Name: investigating the relationship between sea surface chlorophyll and major features of the south china sea with satellite information
Uploaded: 2020-06-13T13:30:00
Duration: 10 min 28 s
Description: Watch this Scientific Journal Video about Investigating the Relationship between Sea Surface Chlorophyll and Major Features of the South China Sea with Satellite Information at JoVE.com

Støtten fra Kinas nationale centrale forsknings- og udviklingsprogram (nr. 2016YFC1401601), Postgraduate Research & Practice Innovation Program of Jiangsu Province (Nr. SJKY19_0415) støttet af grundforskningsfondene for de centrale universiteter (nr. 2019B62814), National Natural Science Foundation of China (nr. 41890805, 41806026 og 41730536) og fælles avancerede marine og økologiske studier i Den Bengalske Bugt og det østlige ækvatoriale Indiske Ocean blev i høj grad anerkendt. Forfatterne sætter pris på levering af data fra kilder, herunder National Aeronautics and Space Administration (NASA), Det Europæiske Center for Medium-Range Vejrudsigter (ECMWF), Copernicus Marine and Environment Monitoring Service (CMEMS) og National Oceanic and Atmospheric Administration (NOAA).

1. Dataindsamling
<ol><li>SST og CHL<ol>
<li>Download et datasæt af satellitobservationer for SST og CHL fra MODIS-Aqua (podaac-tools.jpl.nasa.gov/), hvor den rumlige opløsning af begge datasæt er ca. 4,5 km med daglige intervaller. BEMÆRK: Strukturer mapperne og dataene efter den eksempelscriptmappe, der er tilgængelig i supplerende filer. Gem .nc-filerne på satellitdataene i mappen 'Data'. Føj stien til NetCDF-værktøjskassen i analysesoftwaren (dvs. Vælg Tilføj med undermapper for at omslutte stierne i mappen 'UTILITIES' og dens undermapper.</li>
		<li>Bestem tidsintervalt. Hvis du vil bevare ensartetheden mellem forskellige datasæt, skal du bruge det samme tidsinterval for alle parametre. Juster tidsintervallet baseret på den tidsmæssige dækning, og brug den længste observationsperiode mellem forskellige datasæt. I forbindelse med denne protokol skal du hente 15 års data fra oktober 2002 til september 2017.</li>
		<li>Bestem den rumlige dækning. BEMÆRK: Det designede studieområde er mellem 105°E og 123°E og mellem 0° og 25°N.</li>
		<li>Kontroller forbehandlingsinstruktioner. Læs vejledningen i .nc-filerne vedrørende kravene til forbehandling af SST- og CHL-dataene (f.eks. om skalering er nødvendig). BEMÆRK: Det downloadede datasæt omfatter allerede data over land og inden for 5 km fra kysten samt data, der er forurenet med skyer.</li>
		<li>Indlæs SST- og CHL-data i analysesoftwaren. Skriv Read_MODIS_SST i kommandovinduet for at læse SST-dataene. På samme måde skal du Read_MODIS_CHL i kommandovinduet for at læse CHL-dataene. Transformer CHL-datalogaritmisk, fordi de har en log-normal fordeling31. BEMÆRK: Indlæste variabler omfatter SST og CHL i tre dimensioner, der repræsenterer henholdsvis meridional placering, zoneplacering og tid i dage. Rækken af SST'er er mellem -2 og 44, og intervallet for CHL er mellem 0,01 og 20.</li>
	</ol></li>
	<li>Havoverfladen anomali (SLA)<ol>
<li>Download daglige SLA-data med en rumlig opløsning på 25 km fra 2002-201732. BEMÆRK: SLA'er beskriver forskellen mellem observerede havoverfladehøjder og den gennemsnitlige havoverfladehøjde over 20 år (1993-2012) for en tilsvarende pixel. SLA-dataene behandles af SSALTO/DUACS og distribueres ved arkivering, validering og fortolkning af satellit oceanografiske data (AVISO, https://www.aviso.altimetry.fr).</li>
		<li>Indlæs data i analysesoftwaren. Indlæs endags SLA-data ved at Read_SLA i kommandovinduet. BEMÆRK: Mappen 'Data' i de supplerende filer indeholder kun ét eksempel i scriptet til illustration.</li>
	</ol></li>
	<li>Vindhastighed<ol>
