Autori
Contattaci

Accedi

In questo articolo

  • Riepilogo
  • Abstract
  • Introduzione
  • Protocollo
  • Risultati
  • Discussione
  • Divulgazioni
  • Riconoscimenti
  • Materiali
  • Riferimenti
  • Ristampe e Autorizzazioni

Riepilogo

La clorofilla della superficie del mare, la temperatura, l'altezza del livello del mare, il vento e i dati anteriori ottenuti o derivati dalle osservazioni satellitari offrono un modo efficace per caratterizzare l'oceano. Presentato è un metodo per lo studio completo di questi dati, comprese le analisi medie complessive, del ciclo stagionale e dell'intercorrelazione, per comprendere appieno le dinamiche e gli ecosistemi regionali.

Abstract

Le osservazioni satellitari offrono un ottimo approccio per studiare le caratteristiche dei principali parametri marini, tra cui la clorofilla della superficie del mare (CHL), la temperatura della superficie del mare (SST), l'altezza della superficie del mare (SSH) e i fattori derivati da questi parametri (ad esempio, fronti). Questo studio mostra una procedura passo-passo per utilizzare le osservazioni satellitari per descrivere i principali parametri e le loro relazioni in campi stagionali e anomali. Questo metodo è illustrato utilizzando set di dati satellitari dal 2002 al 2017 utilizzati per descrivere le caratteristiche superficiali del Mar Cinese Meridionale (SCS). A causa della copertura cloud, in questo studio sono stati utilizzati dati medi mensili. La funzione ortogonale empirica (EOF) è stata applicata per descrivere la distribuzione spaziale e le variabilità temporali di diversi fattori. Il vento monsonico domina la variabilità del bacino. Pertanto, il vento del set di dati di rianalisi è stato utilizzato per indagare la sua forza trainante su diversi parametri. La variabilità stagionale in CHL era prominente e significativamente correlata con altri fattori nella maggior parte del SCS. In inverno, un forte monsone nord-orientale induce uno strato misto profondo e un alto livello di clorofilla in tutto il bacino. Sono stati riscontrati coefficienti di correlazione significativi tra i fattori del ciclo stagionale. In estate, alti livelli di CHL sono stati trovati principalmente nella SCS occidentale. Invece di una dipendenza stagionale, la regione era altamente dinamica, e fattori correlati significativamente in campi anomali tali che livelli insolitamente alti di CHL erano associati a venti anormalmente forti e intense attività frontali. Lo studio presenta una procedura passo-passo per utilizzare le osservazioni satellitari per descrivere i principali parametri e le loro relazioni in campi stagionali e anomali. Il metodo può essere applicato ad altri oceani globali e sarà utile per comprendere le dinamiche marine.

Introduzione

La tecnologia di telerilevamento offre grandi set di dati con grandi scale spaziali e lunghi periodi per descrivere gli ambienti marini. Con la crescente risoluzione spaziale dei satelliti, le caratteristiche dettagliate vengono ora risolte dalla scala regionale a poche centinaia dimetri 1,2. Una migliore comprensione della dinamica marina può essere raggiunta con la maggior parte delle osservazioni satellitari aggiornate3.

Incorporando più sensori su una piattaforma di telerilevamento, è possibile una descrizione completa dei diversi parametri. La temperatura della superficie del mare (SST) è il parametro di base che è stato osservato per più di mezzosecolo 4. Recentemente, sono state disponibili osservazioni per la clorofilla di superficie del mare (CHL) e possono essere utilizzate per descrivere la produttività marina5. I satelliti altimetry sono utilizzati per misurare l'altezza della superficiedel mare 6,7, che è fortemente correlata alle attività parasto mesoscala nell'oceanoglobale 8,9. Oltre ai vortici, le attività frontali sono importanti anche per avere un impatto sulle dinamiche regionali e sulla produzione primaria10.

L'obiettivo principale dello studio attuale è quello di trovare una procedura standard per descrivere la distribuzione spaziale e le variabilità temporali dei diversi fattori oceanici. In questo metodo, SST, CHL, SSH e front-data, derivati da gradienti SST, vengono analizzati per determinare i modelli. In particolare, il CHL è usato per rappresentare la produttività dell'oceano, e viene introdotto un metodo per indagare la relazione tra CHL e altri parametri oceanici. Per convalidare il metodo, il periodo di tempo compreso tra ottobre 2002 e settembre 2017 nel Mar Cinese Meridionale è stato utilizzato per esaminare tutti i parametri. Il metodo può essere facilmente utilizzato per altre regioni in tutto il mondo per catturare i principali modelli oceanici ed esplorare in che modo le dinamiche marine hanno un impatto sull'ecosistema.

Il Mar Cinese Meridionale (SCS) è stato designato come regione di studio a causa del suo tasso di copertura relativamente elevato di osservazioni satellitari. La SCS è abbondante nella radiazione solare; pertanto, il CHL è determinato principalmente dalla disponibilità dinutrienti 11,12. Con più nutrienti trasportati nello strato euforico, i livelli di CHL possono aumentaredi 13. La miscelazione, indotta dal vento, può introdurre nutrienti nella superficie dell'oceano e migliorare CHL14. La SCS è dominata in modo univoco da un sistema eolico monsonico, che determina la dinamica e l'ecosistema della regione. Il vento monsonico è più forte durante l'inverno15. In estate, i venti cambiano direzione e la velocità del vento è molto più debole di quelle ininverno 16,17. L'intensità del vento può determinare la forza della miscelazione verticale, in modo che la profondità dello strato misto (MLD) si approfondisca man mano che il vento aumenta in inverno e diventa più basso man mano che il vento diminuiscenell'estate 18. Pertanto, più nutrienti vengono trasportati nello strato euforico durante l'inverno quando il vento èforte 19 e CHL raggiunge il suo punto piùalto dell'anno 20,21.

