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

De steun van het National Key Research and Development Program of China (No. 2016YFC1401601), het Postgraduate Research & Practice Innovation Program van de provincie Jiangsu (nr. SJKY19_0415) ondersteund door de Fundamental Research Funds for the Central Universities (Nr. 2019B62814), de National Natural Science Foundation of China (Nos. 41890805, 41806026 en 41730536) en Joint Advanced Marine and Ecological Studies in de Golf van Bengalen en de oostelijke equatoriale Indische Oceaan werden zeer erkend. De auteurs waarderen de verstrekking van gegevens uit bronnen, waaronder de National Aeronautics and Space Administration (NASA), het European Centre for Medium-Range Weather Forecasts (ECMWF), de Copernicus Marine and Environment Monitoring Service (CMEMS) en de National Oceanic and Atmospheric Administration (NOAA).

1. Overname van Dataset
<ol><li>SST en CHL<ol>
<li>Download een dataset van satellietwaarnemingen voor SST en CHL van MODIS-Aqua (podaac-tools.jpl.nasa.gov/), waar de ruimtelijke resolutie van beide datasets dagelijks ongeveer 4,5 km bedraagt. OPMERKING: Structureer de map met mappen en gegevens naar aanleiding van de voorbeeldscriptsmap die beschikbaar is in de aanvullende bestanden. Sla de .nc-bestanden van de satellietgegevens op in de map 'Data'. Voeg het pad toe aan de NetCDF-toolbox in de analysesoftware (d.w.z. MATLAB). Selecteer Toevoegen met submappen om de paden van de map 'HULPPROGRAMMA'S' en de submappen te omsluiten.</li>
		<li>Bepaal de tijdspanne. Als u de consistentie tussen de verschillende gegevenssets wilt behouden, gebruikt u dezelfde tijdspanne voor alle parameters. Pas de tijdsspanne aan op basis van de temporele dekking en gebruik de langste observatieperiode tussen verschillende gegevenssets. Download voor dit protocol 15 jaar gegevens van oktober 2002 tot september 2017.</li>
		<li>Bepaal de ruimtelijke dekking. OPMERKING: Het ontworpen studiegebied ligt tussen 105°E en 123°E en tussen 0° en 25°NB.</li>
		<li>Controleer de instructies voor verwerking. Lees instructies in de .nc-bestanden met betrekking tot de preprocessingvereisten van de SST- en CHL-gegevens (bijvoorbeeld of schaling nodig is). OPMERKING: De gedownloade dataset sluit al gegevens uit over land en binnen 5 km van de kustlijn, evenals gegevens die besmet zijn met wolken.</li>
		<li>Laad SST- en CHL-gegevens in de analysesoftware. Typ Read_MODIS_SST in het opdrachtvenster om de SST-gegevens te lezen. Typ ook Read_MODIS_CHL in het opdrachtvenster om de CHL-gegevens te lezen. Transformeer de CHL-gegevenslogaritisch omdat ze een log-normale verdelinghebben 31. OPMERKING: Geladen variabelen omvatten SST en CHL in drie dimensies, die respectievelijk de meridiionale locatie, zonale locatie en tijd in dagen vertegenwoordigen. Het bereik van SST's ligt tussen -2 en 44, en het bereik van CHL ligt tussen 0,01 en 20.</li>
	</ol></li>
	<li>Anomalie op zeeniveau (SLA)<ol>
<li>Download dagelijkse SLA-gegevens met een ruimtelijke resolutie van 25 km van 2002-201732. OPMERKING: SLA's beschrijven het verschil tussen waargenomen hoogten van het zeeoppervlak en de gemiddelde hoogte van het zeeoppervlak over 20 jaar (1993−2012) voor een overeenkomstige pixel. De SLA-gegevens worden verwerkt door SSALTO/DUACS en gedistribueerd door Archivering, Validatie en Interpretatie van Satellietocografische gegevens (AVISO, https://www.aviso.altimetry.fr).</li>
		<li>Laad gegevens in de analysesoftware. Sla-gegevens van één dag laden door Read_SLA in het opdrachtvenster te typen. OPMERKING: De map 'Gegevens' in de aanvullende bestanden bevat slechts één voorbeelddatum in het script ter illustratie.</li>
	</ol></li>
	<li>Windsnelheid<ol>
<li>Verkrijg de windinformatie van een ERA-Interim reanalysis product, een wereldwijde atmosferische reanalyse dataset ontwikkeld door het European Center for Medium-Range Weather Forecasts (ECMWF)33. Download windgegevens voor dezelfde periode (oktober 2002-september 2017) om de consistentie met de CHL- en SST-gegevens te behouden. OPMERKING: De winddataset heeft een ruimtelijke resolutie van ongeveer 25 km en is geïnterpoleerd uit de oorspronkelijke dataset met een ruimtelijke resolutie van ongeveer 0,7°.</li>
