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

Die Unterstützung aus dem National Key Research and Development Program of China (Nr. 2016YFC1401601), dem Postgraduate Research & Practice Innovation Program der Provinz Jiangsu (Nr. SJKY19_0415) unterstützt von den Fundamental Research Funds for the Central Universities (Nr. 2019B62814), der National Natural Science Foundation of China (Nr. 41890805, 41806026 und 41730536) und Joint Advanced Marine and Ecological Studies in the Bay of Bengal and the eastern äquatorial Indian Ocean. Die Autoren schätzen die Bereitstellung von Daten aus Quellen wie der National Aeronautics and Space Administration (NASA), dem European Centre for Medium-Range Weather Forecasts (ECMWF), dem Copernicus Marine and Environment Monitoring Service (CMEMS) und der National Oceanic and Atmospheric Administration (NOAA).

1. Datensatzerfassung
<ol><li>SST und CHL<ol>
<li>Laden Sie einen Datensatz mit Satellitenbeobachtungen für SST und CHL von MODIS-Aqua (podaac-tools.jpl.nasa.gov/) herunter, wobei die räumliche Auflösung beider Datensätze im täglichen Abstand etwa 4,5 km beträgt. HINWEIS: Strukturieren Sie die Verzeichnisse und Daten nach dem Beispielskriptordner, der in den Ergänzungsdateienverfügbar ist. Speichern Sie die .nc-Dateien der Satellitendaten im Ordner "Daten". Fügen Sie den Pfad zur NetCDF-Toolbox in der Analysesoftware (d. h. MATLAB) hinzu. Wählen Sie Hinzufügen mit Unterordnern aus, um die Pfade des Ordners "UTILITIES" und seiner Unterordner einzuschließen.</li>
		<li>Bestimmen Sie die Zeitspanne. Um die Konsistenz zwischen verschiedenen Datasets aufrechtzuerhalten, verwenden Sie die gleiche Zeitspanne für alle Parameter. Passen Sie die Zeitspanne basierend auf der zeitlichen Abdeckung an, und verwenden Sie den längsten Beobachtungszeitraum zwischen verschiedenen Datasets. Laden Sie für dieses Protokoll 15 Jahre Daten von Oktober 2002 bis September 2017 herunter.</li>
		<li>Bestimmen Sie die räumliche Abdeckung. HINWEIS: Der vorgesehene Untersuchungsbereich liegt zwischen 105°E und 123°E und zwischen 0° und 25°N.</li>
		<li>Überprüfen Sie die Vorverarbeitungsanweisungen. Lesen Sie Anweisungen in den .nc-Dateien zu den Vorverarbeitungsanforderungen der SST- und CHL-Daten (z. B. ob eine Skalierung erforderlich ist). HINWEIS: Der heruntergeladene Datensatz schließt bereits Daten über Land und innerhalb von 5 km von der Küste sowie durch Wolken kontaminierte Daten aus.</li>
		<li>Laden Sie SST- und CHL-Daten in die Analysesoftware. Geben Sie Read_MODIS_SST im Befehlsfenster ein, um die SST-Daten zu lesen. Geben Sie Read_MODIS_CHL im Befehlsfenster ein, um die CHL-Daten zu lesen. Transformieren Sie die CHL-Daten logarithmisch, da sie über eine Log-Normalverteilung31verfügen. HINWEIS: Zu den geladenen Variablen gehören SST und CHL in drei Dimensionen, die die Meridionalposition, die zonale Position und die Zeit in Tagen darstellen. Der Bereich der SSTs liegt zwischen -2 und 44, und der Bereich von CHL liegt zwischen 0,01 und 20.</li>
	</ol></li>
	<li>Anomalie des Meeresspiegels (SLA)<ol>
<li>Laden Sie tägliche SLA-Daten mit einer räumlichen Auflösung von 25 km von 2002 bis 201732herunter. HINWEIS: SLAs beschreiben den Unterschied zwischen beobachteten Meeresoberflächenhöhen und der mittleren Meeresoberflächenhöhe über 20 Jahre (1993-2012) für ein entsprechendes Pixel. Die SLA-Daten werden von SSALTO/DUACS verarbeitet und durch Archivierung, Validierung und Interpretation satellitenozeanographischer Daten (AVISO, https://www.aviso.altimetry.fr) verteilt.</li>
		<li>Laden Sie Daten in die Analysesoftware. Laden Sie eintägige SLA-Daten, indem Sie Read_SLA im Befehlsfenster eingeben. HINWEIS: Der Ordner "Daten" in den Ergänzungsdateien enthält nur ein Beispieldatum im Skript zur Veranschaulichung.</li>
	</ol></li>
	<li>Windgeschwindigkeit<ol>
<li>Erhalten Sie die Windinformationen von einem ERA-Interim Reanalysis-Produkt, einem globalen atmosphärischen Reanalyse-Datensatz, der vom European Center for Medium-Range Weather Forecasts (ECMWF)33entwickelt wurde. Laden Sie Winddaten für den gleichen Zeitraum (Oktober 2002–September 2017) herunter, um die Konsistenz mit den CHL- und SST-Daten aufrechtzuerhalten. HINWEIS: Das Wind-Dataset hat eine räumliche Auflösung von ca. 25 km und wurde vom ursprünglichen Datensatz mit einer räumlichen Auflösung von ca. 0,7° interpoliert.</li>
