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

El apoyo del Programa Nacional de Investigación y Desarrollo Clave de China (No 2016YFC1401601), el Programa de Investigación y Práctica de Posgrado de la Provincia de Jiangsu (No. SJKY19_0415) con el apoyo de los Fondos de Investigación Fundamental para las Universidades Centrales (No 2019B62814), la Fundación Nacional de Ciencias Naturales de China (No 41890805, 41806026 y 41730536) y los Estudios Marinos y Ecológicos Avanzados Conjuntos en la Bahía de Bengala y el Océano Indico Ecuatorial oriental fueron reconocidos en gran medida. Los autores aprecian el suministro de datos de fuentes como la Administración Nacional de Aeronáutica y del Espacio (NASA), el Centro Europeo de Pronósticos Meteorológicos de Medio Alcance (ECMWF), el Servicio de Vigilancia Marina y Ambiental de Copérnico (CMEMS) y la Administración Nacional Oceánica y Atmosférica (NOAA).

1. Adquisición de conjuntos de datos
<ol><li>SST y CHL<ol>
<li>Descargue un conjunto de datos de observaciones por satélite para SST y CHL desde MODIS-Aqua (podaac-tools.jpl.nasa.gov/), donde la resolución espacial de ambos datasets es de aproximadamente 4,5 km a intervalos diarios. NOTA: Estructurar los directorios y los datos siguiendo la carpeta de scripts de ejemplo disponible en Archivos suplementarios. Almacene los archivos .nc de los datos satélite en la carpeta 'Datos'. Agregue la ruta a la caja de herramientas NetCDF en el software de análisis (es decir, MATLAB). Seleccione Agregar con subcarpetas para incluir las rutas de la carpeta 'UTILITIES' y sus subcarpetas.</li>
		<li>Determine el intervalo de tiempo. Para mantener la coherencia entre diferentes conjuntos de datos, utilice el mismo intervalo de tiempo para todos los parámetros. Ajuste el intervalo de tiempo en función de la cobertura temporal y utilice el período de observación más largo entre diferentes conjuntos de datos. Para este protocolo, descargue 15 años de datos de octubre de 2002 a septiembre de 2017.</li>
		<li>Determinar la cobertura espacial. NOTA: La región de estudio diseñada se encuentra entre 105o E y 123oE y entre 0o y 25oN.</li>
		<li>Compruebe las instrucciones de preprocesamiento. Lea las instrucciones de los archivos .nc con respecto a los requisitos de preprocesamiento de los datos SST y CHL (por ejemplo, si es necesario escalar). NOTA: El conjunto de datos descargado ya excluye los datos sobre la tierra y dentro de 5 km de la costa, así como los contaminados por nubes.</li>
		<li>Cargue datos SST y CHL en el software de análisis. Escriba Read_MODIS_SST en la ventana de comandos para leer los datos SST. De forma similar, escriba Read_MODIS_CHL en la ventana de comandos para leer los datos de CHL. Transforme los datos CHL logarítmicamente porque tienen una distribución log-normal31. NOTA: Las variables cargadas incluyen SST y CHL en tres dimensiones, que representan la ubicación meridional, la ubicación zonal y la hora en días, respectivamente. El rango de SSTs está entre -2 y 44, y el rango de CHL está entre 0.01 y 20.</li>
	</ol></li>
	<li>Anomalía del nivel del mar (SLA)<ol>
<li>Descargue datos de SLA diarios con una resolución espacial de 25 km de 2002 a 201732. NOTA: Los SLA describen la diferencia entre las alturas de superficie marina observadas y la altura media de la superficie del mar durante 20 años (1993-2012) para un píxel correspondiente. Los datos del SLA son procesados por SSALTO/DUACS y distribuidos por Archiving, Validación e Interpretación de Datos Oceanográficos Por Satélite (AVISO, https://www.aviso.altimetry.fr).</li>
		<li>Cargue datos en el software de análisis. Cargue datos de SLA de un solo día escribiendo Read_SLA en la ventana de comandos. NOTA: La carpeta 'Datos' de los archivos suplementarios solo incluye un dato de ejemplo en el script para ilustrar.</li>
	</ol></li>
	<li>Velocidad del viento<ol>
<li>Obtenga la información eólica de un producto de reanálisis ERA-Interim, que es un conjunto de datos global de reanálisis atmosférico desarrollado por el Centro Europeo de Pronósticos Meteorológicos de Medio Alcance (ECMWF)33. Descargue los datos de viento para el mismo período (octubre 2002-septiembre de 2017) para mantener la coherencia con los datos de CHL y SST. NOTA: El dataset de viento tiene una resolución espacial de aproximadamente 25 km y se interpola desde el dataset original con una resolución espacial de aproximadamente 0,7o.</li>
