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

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

1. Acquisizione del set di dati
<ol><li>SST e CHL<ol>
<li>Scarica un set di dati di osservazioni satellitari per SST e CHL da MODIS-Aqua (podaac-tools.jpl.nasa.gov/), dove la risoluzione spaziale di entrambi i set di dati è di circa 4,5 km a intervalli giornalieri. NOTA: strutturare le directory e i dati seguendo la cartella script di esempio disponibile in File supplementari. Archiviare i file nc dei dati satellite nella cartella 'Data'. Aggiungere il percorso alla casella degli strumenti NetCDF nel software di analisi (ad esempio MATLAB). Selezionare Aggiungi con sottocartelle per racchiudere i percorsi della cartella 'UTILITIES' e delle relative sottocartelle.</li>
		<li>Determinare l'intervallo di tempo. Per mantenere la coerenza tra set di dati diversi, utilizzare lo stesso intervallo di tempo per tutti i parametri. Regolare l'intervallo di tempo in base alla copertura temporale e utilizzare il periodo di osservazione più lungo tra i diversi set di dati. Per questo protocollo, scaricare 15 anni di dati da ottobre 2002 a settembre 2017.</li>
		<li>Determinare la copertura spaziale. NOTA: La regione di studio progettata è compresa tra 105°E e 123°E e tra 0° e 25°N.</li>
		<li>Controllare le istruzioni di pre-elaborazione. Leggere le istruzioni nei file nc relative ai requisiti di pre-elaborazione dei dati SST e CHL (ad esempio, se è necessario ridimensionare). NOTA: Il set di dati scaricato esclude già i dati sulla terraferma e entro 5 km dalla costa, così come quelli contaminati dalle nuvole.</li>
		<li>Caricare i dati SST e CHL nel software di analisi. Digitare Read_MODIS_SST nella finestra di comando per leggere i dati SST. Analogamente, digitare Read_MODIS_CHL nella finestra di comando per leggere i dati CHL. Trasformare i dati CHL in modo logaritmico perché hanno una distribuzione log-normale31. NOTA: le variabili caricate includono SST e CHL in tre dimensioni, che rappresentano rispettivamente la posizione meridionale, la posizione zonale e l'ora in giorni. L'intervallo degli SST è compreso tra -2 e 44 e l'intervallo di CHL è compreso tra 0,01 e 20.</li>
	</ol></li>
	<li>Anomalia del livello del mare (SLA)<ol>
<li>Scarica i dati giornalieri del contratto di servizio con una risoluzione spaziale di 25 km dal 2002 al 201732. NOTA: gli SLA descrivono la differenza tra le altezze della superficie del mare osservate e l'altezza media della superficie del mare per 20 anni (1993−2012) per un pixel corrispondente. I dati SLA sono trattati da SSALTO/DUACS e distribuiti mediante Archiviazione, Validazione e Interpretazione dei Dati Oceanografici Satellitari (AVISO, https://www.aviso.altimetry.fr).</li>
		<li>Caricare i dati nel software di analisi. Caricare i dati del contratto di servizio di un giorno digitando Read_SLA nella finestra di comando. NOTA: la cartella 'Dati' nei file supplementari include un solo Riferimento di esempio nello script per l'illustrazione.</li>
	</ol></li>
	<li>Velocità del vento<ol>
<li>Ottenere le informazioni sul vento da un prodotto di rianalisi ERA-Interim, che è un set di dati di rianalisi atmosferica globale sviluppato dall'European Center for Medium-Range Weather Forecasts (ECMWF)33. Scarica i dati sul vento per lo stesso periodo (ottobre 2002-settembre 2017) per mantenere la coerenza con i dati CHL e SST. NOTA: il set di dati del vento ha una risoluzione spaziale di circa 25 km ed è stato interpolato dal set di dati originale con una risoluzione spaziale di circa 0,7°.</li>
		<li>Caricare i dati nel software di analisi. Digitare Read_WindVector nella finestra di comando per leggere i dati del vento di un mese. Calcola la media mensile calcolando la media dei dati originali, che è a intervalli di 6 ore.</li>
	</ol></li>
	<li>Topografia<ol>