		<li>Laden Sie Daten in die Analysesoftware. Geben Sie Read_WindVector in das Befehlsfenster ein, um die einmonatigen Winddaten zu lesen. Berechnen Sie den monatlichen Mittelwert, indem Sie die ursprünglichen Daten in 6 H-Intervallen durchschnittlich eingberechnen.</li>
	</ol></li>
	<li>Topographie<ol>
<li>Laden Sie die hochauflösenden Topographiedaten von der Website der National Centers for Environmental Information (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/) herunter. Die räumliche Auflösung beträgt 2 km. Rufen Sie die ETOPO1-Daten für das Fundament im XYZ-Format für die ausgewählte Studienregion ab.</li>
		<li>Laden Sie Daten in die Analysesoftware. Geben Sie Read_topography im Befehlsfenster ein, um die Topographiedaten in die Analysesoftware zu laden.</li>
	</ol></li>
</ol>2. Datenvorverarbeitung
<ol><li>Zeitlicher Durchschnitt<ol>
<li>Ersetzen Sie aufgrund der großen Cloud-Abdeckung in den SST- und CHL-Daten die ursprünglichen Daten durch 3-Tage-Durchschnittsdaten. Geben Sie dazu nach dem Ausführen der Read_MODIS_SST.m und Read_MODIS_CHL.m Skripts (Schritt 1.1.5) Temporal_average in das Befehlsfenster ein, um das Skript auszuführen.</li>
	</ol>
</li>
	<li>Interpolation in dasselbe Raster<ol>
<li>Da die räumliche Auflösung für verschiedene Datasets nicht konsistent ist, interpolieren Sie die SST- und CHL-Daten in ein räumliches Raster, das mit dem räumlichen Raster wind und SLA identisch ist, bevor Sie Vergleiche anstellen. Nachdem Sie die Temporal_average.m- und Read_WindVector.m-Skripts ausgeführt haben, geben Sie Interpolation_grid in das Befehlsfenster ein, um das Skript auszuführen.</li>
	</ol>
</li>
	<li>Windstress und Windspannungswelle<ol>
<li>Geben Sie Wind_stress_curl im Befehlsfenster ein, um die Windspannung (WS) und die Windspannungskrümmung (WSC) mit den folgenden Gleichungen zu berechnen: <img alt="Equation 1" src="/files/ftp_upload/61172/61172equ01.jpg"> <img alt="Equation 2" src="/files/ftp_upload/61172/61172equ02.jpg"> wobei <img alt="Equation 10" src="/files/ftp_upload/61172/icon01.jpg"> der Windgeschwindigkeitsvektor ist; <img alt="Equation 10" src="/files/ftp_upload/61172/icon02.jpg"> das WS in der gleichen Richtung wie der Windvektor ist; <img alt="Equation 10" src="/files/ftp_upload/61172/icon03.jpg"> und sind die WS in <img alt="Equation 10" src="/files/ftp_upload/61172/icon04.jpg"> Östlicher bzw. nördlicher Richtung; <img alt="Equation 10" src="/files/ftp_upload/61172/icon05.jpg"> ist die Luftdichte (gleich 1,2 kg/m3);und C ist der Luftwiderstandskoeffizient (ein Wert von 0,0015 wird verwendet) unter neutralen Stabilitätsbedingungen34.</li>
	</ol>
</li>
	<li>Monatliche Durchschnittswerte<ol>
<li>Berechnen Sie die monatlichen SST-, Wind- und SLA-Zeitreihen als 30-Tage-Durchschnitte in jedem Pixel, indem Sie Monthly_average eingeben, um das Skript auszuführen. Aufgrund der hohen Cloud-Abdeckungsrate verwenden Sie einen 60-Tage-Durchschnitt als monatliche Zeitreihe für CHL, einschließlich 30 Tage vor bis 30 Tagen nach dem15. Tag des Monats.</li>
	</ol>
</li>
</ol>3. SST-Fronterkennung
<ol><li>Räumliche Glättung<ol>
<li>Geben Sie Spatial_smoothing ein, um das Skript auszuführen, um die dreitägigen SST-Daten in jedem Pixel zu durchschnittlich zu durchschnittlich. HINWEIS: In den SST-Daten wurde eine große Menge an Rauschen festgestellt. So wurden die Daten mit einem räumlichen Durchschnitt von 3 x 3 geglättet. Wenn in den ursprünglichen gemittelten Daten für 3 Tage keine Daten verfügbar waren, wurden die räumlichen gemittelten Daten als nicht verfügbar festgelegt.</li>
	</ol>
</li>
	<li>SST-Gradient<ol>
<li>Geben Sie SST_gradient ein, um das Skript auszuführen, um die zonalen und meridionalen SST-Gradienten (d. h. Gx bzw. Gy)als SST-Differenz zwischen den nächsten beiden Pixeln, geteilt durch den entsprechenden Abstand über Gleichung (3), zu berechnen. Verwenden Sie den erhaltenen Gradientenvektor, um den Gesamtgradienten G als Skalar-Folgegleichung (4) zu berechnen. <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>Lokales Maximum<ol>
