Summary

Deniz Yüzeyklorofili ve Güney Çin Denizi'nin Başlıca Özellikleri Ile Uydu Bilgileri Arasındaki İlişkinin Araştırılması

Published: June 13, 2020
doi:

Summary

Deniz yüzeyi klorofil, sıcaklık, deniz seviyesi yüksekliği, rüzgar ve uydu gözlemlerinden elde edilen veya elde edilen ön veriler okyanusu karakterize etmek için etkili bir yol sunar. Sunulan, bölgesel dinamikleri ve ekosistemleri tam olarak anlamak için genel ortalama, mevsimsel döngü ve korelasyon analizleri de dahil olmak üzere bu verilerin kapsamlı bir şekilde incelenmesi için kullanılan bir yöntemdir.

Abstract

Uydu gözlemleri, deniz yüzeyi klorofili (CHL), deniz yüzey sıcaklığı (SST), deniz yüzey yüksekliği (SSH) ve bu parametrelerden (örn. ön cepheler) elde edilen faktörler dahil olmak üzere başlıca deniz parametrelerinin özelliklerini araştırmak için harika bir yaklaşım sunar. Bu çalışma, önemli parametreleri ve bunların mevsimsel ve anormal alanlardaki ilişkilerini tanımlamak için uydu gözlemlerini kullanmak için adım adım bir prosedür göstermektedir. Bu yöntem, Güney Çin Denizi’nin (SCS) yüzey özelliklerini tanımlamak için kullanılan 2002-2017 uydu veri kümeleri kullanılarak gösterilmiştir. Bu çalışmada bulut kapsama alanı nedeniyle aylık ortalama veriler kullanılmıştır. Ampirik ortogonal fonksiyon (EOF) farklı faktörlerin mekansal dağılımı nı ve zamansal değişkenliklerini tanımlamak için uygulanmıştır. Muson rüzgarı havzadaki değişkenliğe hükmeder. Böylece, yeniden analiz veri setinden gelen rüzgar, itici gücünü farklı parametreler üzerinde araştırmak için kullanılmıştır. CHL’deki mevsimsel değişkenlik belirgindi ve SCS’nin çoğunda diğer faktörlerle anlamlı olarak ilişkiliydi. Kışın, güçlü bir kuzeydoğu muson havzası boyunca derin bir karışık tabaka ve klorofil yüksek düzeyde neden olur. Mevsimsel döngüdeki faktörler arasında anlamlı korelasyon katsayıları bulundu. Yaz aylarında, yüksek CHL düzeyleri çoğunlukla batı SCS bulundu. Mevsimsel bağımlılık yerine, bölge son derece dinamikti ve anormal alanlarda ki anormal derecede yüksek CHL düzeylerinin anormal derecede güçlü rüzgarlar ve yoğun frontal aktivitelerle ilişkili olduğu gibi faktörler önemli ölçüde ilişkiliydi. Çalışma, önemli parametreleri ve bunların mevsimsel ve anormal alanlardaki ilişkilerini tanımlamak için uydu gözlemlerini kullanmak için adım adım bir prosedür sunmaktadır. Bu yöntem diğer küresel okyanuslara uygulanabilir ve deniz dinamiklerinin anlaşılmasında yararlı olacaktır.

Introduction

Uzaktan algılama teknolojisi, deniz ortamlarını tanımlamak için büyük uzamsal ölçeklere ve uzun sürelere sahip harika veri kümeleri sunar. Uyduların artan mekansal çözünürlüğü ile, ayrıntılı özellikler artık birkaç yüz metre1,2bölgesel ölçekte çözülür . Deniz dinamikleri geliştirilmiş bir anlayış en güncel uydugözlemleri ileelde edilebilir 3 .

Uzaktan algılama platformuna birden fazla sensör ekleyerek, farklı parametrelerin kapsamlı bir açıklaması mümkündür. Deniz yüzey sıcaklığı (SST) yarım yüzyıldan fazla4için gözlenen temel parametredir. Son zamanlarda, deniz yüzeyi klorofil-a (CHL) için gözlemler kullanılabilir hale gelmiştir ve deniz verimliliği tanımlamak için kullanılabilir5. Alinatuydular deniz yüzey yüksekliği ölçmek için kullanılır6,7, hangi kuvvetle küresel okyanusta mezoölçekli eddy faaliyetleri ile ilgili8,9. Eddies ek olarak, frontal faaliyetleri de bölgesel dinamikleri ve birincil üretim10etkileyen için önemlidir.

Mevcut çalışmanın ana odak noktası, farklı okyanus faktörlerinin mekansal dağılımını ve zamansal değişkenliklerini tanımlamak için standart bir prosedür bulmaktır. Bu yöntemde, SST gradyanlarından türetilen SST, CHL, SSH ve ön veriler desenleri belirlemek için analiz edilir. Özellikle, CHL okyanusun verimliliğini temsil etmek için kullanılır ve CHL ve diğer okyanus parametreleri arasındaki ilişkiyi araştırmak için bir yöntem tanıtıldı. Yöntemi doğrulamak için, Güney Çin Denizi’nde Ekim 2002 ile Eylül 2017 arasındaki süre tüm parametreleri incelemek için kullanılmıştır. Bu yöntem, büyük okyanus desenlerini yakalamak ve deniz dinamiklerinin ekosistemi nasıl etkilediğini keşfetmek için dünyanın diğer bölgeleri için kolayca kullanılabilir.