		<li>Laad gegevens in de analysesoftware. Typ Read_WindVector in het opdrachtvenster om de windgegevens van één maand te lezen. Bereken het maandelijkse gemiddelde door de oorspronkelijke gegevens te gemiddelde, dat is met intervallen van 6 uur.</li>
	</ol></li>
	<li>Topografie<ol>
<li>Download de topografiegegevens met hoge resolutie van de Website van de Nationale Centra voor Milieu-informatie (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). De ruimtelijke resolutie is ~2 km. Verkrijg de ETOPO1-gegevens voor gesteente in XYZ-formaat voor het geselecteerde studiegebied.</li>
		<li>Laad gegevens in de analysesoftware. Typ Read_topography in het opdrachtvenster om de topografiegegevens in de analysesoftware te laden.</li>
	</ol></li>
</ol>2. Voorbewerking van gegevens
<ol><li>Temporele gemiddelde<ol>
<li>Vanwege de grote clouddekking in de SST- en CHL-gegevens, vervang je de oorspronkelijke gegevens door 3-daagse gemiddelde gegevens. Typ hiervoor Temporal_average na het uitvoeren van de Read_MODIS_SST.m en Read_MODIS_CHL.m scripts (stap 1.1.5) Temporal_average in het opdrachtvenster om het script uit te voeren.</li>
	</ol>
</li>
	<li>Interpolatie in hetzelfde raster<ol>
<li>Omdat de ruimtelijke resolutie niet consistent is voor verschillende gegevenssets, interpoleert u de SST- en CHL-gegevens in een ruimtelijk raster dat hetzelfde is als het ruimtelijke wind- en SLA-ruimteraster voordat u vergelijkingen maakt. Nadat u de Temporal_average.m en Read_WindVector.m scripts hebt uitgevoerd, typt u Interpolation_grid in het opdrachtvenster om het script uit te voeren.</li>
	</ol>
</li>
	<li>De spanning van de wind en de krul van de windstress<ol>
<li>Typ Wind_stress_curl in het opdrachtvenster om de windbelasting (WS) en windstress krul (WSC) te berekenen met behulp van de volgende vergelijkingen: <img alt="Equation 1" src="/files/ftp_upload/61172/61172equ01.jpg"> <img alt="Equation 2" src="/files/ftp_upload/61172/61172equ02.jpg"> waar <img alt="Equation 10" src="/files/ftp_upload/61172/icon01.jpg"> is de windsnelheidsvector; <img alt="Equation 10" src="/files/ftp_upload/61172/icon02.jpg"> is de WS in dezelfde richting als de windvector; <img alt="Equation 10" src="/files/ftp_upload/61172/icon03.jpg"> en zijn de <img alt="Equation 10" src="/files/ftp_upload/61172/icon04.jpg"> WS in respectievelijk de oostelijke en noordelijke richtingen; <img alt="Equation 10" src="/files/ftp_upload/61172/icon05.jpg"> is de luchtdichtheid (gelijk aan 1,2 kg/m3); en C is de luchtweerstandscoëfficiënt (een waarde van 0,0015 wordt gebruikt) onder neutrale stabiliteitsomstandigheden34.</li>
	</ol>
</li>
	<li>Maandelijkse gemiddelden<ol>
<li>Bereken de maandelijkse SST-, wind- en SLA-tijdreeksen als 30-daagse gemiddelden in elke pixel door Monthly_average te typen om het script uit te voeren. Gebruik vanwege de hoge dekkingsgraad van de cloud een 60-daags gemiddelde als de maandelijkse tijdreeks voor CHL, inclusief 30 dagen voor 30 dagen na de15e dag van de maand.</li>
	</ol>
</li>
</ol>3. SST-voordetectie
<ol><li>Ruimtelijke smoothing<ol>
<li>Typ Spatial_smoothing om het script uit te voeren om de driedaagse SST-gegevens in elke pixel te gemiddelde. OPMERKING: Er is een grote hoeveelheid ruis vastgesteld in de SST-gegevens. Zo werden de gegevens gladgestreken met een 3 x 3 ruimtelijk gemiddelde. Toen er geen gegevens beschikbaar waren in de oorspronkelijke gemiddeldste gegevens van 3 dagen, werden de gegevens met een ruimtegemiddelde ingesteld als niet beschikbaar.</li>
	</ol>
</li>
	<li>SST-verloop<ol>
<li>Typ SST_gradient om het script uit te voeren om de zonale en meridional SST-verlopen (d.w.z. Gx en Gy, respectievelijk) te berekenen als het SST-verschil tussen de dichtstbijzijnde twee pixels gedeeld door de overeenkomstige afstand via vergelijking (3). Gebruik de verkregen verloopvector om het totale verloop, G, te berekenen als een scalaire volgende vergelijking (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>Lokaal maximum<ol>
