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

Støtten fra National Key Research and Development Program of China (nr. 2016YFC1401601), Postgraduate Research & Practice Innovation Program i Jiangsu-provinsen (nr. SJKY19_0415) støttet av Fundamental Research Funds for de sentrale universitetene (nr. 2019B62814), National Natural Science Foundation of China (nr. 41890805, 41806026 og 41730536) og Joint Advanced Marine and Ecological Studies i Bengalbukta og det østlige ekvatoriale Indiahavet ble sterkt anerkjent. Forfatterne setter pris på levering av data fra kilder, inkludert National Aeronautics and Space Administration (NASA), European Centre for Medium-Range Weather Forecasts (ECMWF), Copernicus Marine and Environment Monitoring Service (CMEMS) og National Oceanic and Atmospheric Administration (NOAA).

1. Innhenting av datasett
<ol><li>SST og CHL<ol>
<li>Last ned et datasett av satellittobservasjoner for SST og CHL fra MODIS-Aqua (podaac-tools.jpl.nasa.gov/), der den romlige oppløsningen av begge datasettene er ca. 4,5 km med daglige intervaller. Merk: Strukturer mappene og dataene etter eksempelskriptmappen som er tilgjengelig i tilleggsfilene. Lagre NC-filene til satellittdataene i "Data"-mappen. Legg til banen til NetCDF-verktøykassen i analyseprogramvaren (det vil si MATLAB). Velg Legg til med undermapper for å omslutte banene til "VERKTØY"-mappen og undermappene.</li>
		<li>Bestem tidsperioden. Hvis du vil opprettholde konsistens mellom ulike datasett, bruker du samme tidsrom for alle parametere. Juster tidsperioden basert på tidsdekningen og bruk den lengste observasjonsperioden blant ulike datasett. For denne protokollen laster du ned 15 år med data fra oktober 2002 til september 2017.</li>
		<li>Bestem romlig dekning. MERK: Det utformede studieområdet er mellom 105°E og 123°E og mellom 0° og 25 °N.</li>
		<li>Kontroller instruksjonene for forhåndsbehandling. Les instruksjonene i .nc-filene om forhåndsbehandlingskravene til SST- og CHL-dataene (f.eks. om skalering er nødvendig). MERK: Det nedlastede datasettet utelukker allerede data over land og innen 5 km fra kysten, samt de som er forurenset av skyer.</li>
		<li>Last inn SST- og CHL-data i analyseprogramvaren. Skriv Read_MODIS_SST i kommandovinduet for å lese SST-dataene. På samme måte skriver Read_MODIS_CHL i kommandovinduet for å lese CHL-dataene. Transformer CHL-data logaritmisk fordi de har en log-normal distribusjon31. MERK: Lastede variabler inkluderer SST og CHL i tre dimensjoner, som representerer meridional plassering, soneplassering og tid i dager, henholdsvis. Rekkevidden av SSTs er mellom -2 og 44, og rekkevidden av CHL er mellom 0,01 og 20.</li>
	</ol></li>
	<li>Anomali på havnivå (SLA)<ol>
<li>Last ned daglige serviceavtaledata med en romlig oppløsning på 25 km fra 2002–201732. MERK: SLA-er beskriver forskjellen mellom observerte havoverflatehøyder og gjennomsnittlig havoverflatehøyde over 20 år (1993–2012) for en tilsvarende piksel. Serviceavtaledataene behandles av SSALTO/DUACS og distribueres av arkivering, validering og tolkning av satellittoseanografiske data (AVISO, https://www.aviso.altimetry.fr).</li>
		<li>Last inn data i analyseprogramvaren. Last inn serviceavtaledata for én dag ved å skrive Read_SLA i kommandovinduet. MERK: «Data-mappen i tilleggsfilene inneholder bare ett eksempeldatum i illustrasjonsskriptet.</li>
	</ol></li>
	<li>Vindstyrke<ol>
<li>Få vindinformasjon fra et ERA-Interim reanalyseprodukt, som er et globalt atmosfærisk reanalysedatasett utviklet av European Center for Medium-Range Weather Forecasts (ECMWF)33. Last ned vinddata for samme periode (oktober 2002–september 2017) for å opprettholde konsistensen med CHL- og SST-dataene. MERK: Vinddatasettet har en romlig oppløsning på ca. 25 km og ble interpolert fra det opprinnelige datasettet med en romlig oppløsning på ca. 0,7°.</li>