		<li>Cargue datos en el software de análisis. Escriba Read_WindVector en la ventana de comandos para leer los datos de viento de un mes. Calcule la media mensual promediando los datos originales, que es a intervalos de 6 h.</li>
	</ol></li>
	<li>Topografía<ol>
<li>Descargue los datos de topografía de alta resolución del sitio web de los Centros Nacionales de Información Ambiental (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). La resolución espacial es de 2 km. Obtenga los datos ETOPO1 para la base en formato XYZ para la región de estudio seleccionada.</li>
		<li>Cargue datos en el software de análisis. Escriba Read_topography en la ventana de comandos para cargar los datos de topografía en el software de análisis.</li>
	</ol></li>
</ol>2. Preprocesamiento de datos
<ol><li>Promedio temporal<ol>
<li>Debido a la gran cobertura de nube en los datos SST y CHL, reemplace los datos originales por datos promedio de 3 días. Para ello, después de ejecutar los scripts Read_MODIS_SST.m y Read_MODIS_CHL.m (paso 1.1.5), escriba Temporal_average en la ventana de comandos para ejecutar el script.</li>
	</ol>
</li>
	<li>Interpolación en la misma cuadrícula<ol>
<li>Dado que la resolución espacial no es coherente para diferentes datasets, interpolar los datos SST y CHL en una cuadrícula espacial que sea la misma que la cuadrícula espacial de viento y SLA antes de realizar comparaciones. Después de ejecutar los scripts Temporal_average.m y Read_WindVector.m, escriba Interpolation_grid en la ventana de comandos para ejecutar el script.</li>
	</ol>
</li>
	<li>El estrés del viento y el rizo del estrés del viento<ol>
<li>Escriba Wind_stress_curl en la ventana de comandos para calcular la tensión del viento (WS) y el rizo de tensión del viento (WSC) utilizando las siguientes ecuaciones: <img alt="Equation 1" src="/files/ftp_upload/61172/61172equ01.jpg"> <img alt="Equation 2" src="/files/ftp_upload/61172/61172equ02.jpg"> donde <img alt="Equation 10" src="/files/ftp_upload/61172/icon01.jpg"> está el vector de velocidad del viento; es el <img alt="Equation 10" src="/files/ftp_upload/61172/icon02.jpg"> WS en la misma dirección que el vector de viento; <img alt="Equation 10" src="/files/ftp_upload/61172/icon03.jpg"> y son el <img alt="Equation 10" src="/files/ftp_upload/61172/icon04.jpg"> WS en las direcciones este y norte, respectivamente; <img alt="Equation 10" src="/files/ftp_upload/61172/icon05.jpg"> es la densidad del aire (igual a 1,2 kg/m3); y C es el coeficiente de arrastre (se utiliza un valor de 0.0015) en condiciones de estabilidad neutra34.</li>
	</ol>
</li>
	<li>Promedios mensuales<ol>
<li>Calcule las series temporales mensuales SST, wind y SLA como promedios de 30 días en cada píxel escribiendo Monthly_average para ejecutar el script. Debido a la alta tasa de cobertura de nubes, utilice un promedio de 60 días como la serie de tiempo mensual para CHL, incluidos 30 días antes a 30 días después deldía 15 del mes.</li>
	</ol>
</li>
</ol>3. Detección frontal SST
<ol><li>Suavizado espacial<ol>
<li>Escriba Spatial_smoothing para ejecutar el script para promediar los datos SST de tres días en cada píxel. NOTA: Se identificó una gran cantidad de ruido en los datos SST. Por lo tanto, los datos se suavizaron con un promedio espacial de 3 x 3. Cuando no había datos disponibles en los datos promediados originales de 3 días, los datos promediados espaciales se establecieron como no disponibles.</li>
	</ol>
</li>
	<li>Gradiente SST<ol>
<li>Escriba SST_gradient ejecutar el script para calcular los gradientes SST zonales y meridionales (es decir, Gx y Gy, respectivamente) como la diferencia SST entre los dos píxeles más cercanos divididos por la distancia correspondiente a través de la ecuación (3). Utilice el vector de degradado obtenido para calcular el degradado total, G, como un escalar siguiente ecuación (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 un frente probando un valor de degradado SST: etiquete un píxel como un píxel frontal potencial si el valor es mayor que un umbral designado. Mantenga solo el píxel máximo local en la misma dirección perpendicular a la dirección del degradado si hay píxeles conectados con valores mayores que el umbral. Aquí, defina el umbral como 0,035 oC/km después de los estudios anteriores10,28. NOTA: El script correspondiente 'Local_maximum.m' está disponible en los archivos suplementarios.</li>