Güney Çin Denizi (SCS) uydu gözlemleri nispeten yüksek kapsama oranı nedeniyle çalışma bölgesi olarak belirlenmiştir. SCS güneş radyasyonu boldur; böylece, CHL esas olarak besin durumu11,12tarafından belirlenir. Daha fazla besin öforik tabaka içine taşınan ile, CHL düzeyleriartabilir 13. Karıştırma, rüzgar tarafından indüklenen, okyanus yüzeyine besin tanıtmak ve CHL artırabilir14. SCS, bölgedeki dinamikleri ve ekosistemi belirleyen muson rüzgar sistemi tarafından benzersiz bir şekilde hakimdir. Muson rüzgarı kış aylarında en güçlü15. Yaz aylarında, rüzgarlar yön ünü değiştirmek ve rüzgar hızları çok kışın bu16dahazayıf,17. Rüzgar yoğunluğu dikey karıştırma gücünü belirleyebilir, bu tür karışık tabaka derinliği (MLD) kışın rüzgar artar ve rüzgar yaz18azalır gibi sığ hale derinleşir . Böylece, daha fazla besin rüzgar güçlü olduğunda kış aylarında öforik tabaka içine taşınır19 ve CHL yılın en yüksek noktasına ulaşır20,21.

Rüzgara ek olarak, MLD de sst ve deniz seviyesi anomalileri (SLA), sonuçta besin içeriği ve CHL22etkisi gibi diğer faktörler kullanılarak tespit edilebilir. Kış aylarında, zayıf dikey degradeyüzey20düşük sıcaklıklar ile ilişkilidir. İlgili MLD derin ve daha fazla besin yukarı taşınabilir; böylece, yüzey tabakasında CHL yüksek17. CHL düzeylerinde artan bir varyasyon, dikey taşıma ve karıştırma neden mezoto eddies atfedilebilir23. Upwelling genellikle depresifSLa’lar ileilişkili siklonik eddies bulunur 8,9 ve yüksek CHL konsantrasyonları24. Downwelling genellikle yüksek SLA ile ilişkili antisiklonik eddieler bulunur8,9 ve depresif CHL konsantrasyonları24. Diğer sezonlar için, MLD sığ olur ve karıştırma zayıf olur; böylece, düşük CHL havzanın çoğunluğu üzerinde görülebilir25. CHL seviyelerinin mevsimsel döngüleri daha sonra bölge için baskın dır26.

Karıştırma ek olarak, cepheler ve ilişkili kıyı upwelling daha CHL modüle edebilirsiniz. Farklı su kütlelerinin bir sınırı olarak tanımlanan cephe, bölgesel dolaşım ve ekosistem tepkilerini belirlemek için önemlidir27. Frontogenez genellikle kıyı upwelling ve yakınsama ile ilişkilidir28,29, hangi besin indüklemek ve fitoplankton büyümesini yükseltmek30. Histogram ve SST gradyan yöntemleri de dahil olmak üzere uydu gözlemlerinden cepheleri otomatik olarak tanımlamak için farklı algoritmalar geliştirilmiştir. İkinci yaklaşım bu çalışmada28benimsenmiştir.

CHL ve farklı faktörler arasındaki zaman serisi korelasyon ilişkilerini ölçmek için büyük anlayışlar sunuyor. Mevcut çalışma, verimlilikle ilgili bölgesel deniz dinamiklerini ortaya çıkarmak için uydu gözlemlerinin nasıl kullanılacağına ilişkin kapsamlı bir açıklama sunmaktadır. Bu açıklama, okyanusun herhangi bir yerinde yüzey süreçlerini araştırmak için bir kılavuz olarak kullanılabilir. Bu makalenin yapısı, metin ve şekillerde açıklayıcı sonuçlar ardından bir adım adım protokolü içerir. Yöntemin artıları ve eksileri ek olarak uygulanabilirlik daha sonra tartışılır.