		<li>Last inn data i analyseprogramvaren. Skriv Read_WindVector i kommandovinduet for å lese en måneds vinddata. Beregn det månedlige gjennomsnittet ved å gjennomsnitte de opprinnelige dataene, som er på 6 t intervaller.</li>
	</ol></li>
	<li>Topografi<ol>
<li>Last ned de høyoppløselige topografidataene fra National Centers for Environmental Information-nettstedet (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). Den romlige oppløsningen er ~ 2 km. Få ETOPO1-dataene for berggrunn i XYZ-format for det valgte studieområdet.</li>
		<li>Last inn data i analyseprogramvaren. Skriv Read_topography i kommandovinduet for å laste topografidataene inn i analyseprogramvaren.</li>
	</ol></li>
</ol>2. Forhåndsbehandling av data
<ol><li>Temporal gjennomsnitt<ol>
<li>På grunn av den store skydekningen i SST- og CHL-dataene erstatter du de opprinnelige dataene med 3-dagers gjennomsnittsdata. Hvis du vil gjøre dette, når du har kjørt Read_MODIS_SST.m- og Read_MODIS_CHL.m-skriptene (trinn 1.1.5), skriver du inn Temporal_average i kommandovinduet for å kjøre skriptet.</li>
	</ol>
</li>
	<li>Interpolering i samme rutenett<ol>
<li>Fordi den romlige oppløsningen ikke er konsistent for ulike datasett, interpolerer SST- og CHL-dataene til et romlig rutenett som er det samme som vind- og SLA-romllnettet før du gjør sammenligninger. Når du har Temporal_average.m og Read_WindVector.m, skriver du Interpolation_grid i kommandovinduet for å kjøre skriptet.</li>
	</ol>
</li>
	<li>Vindstress og vindstresskrøll<ol>
<li>Skriv Wind_stress_curl i kommandovinduet for å beregne vindstresset (WS) og vindstresskrøllen (WSC) ved hjelp av følgende ligninger: <img alt="Equation 1" src="/files/ftp_upload/61172/61172equ01.jpg"> <img alt="Equation 2" src="/files/ftp_upload/61172/61172equ02.jpg"> hvor <img alt="Equation 10" src="/files/ftp_upload/61172/icon01.jpg"> er vindhastighetsvektoren; <img alt="Equation 10" src="/files/ftp_upload/61172/icon02.jpg"> er WS i samme retning som vindvektoren; og er <img alt="Equation 10" src="/files/ftp_upload/61172/icon03.jpg"> <img alt="Equation 10" src="/files/ftp_upload/61172/icon04.jpg"> WS i øst og nord retninger, henholdsvis; <img alt="Equation 10" src="/files/ftp_upload/61172/icon05.jpg"> er lufttettheten (lik 1,2 kg / m3); og C er drakoeffisienten (en verdi på 0,0015 brukes) under nøytrale stabilitetsforhold34.</li>
	</ol>
</li>
	<li>Månedlige gjennomsnitt<ol>
<li>Beregn den månedlige tidsserien SST, vind og serviceavtale som 30-dagers gjennomsnitt i hver piksel ved å skrive Monthly_average for å kjøre skriptet. På grunn av den høye skydekningshastigheten, bruk et gjennomsnitt på 60 dager som den månedlige tidsserien for CHL, inkludert 30 dager før til 30 dager etterden 15.</li>
	</ol>
</li>
</ol>3. SST frontdeteksjon
<ol><li>Romlig utjevning<ol>
<li>Skriv Spatial_smoothing for å kjøre skriptet for å gjennomsnittlig tre-dagers SST-data i hver piksel. MERK: En stor mengde støy ble identifisert i SST-dataene. Dermed ble dataene glattet med et 3 x 3 romlig gjennomsnitt. Når ingen data var tilgjengelige i de opprinnelige 3-dagers gjennomsnittsdataene, ble de avstandsgjennomsnittlige dataene angitt som utilgjengelige.</li>
	</ol>
</li>
	<li>SST gradering<ol>
<li>Skriv inn SST_gradient for å kjøre skriptet for å beregne sone- og meridional SST-graderingene (henholdsvis Gx og Gy)som SST-forskjellen mellom de nærmeste to pikslene delt på tilsvarende avstand via ligning (3). Bruk den oppnådde graderingsvektoren til å beregne den totale graderingen, G, som en skalar etter ligning (4). <img alt="Equation 3" src="/files/ftp_upload/61172/61172equ03.jpg"> <img alt="Equation 4" src="/files/ftp_upload/61172/61172equ04.jpg">
</li>
	</ol>
</li>
	<li>Lokal maksimum<ol>
