferentes fatores pelo cálculo dos coeficientes de correlação. Está incluído um procedimento detalhado que mostra a identificação para distribuição frontal diária, derivado das observações do SST. Duas abordagens principais foram desenvolvidas para detecção frontal SST: o método gradiente10,38 e o método histograma39,40. O método histograma é baseado em uma gama semelhante de valores para SST, que pode ser usado para dividir as massas de água em diferentes grupos. Os pixels com valores entre diferentes grupos representando o pixel em uma banda de transição são definidos como fronts. Por outro lado, o método gradiente separa vários corpos de água relativamente uniformes como pixels com grandes valores gradientes. Um estudo de comparação foi realizado, e eles encontraram taxas falsas mais baixas usando o método histograma e menos frentes perdidas usando o método gradiente41. Neste estudo, o método de base gradiente38 foi adotado após estudos anteriores10,28. O algoritmo pode evitar o rompimento frontal em vários fragmentos de borda, permitindo que a magnitude diminua para um nível abaixo de um limiar menor. Além do conjunto de dados incluído aqui, outras observações por satélite, como o índice de aerossol, também podem ser usadas com uma abordagem semelhante.

A maioria dos procedimentos pode ser aplicada diretamente em outras regiões ou conjuntos de dados. A modificação pode ocorrer para alterar o limiar da detecção frontal. Como o gradiente SST no SCS é comparável ao Sistema de Corrente da Fronteira Oriental28,os mesmos limiares foram implementados para o presente estudo. Um estudo anterior revelou que o gradiente SST de diferentes conjuntos de dados pode variar até trêsvezes 42, o que torna o método de alguma forma menos objetivo. Estudos substanciais têm investigado atividades frontais ao redor dos oceanos globais28,43. A melhor abordagem para validar frentes é compará-las com observações in situ. Yao44 descreveu a distribuição frontal mensal para o SCS. Seus resultados concordaram bem com as medidas in situ. O gradiente geral deve ser verificado e ajustado, uma vez que seu valor pode variar dependendo da resolução espacial e dos instrumentos. Em particular, o limiar deve ser atualizado quando outro conjunto de dados SST for usado. A compreensão básica da dinâmica regional é fundamental para a compreensão da frontogênese45,46,47. O script de detecção frontal pode ser desenvolvido por autores individuais com base na descrição deste artigo.

As informações de satélite oferecem uma compreensão abrangente das características da superfície, e uma comparação de resultados com observações in situ pode ajudar na avaliação da credibilidade. No entanto, as observações por satélite estão limitadas à superfície oceânica, o que limita a aplicação para a compreensão da estrutura vertical da coluna de água. Em um estudo recente, observações por satélite revelaram que a superfície chl aumentou 15 vezes, mas o valor vertical integrado só aumentou 2,5 vezes48. Essa diferença foi porque o valor da superfície foi impactado pelos efeitos do crescimento fitoplâncton e do cardumes de MLD, resultando em um valor irrealizável na superfície. Assim, o recurso de superfície pode não oferecer uma descrição precisa para toda a coluna de água. Além disso, a influência da cobertura de nuvens limita as observações contínuas dos satélites. Assim, as séries tempores mensais são calculadas para diferentes fatores sobre a mesma região e mesmo período. Isso garantirá a credibilidade do cálculo das correlações entre diferentes fatores. No entanto, os eventos de curto período, por exemplo, tufões que duram alguns dias a uma semana, não serão resolvidos.

Em comparação com estudos anteriores, o método proposto pode oferecer informações espaciais no nível de pixel, o que pode ajudar a avaliar a dinâmica de forma mais detalhada. Alguns estudos anteriores mediaram toda a SCS como um único número e obtiveram uma série temporal. Eles descobriram que um WS extraordinariamente forte e SST alto pode induzir chl16anômalamente alto , o que é consistente com o resultado atual. No entanto, a variação espacial nas relações não foi resolvida. Neste estudo, a correlação em escala de bacia entre SMC e CHL foi fraca no campo anômo. Uma grande correlação significativa só foi identificada para determinadas áreas, por exemplo, no centro da SCS (Figura 9B). Assim, o método atual oferece uma descrição abrangente para investigar variações espaciais. Da mesma forma, observações de dois carros alegóricos Bio-Argo foram utilizadas e revelaram que o WSC não se correlacionava com a variabilidade do CHL20. No entanto, as trajetórias dos dois carros alegóricos estão localizadas apenas em determinadas regiões. Neste caso, foi exatamente dentro da faixa onde a correlação entre o nível de CHL e o WSC não foi significativa (Figura 8D). O método proposto é muito útil para resolver a dependência espacial entre os fatores, característica fundamental do oceano global.

Em resumo, o método aqui utilizado pode descrever com precisão a distribuição espacial e a variabilidade temporal nas características da superfície oceânica usando observações por satélite. Com a resolução crescente de conjuntos de dados de satélite, recursos mais detalhados podem ser identificados e investigados, o que permite uma compreensão geral das características regionais, incluindo CHL, SST e SSH. A correlação da série temporal mensal entre diferentes fatores pode auxiliar na compreensão de suas relações dinâmicas e potencial impacto em um ecossistema49. Como a correlação pode variar em grande parte em diferentes locais espaciais, o método proposto oferece uma descrição detalhada e abrangente. Uma abordagem semelhante pode ser aplicada a qualquer bacia oceânica em todo o mundo, o que será muito útil para melhorar a compreensão da dinâmica marinha e dos ecossistemas.

Declarações

The authors have nothing to disclose.

Acknowledgements

O apoio do Programa Nacional de Pesquisa e Desenvolvimento da China (Nº 2016YFC1401601), do Programa de Pesquisa e Inovação em Práticas da Província de Jiangsu (Nº. SJKY19_0415) apoiada pelos Fundos Fundamentais de Pesquisa para as Universidades Centrais (nº 2019B62814), pela Fundação Nacional de Ciência Natural da China (nº 41890805, 41806026 e 41730536) e estudos marinhos e ecológicos avançados conjuntos na Baía de Bengala e no oceano Índico equatorial oriental foram muito reconhecidos. Os autores apreciam o fornecimento de dados de fontes como a National Aeronautics and Space Administration (NASA), o European Centre for Medium-Range Weather Forecasts (ECMWF), o Copernicus Marine and Environment Monitoring Service (CMEMS) e a National Oceanic and Atmospheric Administration (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)

Referências

  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

Citar este artigo
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