<li>Få vindinformationen fra et ERA-Interim reanalyseprodukt, som er et globalt datasæt for atmosfærisk reanalyse udviklet af European Center for Medium-Range Weather Forecasts (ECMWF)33. Download vinddata for samme periode (oktober 2002-september 2017) for at opretholde overensstemmelse med CHL- og SST-dataene. BEMÆRK: Vinddatasættet har en rumlig opløsning på ca. 25 km og blev interpoleret fra det oprindelige datasæt med en rumlig opløsning på ca. 0,7°.</li>
		<li>Indlæs data i analysesoftwaren. Skriv Read_WindVector i kommandovinduet for at læse vinddataene på en måned. Beregn det månedlige gennemsnit ved at beregne gennemsnittet af de oprindelige data, som er med 6 h intervaller.</li>
	</ol></li>
	<li>Topografi<ol>
<li>Download topografidata med høj opløsning fra webstedet National Centers for Environmental Information (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). Den rumlige opløsning er ~ 2 km. Få ETOPO1-dataene for grundfjeld i XYZ-format for det valgte studieområde.</li>
		<li>Indlæs data i analysesoftwaren. Skriv Read_topography i kommandovinduet for at indlæse topografidataene i analysesoftwaren.</li>
	</ol></li>
</ol>2. Forbehandling af data
<ol><li>Tidsmæssigt gennemsnit<ol>
<li>På grund af den store skydækning i SST- og CHL-dataene skal du erstatte de oprindelige data med 3-dages gennemsnitsdata. Det kan du gøre, når du har kørt Read_MODIS_SST.m- Read_MODIS_CHL.m-scripts (trin 1.1.5), skal du skrive Temporal_average i kommandovinduet for at køre scriptet.</li>
	</ol>
</li>
	<li>Interpolation i samme gitter<ol>
<li>Da den rumlige opløsning ikke er ensartet for forskellige datasæt, skal SST- og CHL-dataene interpoleres i et rumligt gitter, der er det samme som det fysiske gitter for vind og SLA, før der foretages sammenligninger. Når du har Temporal_average.m scripts Read_WindVector.m, skal du Interpolation_grid i kommandovinduet for at køre scriptet.</li>
	</ol>
</li>
	<li>Vindstress og vindstresskrølle<ol>
<li>Skriv Wind_stress_curl i kommandovinduet for at beregne vindstress (WS) og vindstresskrøk (WSC) ved hjælp af følgende ligninger: <img alt="Equation 1" src="/files/ftp_upload/61172/61172equ01.jpg"> <img alt="Equation 2" src="/files/ftp_upload/61172/61172equ02.jpg"> hvor <img alt="Equation 10" src="/files/ftp_upload/61172/icon01.jpg"> er vindhastighedsvektoren, <img alt="Equation 10" src="/files/ftp_upload/61172/icon02.jpg"> er WS i samme retning som vindvektoren, og er WS i henholdsvis <img alt="Equation 10" src="/files/ftp_upload/61172/icon03.jpg"> <img alt="Equation 10" src="/files/ftp_upload/61172/icon04.jpg"> øst- og <img alt="Equation 10" src="/files/ftp_upload/61172/icon05.jpg"> nordretningen, er lufttætheden (svarende til 1,2 kg/m3),og C er trækkoefficienten (en værdi på 0,0015 anvendes) under neutrale stabilitetsforhold34.</li>
	</ol>
</li>
	<li>Månedlige gennemsnit<ol>
<li>Beregn den månedlige SST-, vind- og SLA-tidsserie som 30-dages gennemsnit i hver pixel ved at skrive Monthly_average for at køre scriptet. På grund af den høje skydækningsgrad skal du bruge et 60-dages gennemsnit som den månedlige tidsserie for CHL, herunder 30 dage før til 30dage efter den 15.</li>
	</ol>
</li>
</ol>3. SST front detektion
<ol><li>Rumlig udjævning<ol>
<li>Skriv Spatial_smoothing for at køre scriptet for at beregne gennemsnittet af de tre dages SST-data i hver pixel. BEMÆRK: Der blev identificeret en stor mængde støj i SST-dataene. Således blev dataene glattet med en 3 x 3 rumlige gennemsnit. Når der ikke foreligge data i de oprindelige 3-dages gennemsnitsdata, blev de geogennemsnitsdata angivet som utilgængelige.</li>
	</ol>
</li>
	<li>SST-forløb<ol>
<li>Skriv SST_gradient for at køre scriptet for at beregne zone- og meridionale SST-gradienter (dvs. henholdsvis Gxog Gy)som SST-forskellen mellem de nærmeste to pixel divideret med den tilsvarende afstand via ligning (3). Brug den opnåede forløbsvektor til at beregne det samlede forløb, G, som en skalar efter ligning (4). <img alt="Equation 3" src="/files/ftp_upload/61172/61172equ03.jpg"> <img alt="Equation 4" src="/files/ftp_upload/61172/61172equ04.jpg">
</li>
	</ol>
</li>
	<li>Lokalt maksimum<ol>
