Summary

Изучение взаимосвязи между хлорофиллом поверхности моря и основными особенностями южно-китайского моря со спутниковой информацией

Published: June 13, 2020
doi:

Summary

Хлорофилл поверхности моря, температура, высота уровня моря, ветер и передние данные, полученные или полученные в результате спутниковых наблюдений, предлагают эффективный способ характеристики океана. Представленный метод всестороннего изучения этих данных, включая общий средний, сезонный цикл и межкорреляцию, для полного понимания региональной динамики и экосистем.

Abstract

Спутниковые наблюдения предлагают отличный подход к исследованию особенностей основных морских параметров, включая хлорофилл поверхности моря (CHL), температуру поверхности моря (SST), высоту поверхности моря (SSH) и факторы, вытекающие из этих параметров (например, фронты). Это исследование показывает пошаговую процедуру использования спутниковых наблюдений для описания основных параметров и их взаимосвязи в сезонных и аномальных областях. Этот метод иллюстрируется с помощью спутниковых наборов данных за 2002-2017 годы, которые использовались для описания поверхностных особенностей южно-китайского моря (SCS). Из-за облачного покрытия в этом исследовании использовались среднемесячные данные. Эмпирическая ортогональная функция (EOF) была применена для описания пространственного распределения и временной изменчивости различных факторов. Муссонный ветер доминирует над изменчивостью в бассейне. Таким образом, ветер из набора данных повторного анализа использовался для исследования его движущей силы по различным параметрам. Сезонная изменчивость в КХЛ была заметной и в значительной степени коррелировалась с другими факторами в большинстве СКК. Зимой сильный северо-восточный муссон вызывает глубокий смешанный слой и высокий уровень хлорофилла по всему бассейну. Среди факторов сезонного цикла были обнаружены значительные коэффициенты корреляции. Летом высокие уровни КХЛ были в основном обнаружены в западных СКК. Вместо сезонной зависимости регион был высокодинамичен, и факторы, существенно коррелированные в аномальных областях, так что необычно высокие уровни КХЛ были связаны с аномально сильными ветрами и интенсивной фронтальной деятельностью. В исследовании представлена пошаговая процедура использования спутниковых наблюдений для описания основных параметров и их взаимосвязи в сезонных и аномальных областях. Этот метод может быть применен к другим глобальным океанам и будет полезен для понимания морской динамики.

Introduction

Технология дистанционного зондирования предлагает большие наборы данных с большими пространственными масштабами и длительными периодами для описания морской среды. С увеличением пространственного разрешения спутников, подробные функции в настоящее время решены из регионального масштаба в несколько сотенметров 1,2. Улучшение понимания морской динамики может быть достигнуто с помощью большинства обновленных спутниковыхнаблюдений 3.

Благодаря включению нескольких датчиков на платформе дистанционного зондирования возможно всестороннее описание различных параметров. Температура поверхности моря (SST) является основным параметром, который наблюдается уже более полувека4. В последнее время стали доступны наблюдения за хлорофиллом поверхности моря (CHL) и могут быть использованы для описания морской продуктивности5. Спутники Altimetry используются для измерениявысоты поверхности моря 6,7, что тесно связано с мезомасштабной эдди деятельности в глобальном океане8,9. В дополнение к вихрям, фронтальная деятельность также имеет важное значение для воздействия на региональную динамику и первичноепроизводство 10.

Основное внимание в текущем исследовании уделяется поиску стандартной процедуры описания пространственного распределения и временных изменчивостей различных факторов океана. В этом методе анализируются SST, CHL, SSH и фронт-данные, полученные из градиентов SST, для определения закономерностей. В частности, КХЛ используется для представления продуктивности океана, и вводится метод исследования взаимосвязи между КХЛ и другими параметрами океана. Для проверки метода был использован период времени, в период с октября 2002 года по сентябрь 2017 года в южно-китайском море, для изучения всех параметров. Этот метод может быть легко использован для других регионов по всему миру для захвата основных моделей океана и изучения того, как морская динамика влияет на экосистему.

Из-за относительно высокого уровня охвата спутниковыми наблюдениями регионом исследования было назначено южно-китайское море ( SCS). SCS изобилует солнечной радиацией; Таким образом, КХЛ в основном определяется наличием питательных веществ11,12. С большим количеством питательных веществ, транспортируется в эвфотический слой, уровень КХЛ можетувеличиться на 13. Смешивание, вызванное ветром, может ввести питательные вещества в поверхность океана и повысить CHL14. В SCS доминирует система муссонного ветра, которая определяет динамику и экосистему в регионе. Муссонный ветер самый сильный зимой15. Летом ветры меняют направление, а скорость ветра значительно слабее, чем зимой16,17. Интенсивность ветра может определить прочность вертикального смешивания, так что глубина смешанного слоя (MLD) углубляется по мере того, как ветер усиливается зимой и становится мельче по мере уменьшения ветралетом 18. Таким образом, больше питательных веществ транспортируется в эвфотический слой в зимний период,когда ветер сильный 19 и КХЛ достигает своейвысшей точки года 20,21.