<li>Identifiser en front ved å teste en SST-graderingsverdi: Merk en piksel som en potensiell frontpiksel hvis verdien er større enn en angitt terskel. Oppretthold bare den lokale maksimumspikselen i samme retning vinkelrett på graderingsretningen hvis det er tilkoblede piksler med verdier som er større enn terskelen. Her definerer du terskelen som 0,035 °C/km etter tidligere studier10,28. MERK: Det tilsvarendeskriptet Local_maximum.m' er tilgjengelig i tilleggsfilene.</li>
	</ol>
</li>
	<li>Månedlig frontal sannsynlighet (FP) MERK: Den frontale sannsynligheten (FP) beskriver sannsynligheten for å observere en front.<ol>
<li>Beregn FP-en for en viss tidsperiode (i dette tilfellet et månedlig intervall), ved å skrive Monthly_FP for å kjøre skriptet. Del forekomsten av fronter på hver piksel i løpet av et tidsvindu med antall dager som er fri for skyer.</li>
	</ol>
</li>
</ol>4. Romlig og timelig variasjon
<ol><li>Sesongsyklus<ol>
<li>Beregn sesongmessige sykluser av ulike faktorer som gjennomsnittet av ulike årstider. Definer årstidene som følger: vinteren er fra desember til februar, våren er fra mars til mai, sommeren er fra juni til august, og høsten er fra september til november. MERK: Sesongsyklusen er ikke vist i denne studien; følgende metode brukes til å forklare romlig og timelig variasjon i stedet.</li>
	</ol>
</li>
	<li>Empirisk ortogonal funksjon (EOF)<ol>
<li>Fjern det timelige gjennomsnittet og utilgjengelige piksler. Før du utfører EOF, trekk fra det totale gjennomsnittet på hver piksel og ekskluder stedene der manglende observasjoner overstiger 20% på grunn av skydekning. Last inn data ved å skrive inn last(Monthly_data_for_EOF.mat' i kommandovinduet.</li>
		<li>Påfør en EOF for å beskrive de romlige og timelige variasjonene til ulike parametere. Skriv inn Empirical_orthogonal_function.m for å kjøre skriptet for å beregne størrelsen (Mag), eigenvalues (Eig) og amplitude (Amplitude (Amp) av EOFs for datasettet (det vil si tidsserier av månedlig gjennomsnittlig SST, vindstress, vindstresskrølling, CHL og FP). MERK: Funksjonen brytes ned den månedlige tidsserien i forskjellige moduser, som består av romlige og timelige mønstre, og variansen forklart av hver modus reduseres med økende modusnummer.</li>
	</ol>
</li>
</ol>5. Sammenstilling
<ol><li>Korrelasjon i sesongskalaen<ol>
<li>Beregn korrelasjonene mellom to faktorer ved hjelp av tidsseriene på hver piksel ved å skrive Seasonal_correlation for å kjøre skriptet. Fordi sesongsyklusen ikke er fjernet, kontrollerer du betydningen av korrelasjonen for alle korrelasjoner.</li>
	</ol>
</li>
	<li>Korrelasjon av et uregelmessig felt<ol>
<li>Beregn korrelasjonene mellom de månedlige CHL-avvikene og andre faktorer, for eksempel SST, WS, fronter og serviceavtaler. Få de månedlige avvikene (det vil si avviket fra gjennomsnittsstatusen) ved å trekke det totale gjennomsnittet for en tilsvarende måned fra den månedlige tidsserien. Skriv Anomalous_correlation for å kjøre skriptet og få korrelasjonene.</li>
	</ol>
</li>
</ol>6. Vise informasjon og beregne relasjoner
<ol><li>Vis satellittinformasjon.<ol>
<li>Skriv Sat_SCS_Fig3457 for å kjøre skriptet for å generere et utstillingsvindu av satellittinformasjon, inkludert SST, CHL og frontaldistribusjoner. Angi gjeldende mappe som "skript" der dataene "Sat_SCS_data.mat" er plassert. MERK: Figur 1, Figur 2, Figur 3og Figur 4 viser SST, CHL, fronter, vind og topografi for den valgte datoen som eksempel.</li>
	</ol>
</li>
	<li>Vis EOF-resultatet ved å skrive Sat_SCS_Fig890.m for å kjøre skriptet. MERK: Figur 5, Figur 6og Figur 7 beskriver romlig størrelse, månedlig gjennomsnitt og tidsserier for henholdsvis CHL, SST og fronter.</li>
	<li>Beregn forholdet mellom CHL og andre faktorer på sesongmessige tidsskalaer og for uregelmessige felt ved å skrive Sat_SCS_Fig1112.m for å kjøre skriptet. Få korrelasjonskartet for sesongmessige variasjoner (figur 8) og anomalier (figur 9).</li>
</ol>

