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

O apoio do Programa Nacional de Pesquisa e Desenvolvimento da China (Nº 2016YFC1401601), do Programa de Pesquisa e Inovação em Práticas da Província de Jiangsu (Nº. SJKY19_0415) apoiada pelos Fundos Fundamentais de Pesquisa para as Universidades Centrais (nº 2019B62814), pela Fundação Nacional de Ciência Natural da China (nº 41890805, 41806026 e 41730536) e estudos marinhos e ecológicos avançados conjuntos na Baía de Bengala e no oceano Índico equatorial oriental foram muito reconhecidos. Os autores apreciam o fornecimento de dados de fontes como a National Aeronautics and Space Administration (NASA), o European Centre for Medium-Range Weather Forecasts (ECMWF), o Copernicus Marine and Environment Monitoring Service (CMEMS) e a National Oceanic and Atmospheric Administration (NOAA).

1. Aquisição de conjuntos de dados
<ol><li>SST e CHL<ol>
<li>Baixe um conjunto de observações por satélite para SST e CHL do MODIS-Aqua (podaac-tools.jpl.nasa.gov/), onde a resolução espacial de ambos os conjuntos de dados é de aproximadamente 4,5 km em intervalos diários. NOTA: Estruturar os diretórios e dados seguindo a pasta de scripts de exemplo disponível nos Arquivos Suplementares. Armazene os arquivos .nc dos dados do satélite na pasta 'Dados'. Adicione o caminho à caixa de ferramentas NetCDF no software de análise (ou seja, MATLAB). Selecione Adicionar com subpastas para incluir os caminhos da pasta 'UTILITIES' e suas subpastas.</li>
		<li>Determine o intervalo de tempo. Para manter a consistência entre diferentes conjuntos de dados, use o mesmo período de tempo para todos os parâmetros. Ajuste o período de tempo com base na cobertura temporal e use o período de observação mais longo entre diferentes conjuntos de dados. Para este protocolo, baixe 15 anos de dados de outubro de 2002 a setembro de 2017.</li>
		<li>Determine a cobertura espacial. NOTA: A região de estudo projetada está entre 105°E e 123°E e entre 0° e 25°N.</li>
		<li>Verifique as instruções de pré-processamento. Leia instruções nos arquivos .nc sobre os requisitos de pré-processamento dos dados SST e CHL (por exemplo, se o dimensionamento é necessário). NOTA: O conjunto de dados baixado já exclui dados sobre a terra e dentro de 5 km do litoral, bem como aqueles contaminados por nuvens.</li>
		<li>Carregue os dados SST e CHL no software de análise. Digite Read_MODIS_SST na janela de comando para ler os dados do SST. Da mesma forma, digite Read_MODIS_CHL na janela de comando para ler os dados chl. Transforme os dados CHL logaritmicamente porque eles têm uma distribuição log-normal31. NOTA: As variáveis carregadas incluem SST e CHL em três dimensões, representando localização meridional, localização zonal e tempo em dias, respectivamente. A gama de SSTs é entre -2 e 44, e a faixa de CHL é entre 0,01 e 20.</li>
	</ol></li>
	<li>Anomalia do nível do mar (SLA)<ol>
<li>Baixe dados diários da SLA com resolução espacial de 25 km de 2002-201732. NOTA: As SLAs descrevem a diferença entre as alturas observadas da superfície do mar e a altura média da superfície do mar ao longo de 20 anos (1993-2012) para um pixel correspondente. Os dados do SLA são processados pelo SSALTO/DUACS e distribuídos por Arquivamento, Validação e Interpretação de Dados Oceanográficos por Satélite (AVISO, https://www.aviso.altimetry.fr).</li>
		<li>Carregue dados no software de análise. Carregue dados SLA de um dia digitando Read_SLA na janela de comando. NOTA: A pasta 'Dados' nos Arquivos Suplementares inclui apenas um datum de amostra no script para ilustração.</li>
	</ol></li>
	<li>Velocidade do vento<ol>
<li>Obtenha as informações de vento de um produto de reanálise ERA-Provisória, que é um conjunto de dados de reanálise atmosférica global desenvolvido pelo European Center for Medium-Range Weather Forecasts (ECMWF)33. Baixe dados de vento para o mesmo período (outubro de 2002 a setembro de 2017) para manter a consistência com os dados chl e SST. NOTA: O conjunto de dados de vento tem uma resolução espacial de aproximadamente 25 km e foi interpolado a partir do conjunto de dados original com uma resolução espacial de aproximadamente 0,7°.</li>