В дополнение к ветру, MLD также может быть определена с использованием других факторов, таких как SST и аномалии уровня моря (SLAs), которые в конечном итоге влияют на содержание питательных веществ и CHL22. Зимой слабый вертикальный градиент ассоциируется с низкими температурами на поверхности20. Соответствующий MLD является глубоким и больше питательных веществ могут быть транспортированы вверх; таким образом, CHL в поверхностном слое высок17. Растущие различия в уровнях КХЛ можно отнести к мезомасштабным вихрям, которые вызывают вертикальный транспорт и смешивание23. Upwelling обычно находится в циклонических вихрей, связанных с депрессией SLAs8,9 и повышенные концентрации КХЛ24. Downwelling обычно находится в антициклональных вихрей, связанных с повышенными SLAs8,9 и депрессии концентрации КХЛ24. Для других сезонов, MLD становится мелкой, и смешивание становится слабым; таким образом, низкий уровень КХЛ можно наблюдать на протяжении большей части бассейна25. Сезонные циклы уровней КХЛ впоследствии преобладают в регионе26.

В дополнение к смешиванию, фронты и связанные с ними прибрежные upwelling может еще больше модулировать КХЛ. Фронт, который определяется как граница различных водных масс, имеет важное значение для определения региональной циркуляции и экосистемыответы 27. Фронтогенез обычно ассоциируется с прибрежным upwelling и конвергенции28,29, которые могут вызвать питательные вещества и поднять рост фитопланктона30. Были разработаны различные алгоритмы для автоматического определения фронтов спутниковых наблюдений, включая гистограмму и градиентные методы SST. Последний подход принят в данном исследовании28.

Корреляция тайм-рядов между КХЛ и различными факторами дает большую информацию для количественной оценки их взаимосвязи. В настоящем исследовании содержится всеобъемлющее описание того, как использовать спутниковые наблюдения для выявление региональной морской динамики, связанной с производительностью. Это описание может быть использовано в качестве руководства для изучения поверхностных процессов в любой части океана. Структура этой статьи включает в себя пошаговой протокол, за которым следуют описательные результаты в тексте и цифрах. Впоследствии обсуждается применимость в дополнение к плюсам и минусам метода.