Protocol

1. Dataset toplama SST ve CHL Her iki veri kümesinin mekansal çözünürlüğünün günlük aralıklarla yaklaşık 4,5 km olduğu MODIS-Aqua’dan (podaac-tools.jpl.nasa.gov/) SST ve CHL uydu gözlemlerinin bir veri kümesini indirin.NOT: Ek Dosyalar’dabulunan örnek komut dosyaları klasörünü izleyerek dizinleri ve verileri yapıla. Uydu verilerinin .nc dosyalarını ‘Veri’ klasöründe saklayın. Analiz yazılımındaki (yani MATLAB) NetCDF araç kutusuna yolu ekleyin. ‘UTILITIES’ klasörünün ve alt klasörlerinin yollarını eklemek için alt klasörlerle Ekle’yi seçin. Zaman aralığını belirleyin. Farklı veri kümeleri arasında tutarlılığı korumak için tüm parametreler için aynı zaman aralığını kullanın. Zamansal kapsama göre zaman aralığını ayarlayın ve farklı veri kümeleri arasında en uzun gözlem süresini kullanın. Bu protokol için, Ekim 2002 ile Eylül 2017 arasında 15 yıllık verileri indirin. Uzamsal kapsama alanını belirleyin.NOT: Tasarlanan çalışma alanı 105°E ile 123°E arasında ve 0° ile 25°N arasındadır. Ön işleme yönergelerini kontrol edin. SST ve CHL verilerinin ön işleme gereksinimlerine ilişkin .nc dosyalarındaki talimatları okuyun (örn. ölçekleme gerekip gerekmediği).NOT: İndirilen veri seti, karadan ve kıyı şeridine 5 km mesafedeki verileri ve bulutlarla kirlenmiş verileri zaten hariç tutar. SST ve CHL verilerini analiz yazılımına yükleyin. SST verilerini okumak için komut penceresine Read_MODIS_SST yazın. Benzer şekilde, CHL verilerini okumak için komut penceresinde Read_MODIS_CHL yazın. Onlar bir günlük normal dağıtım31çünkü CHL veri logarithmically dönüştürün.NOT: Yüklenen değişkenler, sırasıyla meridyen konumunu, zonal konumu ve zamanı temsil eden üç boyutlu SST ve CHL’yi içerir. SST’lerin aralığı -2 ile 44 arasında, CHL aralığı ise 0,01 ile 20 arasındadır. Deniz seviyesi anomalisi (SLA) 2002-20173225 km uzamsal çözünürlük ile günlük SLA verilerini indirin.NOT: SLA’lar gözlemlenen deniz yüzey yükseklikleri ile 20 yıl (1993−2012) üzerindeki ortalama deniz yüzey yüksekliği arasındaki farkı ilgili piksel için tanımlar. SLA verileri SSALTO/DUACS tarafından işlenir ve Uydu Oşinografik Verilerin Arşivlenmesi, Doğrulanması ve Yorumlanması (AVISO, https://www.aviso.altimetry.fr) tarafından dağıtılır. Verileri analiz yazılımına yükleyin. Komut penceresine Read_SLA yazarak tek günlük SLA verilerini yükleyin.NOT: Tamamlayıcı Dosyalar’daki ‘Veri’ klasöründe yalnızca çizim için komut dosyasında yalnızca bir örnek datum bulunur. Rüzgar hızı Avrupa Orta Menzilli Hava Tahminleri Merkezi (ECMWF) tarafından geliştirilen küresel bir atmosferik reanalysis veri seti olan ERA-Interim reanalysis ürününden rüzgar bilgileri alın33. CHL ve SST verileriyle tutarlılığını korumak için aynı döneme ait rüzgar verilerini (Ekim 2002-Eylül 2017) indirin.NOT: Rüzgar veri seti yaklaşık 25 km uzamsal çözünürlüğe sahiptir ve orijinal veri setinden yaklaşık 0,7° uzamsal çözünürlüğe sahip olarak enterpolasyona tabidir. Verileri analiz yazılımına yükleyin. Bir aylık rüzgar verilerini okumak için komut penceresine Read_WindVector yazın. 6 saat aralıklarla orijinal verilerin ortalamasını alarak aylık ortalamayı hesaplayın. Topografya Ulusal Çevre Enformasyon Merkezleri web sitesinden (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/) yüksek çözünürlüklü topografya verilerini indirin. Uzamsal çözünürlük ~2 km’dir. Seçilen çalışma bölgesi için XYZ formatında ana kaya için ETOPO1 verilerini edinin. Verileri analiz yazılımına yükleyin. Topografya verilerini analiz yazılımına yüklemek için komut penceresine Read_topography yazın. 2. Veri önişleme Zamansal ortalama SST ve CHL verilerindeki büyük bulut kapsama alanı nedeniyle, orijinal verileri 3 günlük ortalama verilerle değiştirin. Bunu yapmak için, komut Read_MODIS_SST.m çalıştırdıktan ve komut Read_MODIS_SST.m çalıştırdıktan sonra Read_MODIS_CHL.m (adım 1.1.5), komut dosyasını çalıştırmak için komut penceresinde Temporal_average yazın. Aynı ızgaraya enterpolasyon Uzamsal çözünürlük farklı veri kümeleri için tutarlı olmadığından, karşılaştırma yapmadan önce SST ve CHL verilerini rüzgar ve SLA uzaysal ızgaraile aynı olan uzamsal bir ızgaraya enterpole edin. komut Temporal_average.m çalıştırdıktan ve komut Read_WindVector.m çalıştırdıktan sonra komut dosyasını çalıştırmak için komut penceresinde Interpolation_grid yazın. Rüzgar stresi ve rüzgar stresi kıvrılma Aşağıdaki denklemleri kullanarak rüzgar gerilimini (WS) ve rüzgar gerilimi kıvrılmasını (WSC) hesaplamak için komut penceresinde Wind_stress_curl yazın:rüzgar hız vektörü nerede; rüzgar vektörü ile aynı yönde ws; ve doğu ve kuzey yönünde WS, sırasıyla; hava yoğunluğu (1,2 kg/m3eşit); ve C sürükleme katsayısıdır (0.0015 değeri kullanılır) nötr stabilite koşulları altında34. Aylık ortalamalar Komut dosyasını çalıştırmak için Monthly_average yazarak aylık SST, rüzgar ve SLA zaman serilerini her pikseldeki ortalama30 günlük ortalamaolarak hesaplayın. Yüksek bulut kapsama oranı nedeniyle, chl için aylık saat serisi olarak 60 günlük ortalama kullanın, ayın15 gününden 30 gün önce 30 gün önce dahil. 