<li>Identificeer een front door een SST-verloopwaarde te testen: label een pixel als een potentiële frontale pixel als de waarde groter is dan een aangewezen drempelwaarde. Handhaaf de lokale maximale pixel alleen in dezelfde richting loodrecht op de verlooprichting als er verbonden pixels zijn met waarden die groter zijn dan de drempelwaarde. Bepaal de drempel hier als 0,035 °C/km na eerdere studies10,28. OPMERKING: Het bijbehorende script 'Local_maximum.m' is beschikbaar in de aanvullende bestanden.</li>
	</ol>
</li>
	<li>Maandelijkse frontale waarschijnlijkheid (FP) OPMERKING: De frontale waarschijnlijkheid (FP) beschrijft de waarschijnlijkheid van het observeren van een front.<ol>
<li>Bereken de FP voor een bepaalde tijdspanne (in dit geval een maandelijks interval) door Monthly_FP te typen om het script uit te voeren. Verdeel het optreden van fronten op elke pixel tijdens een tijdvenster door het aantal dagen dat vrij is van wolken.</li>
	</ol>
</li>
</ol>4. Ruimtelijke en temporele variabiliteit
<ol><li>Seizoenscyclus<ol>
<li>Bereken de seizoenscycli van verschillende factoren als de gemiddelden van verschillende seizoenen. Definieer de seizoenen als volgt: de winter is van december tot februari, de lente is van maart tot mei, de zomer is van juni tot augustus en de herfst is van september tot november. OPMERKING: De seizoenscyclus wordt niet weergegeven in deze studie; de volgende methode wordt gebruikt om de ruimtelijke en temporele variabiliteit in plaats daarvan uit te leggen.</li>
	</ol>
</li>
	<li>Empirische orthogonale functie (EOF)<ol>
<li>Verwijder de tijdelijke gemiddelde en niet-beschikbare pixels. Voordat u de EOF uitvoert, trekt u het totale gemiddelde op elke pixel af en sluit u de locaties uit waar ontbrekende waarnemingen meer dan 20% bedragen vanwege de dekking van de cloud. Laad gegevens door load('Monthly_data_for_EOF.mat') in het opdrachtvenster te typen.</li>
		<li>Pas een EOF toe om de ruimtelijke en temporele verschillen van verschillende parameters te beschrijven. Typ Empirical_orthogonal_function.m om het script uit te voeren om de omvang (Mag), eigenwaarden (Eig) en amplitude (Amplitude) van de EOF's voor de gegevensset te berekenen (d.w.z. tijdreeksen van maandelijkse gemiddelde SST, windstress, windstresskrul, CHL en FP). OPMERKING: De functie ontleedt de maandelijkse tijdreeksen in verschillende modi, die bestaan uit ruimtelijke en temporele patronen en de variantie die door elke modus wordt verklaard, afneemt met een toenemend modusnummer.</li>
	</ol>
</li>
</ol>5. Onderlinge samenhang
<ol><li>Correlatie op seizoenschaal<ol>
<li>Bereken de correlaties tussen twee factoren met behulp van hun tijdreeksen op elke pixel door Seasonal_correlation te typen om het script uit te voeren. Omdat de seizoenscyclus niet wordt verwijderd, controleert u de betekenis van de correlatie voor alle correlaties.</li>
	</ol>
</li>
	<li>Correlatie van een afwijkend veld<ol>
<li>Bereken de correlaties tussen de maandelijkse CHL-afwijkingen en andere factoren, zoals SST, WS, fronten en SLA's. Verkrijg de maandelijkse afwijkingen (d.w.z. de afwijking van de gemiddelde status) door het totale gemiddelde voor een overeenkomstige maand af te trekken van de maandelijkse tijdreeksen. Typ Anomalous_correlation om het script uit te voeren en de correlaties te verkrijgen.</li>
	</ol>
</li>
</ol>6. Informatie weergeven en relaties berekenen
<ol><li>Satellietinformatie weergeven.<ol>
<li>Typ Sat_SCS_Fig3457 om het script uit te voeren om een showcase van satellietinformatie te genereren, waaronder SST, CHL en frontale distributies. Stel de huidige map in als 'scripts' waarin de gegevens 'Sat_SCS_data.mat' zich bevinden. OPMERKING: Figuur 1, Figuur 2, Figuur 3en Figuur 4 tonen SST, CHL, fronten, wind en topografie voor de geselecteerde datum als voorbeeld.</li>
	</ol>
</li>
	<li>Geef het EOF-resultaat weer door Sat_SCS_Fig890.m te typen om het script uit te voeren. OPMERKING: Figuur 5, figuur 6en figuur 7 beschrijven de ruimtelijke omvang, het maandgemiddelde en de tijdreeks van de eerste twee modi voor respectievelijk CHL, SST en fronten.</li>
	<li>Bereken de relatie tussen CHL en andere factoren op seizoensgebonden tijdschalen en voor afwijkende velden door Sat_SCS_Fig1112.m te typen om het script uit te voeren. Verkrijg de correlatiekaart voor seizoensvariabiliteiten (figuur 8) en afwijkingen (figuur 9).</li>
</ol>

