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

Le soutien du National Key Research and Development Program of China (No. 2016YFC1401601), le Programme d’innovation en recherche et en pratique de troisième cycle de la province du Jiangsu (no. SJKY19_0415) soutenu par les Fonds de recherche fondamentale pour les universités centrales (n° 2019B62814), la National Natural Science Foundation of China (nos. 41890805, 41806026 et 41730536) et joint Advanced Marine and Ecological Studies dans le golfe du Bengale et l’est de l’océan Indien équatorial ont été grandement reconnus. Les auteurs apprécient la fourniture de données provenant de sources, dont la National Aeronautics and Space Administration (NASA), le Centre européen de prévisions météorologiques à moyen terme (ECMWF), le Copernicus Marine and Environment Monitoring Service (CMEMS) et la National Oceanic and Atmospheric Administration (NOAA).

1. Acquisition de Dataset
<ol><li>TVS et LCH<ol>
<li>Téléchargez un ensemble de données d’observations satellitaires pour SST et CHL à partir de MODIS-Aqua (podaac-tools.jpl.nasa.gov/), où la résolution spatiale des deux ensembles de données est d’environ 4,5 km à intervalles quotidiens. REMARQUE : Structurez les répertoires et les données en suivant l’exemple du dossier scripts disponible dans les fichiers complémentaires. Stockez les fichiers .nc des données satellitaires dans le dossier « Données ». Ajouter le chemin d’accès à la boîte à outils NetCDF dans le logiciel d’analyse (c.-à-d. MATLAB). Sélectionnez Ajouter avec des sous-folders pour enfermer les chemins du dossier 'UTILITIES' et de ses sous-folders.</li>
		<li>Déterminez le laps de temps. Pour maintenir la cohérence entre les différents ensembles de données, utilisez le même laps de temps pour tous les paramètres. Ajustez la durée en fonction de la couverture temporelle et utilisez la plus longue période d’observation entre différents ensembles de données. Pour ce protocole, téléchargez 15 ans de données d’octobre 2002 à septembre 2017.</li>
		<li>Déterminez la couverture spatiale. REMARQUE : La région d’étude conçue se situe entre 105 °E et 123 °E et entre 0 ° et 25 °N.</li>
		<li>Vérifiez les instructions de prétraitement. Lisez les instructions dans les fichiers .nc concernant les exigences de prétraitement des données du TSS et de la LCH (p. ex., si l’échelle est nécessaire). REMARQUE : L’ensemble de données téléchargés exclut déjà les données sur terre et à moins de 5 km du littoral, ainsi que celles contaminées par les nuages.</li>
		<li>Chargez les données SST et CHL dans le logiciel d’analyse. Tapez Read_MODIS_SST dans la fenêtre de commande pour lire les données SST. De même, tapez Read_MODIS_CHL dans la fenêtre de commande pour lire les données de la LCH. Transformez les données de la LCH de façon logarithmique parce qu’elles ont une distribution log-normale31. REMARQUE : Les variables chargées incluent le TSS et le LCH en trois dimensions, représentant l’emplacement méridien, l’emplacement zonal et l’heure en jours, respectivement. La gamme des SST se situe entre -2 et 44, et la plage de CHL se situe entre 0,01 et 20.</li>
	</ol></li>
	<li>Anomalie du niveau de la mer (ALS)<ol>
<li>Téléchargez quotidiennement les données SLA avec une résolution spatiale de 25 km de 2002 à 201732. REMARQUE : Les AL décrivent la différence entre les hauteurs observées à la surface de la mer et la hauteur moyenne de la surface de la mer sur 20 ans (1993−2012) pour un pixel correspondant. Les données de l’ALS sont traitées par SSALTO/DUACS et distribuées par archivage, validation et interprétation des données océanographiques par satellite (AVISO, https://www.aviso.altimetry.fr).</li>
		<li>Chargez les données dans le logiciel d’analyse. Chargez les données SLA d’une journée en tapant Read_SLA dans la fenêtre de commande. REMARQUE : Le dossier « Données » dans les fichiers supplémentaires ne comprend qu’un seul exemple de datum dans le script pour l’illustration.</li>
	</ol></li>
	<li>Vitesse du vent<ol>
<li>Obtenez les informations sur le vent à partir d’un produit de réanalyse era-interim, qui est un ensemble mondial de données de réanalyse atmosphérique développé par l’European Center for Medium-Range Weather Forecasts (ECMWF)33. Téléchargez les données sur le vent pour la même période (octobre 2002-septembre 2017) afin de maintenir la cohérence avec les données de la LCH et du TSS. REMARQUE : L’ensemble de données sur le vent a une résolution spatiale d’environ 25 km et a été interpolé à partir de l’ensemble de données d’origine avec une résolution spatiale d’environ 0,7 °.</li>