Protocol

1. Приобретение набора данных ССТ и КХЛ Загрузите набор данных спутниковых наблюдений для SST и CHL из MODIS-Aqua (podaac-tools.jpl.nasa.gov/), где пространственное разрешение обоих наборов данных составляет примерно 4,5 км с ежедневными интервалами.ПРИМЕЧАНИЕ: Структура каталогов и данных, следуя примеру папки скриптов, доступных в дополнительных файлах. Храните файлы .nc спутниковых данных в папке «Данные». Добавьте путь к набору инструментов NetCDF в программном обеспечении анализа (т.е. MATLAB). Выберите Добавить с субфолдерами, чтобы приложить пути папки “UTILITIES” и ее субфолдеров. Определите промежуток времени. Для поддержания согласованности между различными наборами данных используйте один и тот же промежуток времени для всех параметров. Отрегулируйте промежуток времени в зависимости от временного охвата и используйте самый длинный период наблюдения среди различных наборов данных. Для этого протокола загрузите данные за 15 лет с октября 2002 года по сентябрь 2017 года. Определите пространственное покрытие.ПРИМЕЧАНИЕ: Разработанная область исследования находится между 105 и 123 “E и между 0” и 25 “N. Проверьте инструкции по предварительной обработке. Прочитайте инструкции в файлах .nc относительно требований к предварительной обработке данных SST и CHL (например, требуется ли масштабирование).ПРИМЕЧАНИЕ: Загруженный набор данных уже исключает данные по суше и в пределах 5 км от береговой линии, а также загрязненные облаками. Загрузите данные SST и CHL в программное обеспечение для анализа. Вв Read_MODIS_SST в командное окно для чтения данных SST. Аналогичным образом, Read_MODIS_CHL в командном окне для чтения данных КХЛ. Преобразование данных КХЛ логаритмически, потому что они имеют журнал нормального распределения31.ПРИМЕЧАНИЕ: Загруженные переменные включают SST и CHL в трех измерениях, представляющих meridional местоположение, зональное местоположение, и время в днях, соответственно. Диапазон SSTs составляет от -2 до 44, а диапазон КХЛ составляет от 0,01 до 20. Аномалия уровня моря (SLA) Скачать ежедневные данные SLA с 25 км пространственного разрешения с 2002-201732.ПРИМЕЧАНИЕ: СЛА описывают разницу между наблюдаемой высотой поверхности моря и средней высотой поверхности моря в течение 20 лет (1993–2012 годы) для соответствующего пикселя. Данные ОАС обрабатываются SSALTO/DUACS и распространяются путем архивирования, проверки и интерпретации спутниковых океанографических данных (AVISO, https://www.aviso.altimetry.fr). Загрузите данные в программное обеспечение для анализа. Загрузите данные SLA за один день, введя Read_SLA в командное окно.ПРИМЕЧАНИЕ: Папка «Данные» в дополнительных файлах содержит только один образец datum в скрипте для иллюстрации. Скорость ветра Получить информацию о ветре из продукта повторного анализа ERA-Interim, который является глобальным набором данных атмосферного повторного анализа, разработанным Европейским центром среднесрочных прогнозов погоды (ECMWF)33. Скачать данные о ветре за тот же период (октябрь 2002-сентябрь 2017 года) для поддержания согласованности с данными КХЛ и SST.ПРИМЕЧАНИЕ: Набор данных о ветре имеет пространственное разрешение около 25 км и интерполировался из исходного набора данных с пространственным разрешением около 0,7 “. Загрузите данные в программное обеспечение для анализа. Вв Read_WindVector в командное окно для чтения данных о ветре за один месяц. Рассчитайте среднее ежемесячное среднее, усреднение исходных данных, которое составляет 6 часов интервалов. Топография Скачать топографические данные высокого разрешения с веб-сайта Национальных центров экологической информации (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). Пространственное разрешение составляет 2 км. Получить данные ETOPO1 для основы в формате XY для выбранного региона исследования. Загрузите данные в программное обеспечение для анализа. Вв Read_topography в командное окно для загрузки топографические данные в программное обеспечение для анализа. 2. Предварительная переработка данных Временное среднее значение Благодаря большому облачному охвату данных SST и CHL, замените исходные данные на 3-дневные средние данные. Для этого после запуска скриптов Read_MODIS_SST.m и Read_MODIS_CHL.m (шаг 1.1.5) ввемите Temporal_average в командное окно для запуска скрипта. Интерполяция в ту же сетку Поскольку пространственное разрешение не соответствует различным наборам данных, интерполировать данные SST и CHL в пространственную сетку, которая такая же, как и пространственная сетка ветра и SLA, прежде чем делать сравнения. После запуска Temporal_average.m и Read_WindVector.m скриптов ввемите Interpolation_grid в командное окно для запуска скрипта. Ветер стресс и ветер стресс локон Тип Wind_stress_curl в командном окне для расчета ветрового напряжения (WS) и завитки ветрового стресса (WSC) с использованием следующих уравнений:где вектор скорости ветра; является WS в том же направлении, что и вектор ветра; и WS в восточном и северном направлениях, соответственно; является плотность воздуха (равна 1,2 кг/м3);и C является коэффициентом сопротивления (значение 0,0015 используется) при нейтральныхусловиях стабильности 34. Среднемесячные показатели Рассчитайте ежемесячную серию времени SST, wind и SLA как 30-дневные средние показатели в каждом пикселе, введя Monthly_average для запуска скрипта. Из-за высокой скорости облачного покрытия используйте 60-дневный средний показатель в качестве месячной серии времени для КХЛ, включая 30 дней до 30дней после 15-го дня месяца. 