	</ol>
</li>
	<li>Probabilidad frontal mensual (FP) NOTA: La probabilidad frontal (FP) describe la probabilidad de observar un frente.<ol>
<li>Calcule el FP para un intervalo de tiempo determinado (en este caso, un intervalo mensual), escribiendo Monthly_FP para ejecutar el script. Divida la aparición de frentes en cada píxel durante una ventana de tiempo por el número de días que están libres de nubes.</li>
	</ol>
</li>
</ol>4. Variabilidad espacial y temporal
<ol><li>Ciclo estacional<ol>
<li>Calcular los ciclos estacionales de diferentes factores como los promedios de diferentes estaciones. Definir las estaciones de la siguiente manera: el invierno es de diciembre a febrero, la primavera es de marzo a mayo, el verano es de junio a agosto, y el otoño es de septiembre a noviembre. NOTA: El ciclo estacional no se muestra en este estudio; el siguiente método se utiliza para explicar la variabilidad espacial y temporal en su lugar.</li>
	</ol>
</li>
	<li>Función ortogonal empírica (EOF)<ol>
<li>Elimine el promedio temporal y los píxeles no disponibles. Antes de realizar el EOF, reste la media general en cada píxel y excluya las ubicaciones donde faltan observaciones superiores al 20% debido a la cobertura de la nube. Cargue los datos escribiendo load('Monthly_data_for_EOF.mat') en la ventana de comandos.</li>
		<li>Aplique un EOF para describir las variidades espaciales y temporales de diferentes parámetros. Escriba Empirical_orthogonal_function.m ejecutar el script para calcular la magnitud (Mag), los valores propios (Eig) y la amplitud (Amp) de los EOF para el conjunto de datos (es decir, series temporales de SST promediado mensual, tensión del viento, rizo de tensión del viento, CHL y FP). NOTA: La función descompone la serie temporal mensual en diferentes modos, que se componen de patrones espaciales y temporales y la varianza explicada por cada modo disminuye con el número de modo creciente.</li>
	</ol>
</li>
</ol>5. Intercorrelación
<ol><li>Correlación a escala estacional<ol>
<li>Calcule las correlaciones entre dos factores utilizando su serie temporal en cada píxel escribiendo Seasonal_correlation para ejecutar el script. Dado que no se elimina el ciclo estacional, compruebe la importancia de la correlación para todas las correlaciones.</li>
	</ol>
</li>
	<li>Correlación de un campo anómalo<ol>
<li>Calcule las correlaciones entre las anomalías mensuales de CHL y otros factores, como SST, WS, frentes y SLA. Obtenga las anomalías mensuales (es decir, la desviación del estado medio) restando el promedio general de un mes correspondiente de la serie temporal mensual. Escriba Anomalous_correlation para ejecutar el script y obtener las correlaciones.</li>
	</ol>
</li>
</ol>6. Visualización de información y cálculo de relaciones
<ol><li>Mostrar información del satélite.<ol>
<li>Escriba Sat_SCS_Fig3457 ejecutar el script para generar un escaparate de información de satélite, incluidas SST, CHL y distribuciones frontales. Establezca la carpeta actual como 'scripts' donde se encuentran los datos 'Sat_SCS_data.mat'. NOTA: La Figura 1, la Figura 2, la Figura 3y la Figura 4 muestran SST, CHL, frentes, viento y topografía para la fecha seleccionada como ejemplo.</li>
	</ol>
</li>
	<li>Muestre el resultado de EOF escribiendo Sat_SCS_Fig890.m para ejecutar el script. NOTA: La Figura 5, la Figura 6y la Figura 7 describen la magnitud espacial, el promedio mensual y las series temporales de los dos primeros modos para CHL, SST y frentes, respectivamente.</li>
	<li>Calcule la relación entre CHL y otros factores en escalas de tiempo estacionales y para campos anómalos escribiendo Sat_SCS_Fig1112.m para ejecutar el script. Obtenga el mapa de correlación para las variabilidades estacionales (Figura 8) y anomalías (Figura 9).</li>
</ol>