<li>Scarica i dati topografici ad alta risoluzione dal sito web dei National Centers for Environmental Information (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). La risoluzione spaziale è di ~2 km. Ottenere i dati ETOPO1 per la roccia in posto in formato XYZ per la regione di studio selezionata.</li>
		<li>Caricare i dati nel software di analisi. Digitare Read_topography nella finestra di comando per caricare i dati topografici nel software di analisi.</li>
	</ol></li>
</ol>2. Pre-elaborazione dei dati
<ol><li>Media temporale<ol>
<li>A causa dell'ampia copertura cloud nei dati SST e CHL, sostituisci i dati originali con dati medi di 3 giorni. A tale fine, dopo aver eseguito gli script Read_MODIS_SST.m e Read_MODIS_CHL.m (passaggio 1.1.5), digitare Temporal_average nella finestra di comando per eseguire lo script.</li>
	</ol>
</li>
	<li>Interpolazione nella stessa griglia<ol>
<li>Poiché la risoluzione spaziale non è coerente per set di dati diversi, interpolare i dati SST e CHL in una griglia spaziale uguale alla griglia spaziale del vento e del contratto di servizio prima di effettuare confronti. Dopo aver eseguito Temporal_average.m e Read_WindVector.m script, digitare Interpolation_grid nella finestra di comando per eseguire lo script.</li>
	</ol>
</li>
	<li>Stress del vento e ricciolo dello stress del vento<ol>
<li>Digitare Wind_stress_curl nella finestra di comando per calcolare la sollecitazione del vento (WS) e il ricciolo di sollecitazione del vento (WSC) utilizzando le seguenti equazioni: <img alt="Equation 1" src="/files/ftp_upload/61172/61172equ01.jpg"> <img alt="Equation 2" src="/files/ftp_upload/61172/61172equ02.jpg"> dove <img alt="Equation 10" src="/files/ftp_upload/61172/icon01.jpg"> è il vettore di velocità del vento; è il WS nella stessa direzione del vettore del <img alt="Equation 10" src="/files/ftp_upload/61172/icon02.jpg"> vento; e sono rispettivamente le WS <img alt="Equation 10" src="/files/ftp_upload/61172/icon03.jpg"> in direzione est e <img alt="Equation 10" src="/files/ftp_upload/61172/icon04.jpg"> nord; è la <img alt="Equation 10" src="/files/ftp_upload/61172/icon05.jpg"> densità dell'aria (uguale a 1,2 kg/m3); e C è il coefficiente di trascinamento (viene utilizzato un valore di 0,0015) in condizioni di stabilità neutra34.</li>
	</ol>
</li>
	<li>Medie mensili<ol>
<li>Calcola le serie temporali mensili SST, wind e SLA come medie a 30 giorni in ogni pixel digitando Monthly_average per eseguire lo script. A causa dell'elevato tasso di copertura del cloud, utilizza una media di 60 giorni come serie temporali mensile per CHL, inclusi 30 giorni prima e 30 giorni dopo il 15 ° giorno del mese.</li>
	</ol>
</li>
</ol>3. Rilevamento frontale SST
<ol><li>Smussatura spaziale<ol>
<li>Digitare Spatial_smoothing per eseguire lo script in modo che i dati SST di tre giorni in ogni pixel. NOTA: Una grande quantità di rumore è stata identificata nei dati SST. Pertanto, i dati sono stati smussati con una media spaziale 3 x 3. Quando non erano disponibili dati nei dati medi originali di 3 giorni, i dati medi spaziali sono stati impostati come non disponibili.</li>
	</ol>
</li>
	<li>Sfumatura SST<ol>
<li>Digitare SST_gradient per eseguire lo script per calcolare le sfumature SST zonali e meridionali (rispettivamente Gx e Gy) come differenza SST tra i due pixel più vicini divisi per la distanza corrispondente tramite equazione (3). Utilizzare il vettore gradiente ottenuto per calcolare il gradiente totale, G, come equazione seguente scalare (4). <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>Massimo locale<ol>
<li>Identificare un fronte testando un valore di sfumatura SST: etichettare un pixel come potenziale pixel frontale se il valore è maggiore di una soglia designata. Mantenere il pixel massimo locale nella stessa direzione perpendicolare alla direzione della sfumatura solo se sono disponibili pixel connessi con valori maggiori della soglia. In questo caso, definire la soglia come 0,035 °C/km dopo i precedentistudi 10,28. NOTA: lo script corrispondente 'Local_maximum.m' è disponibile nei file supplementari.</li>