Forfatterne har ingenting å avsløre.

I denne studien er de viktigste funksjonene i marine systemer beskrevet ved hjelp av satellittobservasjoner. CHL, som kan brukes til å representere havproduksjon, er valgt som en indikatorfaktor. Faktorer relatert til CHL-variasjon ble undersøkt ved hjelp av månedlige gjennomsnittlige tidsserier, for eksempel SST, WS, WSC, FP og SLA. Tre kritiske trinn er beskrevet i denne studien: anskaffe satellittdata for ulike parametere, beskrive deres romlige og timelige variasjoner via EOF, og bestemme sammenhenger mellom ulike faktorer ved å beregne korrelasjonskoeffisienter. En detaljert prosedyre som viser identifikasjon for daglig frontal distribusjon, som er avledet fra SST observasjoner, er inkludert. To store tilnærminger er utviklet for SST frontdeteksjon: gradientmetoden10,38 og histogrammetmetode 39,40. Histogrammet metoden er basert på et lignende verdiområde for SST, som kan brukes til å dele vannmassene i forskjellige grupper. Pikslene med verdier mellom ulike grupper som representerer pikselen i et overgangsbånd, defineres som fronter. På den annen side skiller graderingsmetoden flere relativt ensartede vannlegemer som piksler med store graderingsverdier. En sammenligningsstudie ble utført, og de fant lavere falske priser ved hjelp av histogrammet metoden og færre tapte fronter ved hjelp av gradientmetoden41. I denne studien ble den gradientbaserte metoden38 vedtatt etter tidligere studier10,28. Algoritmen kan unngå frontbrudd i flere kantfragmenter ved å la størrelsen reduseres til et nivå under en mindre terskel. I tillegg til datasettet som er inkludert her, kan andre satellittobservasjoner, som aerosolindeksen, også brukes med en lignende tilnærming.
De fleste prosedyrene kan brukes direkte i andre regioner eller datasett. Det kan skje endringer for å endre terskelen for frontdeteksjon. Fordi SST-graderingen i SCS er sammenlignbar med Eastern Boundary Current System28, ble de samme terskler implementert for den gjeldende studien. En tidligere studie viste at SST-gradienten fra forskjellige datasett kan variere så mye som tre ganger42, noe som gjør metoden på en eller annen måte mindre objektiv. Betydelige studier har undersøkt frontalaktiviteter rundt de globale havene28,43. Den beste tilnærmingen til å validere fronter er å sammenligne dem med in situ observasjoner. Yao44 beskrev den månedlige frontalfordelingen for SCS. Deres resultater var godt enig med in situ målinger. Den generelle gradienten bør kontrolleres og justeres siden verdien kan variere avhengig av romlig oppløsning og instrumenter. Terskelen bør spesielt oppdateres når et annet Datasett for SST brukes. En grunnleggende forståelse av den regionale dynamikken er grunnleggende for å forstå frontogenese45,46,47. Frontdeteksjonsskriptet kan utvikles av individuelle forfattere basert på beskrivelsen i dette papiret.
Satellittinformasjon gir en omfattende forståelse av overflatefunksjoner, og en resultatsammenligning med in situ observasjoner kan bidra til å evaluere troverdighet. Imidlertid er satellittobservasjoner begrenset til havoverflaten, noe som begrenser applikasjonen for å forstå den vertikale strukturen i vannsøylen. I en fersk studie viste satellittobservasjoner at overflaten CHL økte med 15 ganger, men den vertikale integrerte verdien økte bare med 2,5 ganger48. Denne forskjellen var fordi overflateverdien ble påvirket av kaffects av planteplankton vekst og stimering av MLD, noe som resulterer i en urealiserbar verdi på overflaten. Dermed kan overflatefunksjonen ikke gi en nøyaktig beskrivelse for hele vannkolonnen. I tillegg begrenser påvirkningen av skydekning de kontinuerlige observasjonene av satellitter. Dermed beregnes månedlige tidsserier for ulike faktorer i samme region og samme periode. Dette vil garantere troverdigheten til å beregne korrelasjonene mellom ulike faktorer. Men kortperiodehendelsene, for eksempel tyfoner som varer i noen dager til en uke, vil ikke bli løst.
Sammenlignet med tidligere studier kan den foreslåtte metoden tilby romlig informasjon på pikselnivå, noe som kan bidra til å evaluere dynamikken på en mer detaljert måte. Noen tidligere studier gjennomsnitt hele SCS som et enkelt tall og fikk en tidsserie. De fant at en uvanlig sterk WS og høy SST kan indusere uregelmessig høy CHL16, som er i samsvar med dagens resultat. Den romlige variasjonen i relasjonene ble imidlertid ikke løst. I denne studien var korrelasjonen i bassengskala mellom WS og CHL svak i det uregelmessige feltet. En stor signifikant korrelasjon ble bare identifisert for visse områder, for eksempel i midten av SCS (figur 9B). Dermed tilbyr den nåværende metoden en omfattende beskrivelse for å undersøke romlige variasjoner. Tilsvarende ble observasjoner fra to Bio-Argo flyter brukt og viste at WSC ikke korrelerte med CHL variabilitet20. Banene til de to flytene er imidlertid bare plassert i visse regioner. I dette tilfellet var det nøyaktig innenfor bandet hvor korrelasjonen mellom CHL-nivået og WSC ikke var signifikant (figur 8D). Den foreslåtte metoden er svært nyttig for å løse den romlige avhengigheten blant faktorer, noe som er en grunnleggende egenskap ved det globale havet.
Oppsummert kan metoden som brukes her nøyaktig beskrive romlig fordeling og temporal variasjon i havoverflatefunksjoner ved hjelp av satellittobservasjoner. Med den økende oppløsningen av satellittdatasett kan mer detaljerte funksjoner identifiseres og undersøkes, noe som muliggjør en generell forståelse av regionale funksjoner, inkludert CHL, SST og SSH. Korrelasjonen av månedlige tidsserier mellom ulike faktorer kan bidra til å forstå deres dynamiske relasjoner og potensiell innvirkning på etøkosystem 49. Fordi korrelasjonen i stor grad kan variere på forskjellige romlige steder, tilbyr den foreslåtte metoden en detaljert og omfattende beskrivelse. En lignende tilnærming kan brukes på ethvert havbasseng over hele verden, noe som vil være svært nyttig for å forbedre forståelsen av marin dynamikk og økosystemer.