Oltre al vento, l'MLD può anche essere determinato utilizzando altri fattori, come le anomalie SST e del livello del mare (SLA), che alla fine influenzano il contenuto di nutrienti e CHL22. Durante l'inverno, il debole gradiente verticale è associato a basse temperature sulla superficie20. L'MLD corrispondente è profondo e più nutrienti possono essere trasportati verso l'alto; pertanto, il CHL nello strato superficiale è alto17. Una variazione crescente nei livelli di CHL può essere attribuita ai vortici mesoscala, che inducono il trasporto verticale e lamiscelazione 23. L'upwelling si trova di solito nei vortici ciclonici associati agli SLAdepressi 8,9 e alle elevate concentrazioni di CHL24. Il downwelling si trova di solito nei vortici anticiclonici associati a SLAelevati 8,9 e concentrazioni di CHL depresse24. Per altre stagioni, l'MLD diventa superficiale e la miscelazione diventa debole; pertanto, la bassa CHL può essere osservata sulla maggior parte del bacino25. I cicli stagionali dei livelli di CHL sono successivamente predominanti per la regione26.

Oltre alla miscelazione, i fronti e l'upwelling costiero associato possono modulare ulteriormente il CHL. Il fronte, che è definito come un confine di diverse masse d'acqua, è importante per determinare la circolazione regionale e le risposte dell'ecosistema27. La frontogenesi è solitamente associata all'innalzamento costiero e allaconvergenza 28,29, che può indurre nutrienti ed elevare la crescita del fitoplancton30. Diversi algoritmi sono stati sviluppati per identificare automaticamente i fronti dalle osservazioni satellitari, inclusi i metodi dell'istogramma e del gradiente SST. Quest'ultimo approccio è adottato nel presente studio28.

La correlazione delle serie temporali tra CHL e diversi fattori offre grandi intuizioni per quantificare la loro relazione. L'attuale studio offre una descrizione completa di come utilizzare le osservazioni satellitari per rivelare le dinamiche marine regionali legate alla produttività. Questa descrizione può essere utilizzata come guida per indagare i processi superficiali in qualsiasi parte dell'oceano. La struttura di questo articolo include un protocollo passo-passo, seguito da risultati descrittivi nel testo e nelle cifre. L'applicabilità oltre ai pro e ai contro del metodo viene successivamente discussa.

Protocollo

1. Acquisizione del set di dati

  1. SST e CHL
    1. Scarica un set di dati di osservazioni satellitari per SST e CHL da MODIS-Aqua (podaac-tools.jpl.nasa.gov/), dove la risoluzione spaziale di entrambi i set di dati è di circa 4,5 km a intervalli giornalieri.
      NOTA: strutturare le directory e i dati seguendo la cartella script di esempio disponibile in File supplementari. Archiviare i file nc dei dati satellite nella cartella 'Data'. Aggiungere il percorso alla casella degli strumenti NetCDF nel software di analisi (ad esempio MATLAB). Selezionare Aggiungi con sottocartelle per racchiudere i percorsi della cartella 'UTILITIES' e delle relative sottocartelle.
    2. Determinare l'intervallo di tempo. Per mantenere la coerenza tra set di dati diversi, utilizzare lo stesso intervallo di tempo per tutti i parametri. Regolare l'intervallo di tempo in base alla copertura temporale e utilizzare il periodo di osservazione più lungo tra i diversi set di dati. Per questo protocollo, scaricare 15 anni di dati da ottobre 2002 a settembre 2017.
    3. Determinare la copertura spaziale.
      NOTA: La regione di studio progettata è compresa tra 105°E e 123°E e tra 0° e 25°N.
    4. Controllare le istruzioni di pre-elaborazione. Leggere le istruzioni nei file nc relative ai requisiti di pre-elaborazione dei dati SST e CHL (ad esempio, se è necessario ridimensionare).
      NOTA: Il set di dati scaricato esclude già i dati sulla terraferma e entro 5 km dalla costa, così come quelli contaminati dalle nuvole.
    5. Caricare i dati SST e CHL nel software di analisi. Digitare Read_MODIS_SST nella finestra di comando per leggere i dati SST. Analogamente, digitare Read_MODIS_CHL nella finestra di comando per leggere i dati CHL. Trasformare i dati CHL in modo logaritmico perché hanno una distribuzione log-normale31.
      NOTA: le variabili caricate includono SST e CHL in tre dimensioni, che rappresentano rispettivamente la posizione meridionale, la posizione zonale e l'ora in giorni. L'intervallo degli SST è compreso tra -2 e 44 e l'intervallo di CHL è compreso tra 0,01 e 20.
  2. Anomalia del livello del mare (SLA)
    1. Scarica i dati giornalieri del contratto di servizio con una risoluzione spaziale di 25 km dal 2002 al 201732.
      NOTA: gli SLA descrivono la differenza tra le altezze della superficie del mare osservate e l'altezza media della superficie del mare per 20 anni (1993−2012) per un pixel corrispondente. I dati SLA sono trattati da SSALTO/DUACS e distribuiti mediante Archiviazione, Validazione e Interpretazione dei Dati Oceanografici Satellitari (AVISO, https://www.aviso.altimetry.fr).
    2. Caricare i dati nel software di analisi. Caricare i dati del contratto di servizio di un giorno digitando Read_SLA nella finestra di comando.
      NOTA: la cartella 'Dati' nei file supplementari include un solo Riferimento di esempio nello script per l'illustrazione.
  3. Velocità del vento
    1. Ottenere le informazioni sul vento da un prodotto di rianalisi ERA-Interim, che è un set di dati di rianalisi atmosferica globale sviluppato dall'European Center for Medium-Range Weather Forecasts (ECMWF)33. Scarica i dati sul vento per lo stesso periodo (ottobre 2002-settembre 2017) per mantenere la coerenza con i dati CHL e SST.
      NOTA: il set di dati del vento ha una risoluzione spaziale di circa 25 km ed è stato interpolato dal set di dati originale con una risoluzione spaziale di circa 0,7°.
    2. Caricare i dati nel software di analisi. Digitare Read_WindVector nella finestra di comando per leggere i dati del vento di un mese. Calcola la media mensile calcolando la media dei dati originali, che è a intervalli di 6 ore.
  4. Topografia
    1. Scarica i dati topografici ad alta risoluzione dal sito web dei National Centers for Environmental Information (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). La risoluzione spaziale è di ~2 km. Ottenere i dati ETOPO1 per la roccia in posto in formato XYZ per la regione di studio selezionata.
    2. Caricare i dati nel software di analisi. Digitare Read_topography nella finestra di comando per caricare i dati topografici nel software di analisi.