		<li>Carregue dados no software de análise. Digite Read_WindVector na janela de comando para ler os dados de vento de um mês. Calcule a média mensal com a média dos dados originais, que está em intervalos de 6h.</li>
	</ol></li>
	<li>Topografia<ol>
<li>Baixe os dados de topografia de alta resolução do site do National Centers for Environmental Information (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). A resolução espacial é de ~2 km. Obtenha os dados ETOPO1 para base no formato XYZ para a região de estudo selecionada.</li>
		<li>Carregue dados no software de análise. Digite Read_topography na janela de comando para carregar os dados de topografia no software de análise.</li>
	</ol></li>
</ol>2. Pré-processamento de dados
<ol><li>Média temporal<ol>
<li>Devido à grande cobertura de nuvem nos dados SST e CHL, substitua os dados originais por dados médios de 3 dias. Para isso, depois de executar os scripts Read_MODIS_SST.m e Read_MODIS_CHL.m (passo 1.1.5), digite Temporal_average na janela de comando para executar o script.</li>
	</ol>
</li>
	<li>Interpolação na mesma grade<ol>
<li>Como a resolução espacial não é consistente para diferentes conjuntos de dados, interpole os dados SST e CHL em uma grade espacial que é a mesma que a grade espacial do vento e da SLA antes de fazer comparações. Depois de executar os scripts Temporal_average.m e Read_WindVector.m, digite Interpolation_grid na janela de comando para executar o script.</li>
	</ol>
</li>
	<li>Estresse do vento e enrolamento de estresse do vento<ol>
<li>Digite Wind_stress_curl na janela de comando para calcular o estresse do vento (WS) e o cacho de estresse do vento (WSC) usando as seguintes equações: <img alt="Equation 1" src="/files/ftp_upload/61172/61172equ01.jpg"> <img alt="Equation 2" src="/files/ftp_upload/61172/61172equ02.jpg"> onde <img alt="Equation 10" src="/files/ftp_upload/61172/icon01.jpg"> está o vetor de velocidade do vento; <img alt="Equation 10" src="/files/ftp_upload/61172/icon02.jpg"> é o WS na mesma direção do vetor de vento; <img alt="Equation 10" src="/files/ftp_upload/61172/icon03.jpg"> e estão os <img alt="Equation 10" src="/files/ftp_upload/61172/icon04.jpg"> WS nas direções leste e norte, respectivamente; <img alt="Equation 10" src="/files/ftp_upload/61172/icon05.jpg"> é a densidade do ar (igual a 1,2 kg/m3); e C é o coeficiente de arrasto (um valor de 0,0015 é usado) sob condições de estabilidade neutras34.</li>
	</ol>
</li>
	<li>Médias mensais<ol>
<li>Calcule as séries temporizadas SST, wind e SLA mensais como médias de 30 dias em cada pixel digitando Monthly_average para executar o script. Devido à alta taxa de cobertura em nuvem, use uma média de 60 dias como a série temporal mensal para CHL, incluindo 30 dias antes até 30 dias após o 15º dia do mês.</li>
	</ol>
</li>
</ol>3. Detecção frontal SST
<ol><li>Alisamento espacial<ol>
<li>Digite Spatial_smoothing para executar o script para mediar os dados SST de três dias em cada pixel. NOTA: Uma grande quantidade de ruído foi identificada nos dados do SST. Assim, os dados foram suavizadas com uma média espacial de 3 x 3. Quando não havia dados disponíveis nos dados médios originais de 3 dias, os dados da média espacial foram definidos como indisponíveis.</li>
	</ol>
</li>
	<li>Gradiente SST<ol>
<li>Digite SST_gradient para executar o script para calcular os gradientes SST zonais e meridionas (ou seja, Gx e Gy ,respectivamente)como a diferença SST entre os dois pixels mais próximos divididos pela distância correspondente via equação (3). Use o vetor de gradiente obtido para calcular o gradiente total, G, como uma equação seguinte escalar (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>Máximo local<ol>