		<li>Chargez les données dans le logiciel d’analyse. Tapez Read_WindVector dans la fenêtre de commande pour lire les données de vent d’un mois. Calculez la moyenne mensuelle en faisant la moyenne des données d’origine, qui sont à intervalles de 6 h.</li>
	</ol></li>
	<li>Topographie<ol>
<li>Téléchargez les données de topographie haute résolution du site Web des Centres nationaux d’information environnementale (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). La résolution spatiale est d’environ 2 km. Obtenez les données ETOPO1 pour le substrat rocheux au format XYZ pour la région d’étude sélectionnée.</li>
		<li>Chargez les données dans le logiciel d’analyse. Tapez Read_topography la fenêtre de commande pour charger les données de topographie dans le logiciel d’analyse.</li>
	</ol></li>
</ol>2. Prétraitement des données
<ol><li>Moyenne temporelle<ol>
<li>En raison de la grande couverture nuageuse des données SST et CHL, remplacez les données originales par des données moyennes sur 3 jours. Pour ce faire, après avoir exécuté les scripts Read_MODIS_SST.m et Read_MODIS_CHL.m (étape 1.1.5), tapez Temporal_average dans la fenêtre de commande pour exécuter le script.</li>
	</ol>
</li>
	<li>Interpolation dans la même grille<ol>
<li>Étant donné que la résolution spatiale n’est pas uniforme pour différents ensembles de données, interpolez les données SST et CHL dans une grille spatiale identique à celle du vent et de la grille spatiale SLA avant de faire des comparaisons. Après avoir exécuté les Temporal_average.m et Read_WindVector.m scripts, tapez Interpolation_grid dans la fenêtre de commande pour exécuter le script.</li>
	</ol>
</li>
	<li>Le stress du vent et le vent s’enroulent<ol>
<li>Tapez Wind_stress_curl la fenêtre de commande pour calculer le stress du vent (WS) et la courbure de stress du vent (WSC) à l’aide des équations suivantes : <img alt="Equation 1" src="/files/ftp_upload/61172/61172equ01.jpg"> <img alt="Equation 2" src="/files/ftp_upload/61172/61172equ02.jpg"> où <img alt="Equation 10" src="/files/ftp_upload/61172/icon01.jpg"> est le vecteur de vitesse du vent; est le WS dans la même direction que le vecteur du <img alt="Equation 10" src="/files/ftp_upload/61172/icon02.jpg"> vent; et sont les <img alt="Equation 10" src="/files/ftp_upload/61172/icon03.jpg"> <img alt="Equation 10" src="/files/ftp_upload/61172/icon04.jpg"> WS dans les directions est et nord, respectivement; <img alt="Equation 10" src="/files/ftp_upload/61172/icon05.jpg"> est la densité de l’air (égale à 1,2 kg/m3); et C est le coefficient de traînée (une valeur de 0,0015 est utilisé) dans des conditions de stabilité neutre34.</li>
	</ol>
</li>
	<li>Moyennes mensuelles<ol>
<li>Calculez les séries de temps mensuelles SST, wind et SLA comme des moyennes de 30 jours dans chaque pixel en tapant Monthly_average pour exécuter le script. En raison du taux élevé de couverture nuageuse, utilisez une moyenne de 60 jours comme série de temps mensuelle pour la LCH, y compris 30 jours avant à 30 joursaprès le 15e jour du mois.</li>
	</ol>
</li>
</ol>3. Détection avant SST
<ol><li>Lissage spatial<ol>
<li>Tapez Spatial_smoothing pour exécuter le script pour faire la moyenne des données SST de trois jours dans chaque pixel. REMARQUE : Une grande quantité de bruit a été identifiée dans les données du TSS. Ainsi, les données ont été lissées avec une moyenne spatiale de 3 x 3. Lorsqu’aucune donnée n’était disponible dans les données moyennes initiales sur 3 jours, les données moyennes spatiales ont été définies comme indisponibles.</li>
	</ol>
</li>
	<li>Gradient SST<ol>
<li>Tapez SST_gradient pour exécuter le script pour calculer les gradients zonaux et méridionaux SST (c.-à-Gx et Gy ,respectivement)comme la différence SST entre les deux pixels les plus proches divisés par la distance correspondante par équation (3). Utilisez le vecteur de gradient obtenu pour calculer le gradient total, G, comme équation scalaire suivante (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>Maximum local<ol>