2. Pre-elaborazione dei dati

  1. Media temporale
    1. A causa dell'ampia copertura cloud nei dati SST e CHL, sostituisci i dati originali con dati medi di 3 giorni. A tale fine, dopo aver eseguito gli script Read_MODIS_SST.m e Read_MODIS_CHL.m (passaggio 1.1.5), digitare Temporal_average nella finestra di comando per eseguire lo script.
  2. Interpolazione nella stessa griglia
    1. Poiché la risoluzione spaziale non è coerente per set di dati diversi, interpolare i dati SST e CHL in una griglia spaziale uguale alla griglia spaziale del vento e del contratto di servizio prima di effettuare confronti. Dopo aver eseguito Temporal_average.m e Read_WindVector.m script, digitare Interpolation_grid nella finestra di comando per eseguire lo script.
  3. Stress del vento e ricciolo dello stress del vento
    1. Digitare Wind_stress_curl nella finestra di comando per calcolare la sollecitazione del vento (WS) e il ricciolo di sollecitazione del vento (WSC) utilizzando le seguenti equazioni:
      figure-protocol-5677
      figure-protocol-5748
      dove figure-protocol-5824 è il vettore di velocità del vento; è il WS nella stessa direzione del vettore del figure-protocol-5972 vento; e sono rispettivamente le WS figure-protocol-6073 in direzione est e figure-protocol-6157 nord; è la figure-protocol-6233 densità dell'aria (uguale a 1,2 kg/m3); e C è il coefficiente di trascinamento (viene utilizzato un valore di 0,0015) in condizioni di stabilità neutra34.
  4. Medie mensili
    1. Calcola le serie temporali mensili SST, wind e SLA come medie a 30 giorni in ogni pixel digitando Monthly_average per eseguire lo script. A causa dell'elevato tasso di copertura del cloud, utilizza una media di 60 giorni come serie temporali mensile per CHL, inclusi 30 giorni prima e 30 giorni dopo il 15 ° giorno del mese.

3. Rilevamento frontale SST

  1. Smussatura spaziale
    1. Digitare Spatial_smoothing per eseguire lo script in modo che i dati SST di tre giorni in ogni pixel.
      NOTA: Una grande quantità di rumore è stata identificata nei dati SST. Pertanto, i dati sono stati smussati con una media spaziale 3 x 3. Quando non erano disponibili dati nei dati medi originali di 3 giorni, i dati medi spaziali sono stati impostati come non disponibili.
  2. Sfumatura SST
    1. Digitare SST_gradient per eseguire lo script per calcolare le sfumature SST zonali e meridionali (rispettivamente Gx e Gy) come differenza SST tra i due pixel più vicini divisi per la distanza corrispondente tramite equazione (3). Utilizzare il vettore gradiente ottenuto per calcolare il gradiente totale, G, come equazione seguente scalare (4).
      figure-protocol-7873
      figure-protocol-7944
  3. Massimo locale
    1. Identificare un fronte testando un valore di sfumatura SST: etichettare un pixel come potenziale pixel frontale se il valore è maggiore di una soglia designata. Mantenere il pixel massimo locale nella stessa direzione perpendicolare alla direzione della sfumatura solo se sono disponibili pixel connessi con valori maggiori della soglia. In questo caso, definire la soglia come 0,035 °C/km dopo i precedentistudi 10,28.
      NOTA: lo script corrispondente 'Local_maximum.m' è disponibile nei file supplementari.
  4. Probabilità frontale mensile (FP)
    NOTA: La probabilità frontale (FP) descrive la probabilità di osservare un fronte.
    1. Calcolare l'FP per un determinato intervallo di tempo (in questo caso, un intervallo mensile), digitando Monthly_FP per eseguire lo script. Dividi l'occorrenza dei fronti in ogni pixel durante un'ora per il numero di giorni liberi dalle nuvole.