De auteurs hebben niets te onthullen.

In deze studie worden de belangrijkste kenmerken van mariene systemen beschreven aan de hand van satellietwaarnemingen. De CHL, die kan worden gebruikt om de oceaanproductie weer te geven, wordt geselecteerd als indicatorfactor. Factoren met betrekking tot CHL variabiliteit werden onderzocht aan de hand van maandelijkse gemiddelde tijdreeksen, bijvoorbeeld SST, WS, WSC, FP en SLA. In deze studie worden drie kritieke stappen beschreven: het verkrijgen van satellietgegevens voor verschillende parameters, het beschrijven van hun ruimtelijke en temporele verschillen via EOF en het bepalen van onderlinge relaties tussen verschillende factoren door correlatiecoëfficiënten te berekenen. Een gedetailleerde procedure met de identificatie voor de dagelijkse frontale distributie, die is afgeleid van de SST-waarnemingen, is opgenomen. Er zijn twee belangrijke benaderingen ontwikkeld voor SST-frontdetectie: de gradiëntmethode10,38 en de histogrammethode39,40. De histogrammethode is gebaseerd op een vergelijkbaar bereik van waarden voor SST, die kan worden gebruikt om de watermassa's in verschillende groepen te verdelen. De pixels met waarden tussen verschillende groepen die de pixel in een overgangsband vertegenwoordigen, worden gedefinieerd als fronten. Aan de andere kant scheidt de gradiëntmethode een aantal relatief uniforme waterlichamen als pixels met grote verloopwaarden. Er werd een vergelijkingsstudie uitgevoerd en ze vonden lagere false rates met behulp van de histogrammethode en minder gemiste fronten met behulp van de gradiëntmethode41. In deze studie werd de op gradiënt gebaseerde methode38 aangenomen na eerdere studies10,28. Het algoritme kan voorkomen dat de voorkant break-up in meerdere rand fragmenten door dat de omvang te verlagen tot een niveau onder een kleinere drempel. Naast de hier opgenomen dataset kunnen ook andere satellietwaarnemingen, zoals de aerosolindex, met een vergelijkbare aanpak worden gebruikt.
De meeste procedures kunnen rechtstreeks worden toegepast in andere regio's of gegevenssets. Er kan worden gewijzigd om de drempel van de voordetectie te wijzigen. Omdat de SST-gradiënt in de SCS vergelijkbaar is met het huidige systeem28voor de oostelijke grens, zijn dezelfde drempelwaarden geïmplementeerd voor de huidige studie. Een eerdere studie bleek dat de SST gradiënt van verschillende datasets kan variëren zo veel als drie keer42, waardoor de methode een of andere manier minder objectief. Aanzienlijke studies hebben frontale activiteiten rond de mondiale oceanen28,43onderzocht . De beste aanpak om fronten te valideren is om ze te vergelijken met in situ waarnemingen. Yao44 beschreef de maandelijkse frontale distributie voor de SCS. Hun resultaten waren het goed eens met de in situ metingen. De totale gradiënt moet worden gecontroleerd en aangepast, omdat de waarde ervan kan variëren afhankelijk van de ruimtelijke resolutie en instrumenten. In het bijzonder moet de drempelwaarde worden bijgewerkt wanneer een andere SST-gegevensset wordt gebruikt. Een basiskennis van de regionale dynamiek is van fundamenteel belang voor het begrijpen van frontogenese45,46,47. Het front detection script kan worden ontwikkeld door individuele auteurs op basis van de beschrijving in dit artikel.
Satellietinformatie biedt een uitgebreid inzicht in de oppervlaktekenmerken en een vergelijking van resultaten met waarnemingen ter plaatse kan helpen bij de beoordeling van de geloofwaardigheid. Satellietwaarnemingen zijn echter beperkt tot het oceaanoppervlak, wat de toepassing voor het begrijpen van de verticale structuur van de waterkolom beperkt. In een recente studie, satelliet waarnemingen bleek dat het oppervlak CHL steeg met 15 keer, maar de verticale geïntegreerde waarde alleen verhoogd met 2,5 keer48. Dit verschil was omdat de oppervlaktewaarde werd beïnvloed door de co-effecten van fytoplanktongroei en shoaling van MLD, wat resulteerde in een onrealiseerbare waarde aan het oppervlak. Zo kan het zijn dat de oppervlaktefunctie geen nauwkeurige beschrijving biedt voor de gehele waterkolom. Bovendien beperkt de invloed van bewolking de continue waarnemingen van satellieten. Zo worden maandelijkse tijdreeksen berekend voor verschillende factoren in dezelfde regio en dezelfde periode. Dit garandeert de geloofwaardigheid van de berekening van de correlaties tussen de verschillende factoren. De gebeurtenissen op korte termijn, bijvoorbeeld tyfoons die enkele dagen tot een week duren, worden echter niet opgelost.
In vergelijking met eerdere studies kan de voorgestelde methode ruimtelijke informatie bieden op pixelniveau, wat kan helpen om de dynamiek op een meer gedetailleerde manier te evalueren. Sommige vroegere studies gemiddeldten de volledige SCS als enig aantal en verkregen een tijdreeks. Zij vonden dat een ongewoon sterke WS en hoge SST abnormaal hoge CHL16kunnen veroorzaken, wat overeenkomt met het huidige resultaat. De ruimtelijke variatie in de relaties werd echter niet opgelost. In deze studie was de bekkenschaal correlatie tussen WS en CHL zwak in het afwijkende veld. Voor bepaalde gebieden, bijvoorbeeld in het midden van het SCS (figuur 9B), werd alleen een grote significante correlatie vastgesteld. Zo biedt de huidige methode een uitgebreide beschrijving voor het onderzoeken van ruimtelijke variaties. Ook waarnemingen van twee Bio-Argo praalwagens werden gebruikt en bleek dat WSC niet correleerde met CHL variabiliteit20. De trajecten van de twee praalwagens bevinden zich echter alleen in bepaalde regio's. In dit geval was het precies binnen de bandbreedte waar de correlatie tussen het CHL-niveau en de WSC niet significant was (figuur 8D). De voorgestelde methode is zeer nuttig voor het oplossen van de ruimtelijke afhankelijkheid tussen factoren, wat een fundamenteel kenmerk is van de mondiale oceaan.
Samengevat kan de hier gebruikte methode nauwkeurig de ruimtelijke verdeling en temporele variabiliteit in oceaanoppervlaktekenmerken beschrijven aan de hand van satellietwaarnemingen. Met de toenemende resolutie van satellietgegevenssets kunnen meer gedetailleerde functies worden geïdentificeerd en onderzocht, waardoor een algemeen inzicht in regionale functies mogelijk is, waaronder CHL, SST en SSH. De correlatie van maandelijkse tijdreeksen tussen verschillende factoren kan helpen bij het begrijpen van hun dynamische relaties en potentiële impact op een ecosysteem49. Omdat de correlatie grotendeels kan variëren op verschillende ruimtelijke locaties, biedt de voorgestelde methode een gedetailleerde en uitgebreide beschrijving. Een soortgelijke aanpak kan worden toegepast op elk oceaanbekken wereldwijd, wat zeer nuttig zal zijn om het begrip van mariene dynamiek en ecosystemen te verbeteren.