<li>Identificer en front ved at teste en SST-forløbsværdi: mærk en pixel som en potentiel frontal pixel, hvis værdien er større end en angivet tærskelværdi. Bevar kun den lokale maksimale pixel i samme retning vinkelret på forløbsretningen, hvis der er forbundne pixel med værdier, der er større end tærsklen. Her defineres tærsklen som 0,035 °C/km efter tidligere undersøgelser10,28. BEMÆRK: Det tilsvarende script' Local_maximum.m' er tilgængeligt i de supplerende filer.</li>
	</ol>
</li>
	<li>Månedlig frontal sandsynlighed (FP) BEMÆRK: Frontal sandsynlighed (FP) beskriver sandsynligheden for at observere en front.<ol>
<li>Beregn FP'et i et bestemt tidsrum (i dette tilfælde et månedligt interval) ved at skrive Monthly_FP for at køre scriptet. Divider forekomsten af fronter på hver pixel i løbet af et tidsvindue med det antal dage, der er fri for skyer.</li>
	</ol>
</li>
</ol>4. Rumlig og tidsmæssig variation
<ol><li>Sæsonbestemt cyklus<ol>
<li>Beregn sæsoncyklusser af forskellige faktorer som gennemsnittet af forskellige årstider. Definer årstiderne som følger: vinteren er fra december til februar, foråret er fra marts til maj, sommeren er fra juni til august, og efteråret er fra september til november. BEMÆRK: Sæsoncyklussen er ikke vist i denne undersøgelse; følgende metode bruges til at forklare den rumlige og tidsmæssige variabilitet i stedet.</li>
	</ol>
</li>
	<li>Empirisk ortogonal funktion (EOF)<ol>
<li>Fjern det tidsmæssige gennemsnit og de tilgængelige pixel. Før EOF udføres, skal du trække det samlede gennemsnit ved hver pixel fra og udelukke de steder, hvor manglende observationer overstiger 20 % på grund af skydækning. Indlæs data ved at skrive indlæsning(Monthly_data_for_EOF.mat' i kommandovinduet.</li>
		<li>Anvend en EOF til at beskrive de rumlige og tidsmæssige variabiliteter af forskellige parametre. Skriv Empirical_orthogonal_function.m til at køre scriptet til at beregne størrelsen (Mag), eigenvalues (Eig), og amplitude (Amplitude) af EOFs for datasættet (dvs. tidsserier af månedlige gennemsnitlige SST, vind stress, vind stress krølle, CHL, og FP). BEMÆRK: Funktionen nedbrydes den månedlige tidsserie i forskellige tilstande, som er sammensat af rumlige og tidsmæssige mønstre og variansen forklaret ved hver tilstand falder med stigende tilstandsnummer.</li>
	</ol>
</li>
</ol>5. Samcorrelation
<ol><li>Korrelation på sæsonskalaen<ol>
<li>Beregn korrelationerne mellem to faktorer ved hjælp af deres tidsserier ved hver pixel ved at Seasonal_correlation for at køre scriptet. Da årstidens cyklus ikke er fjernet, skal du kontrollere korrelationens betydning for alle korrelationer.</li>
	</ol>
</li>
	<li>Korrelation af et unormalt felt<ol>
<li>Beregn korrelationerne mellem de månedlige CHL-uregelmæssigheder og andre faktorer, f.eks. De månedlige uregelmæssigheder (dvs. afvigelsen fra middelstatus) opnås ved at trække det samlede gennemsnit for en tilsvarende måned fra den månedlige tidsserie. Skriv Anomalous_correlation for at køre scriptet og hente korrelationerne.</li>
	</ol>
</li>
</ol>6. Visning af oplysninger og beregning af relationer
<ol><li>Vis satellitoplysninger.<ol>
<li>Skriv Sat_SCS_Fig3457 at køre scriptet for at generere et udstillingsvindue for satellitoplysninger, herunder SST-, CHL- og frontaldistributioner. Angiv den aktuelle mappe som 'scripts', hvor dataene 'Sat_SCS_data.mat' er placeret. BEMÆRK: Figur 1, Figur 2, Figur 3og Figur 4 viser SST, CHL, fronter, vind og topografi for den valgte dato som eksempel.</li>
	</ol>
</li>
	<li>Få vist EOF-resultatet ved at Sat_SCS_Fig890.m for at køre scriptet. BEMÆRK: Figur 5, Figur 6og Figur 7 beskriver den rumlige størrelse, det månedlige gennemsnit og tidsrækkerne for de første to tilstande for henholdsvis CHL, SST og fronter.</li>
	<li>Beregn forholdet mellem CHL og andre faktorer på sæsonbestemte tidsskalaer og for unormale felter ved at skrive Sat_SCS_Fig1112.m at køre scriptet. Der fremskaf sammenligningskortet for sæsonudsving (figur 8) og uregelmæssigheder (Figur 9).</li>
</ol>