4. Variabilità spaziale e temporale

  1. Ciclo stagionale
    1. Calcola i cicli stagionali di diversi fattori come medie di diverse stagioni. Definisci le stagioni come segue: l'inverno è da dicembre a febbraio, la primavera è da marzo a maggio, l'estate è da giugno ad agosto e l'autunno è da settembre a novembre.
      NOTA: Il ciclo stagionale non è mostrato in questo studio; il seguente metodo viene invece utilizzato per spiegare la variabilità spaziale e temporale.
  2. Funzione ortogonale empirica (EOF)
    1. Rimuovere la media temporale e i pixel non disponibili. Prima di condurre l'EOF, sottrarre la media complessiva a ciascun pixel ed escludere le posizioni in cui le osservazioni mancanti superano il 20% a causa della copertura cloud. Caricare i dati digitando load('Monthly_data_for_EOF.mat') nella finestra di comando.
    2. Applicare un EOF per descrivere le variabilità spaziali e temporali dei diversi parametri. Digitare Empirical_orthogonal_function.m per eseguire lo script per calcolare la grandezza (Mag), gli autovalori (Eig) e l'ampiezza (Amp) degli EOF per il set di dati (ad esempio, serie temporali di SST media mensile, stress da vento, ricciolo di stress del vento, CHL e FP).
      NOTA: La funzione scompone le serie temporali mensili in diverse modalità, che sono composte da schemi spaziali e temporali e la varianza spiegata da ogni modalità diminuisce con l'aumentare del numero di modalità.

5. Intercorrelazione

  1. Correlazione su scala stagionale
    1. Calcola le correlazioni tra due fattori usando le loro serie temporali ad ogni pixel digitando Seasonal_correlation per eseguire lo script. Poiché il ciclo stagionale non viene rimosso, verificare il significato della correlazione per tutte le correlazioni.
  2. Correlazione di un campo anomalo
    1. Calcolare le correlazioni tra le anomalie CHL mensili e altri fattori, ad esempio SST, WS, fronti e SLA. Ottenere le anomalie mensili (cioè la deviazione dallo stato medio) sottraendo la media complessiva per un mese corrispondente dalle serie temporali mensili. Digitare Anomalous_correlation per eseguire lo script e ottenere le correlazioni.

6. Visualizzazione delle informazioni e calcolo delle relazioni

  1. Visualizzare le informazioni satellitari.
    1. Digitare Sat_SCS_Fig3457 per eseguire lo script per generare una vetrina di informazioni satellitari, incluse distribuzioni SST, CHL e frontali. Impostare la cartella corrente come 'script' in cui si trovano i dati 'Sat_SCS_data.mat'.
      NOTA: la Figura 1, la Figura 2, la Figura 3e la Figura 4 mostrano SST, CHL, fronti, vento e topografia per la data selezionata come esempio.
  2. Visualizzare il risultato EOF digitando Sat_SCS_Fig890.m per eseguire lo script.
    NOTA: la figura 5, la figura 6e la figura 7 descrivono rispettivamente la grandezza spaziale, la media mensile e le serie temporali delle prime due modalità per CHL, SST e fronti.
  3. Calcolare la relazione tra CHL e altri fattori nelle scale temporali stagionali e per i campi anomali digitando Sat_SCS_Fig1112.m per eseguire lo script. Ottenere la mappa di correlazione per le variabilità stagionali (Figura 8) e le anomalie (Figura 9).

Risultati

I modelli spaziali e temporali della superficie del mare CHL nel SCS sono stati descritti usando osservazioni satellitari. Le informazioni satellitari per CHL (Figura 1A) e SST (Figura 1B) possono essere contaminate dalla copertura nuvolosa, con il risultato che gran parte dei dati non è utilizzabile. I dati del vento rianalizzato (Figura 1C) e del contratto di servizio (Figura 1D) non sono stati influenzati dalle nuvole giornaliere. La topografia (Figura 1E) ha avuto un impatto prominente sulla distribuzione spaziale di CHL. Il vento fu anche influenzato dall'ortografia, e il lato lee delle montagne era caratterizzato da vento debole; pertanto, un importante WSC è stato identificato a sud-ovest della SCS. Al contrario, gli SLA non dipendevano molto dalla topografia, e una regione di SLA insolitamente alta è stata trovata nel bacino del SCS.

figure-results-1025
Figura 1: Osservazioni originali per i principali parametri il 15 aprile 2015.
(A) Clorofilla di superficie del mare (CHL), (B) temperatura della superficie del mare (SST), (C) ricciolo di stress del vento (WSC, ombreggiatura) con stress del vento (WS, vettore), (D) anomalia della superficie del mare e (E) topografia per il bacino oceanico. Clicca qui per visualizzare una versione più grande di questa figura.

A causa del grave impatto del cloud sulle osservazioni satellitari, molti dati non erano disponibili o spazialmente incoerenti. È stato applicato un metodo efficace ed efficiente per colmare alcune lacune di dati e smussare il campo. I dati sono stati prima sostituiti con una media di 3 giorni ad ogni pixel, che può effettivamente colmare alcune lacune perché le nuvole variano ogni giorno (Figura 2B). Una media spaziale è stata ulteriormente applicata ad ogni pixel in modo che i dati fossero sostituiti dalla media dei valori circostanti (3 x 3 pixel). Pertanto, l'incoerenza spaziale è stata notevolmente ridotta(figura 2C).

figure-results-2502
Figura 2: SST per un solo giorno il 15 aprile 2015.
(A) SST originale di MODIS, (B) SST medio di tre giorni e SST (C) dopo l'levigatura spaziale. Clicca qui per visualizzare una versione più grande di questa figura.

La distribuzione giornaliera dei fronti SST è stata derivata dai gradienti SST (Figura 3A). Le soglie qui applicate hanno effettivamente catturato la posizione della parte anteriore (Figura 3B) e hanno garantito la rappresentazione dei confini di intere masse d'acqua (Figura 3C). Le sfumature e i fronti erano quasi identici perché la parte anteriore era ottenuta principalmente dalla pendenza.

figure-results-3543
Figura 3: Procedura per il rilevamento frontale derivato dall'SST.
(A) Grandezza del gradiente SST, (B) distribuzione dei fronti SST in linee nere sottili e distribuzione frontale (C) in base ai gradienti SST corrispondenti. Clicca qui per visualizzare una versione più grande di questa figura.