<li>Identifique uma frente testando um valor de gradiente SST: rotule um pixel como um pixel frontal potencial se o valor for maior do que um limiar designado. Mantenha apenas o pixel máximo local na mesma direção perpendicular à direção gradiente se houver pixels conectados com valores maiores que o limiar. Aqui, defina o limiar como 0,035 °C/km após estudos anteriores10,28. NOTA: O script correspondente 'Local_maximum.m' está disponível nos Arquivos Suplementares.</li>
	</ol>
</li>
	<li>Probabilidade frontal mensal (FP) NOTA: A probabilidade frontal (FP) descreve a probabilidade de observar uma frente.<ol>
<li>Calcule o FP por um determinado período de tempo (neste caso, um intervalo mensal), digitando Monthly_FP para executar o script. Divida a ocorrência de frentes em cada pixel durante uma janela de tempo pelo número de dias livres de nuvens.</li>
	</ol>
</li>
</ol>4. Variabilidade espacial e temporal
<ol><li>Ciclo sazonal<ol>
<li>Calcule os ciclos sazonais de diferentes fatores como as médias de diferentes estações. Defina as estações da seguinte forma: o inverno é de dezembro a fevereiro, a primavera é de março a maio, o verão é de junho a agosto, e o outono é de setembro a novembro. NOTA: O ciclo sazonal não é mostrado neste estudo; o seguinte método é usado para explicar a variabilidade espacial e temporal.</li>
	</ol>
</li>
	<li>Função ortogonal empírica (EOF)<ol>
<li>Remova a média temporal e os pixels indisponíveis. Antes de conduzir o EOF, subtraia a média geral em cada pixel e exclui os locais onde as observações ausentes excedem 20% por causa da cobertura da nuvem. Carregue os dados digitando carga ('Monthly_data_for_EOF.mat') na janela de comando.</li>
		<li>Aplique um EOF para descrever as variabilidades espaciais e temporais de diferentes parâmetros. Tipo Empirical_orthogonal_function.m executar o script para calcular a magnitude (Mag), eigenvalues (Eig) e amplitude (Amp) dos EOFs para o conjunto de dados (ou seja, série temporal de SST médio mensal, estresse do vento, enrolamento de estresse do vento, CHL e FP). NOTA: A função decompõe a série temporal mensal em diferentes modos, que são compostos por padrões espaciais e temporais e a variância explicada por cada modo diminui com o aumento do número do modo.</li>
	</ol>
</li>
</ol>5. Intercorrelação
<ol><li>Correlação na escala sazonal<ol>
<li>Calcule as correlações entre dois fatores usando sua série de tempo em cada pixel digitando Seasonal_correlation para executar o script. Como o ciclo sazonal não é removido, verifique o significado da correlação para todas as correlações.</li>
	</ol>
</li>
	<li>Correlação de um campo anômal<ol>
<li>Calcule as correlações entre as anomalias mensais do CHL e outros fatores, como SST, WS, fronts e SLAs. Obtenha as anomalias mensais (ou seja, o desvio do estado médio) subtraindo a média geral por um mês correspondente da série temporal mensal. Digite Anomalous_correlation para executar o script e obter as correlações.</li>
	</ol>
</li>
</ol>6. Exibindo informações e calculando relacionamentos
<ol><li>Exibir informações de satélite.<ol>
<li>Digite Sat_SCS_Fig3457 para executar o script para gerar uma vitrine de informações de satélite, incluindo SST, CHL e distribuições frontais. Defina a pasta atual como 'scripts' onde os dados 'Sat_SCS_data.mat' estão localizados. NOTA: Figura 1, Figura 2, Figura 3e Figura 4 mostram SST, CHL, frentes, vento e topografia para a data selecionada como exemplo.</li>
	</ol>
</li>
	<li>Exibir o resultado do EOF digitando Sat_SCS_Fig890.m para executar o script. NOTA: Figura 5, Figura 6e Figura 7 descrevem a magnitude espacial, média mensal e série temporal dos dois primeiros modos para CHL, SST e frentes, respectivamente.</li>
	<li>Calcule a relação entre CHL e outros fatores em escalas de tempo sazonais e para campos anômalos digitando Sat_SCS_Fig1112.m para executar o script. Obter o mapa de correlação para variabilidades sazonais(Figura 8) e anomalias(Figura 9).</li>
</ol>