Los autores no tienen nada que revelar.

En este estudio, las principales características de los sistemas marinos se describen mediante observaciones satelitales. El CHL, que se puede utilizar para representar la producción oceánica, se selecciona como un factor indicador. Se investigaron factores relacionados con la variabilidad de LA CHL utilizando series temporales medias mensuales, por ejemplo, SST, WS, WSC, FP y SLA. En este estudio se describen tres pasos críticos: la adquisición de datos satelitales para diferentes parámetros, la descripción de sus variaciones espaciales y temporales a través de EOF y la determinación de interrelaciones entre diferentes factores mediante el cálculo de coeficientes de correlación. Se incluye un procedimiento detallado que muestra la identificación para la distribución frontal diaria, que se deriva de las observaciones del SST. Se han desarrollado dos enfoques principales para la detección frontal SST: el método de gradiente10,38 y el método de histograma39,40. El método histograma se basa en un rango similar de valores para SST, que se puede utilizar para dividir las masas de agua en diferentes grupos. Los píxeles con valores entre diferentes grupos que representan el píxel en una banda de transición se definen como frentes. Por otro lado, el método de degradado separa varios cuerpos de agua relativamente uniformes como píxeles con valores de degradado grandes. Se llevó a cabo un estudio de comparación, y encontraron tasas falsas más bajas utilizando el método histograma y menos frentes perdidos utilizando el método de gradiente41. En este estudio, el método basado en gradiente38 fue adoptado después de los estudios anteriores10,28. El algoritmo puede evitar la ruptura frontal en varios fragmentos de borde al permitir que la magnitud disminuya a un nivel por debajo de un umbral más pequeño. Además del conjunto de datos incluido aquí, otras observaciones por satélite, como el índice de aerosoles, también se pueden utilizar con un enfoque similar.
La mayoría de los procedimientos se pueden aplicar directamente en otras regiones o conjuntos de datos. La modificación puede tener lugar para cambiar el umbral de la detección frontal. Dado que el gradiente SST en el SCS es comparable con el Sistema Actual de Límites Orientales28,se implementaron los mismos umbrales para el estudio actual. Un estudio anterior reveló que el gradiente SST de diferentes conjuntos de datos puede variar hasta tres veces42,lo que hace que el método de alguna manera sea menos objetivo. Estudios sustanciales han investigado las actividades frontales alrededor de los océanos globales28,43. El mejor enfoque para validar frentes es compararlos con observaciones in situ. Yao44 describió la distribución frontal mensual para el SCS. Sus resultados coincidieron bien con las mediciones in situ. El gradiente general debe comprobarse y ajustarse, ya que su valor puede variar en función de la resolución espacial y los instrumentos. En particular, el umbral debe actualizarse cuando se utiliza otro conjunto de datos SST. Una comprensión básica de la dinámica regional es fundamental para entender la frontogénesis45,46,47. El script de detección frontal puede ser desarrollado por autores individuales basado en la descripción de este artículo.
La información satelital ofrece una comprensión completa de las características de la superficie, y una comparación de resultados con observaciones in situ puede ayudar a evaluar la credibilidad. Sin embargo, las observaciones satelitales se limitan a la superficie del océano, lo que limita la aplicación para entender la estructura vertical de la columna de agua. En un estudio reciente, las observaciones satelitales revelaron que la superficie CHL aumentó en 15 veces, pero el valor integrado vertical sólo aumentó en 2,5 veces48. Esta diferencia se debió a que el valor de la superficie se vio afectado por los efectos del crecimiento del fitoplancton y el cardo de MLD, lo que resultó en un valor irrealizable en la superficie. Por lo tanto, es posible que la entidad de superficie no ofrezca una descripción precisa para toda la columna de agua. Además, la influencia de la cobertura de nubes limita las observaciones continuas de los satélites. Por lo tanto, las series temporales mensuales se calculan para diferentes factores en la misma región y el mismo período. Esto garantizará la credibilidad de calcular las correlaciones entre diferentes factores. Sin embargo, los eventos de corto plazo, por ejemplo, tifones que duran de unos días a una semana, no se resolverán.
En comparación con estudios anteriores, el método propuesto puede ofrecer información espacial a nivel de píxel, lo que puede ayudar a evaluar la dinámica de una manera más detallada. Algunos estudios anteriores promediaron todo el SCS como un solo número y obtuvieron una serie temporal. Encontraron que un WS inusualmente fuerte y un SST alto pueden inducir CHL16anómalamente alto, que es consistente con el resultado actual. Sin embargo, la variación espacial en las relaciones no se resolvió. En este estudio, la correlación a escala de cuenca entre WS y CHL fue débil en el campo anómalo. Sólo se identificó una gran correlación significativa para ciertas áreas, por ejemplo, en el centro del SCS (Figura 9B). Por lo tanto, el método actual ofrece una descripción completa para investigar las variaciones espaciales. Del mismo modo, se utilizaron observaciones de dos flotadores Bio-Argo y revelaron que WSC no se correlacionaba con la variabilidad de CHL20. Sin embargo, las trayectorias de los dos flotadores sólo se encuentran en ciertas regiones. En este caso, fue exactamente dentro de la banda donde la correlación entre el nivel de CHL y el WSC no era significativa (Figura 8D). El método propuesto es muy útil para resolver la dependencia espacial entre factores, que es una característica fundamental del océano global.
En resumen, el método utilizado aquí puede describir con precisión la distribución espacial y la variabilidad temporal en las entidades de la superficie del océano mediante observaciones por satélite. Con la creciente resolución de datasets satélite, se pueden identificar e investigar características más detalladas, lo que permite una comprensión general de las características regionales, como CHL, SST y SSH. La correlación de series temporales mensuales entre diferentes factores puede ayudar a comprender sus relaciones dinámicas y su impacto potencial en un ecosistema49. Debido a que la correlación puede variar en gran medida en diferentes ubicaciones espaciales, el método propuesto ofrece una descripción detallada y completa. Un enfoque similar se puede aplicar a cualquier cuenca oceánica en todo el mundo, lo que será muy útil para mejorar la comprensión de la dinámica marina y los ecosistemas.