A causa della copertura cloud nei dati CHL, SST e front, le serie temporali medie mensili sono state calcolate e applicate in questo studio. Un esempio casuale è mostrato nella figura 4 per il mese di aprile 2015. Non c'era spazio esistente per nessuno dei parametri. I modelli generali per i diversi parametri erano altamente coerenti per quanto riguarda la loro varianza spaziale. Ad esempio, la CHL era alta vicino alla costa e bassa nel bacino centrale, mentre l'SST era bassa vicino alla costa e alta nel bacino centrale. La media mensile offriva informazioni complete per rappresentare le caratteristiche regionali. I fronti sono stati distribuiti principalmente lungo la costa, dove la dinamica è complessa. Gran parte del bacino era privo di fronti; pertanto, il centro della SCS era caratterizzato da un valore vicino allo zero (Figura 4E).

figure-results-5087
Figura 4: Media mensile per i principali parametri nell'aprile 2015.
(A) CHL (in scala logaritmica), (B) SST, (C) WSC (ombreggiatura) con WS (vettore), (D) anomalia della superficie del mare e (E) probabilità frontale (FP). Clicca qui per visualizzare una versione più grande di questa figura.

La maggior parte delle caratteristiche superficiali erano caratterizzate da un'importante variabilità stagionale, che è stata chiaramente osservata usando gli EOF. L'EOF è un utile metodo matematico ampiamente utilizzato nelle scienze atmosferiche e marine. Il metodo può delineare modelli spaziali e segnali temporali dalle serie temporali ai domini spaziali28. Dopo la decomposizione spaziotemporale per le caratteristiche della superficie del mare nel SCS, le prime due modalità sono generalmente necessarie per descrivere le variabilità spaziali e temporali. I primi due EOF per CHL hanno descritto rispettivamente il 44% e il 12% della varianza totale. EOF1 ha catturato una grande varianza nella sezione settentrionale del SCS (Figura 5A). La corrispondente media mensile delle serie temporali (figura 5C) ha mostrato che il CHL è stato elevato durante l'inverno e depresso durante l'estate. La regione vicino alla costa sud-occidentale era caratterizzata da una magnitudine debole, e la corrispondente variabilità è stata catturata principalmente da EOF2 (Figura 5B). I valori di CHL erano alti in estate e bassi in inverno. Ciò è stato principalmente fuori fase rispetto alla sezione settentrionale. Le serie temporali mensili per gli EOF hanno mostrato una chiara variabilità stagionale e L'EOF2 ha guidato L'EOF1 di circa 4 mesi(figura 5E).

figure-results-7249
Figura 5: L'EOF per CHL.
(A) Magnitudo di EOF1, (B) grandezza di EOF2, (C) serie temporali medie mensili per EOF1, (D) serie temporali medie mensili per EOF2 e (E) serie temporali mensili di EOF1 (nero) ed EOF2 (blu). Clicca qui per visualizzare una versione più grande di questa figura.

La varianza spiegata nei primi due EOF per l'SST è stata di primo piano, pari rispettivamente al 91% e al 5% per EOF1 ed EOF2. È importante sottolineare che la media complessiva deve essere eliminata prima di condurre l'EOF; pertanto, il campo medio è stato escluso. L'EOF1 ha dominato la varianza totale e la sua entità è stata maggiore nel SCS settentrionale ed è diminuita verso sud (Figura 6A). La corrispondente media mensile delle serie temporali ( figura6C) ha mostrato che l'SST è stato elevato durante l'estate e depresso durante l'inverno. La SCS meridionale era caratterizzata da una magnitudine debole, attribuita a temperature elevate persistenti a basse latitudini. La variabilità nella sezione meridionale è stata catturata principalmente da EOF2(figura 6B). L'SST corrispondente è stato migliorato tra marzo e giugno, mentre i valori bassi sono persistito nei mesi rimanenti. Il riscaldamento prominente si è verificato nel 2010 e nel 2016, dove l'SST al largo della costa a sud-ovest del SCS è stato molto più alto di quellodegli altri anni (figura 6E). Questa variabilità interannuale è principalmente attribuita agli eventi di El Niño che riducono il monsone estivo sud-occidentale e si traducono in un debole aumentodi 12. Poiché la variabilità stagionale è al centro dello studio attuale, questa caratteristica non viene ulteriormente discussa.

figure-results-9420
Figura 6: EOF per SST.
(A) Magnitudo di EOF1, (B) grandezza di EOF2, (C) serie temporali medie mensili per EOF1, (D) serie temporali medie mensili per EOF2 e (E) serie temporali mensili di EOF1 (nero) ed EOF2 (blu). Clicca qui per visualizzare una versione più grande di questa figura.

A causa della natura rumorosa del gradiente, il fronte derivato spiegò molto meno della varianza. In effetti, EOF1 ed EOF2 del PQ hanno spiegato rispettivamente solo il 19% e il 9% della varianza totale. EOF1 ha catturato le varianze nel SCS nord e nord-est (Figura 7A). La corrispondente media mensile delle serie temporali (figura7C) ha mostratoche in queste regioni si è verificato più PQ durante l'inverno e meno durante l'estate. La fase al largo della costa a sud-ovest della SCS era l'opposto, anche se la corrispondente variabilità era molto meno prominente. EOF2 ha acquisito il miglioramento della molla del FP (Figura 7D) nella SCS occidentale (Figura 7B). Le serie temporali mensili di EOF1 ed EOF2 sono state caratterizzate da una debole variabilità interannuale.

figure-results-10976
Figura 7: EOF per il PQ.
(A) Magnitudo di EOF1, (B) grandezza di EOF2, (C) serie temporali medie mensili per EOF1, (D) serie temporali medie mensili per EOF2 e (E) serie temporali mensili di EOF1 (nero) ed EOF2 (blu). Clicca qui per visualizzare una versione più grande di questa figura.