Os autores não têm nada a revelar.

Neste estudo, as principais características dos sistemas marinhos são descritas por meio de observações por satélite. O CHL, que pode ser usado para representar a produção oceânica, é selecionado como fator indicador. Fatores relacionados à variabilidade do CHL foram investigados utilizando-se séries temporáticas mensais médias, por exemplo, SST, WS, WSC, FP e SLA. Três etapas críticas estão descritas neste estudo: a aquisição de dados de satélite para diferentes parâmetros, a descrição de suas variabilidades espaciais e temporais via EOF e a determinação de inter-relações entre diferentes fatores pelo cálculo dos coeficientes de correlação. Está incluído um procedimento detalhado que mostra a identificação para distribuição frontal diária, derivado das observações do SST. Duas abordagens principais foram desenvolvidas para detecção frontal SST: o método gradiente10,38 e o método histograma39,40. O método histograma é baseado em uma gama semelhante de valores para SST, que pode ser usado para dividir as massas de água em diferentes grupos. Os pixels com valores entre diferentes grupos representando o pixel em uma banda de transição são definidos como fronts. Por outro lado, o método gradiente separa vários corpos de água relativamente uniformes como pixels com grandes valores gradientes. Um estudo de comparação foi realizado, e eles encontraram taxas falsas mais baixas usando o método histograma e menos frentes perdidas usando o método gradiente41. Neste estudo, o método de base gradiente38 foi adotado após estudos anteriores10,28. O algoritmo pode evitar o rompimento frontal em vários fragmentos de borda, permitindo que a magnitude diminua para um nível abaixo de um limiar menor. Além do conjunto de dados incluído aqui, outras observações por satélite, como o índice de aerossol, também podem ser usadas com uma abordagem semelhante.
A maioria dos procedimentos pode ser aplicada diretamente em outras regiões ou conjuntos de dados. A modificação pode ocorrer para alterar o limiar da detecção frontal. Como o gradiente SST no SCS é comparável ao Sistema de Corrente da Fronteira Oriental28,os mesmos limiares foram implementados para o presente estudo. Um estudo anterior revelou que o gradiente SST de diferentes conjuntos de dados pode variar até trêsvezes 42, o que torna o método de alguma forma menos objetivo. Estudos substanciais têm investigado atividades frontais ao redor dos oceanos globais28,43. A melhor abordagem para validar frentes é compará-las com observações in situ. Yao44 descreveu a distribuição frontal mensal para o SCS. Seus resultados concordaram bem com as medidas in situ. O gradiente geral deve ser verificado e ajustado, uma vez que seu valor pode variar dependendo da resolução espacial e dos instrumentos. Em particular, o limiar deve ser atualizado quando outro conjunto de dados SST for usado. A compreensão básica da dinâmica regional é fundamental para a compreensão da frontogênese45,46,47. O script de detecção frontal pode ser desenvolvido por autores individuais com base na descrição deste artigo.
As informações de satélite oferecem uma compreensão abrangente das características da superfície, e uma comparação de resultados com observações in situ pode ajudar na avaliação da credibilidade. No entanto, as observações por satélite estão limitadas à superfície oceânica, o que limita a aplicação para a compreensão da estrutura vertical da coluna de água. Em um estudo recente, observações por satélite revelaram que a superfície chl aumentou 15 vezes, mas o valor vertical integrado só aumentou 2,5 vezes48. Essa diferença foi porque o valor da superfície foi impactado pelos efeitos do crescimento fitoplâncton e do cardumes de MLD, resultando em um valor irrealizável na superfície. Assim, o recurso de superfície pode não oferecer uma descrição precisa para toda a coluna de água. Além disso, a influência da cobertura de nuvens limita as observações contínuas dos satélites. Assim, as séries tempores mensais são calculadas para diferentes fatores sobre a mesma região e mesmo período. Isso garantirá a credibilidade do cálculo das correlações entre diferentes fatores. No entanto, os eventos de curto período, por exemplo, tufões que duram alguns dias a uma semana, não serão resolvidos.
Em comparação com estudos anteriores, o método proposto pode oferecer informações espaciais no nível de pixel, o que pode ajudar a avaliar a dinâmica de forma mais detalhada. Alguns estudos anteriores mediaram toda a SCS como um único número e obtiveram uma série temporal. Eles descobriram que um WS extraordinariamente forte e SST alto pode induzir chl16anômalamente alto , o que é consistente com o resultado atual. No entanto, a variação espacial nas relações não foi resolvida. Neste estudo, a correlação em escala de bacia entre SMC e CHL foi fraca no campo anômo. Uma grande correlação significativa só foi identificada para determinadas áreas, por exemplo, no centro da SCS (Figura 9B). Assim, o método atual oferece uma descrição abrangente para investigar variações espaciais. Da mesma forma, observações de dois carros alegóricos Bio-Argo foram utilizadas e revelaram que o WSC não se correlacionava com a variabilidade do CHL20. No entanto, as trajetórias dos dois carros alegóricos estão localizadas apenas em determinadas regiões. Neste caso, foi exatamente dentro da faixa onde a correlação entre o nível de CHL e o WSC não foi significativa (Figura 8D). O método proposto é muito útil para resolver a dependência espacial entre os fatores, característica fundamental do oceano global.
Em resumo, o método aqui utilizado pode descrever com precisão a distribuição espacial e a variabilidade temporal nas características da superfície oceânica usando observações por satélite. Com a resolução crescente de conjuntos de dados de satélite, recursos mais detalhados podem ser identificados e investigados, o que permite uma compreensão geral das características regionais, incluindo CHL, SST e SSH. A correlação da série temporal mensal entre diferentes fatores pode auxiliar na compreensão de suas relações dinâmicas e potencial impacto em um ecossistema49. Como a correlação pode variar em grande parte em diferentes locais espaciais, o método proposto oferece uma descrição detalhada e abrangente. Uma abordagem semelhante pode ser aplicada a qualquer bacia oceânica em todo o mundo, o que será muito útil para melhorar a compreensão da dinâmica marinha e dos ecossistemas.