3. Обнаружение передней панели SST Пространственное сглаживание Вв Spatial_smoothing для запуска скрипта, чтобы усредняя трехдневные данные SST в каждом пикселе.ПРИМЕЧАНИЕ: В данных SST было выявлено большое количество шума. Таким образом, данные были сглажены с 3 х 3 пространственного среднего. При наличии данных в исходных 3-дневных усредных данных пространственные усреднные данные были установлены как недоступные. Градиент SST Тип SST_gradient для запуска скрипта для расчета зональных и меридиональных градиентов SST (т.е. Gx и Gy,соответственно) в качестве разницы SST между ближайшими двумя пикселями, разделенными соответствующим расстоянием через уравнение (3). Используйте полученный вектор градиента для расчета общего градиента G в качестве масштабируемого следующего уравнения (4). Местный максимум Определите переднюю часть, проверяя значение градиента SST: отметь пиксель как потенциальный фронтальный пиксель, если значение больше назначенного порога. Только поддерживать локальный максимальный пиксель в том же направлении перпендикулярно направление градиента, если есть связанные пиксели со значениями больше порога. Здесь, определить порог как 0,035 КК / км после бывшихисследований 10,28.ПРИМЕЧАНИЕ: Соответствующий скрипт ‘Local_maximum.m’доступен в дополнительных файлах. Ежемесячная фронтальная вероятность (FP)ПРИМЕЧАНИЕ: Фронтальная вероятность (FP) описывает вероятность наблюдения фронта. Рассчитайте FP в течение определенного промежутка времени (в данном случае месячный интервал), введя Monthly_FP для запуска скрипта. Разделите возникновение фронтов на каждом пикселе в течение тайм-окна на количество дней, свободных от облаков. 4. Пространственная и временная изменчивость Сезонный цикл Рассчитайте сезонные циклы различных факторов, как средние показатели разных сезонов. Определите сезоны следующим образом: зима с декабря по февраль, весна с марта по май, лето с июня по август, а осень с сентября по ноябрь.ПРИМЕЧАНИЕ: Сезонный цикл не показан в данном исследовании; вместо этого используется следующий метод для объяснения пространственной и временной изменчивости. Эмпирическая ортогональная функция (EOF) Удалите среднее время и недоступные пиксели. Перед проведением EOF вычесть общее среднее значение по каждому пикселю и исключить места, где недостающие наблюдения превышают 20% из-за облачного покрытия. Загрузите данные, введя нагрузку (‘Monthly_data_for_EOF.mat’) в командное окно. Примените EOF для описания пространственной и временной изменчивости различных параметров. Ввись Empirical_orthogonal_function.m для запуска скрипта для расчета величины (Mag), eigenvalues (Eig) и амплитуды (Amp) EOFs для набора данных (т.е. тайм-ряда среднемесячных SST, ветрового стресса, завитка ветрового стресса, CHL и FP).ПРИМЕЧАНИЕ: Функция разлагает ежемесячные временные ряды на различные режимы, которые состоят из пространственных и временных закономерностей, а дисперсия, объясняется каждым режимом, уменьшается с увеличением числа режимов. 5. Межкорреляция Корреляция в сезонном масштабе Рассчитайте корреляции между двумя факторами, используя их серию времени на каждом пикселе, Seasonal_correlation для запуска скрипта. Поскольку сезонный цикл не удаляется, проверьте значение корреляции для всех корреляций. Корреляция аномального поля Рассчитайте корреляцию между ежемесячными аномалиями КХЛ и другими факторами, такими как SST, WS, фронты и SLAs. Получить ежемесячные аномалии (т.е. отклонение от среднего состояния) путем вычитания общего среднего за соответствующий месяц из месячной серии времени. Вв Anomalous_correlation для запуска скрипта и получения корреляций. 6. Отображение информации и расчетные отношения Отображение спутниковой информации. Тип Sat_SCS_Fig3457 для запуска скрипта для создания демонстрации спутниковой информации, включая SST, CHL и фронтальные дистрибутивы. Установите текущую папку как “скрипты”, где находятся данные Sat_SCS_data.mat”.ПРИМЕЧАНИЕ: Рисунок 1, Рисунок 2, Рисунок 3, и рисунок 4 показать SST, КХЛ, фронты, ветер, и топография для выбранной даты в качестве примера. Отобразить результат EOF, введя Sat_SCS_Fig890.m для запуска скрипта.ПРИМЕЧАНИЕ: Рисунок 5, Рисунок 6, и рисунок 7 описывают пространственную величину, среднемесячный, и временной ряд первых двух режимов для КХЛ, SST, и фронтов, соответственно. Рассчитайте взаимосвязь между КХЛ и другими факторами в сезонных временных масштабах и для аномальных полей, Sat_SCS_Fig1112.m для запуска скрипта. Получить карту корреляции сезонных изменчивостей(рисунок 8)и аномалий(рисунок 9).

