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

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.