A tecnologia de sensoriamento remoto oferece ótimos conjuntos de dados com grandes escalas espaciais e longos períodos para descrever ambientes marinhos. Com a crescente resolução espacial dos satélites, características detalhadas são agora resolvidas da escala regional para algumas centenas de metros1,2. Uma melhor compreensão da dinâmica marinha pode ser alcançada com as observações de satélite mais atualizadas3.
Ao incorporar vários sensores em uma plataforma de sensoriamento remoto, uma descrição abrangente de diferentes parâmetros é possível. A temperatura da superfície do mar (SST) é o parâmetro básico observado há mais de meio século4. Recentemente, observações para clorofila-a da superfície do mar (CHL) tornaram-se disponíveis e podem ser usadas para descrever a produtividade marinha5. Os satélites de altimetria são usados para medir a altura da superfície do mar6,7, o que está fortemente relacionado com as atividades de eddy mesoescala no oceano global8,9. Além dos redemoinhos, as atividades frontais também são importantes para impactar a dinâmica regional e a produção primária10.
O foco principal do presente estudo é encontrar um procedimento padrão para descrever a distribuição espacial e as variabilidades temporais de diferentes fatores oceânicos. Neste método, SST, CHL, SSH e dados frontais, derivados de gradientes SST, são analisados para determinar padrões. Em particular, o CHL é usado para representar a produtividade do oceano, e um método é introduzido para investigar a relação entre chl e outros parâmetros oceânicos. Para validar o método, utilizou-se o período entre outubro de 2002 e setembro de 2017 no Mar do Sul da China para examinar todos os parâmetros. O método pode ser facilmente usado para outras regiões ao redor do mundo para capturar os principais padrões oceânicos e explorar como a dinâmica marinha impacta o ecossistema.
O Mar do Sul da China (SCS) foi designado como a região de estudo devido à sua taxa de cobertura relativamente alta de observações por satélite. O SCS é abundante em radiação solar; assim, o CHL é determinado principalmente pela disponibilidade de nutrientes11,12. Com mais nutrientes sendo transportados para a camada eufóbica, os níveis de CHL podem aumentar13. A mistura, induzida pelo vento, pode introduzir nutrientes na superfície do oceano e melhorar o CHL14. O SCS é dominado exclusivamente por um sistema eólico de monções, que determina a dinâmica e o ecossistema na região. O vento de monção é mais forte durante o inverno15. No verão, os ventos mudam de direção e as velocidades dos ventos são muito mais fracas do que as do inverno16,17. A intensidade do vento pode determinar a força da mistura vertical, de modo que a profundidade da camada mista (MLD) se aprofunda à medida que o vento aumenta no inverno e se torna mais raso à medida que o vento diminui no verão18. Assim, mais nutrientes são transportados para a camada eufóbica durante o inverno, quando o vento é forte19 e o CHL atinge seu ponto mais alto do ano20,21.
Além do vento, o MLD também pode ser determinado utilizando outros fatores, como anomalias do nível do mar e SST (SLAs), que acabam impactando o teor de nutrientes e o CHL22. Durante o inverno, o gradiente vertical fraco está associado a baixas temperaturas na superfície20. O MLD correspondente é profundo e mais nutrientes podem ser transportados para cima; assim, o CHL na camada superficial é alto17. Uma variação crescente nos níveis de CHL pode ser atribuída aos redemoinhos de mesoesoescala, que induzem o transporte vertical e a misturade 23. Upwelling é geralmente encontrado em redemoinhos ciclônicos associados a SLAs deprimidas8,9 e concentrações de CHL elevadas24. Downwelling é geralmente encontrado em redemoinhos anticiclônicos associados a concentrações de SLAs8,9 e CHL deprimidas24. Para outras estações, o MLD torna-se raso, e a mistura torna-se fraca; assim, pode-se observar baixo CHL sobre a maior parte da bacia25. Os ciclos sazonais dos níveis de CHL são posteriormente predominantes para a região26.
Além da mistura, frentes e seus aumentos costeiros associados podem modular ainda mais o CHL. A frente, que é definida como um limite de diferentes massas de água, é importante para determinar a circulação regional e as respostas do ecossistema27. A frontogênese é geralmente associada à elevação costeira e à convergência28,29, que pode induzir nutrientes e elevar o crescimento do fitoplâncton30. Diferentes algoritmos foram desenvolvidos para identificar automaticamente frentes a partir de observações por satélite, incluindo métodos de gradiente histograma e SST. Esta última abordagem é adotada neste estudo28.
A correlação de séries temporais entre CHL e diferentes fatores oferece grandes insights para quantificar seu relacionamento. O presente estudo oferece uma descrição abrangente de como usar observações por satélite para revelar a dinâmica marinha regional relacionada à produtividade. Esta descrição pode ser usada como um guia para investigar os processos superficiais em qualquer parte do oceano. A estrutura deste artigo inclui um protocolo passo a passo, seguido de resultados descritivos no texto e nos números. A aplicabilidade, além dos prós e contras do método, são posteriormente discutidas.

