La chlorophylle de surface de la mer, la température, la hauteur du niveau de la mer, le vent et les données avant obtenues ou dérivées d’observations satellitaires offrent un moyen efficace de caractériser l’océan. Présentée est une méthode pour l’étude complète de ces données, y compris la moyenne globale, le cycle saisonnier et les analyses d’intercorrépendation, afin de bien comprendre la dynamique régionale et les écosystèmes.
Les observations par satellite offrent une excellente approche pour étudier les caractéristiques des principaux paramètres marins, y compris la chlorophylle de surface de la mer (LCH), la température de surface de la mer (SST), la hauteur de la surface de la mer (SSH) et les facteurs dérivés de ces paramètres (p. ex., fronts). Cette étude montre une procédure étape par étape pour utiliser des observations satellitaires pour décrire les paramètres majeurs et leurs relations dans les champs saisonniers et anormaux. Cette méthode est illustrée à l’aide d’ensembles de données satellitaires de 2002 à 2017 qui ont été utilisés pour décrire les caractéristiques de surface de la mer de Chine méridionale (SCS). En raison de la couverture nuageuse, des données mensuelles moyennes ont été utilisées dans cette étude. La fonction orthogonale empirique (EOF) a été appliquée pour décrire la distribution spatiale et les variabilités temporelles de différents facteurs. Le vent de mousson domine la variabilité du bassin. Ainsi, le vent de l’ensemble de données de réanalyse a été utilisé pour étudier sa force motrice sur différents paramètres. La variabilité saisonnière de la LCH était importante et significativement corrélée avec d’autres facteurs dans la majorité du SCS. En hiver, une forte mousson du nord-est induit une couche mixte profonde et un niveau élevé de chlorophylle dans tout le bassin. Des coefficients de corrélation significatifs ont été trouvés parmi les facteurs au cycle saisonnier. En été, on a surtout constaté des niveaux élevés de LCH dans le SCS de l’Ouest. Au lieu d’une dépendance saisonnière, la région était très dynamique, et les facteurs se corrélés de façon significative dans les champs anormaux de sorte que des niveaux anormalement élevés de LCH aient été associés à des vents anormalement forts et à des activités frontales intenses. L’étude présente une procédure étape par étape pour utiliser les observations par satellite pour décrire les paramètres majeurs et leurs relations dans les domaines saisonniers et anormaux. La méthode peut être appliquée à d’autres océans mondiaux et sera utile pour comprendre la dynamique marine.
La technologie de télédétection offre d’excellents ensembles de données avec de grandes échelles spatiales et de longues périodes pour décrire les environnements marins. Avec la résolution spatiale croissante des satellites, les caractéristiques détaillées sont maintenant résolues de l’échelle régionale à quelques centaines demètres 1,2. Une meilleure compréhension de la dynamique marine peut être obtenue grâce à la plupart des observations satellitaires mises àjour 3.
En intégrant plusieurs capteurs sur une plate-forme de télédétection, une description complète des différents paramètres est possible. La température de surface de la mer (SST) est le paramètre de base observé depuis plus d’undemi-siècle 4. Récemment, des observations sur la chlorophylle de surface de la mer a (LCH) sont devenues disponibles et peuvent être utilisées pour décrire la productivité marine5. Les satellites d’altimétrie sont utilisés pour mesurer la hauteur de surface de lamer 6,7, ce qui est fortement lié aux activités de remous mésométriques dans l’océan global8,9. En plus des tourbillons, les activités frontales sont également importantes pour avoir un impact sur la dynamique régionale et la productionprimaire 10.
L’objectif principal de l’étude actuelle est de trouver une procédure standard pour décrire la distribution spatiale et les variabilités temporelles des différents facteurs océaniques. Dans cette méthode, les données SST, CHL, SSH et front, qui sont dérivées des gradients SST, sont analysées pour déterminer les modèles. En particulier, le LCH est utilisé pour représenter la productivité de l’océan, et une méthode est introduite pour étudier la relation entre la LCH et d’autres paramètres océaniques. Pour valider la méthode, la période comprise entre octobre 2002 et septembre 2017 en mer de Chine méridionale a été utilisée pour examiner tous les paramètres. La méthode peut être facilement utilisée pour d’autres régions du monde pour capturer les principaux modèles océaniques et explorer l’impact de la dynamique marine sur l’écosystème.
La mer de Chine méridionale (SCS) a été désignée région d’étude en raison de son taux de couverture relativement élevé d’observations par satellite. Le SCS est abondant en rayonnement solaire; ainsi, la LCH est principalement déterminée par la disponibilité desnutriments 11,12. Avec plus d’éléments nutritifs transportés dans la couche euphotique, les niveaux de LCH peuventaugmenter de 13. Le mélange, induit par le vent, peut introduire des nutriments à la surface de l’océan et améliorer laLCH 14. Le SCS est particulièrement dominé par un système éolien de mousson, qui détermine la dynamique et l’écosystème de la région. Le vent de mousson est plus fort pendantl’hiver 15. En été, les vents changent de direction et les vitesses du vent sont beaucoup plus faibles que celles del’hiver 16,17. L’intensité du vent peut déterminer la force du mélange vertical, de sorte que la profondeur de la couche mixte (MLD) s’approfondit à mesure que le vent augmente en hiver et devient moins profonde à mesure que le vent diminue àl’été 18. Ainsi, plus de nutriments sont transportés dans la couche euphotique pendant l’hiver lorsque le ventest fort 19 et CHL atteint son point culminant del’année 20,21.