<li>Identifiez un front en testant une valeur de gradient SST : étiquetez un pixel comme un pixel frontal potentiel si la valeur est supérieure à un seuil désigné. Ne maintenez le pixel maximum local dans la même direction perpendiculaire à la direction de gradient que s’il y a des pixels connectés avec des valeurs plus grandes que le seuil. Ici, définissez le seuil comme 0.035 °C/km suivant les anciennes études10,28. REMARQUE : Le script correspondant 'Local_maximum.m' est disponible dans les fichiers supplémentaires.</li>
	</ol>
</li>
	<li>Probabilité frontale mensuelle (FP) REMARQUE : La probabilité frontale (FP) décrit la probabilité d’observer un front.<ol>
<li>Calculez le FP pendant une certaine période de temps (dans ce cas, un intervalle mensuel), en tapant Monthly_FP pour exécuter le script. Divisez l’occurrence des fronts à chaque pixel pendant une fenêtre de temps par le nombre de jours qui sont exempts de nuages.</li>
	</ol>
</li>
</ol>4. Variabilité spatiale et temporelle
<ol><li>Cycle saisonnier<ol>
<li>Calculer les cycles saisonniers des différents facteurs en tant que moyennes de différentes saisons. Définissez les saisons comme suit : l’hiver est de décembre à février, le printemps de mars à mai, l’été de juin à août et l’automne de septembre à novembre. REMARQUE : Le cycle saisonnier n’est pas indiqué dans cette étude; la méthode suivante est utilisée pour expliquer la variabilité spatiale et temporelle à la place.</li>
	</ol>
</li>
	<li>Fonction orthogonale empirique (EOF)<ol>
<li>Supprimez la moyenne temporelle et les pixels indisponibles. Avant d’effectuer l’EOF, soustrayez la moyenne globale à chaque pixel et excluez les emplacements où les observations manquantes dépassent 20 % en raison de la couverture nuageuse. Chargez les données en tapant la charge ('Monthly_data_for_EOF.mat') dans la fenêtre de commande.</li>
		<li>Appliquez un EOF pour décrire les variabilités spatiales et temporelles des différents paramètres. Tapez Empirical_orthogonal_function.m pour exécuter le script pour calculer la magnitude (Mag), les eigenvalues (Eig) et l’amplitude (Amp) des EOF pour l’ensemble de données (c.-à-d. séries châbées de SST moyenne mensuelle, stress éolien, courbure de stress du vent, CHL et FP). REMARQUE : La fonction décompose la série temporelle mensuelle en différents modes, qui sont composés de modèles spatiaux et temporels et la variance expliquée par chaque mode diminue avec l’augmentation du nombre de modes.</li>
	</ol>
</li>
</ol>5. Intercorrépendation
<ol><li>Corrélation à l’échelle saisonnière<ol>
<li>Calculez les corrélations entre deux facteurs à l’aide de leur série de temps à chaque pixel en tapant Seasonal_correlation pour exécuter le script. Étant donné que le cycle saisonnier n’est pas supprimé, vérifiez l’importance de la corrélation pour toutes les corrélations.</li>
	</ol>
</li>
	<li>Corrélation d’un champ anormal<ol>
<li>Calculer les corrélations entre les anomalies mensuelles de la LCH et d’autres facteurs, comme le TSS, le SS, les fronts et les AL. Obtenez les anomalies mensuelles (c.-à-d. l’écart par rapport à l’état moyen) en soustrayant la moyenne globale pour un mois correspondant de la série de temps mensuelle. Tapez Anomalous_correlation pour exécuter le script et obtenir les corrélations.</li>
	</ol>
</li>
</ol>6. Affichage de l’information et calcul des relations
<ol><li>Affichez des informations satellitaires.<ol>
<li>Tapez Sat_SCS_Fig3457 pour exécuter le script afin de générer une vitrine d’informations satellitaires, y compris la TVS, la LCH et les distributions frontales. Définissez le dossier actuel sous forme de « scripts » où se trouvent les données Sat_SCS_data.mat ». REMARQUE : Figure 1, figure 2, figure 3et figure 4 montrent la TVS, la LCH, les façades, le vent et la topographie pour la date choisie à titre d’exemple.</li>
	</ol>
</li>
	<li>Affichez le résultat EOF en tapant Sat_SCS_Fig890.m pour exécuter le script. REMARQUE : La figure 5, la figure 6 etla figure 7 décrivent respectivement l’ampleur spatiale, la moyenne mensuelle et les séries ch/à terme des deux premiers modes pour la LCH, le TSS et les fronts.</li>
	<li>Calculez la relation entre la LCH et d’autres facteurs à des échelles saisonnières et pour les champs anormaux en tapant Sat_SCS_Fig1112.m pour exécuter le script. Obtenez la carte de corrélation pour les variabilités saisonnières (figure 8) et les anomalies (figure 9).</li>
</ol>