<li>Identifizieren Sie eine Front, indem Sie einen SST-Gradientenwert testen: Beschriften Sie ein Pixel als potenzielles Frontalpixel, wenn der Wert größer als ein festgelegter Schwellenwert ist. Halten Sie das lokale maximale Pixel nur in derselben Richtung senkrecht zur Verlaufsrichtung bei, wenn verbundene Pixel mit Werten vorhanden sind, die größer als der Schwellenwert sind. Hier wird der Schwellenwert nach früheren Studien10,28als 0,035 °C/km definiert. HINWEIS: Das entsprechende Skript 'Local_maximum.m' ist in den Supplemental Filesverfügbar.</li>
	</ol>
</li>
	<li>Monatliche Frontalwahrscheinlichkeit (FP) HINWEIS: Die Frontalwahrscheinlichkeit (FP) beschreibt die Wahrscheinlichkeit, eine Front zu beobachten.<ol>
<li>Berechnen Sie das RP für einen bestimmten Zeitraum (in diesem Fall ein monatliches Intervall), indem Sie Monthly_FP eingeben, um das Skript auszuführen. Teilen Sie das Vorkommen von Fronten an jedem Pixel während eines Zeitfensters durch die Anzahl der Tage, die frei von Wolken sind.</li>
	</ol>
</li>
</ol>4. Räumliche und zeitliche Variabilität
<ol><li>Saisonaler Zyklus<ol>
<li>Berechnen Sie die saisonalen Zyklen verschiedener Faktoren als Durchschnittswerte verschiedener Jahreszeiten. Definieren Sie die Jahreszeiten wie folgt: Winter ist von Dezember bis Februar, Frühling ist von März bis Mai, Sommer ist von Juni bis August, und Herbst ist von September bis November. HINWEIS: Der saisonale Zyklus wird in dieser Studie nicht angezeigt; Die folgende Methode wird stattdessen verwendet, um die räumliche und zeitliche Variabilität zu erklären.</li>
	</ol>
</li>
	<li>Empirische orthogonale Funktion (EOF)<ol>
<li>Entfernen Sie den zeitlichen Durchschnitt und die nicht verfügbaren Pixel. Subtrahieren Sie vor der Durchführung des EOF den Gesamtmittelwert an jedem Pixel und schließen Sie die Positionen aus, an denen fehlende Beobachtungen aufgrund der Wolkenabdeckung 20 % überschreiten. Laden Sie Daten, indem Sie load('Monthly_data_for_EOF.mat') in das Befehlsfenster eingeben.</li>
		<li>Wenden Sie ein EOF an, um die räumlichen und zeitlichen Variabilitäten verschiedener Parameter zu beschreiben. Geben Sie Empirical_orthogonal_function.m ein, um das Skript auszuführen, um die Größe (Mag), Eigenwerte (Eig) und Amplitude (Amp) der EOFs für das Dataset zu berechnen (d. h. Zeitreihen von monatlich gemitteltem SST, Windspannung, Windspannungscurl, CHL und FP). HINWEIS: Die Funktion zersetzt die monatlichen Zeitreihen in verschiedene Modi, die aus räumlichen und zeitlichen Mustern bestehen und die Varianz, die durch jeden Modus erklärt wird, nimmt mit zunehmender Moduszahl ab.</li>
	</ol>
</li>
</ol>5. Interkorrelation
<ol><li>Korrelation auf saisonaler Skala<ol>
<li>Berechnen Sie die Korrelationen zwischen zwei Faktoren anhand ihrer Zeitreihen an jedem Pixel, indem Sie Seasonal_correlation eingeben, um das Skript auszuführen. Da der saisonale Zyklus nicht entfernt wird, überprüfen Sie die Signifikanz der Korrelation für alle Korrelationen.</li>
	</ol>
</li>
	<li>Korrelation eines anomalen Feldes<ol>
<li>Berechnen Sie die Korrelationen zwischen den monatlichen CHL-Anomalien und anderen Faktoren wie SST, WS, Fronten und SLAs. Erhalten Sie die monatlichen Anomalien (d. h. die Abweichung vom Mittelwertstatus), indem Sie den Gesamtdurchschnitt für einen entsprechenden Monat von den monatlichen Zeitreihen subtrahieren. Geben Sie Anomalous_correlation ein, um das Skript auszuführen und die Korrelationen abzuerhalten.</li>
	</ol>
</li>
</ol>6. Anzeigen von Informationen und Berechnen von Beziehungen
<ol><li>Satelliteninformationen anzeigen.<ol>
<li>Geben Sie Sat_SCS_Fig3457 ein, um das Skript auszuführen, um eine Präsentation von Satelliteninformationen zu generieren, einschließlich SST-, CHL- und Frontalverteilungen. Legen Sie den aktuellen Ordner als 'Skripte' fest, in denen sich die Daten 'Sat_SCS_data.mat' befinden. ANMERKUNG: Abbildung 1, Abbildung 2, Abbildung 3und Abbildung 4 zeigen SST, CHL, Fronten, Wind und Topographie für das ausgewählte Datum als Beispiel.</li>
	</ol>
</li>
	<li>Zeigen Sie das EOF-Ergebnis an, indem Sie Sat_SCS_Fig890.m eingeben, um das Skript auszuführen. ANMERKUNG: Abbildung 5, Abbildung 6und Abbildung 7 beschreiben die räumliche Größe, den monatsdurchschnitt und die Zeitreihen der ersten beiden Modi für CHL, SST und Fronten.</li>
	<li>Berechnen Sie die Beziehung zwischen CHL und anderen Faktoren in saisonalen Zeitskalen und für anomale Felder, indem Sie Sat_SCS_Fig1112.m eingeben, um das Skript auszuführen. Abrufen der Korrelationskarte für saisonale Variabilitäten (Abbildung 8) und Anomalien (Abbildung 9).</li>
</ol>