3. SST ön algılama Uzamsal yumuşatma Komut dosyasını çalıştırmak için Spatial_smoothing yazın ve her pikseldeki üç günlük SST verilerini ortalamaya yazın.NOT: SST verilerinde büyük miktarda gürültü tespit edilmiştir. Böylece veriler 3 x 3 uzamsal ortalama ile düzeltildi. Orijinal 3 günlük ortalama verilerde veri olmadığında, uzamsal ortalama veriler kullanılamayan olarak ayarlandı. SST gradyanı Zonal ve meridyen SST degradelerini (sırasıyla Gx ve Gy, sırasıyla) hesaplamak için komut dosyasını çalıştırmak için SST_gradient yazın, en yakın iki piksel arasındaki SST farkı denklemi (3) üzerinden karşılık gelen uzaklık la bölünür. Toplam degrade, G, denklem (4) aşağıdaki skaler olarak hesaplamak için elde edilen degrade vektörü kullanın. Yerel maksimum SST gradyan değerini sınayarak bir ön tanım belirleyin: Değer belirlenmiş bir eşiğe göre daha büyükse pikseli potansiyel bir ön piksel olarak etiketle. Yerel maksimum pikseli yalnızca eşikten daha büyük değerlere sahip bağlı pikseller varsa, degrade yönüne dik olarak koruyun. Burada, eşik olarak tanımlayın 0.035 °C/km önceki çalışmalardan sonra10,28.NOT:’Local_maximum.m’ ile ilgili komut dosyası Ek Dosyalar’damevcuttur. Aylık ön olasılık (FP)NOT: Frontal olasılık (FP) bir ön gözlem olasılığını açıklar. Komut dosyasını çalıştırmak için Monthly_FP yazarak FP’yi belirli bir zaman aralığı (bu durumda aylık aralık) için hesaplayın. Bir zaman penceresi boyunca her pikseldeki ön lerin oluşumunu bulutsuz gün sayısına bölün. 4. Mekansal ve zamansal değişkenlik Mevsimsel döngü Farklı mevsimortalamaları olarak farklı faktörlerin mevsimsel döngüleri hesaplayın. Mevsimleri aşağıdaki gibi tanımlayın: Kış Aralık’tan Şubat’a, bahar Mart’tan Mayıs’a, yaz Haziran’dan Ağustos’a, sonbahar ise Eylül’den Kasım’a kadardır.NOT: Mevsimsel döngü bu çalışmada gösterilmez; bunun yerine mekansal ve zamansal değişkenliği açıklamak için aşağıdaki yöntem kullanılır. Ampirik ortogonal fonksiyon (EOF) Zamansal ortalamayı ve kullanılamayan pikselleri kaldırın. EOF’yi gerçekleştirmeden önce, her pikseldeki genel ortalamayı çıkarın ve bulut kapsama alanı nedeniyle eksik gözlemlerin ‘yi aştığı yerleri hariç tarayın. Komut penceresine load(‘Monthly_data_for_EOF.mat’) yazarak verileri yükleyin. Farklı parametrelerin mekansal ve zamansal değişkenliklerini açıklamak için bir EOF uygulayın. Veri kümesi için EOF’lerin büyüklüğünü (Mag), eigenvalues (Eig) ve genlik (Amp) hesaplamak için komut dosyası çalıştırmak için Empirical_orthogonal_function.m yazın (yani, aylık ortalama SST zaman serisi, rüzgar gerilimi, rüzgar gerilimi kıvırma, CHL ve FP).NOT: İşlev, aylık zaman serisini uzamsal ve zamansal desenlerden oluşan farklı modlara ayrıştırır ve her modda açıklanan varyans, artan mod sayısıyla azalır. 5. İlişkiler arası Mevsimsel ölçekte korelasyon Komut dosyasını çalıştırmak için Seasonal_correlation yazarak her pikselde zaman serilerini kullanarak iki faktör arasındaki korelasyonları hesaplayın. Mevsimsel döngü kaldırılmadığından, tüm bağıntılar için bağıntının önemini denetleyin. Anormal bir alanın korelasyon Aylık CHL anomalileri ile SST, WS, fronts ve SLA’lar gibi diğer faktörler arasındaki korelasyonları hesaplayın. Aylık anormallikleri (yani ortalama durumsapması) aylık zaman serisinden ilgili ayın genel ortalamasını çıkararak elde edin. Komut dosyasını çalıştırmak ve bağıntıları elde etmek için Anomalous_correlation yazın. 6. Bilgilerin görüntülenmesi ve ilişkilerin hesaplanması Uydu bilgilerini görüntüleyin. SST, CHL ve frontal dağılımları da dahil olmak üzere uydu bilgilerinin bir vitrinoluşturmak için komut dosyası çalıştırmak için Sat_SCS_Fig3457 yazın. Geçerli klasörü ‘Sat_SCS_data.mat’ verilerinin bulunduğu ‘komut dosyaları’ olarak ayarlayın.NOT: Şekil 1, Şekil 2, Şekil 3 ve Şekil 4, seçilen tarih için SST, CHL, önler, rüzgar ve topografyayı örnek olarak gösterir. Komut dosyasını çalıştırmak için Sat_SCS_Fig890.m yazarak EOF sonucunu görüntüleyin.NOT: Şekil 5, Şekil 6ve Şekil 7, sırasıyla CHL, SST ve önler için ilk iki modun uzamsal büyüklüğünü, aylık ortalamasını ve zaman serisini tanımlar. Komut dosyasını çalıştırmak için Sat_SCS_Fig1112.m yazarak, mevsimsel zaman ölçeklerinde ve anormal alanlar için CHL ve diğer etkenler arasındaki ilişkiyi hesaplayın. Mevsimsel değişkenlikler (Şekil 8) ve anomaliler için korelasyon haritasını edinin (Şekil 9).