	</ol>
</li>
	<li>Probabilità frontale mensile (FP) NOTA: La probabilità frontale (FP) descrive la probabilità di osservare un fronte.<ol>
<li>Calcolare l'FP per un determinato intervallo di tempo (in questo caso, un intervallo mensile), digitando Monthly_FP per eseguire lo script. Dividi l'occorrenza dei fronti in ogni pixel durante un'ora per il numero di giorni liberi dalle nuvole.</li>
	</ol>
</li>
</ol>4. Variabilità spaziale e temporale
<ol><li>Ciclo stagionale<ol>
<li>Calcola i cicli stagionali di diversi fattori come medie di diverse stagioni. Definisci le stagioni come segue: l'inverno è da dicembre a febbraio, la primavera è da marzo a maggio, l'estate è da giugno ad agosto e l'autunno è da settembre a novembre. NOTA: Il ciclo stagionale non è mostrato in questo studio; il seguente metodo viene invece utilizzato per spiegare la variabilità spaziale e temporale.</li>
	</ol>
</li>
	<li>Funzione ortogonale empirica (EOF)<ol>
<li>Rimuovere la media temporale e i pixel non disponibili. Prima di condurre l'EOF, sottrarre la media complessiva a ciascun pixel ed escludere le posizioni in cui le osservazioni mancanti superano il 20% a causa della copertura cloud. Caricare i dati digitando load('Monthly_data_for_EOF.mat') nella finestra di comando.</li>
		<li>Applicare un EOF per descrivere le variabilità spaziali e temporali dei diversi parametri. Digitare Empirical_orthogonal_function.m per eseguire lo script per calcolare la grandezza (Mag), gli autovalori (Eig) e l'ampiezza (Amp) degli EOF per il set di dati (ad esempio, serie temporali di SST media mensile, stress da vento, ricciolo di stress del vento, CHL e FP). NOTA: La funzione scompone le serie temporali mensili in diverse modalità, che sono composte da schemi spaziali e temporali e la varianza spiegata da ogni modalità diminuisce con l'aumentare del numero di modalità.</li>
	</ol>
</li>
</ol>5. Intercorrelazione
<ol><li>Correlazione su scala stagionale<ol>
<li>Calcola le correlazioni tra due fattori usando le loro serie temporali ad ogni pixel digitando Seasonal_correlation per eseguire lo script. Poiché il ciclo stagionale non viene rimosso, verificare il significato della correlazione per tutte le correlazioni.</li>
	</ol>
</li>
	<li>Correlazione di un campo anomalo<ol>
<li>Calcolare le correlazioni tra le anomalie CHL mensili e altri fattori, ad esempio SST, WS, fronti e SLA. Ottenere le anomalie mensili (cioè la deviazione dallo stato medio) sottraendo la media complessiva per un mese corrispondente dalle serie temporali mensili. Digitare Anomalous_correlation per eseguire lo script e ottenere le correlazioni.</li>
	</ol>
</li>
</ol>6. Visualizzazione delle informazioni e calcolo delle relazioni
<ol><li>Visualizzare le informazioni satellitari.<ol>
<li>Digitare Sat_SCS_Fig3457 per eseguire lo script per generare una vetrina di informazioni satellitari, incluse distribuzioni SST, CHL e frontali. Impostare la cartella corrente come 'script' in cui si trovano i dati 'Sat_SCS_data.mat'. NOTA: la Figura 1, la Figura 2, la Figura 3e la Figura 4 mostrano SST, CHL, fronti, vento e topografia per la data selezionata come esempio.</li>
	</ol>
</li>
	<li>Visualizzare il risultato EOF digitando Sat_SCS_Fig890.m per eseguire lo script. NOTA: la figura 5, la figura 6e la figura 7 descrivono rispettivamente la grandezza spaziale, la media mensile e le serie temporali delle prime due modalità per CHL, SST e fronti.</li>
	<li>Calcolare la relazione tra CHL e altri fattori nelle scale temporali stagionali e per i campi anomali digitando Sat_SCS_Fig1112.m per eseguire lo script. Ottenere la mappa di correlazione per le variabilità stagionali (Figura 8) e le anomalie (Figura 9).</li>
</ol>