Forfatterne har intet at afsløre.

I denne undersøgelse beskrives de vigtigste træk ved marine systemer ved hjælp af satellitobservationer. CHL, som kan bruges til at repræsentere havproduktionen, vælges som en indikatorfaktor. Faktorer relateret til CHL variabilitet blev undersøgt ved hjælp af månedlige gennemsnitlige tidsserier, f.eks. Tre kritiske trin er beskrevet i denne undersøgelse: erhvervelse af satellitdata for forskellige parametre, beskrivelse af deres rumlige og tidsmæssige variabilitet via EOF og bestemmelse af indbyrdes forhold mellem forskellige faktorer ved at beregne korrelationskoefficienter. Der medfølger en detaljeret procedure, der viser identifikationen af den daglige frontaldistribution, som er afledt af SST-observationerne. Der er udviklet to større tilgange til SST-frontdetektion: gradientmetoden10,38 og histogrammetoden39,40. Histogrammetoden er baseret på et tilsvarende værdiinterval for SST, som kan bruges til at opdele vandmasserne i forskellige grupper. Pixel med værdier mellem forskellige grupper, der repræsenterer pixlen i et overgangsbånd, defineres som fronter. På den anden side adskiller gradientmetoden flere relativt ensartede vandområder som pixel med store gradientværdier. En sammenligning undersøgelse blev gennemført, og de fandt lavere falske satser ved hjælp af histogram metode og færre ubesvarede fronter ved hjælp af gradient metode41. I denne undersøgelse blev den gradientbaserede metode38 vedtaget efter tidligere undersøgelser10,28. Algoritmen kan undgå frontopbrydende i flere kantfragmenter ved at lade omfanget falde til et niveau under en mindre tærskel. Ud over det datasæt, der er medtaget her, kan andre satellitobservationer, såsom aerosolindekset, også anvendes med en lignende fremgangsmåde.
De fleste af procedurerne kan anvendes direkte i andre regioner eller datasæt. Der kan ske ændringer for at ændre tærsklen for frontdetektering. Da SST-gradienten i SCS kan sammenlignes med det nuværende system for den østlige grænse28, blev de samme tærskler gennemført for den aktuelle undersøgelse. En tidligere undersøgelse viste, at SST gradient fra forskellige datasæt kan variere så meget som tre gange42, hvilket gør metoden eller anden måde mindre objektiv. Omfattende undersøgelser har undersøgt frontale aktiviteter omkring det globale ocean28,43. Den bedste fremgangsmåde til at validere fronter er at sammenligne dem med in situ observationer. Yao44 beskrev den månedlige frontaldistribution for SCS. Deres resultater var godt enige med in situ målinger. Den samlede gradient bør kontrolleres og justeres, da værdien kan variere afhængigt af den rumlige opløsning og instrumenterne. Tærsklen bør navnlig ajourføres, når der anvendes et andet SST-datasæt. En grundlæggende forståelse af den regionale dynamik er afgørende for forståelsen af frontogenese45,46,47. Frontdetekteringsscriptet kan udvikles af individuelle forfattere baseret på beskrivelsen i dette papir.
Satellitinformation giver en omfattende forståelse af overfladefunktioner, og en resultatsammenligning med in situ-observationer kan bidrage til at vurdere troværdigheden. Satellitobservationer er imidlertid begrænset til havoverfladen, hvilket begrænser anvendelsen af forståelse af vandsøjlens lodrette struktur. I en nylig undersøgelse viste satellitobservationer, at overfladen CHL steg med 15 gange, men den vertikale integrerede værdi steg kun med 2,5 gange48. Denne forskel skyldtes, at overfladeværdien blev påvirket af coeffects af fytoplanktonvækst og stimering af MLD, hvilket resulterede i en urealiseret værdi ved overfladen. Overfladefunktionen giver således muligvis ikke en nøjagtig beskrivelse af hele vandsøjlen. Derudover begrænser indflydelsen af skydækning satellitters fortsatte observationer. Månedlige tidsserier beregnes således for forskellige faktorer i samme region og samme periode. Dette vil sikre troværdigheden af beregningen af korrelationerne mellem forskellige faktorer. Men de korte periode begivenheder, f.eks tyfoner, der varer et par dage til en uge, vil ikke blive løst.
Sammenlignet med tidligere undersøgelser kan den foreslåede metode tilbyde rumlig information på pixelniveau, hvilket kan bidrage til at evaluere dynamikken på en mere detaljeret måde. Nogle tidligere undersøgelser gennemsnit hele SCS som et enkelt nummer og opnået en tidsserie. De fandt, at en usædvanlig stærk WS og høj SST kan fremkalde unormalt høj CHL16, hvilket er i overensstemmelse med det nuværende resultat. Den geografiske variation i relationerne blev dog ikke løst. I denne undersøgelse var bassinskalarelationen mellem WS og CHL svag på det unormale område. Der blev kun identificeret en stor signifikant korrelation for visse områder,f.eks. Den nuværende metode giver således en omfattende beskrivelse til undersøgelse af rumlige variationer. På samme måde blev der anvendt observationer fra to Bio-Argo-flåd, og det viste sig, at WSC ikke korrelerede med CHL-variabilitet20. De to flåds forløb er dog kun placeret i visse regioner. I dette tilfælde var det præcis inden for båndet, hvor sammenhængen mellem CHL-niveauet og WSC ikke var signifikant (figur 8D). Den foreslåede metode er meget nyttig til at løse den geografiske afhængighed blandt faktorer, som er et grundlæggende kendetegn ved det globale hav.
Sammenfattende kan den metode, der anvendes her, præcist beskrive den rumlige fordeling og tidsmæssige variabilitet i havets overflade funktioner ved hjælp af satellit observationer. Med den stigende opløsning af satellitdatasæt kan der identificeres og undersøges mere detaljerede funktioner, hvilket giver mulighed for en generel forståelse af regionale funktioner, herunder CHL, SST og SSH. Sammenhængen mellem månedlige tidsserier mellem forskellige faktorer kan bidrage til at forstå deres dynamiske relationer og potentielle indvirkning på etøkosystem 49. Da korrelationen i høj grad kan variere på forskellige rumlige steder, giver den foreslåede metode en detaljeret og omfattende beskrivelse. En lignende tilgang kan anvendes på alle havområder på verdensplan, hvilket vil være yderst nyttigt for at forbedre forståelsen af marine dynamikker og økosystemer.