Les auteurs n’ont rien à divulguer.

Dans cette étude, les principales caractéristiques des systèmes marins sont décrites à l’aide d’observations par satellite. Le LCH, qui peut être utilisé pour représenter la production océanique, est choisi comme facteur indicateur. Des facteurs liés à la variabilité de la LCH ont été étudiés à l’aide de séries ch/temps moyennes mensuelles, p. ex., SST, WS, WSC, FP et SLA. Trois étapes critiques sont décrites dans cette étude : l’acquisition de données satellitaires pour différents paramètres, la description de leurs variabilités spatiales et temporelles par l’intermédiaire de l’EOF, et la détermination des interrelations entre différents facteurs en calculant les coefficients de corrélation. Une procédure détaillée montrant l’identification pour la distribution frontale quotidienne, qui est dérivée des observations de SST, est incluse. Deux approches majeures ont été développées pour la détection avant SST : la méthode de gradient10,38 et la méthode d’histogramme39,40. La méthode de l’histogramme est basée sur une gamme similaire de valeurs pour SST, qui peut être utilisé pour diviser les masses d’eau en différents groupes. Les pixels avec des valeurs entre les différents groupes représentant le pixel dans une bande de transition sont définis comme des fronts. D’autre part, la méthode de gradient sépare plusieurs plans d’eau relativement uniformes en tant que pixels avec de grandes valeurs de gradient. Une étude de comparaison a été menée, et ils ont trouvé des taux faux inférieurs utilisant la méthode d’histogramme et moins de fronts manqués utilisant la méthode de gradient41. Dans cette étude, la méthode basée sur le gradient38 a été adoptée à la suite d’anciennesétudes 10,28. L’algorithme peut éviter la rupture avant en fragments de bord multiples en permettant à la magnitude de diminuer à un niveau inférieur à un seuil plus petit. En plus de l’ensemble de données inclus ici, d’autres observations satellitaires, telles que l’indice des aérosols, peuvent également être utilisées avec une approche similaire.
La plupart des procédures peuvent être appliquées directement dans d’autres régions ou ensembles de données. Des modifications peuvent avoir lieu pour modifier le seuil de détection avant. Étant donné que le gradient SST dans le SCS est comparable au système de courant frontalier de l’Est28,les mêmes seuils ont été mis en œuvre pour l’étude en cours. Une étude précédente a révélé que le gradient SST de différents ensembles de données peut varier jusqu’àtrois fois 42, ce qui rend la méthode en quelque sorte moins objective. Des études substantielles ont étudié les activités frontales autour des océansmondiaux 28,43. La meilleure approche pour valider les fronts est de les comparer avec des observations in situ. Yao44 a décrit la distribution frontale mensuelle pour le SCS. Leurs résultats étaient bien d’accord avec les mesures in situ. Le gradient global doit être vérifié et ajusté puisque sa valeur peut varier en fonction de la résolution spatiale et des instruments. En particulier, le seuil doit être mis à jour lorsqu’un autre ensemble de données SST est utilisé. Une compréhension de base de la dynamique régionale est fondamentale pour comprendre la frontogenèse45,46,47. Le script de détection avant peut être développé par des auteurs individuels sur la base de la description dans cet article.
L’information satellitaire offre une compréhension complète des caractéristiques de surface, et une comparaison des résultats avec des observations in situ peut aider à évaluer la crédibilité. Toutefois, les observations satellitaires se limitent à la surface de l’océan, ce qui limite l’application pour comprendre la structure verticale de la colonne d’eau. Dans une étude récente, les observations satellitaires ont révélé que la LCH de surface a augmenté de 15 fois, mais que la valeur verticale intégrée n’a augmenté que de 2,5fois 48. Cette différence s’explique par le fait que la valeur de surface a été affectée par les coeffects de la croissance du phytoplancton et du haut-fond du MLD, ce qui a donné lieu à une valeur irréalisable à la surface. Ainsi, la fonction de surface peut ne pas offrir une description précise pour l’ensemble de la colonne d’eau. En outre, l’influence de la couverture nuageuse limite les observations continues des satellites. Ainsi, les séries de temps mensuelles sont calculées pour différents facteurs sur la même région et la même période. Cela garantira la crédibilité du calcul des corrélations entre les différents facteurs. Toutefois, les événements de courte durée, par exemple les typhons qui durent de quelques jours à une semaine, ne seront pas résolus.
Par rapport aux études antérieures, la méthode proposée peut offrir des informations spatiales au niveau pixel, ce qui peut aider à évaluer la dynamique d’une manière plus détaillée. Certaines études antérieures ont fait la moyenne de l’ensemble du SCS en tant que nombre unique et ont obtenu une série de temps. Ils ont constaté qu’un WS exceptionnellement fort et un TSS élevé peuvent induire un CHL16 anormalementélevé, ce qui est conforme au résultat actuel. Cependant, la variation spatiale dans les relations n’a pas été résolue. Dans cette étude, la corrélation bassin-échelle entre WS et CHL était faible dans le domaine anormal. Une grande corrélation significative n’a été identifiée que pour certaines zones, par exemple, au centre du SCS (figure 9B). Ainsi, la méthode actuelle offre une description complète pour étudier les variations spatiales. De même, des observations de deux flotteurs Bio-Argo ont été utilisées et ont révélé que le CSM n’était pas en corrélation avec la variabilité de laLCH 20. Cependant, les trajectoires des deux flotteurs ne sont situées que dans certaines régions. En l’espèce, c’est exactement au sein de la bande que la corrélation entre le niveau de la LCH et le CSM n’était pas significative (figure 8D). La méthode proposée est très utile pour résoudre la dépendance spatiale entre les facteurs, qui est une caractéristique fondamentale de l’océan mondial.
En résumé, la méthode utilisée ici peut décrire avec précision la distribution spatiale et la variabilité temporelle des caractéristiques de surface de l’océan à l’aide d’observations satellitaires. Avec la résolution croissante des ensembles de données satellitaires, des fonctionnalités plus détaillées peuvent être identifiées et étudiées, ce qui permet une compréhension générale des caractéristiques régionales, y compris la LCH, la TVS et la SSH. La corrélation des séries de temps mensuelles entre différents facteurs peut aider à comprendre leurs relations dynamiques et leur impact potentiel sur unécosystème 49. Étant donné que la corrélation peut varier en grande partie à différents endroits spatiaux, la méthode proposée offre une description détaillée et complète. Une approche similaire peut être appliquée à n’importe quel bassin océanique dans le monde entier, ce qui sera grandement utile pour améliorer la compréhension de la dynamique marine et des écosystèmes.