Remote sensing technologie biedt geweldige datasets met grote ruimtelijke schalen en lange perioden voor het beschrijven van mariene omgevingen. Met de toenemende ruimtelijke resolutie van satellieten, zijn gedetailleerde functies nu opgelost van de regionale schaal tot een paar honderd meter1,2. Een beter begrip van de mariene dynamiek kan worden bereikt met de meeste bijgewerkte satellietwaarnemingen3.
Door meerdere sensoren op een teledetectieplatform te integreren, is een uitgebreide beschrijving van verschillende parameters mogelijk. Zeeoppervlaktetemperatuur (SST) is de basisparameter die al meer dan een halve eeuwwordt waargenomen. Onlangs zijn waarnemingen voor chlorofyl-a (CHL) beschikbaar gekomen en kunnen ze worden gebruikt om de productiviteit van de zee te beschrijven5. Altimetry-satellieten worden gebruikt voor het meten van de hoogte van het zeeoppervlak6,7, wat sterk gerelateerd is aan mesoschaalwervelingactiviteiten in de mondiale oceaan8,9. Naast eddies zijn frontale activiteiten ook belangrijk voor het beïnvloeden van de regionale dynamiek en de primaire productie10.
De belangrijkste focus van de huidige studie is het vinden van een standaardprocedure om de ruimtelijke verdeling en temporele variabiliteiten van verschillende oceaanfactoren te beschrijven. In deze methode worden SST-, CHL-, SSH- en frontgegevens, die zijn afgeleid van SST-verlopen, geanalyseerd om patronen te bepalen. In het bijzonder wordt de CHL gebruikt om de productiviteit van de oceaan te vertegenwoordigen, en een methode wordt geïntroduceerd om de relatie tussen CHL en andere oceaanparameters te onderzoeken. Om de methode te valideren, werd de periode tussen oktober 2002 en september 2017 in de Zuid-Chinese Zee gebruikt om alle parameters te onderzoeken. De methode kan gemakkelijk worden gebruikt voor andere regio's over de hele wereld om grote oceaanpatronen vast te leggen en te onderzoeken hoe de mariene dynamiek het ecosysteem beïnvloedt.
De Zuid-Chinese Zee (SCS) werd aangewezen als studiegebied vanwege de relatief hoge dekkingsgraad van satellietwaarnemingen. De SCS is overvloedig in zonnestraling; Het CHL wordt dus vooral bepaald door de beschikbaarheid van voedingsstoffen11,12. Met meer voedingsstoffen worden vervoerd in de euforische laag, CHL niveaus kunnen verhogen13. Mengen, veroorzaakt door wind, kan voedingsstoffen in het oceaanoppervlak introduceren en CHL14verbeteren. De SCS wordt uniek gedomineerd door een moessonwindsysteem, dat de dynamiek en het ecosysteem in de regio bepaalt. De moessonwind is het sterkst in de winter15. In de zomer, de wind van richting veranderen en de windsnelheden zijn veel zwakker dan die in de winter16,17. De windintensiteit kan de sterkte van verticale menging bepalen, zodanig dat de gemengde laagdiepte (MLD) verdiept naarmate de wind in de winter toeneemt en ondieper wordt naarmate de wind afneemt in de zomervan 18. Zo worden meer voedingsstoffen getransporteerd in de euforische laag in de winter wanneer de wind sterk is19 en CHL bereikt het hoogste punt van het jaar20,21.
Naast de wind kan de MLD ook worden bepaald aan de hand van andere factoren, zoals SST- en zeeniveauafwijkingen (SLA's), die uiteindelijk van invloed zijn op het gehalte aan nutriënten en CHL22. In de winter wordt de zwakke verticale helling geassocieerd met lage temperaturen aan het oppervlak20. De overeenkomstige MLD is diep en meer voedingsstoffen kunnen naar boven worden getransporteerd; dus, de CHL in de oppervlaktelaag is hoog17. Een toenemende variatie in CHL-niveaus kan worden toegeschreven aan mesoschaal wervelingen, die verticaal transport en het mengenvan 23veroorzaken. Opwelling is meestal te vinden in cyclonische wervelingen geassocieerd met depressieve SLA's8,9 en verhoogde CHL concentraties24. Downwelling is meestal te vinden in anticyclidische wervelingen geassocieerd met verhoogde SLA's8,9 en depressieve CHL concentraties24. Voor andere seizoenen wordt de MLD ondiep en wordt het mengen zwak; zo kan lage CHL worden waargenomen over de meerderheid van het bekken25. De seizoenscycli van CHL-niveaus zijn vervolgens overheersend voor de regio26.
Naast het mengen kunnen fronten en de bijbehorende kustopwelling de CHL verder moduleren. Het front, dat wordt gedefinieerd als een grens van verschillende watermassa's, is belangrijk om de regionale circulatie en ecosysteemreacties te bepalen27. Frontogenese wordt meestal geassocieerd met kustopwelling en convergentie28,29, die voedingsstoffen kunnen opwekken en de groei van fytoplankton30kunnen verheffen . Er zijn verschillende algoritmen ontwikkeld om fronten automatisch te identificeren aan de hand van satellietwaarnemingen, waaronder histogram- en SST-gradiëntmethoden. Deze laatste benadering wordt in deze studieovergenomen 28.
De correlatie van tijdreeksen tussen CHL en verschillende factoren biedt geweldige inzichten voor het kwantificeren van hun relatie. De huidige studie biedt een uitgebreide beschrijving van het gebruik van satellietwaarnemingen om de regionale mariene dynamiek in verband met productiviteit aan het licht te brengen. Deze beschrijving kan worden gebruikt als een gids voor het onderzoeken van de oppervlakteprocessen in elk deel van de oceaan. De structuur van dit artikel bevat een stapsgewijze protocol, gevolgd door beschrijvende resultaten in de tekst en cijfers. De toepasbaarheid naast de voor- en nadelen van de methode wordt vervolgens besproken.