Fjernmålingsteknologi gir flotte datasett med store romlige skalaer og lange perioder for å beskrive marine miljøer. Med den økende romlige oppløsningen av satellitter, er detaljerte funksjoner nå løst fra den regionale skalaen til noen hundre meter1,2. En forbedret forståelse av marin dynamikk kan oppnås med de fleste oppdaterte satellittobservasjoner3.
Ved å innlemme flere sensorer på en fjernmålingsplattform, er en omfattende beskrivelse av ulike parametere mulig. Havoverflatetemperatur (SST) er den grunnleggende parameteren som har blitt observert i mer enn et halvt århundre4. Nylig har observasjoner for havoverflaten klorofyll-a (CHL) blitt tilgjengelige og kan brukes til å beskrive marin produktivitet5. Høydemålssatellitter brukes til måling av havoverflatehøyde6,7, som er sterkt relatert til mesoscale eddy aktiviteter i det globalehavet 8,9. I tillegg til eddies er frontalaktiviteter også viktig for å påvirke regional dynamikk og primærproduksjon10.
Hovedfokuset i den nåværende studien er å finne en standard prosedyre for å beskrive romlig fordeling og timelige variasjoner av ulike havfaktorer. I denne metoden analyseres SST-, CHL-, SSH- og frontdata, som er avledet fra SST-graderinger, for å bestemme mønstre. Spesielt brukes CHL til å representere havets produktivitet, og en metode innføres for å undersøke forholdet mellom CHL og andre havparametere. For å validere metoden ble tidsperioden mellom oktober 2002 og september 2017 i Sør-Kinahavet brukt til å undersøke alle parametere. Metoden kan enkelt brukes til andre regioner over hele verden for å fange opp store havmønstre og utforske hvordan marin dynamikk påvirker økosystemet.
Sør-Kinahavet (SCS) ble utpekt som studieregionen på grunn av sin relativt høye dekningsgrad av satellittobservasjoner. SCS er rikelig i solstråling; Dermed er CHL hovedsakelig bestemt av tilgjengeligheten av næringsstoffer11,12. Med flere næringsstoffer som transporteres inn i det eufotiske laget, kan CHL-nivåene øke13. Blanding, indusert av vind, kan introdusere næringsstoffer i havoverflaten og forbedre CHL14. SCS er unikt dominert av et monsunvindsystem, som bestemmer dynamikken og økosystemet i regionen. Monsunvinden er sterkest om vinteren15. Om sommeren endrer vinden retning og vindhastighetene er mye svakere enn de om vinteren16,17. Vindintensiteten kan bestemme styrken av vertikal blanding, slik at blandet lagdybde (MLD) blir dypere etter hvert som vinden øker om vinteren og blir grunnere etter hvert som vinden minker sommeren18. Dermed blir flere næringsstoffer transportert inn i euforisk lag om vinteren når vinden er sterk19 og CHL når sitt høyeste punkt i året20,21.
I tillegg til vinden kan MLD også bestemmes ved hjelp av andre faktorer, for eksempel SST og havnivåanomalier (SLA), som til slutt påvirker næringsinnhold og CHL22. Om vinteren er den svake vertikale gradienten forbundet med lave temperaturer på overflaten20. Den tilsvarende MLD er dyp og flere næringsstoffer kan transporteres oppover; Dermed er CHL i overflatelaget høy17. En økende variasjon i CHL nivåer kan tilskrives mesoscale eddies, som induserer vertikal transport og blanding23. Oppgang finnes vanligvis i sykloniske eddies forbundet med deprimerte SLA8,9 ogforhøyede CHL konsentrasjoner24. Downwelling finnes vanligvis i anticyclonic eddies forbundet med forhøyede SLA8,9 og deprimerte CHL konsentrasjoner24. For andre sesonger blir MLD grunn, og blanding blir svak; Dermed kan lav CHL observeres over mesteparten av bassenget25. De sesongmessige syklusene av CHL nivåer er senere dominerende for regionen26.
I tillegg til blanding kan fronter og tilhørende kystoppgang ytterligere modulere CHL. Fronten, som er definert som en grense for ulike vannmasser, er viktig for å bestemme den regionale sirkulasjons- og økosystemresponsen27. Frontogenese er vanligvis forbundet med kystoppgang og konvergens28,29, som kan indusere næringsstoffer og heve veksten av planteplankton30. Ulike algoritmer er utviklet for å automatisk identifisere fronter fra satellittobservasjoner, inkludert histogrammet og SST gradient metoder. Den sistnevnte tilnærmingen er vedtatt i denne studien28.
Sammenhengen mellom tidsserier mellom CHL og ulike faktorer gir stor innsikt for å kvantifisere forholdet. Den nåværende studien gir en omfattende beskrivelse av hvordan du bruker satellittobservasjoner for å avsløre regional marin dynamikk knyttet til produktivitet. Denne beskrivelsen kan brukes som en veiledning for å undersøke overflateprosessene i alle deler av havet. Strukturen i denne artikkelen inneholder en trinnvis protokoll, etterfulgt av beskrivende resultater i teksten og figurene. Anvendelsen i tillegg til fordeler og ulemper ved metoden diskuteres senere.