Sono stati studiati diversi fattori per le loro relazioni con il CHL(figura 8). Ad esempio, l'SST può essere usato per comprendere le caratteristiche fondamentali dell'oceano che possono influenzare il tasso di crescita del fitoplancton e successivamente influire sul CHL. Per la maggior parte del SCS, vi erano alte correlazioni tra SST e CHL (Figura 8A), e la maggior parte delle correlazioni raggiunse più di -0,8. È importante sottolineare che un'elevata correlazione non indica nesso di causalità tra questi due fattori. Quando l'SST ha raggiunto il suo massimo annuale in estate, l'MLD è diventato ilpiù superficiale 21. I nutrienti forniti allo strato euforico erano bassi perché la miscelazione verticale era bloccata da una stratificazione intensiva13. Di conseguenza, bassi nutrienti hanno limitato il tasso di crescita del fitoplancton e hanno portato a un basso CHL. Al contrario, l'elevato CHL si è verificato in inverno quando l'MLD era più profondo e la bassa stratificazione debole indotta dall'SST35.

figure-results-12787
Figura 8: Correlazioni tra il CHL e altri fattori a scala stagionale.
(A) SST, (B) WS, (C) WSC, (D) FP e (E) SLA. Il colore grigio indica che la correlazione non è significativa. Le variabili mediate nello spazio vengono calcolate in base alla casella verde nel pannello A. Le loro serie temporali sono utilizzate per ottenere i coefficienti di correlazione nella tabella 1. Questa cifra è stata modificata da Yu etal. Clicca qui per visualizzare una versione più grande di questa figura.

La miscelazione azionata dal vento può essere approssimativamente misurata da WS ed è stata utilizzata per descrivere la miscelazioneverticale 18. Grandi coefficienti di correlazione, con valori di circa 0,8, sono stati identificati tra i livelli WS e CHL a nord del SCS (Figura 8B), in particolare nelle regioni con il vento invernale più forte situato sulla piattaforma settentrionale del SCS. Correlazioni deboli ma significative sono state trovate a sud. Le correlazioni tra WSC e CHL sono state significative nella maggior parte del SCS (Figura 8C), sebbene mostrasse tendenze opposte nel nord e nel sud. Un coefficiente di correlazione positivo tra CHL e WSC è stato identificato a sud, con valori negativi a nord. La correlazione nella regione tra di loro non era significativa. Le WS e la CHL sono state fortemente correlate nella regione corrispondente in cui il WS invernale era più grande.

I fronti possono anche indurre variabilità CHL. Una grande correlazione è stata trovata nel nord-est e nel sud-ovest del SCS (Figura 8D). CHL è aumentato man mano che le attività frontali diventavanopiù attive 36. Lo SLA ha mostrato una significativa correlazione negativa con CHL dalla SCS nord-orientale verso sud-ovest e una correlazione positiva lungo la costa occidentale del SCS (Figura 8E). È interessante notare che le correlazioni positive erano limitate alla regione con topografia poco profonda.

A nord-est del SCS, tutte le correlazioni erano grandi (Figura 8). Pertanto, le correlazioni delle serie temporali mensili tra CHL e altri parametri sono state calcolate utilizzando la media spaziale in una casella designata (Figura 8A), e la maggior parte dei fattori erano correlati con correlazioni significative (sezione in alto a destra della tabella 1). Poiché il ciclo stagionale dominava le serie temporali, la correlazione non era più valida dopo aver rimosso la media mensile (sezione in basso a sinistra della tabella 1).

Chl-aSstWsWscFpSla
Chl-a-0.80.780.670.74-0.71
Sst-0.41-0.47-0.51-0.790.86
Ws0.320.040.630.51-0.38
Wsc00.08-0.020.52-0.37
Fp0.21-0.090.030.15-0.74
Sla-0.250.420.070.13-0.08

Tabella 1: Coefficienti di correlazione delle serie temporali tra i fattori, situati a nord-est della SCS, ad esempio SST (temperatura della superficie del mare), FP (probabilità frontale), WSC (wind stress curl) e WS (wind stress), utilizzando la scatola mostrata nella figura 8A. Le medie mensili e le anomalie sono mostrate rispettivamente nella sezione in alto a destra e nella sezione inferiore sinistra. I numeri in grassetto e corsivo indicano che la correlazione non soddisfa il livello di confidenza del 95%. La tabella è stata modificata da Yu etal.

Le correlazioni nel ciclo stagionale non erano significative per alcune regioni, come il sud-ovest del SCS (Figura 8). La regione è dominata da processi dinamici (ad esempio, upwelling e trasporto offshore indotto dal vento) che determinano la variabilità in CHL17. Una correlazione significativa tra CHL e altri fattori (ad esempio, SST, WS, fronti e WSC) è stata identificata in campi anomali (Figura 9). Le anomalie sono state calcolate per le serie temporali mensili eliminando la corrispondente media mensile. Il numero effettivo di gradi di libertà potrebbe essere aumentato, ma studi precedenti hanno dimostrato che non intasa le relazioni sottostanti tra le loro serietemporali 28,37.

figure-results-18994
Figura 9: Correlazione tra il CHL e altri fattori nei campi anomali.
(A) SST, (B) WS, (C) WSC, (D) FP e (E) SLA. Il colore grigio indica che la correlazione non è significativa. Le variabili mediate spazialmente sono calcolate in base alla casella verde del pannello A. Le serie temporali vengono utilizzate per ottenere i coefficienti di correlazione indicati nella tabella 2. Questa cifra è stata modificata da Yu etal. Clicca qui per visualizzare una versione più grande di questa figura.