Die Autoren haben nichts zu verraten.

In dieser Studie werden die Hauptmerkmale von Meeressystemen anhand von Satellitenbeobachtungen beschrieben. Die CHL, die zur Darstellung der Meeresproduktion verwendet werden kann, wird als Indikatorfaktor ausgewählt. Faktoren im Zusammenhang mit der CHL-Variabilität wurden anhand monatlicher gemittelster Zeitreihen untersucht, z. B. SST, WS, WSC, FP und SLA. In dieser Studie werden drei kritische Schritte beschrieben: Erfassung von Satellitendaten für verschiedene Parameter, Beschreibung ihrer räumlichen und zeitlichen Variabilitäten über EOF und Bestimmung von Zusammenbeziehungen zwischen verschiedenen Faktoren durch Berechnung von Korrelationskoeffizienten. Ein detailliertes Verfahren, das die Identifizierung für die tägliche Frontalverteilung zeigt, die sich aus den SST-Beobachtungen ableitet, ist enthalten. Für die SST-Frontdetektion wurden zwei Hauptansätze entwickelt: die Gradientenmethode10,38 und die Histogrammmethode39,40. Die Histogrammmethode basiert auf einem ähnlichen Wertebereich für SST, der verwendet werden kann, um die Wassermassen in verschiedene Gruppen zu unterteilen. Die Pixel mit Werten zwischen verschiedenen Gruppen, die das Pixel in einem Übergangsband darstellen, werden als Fronten definiert. Andererseits trennt die Gradientenmethode mehrere relativ gleichmäßige Wasserkörper als Pixel mit großen Gradientenwerten. Eine Vergleichsstudie wurde durchgeführt, und sie fanden niedrigere Fehlraten mit der Histogramm-Methode und weniger verpasste Fronten mit der Gradientenmethode41. In dieser Studie wurde die gradientenbasierte Methode38 nach früheren Studien10,28angenommen. Der Algorithmus kann das Vorteilen in mehrere Kantenfragmente vermeiden, indem er die Magnitude auf eine Stufe unterhalb eines kleineren Schwellenwerts verringern kann. Neben dem hier enthaltenen Datensatz können auch andere Satellitenbeobachtungen, wie der Aerosolindex, mit einem ähnlichen Ansatz verwendet werden.
Die meisten Verfahren können direkt in anderen Regionen oder Datasets angewendet werden. Änderungen können vorgenommen werden, um die Schwelle der Fronterkennung zu ändern. Da der SST-Gradient im SCS mit dem Eastern Boundary Current System28vergleichbar ist, wurden für die aktuelle Studie die gleichen Schwellenwerte implementiert. Eine frühere Studie ergab, dass der SST-Gradient aus verschiedenen Datensätzen bis zu dreimal42variieren kann, was die Methode irgendwie weniger objektiv macht. Erhebliche Studien haben frontale Aktivitäten rund um die globalen Ozeane untersucht28,43. Der beste Ansatz zur Validierung von Fronten besteht darin, sie mit In-situ-Beobachtungen zu vergleichen. Yao44 beschrieb die monatliche Frontalverteilung für die SCS. Ihre Ergebnisse stimmten gut mit den In-situ-Messungen überein. Der Gesamtgradient sollte überprüft und angepasst werden, da sein Wert je nach räumlicher Auflösung und Instrumenten variieren kann. Insbesondere sollte der Schwellenwert aktualisiert werden, wenn ein anderes SST-Dataset verwendet wird. Ein grundlegendes Verständnis der regionalen Dynamik ist grundlegend für das Verständnis der Frontogenese45,46,47. Das Front-Erkennungsskript kann von einzelnen Autoren basierend auf der Beschreibung in diesem Papier entwickelt werden.
Satelliteninformationen bieten ein umfassendes Verständnis der Oberflächenmerkmale, und ein Ergebnisvergleich mit In-situ-Beobachtungen kann bei der Bewertung der Glaubwürdigkeit helfen. Satellitenbeobachtungen beschränken sich jedoch auf die Meeresoberfläche, was die Anwendung zum Verständnis der vertikalen Struktur der Wassersäule einschränkt. In einer aktuellen Studie zeigten Satellitenbeobachtungen, dass die Oberfläche CHL um das 15-fache zunahm, aber der vertikale integrierte Wert nur um das 2,5-fache48stieg. Dieser Unterschied war, weil der Oberflächenwert durch die Koeffekte des Phytoplanktonwachstums und der Veruntreuung von MLD beeinflusst wurde, was zu einem nicht realisierbaren Wert an der Oberfläche führte. Daher bietet das Oberflächenmerkmal möglicherweise keine genaue Beschreibung für die gesamte Wassersäule. Darüber hinaus begrenzt der Einfluss der Wolkenbedeckung die kontinuierliche Beobachtung von Satelliten. Daher werden monatliche Zeitreihen für verschiedene Faktoren in derselben Region und demselben Zeitraum berechnet. Dies wird die Glaubwürdigkeit der Berechnung der Korrelationen zwischen verschiedenen Faktoren garantieren. Die kurzfristigen Ereignisse, z. B. Taifune, die einige Tage bis zu einer Woche andauern, werden jedoch nicht gelöst.
Im Vergleich zu früheren Studien kann die vorgeschlagene Methode räumliche Informationen auf Pixelebene bieten, was dazu beitragen kann, die Dynamik detaillierter zu bewerten. Einige frühere Studien durchschnittlich die gesamte SCS als eine einzige Zahl und erhielt eine Zeitreihe. Sie fanden heraus, dass ein ungewöhnlich starkes WS und hohe SST anomal hohe CHL16induzieren können, was mit dem aktuellen Ergebnis übereinstimmt. Die räumliche Variation in den Beziehungen wurde jedoch nicht behoben. In dieser Studie war die Beckenkorrelation zwischen WS und CHL im anomalen Bereich schwach. Eine große signifikante Korrelation wurde nur für bestimmte Bereiche identifiziert, z. B. in der Mitte des SCS (Abbildung 9B). Somit bietet die aktuelle Methode eine umfassende Beschreibung zur Untersuchung räumlicher Variationen. In ähnlicher Weise wurden Beobachtungen von zwei Bio-Argo-Floats verwendet, die zeigten, dass WSC nicht mit der CHL-Variabilität20korrelierte. Die Flugbahnen der beiden Schwimmer befinden sich jedoch nur in bestimmten Regionen. In diesem Fall war es genau innerhalb des Bandes, wo die Korrelation zwischen dem CHL-Niveau und dem WSC nicht signifikant war (Abbildung 8D). Die vorgeschlagene Methode ist sehr hilfreich, um die räumliche Abhängigkeit zwischen Faktoren zu lösen, die ein grundlegendes Merkmal des globalen Ozeans ist.
Zusammenfassend lässt sich sagen, dass die hier verwendete Methode die räumliche Verteilung und zeitliche Variabilität in Ozeanoberflächen-Features mithilfe von Satellitenbeobachtungen genau beschreiben kann. Mit der zunehmenden Auflösung von Satellitendatensätzen können detailliertere Features identifiziert und untersucht werden, was ein allgemeines Verständnis regionaler Features ermöglicht, einschließlich CHL, SST und SSH. Die Korrelation monatlicher Zeitreihen zwischen verschiedenen Faktoren kann dazu beitragen, ihre dynamischen Beziehungen und potenziellen Auswirkungen auf ein Ökosystem zu verstehen49. Da die Korrelation an verschiedenen räumlichen Standorten stark variieren kann, bietet die vorgeschlagene Methode eine detaillierte und umfassende Beschreibung. Ein ähnlicher Ansatz kann auf jedes Meeresbecken weltweit angewendet werden, was sehr hilfreich sein wird, um das Verständnis der meeresdynamischen und Ökosysteme zu verbessern.