En plus du vent, le MLD peut également être déterminé à l’aide d’autres facteurs, tels que le TSS et les anomalies du niveau de la mer (ALD), qui ont finalement un impact sur la teneur en éléments nutritifs et laLCH 22. Pendant l’hiver, le faible gradient vertical est associé à de basses températures à la surface20. Le MLD correspondant est profond et plus de nutriments peuvent être transportés vers le haut; ainsi, le CHL dans la couche superficielle est élevé17. Une variation croissante des niveaux de LCH peut être attribuée aux tourbillons mésoscales, qui induisent le transport vertical etmélangent 23. Le gonflement se trouve habituellement dans les tourbillons cycloniques associés aux ALdéprimés 8,9 et aux concentrations élevées de LCH24. Downwelling se trouve habituellement dans les tourbillons anticycloniques associés à des ALélevés 8,9 et des concentrations déprimées de LCH24. Pour les autres saisons, le MLD devient peu profond, et le mélange devient faible; ainsi, on peut observer une faible LCH sur la majorité du bassin25. Les cycles saisonniers des niveaux de LCH sont par la suite prédominants pour larégion 26.
En plus du mélange, les façades et la remontée côtière associée peuvent moduler davantage la LCH. Le front, qui est défini comme une limite de différentes masses d’eau, est important pour déterminer la circulation régionale et les réponses écosystémiques27. La frontogenèse est généralement associée à la remontée côtière et à la convergence28,29, qui peuvent induire des éléments nutritifs et élever la croissance du phytoplancton30. Différents algorithmes ont été développés pour identifier automatiquement les fronts à partir d’observations satellitaires, y compris les méthodes d’histogramme et de gradient SST. Cette dernière approche est adoptée dans cette étude28.
La corrélation des séries chelli temps entre la LCH et différents facteurs offre d’excellentes perspectives pour quantifier leur relation. La présente étude offre une description complète de la façon d’utiliser les observations satellitaires pour révéler la dynamique marine régionale liée à la productivité. Cette description peut servir de guide pour étudier les processus de surface dans n’importe quelle partie de l’océan. La structure de cet article comprend un protocole étape par étape, suivi de résultats descriptifs dans le texte et les chiffres. L’applicabilité en plus des avantages et des inconvénients de la méthode sont ensuite discutés.
Dans cette étude, les principales caractéristiques des systèmes marins sont décrites à l’aide d’observations par satellite. Le LCH, qui peut être utilisé pour représenter la production océanique, est choisi comme facteur indicateur. Des facteurs liés à la variabilité de la LCH ont été étudiés à l’aide de séries ch/temps moyennes mensuelles, p. ex., SST, WS, WSC, FP et SLA. Trois étapes critiques sont décrites dans cette étude : l’acquisition de données satellitaires pour différents paramètres, la description de leurs variabilités spatiales et temporelles par l’intermédiaire de l’EOF, et la détermination des interrelations entre différents facteurs en calculant les coefficients de corrélation. Une procédure détaillée montrant l’identification pour la distribution frontale quotidienne, qui est dérivée des observations de SST, est incluse. Deux approches majeures ont été développées pour la détection avant SST : la méthode de gradient10,38 et la méthode d’histogramme39,40. La méthode de l’histogramme est basée sur une gamme similaire de valeurs pour SST, qui peut être utilisé pour diviser les masses d’eau en différents groupes. Les pixels avec des valeurs entre les différents groupes représentant le pixel dans une bande de transition sont définis comme des fronts. D’autre part, la méthode de gradient sépare plusieurs plans d’eau relativement uniformes en tant que pixels avec de grandes valeurs de gradient. Une étude de comparaison a été menée, et ils ont trouvé des taux faux inférieurs utilisant la méthode d’histogramme et moins de fronts manqués utilisant la méthode de gradient41. Dans cette étude, la méthode basée sur le gradient38 a été adoptée à la suite d’anciennesétudes 10,28. L’algorithme peut éviter la rupture avant en fragments de bord multiples en permettant à la magnitude de diminuer à un niveau inférieur à un seuil plus petit. En plus de l’ensemble de données inclus ici, d’autres observations satellitaires, telles que l’indice des aérosols, peuvent également être utilisées avec une approche similaire.