<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

Satellietwaarnemingen bieden een geweldige aanpak om de kenmerken van belangrijke mariene parameters te onderzoeken, waaronder chlorofyl (CHL) van het zeeoppervlak (CHL), de temperatuur van het zeeoppervlak (SST), de hoogte van het zeeoppervlak (SSH) en factoren die uit deze parameters zijn afgeleid (bijvoorbeeld fronten). Deze studie toont een stapsgewijze procedure om satellietwaarnemingen te gebruiken om belangrijke parameters en hun relaties in seizoens- en afwijkende velden te beschrijven. Deze methode wordt geïllustreerd aan de hand van satellietgegevenssets van 2002-2017 die werden gebruikt om de oppervlaktekenmerken van de Zuid-Chinese Zee (SCS) te beschrijven. Vanwege de dekking van de cloud werden in deze studie maandelijkse gemiddelden gebruikt. De empirische orthogonale functie (EOF) werd toegepast om de ruimtelijke verdeling en temporele variabiliteiten van verschillende factoren te beschrijven. De moessonwind domineert de variabiliteit in het bassin. Zo werd de wind van de reanalysis dataset gebruikt om de drijvende kracht op verschillende parameters te onderzoeken. De seizoensgebonden variabiliteit in CHL was prominent en sterk gecorreleerd met andere factoren in een meerderheid van de SCS. In de winter veroorzaakt een sterke noordoostelijke moesson een diepe gemengde laag en een hoog chlorofylgehalte in het bekken. Significante correlatiecoëfficiënten werden gevonden tussen factoren tijdens de seizoenscyclus. In de zomer werden hoge CHL-niveaus meestal gevonden in de westelijke SCS. In plaats van een seizoensgebonden afhankelijkheid, de regio was zeer dynamisch, en factoren gecorreleerd aanzienlijk in afwijkende velden zodanig dat ongewoon hoge CHL niveaus werden geassocieerd met abnormaal sterke wind en intense frontale activiteiten. De studie presenteert een stapsgewijze procedure om satellietwaarnemingen te gebruiken om belangrijke parameters en hun relaties in seizoensgebonden en afwijkende velden te beschrijven. De methode kan worden toegepast op andere mondiale oceanen en zal nuttig zijn voor het begrijpen van de mariene dynamiek.

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

Zeeoppervlak chlorofyl, temperatuur, hoogte van de zeespiegel, wind, en front gegevens verkregen of afgeleid van satelliet waarnemingen bieden een effectieve manier om de oceaan te karakteriseren. Gepresenteerd is een methode voor de uitgebreide studie van deze gegevens, met inbegrip van de totale gemiddelde, seizoensgebonden cyclus, en intercorrelatie analyses, om volledig te begrijpen regionale dynamiek en ecosystemen.