Gli autori non hanno nulla da rivelare.

In questo studio, le principali caratteristiche dei sistemi marini sono descritte utilizzando osservazioni satellitari. Il CHL, che può essere utilizzato per rappresentare la produzione oceanica, è selezionato come fattore indicatore. I fattori relativi alla variabilità CHL sono stati studiati utilizzando serie temporali medie mensili, ad esempio SST, WS, WSC, FP e SLA. In questo studio vengono descritti tre passaggi critici: acquisire dati satellitari per parametri diversi, descriverne le variabilità spaziali e temporali tramite EOF e determinare le interrelazioni tra fattori diversi calcolando i coefficienti di correlazione. È inclusa una procedura dettagliata che mostra l'identificazione per la distribuzione frontale giornaliera, derivata dalle osservazioni SST. Sono stati sviluppati due approcci principali per il rilevamento frontale SST: il metodogradiente 10,38 e il metodo dell'istogramma39,40. Il metodo dell'istogramma si basa su un intervallo simile di valori per l'SST, che può essere utilizzato per dividere le masse d'acqua in gruppi diversi. I pixel con valori tra gruppi diversi che rappresentano il pixel in una banda di transizione sono definiti come fronti. D'altra parte, il metodo gradiente separa diversi corpi idrici relativamente uniformi come pixel con grandi valori di sfumatura. È stato condotto uno studio comparativo, che ha rilevato tassi falsi più bassi utilizzando il metodo dell'istogramma e meno fronti persi utilizzando il metodogradiente 41. In questo studio, il metodo basato sul gradiente38 è stato adottato a seguito di precedentistudi 10,28. L'algoritmo può evitare la rottura frontale in più frammenti di bordo permettendo alla magnitudine di diminuire a un livello inferiore a una soglia più piccola. Oltre al set di dati incluso qui, altre osservazioni satellitari, come l'indice aerosol, possono anche essere utilizzate con un approccio simile.
La maggior parte delle procedure può essere applicata direttamente in altre aree o set di dati. La modifica può avvenire per modificare la soglia del rilevamento frontale. Poiché il gradiente SST nel SCS è paragonabile al sistema di corrente limite orientale28, le stesse soglie sono state implementate per lo studio corrente. Uno studio precedente ha rivelato che il gradiente SST di diversi set di dati può variare fino a tre volte42, il che rende il metodo in qualche modo meno obiettivo. Studi approfonditi hanno studiato le attività frontali intorno agli oceaniglobali 28,43. L'approccio migliore per convalidare i fronti è confrontarli con le osservazioni in situ. Yao44 descrisse la distribuzione frontale mensile per la SCS. I loro risultati sono stati ben concordati con le misurazioni in situ. Il gradiente complessivo deve essere controllato e regolato poiché il suo valore può variare a seconda della risoluzione spaziale e degli strumenti. In particolare, la soglia deve essere aggiornata quando viene utilizzato un altro set di dati SST. Una comprensione di base delle dinamiche regionali è fondamentale per comprendere la frontogenesi45,46,47. Lo script di rilevamento frontale può essere sviluppato da singoli autori in base alla descrizione in questo documento.
Le informazioni satellitari offrono una comprensione completa delle caratteristiche superficiali e un confronto dei risultati con le osservazioni in situ può aiutare a valutare la credibilità. Tuttavia, le osservazioni satellitari sono limitate alla superficie oceanica, il che limita l'applicazione per comprendere la struttura verticale della colonna d'acqua. In un recente studio, le osservazioni satellitari hanno rivelato che la superficie CHL è aumentata di 15 volte, ma il valore verticale integrato è aumentato solo di 2,5 per48. Questa differenza è dovuta al fatto che il valore superficiale è stato influenzato dai coeffati della crescita del fitoplancton e della spinta dell'MLD, con conseguente valore irrealizzabile sulla superficie. Pertanto, la feature di superficie potrebbe non offrire una descrizione accurata per l'intera colonna d'acqua. Inoltre, l'influenza della copertura nuvolosa limita le continue osservazioni dei satelliti. Pertanto, le serie temporali mensili sono calcolate per fattori diversi nella stessa regione e nello stesso periodo. Ciò garantirà la credibilità del calcolo delle correlazioni tra i diversi fattori. Tuttavia, gli eventi di breve durata, ad esempio i tifoni che durano da pochi giorni a una settimana, non saranno risolti.
Rispetto agli studi precedenti, il metodo proposto può offrire informazioni spaziali a livello di pixel, che possono aiutare a valutare le dinamiche in modo più dettagliato. Alcuni studi precedenti hanno in media l'intero SCS come un unico numero e hanno ottenuto una serie di tempo. Hanno scoperto che un WS insolitamente forte e un SST elevato possono indurre CHL16 anomalomente alto,il che è coerente con il risultato corrente. Tuttavia, la variazione spaziale nelle relazioni non è stata risolta. In questo studio, la correlazione su scala di bacino tra WS e CHL era debole nel campo anomalo. Una grande correlazione significativa è stata identificata solo per alcune aree, ad esempio al centro del SCS (Figura 9B). Pertanto, il metodo attuale offre una descrizione completa per indagare le variazioni spaziali. Allo stesso modo, sono state utilizzate osservazioni di due galleggianti Bio-Argo che hanno rivelato che WSC non era correlato con la variabilitàCHL 20. Tuttavia, le traiettorie dei due galleggianti si trovano solo in determinate regioni. In questo caso, è stato esattamente all'interno della banda in cui la correlazione tra il livello CHL e il WSC non era significativa (Figura 8D). Il metodo proposto è molto utile per risolvere la dipendenza spaziale tra i fattori, che è una caratteristica fondamentale dell'oceano globale.
In sintesi, il metodo qui utilizzato può descrivere con precisione la distribuzione spaziale e la variabilità temporale nelle caratteristiche della superficie oceanica usando le osservazioni satellitari. Con la crescente risoluzione dei set di dati satellitari, è possibile identificare e esaminare funzionalità più dettagliate, il che consente una comprensione generale delle funzionalità regionali, tra cui CHL, SST e SSH. La correlazione delle serie temporali mensili tra i diversi fattori può aiutare a comprendere le loro relazioni dinamiche e il potenziale impatto su unecosistema 49. Poiché la correlazione può variare in gran parte in diverse posizioni spaziali, il metodo proposto offre una descrizione dettagliata e completa. Un approccio simile può essere applicato a qualsiasi bacino oceanico in tutto il mondo, il che sarà molto utile per migliorare la comprensione delle dinamiche marine e degli ecosistemi.