Representative Results

SCS’deki deniz yüzeyi CHL’sinin mekansal ve zamansal desenleri uydu gözlemleri kullanılarak tanımlanmıştır. CHL (Şekil 1A) ve SST(Şekil 1B)için uydu bilgileri bulut kapsama alanı yla kirlenebilir ve bu da verilerin büyük bir bölümünün kullanılabilir olmamasıyla sonuçlanır. Yeniden analiz edilen rüzgar(Şekil 1C)ve SLA (Şekil 1D) verileri günlük bulutlardan etkilenmedi. Topografya(Şekil 1E)CHL’nin uzamsal dağılımı üzerinde belirgin bir etkiye sahipti. Rüzgar da orografi etkilenmiştir ve dağların lee tarafı zayıf rüzgar ile karakterize edildi; böylece, önemli bir WSC SCS güneybatısında tespit edildi. Buna karşılık, SLA’lar topografya çok bağlı değildi, ve alışılmadık yüksek SLA bölgesi SCS havzasında bulundu. Şekil 1: 15 Nisan 2015 tarihinde ki ana parametreler için orijinal gözlemler.(A) Deniz yüzeyi klorofil (CHL),(B) deniz yüzey sıcaklığı (SST), (C) rüzgar gerilimi kıvırma (WSC, gölgeleme) ile rüzgar gerilimi (WS, vektör),(D) deniz yüzey anomalisi ve (E) okyanus havzası için topografya. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Uydu gözlemleri üzerindeki ciddi bulut etkisi nedeniyle, pek çok veri mevcut değildi veya mekansal olarak tutarsızdı. Bazı veri boşluklarını doldurmak ve alanı düzeltmek için etkili ve verimli bir yöntem uygulandı. Veriler ilk olarak her pikselde 3 günlük ortalamayla değiştirildi ve bulutlar günlük olarak değiştiğinden bazı boşlukları etkili bir şekilde doldurabiliyor (Şekil 2B). Her piksele, verilerin çevreleyen değerlerin ortalaması (3 x 3 piksel) ile değiştirilmesi için uzamsal bir ortalama daha uygulandı. Böylece, uzamsal tutarsızlık büyük ölçüde azaltıldı (Şekil 2C). Şekil 2: 15 Nisan 2015 tarihinde tek bir gün için SST.(A) MODIS orijinal SST, (B) üç günlük ortalama SST, ve (C) SST mekansal yumuşatma sonra. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. SST cephelerinin günlük dağılımı SST gradyanlarından türetilmiştir (Şekil 3A). Burada uygulanan eşikler etkin bir şekilde ön(Şekil 3B)yerini yakalamış ve tüm su kütlelerinin sınırlarının tasvirini sağlamıştır(Şekil 3C). Degradeler ve cepheler neredeyse aynıydı çünkü ön cephe esas olarak degradeden elde edildi. Şekil 3: SST’den türetilen ön algılama prosedürü.(A) SST gradyan büyüklüğü, (B) ince siyah çizgiler içinde SST cephelerinin dağılımı ve (C) ilgili SST degradelerine göre ön dağılım. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. CHL, SST ve ön verilerdeki bulut kapsama alanı nedeniyle, aylık ortalama zaman serileri bu çalışmada hesaplandı ve uygulandı. Rasgele bir örnek, Nisan 2015 ayı için Şekil 4’te gösterilmiştir. Parametrelerin hiçbirinde varolan bir boşluk yoktu. Farklı parametreler için genel desenler son derece mekansal varyans açısından tutarlı idi. Örneğin, CHL kıyıya yakın yüksek ve merkezi havzada düşük iken, SST kıyıya yakın düşük ve merkezi havzada yüksek oldu. Aylık ortalama, bölgesel özellikleri göstermek için kapsamlı bilgiler sundu. Cepheler daha çok dinamiklerin karmaşık olduğu sahil boyunca dağıtıldı. Havzanın büyük bir kısmı cephelerden arındı; böylece, SCS’nin merkezi sıfıra yakın bir değerle karakterize edildi (Şekil 4E). Şekil 4: Nisan 2015’teki ana parametreler için aylık ortalama.(A) CHL (logaritma ölçeğinde), (B) SST,(C) WSC (gölgelendirme) ile WS (vektör), (D) deniz yüzey anomalisi ve (E) frontal olasılık (FP). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Yüzey özelliklerinin çoğu belirgin mevsimsel değişkenlik ile karakterize edilebildi ve bu özellik EOF’ler kullanılarak açıkça gözlenmiştir. EOF, atmosferik ve deniz bilimlerinde yaygın olarak kullanılan yararlı bir matematik yöntemidir. Yöntem uzaysal etki alanları28üzerinde zaman serisi mekansal desenler ve zamansal sinyalleri belirtebilirsiniz. SCS deniz yüzeyi özellikleri için spatiotemporal ayrışma sonra, ilk iki mod genellikle mekansal ve zamansal variabilities tanımlamak için gereklidir. CHL için ilk iki EOFs sırasıyla% 44 ve% 12 toplam varyans açıklanan. EOF1, SCS’nin kuzey kesiminde büyük bir fark yakaladı (Şekil 5A). Zaman serisinin aylık ortalaması(Şekil 5C)CHL’nin kış aylarında yükseldiğini ve yaz aylarında depresyonda olduğunu gösterdi. Güneybatı sahilinin yanındaki bölge zayıf büyüklük ile karakterize edildi ve buna karşılık gelen değişkenlik esas olarak EOF2(Şekil 5B)tarafından ele geçirildi. CHL değerleri yazın yüksek, kışın düşüktü. Bu daha çok kuzey bölümüne göre faz dışıydı. EOF’ler için aylık zaman serisi mevsimsel değişkenlik net gösterdi ve EOF2 yaklaşık 4 ay EOF1 açtı(Şekil 5E). Şekil 5: CHL için EOF.(A) Büyüklüğü EOF1, (B) büyüklüğü EOF2, (C) EOF1 için aylık ortalama zaman serisi, (D) EOF2 için aylık ortalama zaman serisi, ve (E) Aylık zaman serisi EOF1 (siyah) ve EOF2 (mavi). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. SST için ilk iki EOF’de açıklanan varyans belirgin bir şekilde yüksekti ve eof1 ve EOF2 için sırasıyla ve %5’e eşitti. EOF’yi yürütmeden önce genel ortalamanın kaldırılması gerektiğini vurgulamak önemlidir; böylece, ortalama alan dışlandı. EOF1 toplam varyans hakim ve büyüklüğü kuzey SCS en büyük ve güneye doğru azaldı(Şekil 6A). Zaman serisinin aylık ortalaması(Şekil 6C)SST’nin yaz aylarında yükseldiğini ve kış aylarında depresyonda olduğunu gösterdi. Güney SCS zayıf bir büyüklük ile karakterize edildi, düşük enlemlerde kalıcı yüksek sıcaklıklaratföden. Güney kesimindeki değişkenlik esas olarak EOF2(Şekil 6B)tarafından ele geçirilmiştir. İlgili SST Mart ve Haziran ayları arasında geliştirilirken, geri kalan aylarda düşük değerler devam etti. Belirgin ısınma 2010 ve 2016’da meydana geldi ve SCS’nin güneybatısındaki SST diğer yıllardan çok daha yüksekti(Şekil 6E). Bu yıllık değişkenlik esas olarak güneybatı yaz muson azaltmak ve zayıf upwelling12neden El Nino olaylara atfedilir. Mevsimsel değişkenlik mevcut çalışmanın ana odak noktası olduğundan, bu özellik daha fazla tartışılmadığından. Şekil 6: SST için EOF.(A) Büyüklüğü EOF1, (B) büyüklüğü EOF2, (C) EOF1 için aylık ortalama zaman serisi, (D) EOF2 için aylık ortalama zaman serisi, ve (E) Aylık zaman serisi EOF1 (siyah) ve EOF2 (mavi). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Degrade nin gürültülü doğası nedeniyle, türetilmiş ön varyans çok daha az açıkladı. Nitekim FP’nin EOF1 ve EOF2’si toplam varyansın sadece ‘u ve %9’u ile açıkladı. EOF1 kuzey ve kuzeydoğu SCS(Şekil 7A)varyansları ele geçirdi. Zaman serisinin ilgili aylık ortalaması(Şekil 7C)bu bölgelerde kışın daha fazla FP, yaz aylarında ise daha az fp meydana geldiğini göstermiştir. SCS’nin güneybatısındaki kıyı evresi tam tersi ydi, ancak buna karşılık gelen değişkenlik çok daha az belirgindi. EOF2, batı SCS ‘de FP(Şekil 7D)yay geliştirmesini(Şekil 7B)yakalamış ( Şekil 7B ). EOF1 ve EOF2’nin aylık zaman serisi zayıf yıllık değişkenlik ile karakterize edildi. Şekil 7: FP için EOF.(A) Büyüklüğü EOF1, (B) büyüklüğü EOF2, (C) EOF1 için aylık ortalama zaman serisi, (D) EOF2 için aylık ortalama zaman serisi, ve (E) Aylık zaman serisi EOF1 (siyah) ve EOF2 (mavi). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. CHL ile ilişkileri için farklı faktörler araştırıldı(Şekil 8). Örneğin, SST fitoplankton büyüme hızını etkileyebilir ve daha sonra CHL etkileyebilir okyanusun temel özelliklerini anlamak için kullanılabilir. SCS’lerin çoğunda SST ve CHL(Şekil 8A)arasında yüksek korelasyonlar saptandı ve korelasyonların çoğu -0.8’den fazlaya ulaştı. Yüksek korelasyonun bu iki faktör arasında nedensellik göstermediğini belirtmek önemlidir. SST yaz aylarında yıllık maksimum ulaştı, MLD sığoldu 21. Öforik tabakaya verilen besinler düşüktü çünkü dikey karıştırma yoğun tabakalaşma tarafından engellenmiştir13. Sonuç olarak, düşük besin fitoplankton büyüme oranını sınırlı ve düşük CHL sonuçlandı. Buna karşılık, yüksek CHL MLD daha derin olduğu kış meydana geldi ve düşük SST zayıf tabakalaşma neden35. Şekil 8: ChL ile mevsimsel ölçekteki diğer faktörler arasındaki korelasyonlar.(A) SST, (B) WS, (C) WSC, (D) FP ve (E) SLA. Gri renk, bağıntının önemsiz olduğunu gösterir. Uzamsal olarak ortalama değişkenler, Apanelindeki yeşil kutuya göre hesaplanır. Zaman serileri Tablo 1’dekikorelasyon katsayılarını elde etmek için kullanılır. Bu rakam Yu ve ark.17’dendeğiştirilmiştir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Rüzgar tahrikli karıştırma yaklaşık WS tarafından ölçülebilir ve dikey karıştırma tanımlamak için kullanılmıştır18. SCS’nin kuzeyinde yaklaşık 0,8 değere sahip büyük korelasyon katsayıları, özellikle SCS’nin kuzey rafında yer alan en güçlü kış rüzgarının bulunduğu bölgelerde , SCS’nin kuzeyindeki WS ve CHL seviyeleri(Şekil 8B)arasında tanımlanmıştır. Güneyde zayıf ama anlamlı korelasyonlar bulundu. WSC ve CHL arasındaki korelasyonlar SCS’nin(Şekil 8C)çoğunda anlamlıydı, ancak kuzey ve güneyde karşıt eğilimler gösterdiler. Güneyde CHL ve WSC arasında pozitif korelasyon katsayısı saptandı ve kuzeyde negatif değerler saptandı. Aralarındaki bölgede korelasyon önemli değildi. WS ve CHL’ nin, kış WS’ sinin en büyük olduğu ilgili bölgede güçlü bir şekilde ilişkili olduğu bulunmuştur. Ön cepheler de CHL değişkenliğini neden olabilir. SCS’nin kuzeydoğu ve güneybatısında büyük bir korelasyon bulunmuştur(Şekil 8D). FRONTal aktiviteler daha aktif hale geldikçe CHL arttı36. SLA, kuzeydoğu SCS’den güneybatıya doğru CHL ile anlamlı negatif korelasyon ve SCS’nin batı kıyısı boyunca pozitif korelasyon gösterdi(Şekil 8E). Bu pozitif korelasyonsığ topografya ile bölge ile sınırlı olduğunu belirtmek ilginçtir. SCS’nin kuzeydoğusunda tüm korelasyonlar büyüktü (Şekil 8). Böylece, CHL ve diğer parametreler arasındaki aylık zaman serilerinin korelasyonları belirlenen bir kutudaki uzamsal ortalama kullanılarak hesaplandı(Şekil 8A),ve faktörlerin çoğu anlamlı korelasyonlarla ilişkiliydi (Tablo 1’insağ üst bölümü). Mevsimsel döngü zaman serisini domine ettiği için, aylık ortalamakaldırıldıktan sonra korelasyon artık geçerli değildi (Tablo 1’insol alt bölümü). 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 Tablo 1: Şekil 8A’da gösterilen kutuyu kullanarak SCS’nin kuzeydoğusunda yer alan, örneğin SST (deniz yüzey sıcaklığı), FP (ön olasılık), WSC (rüzgar gerilimi kıvrılma) ve WS (rüzgar gerilimi) gibi faktörler arasındaki zaman serisinin korelasyon katsayıları. Aylık ortalamalar ve anomaliler sırasıyla sağ üst ve sol alt bölümde gösterilir. Kalın ve italik sayılar, korelasyonun güven düzeyini karşılamadığını gösterir. Tablo Yu ve ark.17’dendeğiştirilmiştir. Mevsimsel döngüdeki korelasyonlar, SCS’nin güneybatısı gibi bazı bölgeler için anlamlı değildi(Şekil 8). Bölge, CHL17’dekideğişkenliği belirleyen dinamik süreçler (örneğin, yukarı yönlü ve rüzgarın neden olduğu açık deniz taşımacılığı) hakimdir. Anormal alanlarda CHL ve diğer faktörler (örneğin, SST, WS, fronts ve WSC) arasında anlamlı bir korelasyon saptandı(Şekil 9). Anomaliler, ilgili aylık ortalama kaldırılarak aylık zaman serisi için hesaplanmıştır. Serbestlik derecelerinin etkili sayısı artırılabilir, ancak önceki çalışmalar onların zaman serisi28,37arasında altta yatan ilişkileri etkilemediğini göstermiştir . Şekil 9: Anormal alanlarda CHL ile diğer faktörler arasındaki korelasyon.(A) SST, (B) WS, (C) WSC, (D) FP ve (E) SLA. Gri renk, bağıntının önemsiz olduğunu gösterir. Mekansal ortalama değişkenler, A panelindeki yeşil kutuya göre hesaplanır. Bu rakam Yu ve ark.17’dendeğiştirilmiştir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Anormal alanlarda, ChL ve SST SCS çoğunda anlamlı olarak korelasyon saptandı(Şekil 9A). SST’ler alışılmadık derecede yüksek olduğunda, CHL alışılmadık derecede düşük oldu ve tam tersi de oldu. Benzer şekilde, alışılmadık derecede yüksek WSC ve SCS güneybatısında cepheler CHL yüksek düzeyde indüklenen, ve tersi(Şekil 9C, 9D). Buna ek olarak, SLA’lar ve CHL düzeyleri arasında negatif korelasyon saptadı (Şekil 9E). Farklı gecikmeler test edildi ve korelasyon sadece hiçbir gecikme istihdam edildi önemli oldu. Böylece, CHL aynı anda SST anomaliler tarafından etkilenmiştir, WSC, ve cepheler, yanı sıra SLA. İlişkileri, Şekil 9A’dayeşil bir kutu olarak belirlenen SCS’nin güneybatısındaki mekansal ortalama aylık zaman serileri kullanılarak daha da araştırılmıştır. Sonuçlar, faktörlerin çoğunun anormal alandaki (Tablo 2’ninsol alt bölümü) anlamlı korelasyonlarla ilişkili olduğunu göstermektedir. 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 Tablo 2: Şekil 9A’da gösterilen kutuyu kullanarak SCS’nin güneybatısında bulunan, Örneğin, SST (deniz yüzey sıcaklığı), FP (ön olasılık), WSC (rüzgar gerilimi kıvrılma) ve WS (rüzgar gerilimi) gibi faktörler arasındaki zaman serisinin korelasyon katsayıları. Aylık ortalama ve anomaliler sırasıyla sağ üst ve sol alt bölümde gösterilir. Kalın ve italik sayılar, korelasyonun güven düzeyini karşılamadığını gösterir. Tablo Yu ve ark.17’dendeğiştirilmiştir. Ek Dosyalar. Bu dosyayı indirmek için lütfen buraya tıklayınız. 