<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

Satellittobservasjoner gir en god tilnærming til å undersøke funksjonene til store marine parametere, inkludert havoverflateklorofyll (CHL), havoverflatetemperatur (SST), havoverflatehøyde (SSH) og faktorer avledet fra disse parametrene (f.eks. fronter). Denne studien viser en trinnvis prosedyre for å bruke satellittobservasjoner for å beskrive viktige parametere og deres relasjoner i sesongmessige og uregelmessige felt. Denne metoden er illustrert ved hjelp av satellittdatasett fra 2002-2017 som ble brukt til å beskrive overflatefunksjonene i Sør-Kinahavet (SCS). På grunn av skydekning ble månedlige gjennomsnittsdata brukt i denne studien. Den empiriske ortogonale funksjonen (EOF) ble brukt til å beskrive romlig fordeling og temporale variasjoner av ulike faktorer. Monsunvinden dominerer variasjonen i bassenget. Dermed ble vind fra reanalysedatasettet brukt til å undersøke sin drivkraft på ulike parametere. Den sesongmessige variasjonen i CHL var fremtredende og betydelig korrelert med andre faktorer i et flertall av SCS. Om vinteren induserer en sterk nordøstmonsun et dypt blandet lag og høyt nivå av klorofyll i hele bassenget. Signifikante korrelasjonskoeffisienter ble funnet blant faktorene i sesongsyklusen. Om sommeren ble det for det meste funnet høye CHL-nivåer i det vestlige SCS. I stedet for en sesongmessig avhengighet var regionen svært dynamisk, og faktorer korrelerte betydelig i uregelmessige felt slik at uvanlig høye CHL-nivåer var forbundet med unormalt sterk vind og intense frontale aktiviteter. Studien presenterer en trinnvis prosedyre for å bruke satellittobservasjoner for å beskrive viktige parametere og deres relasjoner i sesongmessige og uregelmessige felt. Metoden kan brukes på andre globale hav og vil være nyttig for å forstå marin dynamikk.

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

Havoverflateklorfyll, temperatur, havnivåhøyde, vind og frontdata innhentet eller avledet fra satellittobservasjoner gir en effektiv måte å karakterisere havet på. Presentert er en metode for den omfattende studien av disse dataene, inkludert samlet gjennomsnitt, sesongsyklus og interkorrelasjonsanalyser, for å fullt ut forstå regional dynamikk og økosystemer.