La tecnologia di telerilevamento offre grandi set di dati con grandi scale spaziali e lunghi periodi per descrivere gli ambienti marini. Con la crescente risoluzione spaziale dei satelliti, le caratteristiche dettagliate vengono ora risolte dalla scala regionale a poche centinaia dimetri 1,2. Una migliore comprensione della dinamica marina può essere raggiunta con la maggior parte delle osservazioni satellitari aggiornate3.
Incorporando più sensori su una piattaforma di telerilevamento, è possibile una descrizione completa dei diversi parametri. La temperatura della superficie del mare (SST) è il parametro di base che è stato osservato per più di mezzosecolo 4. Recentemente, sono state disponibili osservazioni per la clorofilla di superficie del mare (CHL) e possono essere utilizzate per descrivere la produttività marina5. I satelliti altimetry sono utilizzati per misurare l'altezza della superficiedel mare 6,7, che è fortemente correlata alle attività parasto mesoscala nell'oceanoglobale 8,9. Oltre ai vortici, le attività frontali sono importanti anche per avere un impatto sulle dinamiche regionali e sulla produzione primaria10.
L'obiettivo principale dello studio attuale è quello di trovare una procedura standard per descrivere la distribuzione spaziale e le variabilità temporali dei diversi fattori oceanici. In questo metodo, SST, CHL, SSH e front-data, derivati da gradienti SST, vengono analizzati per determinare i modelli. In particolare, il CHL è usato per rappresentare la produttività dell'oceano, e viene introdotto un metodo per indagare la relazione tra CHL e altri parametri oceanici. Per convalidare il metodo, il periodo di tempo compreso tra ottobre 2002 e settembre 2017 nel Mar Cinese Meridionale è stato utilizzato per esaminare tutti i parametri. Il metodo può essere facilmente utilizzato per altre regioni in tutto il mondo per catturare i principali modelli oceanici ed esplorare in che modo le dinamiche marine hanno un impatto sull'ecosistema.
Il Mar Cinese Meridionale (SCS) è stato designato come regione di studio a causa del suo tasso di copertura relativamente elevato di osservazioni satellitari. La SCS è abbondante nella radiazione solare; pertanto, il CHL è determinato principalmente dalla disponibilità dinutrienti 11,12. Con più nutrienti trasportati nello strato euforico, i livelli di CHL possono aumentaredi 13. La miscelazione, indotta dal vento, può introdurre nutrienti nella superficie dell'oceano e migliorare CHL14. La SCS è dominata in modo univoco da un sistema eolico monsonico, che determina la dinamica e l'ecosistema della regione. Il vento monsonico è più forte durante l'inverno15. In estate, i venti cambiano direzione e la velocità del vento è molto più debole di quelle ininverno 16,17. L'intensità del vento può determinare la forza della miscelazione verticale, in modo che la profondità dello strato misto (MLD) si approfondisca man mano che il vento aumenta in inverno e diventa più basso man mano che il vento diminuiscenell'estate 18. Pertanto, più nutrienti vengono trasportati nello strato euforico durante l'inverno quando il vento èforte 19 e CHL raggiunge il suo punto piùalto dell'anno 20,21.
Oltre al vento, l'MLD può anche essere determinato utilizzando altri fattori, come le anomalie SST e del livello del mare (SLA), che alla fine influenzano il contenuto di nutrienti e CHL22. Durante l'inverno, il debole gradiente verticale è associato a basse temperature sulla superficie20. L'MLD corrispondente è profondo e più nutrienti possono essere trasportati verso l'alto; pertanto, il CHL nello strato superficiale è alto17. Una variazione crescente nei livelli di CHL può essere attribuita ai vortici mesoscala, che inducono il trasporto verticale e lamiscelazione 23. L'upwelling si trova di solito nei vortici ciclonici associati agli SLAdepressi 8,9 e alle elevate concentrazioni di CHL24. Il downwelling si trova di solito nei vortici anticiclonici associati a SLAelevati 8,9 e concentrazioni di CHL depresse24. Per altre stagioni, l'MLD diventa superficiale e la miscelazione diventa debole; pertanto, la bassa CHL può essere osservata sulla maggior parte del bacino25. I cicli stagionali dei livelli di CHL sono successivamente predominanti per la regione26.
Oltre alla miscelazione, i fronti e l'upwelling costiero associato possono modulare ulteriormente il CHL. Il fronte, che è definito come un confine di diverse masse d'acqua, è importante per determinare la circolazione regionale e le risposte dell'ecosistema27. La frontogenesi è solitamente associata all'innalzamento costiero e allaconvergenza 28,29, che può indurre nutrienti ed elevare la crescita del fitoplancton30. Diversi algoritmi sono stati sviluppati per identificare automaticamente i fronti dalle osservazioni satellitari, inclusi i metodi dell'istogramma e del gradiente SST. Quest'ultimo approccio è adottato nel presente studio28.
La correlazione delle serie temporali tra CHL e diversi fattori offre grandi intuizioni per quantificare la loro relazione. L'attuale studio offre una descrizione completa di come utilizzare le osservazioni satellitari per rivelare le dinamiche marine regionali legate alla produttività. Questa descrizione può essere utilizzata come guida per indagare i processi superficiali in qualsiasi parte dell'oceano. La struttura di questo articolo include un protocollo passo-passo, seguito da risultati descrittivi nel testo e nelle cifre. L'applicabilità oltre ai pro e ai contro del metodo viene successivamente discussa.