Representative Results

Пространственные и временные модели морской поверхности КХЛ в СКК были описаны с помощью спутниковых наблюдений. Спутниковая информация для КХЛ(рисунок 1A)и SST(рисунок 1B) может быть загрязнена облачным покрытием, в результате чего значительная часть данных не может быть использована. Повторное воздействие ветра (рисунок1C) и SLA(рисунок 1D) данные не были повлияны на ежедневные облака. Топография(рисунок 1E) имела заметное влияние на пространственное распределение КХЛ. Высокий КХЛ был в основном распределен вдоль побережья, где топография неглубокая. Ветер также был под влиянием орографии, и подветренная сторона гор характеризовалась слабым ветром; таким образом, видный WSC был определен к юго-западу от SCS. В отличие от этого, SAS не сильно зависит от топографии, и область необычно высоких SLAs был найден в бассейне SCS. Рисунок 1: Первоначальные наблюдения по основным параметрам 15 апреля 2015 года.(A) Хлорофилл поверхности моря (CHL), (B) температура поверхности моря (SST), (C) завиток усилия ветра (WSC, затенение) с усилием ветра (WS, вектор), ( D )аномалияповерхности моря, и (E) топография для бассейна океана. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры. Из-за серьезного воздействия облаков на спутниковые наблюдения многие данные были либо недоступны, либо пространственно несовместимы. Был применен эффективный и эффективный метод для заполнения некоторых пробелов в данных и сглаживания поля. Данные были сначала заменены на 3-дневный средний на каждый пиксель, который может эффективно заполнить некоторые пробелы, потому что облака меняютсяежедневно (рисунок 2B). Пространственное среднее значение далее применялось на каждом пикселе таким образом, чтобы данные были заменены средним значением окружающих значений (3 x 3 пикселя). Таким образом, пространственная несогласованность была значительно уменьшена(рисунок 2C). Рисунок 2: SST за один день 15 апреля 2015 года.(A) Оригинальный SST от MODIS, (B) трехдневный усреднный SST, и (C) SST после пространственного сглаживания. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры. Ежедневное распределение фронтов SST было получено из градиентов SST(рисунок 3A). Пороги, применяемые здесь, эффективно захватили расположение фронта(рисунок 3B) и обеспечили изображение границ целых водных масс(рисунок 3C). Градиенты и фронты были почти идентичны, потому что фронт был в основном получен из градиента. Рисунок 3: Процедура переднего обнаружения, полученная из SST.(A) Величина градиента SST, (B) распределение фронтов SST в тонких черных линиях, и (C) переднее распределение на основе соответствующих градиентов SST. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры. Из-за облачного покрытия в CHL, SST и передних данных, среднемесячные серии времени были рассчитаны и применены в данном исследовании. Случайный пример приведен на рисунке 4 за апрель 2015 года. Ни по одному из параметров не существует пробела. Общие закономерности для различных параметров были весьма последовательными в отношении их пространственной дисперсии. Например, КХЛ была высокой вблизи побережья и низкой в центральном бассейне, в то время как SST был низким вблизи побережья и высоко в центральном бассейне. Среднемесячный показатель предлагает исчерпывающую информацию, с тем чтобы изобразить региональные особенности. Фронты в основном распределялись вдоль побережья, где динамика сложная. Большая часть бассейна была свободна от фронтов; таким образом, центр SCS характеризовался значением, близким к нулю(рисунок 4E). Рисунок 4: Среднемесячный показатель по основным параметрам в апреле 2015 года.(A) CHL (в шкале логаритма), (B) SST, (C) WSC (затенение) с WS (вектор), (D) аномалия поверхности моря, и (E) фронтальная вероятность (FP). Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры. Большинство поверхностных особенностей характеризовались заметной сезонной изменчивостью, которая была четко замечена с использованием ЭОФ. EOF является полезным математическим методом, который широко используется в атмосферных и морских науках. Метод может разграничить пространственные закономерности и временные сигналы временных рядов над пространственнымидоменами 28. После spatiotemporal разложения для особенностей поверхности моря в SCS, первые два режима, как правило, необходимы для описания пространственной и временной изменчивости. Первые два EOFs для КХЛ описал 44% и 12% от общей дисперсии, соответственно. EOF1 зафиксировал большую дисперсию в северной части SCS(рисунок 5A). Соответствующий среднемесячный показатель тайм-ряда(рисунок 5C)показал, что КХЛ была повышена зимой и подавлена летом. Район, на данный момент на юго-западном побережье, характеризуется слабой величиной, и соответствующая изменчивость была в основном захвачена EOF2(рисунок 5B). Значения КХЛ были высокими летом и низкими зимой. Это было в основном вне фазы по сравнению с северной частью. Ежемесячные серии времени для EOFs показали явную сезонную изменчивость, и EOF2 привело EOF1 примерно на 4 месяца(рисунок 5E). Рисунок 5: EOF для КХЛ.(A) Величина EOF1, (B) величина EOF2, (C) среднемесячные серии времени для EOF1, (D) среднемесячный серию времени для EOF2, и (E) ежемесячные серии времени EOF1 (черный) и EOF2 (синий). Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры. Объясненная дисперсия в первых двух EOFs для SST была заметно высокой, равняясь 91% и 5% для EOF1 и EOF2, соответственно. Важно подчеркнуть, что общее среднее значение должно быть удалено до проведения EOF; таким образом, среднее поле было исключено. EOF1 доминировали общей дисперсии, и его величина была крупнейшей в северной SCS и уменьшилась на юг (Рисунок 6A). Соответствующий среднемесячный показатель тайм-ряда(рисунок 6C)показал, что SST был повышен летом и подавлен зимой. Для южного SCS характерна слабая величина, связанная с постоянными высокими температурами в низких широтах. Вариабельность в южной части была в основном захвачена EOF2(рисунок 6B). Соответствующий SST был повышен в период с марта по июнь, в то время как низкие значения сохранялись в оставшиеся месяцы. Заметное потепление произошло в 2010 и 2016 годах, когда SST у побережья к юго-западу от SCS был намного выше, чем в другие годы(рисунок 6E). Эта межгодовая изменчивость в основном объясняется явлениями Эль-Ниньо, которые уменьшают юго-западный летний муссон и приводят к слабому upwelling12. Поскольку сезонная изменчивость является основным направлением текущего исследования, эта функция не обсуждается далее. Рисунок 6: EOF для SST.(A) Величина EOF1, (B) величина EOF2, (C) среднемесячные серии времени для EOF1, (D) среднемесячные серии времени для EOF2, и (E) ежемесячные серии времени EOF1 (черный) и EOF2 (синий). Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры. Из-за шумного характера градиента, производный фронт объяснил гораздо меньше дисперсии. Действительно, EOF1 и EOF2 FP только объяснил 19% и 9% от общей дисперсии, соответственно. EOF1 захватил дисперсии на севере и северо-востоке SCS(рисунок 7A). Соответствующий среднемесячный показатель тайм-ряда(рисунок 7C)показал, что в этих регионах больше FP произошло в зимний период и меньше в летнее время. Фаза у побережья к юго-западу от SCS была противоположной, хотя соответствующая изменчивость была гораздо менее заметной. EOF2 захватил весеннее повышение FP(рисунок 7D) в западной SCS (Рисунок 7B). Ежемесячные серии времени EOF1 и EOF2 характеризовались слабой межгодовой изменчивостью. Рисунок 7: EOF для FP.