La tecnología de teledetección ofrece grandes conjuntos de datos con grandes escalas espaciales y largos períodos para describir entornos marinos. Con la creciente resolución espacial de los satélites, las características detalladas ahora se resuelven de la escala regional a unos pocos cientos de metros1,2. Se puede lograr una mejor comprensión de la dinámica marina con las observaciones satelitales más actualizadas3.
Mediante la incorporación de múltiples sensores en una plataforma de teledetección, es posible una descripción completa de los diferentes parámetros. La temperatura de la superficie del mar (SST) es el parámetro básico que se ha observado durante más de medio siglo4. Recientemente, las observaciones de la clorofila-a de la superficie marina (CHL) han quedado disponibles y pueden utilizarse para describir la productividad marina5. Los satélites de altimetry se utilizan para medir la altura de la superficie del mar6,7, que está fuertemente relacionada con las actividades de eddy mesoescala en el océano global8,9. Además de los remolinos, las actividades frontales también son importantes para afectar la dinámica regional y la producción primaria10.
El enfoque principal del estudio actual es encontrar un procedimiento estándar para describir la distribución espacial y las variaciones temporales de diferentes factores oceánicos. En este método, SST, CHL, SSH y front-data, que se derivan de degradados SST, se analizan para determinar patrones. En particular, el CHL se utiliza para representar la productividad del océano, y se introduce un método para investigar la relación entre el CHL y otros parámetros oceánicos. Para validar el método, se utilizó el período entre octubre de 2002 y septiembre de 2017 en el Mar de China Meridional para examinar todos los parámetros. El método se puede utilizar fácilmente para otras regiones del mundo para capturar los principales patrones oceánicos y explorar cómo la dinámica marina afecta el ecosistema.
El Mar de China Meridional (SCS) fue designado como la región de estudio debido a su relativamente alta tasa de cobertura de observaciones por satélite. El SCS es abundante en radiación solar; por lo tanto, el CHL está determinado principalmente por la disponibilidad de nutrientes11,12. Con más nutrientes que se transportan a la capa eufótica, los niveles de CHL pueden aumentar13. La mezcla, inducida por el viento, puede introducir nutrientes en la superficie del océano y mejorar el CHL14. El SCS está dominado de forma única por un sistema eólico monzónico, que determina la dinámica y el ecosistema en la región. El viento monzónico es más fuerte durante el invierno15. En verano, los vientos cambian de dirección y las velocidades del viento son mucho más débiles que las del invierno16,17. La intensidad del viento puede determinar la fuerza de la mezcla vertical, de tal manera que la profundidad de capa mixta (MLD) se profundiza a medida que el viento aumenta en invierno y se vuelve más superficial a medida que el viento disminuye en el verano18. Así, se transportan más nutrientes a la capa eufórtica durante el invierno cuando el viento es fuerte19 y CHL alcanza su punto más alto del año20,21.
Además del viento, el MLD también se puede determinar utilizando otros factores, como SST y anomalías del nivel del mar (SLA), que en última instancia afectan el contenido de nutrientes y CHL22. Durante el invierno, el gradiente vertical débil se asocia con bajas temperaturas en la superficie20. El MLD correspondiente es profundo y más nutrientes pueden ser transportados hacia arriba; por lo tanto, el CHL en la capa de superficie es alto17. Una variación creciente en los niveles de CHL se puede atribuir a remolinos mesoescala, que inducen el transporte vertical y la mezcla23. El upwelling se encuentra generalmente en remolinos ciclónicos asociados con SLAs8deprimidos,9 y concentraciones elevadas de CHL24. El downwelling se encuentra generalmente en remolinos anticiclónicos asociados con SLAs elevados8,9 y concentraciones de CHL deprimidos24. Para otras temporadas, el MLD se vuelve superficial, y la mezcla se vuelve débil; por lo tanto, se puede observar un CHL bajo en la mayor parte de la cuenca25. Los ciclos estacionales de los niveles de CHL son posteriormente predominantes para la región26.
Además de mezclar, los frentes y su azote costero asociado pueden modular aún más el CHL. El frente, que se define como un límite de diferentes masas de agua, es importante para determinar la circulación regional y las respuestas del ecosistema27. La frontogénesis se asocia generalmente con el crecimiento y convergencia costero28,29, que puede inducir nutrientes y elevar el crecimiento de fitoplancton30. Se han desarrollado diferentes algoritmos para identificar automáticamente frentes a partir de observaciones satelitales, incluidos los métodos de histograma y gradiente SST. Este último enfoque se adopta en este estudio28.
La correlación de series temporales entre CHL y diferentes factores ofrece una gran visión para cuantificar su relación. El estudio actual ofrece una descripción completa de cómo utilizar las observaciones satelitales para revelar la dinámica marina regional relacionada con la productividad. Esta descripción se puede utilizar como guía para investigar los procesos de superficie en cualquier parte del océano. La estructura de este artículo incluye un protocolo paso a paso, seguido de resultados descriptivos en el texto y las figuras. Posteriormente se discute la aplicabilidad, además de los pros y los contras del método.