Telemålingsteknologi tilbyder fantastiske datasæt med store rumlige skalaer og lange perioder til beskrivelse af havmiljøer. Med den stigende rumlige opløsning af satellitter, er detaljerede funktioner nu løst fra den regionale skala til et par hundrede meter1,2. Der kan opnås en bedre forståelse af marinedynamikken med de mest opdaterede satellitobservationer3.
Ved at inkorporere flere sensorer på en telemålingsplatform er en omfattende beskrivelse af forskellige parametre mulig. Havoverfladetemperatur (SST) er den grundlæggende parameter, der er blevet observeret i mere end et halvt århundrede4. For nylig er observationer for chlorofyl-a (CHL) blevet tilgængelige og kan bruges til at beskrive den marine produktivitet5. Altimetry-satellitter anvendes til måling af havoverfladehøjde6,7, som er stærkt relateret til mesoskala eddy-aktiviteter i det globale hav8,9. Ud over hvirvler er frontale aktiviteter også vigtige for at påvirke den regionale dynamik og primærproduktionen10.
Hovedfokus for den nuværende undersøgelse er at finde en standardprocedure til at beskrive de rumlige fordeling og tidsmæssige varia evner af forskellige havfaktorer. I denne metode analyseres SST, CHL, SSH og frontdata, som er afledt af SST-forløb, for at bestemme mønstre. CHL anvendes især til at repræsentere havets produktivitet, og der indføres en metode til at undersøge forholdet mellem CHL og andre havparametre. For at validere metoden blev tidsperioden mellem oktober 2002 og september 2017 i Det Sydkinesiske Hav anvendt til at undersøge alle parametre. Metoden kan nemt bruges til andre regioner rundt om i verden til at fange store havmønstre og undersøge, hvordan marine dynamik påvirker økosystemet.
Det Sydkinesiske Hav (SCS) blev udpeget som undersøgelsesregion på grund af dets relativt høje dækningsgrad for satellitobservationer. SCS er rigeligt i solstråling; CHL bestemmes således hovedsagelig af tilgængeligheden af næringsstoffer11,12. Med flere næringsstoffer, der transporteres ind i euforiserende lag, CHL niveauer kan stige13. Blanding, induceret af vind, kan indføre næringsstoffer i havoverfladen og forbedre CHL14. SCS er unikt domineret af et monsunvindsystem, der bestemmer dynamikken og økosystemet i regionen. Monsunvinden er stærkest i løbet afvinteren 15. Om sommeren skifter vinden retning, og vindhastighederne er meget svagere end i vinter16,17. Vindintensiteten kan bestemme styrken af lodret blanding, således at blandet lag dybde (MLD) uddyber som vinden stiger om vinteren og bliver fladere som vinden falder i sommeren18. Således transporteres flere næringsstoffer ind i det euforiske lag om vinteren, når vinden erstærk 19 og CHL når sit højeste punkt iår 20,21.
Ud over vinden kan MLD også bestemmes ved hjælp af andre faktorer, såsom SST og havniveau anomalier (SLA'er), som i sidste ende påvirker næringsstofindholdet og CHL22. Om vinteren er den svage lodrette hældning forbundet med lave temperaturer ved overfladen20. Den tilsvarende MLD er dyb og flere næringsstoffer kan transporteres opad; CHL i overfladelaget er således høj17. En stigende variation i CHL niveauer kan tilskrives mesoscale hvirvler, som inducerer lodret transport og blanding23. Upwelling findes normalt i cykloniske hvirvler forbundet med deprimerede SLA'er8,9 og forhøjede CHL-koncentrationer24. Downwelling findes normalt i anticykloniske hvirvler forbundet med forhøjedeSLA'er 8,9 og deprimerede CHL-koncentrationer24. For andre sæsoner, bliver MLD lavvandet, og blanding bliver svag; således kan lav CHL observeres over størstedelen af bassinet25. De sæsonbestemte cyklusser for CHL-niveauerne er efterfølgende fremherskende for regionen26.
Ud over at blande, fronter og deres tilhørende kystnære upwelling kan yderligere modulere CHL. Fronten, der defineres som en grænse for forskellige vandmasser, er vigtig for at bestemme den regionale cirkulation og økosystemrespons27. Frontogenese er normalt forbundet med kystnære upwelling og konvergens28,29, som kan fremkalde næringsstoffer og øge væksten af fytoplankton30. Forskellige algoritmer er blevet udviklet til automatisk at identificere fronter fra satellit observationer, herunder histogram og SST gradient metoder. Sidstnævnte fremgangsmåde anvendes i denne undersøgelse28.
Sammenhængen mellem tidsserier mellem CHL og forskellige faktorer giver stor indsigt for kvantificering af deres forhold. Den nuværende undersøgelse giver en omfattende beskrivelse af, hvordan man bruger satellitobservationer til at afsløre regionale marinedynamik i forbindelse med produktivitet. Denne beskrivelse kan bruges som vejledning til undersøgelse af overfladeprocesserne i alle dele af havet. Strukturen i denne artikel indeholder en trinvis protokol efterfulgt af beskrivende resultater i teksten og tallene. Anvendeligheden ud over metodens fordele og ulemper drøftes efterfølgende.