Nei campi anomali, CHL e SST sono stati significativamente correlati nella maggior parte del SCS(figura 9A). Quando gli SST erano insolitamente alti, la CHL divenne insolitamente bassa e viceversa. Allo stesso modo, un WSC insolitamente alto e fronti a sud-ovest della SCS hanno indotto alti livelli di CHL e viceversa (Figura 9C, 9D). Inoltre, è stata riscontrata una correlazione negativa tra gli SLA e i livelli di CHL (figura 9E). Sono stati testati diversi ritardi e la correlazione è diventata significativa solo se non è stato impiegato alcun ritardo. Pertanto, CHL è stato simultaneamente influenzato da anomalie in SST, WSC e fronti, così come SLA. La loro relazione è stata ulteriormente studiata utilizzando le serie temporali mensili mediate spazialmente a sud-ovest del SCS, designate come scatola verde nella figura 9A. I risultati mostrano che la maggior parte dei fattori era interconnessa con correlazioni significative nel campo anomalo (sezione in basso a sinistra della tabella 2).

Chl-aSstWsWscFpSla
Chl-a-0.150.360.350.26-0.15
Sst-0.59-0.480.610.070.17
Ws0.25-0.24-0.14-0.020.1
Wsc0.29-0.10.410.53-0.21
Fp0.57-0.420.240.29-0.42
Sla-0.30.54-0.23-0.29-0.47

Tabella 2: Coefficienti di correlazione delle serie temporali tra i fattori, situati a sud-ovest della SCS, ad esempio SST (temperatura della superficie del mare), FP (probabilità frontale), WSC (wind stress curl) e WS (wind stress), utilizzando la scatola mostrata nella figura 9A. La media mensile e le anomalie sono mostrate rispettivamente nella sezione in alto a destra e nella sezione inferiore sinistra. I numeri in grassetto e corsivo indicano che la correlazione non soddisfa il livello di confidenza del 95%. La tabella è stata modificata da Yu etal.

File supplementari. Clicca qui per scaricare questo file. 

Discussione

In questo studio, le principali caratteristiche dei sistemi marini sono descritte utilizzando osservazioni satellitari. Il CHL, che può essere utilizzato per rappresentare la produzione oceanica, è selezionato come fattore indicatore. I fattori relativi alla variabilità CHL sono stati studiati utilizzando serie temporali medie mensili, ad esempio SST, WS, WSC, FP e SLA. In questo studio vengono descritti tre passaggi critici: acquisire dati satellitari per parametri diversi, descriverne le variabilità spaziali e temporali tramite EOF e determinare le interrelazioni tra fattori diversi calcolando i coefficienti di correlazione. È inclusa una procedura dettagliata che mostra l'identificazione per la distribuzione frontale giornaliera, derivata dalle osservazioni SST. Sono stati sviluppati due approcci principali per il rilevamento frontale SST: il metodogradiente 10,38 e il metodo dell'istogramma39,40. Il metodo dell'istogramma si basa su un intervallo simile di valori per l'SST, che può essere utilizzato per dividere le masse d'acqua in gruppi diversi. I pixel con valori tra gruppi diversi che rappresentano il pixel in una banda di transizione sono definiti come fronti. D'altra parte, il metodo gradiente separa diversi corpi idrici relativamente uniformi come pixel con grandi valori di sfumatura. È stato condotto uno studio comparativo, che ha rilevato tassi falsi più bassi utilizzando il metodo dell'istogramma e meno fronti persi utilizzando il metodogradiente 41. In questo studio, il metodo basato sul gradiente38 è stato adottato a seguito di precedentistudi 10,28. L'algoritmo può evitare la rottura frontale in più frammenti di bordo permettendo alla magnitudine di diminuire a un livello inferiore a una soglia più piccola. Oltre al set di dati incluso qui, altre osservazioni satellitari, come l'indice aerosol, possono anche essere utilizzate con un approccio simile.

La maggior parte delle procedure può essere applicata direttamente in altre aree o set di dati. La modifica può avvenire per modificare la soglia del rilevamento frontale. Poiché il gradiente SST nel SCS è paragonabile al sistema di corrente limite orientale28, le stesse soglie sono state implementate per lo studio corrente. Uno studio precedente ha rivelato che il gradiente SST di diversi set di dati può variare fino a tre volte42, il che rende il metodo in qualche modo meno obiettivo. Studi approfonditi hanno studiato le attività frontali intorno agli oceaniglobali 28,43. L'approccio migliore per convalidare i fronti è confrontarli con le osservazioni in situ. Yao44 descrisse la distribuzione frontale mensile per la SCS. I loro risultati sono stati ben concordati con le misurazioni in situ. Il gradiente complessivo deve essere controllato e regolato poiché il suo valore può variare a seconda della risoluzione spaziale e degli strumenti. In particolare, la soglia deve essere aggiornata quando viene utilizzato un altro set di dati SST. Una comprensione di base delle dinamiche regionali è fondamentale per comprendere la frontogenesi45,46,47. Lo script di rilevamento frontale può essere sviluppato da singoli autori in base alla descrizione in questo documento.