<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

Observações por satélite oferecem uma grande abordagem para investigar as características dos principais parâmetros marinhos, incluindo clorofila da superfície do mar (CHL), temperatura da superfície do mar (SST), altura da superfície do mar (SSH) e fatores derivados desses parâmetros (por exemplo, frentes). Este estudo mostra um procedimento passo a passo para usar observações por satélite para descrever os principais parâmetros e suas relações em campos sazonais e anômalos. Este método é ilustrado usando conjuntos de dados de satélite de 2002 a 2017 que foram usados para descrever as características da superfície do Mar do Sul da China (SCS). Devido à cobertura em nuvem, foram utilizados dados médios mensais neste estudo. A função ortogonal empírica (EOF) foi aplicada para descrever a distribuição espacial e as variabilidades temporais de diferentes fatores. O vento das monções domina a variabilidade na bacia. Assim, o vento do conjunto de dados da reanálise foi utilizado para investigar sua força motriz em diferentes parâmetros. A variabilidade sazonal no CHL foi proeminente e significativamente correlacionada com outros fatores na maioria da SCS. No inverno, uma forte monção nordeste induz uma camada profunda mista e alto nível de clorofila em toda a bacia. Coeficientes de correlação significativos foram encontrados entre os fatores do ciclo sazonal. No verão, os altos níveis de CHL foram encontrados principalmente no SCS ocidental. Em vez de uma dependência sazonal, a região foi altamente dinâmica, e fatores correlacionaram-se significativamente em campos anômalos, de tal forma que níveis de CHL extraordinariamente altos estavam associados a ventos anormalmente fortes e atividades frontais intensas. O estudo apresenta um procedimento passo a passo para o uso de observações por satélite para descrever os principais parâmetros e suas relações em campos sazonais e anômalos. O método pode ser aplicado a outros oceanos globais e será útil para entender a dinâmica marinha.

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

Clorofila da superfície do mar, temperatura, altura do nível do mar, vento e dados frontais obtidos ou derivados de observações por satélite oferecem uma maneira eficaz de caracterizar o oceano. Apresentado é um método para o estudo abrangente desses dados, incluindo análises gerais de ciclo médio, sazonal e intercorrelação, para compreender plenamente a dinâmica regional e os ecossistemas.