<table>
	<tbody>
		<tr>
			<td>Matlab</td>
			<td>MathWorks</td>
			<td>Matlab R2016</td>
			<td>https://www.mathworks.com/products/matlab.html; referred to analysis software in the protocol</td>
		</tr>
		<tr>
			<td>Sea surface chlorophyll</td>
			<td>NASA</td>
			<td>MODIS</td>
			<td>mg/mg3 (podaac-tools.jpl.nasa.gov)</td>
		</tr>
		<tr>
			<td>Sea surface height</td>
			<td>AVISO</td>
			<td>AVISO</td>
			<td>meter (www.aviso.altimetry.fr)</td>
		</tr>
		<tr>
			<td>Sea surface temperature</td>
			<td>NASA</td>
			<td>MODIS</td>
			<td>&#176;C (podaac-tools.jpl.nasa.gov)</td>
		</tr>
		<tr>
			<td>Topography</td>
			<td>NOAA</td>
			<td>NGDC</td>
			<td>meter (maps.ngdc.noaa.gov/viewers/wcs-client/)</td>
		</tr>
		<tr>
			<td>Wind</td>
			<td>ECMWF</td>
			<td>ERA-interim</td>
			<td>m/s (www.ecmwf.int/en/forecasts/datasets)</td>
		</tr>
	</tbody>
</table>

investigating the relationship between sea surface chlorophyll and major features of the south china sea with satellite information

Satellitobservationer er en god metode til at undersøge de særlige forhold ved større havparametre, herunder chlorofyl (CHL), havoverfladetemperatur (SST), havoverfladehøjde (SSH) og faktorer, der stammer fra disse parametre (f.eks. fronter). Denne undersøgelse viser en trinvis procedure til at bruge satellitobservationer til at beskrive større parametre og deres relationer i sæson- og anormerede områder. Denne metode er illustreret ved hjælp af satellitdatasæt fra 2002-2017, der blev brugt til at beskrive overfladefunktionerne i Det Sydkinesiske Hav (SCS). På grund af skydækning blev der anvendt månedlige gennemsnitsdata i denne undersøgelse. Den empiriske ortogonale funktion (EOF) blev anvendt til at beskrive de forskellige faktorers rumlige fordeling og tidsmæssige variabilitet. Monsunvinden dominerer variabiliteten i bassinet. Således blev vind fra reanalysedatasættet brugt til at undersøge sin drivkraft på forskellige parametre. Sæsonudsvingene i CHL var fremtrædende og signifikant korreleret med andre faktorer i størstedelen af SCS. Om vinteren, en stærk nordøst monsun inducerer en dyb blandet lag og højt niveau af klorofyl i hele bassinet. Der blev fundet signifikante korrelationskoefficienter blandt faktorerne i sæsoncyklussen. Om sommeren blev høje CHL-niveauer for det meste fundet i det vestlige SCS. I stedet for en sæsonbestemt afhængighed var regionen meget dynamisk, og faktorer korreleret betydeligt i unormale områder, således at usædvanligt høje CHL niveauer var forbundet med unormalt stærk vind og intense frontal aktiviteter. Undersøgelsen præsenterer en trinvis procedure til at bruge satellitobservationer til at beskrive større parametre og deres relationer i sæson- og anormerede områder. Metoden kan anvendes på andre globale oceaner og vil være nyttigt for at forstå marine dynamik.

Watch this Scientific Journal Video about Investigating the Relationship between Sea Surface Chlorophyll and Major Features of the South China Sea with Satellite Information at JoVE.com

Investigating the Relationship between Sea Surface Chlorophyll and Major Features of the South China Sea with Satellite Information

Havoverfladechlorofyl, temperatur, havniveau højde, vind, og front data opnået eller afledt af satellit observationer tilbyder en effektiv måde at karakterisere havet. Præsenteret er en metode til en omfattende undersøgelse af disse data, herunder det samlede gennemsnit, sæsoncyklus, og indbyrdes forbindelse analyser, til fuldt ud at forstå regionale dynamik og økosystemer.

Undersøgelse af forholdet mellem Havoverfladen Klorofyl og de vigtigste funktioner i Det Sydkinesiske Hav med satellitoplysninger

Satellite observations offer a great approach to investigate the features of major marine parameters, including sea surface chlorophyll (CHL), sea surface ...