Onderzoek naar de relatie tussen het zeeoppervlak chlorofyl en belangrijke kenmerken van de Zuid-Chinese Zee met satellietinformatie

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

Satellietwaarnemingen bieden een geweldige aanpak om de kenmerken van belangrijke mariene parameters te onderzoeken, waaronder chlorofyl en temperatuur van het zeeoppervlak, hoogte van het zeeoppervlak en de factoren die zijn afgeleid van deze parameters, zoals fronten. Onze studie laat zien hoe satellietwaarnemingen kunnen worden gebruikt om belangrijke parameters en hun relaties te beschrijven. Satellietdata science van 2002 tot 2017 werden gebruikt om de oppervlaktekenmerken van de Zuid-Chinese Zee te beschrijven.De satellietobservatie van chlorofyl is factor, die wordt gebruikt om de bescherming van de oceaan. Factoren in verband met chlorofyl variabiliteit werden onderzocht met behulp van tijdreeksen. De methode kan worden toegepast op andere mondiale oceanen en zal nuttig zijn voor het begrijpen van de mariene dynamiek en het ecosysteem.We tonen een stapsgewijze procedure voor het verkrijgen van satellietgegevens van verschillende parameters die de ruimtelijke en temporele verschillen beschrijven en het bepalen van onderlinge relaties tussen verschillende factoren. Ruimtelijke en temporele variabiliteiten van parameters worden verkregen. Ze zijn empirische orthogonale functie en de onderlinge relatie tussen de verschillende factoren worden verkregen door nul correlatiecoëfficiënten.Voor de temperatuur van het zeeoppervlak en het verwerven van chlorofylgegevens over zeeoppervlak, download een dataset van satellietwaarnemingen van MODIS Aqua, waarvoor de ruimtelijke resolutie van beide datasets ongeveer 4,5 kilometer per dag is. Sla de gedownloade satellietbestanden op in de gegevensmap en structureer de map met mappen zoals weergegeven. Voeg het pad van de gereedschapsset voor netcdf-bestand toe in MATLAB en selecteer toevoegen met submappen om de paden van de scriptmap om te sluiten.Het pad voor alle vereiste mappen van de gegevens en functies wordt weergegeven in het MATLAB-zoekpad. Laad vervolgens de temperatuurgegevens van het zeeoppervlak in de analysesoftware. Voor de aankoop van gegevensset over zeeniveau van de anomalie download je dagelijkse anomaliegegevens op zeeniveau met een ruimtelijke resolutie van 25 kilometer vanaf hetzelfde tijdsbestek en voer het commando in om de anomaliegegevens van de zeeniveau te laden.Om de windsnelheidsgegevens te verkrijgen, download je de windgegevens uit dezelfde periode van een ERA-tussentijdse heranalyseproduct en voer je de opdracht in om de windgegevens van een maand te lezen. De verkregen u, v, en tijd variabelen vertegenwoordigen de zonale en meridiaan alle snelheden en de overeenkomstige tijd respectievelijk. Als u toegang wilt krijgen tot de topografiegegevensset, downloadt u de topografiegegevens met hoge resolutie van de website National Centers for Environmental Information en voert u de opdracht in om de topografiegegevens in de analysesoftware te laden.De variabelen XX, YY en ZZ geven respectievelijk de breedte- en lengtegraad en de bijbehorende diepte aan. Vanwege de grote bewolking in de temperatuur van het zeeoppervlak en de chlorofylgegevens van het zeeoppervlak, gebruikt u de opdracht om de oorspronkelijke gegevens te vervangen door de driedaagse gemiddelde gegevens. Omdat de ruimtelijke resolutie niet consistent is voor verschillende datasets, voert u het commando in om de temperatuur van het zeeoppervlak en de chlorofylgegevens van het zeeoppervlak te interpoleren in een ruimtelijk raster dat hetzelfde is als het ruimtelijke raster van de wind- en zeespiegel.Voer de opdracht in zoals aangegeven om de windstress en windstress krul te berekenen. Voer de opdracht in zoals aangegeven om de maandelijkse temperatuur van het zeeoppervlak, de wind en de anomalie van de zeespiegel te berekenen als 30-daagsgemiddelden in elke pixel. Voer voor ruimtelijke vloeiending de opdracht in om het script uit te voeren om de gemiddelde temperatuurgegevens van het zeeoppervlak in elke pixel glad te strijken.Als u de temperatuurgradiënt van het zeeoppervlak wilt bepalen, voert u de opdracht in om het script uit te voeren om de zonale en meridiaan alle temperatuurgradiënten van het zeeoppervlak te berekenen, aangezien de temperatuurverschil van het zeeoppervlak tussen de dichtstbijzijnde twee pixels gedeeld door de overeenkomstige afstand. Als u een front wilt identificeren door de waarde van de temperatuurgradiënt van het zeeoppervlak te testen, labelt u de pixel als een potentiële frontale pixel als de waarde groter was dan een aangewezen drempelwaarde. Voer de opdracht in om de maandelijkse frontale waarschijnlijkheid van het observeren van een front te berekenen.Als u de maandelijkse gegevens voor analyse wilt laden, voert u de opdrachten in en past u een empirische orthogonale functie toe om de ruimtelijke en temporele verschillen van de verschillende parameters te beschrijven. Het programma berekent de omvang, eigenwaarden en amplitude van de empirische orthogonale functies voor de gegevensset. Als u de correlatie op de seizoenschaal wilt bepalen, voert u de opdracht in om de correlaties tussen twee factoren te berekenen met behulp van hun tijdreeksen op elke pixel.Voer vervolgens de opdracht in om de correlaties tussen de maandelijkse afwijkingen van het chlorofyl van het zeeoppervlak en andere factoren te berekenen. Om de satellietinformatie weer te geven, voert u het commando in om het script uit te voeren om een showcase van satellietinformatie te genereren, waaronder het chlorofyl van het zeeoppervlak, temperatuur en wind, en de anomalie en frontale distributie op zeeniveau. Voer de opdracht in om het empirische orthogonale functieresultaat weer te geven.Voer vervolgens de opdracht in zoals aangegeven om de relatie tussen het chlorofyl en andere factoren bij seizoensgebonden en afwijkende velden te berekenen. De topografie heeft een prominente invloed op de ruimtelijke verdeling van het zeeoppervlak chlorofyl met hoogzeeoppervlak chlorofyl voornamelijk verdeeld langs de kust van de Zuid-Chinese Zee, waar de topografie ondiep is. Wind wordt ook beïnvloed door orografie met de lease-kant van de bergen gekenmerkt door zwakke wind en een prominente wind stress krul geïdentificeerd ten zuidwesten van de Zuid-Chinese Zee.De drempels die hier worden toegepast, leggen effectief de locatie van de voorkant vast en zorgen voor de weergave van de grenzen van hele watermassa's. In deze analyse, empirische orthogonale functie een gevangen een grote variantie in het noordelijke deel van de Zuid-Chinese Zee. Het overeenkomstige maandelijkse gemiddelde van de tijdreeks toonde aan dat het zeerlorofyl van het overzeese oppervlak tijdens de winter werd opgeheven en tijdens de zomer werd gedeprimeerd.De regio naast de zuidwestkust werd gekenmerkt door een zwakke omvang, en de overeenkomstige variabiliteit werd voornamelijk gevangen door empirische orthogonale functie twee. De chlorofylwaarden van het zeeoppervlak waren hoog in de zomer en laag in de winter, die hoofdzakelijk uit fase in vergelijking met het noordelijke gebied was. Inderdaad, de maandelijkse tijdreeks voor de empirische orthogonale functies toonde duidelijke seizoensgebonden variabiliteit aan met empirische orthogonale functie twee toonaangevende empirische orthogonale functie een met ongeveer vier maanden.De correlaties tussen het chlorofyl en andere factoren vertegenwoordigen de onderlinge relaties van de factoren. In deze analyse wordt bijvoorbeeld de temperatuur van het zeeoppervlak negatief gecorreleerd met het chlorofyl, terwijl de windstress positief gecorreleerd is met het chlorofyl. Zo werd een hoge chlorofyl geassocieerd met een lage temperatuur en sterke wind voor deze gegevens.Het identificeren van de variabiliteit van oceaanparameters en het onderzoeken van hun relatie met chlorofyl zijn van cruciaal belang en belangrijk voor de oceaandynamiek en het mariene ecosysteem. Frontale activiteiten zijn vooral belangrijk omdat hoge chlorofyl wordt meestal geassocieerd met de voorkant. Modificatie kan plaatsvinden om de drempel van de voordetectie te veranderen en de beste aanpak om de voorkant te valideren is om ze te vergelijken met waarnemingen van het instituut.Samengevat kunnen satellietwaarnemingen met behulp van satellietwaarnemingen nauwkeurig de ruimtelijke verdeling en de temporele variabiliteit in oceaanoppervlakken beschrijven. Met de toenemende resolutie van meer gedetailleerde functies kunnen worden geïdentificeerd en onderzocht in de toekomst.