Die Fernerkundungstechnologie bietet großartige Datensätze mit großen räumlichen Maßstäben und langen Zeiträumen für die Beschreibung von Meeresumgebungen. Mit der zunehmenden räumlichen Auflösung von Satelliten werden nun detaillierte Merkmale von der regionalen Skala auf ein paar hundert Meter1,2. Ein besseres Verständnis der Meeresdynamik kann mit den meisten aktualisierten Satellitenbeobachtungen erreicht werden3.
Durch die Integration mehrerer Sensoren auf einer Fernerkundungsplattform ist eine umfassende Beschreibung verschiedener Parameter möglich. Die Meeresoberflächentemperatur (SST) ist der Grundlegende Parameter, der seit mehr als einem halben Jahrhundert beobachtet wird4. In jüngster Zeit sind Beobachtungen für die Meeresoberfläche Chlorophyll-a (CHL) verfügbar geworden und können verwendet werden, um die Marineproduktivität zu beschreiben5. Altimetry-Satelliten werden zur Messung der Meeresoberflächenhöhe6,7verwendet, die stark mit mesoskaligen Wirbelaktivitäten im globalen Ozean8,9verwandt ist. Neben den Wirbeln sind frontale Aktivitäten auch wichtig, um die regionale Dynamik und die Primärproduktion zu beeinflussen10.
Der Schwerpunkt der aktuellen Studie liegt auf der Suche nach einem Standardverfahren zur Beschreibung der räumlichen Verteilung und der zeitlichen Variabilitäten verschiedener Ozeanfaktoren. Bei dieser Methode werden SST, CHL, SSH und Front-Daten, die aus SST-Gradienten abgeleitet sind, analysiert, um Muster zu bestimmen. Insbesondere wird die CHL verwendet, um die Produktivität des Ozeans darzustellen, und eine Methode wird eingeführt, um die Beziehung zwischen CHL und anderen Ozeanparametern zu untersuchen. Zur Validierung der Methode wurde der Zeitraum zwischen Oktober 2002 und September 2017 im Südchinesischen Meer verwendet, um alle Parameter zu untersuchen. Die Methode kann leicht für andere Regionen auf der ganzen Welt verwendet werden, um wichtige Meeresmuster zu erfassen und zu erforschen, wie sich die Meeresdynamik auf das Ökosystem auswirkt.
Das Südchinesische Meer (SCS) wurde wegen seiner relativ hohen Abdeckungsrate von Satellitenbeobachtungen als Untersuchungsgebiet ausgewiesen. Das SCS ist reichlich in Sonneneinstrahlung; somit wird die CHL hauptsächlich durch die Verfügbarkeit von Nährstoffenbestimmt 11,12. Mit mehr Nährstoffen, die in die euphotische Schicht transportiert werden, kann der CHL-Spiegelum 13steigen. Mischen, durch Wind induziert, kann Nährstoffe in die Meeresoberfläche einführen und CHL14verbessern. Der SCS wird einzigartig von einem Monsunwindsystem dominiert, das die Dynamik und das Ökosystem in der Region bestimmt. Der Monsunwind ist im Winter15am stärksten. Im Sommer ändern die Winde die Richtung und die Windgeschwindigkeiten sind viel schwächer als im Winter16,17. Die Windintensität kann die Stärke des vertikalen Mischens bestimmen, so dass sich die Gemischte Schichttiefe (MLD) mit zunehmendem Wind im Winter vertieft und mit abnehmendem Wind im Sommer18flacher wird. So werden im Winter mehr Nährstoffe in die euphotische Schicht transportiert, wenn der Wind stark ist19 und CHL seinen höchsten Punkt des Jahres20,21erreicht.
Neben dem Wind kann die MLD auch anhand anderer Faktoren bestimmt werden, wie SST und Anomalien des Meeresspiegels (SLAs), die sich letztlich auf den Nährstoffgehalt und CHL22auswirken. Im Winter ist der schwache vertikale Gradient mit niedrigen Temperaturen an der Oberfläche20verbunden. Die entsprechende MLD ist tief und mehr Nährstoffe können nach oben transportiert werden; somit ist die CHL in der Oberflächenschicht hoch17. Eine zunehmende Variation der CHL-Spiegel ist auf mesoskalige Wirbel zurückzuführen, die vertikalen Transport und Mischen von23induzieren. Upwelling findet sich in der Regel in zyklonischen Wirbeln, die mit depressiven SLAs8,9 und erhöhten CHL-Konzentrationen24assoziiert sind. Downwelling findet sich in der Regel in antizyklonischen Wirbeln, die mit erhöhten SLAs8,9 und depressiven CHL-Konzentrationen24assoziiert sind. Für andere Jahreszeiten wird die MLD flach, und das Mischen wird schwach; somit kann über den Großteil des Beckens25niedrige CHL beobachtet werden. Die saisonalen Zyklen der CHL-Spiegel sind in der Folge für die Region26vorherrschend.
Neben dem Mischen können Fronten und die damit verbundene Küstenaufwellung die CHL weiter modulieren. Die Front, die als Grenze verschiedener Wassermassen definiert ist, ist wichtig, um die regionale Zirkulation und die Ökosystemreaktionen zu bestimmen27. Frontogenese ist in der Regel verbunden mit Küstenaufwellung und Konvergenz28,29, die Nährstoffe induzieren und das Wachstum von Phytoplankton30erhöhen können. Verschiedene Algorithmen wurden entwickelt, um Fronten aus Satellitenbeobachtungen automatisch zu identifizieren, einschließlich Histogramm- und SST-Gradientenmethoden. Der letztgenannte Ansatz wird in dieser Studie übernommen28.
Die Korrelation von Zeitreihen zwischen CHL und verschiedenen Faktoren bietet großartige Einblicke in die Quantifizierung ihrer Beziehung. Die aktuelle Studie bietet eine umfassende Beschreibung, wie Satellitenbeobachtungen verwendet werden können, um regionale Meeresdynamiken im Zusammenhang mit der Produktivität aufzudecken. Diese Beschreibung kann als Leitfaden für die Untersuchung der Oberflächenprozesse in jedem Teil des Ozeans verwendet werden. Die Struktur dieses Artikels enthält ein Schritt-für-Schritt-Protokoll, gefolgt von beschreibenden Ergebnissen im Text und den Abbildungen. Die Anwendbarkeit zusätzlich zu den Vor- und Nachteilen der Methode wird anschließend erörtert.