Undersøker forholdet mellom Sea Surface Chlorophyll og hovedtrekkene i Sør-Kinahavet med satellittinformasjon

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

Satellittobservasjoner gir en god tilnærming til å undersøke funksjonene til store marine parametere, inkludert havoverflateklorofyll og temperatur, havoverflatehøyde og faktorene som stammer fra disse parametrene, for eksempel fronter. Vår studie viser hvordan du bruker satellittobservasjoner for å beskrive store parametere og deres relasjoner. Satellittdatavitenskap fra 2002 til 2017 ble brukt til å beskrive overflatefunksjonene i Sør-Kinahavet.Satellittobservasjonen av klorofyll er faktor, som brukes til havbeskyttelse. Faktorer knyttet til klorofyllvariabilitet ble undersøkt ved hjelp av tidsserier. Metoden kan brukes på andre globale hav og vil være nyttig for å forstå marin dynamikk og økosystemet.Vi viser en trinnvis prosedyre for å anskaffe satellittdata av ulike parametere som beskriver romlige og timelige variasjoner og bestemme sammenhenger mellom ulike faktorer. Romlige og timelige variasjoner av parametere oppnås. De er empiriske ortogonale funksjon og forholdet mellom ulike faktorer er ervervet av null korrelasjonskoeffisienter.For havoverflatetemperatur og havoverflate klorofyll datainnsamling, laste ned et datasett av satellittobservasjoner fra MODIS Aqua, som romlig oppløsning av begge datasett er omtrent 4,5 kilometer med daglige intervaller. Lagre de nedlastede satellittfilene i datamappen og strukturer katalogen over mapper som vist. Legg til banen til verktøykassen for NetCDF-filen i MATLAB, og velg legg til med undermapper for å omslutte banene til skriptmappen.Banen for alle de nødvendige katalogene for dataene og funksjonene vises i MATLAB-søkebanen. Last deretter inn temperaturdataene for havoverflaten i analyseprogramvaren. For havnivå anomali datasett oppkjøp, laste ned daglige havnivå anomali data med en 25 kilometer romlig oppløsning fra samme tidsramme og skriv inn kommandoen for å laste enkeltdag havnivå anomali data.For å få tak i vindhastighetsdataene laster du ned vinddataene fra samme tidsperiode fra et midlertidig ANALYSEprodukt for ERA og skriver inn kommandoen for å lese en måneds vinddata. De oppnådde u-, v- og tidsvariablene representerer sone- og meridian alle hastigheter og tilsvarende tid henholdsvis. For å få tilgang til topografidatasettet laster du ned de høyoppløselige topografidataene fra National Centers for Environmental Information-nettstedet og skriver inn kommandoen for å laste topografidataene inn i analyseprogramvaren.XX-, YY- og ZZ-variablene indikerer henholdsvis breddegrad, lengdegrad og tilsvarende dybde. På grunn av den store skydekningen i havoverflatetemperaturen og klorofylldataene på havoverflaten, bruker du kommandoen til å erstatte de opprinnelige dataene med de tre-dagers gjennomsnittsdataene. Fordi romlig oppløsning ikke er konsistent for ulike datasett, skriv inn kommandoen for å interpolere havoverflatetemperaturen og havoverflateklorofylldata til et romlig rutenett som er det samme som vind- og havnivåavviket romlig rutenett.Skriv inn kommandoen som angitt for å beregne vindstress og vindstresskrøll. Hvis du vil beregne den månedlige havoverflatetemperaturen, vinden og havnivåavvikstidsserien som 30-dagers gjennomsnitt i hver piksel, angir du kommandoen som angitt. For romlig utjevning skriver du inn kommandoen for å kjøre skriptet for å jevne ut de tre-dagers gjennomsnittlige havoverflatetemperaturdataene i hver piksel.For å bestemme havoverflaten temperatur gradient, skriv inn kommandoen for å kjøre skriptet for å beregne sone og meridian alle havoverflate temperatur gradienter som havoverflaten temperaturforskjell mellom de nærmeste to piksler delt på tilsvarende avstand. Hvis du vil identifisere en front ved å teste verdien av temperaturen i havoverflaten, merker du pikselen som en potensiell frontpiksel hvis verdien var større enn en angitt terskel. Hvis du vil beregne den månedlige frontalsannsynligheten for å observere en front, finner du sted for et bestemt tidsperiode, skriver du inn kommandoen.Hvis du vil laste inn de månedlige dataene for analyse, angir du kommandoene og bruker en empirisk ortogonal funksjon for å beskrive de romlige og timelige variasjonene til de ulike parametrene. Programmet beregner størrelsen, eigenvalues og amplitude av empiriske ortogonale funksjoner for datasettet. Hvis du vil bestemme korrelasjonen på sesongskalaen, angir du kommandoen for å beregne korrelasjonene mellom to faktorer ved hjelp av tidsseriene for hver piksel.Skriv deretter inn kommandoen for å beregne korrelasjonene mellom de månedlige anomalier av havoverflaten klorofyll og andre faktorer. For å vise satellittinformasjonen, skriv inn kommandoen for å kjøre skriptet for å generere et utstillingsvindu av satellittinformasjon, inkludert havoverflaten klorofyll, temperatur og vind, og havnivå anomali og frontal distribusjon. Skriv inn kommandoen for å vise det empiriske ortogonale funksjonsresultatet.Skriv deretter inn kommandoen som angitt for å beregne forholdet mellom klorofyll og andre faktorer på sesongmessige og uregelmessige felt. Topografien har en fremtredende innvirkning på den romlige fordelingen av havoverflateklorfyll med høy havoverflateklorfyll hovedsakelig fordelt langs kysten av Sør-Kinahavet hvor topografien er grunn. Vinden påvirkes også av orografi med leiesiden av fjell preget av svak vind og en fremtredende vindstresskrøll identifisert sørvest for Sør-Kinahavet.Terskler som brukes her effektivt fange plasseringen av fronten og sikre skildring av grensene for hele vannmasser. I denne analysen fanget empirisk ortogonal funksjon en stor varians i den nordlige delen av Sør-Kinahavet. Det tilsvarende månedlige gjennomsnittet av tidsserien viste at havoverflaten klorofyll ble forhøyet om vinteren og deprimert om sommeren.Regionen ved sørvestkysten var preget av en svak størrelsesorden, og den tilsvarende variasjonen ble hovedsakelig fanget av empirisk ortogonal funksjon to. Havoverflaten klorofyll verdier var høy om sommeren og lav om vinteren, som hovedsakelig var ute av fase i forhold til den nordlige regionen. Faktisk viste den månedlige tidsserien for empiriske ortogonale funksjoner klar sesongmessig variasjon med empirisk ortogonal funksjon to ledende empiriske ortogonale funksjon en etter omtrent fire måneder.Korrelasjonene mellom klorofyll og andre faktorer representerer sammenhengene mellom faktorene. For eksempel, i denne analysen, er havoverflatetemperaturen negativt korrelert med klorofyllet mens vindstresset er positivt korrelert med klorofyllet. Dermed var en høy klorofyll forbundet med lav temperatur og sterk vind for disse dataene.Identifisering av variabiliteten av havparametere og undersøke deres forhold til klorofyll er avgjørende og viktig for havdynamikk og det marine økosystemet. Frontale aktiviteter er spesielt viktig fordi høy klorofyll er vanligvis forbundet med front. Endring kan finne sted for å endre terskelen for frontdeteksjon, og den beste tilnærmingen til å validere fronten er å sammenligne dem med instituttobservasjoner.Oppsummert kan bruk av satellittobservasjoner nøyaktig beskrive romlig fordeling og den timelige variasjonen i havoverflatefunksjoner. Med den økende oppløsningen av mer detaljerte funksjoner kan identifiseres og undersøkes i fremtiden.