Investigando a relação entre clorofila da superfície do mar e principais características do Mar do Sul da China com informações de satélite

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

Observações por satélite oferecem uma grande abordagem para investigar as características dos principais parâmetros marinhos, incluindo clorofila e temperatura da superfície do mar, altura da superfície do mar e os fatores derivados desses parâmetros, como frentes. Nosso estudo mostra como usar observações por satélite para descrever os principais parâmetros e suas relações. A ciência de dados de satélite de 2002 a 2017 foi usada para descrever as características da superfície do Mar do Sul da China.A observação por satélite da clorofila é fator, que é usado para a proteção dos oceanos. Fatores relacionados à variabilidade da clorofila foram investigados por meio de séries temporais. O método pode ser aplicado a outros oceanos globais e será útil para entender a dinâmica marinha e o ecossistema.Mostramos um procedimento passo a passo para a aquisição de dados de satélite de diferentes parâmetros descrevendo as variabilidades espaciais e temporais e determinando inter-relações entre diferentes fatores. Variabilidades espaciais e temporais de parâmetros são obtidas. São função ortogonal empírica e a inter-relação entre diferentes fatores são adquiridas por coeficientes de correlação zero.Para a aquisição de dados de clorofila da superfície do mar e da superfície do mar, baixe um conjunto de observações por satélite do MODIS Aqua, para o qual a resolução espacial de ambos os conjuntos de dados é de aproximadamente 4,5 quilômetros em intervalos diários. Armazene os arquivos de satélite baixados na pasta de dados e estruture o diretório de pastas, como mostrado. Adicione o caminho da caixa de ferramentas para o arquivo NetCDF no MATLAB e selecione adicionar com subpastas para incluir os caminhos da pasta scripts.O caminho para todos os diretórios necessários dos dados e funções aparecerá no caminho de pesquisa do MATLAB. Em seguida, carregue os dados da temperatura da superfície do mar no software de análise. Para aquisição do conjunto de dados de anomalias do nível do mar, baixe dados diários de anomalia do nível do mar com uma resolução espacial de 25 quilômetros a partir do mesmo período de tempo e insira o comando para carregar os dados de anomalia do nível do mar de um único dia.Para obter os dados de velocidade do vento, baixe os dados de vento do mesmo período de tempo de um produto de re-análise provisória da ERA e insira o comando para ler os dados de vento de um mês. As variáveis u, v e tempo obtidas representam as velocidades zonal e meridiana e o tempo correspondente, respectivamente. Para acessar o conjunto de dados de topografia, baixe os dados de topografia de alta resolução do site dos Centros Nacionais de Informações Ambientais e insira o comando para carregar os dados de topografia no software de análise.As variáveis XX, YY e ZZ indicam a latitude, a longitude e a profundidade correspondente, respectivamente. Devido à grande cobertura de nuvens na temperatura da superfície do mar e dados de clorofila da superfície do mar, use o comando para substituir os dados originais pelos dados médios de três dias. Como a resolução espacial não é consistente para diferentes conjuntos de dados, entre no comando para interpolar a temperatura da superfície do mar e os dados de clorofila da superfície do mar em uma grade espacial que é a mesma que a grade espacial de anomalia do vento e do nível do mar.Digite o comando como indicado para calcular o estresse do vento e o enrolamento do estresse do vento. Para calcular a temperatura mensal da superfície do mar, o vento e a série de tempo de anomalia do nível do mar como médias de 30 dias em cada pixel, digite o comando como indicado. Para suavização espacial, digite o comando para executar o script para suavizar os dados médios de temperatura da superfície do mar de três dias em cada pixel.Para determinar o gradiente da temperatura da superfície do mar, digite o comando para executar o script para calcular todos os gradientes de temperatura da superfície do mar como a diferença de temperatura da superfície do mar entre os dois pixels mais próximos divididos pela distância correspondente. Para identificar uma frente testando o valor do gradiente de temperatura da superfície do mar, rotule o pixel como um pixel frontal potencial se o valor fosse maior do que um limiar designado. Para calcular a probabilidade frontal mensal de observar uma frente, entre no comando.Para carregar os dados mensais para análise, digite os comandos e aplique uma função ortogonal empírica para descrever as variabilidades espaciais e temporais dos diferentes parâmetros. O programa calculará a magnitude, os valores de eigen e a amplitude das funções ortogonais empíricas para o conjunto de dados. Para determinar a correlação na escala sazonal, digite o comando para calcular as correlações entre dois fatores usando sua série de tempo em cada pixel.Em seguida, entre no comando para calcular as correlações entre as anomalias mensais da clorofila da superfície do mar e outros fatores. Para exibir as informações do satélite, entre no comando para executar o script para gerar uma vitrine de informações de satélite, incluindo clorofila da superfície do mar, temperatura e vento, e anomalia do nível do mar e distribuição frontal. Digite o comando para exibir o resultado da função ortogonal empírica.Em seguida, entre no comando como indicado para calcular a relação entre a clorofila e outros fatores em campos sazonais e anômalos. A topografia tem um impacto proeminente na distribuição espacial da clorofila da superfície do mar com clorofila de superfície do mar elevada distribuída principalmente ao longo da costa do Mar do Sul da China, onde a topografia é rasa. O vento também é influenciado pela orografia com o lado de locação de montanhas caracterizado pelo vento fraco e um proeminente cacho de estresse de vento identificado a sudoeste do Mar do Sul da China.Os limiares aplicados aqui efetivamente capturam a localização da frente e garantem a representação dos limites de massas de água inteiras. Nesta análise, a função ortogonal empírica capturou uma grande variância na seção norte do Mar do Sul da China. A média mensal correspondente da série temporal mostrou que a clorofila da superfície do mar foi elevada durante o inverno e deprimida durante o verão.A região próxima à costa sudoeste foi caracterizada por uma magnitude fraca, e a variabilidade correspondente foi capturada principalmente pela função ortogonal empírica dois. Os valores de clorofila da superfície do mar foram elevados no verão e baixos no inverno, que estava principalmente fora de fase em comparação com a região norte. De fato, a série temporal mensal para as funções ortogonais empíricas demonstrou clara variabilidade sazonal com função ortogonal empírica duas principais funçãos ortogonais empíricas uma por aproximadamente quatro meses.As correlações entre a clorofila e outros fatores representam as inter-relações dos fatores. Por exemplo, nesta análise, a temperatura da superfície do mar está negativamente correlacionada com a clorofila, enquanto o estresse do vento está positivamente correlacionado com a clorofila. Assim, uma alta clorofila foi associada a uma baixa temperatura e vento forte para esses dados.Identificar a variabilidade dos parâmetros oceânicos e investigar sua relação com a clorofila são fundamentais e importantes para a dinâmica oceânica e o ecossistema marinho. Atividades frontais são particularmente importantes porque a alta clorofila é geralmente associada à frente. A modificação pode ocorrer para alterar o limiar da detecção frontal e a melhor abordagem para validar a frente é compará-las com observações do instituto.Em resumo, o uso de observações por satélite pode descrever com precisão a distribuição espacial e a variabilidade temporal nas características da superfície oceânica. Com a resolução crescente de recursos mais detalhados pode ser identificado e investigado no futuro.