Research

JoVE Journal

Environment

Protocol for Microplastics Sampling on the Sea Surface and Sample Analysis

Protocol voor microplastics bemonstering op het zeeoppervlak en 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

Bereiding van Authigenic pyriet van methaan-bevattende sedimenten In Situ zwavel isotoop analyseren met behulp van 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

Procedures van laboratorium fumigatie voor ongediertebestrijding met stikstofmonoxide 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

Technieken voor het onderzoek naar de anatomie van het visuele systeem van Ant

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

Specifieke en nauwkeurige detectie van de Citrus vergroening Pathogen Candidatus liberibacter spp. gebruikend conventionele PCR op Citrus blad weefselsteekproeven

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

Methoden voor beeld-gebaseerde enquêtes van benthische Macroinvertebrates en hun leefgebied wordt geïllustreerd door de Drop Camera enquête voor de Atlantische zee mantel

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

De Plant infectie Test: Spray en wond-gemedieerde inoculatie met de Plant Pathogen 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

Experimentele studie van de relatie tussen deeltjesgrootte en methaan Sorption capaciteit in leisteen

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

Keuze en nee-keuze Bioassays te bestuderen de verpopt voorkeur en het succes van de opkomst van 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

Ontwerp en gebruik van een apparaat voor het kwantificeren van tweekleppige schorsing voeding op zee

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