Discussion

Bu çalışmada, deniz sistemlerinin temel özellikleri uydu gözlemleri kullanılarak açıklanmıştır. Okyanus üretimini temsil etmek için kullanılabilen CHL, bir gösterge faktörü olarak seçilir. CHL değişkenliğine bağlı faktörler aylık ortalama zaman serileri kullanılarak araştırıldı, örneğin, SST, WS, WSC, FP ve SLA. Bu çalışmada üç kritik adım tanımlanmıştır: farklı parametreler için uydu verilerinin elde edilmesi, EOF üzerinden mekansal ve zamansal değişkenliklerinin tanımlanması ve korelasyon katsayıları hesaplanarak farklı faktörler arasındaki ilişkilerin belirlenmesi. SST gözlemlerinden türetilen günlük frontal dağılım için tanımlamayı gösteren ayrıntılı bir yordam dahildir. SST ön algılama için iki önemli yaklaşım geliştirilmiştir: degrade yöntemi10,38 ve histogram yöntemi39,40. Histogram yöntemi, su kütlelerini farklı gruplara bölmek için kullanılabilen SST değerleri için benzer bir değer aralığına dayanır. Bir geçiş bandındaki pikseli temsil eden farklı gruplar arasındaki değerlere sahip pikseller ön olarak tanımlanır. Diğer taraftan, degrade yöntemi birkaç nispeten düzgün su gövdelerini büyük degrade değerlerine sahip pikseller olarak ayırır. Bir karşılaştırma çalışması yapıldı ve histogram yöntemi ve degrade yöntemi41kullanarak daha az cevapsız cepheler kullanarak daha düşük yanlış oranları bulundu. Bu çalışmada, degrade tabanlı yöntem38 eskiçalışmalardansonra kabul edilmiştir 10,28. Algoritma, büyüklüğün daha küçük bir eşiğin altına düşmesine izin vererek ön parçayı birden çok kenar parçasına ayırmayı önleyebilir. Burada bulunan veri kümesine ek olarak, aerosol indeksi gibi diğer uydu gözlemleri de benzer bir yaklaşımla kullanılabilir.