<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

Satellitenbeobachtungen bieten einen großartigen Ansatz, um die Merkmale wichtiger Meeresparameter zu untersuchen, einschließlich Chlorophyll (CHL), Meeresoberflächentemperatur (SST), Meeresoberflächenhöhe (SSH) und Faktoren, die sich aus diesen Parametern ableiten (z. B. Fronten). Diese Studie zeigt ein Schritt-für-Schritt-Verfahren, um Satellitenbeobachtungen zu verwenden, um wichtige Parameter und ihre Beziehungen in saisonalen und anomalen Feldern zu beschreiben. Diese Methode wird anhand von Satelliten-Datasets aus den Jahren 2002–2017 veranschaulicht, die zur Beschreibung der Oberflächenmerkmale des Südchinesischen Meeres (SCS) verwendet wurden. Aufgrund der Cloud-Abdeckung wurden in dieser Studie monatliche durchschnittse Daten verwendet. Die empirische orthogonale Funktion (EOF) wurde angewendet, um die räumliche Verteilung und zeitliche Variabilitäten verschiedener Faktoren zu beschreiben. Der Monsunwind dominiert die Variabilität im Becken. So wurde Wind aus dem Reanalyse-Datensatz verwendet, um seine treibende Kraft auf verschiedene Parameter zu untersuchen. Die saisonale Variabilität in CHL war prominent und korrelierte signifikant mit anderen Faktoren in der Mehrheit der SCS. Im Winter induziert ein starker Nordostmonsun eine tiefe Mischschicht und einen hohen Chlorophyllgehalt im gesamten Becken. Unter den Faktoren des saisonalen Zyklus wurden signifikante Korrelationskoeffizienten gefunden. Im Sommer wurden vor allem im westlichen SCS hohe CHL-Werte festgestellt. Anstelle einer saisonalen Abhängigkeit war die Region hochdynamisch, und Faktoren korrelierten signifikant in anomalen Feldern, so dass ungewöhnlich hohe CHL-Werte mit ungewöhnlich starken Winden und intensiven frontalen Aktivitäten in Verbindung gebracht wurden. Die Studie stellt ein Schrittweiseverfahren zur Verwendung von Satellitenbeobachtungen vor, um wichtige Parameter und ihre Beziehungen in saisonalen und anomalen Feldern zu beschreiben. Die Methode kann auf andere globale Ozeane angewendet werden und wird hilfreich sein, um die Meeresdynamik zu verstehen.

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

Meeroberflächenchlorophyll, Temperatur, Meeresspiegelhöhe, Wind und Frontdaten, die aus Satellitenbeobachtungen gewonnen oder abgeleitet wurden, bieten eine effektive Möglichkeit, den Ozean zu charakterisieren. Präsentiert ist eine Methode für die umfassende Untersuchung dieser Daten, einschließlich des Gesamtdurchschnitts, des saisonalen Zyklus und der Interkorrelationsanalysen, um regionale Dynamiken und Ökosysteme vollständig zu verstehen.