La technologie de télédétection offre d’excellents ensembles de données avec de grandes échelles spatiales et de longues périodes pour décrire les environnements marins. Avec la résolution spatiale croissante des satellites, les caractéristiques détaillées sont maintenant résolues de l’échelle régionale à quelques centaines demètres 1,2. Une meilleure compréhension de la dynamique marine peut être obtenue grâce à la plupart des observations satellitaires mises àjour 3.
En intégrant plusieurs capteurs sur une plate-forme de télédétection, une description complète des différents paramètres est possible. La température de surface de la mer (SST) est le paramètre de base observé depuis plus d’undemi-siècle 4. Récemment, des observations sur la chlorophylle de surface de la mer a (LCH) sont devenues disponibles et peuvent être utilisées pour décrire la productivité marine5. Les satellites d’altimétrie sont utilisés pour mesurer la hauteur de surface de lamer 6,7, ce qui est fortement lié aux activités de remous mésométriques dans l’océan global8,9. En plus des tourbillons, les activités frontales sont également importantes pour avoir un impact sur la dynamique régionale et la productionprimaire 10.
L’objectif principal de l’étude actuelle est de trouver une procédure standard pour décrire la distribution spatiale et les variabilités temporelles des différents facteurs océaniques. Dans cette méthode, les données SST, CHL, SSH et front, qui sont dérivées des gradients SST, sont analysées pour déterminer les modèles. En particulier, le LCH est utilisé pour représenter la productivité de l’océan, et une méthode est introduite pour étudier la relation entre la LCH et d’autres paramètres océaniques. Pour valider la méthode, la période comprise entre octobre 2002 et septembre 2017 en mer de Chine méridionale a été utilisée pour examiner tous les paramètres. La méthode peut être facilement utilisée pour d’autres régions du monde pour capturer les principaux modèles océaniques et explorer l’impact de la dynamique marine sur l’écosystème.
La mer de Chine méridionale (SCS) a été désignée région d’étude en raison de son taux de couverture relativement élevé d’observations par satellite. Le SCS est abondant en rayonnement solaire; ainsi, la LCH est principalement déterminée par la disponibilité desnutriments 11,12. Avec plus d’éléments nutritifs transportés dans la couche euphotique, les niveaux de LCH peuventaugmenter de 13. Le mélange, induit par le vent, peut introduire des nutriments à la surface de l’océan et améliorer laLCH 14. Le SCS est particulièrement dominé par un système éolien de mousson, qui détermine la dynamique et l’écosystème de la région. Le vent de mousson est plus fort pendantl’hiver 15. En été, les vents changent de direction et les vitesses du vent sont beaucoup plus faibles que celles del’hiver 16,17. L’intensité du vent peut déterminer la force du mélange vertical, de sorte que la profondeur de la couche mixte (MLD) s’approfondit à mesure que le vent augmente en hiver et devient moins profonde à mesure que le vent diminue àl’été 18. Ainsi, plus de nutriments sont transportés dans la couche euphotique pendant l’hiver lorsque le ventest fort 19 et CHL atteint son point culminant del’année 20,21.
En plus du vent, le MLD peut également être déterminé à l’aide d’autres facteurs, tels que le TSS et les anomalies du niveau de la mer (ALD), qui ont finalement un impact sur la teneur en éléments nutritifs et laLCH 22. Pendant l’hiver, le faible gradient vertical est associé à de basses températures à la surface20. Le MLD correspondant est profond et plus de nutriments peuvent être transportés vers le haut; ainsi, le CHL dans la couche superficielle est élevé17. Une variation croissante des niveaux de LCH peut être attribuée aux tourbillons mésoscales, qui induisent le transport vertical etmélangent 23. Le gonflement se trouve habituellement dans les tourbillons cycloniques associés aux ALdéprimés 8,9 et aux concentrations élevées de LCH24. Downwelling se trouve habituellement dans les tourbillons anticycloniques associés à des ALélevés 8,9 et des concentrations déprimées de LCH24. Pour les autres saisons, le MLD devient peu profond, et le mélange devient faible; ainsi, on peut observer une faible LCH sur la majorité du bassin25. Les cycles saisonniers des niveaux de LCH sont par la suite prédominants pour larégion 26.
En plus du mélange, les façades et la remontée côtière associée peuvent moduler davantage la LCH. Le front, qui est défini comme une limite de différentes masses d’eau, est important pour déterminer la circulation régionale et les réponses écosystémiques27. La frontogenèse est généralement associée à la remontée côtière et à la convergence28,29, qui peuvent induire des éléments nutritifs et élever la croissance du phytoplancton30. Différents algorithmes ont été développés pour identifier automatiquement les fronts à partir d’observations satellitaires, y compris les méthodes d’histogramme et de gradient SST. Cette dernière approche est adoptée dans cette étude28.
La corrélation des séries chelli temps entre la LCH et différents facteurs offre d’excellentes perspectives pour quantifier leur relation. La présente étude offre une description complète de la façon d’utiliser les observations satellitaires pour révéler la dynamique marine régionale liée à la productivité. Cette description peut servir de guide pour étudier les processus de surface dans n’importe quelle partie de l’océan. La structure de cet article comprend un protocole étape par étape, suivi de résultats descriptifs dans le texte et les chiffres. L’applicabilité en plus des avantages et des inconvénients de la méthode sont ensuite discutés.