<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

Las observaciones satelitales ofrecen un gran enfoque para investigar las características de los principales parámetros marinos, incluyendo clorofila de superficie marina (CHL), temperatura de la superficie del mar (SST), altura de la superficie del mar (SSH) y factores derivados de estos parámetros (por ejemplo, frentes). Este estudio muestra un procedimiento paso a paso para utilizar observaciones satelitales para describir los principales parámetros y sus relaciones en campos estacionales y anómalos. Este método se ilustra utilizando conjuntos de datos satélite de 2002 a 2017 que se utilizaron para describir las características superficiales del Mar de China Meridional (SCS). Debido a la cobertura en la nube, se utilizaron datos mensuales promediados en este estudio. La función ortogonal empírica (EOF) se aplicó para describir la distribución espacial y las variaciones temporales de diferentes factores. El viento monzónico domina la variabilidad en la cuenca. Por lo tanto, el viento del conjunto de datos de reanálisis se utilizó para investigar su fuerza motriz en diferentes parámetros. La variabilidad estacional en la CHL fue prominente y se correlacionó significativamente con otros factores en la mayoría del SCS. En invierno, un fuerte monzón del noreste induce una capa mixta profunda y un alto nivel de clorofila en toda la cuenca. Se encontraron coeficientes de correlación significativos entre los factores del ciclo estacional. En verano, los altos niveles de CHL se encontraron principalmente en el SCS occidental. En lugar de una dependencia estacional, la región era muy dinámica, y factores se correlacionaban significativamente en campos anómalos, de modo que los niveles inusualmente altos de CHL se asociaban con vientos anormalmente fuertes y actividades frontales intensas. El estudio presenta un procedimiento paso a paso para utilizar observaciones satelitales para describir los principales parámetros y sus relaciones en campos estacionales y anómalos. El método se puede aplicar a otros océanos globales y será útil para entender la dinámica marina.

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

Los datos de clorofila, temperatura, altura del nivel del mar, viento y frente obtenidos o derivados de observaciones satelitales ofrecen una manera eficaz de caracterizar el océano. Presentado es un método para el estudio integral de estos datos, incluyendo el promedio general, el ciclo estacional y los análisis de intercorrelación, para comprender plenamente la dinámica regional y los ecosistemas.