Untersuchung der Beziehung zwischen Sea Surface Chlorophyll und Hauptmerkmalen des Südchinesischen Meeres mit Satelliteninformationen

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

Satellitenbeobachtungen bieten einen großartigen Ansatz, um die Merkmale der wichtigsten Meeresparameter zu untersuchen, einschließlich Chlorophyll an der Meeresoberfläche und Temperatur, Meeresoberflächenhöhe und die aus diesen Parametern abgeleiteten Faktoren, wie z. B. Fronten. Unsere Studie zeigt, wie Man Satellitenbeobachtungen verwendet, um wichtige Parameter und ihre Beziehungen zu beschreiben. Satellitendatenwissenschaft von 2002 bis 2017 wurde verwendet, um die Oberflächenmerkmale des Südchinesischen Meeres zu beschreiben.Die Satellitenbeobachtung von Chlorophyll ist Einfeiner, der zum Schutz der Ozeane verwendet wird. Faktoren im Zusammenhang mit der Chlorophyllvariabilität wurden anhand von Zeitreihen untersucht. Die Methode kann auf andere globale Ozeane angewendet werden und wird hilfreich sein, um die Meeresdynamik und das Ökosystem zu verstehen.Wir zeigen ein Schritt-für-Schritt-Verfahren zur Erfassung von Satellitendaten verschiedener Parameter, die die räumlichen und zeitlichen Variabilitäten beschreiben und Zusammenhänge zwischen verschiedenen Faktoren bestimmen. Räumliche und zeitliche Variabilitäten von Parametern werden ermittelt. Sie sind empirische orthogonale Funktion und die Wechselbeziehung zwischen verschiedenen Faktoren werden durch Null Korrelationskoeffizienten erfasst.Für die Erfassung von Chlorophylldaten an der Meeresoberfläche und der Meeresoberfläche laden Sie einen Datensatz mit Satellitenbeobachtungen aus MODIS Aqua herunter, für den die räumliche Auflösung beider Datensätze im täglichen Abstand etwa 4,5 Kilometer beträgt. Speichern Sie die heruntergeladenen Satellitendateien im Datenordner und strukturieren Sie das Ordnerverzeichnis wie gezeigt. Fügen Sie den Pfad der Toolbox für die NetCDF-Datei in MATLAB hinzu, und wählen Sie Hinzufügen mit Unterordnern aus, um die Pfade des Skriptordners einzuschließen.Der Pfad für alle erforderlichen Verzeichnisse der Daten und Funktionen wird im MATLAB-Suchpfad angezeigt. Laden Sie dann die Temperaturdaten der Meeresoberfläche in die Analysesoftware. Laden Sie für die Erfassung von Anomaliedatensätzen für den Meeresspiegel tägliche Anomaliedaten für den Meeresspiegel mit einer räumlichen Auflösung von 25 Kilometern aus demselben Zeitraum herunter, und geben Sie den Befehl ein, um die Daten zur Anomalie des Meeresspiegels für ein Tägige zu laden.Um die Windgeschwindigkeitsdaten zu erhalten, laden Sie die Winddaten aus dem gleichen Zeitraum von einem ERA-Zwischenanalyseprodukt herunter und geben Sie den Befehl ein, um die einmonatigen Winddaten zu lesen. Die erhaltenen u-, v- und Zeitvariablen stellen die zonalen und Meridian-Geschwindigkeiten bzw. die entsprechende Zeit dar. Um auf das Topographie-Dataset zuzugreifen, laden Sie die hochauflösenden Topographiedaten von der Website der National Centers for Environmental Information herunter und geben Sie den Befehl ein, um die Topographiedaten in die Analysesoftware zu laden.Die Variablen XX, YY und ZZ geben den Breitengrad, den Längengrad und die entsprechende Tiefe an. Aufgrund der großen Wolkendecke in der Meeresoberflächentemperatur und den Chlorophylldaten der Meeresoberfläche verwenden Sie den Befehl, um die ursprünglichen Daten durch die dreitägigen Durchschnittsdaten zu ersetzen. Da die räumliche Auflösung für verschiedene Datasets nicht konsistent ist, geben Sie den Befehl ein, um die Meeresoberflächentemperatur und die Chlorophylldaten der Meeresoberfläche in ein räumliches Raster zu interpolieren, das mit dem räumlichen Raster für Wind- und Meeresspiegelanomalie übereinstimmt.Geben Sie den befehl san, wie angegeben, um die Windspannung und Windspannungs-Curl zu berechnen. Um die monatliche Temperatur, den Wind und die Anomalie des Meeresspiegels als 30-Tage-Durchschnitte in jedem Pixel zu berechnen, geben Sie den Befehl wie angegeben ein. Geben Sie für die räumliche Glättung den Befehl ein, um das Skript auszuführen, um die dreitägigen durchschnittlichen Temperaturdaten für die Meeresoberfläche in jedem Pixel zu glätten.Um den Temperaturgradienten der Meeresoberfläche zu bestimmen, geben Sie den Befehl ein, um das Skript auszuführen, um die Gradienten aller Meeresoberflächentemperaturgradienten des Zonals und des Meridians als Temperaturdifferenz der Meeresoberfläche zwischen den nächsten zwei Pixeln, geteilt durch den entsprechenden Abstand, zu berechnen. Um eine Front zu identifizieren, indem Sie den Wert des Temperaturgradienten der Meeresoberfläche testen, beschriften Sie das Pixel als potenzielles Frontalpixel, wenn der Wert größer als ein festgelegter Schwellenwert war. Um die monatliche frontale Wahrscheinlichkeit zu berechnen, dass die Beobachtung einer Front für einen bestimmten Zeitraum stattfindet, geben Sie den Befehl ein.Um die monatlichen Daten für die Analyse zu laden, geben Sie die Befehle ein und wenden Sie eine empirische orthogonale Funktion an, um die räumlichen und zeitlichen Variabilitäten der verschiedenen Parameter zu beschreiben. Das Programm berechnet die Größe, Eigenwerte und Amplitude der empirischen orthogonalen Funktionen für das Dataset. Um die Korrelation auf der saisonalen Skala zu bestimmen, geben Sie den Befehl ein, um die Korrelationen zwischen zwei Faktoren anhand ihrer Zeitreihen an jedem Pixel zu berechnen.Geben Sie dann den Befehl ein, um die Korrelationen zwischen den monatlichen Anomalien der Meeresoberfläche Chlorophyll und anderen Faktoren zu berechnen. Um die Satelliteninformationen anzuzeigen, geben Sie den Befehl ein, um das Skript auszuführen, um eine Vitrine von Satelliteninformationen zu generieren, einschließlich der Meeroberfläche Chlorophyll, Temperatur und Wind, und Anomalie des Meeresspiegels und frontale Verteilung. Geben Sie den Befehl ein, um das ergebnisergebnis der empirischen orthogonalen Funktion anzuzeigen.Geben Sie dann den Befehl wie angegeben ein, um die Beziehung zwischen dem Chlorophyll und anderen Faktoren in saisonalen und anomalen Feldern zu berechnen. Die Topographie hat einen prominenten Einfluss auf die räumliche Verteilung von Meeroberflächenchlorophyll mit hochseegebundenem Chlorophyll, das hauptsächlich entlang der Küste des Südchinesischen Meeres verteilt ist, wo die Topographie flach ist. Der Wind wird auch durch die Orographie mit der Pachtseite von Bergen beeinflusst, die durch schwachen Wind und eine prominente Windspannungswelle gekennzeichnet sind, die südwestlich des Südchinesischen Meeres identifiziert wird.Die hier geltenden Schwellen erfassen effektiv die Position der Front und gewährleisten die Darstellung der Grenzen ganzer Wassermassen. In dieser Analyse erfasste die empirische orthogonale Funktion eine große Varianz im nördlichen Teil des Südchinesischen Meeres. Der entsprechende Monatsdurchschnitt der Zeitreihen zeigte, dass die Meeresoberfläche Chlorophyll im Winter erhöht und im Sommer depressiv war.Die Region an der Südwestküste war durch eine schwache Größe gekennzeichnet, und die entsprechende Variabilität wurde hauptsächlich durch empirische orthogonale Funktion zwei erfasst. Die Chlorophyllwerte an der Meeresoberfläche waren im Sommer hoch und im Winter niedrig, was im Vergleich zur nördlichen Region vor allem aphaseawar. Tatsächlich zeigten die monatlichen Zeitreihen für die empirischen orthogonalen Funktionen eine deutliche saisonale Variabilität mit empirischer orthogonaler Funktion zwei führenden empirischen orthogonalen Funktionen eins um etwa vier Monate.Die Korrelationen zwischen dem Chlorophyll und anderen Faktoren stellen die Zusammenhänge der Faktoren dar. In dieser Analyse wird beispielsweise die Meeresoberflächentemperatur negativ mit dem Chlorophyll korreliert, während die Windspannung positiv mit dem Chlorophyll korreliert ist. So wurde ein hohes Chlorophyll mit einer niedrigen Temperatur und starkem Wind für diese Daten assoziiert.Die Identifizierung der Variabilität der Ozeanparameter und die Untersuchung ihrer Beziehung zu Chlorophyll sind entscheidend und wichtig für die Meeresdynamik und das marine Ökosystem. Frontale Aktivitäten sind besonders wichtig, da hohes Chlorophyll in der Regel mit Front verbunden ist. Änderungen können stattfinden, um die Schwelle der Fronterkennung zu ändern, und der beste Ansatz zur Validierung der Front besteht darin, sie mit den Beobachtungen des Instituts zu vergleichen.Zusammenfassend kann die Verwendung von Satellitenbeobachtungen die räumliche Verteilung und die zeitliche Variabilität der Ozeanoberflächenmerkmale genau beschreiben. Mit der zunehmenden Auflösung von detaillierteren Funktionen können in der Zukunft identifiziert und untersucht werden.