<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

Les observations par satellite offrent une excellente approche pour étudier les caractéristiques des principaux paramètres marins, y compris la chlorophylle de surface de la mer (LCH), la température de surface de la mer (SST), la hauteur de la surface de la mer (SSH) et les facteurs dérivés de ces paramètres (p. ex., fronts). Cette étude montre une procédure étape par étape pour utiliser des observations satellitaires pour décrire les paramètres majeurs et leurs relations dans les champs saisonniers et anormaux. Cette méthode est illustrée à l’aide d’ensembles de données satellitaires de 2002 à 2017 qui ont été utilisés pour décrire les caractéristiques de surface de la mer de Chine méridionale (SCS). En raison de la couverture nuageuse, des données mensuelles moyennes ont été utilisées dans cette étude. La fonction orthogonale empirique (EOF) a été appliquée pour décrire la distribution spatiale et les variabilités temporelles de différents facteurs. Le vent de mousson domine la variabilité du bassin. Ainsi, le vent de l’ensemble de données de réanalyse a été utilisé pour étudier sa force motrice sur différents paramètres. La variabilité saisonnière de la LCH était importante et significativement corrélée avec d’autres facteurs dans la majorité du SCS. En hiver, une forte mousson du nord-est induit une couche mixte profonde et un niveau élevé de chlorophylle dans tout le bassin. Des coefficients de corrélation significatifs ont été trouvés parmi les facteurs au cycle saisonnier. En été, on a surtout constaté des niveaux élevés de LCH dans le SCS de l’Ouest. Au lieu d’une dépendance saisonnière, la région était très dynamique, et les facteurs se corrélés de façon significative dans les champs anormaux de sorte que des niveaux anormalement élevés de LCH aient été associés à des vents anormalement forts et à des activités frontales intenses. L’étude présente une procédure étape par étape pour utiliser les observations par satellite pour décrire les paramètres majeurs et leurs relations dans les domaines saisonniers et anormaux. La méthode peut être appliquée à d’autres océans mondiaux et sera utile pour comprendre la dynamique marine.

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

La chlorophylle de surface de la mer, la température, la hauteur du niveau de la mer, le vent et les données avant obtenues ou dérivées d’observations satellitaires offrent un moyen efficace de caractériser l’océan. Présentée est une méthode pour l’étude complète de ces données, y compris la moyenne globale, le cycle saisonnier et les analyses d’intercorrépendation, afin de bien comprendre la dynamique régionale et les écosystèmes.