Investigando la relación entre la clorofila de la superficie del mar y las principales características del Mar de China Meridional con información satelital

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

Las observaciones satelitales ofrecen un gran enfoque para investigar las características de los principales parámetros marinos, incluyendo clorofila y temperatura de la superficie del mar, altura de la superficie del mar y los factores derivados de estos parámetros, como frentes. Nuestro estudio muestra cómo utilizar las observaciones satelitales para describir los principales parámetros y sus relaciones. La ciencia de datos por satélite de 2002 a 2017 se utilizó para describir las características superficiales del Mar de China Meridional.La observación satelital de la clorofila es un factor, que se utiliza para la protección de los océanos. Se investigaron factores relacionados con la variabilidad de la clorofila utilizando series temporales. El método se puede aplicar a otros océanos globales y será útil para entender la dinámica marina y el ecosistema.Mostramos un procedimiento paso a paso para adquirir datos satelitales de diferentes parámetros que describen las variaciones espaciales y temporales y determinamos las interrelaciones entre diferentes factores. Se obtienen variaciones espaciales y temporales de los parámetros. Son la función ortogonal empírica y la interrelación entre los diferentes factores se adquiere mediante coeficientes de correlación cero.Para la temperatura de la superficie del mar y la adquisición de datos de clorofila de superficie marina, descargue un conjunto de datos de observaciones satelitales de MODIS Aqua, para el que la resolución espacial de ambos datasets es de aproximadamente 4,5 kilómetros a intervalos diarios. Almacene los archivos satélite descargados en la carpeta de datos y eriga el directorio de carpetas como se muestra. Agregue la ruta de la caja de herramientas para el archivo NetCDF en MATLAB y seleccione agregar con subcarpetas para incluir las rutas de la carpeta de scripts.La ruta de acceso para todos los directorios necesarios de los datos y funciones aparecerá en la ruta de búsqueda de MATLAB. A continuación, cargue los datos de temperatura de la superficie del mar en el software de análisis. Para la adquisición de datasets de anomalías a nivel del mar, descargue datos diarios de anomalías del nivel del mar con una resolución espacial de 25 kilómetros desde el mismo período de tiempo e introduzca el comando para cargar los datos de anomalía de nivel de mar de un solo día.Para obtener los datos de velocidad del viento, descargue los datos de viento del mismo período de tiempo de un producto de renálisis provisional de la ERA e introduzca el comando para leer los datos de viento de un mes. Las variables u, v y time obtenidas representan todas las velocidades zonales y meridianas y el tiempo correspondiente respectivamente. Para acceder al conjunto de datos de topografía, descargue los datos de topografía de alta resolución del sitio web de los Centros Nacionales de Información Ambiental e introduzca el comando para cargar los datos de topografía en el software de análisis.Las variables XX, YY y ZZ indican la latitud, longitud y profundidad correspondiente respectivamente. Debido a la gran cobertura de nubes en la temperatura de la superficie del mar y los datos de clorofila de la superficie del mar, utilice el comando para reemplazar los datos originales con los datos medios de tres días. Dado que la resolución espacial no es coherente para diferentes datasets, escriba el comando para interpolar la temperatura de la superficie del mar y los datos de clorofila de la superficie del mar en una cuadrícula espacial que sea la misma que la cuadrícula espacial de anomalías del viento y el nivel del mar.Introduzca el comando como se indica para calcular la tensión del viento y el rizo de tensión del viento. Para calcular la temperatura mensual de la superficie del mar, el viento y las series temporales de anomalías del nivel del mar como promedios de 30 días en cada píxel, introduzca el comando como se indica. Para el suavizado espacial, escriba el comando para ejecutar el script para suavizar los datos de temperatura media de la superficie del mar de tres días en cada píxel.Para determinar el gradiente de temperatura de la superficie del mar, introduzca el comando para ejecutar el script para calcular los gradientes de temperatura de la superficie del mar y zonal como la diferencia de temperatura de la superficie del mar entre los dos píxeles más cercanos divididos por la distancia correspondiente. Para identificar un frente probando el valor del gradiente de temperatura de la superficie del mar, etiquete el píxel como un píxel frontal potencial si el valor era mayor que un umbral designado. Para calcular la probabilidad frontal mensual de observar un frente para un intervalo de tiempo específico, escriba el comando.Para cargar los datos mensuales para el análisis, introduzca los comandos y aplique una función ortogonal empírica para describir las variaciones espaciales y temporales de los diferentes parámetros. El programa calculará la magnitud, los valores propios y la amplitud de las funciones ortogonales empíricas para el conjunto de datos. Para