La plupart des procédures peuvent être appliquées directement dans d’autres régions ou ensembles de données. Des modifications peuvent avoir lieu pour modifier le seuil de détection avant. Étant donné que le gradient SST dans le SCS est comparable au système de courant frontalier de l’Est28,les mêmes seuils ont été mis en œuvre pour l’étude en cours. Une étude précédente a révélé que le gradient SST de différents ensembles de données peut varier jusqu’àtrois fois 42, ce qui rend la méthode en quelque sorte moins objective. Des études substantielles ont étudié les activités frontales autour des océansmondiaux 28,43. La meilleure approche pour valider les fronts est de les comparer avec des observations in situ. Yao44 a décrit la distribution frontale mensuelle pour le SCS. Leurs résultats étaient bien d’accord avec les mesures in situ. Le gradient global doit être vérifié et ajusté puisque sa valeur peut varier en fonction de la résolution spatiale et des instruments. En particulier, le seuil doit être mis à jour lorsqu’un autre ensemble de données SST est utilisé. Une compréhension de base de la dynamique régionale est fondamentale pour comprendre la frontogenèse45,46,47. Le script de détection avant peut être développé par des auteurs individuels sur la base de la description dans cet article.
L’information satellitaire offre une compréhension complète des caractéristiques de surface, et une comparaison des résultats avec des observations in situ peut aider à évaluer la crédibilité. Toutefois, les observations satellitaires se limitent à la surface de l’océan, ce qui limite l’application pour comprendre la structure verticale de la colonne d’eau. Dans une étude récente, les observations satellitaires ont révélé que la LCH de surface a augmenté de 15 fois, mais que la valeur verticale intégrée n’a augmenté que de 2,5fois 48. Cette différence s’explique par le fait que la valeur de surface a été affectée par les coeffects de la croissance du phytoplancton et du haut-fond du MLD, ce qui a donné lieu à une valeur irréalisable à la surface. Ainsi, la fonction de surface peut ne pas offrir une description précise pour l’ensemble de la colonne d’eau. En outre, l’influence de la couverture nuageuse limite les observations continues des satellites. Ainsi, les séries de temps mensuelles sont calculées pour différents facteurs sur la même région et la même période. Cela garantira la crédibilité du calcul des corrélations entre les différents facteurs. Toutefois, les événements de courte durée, par exemple les typhons qui durent de quelques jours à une semaine, ne seront pas résolus.
Par rapport aux études antérieures, la méthode proposée peut offrir des informations spatiales au niveau pixel, ce qui peut aider à évaluer la dynamique d’une manière plus détaillée. Certaines études antérieures ont fait la moyenne de l’ensemble du SCS en tant que nombre unique et ont obtenu une série de temps. Ils ont constaté qu’un WS exceptionnellement fort et un TSS élevé peuvent induire un CHL16 anormalementélevé, ce qui est conforme au résultat actuel. Cependant, la variation spatiale dans les relations n’a pas été résolue. Dans cette étude, la corrélation bassin-échelle entre WS et CHL était faible dans le domaine anormal. Une grande corrélation significative n’a été identifiée que pour certaines zones, par exemple, au centre du SCS (figure 9B). Ainsi, la méthode actuelle offre une description complète pour étudier les variations spatiales. De même, des observations de deux flotteurs Bio-Argo ont été utilisées et ont révélé que le CSM n’était pas en corrélation avec la variabilité de laLCH 20. Cependant, les trajectoires des deux flotteurs ne sont situées que dans certaines régions. En l’espèce, c’est exactement au sein de la bande que la corrélation entre le niveau de la LCH et le CSM n’était pas significative (figure 8D). La méthode proposée est très utile pour résoudre la dépendance spatiale entre les facteurs, qui est une caractéristique fondamentale de l’océan mondial.
En résumé, la méthode utilisée ici peut décrire avec précision la distribution spatiale et la variabilité temporelle des caractéristiques de surface de l’océan à l’aide d’observations satellitaires. Avec la résolution croissante des ensembles de données satellitaires, des fonctionnalités plus détaillées peuvent être identifiées et étudiées, ce qui permet une compréhension générale des caractéristiques régionales, y compris la LCH, la TVS et la SSH. La corrélation des séries de temps mensuelles entre différents facteurs peut aider à comprendre leurs relations dynamiques et leur impact potentiel sur unécosystème 49. Étant donné que la corrélation peut varier en grande partie à différents endroits spatiaux, la méthode proposée offre une description détaillée et complète. Une approche similaire peut être appliquée à n’importe quel bassin océanique dans le monde entier, ce qui sera grandement utile pour améliorer la compréhension de la dynamique marine et des écosystèmes.
The authors have nothing to disclose.
Le soutien du National Key Research and Development Program of China (No. 2016YFC1401601), le Programme d’innovation en recherche et en pratique de troisième cycle de la province du Jiangsu (no. SJKY19_0415) soutenu par les Fonds de recherche fondamentale pour les universités centrales (n° 2019B62814), la National Natural Science Foundation of China (nos. 41890805, 41806026 et 41730536) et joint Advanced Marine and Ecological Studies dans le golfe du Bengale et l’est de l’océan Indien équatorial ont été grandement reconnus. Les auteurs apprécient la fourniture de données provenant de sources, dont la National Aeronautics and Space Administration (NASA), le Centre européen de prévisions météorologiques à moyen terme (ECMWF), le Copernicus Marine and Environment Monitoring Service (CMEMS) et la National Oceanic and Atmospheric Administration (NOAA).
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) |