Étudier les relations entre la chlorophylle de surface de la mer et les principales caractéristiques de la mer de Chine méridionale avec des informations satellitaires

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

Les observations par satellite offrent une excellente approche pour étudier les caractéristiques des principaux paramètres marins, y compris la chlorophylle et la température de surface de la mer, la hauteur de la surface de la mer et les facteurs dérivés de ces paramètres, comme les fronts. Notre étude montre comment utiliser les observations satellitaires pour décrire les principaux paramètres et leurs relations. La science des données satellitaires de 2002 à 2017 a été utilisée pour décrire les caractéristiques de surface de la mer de Chine méridionale.L’observation par satellite de la chlorophylle est un facteur qui est utilisé pour la protection des océans. Des facteurs liés à la variabilité de chlorophylle ont été étudiés à l’aide de séries de temps. La méthode peut être appliquée à d’autres océans mondiaux et sera utile pour comprendre la dynamique marine et l’écosystème.Nous montrons une procédure étape par étape pour l’acquisition de données satellitaires de différents paramètres décrivant les variabilités spatiales et temporelles et déterminant les interrelations entre différents facteurs. Des variabilités spatiales et temporelles des paramètres sont obtenues. Ils sont fonction orthogonale empirique et l’interrelation entre différents facteurs sont acquises par zéro coefficient de corrélation.Pour l’acquisition de données sur la température de surface de la mer et la chlorophylle de surface de la mer, téléchargez un ensemble de données d’observations satellitaires de MODIS Aqua, pour lesquelles la résolution spatiale des deux ensembles de données est d’environ 4,5 kilomètres à intervalles quotidiens. Stockez les fichiers satellites téléchargés dans le dossier de données et structurez l’annuaire des dossiers tels qu’ils sont affichés. Ajoutez le chemin de la boîte à outils pour le fichier NetCDF dans MATLAB et sélectionnez ajouter avec des sous-fichiers pour enfermer les chemins du dossier scripts.Le chemin pour tous les répertoires requis des données et des fonctions apparaîtra dans le chemin de recherche MATLAB. Chargez ensuite les données de température de surface de la mer dans le logiciel d’analyse. Pour l’acquisition d’un ensemble de données sur les anomalies du niveau de la mer, téléchargez quotidiennement des données sur les anomalies du niveau de la mer avec une résolution spatiale de 25 kilomètres à partir du même délai et entrez la commande pour charger les données d’anomalie du niveau de la mer d’un jour.Pour obtenir les données sur la vitesse du vent, téléchargez les données sur le vent à partir de la même période à partir d’un produit de ré-analyse provisoire ERA et entrez la commande pour lire les données sur le vent d’un mois. Les variables u, v et temps obtenues représentent respectivement les variables zonales et méridiennes de toutes les vitesses et du temps correspondant. Pour accéder à l’ensemble de données topographie, téléchargez les données de topographie haute résolution du site Web des Centres nationaux d’information environnementale et entrez la commande pour charger les données de topographie dans le logiciel d’analyse.Les variables XX, YY et ZZ indiquent respectivement la latitude, la longitude et la profondeur correspondante. En raison de la grande couverture nuageuse de la température de surface de la mer et des données sur la chlorophylle de surface de la mer, utilisez la commande pour remplacer les données originales par les données moyennes sur trois jours. Étant donné que la résolution spatiale n’est pas uniforme pour différents ensembles de données, entrez la commande d’interpoler les données sur la température de surface de la mer et la chlorophylle de surface de la mer dans un réseau spatial identique au réseau spatial d’anomalies du vent et du niveau de la mer.Entrez la commande comme indiqué pour calculer le stress du vent et la courbure de stress du vent. Pour calculer la température mensuelle de la surface de la mer, le vent et les séries de temps d’anomalie du niveau de la mer comme moyennes de 30 jours dans chaque pixel, entrez la commande comme indiqué. Pour le lissage spatial, entrez la commande pour exécuter le script pour lisser les données de température moyenne de surface de la mer sur trois jours dans chaque pixel.Pour déterminer le gradient de température de la surface de la mer, entrez la commande d’exécuter le script pour calculer le zonal et méridien tous les gradients de température de surface de la mer comme différence de température de surface de la mer entre les deux pixels les plus proches divisés par la distance correspondante. Pour identifier un front en testant la valeur du gradient de température de surface de la mer, étiquetez le pixel comme un pixel frontal potentiel si la valeur était supérieure à un seuil désigné. Pour calculer la probabilité frontale mensuelle d’observer un front ont lieu pour une période de temps spécifique, entrez la commande.Pour charger les données mensuelles aux fins d’analyse, entrez les commandes et appliquez une fonction orthogonale empirique pour décrire les variabilités spatiales et temporelles des différents paramètres. Le programme calculera l’ampleur, les eigenvalues et l’amplitude des fonctions orthogonales