<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

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

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

Studiare la relazione tra la clorofilla della superficie del mare e le principali caratteristiche del Mar Cinese Meridionale con le informazioni satellitari

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

Le osservazioni satellitari offrono un ottimo approccio per studiare le caratteristiche dei principali parametri marini, tra cui la clorofilla e la temperatura della superficie del mare, l'altezza della superficie del mare e i fattori derivati da questi parametri, come i fronti. Il nostro studio mostra come utilizzare le osservazioni satellitari per descrivere i principali parametri e le loro relazioni. La scienza dei dati satellitari dal 2002 al 2017 è stata utilizzata per descrivere le caratteristiche superficiali del Mar Cinese Meridionale.L'osservazione satellitare della clorofilla è un fattore, che viene utilizzato per la protezione degli oceani. I fattori legati alla variabilità della clorofilla sono stati studiati utilizzando serie temporali. Il metodo può essere applicato ad altri oceani globali e sarà utile per comprendere le dinamiche marine e l'ecosistema.Mostriamo una procedura passo-passo per l'acquisizione di dati satellitari di diversi parametri che descrivono le variabilità spaziali e temporali e determinano le interrelazioni tra i diversi fattori. Si ottengono variabilità spaziali e temporali dei parametri. Sono funzione ortogonale empirica e l'interrelazione tra diversi fattori è acquisita da coefficienti di correlazione zero.Per la temperatura della superficie del mare e l'acquisizione dei dati della clorofilla della superficie del mare, scaricare un set di dati di osservazioni satellitari da MODIS Aqua, per il quale la risoluzione spaziale di entrambi i set di dati è di circa 4,5 chilometri a intervalli giornalieri. Archiviare i file satellitari scaricati nella cartella dati e strutturare la directory delle cartelle come illustrato. Aggiungere il percorso della casella degli strumenti per il file NetCDF in MATLAB e selezionare Aggiungi con sottocartelle per racchiudere i percorsi della cartella script.Il percorso di tutte le directory richieste dei dati e delle funzioni verrà visualizzato nel percorso di ricerca MATLAB. Quindi caricare i dati sulla temperatura della superficie del mare nel software di analisi. Per l'acquisizione del set di dati sulle anomalie del livello del mare, scaricare i dati anomali giornalieri del livello del mare con una risoluzione spaziale di 25 chilometri dallo stesso intervallo di tempo ed inserire il comando per caricare i dati sulle anomalie del livello del mare di un solo giorno.Per ottenere i dati sulla velocità del vento, scaricare i dati del vento dallo stesso periodo di tempo da un prodotto di ria analisi intermedia ERA e inserire il comando per leggere i dati sul vento di un mese. Le variabili u, v e tempo ottenute rappresentano rispettivamente le velocità zonali e meridiane e il tempo corrispondente. Per accedere al set di dati topografico, scaricare i dati topografici ad alta risoluzione dal sito Web dei Centri nazionali per le informazioni ambientali e inserire il comando per caricare i dati topografici nel software di analisi.Le variabili XX, YY e ZZ indicano rispettivamente la latitudine, la longitudine e la profondità corrispondente. A causa della grande copertura nuvolosa nella temperatura della superficie del mare e dei dati sulla clorofilla della superficie del mare, utilizzare il comando per sostituire i dati originali con i dati medi di tre giorni. Poiché la risoluzione spaziale non è coerente per set di dati diversi, immettere il comando per interpolare la temperatura della superficie del mare e i dati della clorofilla della superficie del mare in una griglia spaziale uguale alla griglia spaziale dell'anomalia del vento e del livello del mare.Immettere il comando come indicato per calcolare lo stress del vento e il ricciolo dello stress del vento. Per calcolare la temperatura mensile della superficie del mare, il vento e le serie temporali di anomalia del livello del mare come medie di 30 giorni in ogni pixel, immettere il comando come indicato. Per l'amussatura spaziale, immettere il comando per eseguire lo script per smussare i dati sulla temperatura media della superficie del mare di tre giorni in ogni pixel.Per