Le informazioni satellitari offrono una comprensione completa delle caratteristiche superficiali e un confronto dei risultati con le osservazioni in situ può aiutare a valutare la credibilità. Tuttavia, le osservazioni satellitari sono limitate alla superficie oceanica, il che limita l'applicazione per comprendere la struttura verticale della colonna d'acqua. In un recente studio, le osservazioni satellitari hanno rivelato che la superficie CHL è aumentata di 15 volte, ma il valore verticale integrato è aumentato solo di 2,5 per48. Questa differenza è dovuta al fatto che il valore superficiale è stato influenzato dai coeffati della crescita del fitoplancton e della spinta dell'MLD, con conseguente valore irrealizzabile sulla superficie. Pertanto, la feature di superficie potrebbe non offrire una descrizione accurata per l'intera colonna d'acqua. Inoltre, l'influenza della copertura nuvolosa limita le continue osservazioni dei satelliti. Pertanto, le serie temporali mensili sono calcolate per fattori diversi nella stessa regione e nello stesso periodo. Ciò garantirà la credibilità del calcolo delle correlazioni tra i diversi fattori. Tuttavia, gli eventi di breve durata, ad esempio i tifoni che durano da pochi giorni a una settimana, non saranno risolti.

Rispetto agli studi precedenti, il metodo proposto può offrire informazioni spaziali a livello di pixel, che possono aiutare a valutare le dinamiche in modo più dettagliato. Alcuni studi precedenti hanno in media l'intero SCS come un unico numero e hanno ottenuto una serie di tempo. Hanno scoperto che un WS insolitamente forte e un SST elevato possono indurre CHL16 anomalomente alto,il che è coerente con il risultato corrente. Tuttavia, la variazione spaziale nelle relazioni non è stata risolta. In questo studio, la correlazione su scala di bacino tra WS e CHL era debole nel campo anomalo. Una grande correlazione significativa è stata identificata solo per alcune aree, ad esempio al centro del SCS (Figura 9B). Pertanto, il metodo attuale offre una descrizione completa per indagare le variazioni spaziali. Allo stesso modo, sono state utilizzate osservazioni di due galleggianti Bio-Argo che hanno rivelato che WSC non era correlato con la variabilitàCHL 20. Tuttavia, le traiettorie dei due galleggianti si trovano solo in determinate regioni. In questo caso, è stato esattamente all'interno della banda in cui la correlazione tra il livello CHL e il WSC non era significativa (Figura 8D). Il metodo proposto è molto utile per risolvere la dipendenza spaziale tra i fattori, che è una caratteristica fondamentale dell'oceano globale.

In sintesi, il metodo qui utilizzato può descrivere con precisione la distribuzione spaziale e la variabilità temporale nelle caratteristiche della superficie oceanica usando le osservazioni satellitari. Con la crescente risoluzione dei set di dati satellitari, è possibile identificare e esaminare funzionalità più dettagliate, il che consente una comprensione generale delle funzionalità regionali, tra cui CHL, SST e SSH. La correlazione delle serie temporali mensili tra i diversi fattori può aiutare a comprendere le loro relazioni dinamiche e il potenziale impatto su unecosistema 49. Poiché la correlazione può variare in gran parte in diverse posizioni spaziali, il metodo proposto offre una descrizione dettagliata e completa. Un approccio simile può essere applicato a qualsiasi bacino oceanico in tutto il mondo, il che sarà molto utile per migliorare la comprensione delle dinamiche marine e degli ecosistemi.

Divulgazioni

Gli autori non hanno nulla da rivelare.

Riconoscimenti

Il supporto del National Key Research and Development Program of China (n. 2016YFC1401601), il Programma di ricerca e innovazione post-laurea della provincia di Jiangsu (n. SJKY19_0415) sostenuti dai Fondi di ricerca fondamentali per le università centrali (n. 2019B62814), dalla National Natural Science Foundation of China (numeri 41890805, 41806026 e 41730536) e dagli studi marini ed ecologici avanzati congiunti nel Golfo del Bengala e nell'Oceano Indiano equatoriale orientale sono stati ampiamente riconosciuti. Gli autori apprezzano la fornitura di dati provenienti da fonti tra cui la National Aeronautics and Space Administration (NASA), il Centro europeo per le previsioni meteorologiche a medio raggio (ECMWF), il Copernicus Marine and Environment Monitoring Service (CMEMS) e la National Oceanic and Atmospheric Administration (NOAA).

Materiali

NameCompanyCatalog NumberComments
MatlabMathWorksMatlab R2016https://www.mathworks.com/products/matlab.html; referred to analysis software in the protocol
Sea surface chlorophyllNASAMODISmg/mg3 (podaac-tools.jpl.nasa.gov)
Sea surface heightAVISOAVISOmeter (www.aviso.altimetry.fr)
Sea surface temperatureNASAMODIS°C (podaac-tools.jpl.nasa.gov)
TopographyNOAANGDCmeter (maps.ngdc.noaa.gov/viewers/wcs-client/)
WindECMWFERA-interimm/s (www.ecmwf.int/en/forecasts/datasets)

Riferimenti

  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).

Ristampe e Autorizzazioni

Richiedi autorizzazione per utilizzare il testo o le figure di questo articolo JoVE

Richiedi Autorizzazione

Esplora altri articoli

Scienze ambientaliNumero 160clorofillatemperatura della superficie del marealtezza della superficie del mareMar Cinese Meridionaleciclo stagionaleosservazioni satellitari

This article has been published

Video Coming Soon

JoVE Logo

Riservatezza

Condizioni di utilizzo

Politiche

Contattaci

SUGGERISCI JOVE ALLA BIBLIOTECA

Newsletter di JoVE

Ricerca

Didattica

Autori

Personale delle biblioteche

CHI SIAMO

Copyright © 2025 MyJoVE Corporation. Tutti i diritti riservati