Research

JoVE Journal

Environment

Protocol for Microplastics Sampling on the Sea Surface and Sample Analysis

Protokoll for Microplastics Prøvetaking på havoverflaten og Sample Analysis

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

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

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

Utarbeidelse av Authigenic svovelkis fra metan-bærende sedimenter for In Situ svovel isotop analyse ved hjelp av 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

Prosedyrer for laboratoriet utgassing til skadedyrbekjempelse med nitrogenoksid gass

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

Techniques for Investigating the Anatomy of the Ant Visual System

Teknikker for å undersøke anatomi av maur visuelle systemet

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

Spesifikk og nøyaktig påvisning av sitrus Greening patogen Candidatus liberibacter spp. bruke konvensjonelle PCR på sitrus blad vevsprøver

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

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

Metoder for avbildningsbasert undersøkelser av bunnlevende Macroinvertebrates og deres leveområder eksemplifisert ved Drop kameraet undersøkelsen for den atlantiske havet kamskjell

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

Anlegget infeksjon testen: Spray og såret-mediert Inoculation med anlegget patogen Magnaporthe Grisea

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

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

Eksperimentelle studier av forholdet mellom partikkelstørrelse og metan absorpsjon kapasitet i skifer

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

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

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

Valg og ingen valg bioassay for å studere Pupation preferanse og fremveksten suksess Ectropis klippefly

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

Utforming og bruk av et apparat for kvantifisere Bivalve suspensjon fôring på sjøen

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