Research

JoVE Journal

Environment

Protocol for Microplastics Sampling on the Sea Surface and Sample Analysis

Protocolo para Microplásticos Amostragem na superfície do mar e análise de amostras

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

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

Preparação de pirita Authigenic de sedimentos de metano-rolamento para In Situ enxofre isótopo análise usando o 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

Procedimentos de laboratório de fumigação para controle de pragas com gás de óxido nítrico

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

Técnicas para investigar a anatomia do sistema Visual de formiga

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

Específicos e detecção precisa do Using PCR convencional em amostras de tecido de folhas cítricas cítricas Greening patógeno 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

Métodos para pesquisas com base em imagem de macroinvertebrados bentônicos e seu Habitat, exemplificado pela pesquisa câmera Drop para o Oceano Atlântico Vieira

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

O teste de infecção da planta: Spray e inoculação mediada por ferimento com o de patógeno vegetal 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

Estudo experimental da relação entre o tamanho de partícula e capacidade de adsorção de metano em xisto

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

Escolha e bioensaios não-escolha para estudar a preferência de pupa e sucesso de surgimento de Ectropis grisescens

Many insects live above the ground as larvae and adults and as pupate below the ground. Compared to the above-ground stages of their life cycles, less ...

Design and Use of an Apparatus for Quantifying Bivalve Suspension Feeding at Sea

Concepção e utilização de aparelhagem para quantificar a suspensão bivalves alimentação no mar

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