Yordamların çoğu doğrudan diğer bölgelerde veya veri kümelerinde uygulanabilir. Ön algılama eşiğini değiştirmek için değişiklik yapılabilir. SCS’deki SST degradesi Doğu Sınır Akım Sistemi28ile karşılaştırılabilir olduğundan, mevcut çalışma için aynı eşikler uygulanmıştır. Bir önceki çalışmada, farklı veri kümelerinden SST gradyanı kadar üç kat42değişebilir ortaya koymuştur , hangi yöntem bir şekilde daha az objektif hale getirir. Önemli çalışmalar küresel okyanuslar28,43etrafında frontal faaliyetleri araştırdık. Cepheleri doğrulamak için en iyi yaklaşım yerinde gözlemler ile karşılaştırmaktır. Yao44 SCS için aylık frontal dağıtım nitelendirdi. Onların sonuçları in situ ölçümleri ile iyi kabul etti. Değeri mekansal çözünürlüğe ve aletlere bağlı olarak değişebileceğinden, genel degrade kontrol edilmeli ve ayarlanmalıdır. Özellikle, başka bir SST veri kümesi kullanıldığında eşik güncelleştirilmelidir. Bölgesel dinamiklerin temel bir anlayış frontogenesis45,46,47anlamak için temel dir. Ön algılama komut dosyası, bu makaledeki açıklamaya göre tek tek yazarlar tarafından geliştirilebilir.

Uydu bilgileri yüzey özelliklerinin kapsamlı bir şekilde anlaşılmasını sağlar ve yerinde gözlemlerle karşılaştırma sonucu güvenilirliğini değerlendirmeye yardımcı olabilir. Ancak, uydu gözlemleri su sütununun dikey yapısını anlamak için uygulama sınırlar okyanus yüzeyi ile sınırlıdır. Yakın tarihli bir çalışmada, uydu gözlemleri yüzey CHL 15 kat arttığını ortaya koymuştur, ancak dikey entegre değeri sadece 2,5 kat48arttı. Bu fark, yüzey değerinin fitoplankton büyümesinin ve MLD’nin sürülmelerinden etkilenmesi ve yüzeyde fark edilemeyen bir değere yol açtığı içindi. Bu nedenle, yüzey özelliği tüm su sütunu için doğru bir açıklama sunmayabilir. Ayrıca, bulut kapsama alanının etkisi uyduların sürekli gözlemlerini sınırlar. Böylece, aylık zaman serileri aynı bölge ve aynı dönemde farklı faktörler için hesaplanır. Bu farklı faktörler arasındaki korelasyonhesaplama güvenilirliğini garanti edecektir. Ancak, birkaç gün ile bir hafta arasında süren tayfunlar gibi kısa süreli olaylar çözülmeyecektir.

Eski çalışmalarla karşılaştırıldığında, önerilen yöntem piksel düzeyinde uzamsal bilgiler sunabilir ve bu da dinamikleri daha ayrıntılı bir şekilde değerlendirmeye yardımcı olabilir. Bazı eski çalışmalar tek bir sayı olarak tüm SCS ortalama ve bir zaman serisi elde etti. Onlar alışılmadık güçlü WS ve yüksek SST anormal yüksek CHL neden olabilir bulundu16, hangi mevcut sonucu ile tutarlıdır. Ancak, ilişkilerdeki uzamsal değişim çözülmedi. Bu çalışmada, WS ve CHL arasındaki havza ölçekli korelasyon anormal alanda zayıftı. Büyük bir anlamlı korelasyon sadece belirli alanlar için tanımlanmıştır, örneğin, SCS merkezinde(Şekil 9B). Böylece, mevcut yöntem mekansal varyasyonları araştırmak için kapsamlı bir açıklama sunar. Benzer şekilde, iki Bio-Argo şamandırasından gözlemler kullanıldı ve WSC’nin CHL değişkenliği20ile ilişkili olmadığını ortaya çıkardı. Ancak, iki şamandıranın yörüngeleri yalnızca belirli bölgelerde bulunmaktadır. Bu durumda, chl düzeyi ile WSC arasındaki korelasyonun önemli olmadığı bant içinde tam olarak yer alıyordu(Şekil 8D). Önerilen yöntem, küresel okyanusun temel bir özelliği olan faktörler arasındaki mekansal bağımlılığın çözümünde çok yararlıdır.

Özetle, burada kullanılan yöntem uydu gözlemlerini kullanarak okyanus yüzeyi özelliklerindeki mekansal dağılımı ve zamansal değişkenliği doğru bir şekilde tanımlayabilir. Uydu veri kümelerinin artan çözünürlüğü ile, chl, SST ve SSH gibi bölgesel özelliklerin genel olarak anlaşılmasını sağlayan daha ayrıntılı özellikler tanımlanabilir ve araştırılabilir. Farklı faktörler arasında aylık zaman serisi korelasyon dinamik ilişkileri ve bir ekosistem49üzerindeki potansiyel etkisini anlamada yardımcı olabilir. Korelasyon büyük ölçüde farklı mekansal konumlarda farklılık gösterebileceğinden, önerilen yöntem ayrıntılı ve kapsamlı bir açıklama sunar. Benzer bir yaklaşım deniz dinamikleri ve ekosistemler anlayışını geliştirmek için büyük ölçüde yararlı olacaktır dünya çapında herhangi bir okyanus havzası için uygulanabilir.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Çin Ulusal Anahtar Araştırma ve Geliştirme Programı ‘ndan destek (No. 2016YFC1401601), Jiangsu Eyaleti Lisansüstü Araştırma ve Uygulama İnovasyon Programı (No. SJKY19_0415) Merkez Üniversiteler için Temel Araştırma Fonları (No. 2019B62814), Çin Ulusal Doğa Bilimleri Vakfı (No. 41890805, 41806026 ve 41730536) ve Bengal Körfezi ve doğu ekvatoral Hint Okyanusu Ortak İleri Deniz ve Ekolojik Çalışmalar tarafından desteklenen büyük ölçüde kabul edildi. Yazarlar Ulusal Havacılık ve Uzay İdaresi (NASA), Avrupa Orta Menzilli Hava Tahminleri Merkezi (ECMWF), Kopernik Deniz ve Çevre İzleme Servisi (CMEMS) ve Ulusal Okyanus ve Atmosfer İdaresi (NOAA) gibi kaynaklardan veri sağlanması takdir ediyorum.

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