Research

JoVE Journal

Environment

Protocol for Microplastics Sampling on the Sea Surface and Sample Analysis

Protokoll für die Mikroplastik Probenahme auf der Meeresoberfläche und Probenanalyse

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

Forschung

Umwelt

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

Vorbereitung der Authigenic Pyrit aus Methan-Bearing Sedimenten In Situ Schwefel Isotopenanalyse mit 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

Verfahren der Labor-Begasung für die Schädlingsbekämpfung mit Gas Stickstoffmonoxid

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

Techniken für die Untersuchung von der Anatomie des Sehsystems 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

Spezifische und präzise Erkennung von Citrus Greening Erreger Verbindung Liberibacter spp mit konventionellen PCR auf Citrus Blatt Gewebeproben

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 zur Image-basierte Umfragen von benthischen Makroinvertebraten und ihren Lebensraum am Beispiel der Drop-Kamera-Umfrage für die Atlantik-Jakobsmuschel

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

Die Pflanze-Infektion-Test: Spray und Wunde-vermittelten Inokulation mit Pflanzen 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

Experimentelle Studie über den Zusammenhang zwischen Korngröße und Methan Sorption Kapazität in Schiefer

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

Wahl und No-Wahl Bioassays zur Untersuchung der Verpuppung Präferenz und Entstehung Erfolg der 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

Gestaltung und Nutzung eines Apparates zur Quantifizierung der zweischaligen Suspension Fütterung auf hoher See

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