(A) Величина EOF1, (B) величина EOF2, (C) среднемесячные серии времени для EOF1, (D) среднемесячные серии времени для EOF2, и (E) ежемесячные серии времени EOF1 (черный) и EOF2 (синий). Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры. Различные факторы были исследованы для их отношений с КХЛ(рисунок 8). Например, SST может быть использован для понимания фундаментальных особенностей океана, которые могут влиять на темпы роста фитопланктона и впоследствии влиять на CHL. Для большинства SCS, были высокие корреляции между SST и КХЛ(рисунок 8A), и большинство корреляций достигло более -0,8. Важно отметить, что высокая корреляция не указывает на причинно-следственную связь между этими двумя факторами. Как SST достигла своего годового максимума летом, MLD стал мелкой21. Питательные вещества, поставляемые в эвфотический слой, были низкими, потому что вертикальное смешивание было заблокировано интенсивнымрасслоением 13. В результате низкие питательные вещества ограничили темпы роста фитопланктона и привели к низкому уровень КХЛ. В отличие от этого, высокий CHL произошло зимой, когда MLD был глубже, и низкий SST вызвало слабоерасслоение 35. Рисунок 8: Корреляции между КХЛ и другими факторами в сезонном масштабе.(A) SST,(B) WS, (C) WSC, (D) FP, и (E) SLA. Серый цвет указывает на то, что корреляция не является незначительной. Пространственно усредненные переменные рассчитываются на основе зеленой коробки в панели А. Их серии времени используются для получения коэффициентов корреляции в таблице 1. Эта цифра была изменена с Yu et al.17. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры. Ветер управляемых смешивания может быть примерно измеряется WS и был использован для описания вертикального смешивания18. Большие коэффициенты корреляции, значения около 0,8, были определены между уровнями WS и CHL к северу от SCS(рисунок 8B),особенно в регионах с самым сильным зимним ветром, расположенным на северном шельфе SCS. Слабые, но значительные корреляции были обнаружены на юге. Корреляции между WSC и CHL были значительными в большинстве SCS(рисунок 8C), хотя они показали противоположные тенденции на севере и юге. Положительный коэффициент корреляции между КХЛ и ВСК был выявлен на юге, при этом отрицательные значения были на севере. Корреляция между ними в регионе была неявной. Было установлено, что WS и CHL сильно коррелируют в соответствующем регионе, где зимняя WS была самой большой. Фронты также могут вызвать изменчивость КХЛ. Большая корреляция была обнаружена на северо-востоке и юго-западе SCS(рисунок 8D). КХЛ увеличилась по мере того, как фронтальная активность становилась всеболее активной 36. SLA показал значительную отрицательную корреляцию с CHL от северо-восточного SCS к юго-западу и положительную корреляцию вдоль западного побережья SCS (Рисунок 8E). Интересно отметить, что положительная корреляция была ограничена регионом с мелкой топографией. К северо-востоку от SCS, все корреляции были большими(рисунок 8). Таким образом, корреляции месячных временных рядов между КХЛ и другими параметрами рассчитывались с использованием пространственного среднего показателя в назначенномполе (рисунок 8A),и большинство факторов были взаимосвязаны со значительными корреляциями (верхний правый раздел таблицы 1). Поскольку сезонный цикл доминировал в серии времени, корреляция больше не была действительна после удаления среднемесячного показателя (внизу левого раздела таблицы 1). Чл-а Sst Ws Wsc Fp Sla Чл-а -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 Таблица 1: Коэффициенты корреляции тайм-ряда между факторами, расположенными к северо-востоку от SCS, например, SST (температура поверхности моря), FP (фронтальная вероятность), WSC (завиток ветрового стресса) и WS (ветровый стресс), используя коробку, показанную на рисунке 8A. Среднемесячные и аномалии отображаются в правом верхнем и левом нижнем разделах соответственно. Цифры жирным шрифтом и italics указывают на то, что корреляция не соответствует уровню доверия 95%. Таблица была изменена с Yu et al.17. Корреляции в сезонном цикле не были значительными для некоторых регионов, таких как юго-запад от SCS(рисунок 8). В регионе преобладают динамические процессы (например, на море и ветрогенерированный морской транспорт), которые определяют изменчивость в CHL17. Значительная корреляция между КХЛ и другими факторами (например, SST, WS, фронтами и WSC) была выявлена в аномальных полях(рисунок 9). Аномалии были рассчитаны для месячного временных рядов путем удаления соответствующего среднемесячного показателя. Эффективное число степеней свободы может быть увеличено, но предыдущие исследования показали, что это не влияет на основные отношения между ихтайм-серией 28,37. Рисунок 9: Корреляция между КХЛ и другими факторами в аномальных областях.(A) SST,(B) WS, (C) WSC, (D) FP, и (E) SLA. Серый цвет указывает на то, что корреляция не является незначительной. Пространственно усредненные переменные рассчитываются на основе зеленой коробки в панели A. Временной ряд используется для получения коэффициентов корреляции, показанных в таблице 2. Эта цифра была изменена с Yu et al.17. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры. В аномальных областях, КХЛ и SST были значительно коррелированы в большинстве SCS(рисунок 9A). Когда СТС были необычайно высоки, КХЛ стала необычайно низкой, и наоборот. Аналогичным образом, необычайно высокий WSC и фронтов к юго-западу от SCS индуцированных высоких уровней КХЛ, и наоборот (Рисунок 9C, 9D). Кроме того, была обнаружена отрицательная корреляция между уровнями SAS и CHL(рисунок 9E). Были протестированы различные лаги, и корреляция стала значительной только в том случае, если не было использовано запаздывания. Таким образом, на КХЛ одновременно повлияли аномалии в ССТ, ВСК и фронтах, а также в ОАС. Их отношения были дополнительно исследованы с использованием пространственно усредненные ежемесячные временной ряд к юго-западу от SCS, назначенный в качестве зеленого ящика на рисунке 9A. Результаты показывают, что большинство факторов были взаимосвязаны со значительными корреляциями в аномальном поле (нижняя левая часть таблицы 2). Чл-а Sst Ws Wsc Fp Sla Чл-а -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 Таблица 2: Коэффициенты корреляции тайм-ряда между факторами, расположенными к юго-западу от SCS, например, SST (температура поверхности моря), FP (фронтальная вероятность), WSC (завиток ветрового стресса) и WS (ветровый стресс), используя коробку, показанную на рисунке 9A. Среднемесячный показатель и аномалии показаны в правом верхнем и левом нижнем разделах соответственно. Цифры жирным шрифтом и italics указывают на то, что корреляция не соответствует уровню доверия 95%. Таблица была изменена с Yu et al.17. Дополнительные файлы. Пожалуйста, нажмите здесь, чтобы загрузить этот файл. 