empiriques pour l’ensemble de données. Pour déterminer la corrélation à l’échelle saisonnière, entrez la commande pour calculer les corrélations entre deux facteurs à l’aide de leur série de temps à chaque pixel.Entrez ensuite la commande pour calculer les corrélations entre les anomalies mensuelles de la chlorophylle de surface de la mer et d’autres facteurs. Pour afficher les informations satellitaires, entrez la commande pour exécuter le script afin de générer une vitrine d’informations satellitaires, y compris la chlorophylle de surface de la mer, la température et le vent, ainsi que l’anomalie du niveau de la mer et la distribution frontale. Entrez la commande pour afficher le résultat empirique de la fonction orthogonale.Entrez ensuite la commande comme indiqué pour calculer la relation entre la chlorophylle et d’autres facteurs dans les champs saisonniers et anormaux. La topographie a un impact important sur la distribution spatiale de la chlorophylle de surface de la mer avec de la chlorophylle de surface de haute mer principalement répartie le long de la côte de la mer de Chine méridionale où la topographie est peu profonde. Le vent est également influencé par l’orographie avec le côté bail des montagnes caractérisées par un vent faible et une courbure de stress éolien importante identifiée au sud-ouest de la mer de Chine méridionale.Les seuils appliqués ici capturent efficacement l’emplacement de l’avant et assurent la représentation des limites des masses d’eau entières. Dans cette analyse, la fonction orthogonale empirique a capturé une grande variance dans la section nord de la mer de Chine méridionale. La moyenne mensuelle correspondante de la série de temps a montré que la chlorophylle de surface de la mer était élevée pendant l’hiver et déprimée pendant l’été.La région à côté de la côte sud-ouest a été caractérisée par une faible magnitude, et la variabilité correspondante a été principalement capturée par la fonction orthogonale empirique deux. Les valeurs de chlorophylle de surface de la mer étaient élevées en été et faibles en hiver, ce qui était principalement hors phase par rapport à la région nord. En effet, les séries de temps mensuelles pour les fonctions orthogonales empiriques ont démontré la variabilité saisonnière claire avec la fonction orthogonale empirique deux fonctions orthogonales empiriques principales un par approximativement quatre mois.Les corrélations entre la chlorophylle et d’autres facteurs représentent les interrelations des facteurs. Par exemple, dans cette analyse, la température de surface de la mer est négativement corrélée avec la chlorophylle tandis que le stress du vent est positivement corrélé avec la chlorophylle. Ainsi, une chlorophylle élevée a été associée à une basse température et à un vent fort pour ces données.L’identification de la variabilité des paramètres océaniques et l’examen de leur relation avec la chlorophylle sont essentiels et importants pour la dynamique océanique et l’écosystème marin. Les activités frontales sont particulièrement importantes parce que la chlorophylle élevée est habituellement associée à l’avant. Des modifications peuvent avoir lieu pour modifier le seuil de détection avant et la meilleure approche pour valider le front est de les comparer avec les observations de l’institut.En résumé, l’utilisation d’observations satellitaires peut décrire avec précision la distribution spatiale et la variabilité temporelle des caractéristiques de la surface de l’océan. Avec la résolution croissante de fonctionnalités plus détaillées peuvent être identifiés et étudiés à l’avenir.

Research

JoVE Journal

Environment

Protocol for Microplastics Sampling on the Sea Surface and Sample Analysis

Protocole pour microplastiques échantillonnage sur la surface de la mer et analyse des échantillons

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

Recherche

Environnement

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

Préparatifs de Pyrite authigènes de méthane-sédiments In Situ analyse isotopique du soufre à l’aide de 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

Procédures de laboratoire Fumigation pour Pest Control avec gaz d’oxyde nitrique

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

Techniques pour étudier l’anatomie du système visuel 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

Spécifique et une détection précise de Using PCR classique sur des échantillons de tissus foliaires agrumes Citrus Greening pathogène Candidatus liberibacter spp.

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

Méthodes d’enquêtes axées sur l’Image de macroinvertébrés benthiques et de leur Habitat témoigne de l’enquête sur la caméra Drop pour le pétoncle Atlantique

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

Le Test de Infection de plantes : Spray et induite par la plaie de l’Inoculation avec la plante pathogène 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

Etude expérimentale de la relation entre la taille des particules et capacité de Sorption de méthane en schiste

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

Choix et sans choix bioessais pour étudier la préférence de nymphose et succès à l’émergence de 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

Conception et utilisation d’un appareil pour quantifier la Suspension Bivalve alimentation en mer

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