Satellit observationer tilbyder en stor tilgang til at undersøge funktionerne i de vigtigste marine parametre, herunder havoverflade klorofyl og temperatur, havoverflade højde, og de faktorer, der stammer fra disse parametre, såsom fronter. Vores undersøgelse viser, hvordan man bruger satellitobservationer til at beskrive større parametre og deres relationer. Satellitdatavidenskab fra 2002 til 2017 blev brugt til at beskrive overfladefunktionerne i Det Sydkinesiske Hav.Satellitobservationen af klorofyl er en faktor, som anvendes til beskyttelse af havet. Faktorer relateret til klorofyl variabilitet blev undersøgt ved hjælp af tidsserier. Metoden kan anvendes på andre globale oceaner og vil være nyttige til at forstå marine dynamik og økosystemet.Vi viser en trinvis procedure for erhvervelse af satellitdata af forskellige parametre, der beskriver rumlige og tidsmæssige variabiliteter og bestemmer indbyrdes forhold mellem forskellige faktorer. Rumlige og tidsmæssige variabiliteter af parametre opnås. De er empiriske ortogonale funktion og det indbyrdes forhold mellem forskellige faktorer er erhvervet ved nul korrelation koefficienter.For havoverfladetemperatur og indsamling af chlorofyldata til havet skal du downloade et datasæt af satellitobservationer fra MODIS Aqua, hvor den rumlige opløsning af begge datasæt er ca. 4,5 kilometer med daglige intervaller. Gem de hentede satellitfiler i datamappen, og strukturer mappen med mapper som vist. Tilføj stien til værktøjskassen til NetCDF-filen i MATLAB, og vælg Tilføj med undermapper for at omslutte stierne i scriptsmappen.Stien til alle de nødvendige mapper med data og funktioner vises i MATLAB-søgestien. Læg derefter data om havoverfladetemperaturen i analysesoftwaren. For erhvervelse af havoverfladens anomalidatasæt skal du downloade daglige havniveaualdata med en rumlig opløsning på 25 kilometer fra samme tidsramme og indtaste kommandoen for at indlæse de enkelte dags havniveaualaldata.For at få vindhastighedsdataene skal du downloade vinddataene fra samme tidsperiode fra et MIDLERTIDIGT ERA-analyseprodukt og indtaste kommandoen for at læse vinddataene på en måned. De opnåede u-, v- og tidsvariabler repræsenterer henholdsvis zone- og meridianen alle hastigheder og den tilsvarende tid. Hvis du vil have adgang til topografidatasættet, skal du downloade topografidata med høj opløsning fra webstedet National Centers for Environmental Information og indtaste kommandoen for at indlæse topografidataene i analysesoftwaren.Variablerne XX, YY og ZZ angiver henholdsvis breddegrad, længdegrad og tilsvarende dybde. På grund af den store skydækning i havoverfladens temperatur og data om havoverfladen skal du bruge kommandoen til at erstatte de oprindelige data med de tre dages gennemsnitsdata. Da den rumlige opløsning ikke er ensartet for forskellige datasæt, skal du indtaste kommandoen for at interpolere havoverfladens temperatur og havoverfladechlorofyldata i et rumligt gitter, der er det samme som vind- og havoverfladens anomalilige rumlige gitter.Indtast kommandoen som angivet for at beregne vind stress og vind stress krølle. Hvis du vil beregne den månedlige havoverfladetemperatur, vind- og havoverfladetidsserie som 30-dages gennemsnit i hver pixel, skal du indtaste kommandoen som angivet. I forbindelse med rumlig udjævning skal du indtaste kommandoen for at køre scriptet for at udjævne de tre dages gennemsnitlige havoverfladetemperaturdata i hver pixel.For at bestemme havoverfladen temperatur gradient, skal du indtaste kommandoen til at køre scriptet til at beregne zone-og meridian alle havets overfladetemperatur gradienter som havets overflade temperaturforskel mellem de nærmeste to pixels divideret med den tilsvarende afstand. Hvis du vil identificere en front ved at teste værdien af havoverfladens temperaturgradient, skal du markere pixlen som en potentiel frontal pixel, hvis værdien var større end en angivet tærskel. Hvis du vil beregne den månedlige frontal sandsynlighed for at observere en front finde sted for et bestemt tidsrum, skal du indtaste kommandoen.Hvis du vil indlæse de månedlige data til analyse, skal du indtaste kommandoerne og anvende en empirisk ortogonal funktion til at beskrive de forskellige parametres rumlige og tidsmæssige variabiliteter. Programmet beregner størrelsen, eigenvaluer og amplitude af de empiriske ortogonale funktioner for datasættet. Hvis du vil bestemme korrelationen ved sæsonskalaen, skal du angive kommandoen for at beregne korrelationerne mellem to faktorer ved hjælp af deres tidsserier ved hver pixel.Indtast derefter kommandoen for at beregne korrelationerne mellem de månedlige anomalier i havoverfladen klorofyl og andre faktorer. For at vise satellitoplysninger, skal du indtaste kommandoen til at køre scriptet til at generere et udstillingsvindue af satellitoplysninger, herunder havets overflade klorofyl, temperatur og vind, og havniveau anomali og frontal distribution. Angiv kommandoen for at få vist det empiriske ortogonale funktionsresultat.Indtast derefter kommandoen som angivet for at beregne forholdet mellem klorofyl og andre faktorer ved sæsonbestemte og unormale felter. Topografien har en fremtrædende indvirkning på den rumlige fordeling af havoverfladen klorofyl med høj havoverflade klorofyl hovedsagelig fordelt langs kysten af Det Sydkinesiske Hav, hvor topografi er lavvandet. Vinden er også påvirket af orografi med lejemålet side af bjerge karakteriseret ved svag vind og en fremtrædende vind stress krølle identificeret sydvest for Det Sydkinesiske Hav.De tærskler, der anvendes her effektivt fange placeringen af fronten og sikre skildringen af grænserne for hele vandmasser. I denne analyse, empirisk ortogonale funktion en fanget en stor varians i den nordlige del af Det Sydkinesiske Hav. Det tilsvarende månedlige gennemsnit af tidsserierne viste, at havets overflade klorofyl var forhøjet om vinteren og deprimeret i løbet af sommeren.Regionen ved siden af den sydvestlige kyst var kendetegnet ved en svag størrelse, og den tilsvarende variation blev hovedsageligt fanget af empirisk ortogonal funktion to. Værdierne af havoverfladechlorofyl var høje om sommeren og lave om vinteren, hvilket hovedsagelig var ude af fase sammenlignet med den nordlige region. Faktisk viste de månedlige tidsserier for de empiriske ortogonale funktioner en klar sæsonvariation med empirisk ortogonal funktion to førende empiriske ortogonale funktion en efter ca. fire måneder.Korrelationerne mellem klorofyl og andre faktorer repræsenterer de indbyrdes forhold mellem faktorerne. For eksempel er havoverfladetemperaturen i denne analyse negativt korreleret med klorofylen, mens vindstressen er positivt korreleret med klorofyl. Således var en høj klorofyl forbundet med en lav temperatur og stærk vind for disse data.Identifikation af variabiliteten af havparametre og undersøgelse af deres forhold til klorofyl er afgørende og vigtige for havdynamikken og det marine økosystem. Frontal aktiviteter er særligt vigtige, fordi høj klorofyl er normalt forbundet med front. Der kan ske ændringer for at ændre tærsklen for frontdetektering, og den bedste metode til at validere fronten er at sammenligne dem med institutobservationer.Sammenfattende kan brugen af satellitobservationer præcist beskrive den rumlige fordeling og den tidsmæssige variation i havets overfladefunktioner. Med den stigende opløsning af mere detaljerede funktioner kan identificeres og undersøges i fremtiden.