Discussion

В этом исследовании основные особенности морских систем описаны с помощью спутниковых наблюдений. В качестве показательного фактора выбирается КХЛ, которая может использоваться для представления производства океана. Были исследованы факторы, связанные с изменчивостью КХЛ, с использованием среднемесячных тайм-рядов, например, SST, WS, WSC, FP и SLA. В этом исследовании описаны три важнейших шага: получение спутниковых данных по различным параметрам, описание их пространственной и временной изменчивости с помощью EOF и определение взаимосвязей между различными факторами путем расчета коэффициентов корреляции. Включается подробная процедура, показывающая идентификацию для ежедневного фронтального распределения, которая вытекает из наблюдений SST. Для обнаружения фронта SST разработаны два основных подхода: методградиента 10,38 и методгистограммы 39,40. Метод гистограммы основан на аналогичном диапазоне значений для SST, которые могут быть использованы для разделения водных масс на различные группы. Пиксели с значениями между различными группами, представляющими пиксель в переходной полосе, определяются как фронты. С другой стороны, метод градиента отделяет несколько относительно однородных водоемов как пиксели с большими значениями градиента. Сравнение исследование было проведено, и они обнаружили более низкие ложные ставки с помощью метода гистограммы и меньше пропущенных фронтов с использованием градиентногометода 41. В этом исследовании, градиент на основеметода 38 был принят после бывшихисследований 10,28. Алгоритм позволяет избежать переднего распада на несколько фрагментов края, позволяя величине уменьшиться до уровня ниже меньшего порога. В дополнение к набору данных, включенным здесь, аналогичный подход можно использовать и другие спутниковые наблюдения, такие, как индекс аэрозолей.