determinare il gradiente di temperatura della superficie del mare, immettete il comando per eseguire lo script per calcolare i gradienti di temperatura zonale e meridiana di tutta la superficie del mare come differenza di temperatura della superficie del mare tra i due pixel più vicini divisi per la distanza corrispondente. Per identificare un fronte testando il valore del gradiente di temperatura della superficie del mare, etichettare il pixel come potenziale pixel frontale se il valore è maggiore di una soglia designata. Per calcolare la probabilità frontale mensile di osservare un fronte per un intervallo di tempo specifico, immettere il comando.Per caricare i dati mensili per l'analisi, inserire i comandi e applicare una funzione ortogonale empirica per descrivere le variabilità spaziali e temporali dei diversi parametri. Il programma calcolerà la grandezza, gli autovalori e l'ampiezza delle funzioni ortogonali empiriche per il set di dati. Per determinare la correlazione nella scala stagionale, immettete il comando per calcolare le correlazioni tra due fattori usando le loro serie temporali ad ogni pixel.Quindi inserisci il comando per calcolare le correlazioni tra le anomalie mensili della clorofilla della superficie del mare e altri fattori. Per visualizzare le informazioni satellitari, inserisci il comando per eseguire lo script per generare una vetrina di informazioni satellitari, tra cui la clorofilla della superficie del mare, la temperatura e il vento, l'anomalia del livello del mare e la distribuzione frontale. Immettere il comando per visualizzare il risultato della funzione ortogonale empirica.Quindi inserisci il comando come indicato per calcolare la relazione tra la clorofilla e altri fattori nei campi stagionali e anomali. La topografia ha un impatto prominente sulla distribuzione spaziale della clorofilla della superficie marina con clorofilla di superficie di alto mare distribuita principalmente lungo la costa del Mar Cinese Meridionale dove la topografia è poco profonda. Il vento è anche influenzato dall'ortografia con il lato in affitto delle montagne caratterizzato da vento debole e un prominente ricciolo di stress del vento identificato a sud-ovest del Mar Cinese Meridionale.Le soglie applicate qui catturano efficacemente la posizione del fronte e assicurano la rappresentazione dei confini di intere masse d'acqua. In questa analisi, la funzione ortogonale empirica ha catturato una grande varianza nella sezione settentrionale del Mar Cinese Meridionale. La corrispondente media mensile delle serie temporali ha mostrato che la clorofilla della superficie del mare era elevata durante l'inverno e depressa durante l'estate.La regione vicino alla costa sud-occidentale era caratterizzata da una magnitudine debole, e la corrispondente variabilità fu catturata principalmente dalla funzione ortogonale empirica due. I valori della clorofilla della superficie del mare erano alti in estate e bassi in inverno, il che era principalmente fuori fase rispetto alla regione settentrionale. Infatti, le serie temporali mensili per le funzioni ortogonali empiriche hanno dimostrato una chiara variabilità stagionale con funzione ortogonale empirica due funzioni ortogonali empiriche leader una per circa quattro mesi.Le correlazioni tra la clorofilla e altri fattori rappresentano le interrelazioni dei fattori. Ad esempio, in questa analisi, la temperatura della superficie del mare è negativamente correlata con la clorofilla mentre lo stress del vento è positivamente correlato con la clorofilla. Pertanto, un'alta clorofilla era associata a una bassa temperatura e un forte vento per questi dati.Identificare la variabilità dei parametri oceanici e indagare la loro relazione con la clorofilla sono fondamentali e importanti per la dinamica degli oceani e l'ecosistema marino. Le attività frontali sono particolarmente importanti perché l'alta clorofilla è solitamente associata alla parte anteriore. Possono essere apportate modifiche per modificare la soglia del rilevamento frontale e l'approccio migliore per convalidare il fronte è confrontarle con le osservazioni dell'istituto.In sintesi, l'uso delle osservazioni satellitari può descrivere con precisione la distribuzione spaziale e la variabilità temporale nelle caratteristiche della superficie oceanica. Con la crescente risoluzione di funzionalità più dettagliate può essere identificato e studiato in futuro.