Research

JoVE Journal

Environment

Protocol for Microplastics Sampling on the Sea Surface and Sample Analysis

Protokol for Microplastics Sampling på havoverfladen og Sample Analysis

Microplastic pollution in the marine environment is a scientific topic that has received increasing attention over the last decade. The majority of ...

Preparation of Authigenic Pyrite from Methane-bearing Sediments for In Situ Sulfur Isotope Analysis Using SIMS

Preparation of Authigenic Pyrite from Methane-bearing Sediments for In Situ Sulfur Isotope Analysis Using SIMS

Forberedelse af Authigenic pyrit fra metan-bærende sedimenter for In Situ svovl isotop analyser ved hjælp af SIMS

Different sulfur isotope compositions of authigenic pyrite typically result from the sulfate-driven anaerobic oxidation of methane (SO4-AOM) and ...

Procedures of Laboratory Fumigation for Pest Control with Nitric Oxide Gas

Procedurer for laboratoriet gasning for skadedyrsbekæmpelse med nitrogenoxid Gas

Nitric oxide (NO) is a newly discovered fumigant for postharvest pest control. This paper provides detailed protocols for conducting NO fumigation on ...

Techniques for Investigating the Anatomy of the Ant Visual System

Teknikker til undersøgelse af anatomien af Ant visuelle System

This article outlines a suite of techniques in light microscopy (LM) and electron microscopy (EM) which can be used to study the internal and external eye ...

Specific and Accurate Detection of the Citrus Greening Pathogen Candidatus liberibacter spp. Using Conventional PCR on Citrus Leaf Tissue Samples

Specific and Accurate Detection of the Citrus Greening Pathogen Candidatus liberibacter  spp. Using Conventional PCR on Citrus Leaf Tissue Samples

Specifikke og præcise påvisning af Citrus grønnere patogen blev liberibacter spp. ved hjælp af konventionelle PCR på Citrus blad vævsprøver

Citrus greening, also known as huanglongbing, is a destructive citrus disease ravaging citrus farms globally. This disease causes asymmetrical yellow leaf ...

Methods for Image-based Surveys of Benthic Macroinvertebrates and Their Habitat Exemplified by the Drop Camera Survey for the Atlantic Sea Scallop

Metoder til Image-baserede undersøgelser af bentiske Macroinvertebrates og deres levesteder, eksemplificeret ved slip kamera undersøgelse til Atlanten havet kammusling

Underwater imaging has long been used in the field of marine ecology but decreasing costs of high-resolution cameras and data storage have made the ...

The Plant Infection Test: Spray and Wound-Mediated Inoculation with the Plant Pathogen Magnaporthe Grisea

The Plant Infection Test: Spray and Wound-Mediated Inoculation with the Plant Pathogen Magnaporthe Grisea

Plante infektion Test: Spray og sår-medieret podning med plante patogen Magnaporthe Grisea

Plants possess a powerful system to defend themselves against potential threats by pathogenic fungi. For agriculturally important plants, however, current ...

Experimental Study of the Relationship Between Particle Size and Methane Sorption Capacity in Shale

Eksperimentel undersøgelse af forholdet mellem partikelstørrelse og metan Sorption kapacitet i skifer

The amount of adsorbed shale gas is a key parameter used in shale gas resource evaluation and target area selection, and it is also an important standard ...

Choice and No-Choice Bioassays to Study the Pupation Preference and Emergence Success of Ectropis grisescens

Choice and No-Choice Bioassays to Study the Pupation Preference and Emergence Success of Ectropis grisescens

Valg og nej-valg Bioassays at studere Pupation præference og fremkomsten succes af Ectropis grisescens

Many insects live above the ground as larvae and adults and as pupate below the ground. Compared to the above-ground stages of their life cycles, less ...

Design and Use of an Apparatus for Quantifying Bivalve Suspension Feeding at Sea

Design og brug af et apparat til kvantificering af toskallede Suspension fodring på havet

As shellfish aquaculture moves from coastal embayments and estuaries to offshore locations, the need to quantify ecosystem interactions of farmed bivalves ...