Большинство процедур может быть непосредственно применено в других регионах или наборах данных. Для изменения порога фронтального обнаружения может быть внесена модификация. Поскольку градиент SST в SCS сопоставим с Текущей системойвосточной границы 28,для текущего исследования были введены те же пороговые значения. Предыдущее исследование показало, что градиент SST из разных наборов данных может варьироватьсяв три раза 42, что делает метод как-то менее объективным. Существенные исследования исследовали фронтальную деятельность вокруг Мирового океана28,43. Наилучший подход к проверке фронтов заключается в том, чтобы сравнить их с наблюдениями на местах. Yao44 описал ежемесячное фронтальное распределение для SCS. Их результаты хорошо согласовылись с измерениями на месте. Общий градиент должен быть проверен и скорректирован, поскольку его значение может варьироваться в зависимости от пространственного разрешения и инструментов. В частности, порог должен быть обновлен при использовании другого набора данных SST. Базовое понимание региональной динамики имеет основополагающее значение для пониманияфронтогенеза 45,46,47. Сценарий переднего обнаружения может быть разработан отдельными авторами на основе описания в этой статье.

Спутниковая информация обеспечивает всестороннее понимание особенностей поверхности, и сравнение результатов с наблюдениями на местах может помочь в оценке достоверности. Однако спутниковые наблюдения ограничиваются поверхностью океана, что ограничивает применение для понимания вертикальной структуры водной колонки. В недавнем исследовании спутниковые наблюдения показали, что поверхность CHL увеличилась в 15 раз, но вертикальное интегрированное значение увеличилось только в 2,5 разав 48. Это различие было вызвано тем, что на поверхностное значение повлияли выбросы роста фитопланктона и мелководья МЛД, что привело к нереализуемому значению на поверхности. Таким образом, функция поверхности может не дать точного описания для всего столбца воды. Кроме того, влияние облачного покрытия ограничивает непрерывные наблюдения спутников. Таким образом, ежемесячные сроки рассчитываются по разным факторам за один и тот же период. Это гарантирует достоверность расчета корреляций между различными факторами. Однако кратковременные события, например, тайфуны, которые длятся от нескольких дней до недели, не будут решены.

По сравнению с предыдущими исследованиями, предлагаемый метод может предложить пространственную информацию на уровне пикселей, что может помочь оценить динамику более детально. Некоторые бывшие исследования усредили весь SCS как единое число и получили серию времени. Они обнаружили, что необычайно сильный WS и высокий SST может вызвать аномально высокий CHL16, который соответствует текущему результату. Однако пространственные различия в отношениях не были решены. В этом исследовании корреляция в масштабе бассейна между WS и CHL была слабой в аномальной области. Значительная корреляция была выявлена только для определенных областей, например, в центре SCS(рисунок 9B). Таким образом, текущий метод предлагает всеобъемлющее описание для изучения пространственных вариаций. Аналогичным образом, наблюдения с двух поплавков Bio-Argo были использованы и показали, что WSC не коррелирует с изменчивостьюCHL 20. Однако траектории двух поплавков расположены только в определенных регионах. В данном случае именно в группе корреляция между уровнем КХЛ и WSC не была существенной(рисунок 8D). Предлагаемый метод очень полезен для устранения пространственной зависимости между факторами, что является фундаментальной характеристикой глобального океана.

Таким образом, используемый здесь метод позволяет точно описать пространственное распределение и височную изменчивость объектов поверхности океана с помощью спутниковых наблюдений. С увеличением разрешения спутниковых наборов данных можно выяснять и исследованы более подробные функции, что позволяет получить общее представление о региональных особенностях, включая КХЛ, SST и SSH. Корреляция ежемесячных тайм-рядов между различными факторами может помочь в понимании их динамических отношений и потенциального воздействия наэкосистему 49. Поскольку корреляция может в значительной степени варьироваться в различных пространственных местах, предлагаемый метод предлагает подробное и всеобъемлющее описание. Аналогичный подход может применяться к любому океану во всем мире, что будет весьма полезно для улучшения понимания морской динамики и экосистем.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Поддержка Национальной программы ключевых исследований и разработок Китая (No 2016YFC1401601), Программы инноваций в области научных исследований и практики провинции Цзянсу (No. SJKY19_0415) при поддержке Фонда фундаментальных исследований для центральных университетов (No 2019B62814), Национального фонда естественных наук Китая (No 41890805, 41806026 и 41730536) и совместных передовых морских и экологических исследований в Бенгальском заливе и восточной экваториальной части Индийского океана были в значительной степени признаны. Авторы высоко оценивают предоставление данных из источников, включая Национальное управление по аэронавтике и исследованию космического пространства (НАСА), Европейский центр среднесрочных прогнозов погоды (ECMWF), Службу морского и экологического мониторинга Коперника (CMEMS) и Национальное управление океанических и атмосферных исследований (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)

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

Cite This 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