determinar la correlación en la escala estacional, escriba el comando para calcular las correlaciones entre dos factores utilizando su serie temporal en cada píxel.A continuación, introduzca el comando para calcular las correlaciones entre las anomalías mensuales de la clorofila de la superficie del mar y otros factores. Para mostrar la información del satélite, introduzca el comando para ejecutar el script para generar un escaparate de información satelital, incluida la clorofila de la superficie del mar, la temperatura y el viento, y la anomalía del nivel del mar y la distribución frontal. Introduzca el comando para mostrar el resultado de la función ortogonal empírica.A continuación, introduzca el comando como se indica para calcular la relación entre la clorofila y otros factores en campos estacionales y anómalos. La topografía tiene un impacto prominente en la distribución espacial de clorofila de superficie marina con clorofila de superficie de alta mar distribuida principalmente a lo largo de la costa del Mar de China Meridional, donde la topografía es poco profunda. El viento también está influenciado por la orografía con el lado arrendatario de las montañas caracterizado por el viento débil y un prominente rizo de estrés del viento identificado al suroeste del Mar de China Meridional.Los umbrales aplicados aquí capturan eficazmente la ubicación del frente y aseguran la representación de los límites de masas de agua enteras. En este análisis, la función ortogonal empírica se capturó una gran varianza en la sección norte del Mar de China Meridional. El promedio mensual correspondiente de la serie temporal mostró que la clorofila de la superficie del mar fue elevada durante el invierno y deprimida durante el verano.La región al lado de la costa suroeste se caracterizó por una magnitud débil, y la variabilidad correspondiente fue capturada principalmente por la función ortogonal empírica dos. Los valores de clorofila de la superficie del mar fueron altos en el verano y bajos en el invierno, que estaba principalmente fuera de fase en comparación con la región norte. De hecho, la serie temporal mensual para las funciones ortogonales empíricas demostró una clara variabilidad estacional con función ortogonal empírica dos funciones ortogonales empíricas principales una por aproximadamente cuatro meses.Las correlaciones entre la clorofila y otros factores representan las interrelaciones de los factores. Por ejemplo, en este análisis, la temperatura de la superficie del mar se correlaciona negativamente con la clorofila, mientras que la tensión del viento se correlaciona positivamente con la clorofila. Por lo tanto, una alta clorofila se asoció con una baja temperatura y un fuerte viento para estos datos.Identificar la variabilidad de los parámetros oceánicos e investigar su relación con la clorofila son críticos e importantes para la dinámica oceánica y el ecosistema marino. Las actividades frontales son particularmente importantes porque la alta clorofila generalmente se asocia con el frente. La modificación puede tener lugar para cambiar el umbral de la detección frontal y el mejor enfoque para validar el frente es compararlos con las observaciones del instituto.En resumen, el uso de observaciones por satélite puede describir con precisión la distribución espacial y la variabilidad temporal en las entidades de la superficie oceánica. Con la resolución cada vez mayor de características más detalladas se pueden identificar e investigar en el futuro.

Research

JoVE Journal

Environment

Protocol for Microplastics Sampling on the Sea Surface and Sample Analysis

Protocolo para microplásticos muestreo en la superficie del mar y Análisis de las muestras

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

Investigación

Medio 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

Preparación de pirita autígena de sedimentos de metano-cojinete para In Situ las análisis de isótopos de azufre en usar 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

Procedimientos de laboratorio fumigación Control de plagas con Gas 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 la anatomía del sistema Visual y

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

Específica y detección precisa de los Citrus Greening patógeno Candidatus liberibacter spp mediante PCR convencional en muestras de tejido de hoja de Citrus

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 los estudios basados en imágenes de macroinvertebrados bentónicos y su hábitat ejemplificado por la encuesta de la cámara de caída para la concha de peregrino de mar Atlántico

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 prueba de infección de planta: Spray y mediada por la herida la inoculación con el patógeno de planta 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

Estudio experimental de la relación entre tamaño de partícula y la capacidad de absorción del metano en la pizarra

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

Y pruebas biológicas No opción para estudiar la preferencia de pupación y emergencia éxito 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

Diseño y uso de un aparato para cuantificar bivalvo suspensión de alimentación en el mar

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