Research

JoVE Journal

Environment

Protocol for Microplastics Sampling on the Sea Surface and Sample Analysis

Protocollo per microplastiche campionamento sulla superficie del mare e Analisi dei campioni

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

Ricerca

Ambiente

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

Preparazione di pirite Autigenesi da sedimenti di metano-cuscinetto per In Situ l'analisi di isotopi di zolfo utilizzando 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

Procedure di fumigazione di laboratorio per il controllo dei parassiti con Gas di ossido di azoto

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

Tecniche per lo studio dell'anatomia del sistema visivo 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

Specifiche e rilevazione accurata del Using PCR convenzionale su campioni di tessuto foglia agrumi Citrus Greening patogeno 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

Metodi per sondaggi basati su immagine di macroinvertebrati bentonici e loro Habitat esemplificato dall'indagine fotocamera goccia per la cappasanta atlantica

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

La prova di infezione di pianta: Spray e ferita-mediata di inoculazione con la pianta patogeno 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

Studio sperimentale della relazione tra la dimensione delle particelle e la capacità di adsorbimento di metano in scisto

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

Scelta e analisi biologiche No-scelta per studiare l'impupamento preferenza e il successo di emersione di 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

Progettazione e l'uso di un apparato per quantificare bivalvi sospensione alimentazione in mare

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