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

Stödet från Kinas nationella viktiga forsknings- och utvecklingsprogram (nr. 2016YFC1401601), postgraduate Research & Practice Innovation Program of Jiangsu-provinsen (nr. SJKY19_0415) som stöds av de grundläggande forskningsfonderna för de centrala universiteten (nr. 2019B62814), National Natural Science Foundation of China (nr. 41890805, 41806026 och 41730536) och Gemensamma avancerade marina och ekologiska studier i Bengaliska viken och östra ekvatorial indiska oceanen erkändes starkt. Författarna uppskattar tillhandahållandet av data från källor, inklusive National Aeronautics and Space Administration (NASA), European Centre for Medium-Range Weather Forecasts (ECMWF), Copernicus Marine and Environment Monitoring Service (CMEMS) och National Oceanic and Atmospheric Administration (NOAA).

1. Dataset förvärv
<ol><li>SST och CHL<ol>
<li>Ladda ner en datauppsättning med satellitobservationer för SST och CHL från MODIS-Aqua (podaac-tools.jpl.nasa.gov/), där den rumsliga upplösningen på båda datamängderna är cirka 4,5 km med dagliga intervall. OBS: Strukturera katalogerna och data efter exempelskriptmappen som finns i tilläggsfilerna. Lagra .nc-filerna av satellitdata i mappen 'Data'. Lägg till sökvägen till NetCDF-verktygslådan i analysprogramvaran (dvs. MATLAB). Välj Lägg till med undermappar om du vill omsluta sökvägarna för mappen 'UTILITIES' och dess undermappar.</li>
		<li>Bestäm tidsspannet. För att upprätthålla konsekvensen mellan olika datauppsättningar, använd samma tidsintervall för alla parametrar. Justera tidsspannet baserat på den temporala täckningen och använd den längsta observationsperioden bland olika datauppsättningar. För det här protokollet laddar du ned 15 års data från oktober 2002 till september 2017.</li>
		<li>Bestäm den rumsliga täckningen. OBS: Den utformade studieregionen ligger mellan 105°E och 123°E och mellan 0° och 25°N.</li>
		<li>Kontrollera anvisningar om förbearbetning. Läs instruktioner i .nc-filerna angående förbearbetningskraven för SST- och CHL-data (t.ex. om skalning behövs). OBS: Den nedladdade datauppsättningen utesluter redan data över land och inom 5 km från kustlinjen, samt de som förorenats av moln.</li>
		<li>Ladda in SST- och CHL-data i analysprogramvaran. Skriv Read_MODIS_SST i kommandofönstret om du vill läsa SST-data. På samma sätt Read_MODIS_CHL i kommandofönstret för att läsa CHL-data. Omvandla CHL-data logaritmically eftersom de har en log-normal fördelning31. OBS: Inlästa variabler inkluderar SST och CHL i tre dimensioner, som representerar meridional plats, zonplats respektive tid i dagar. Intervallet för SST:erna är mellan -2 och 44, och räckvidden för CHL ligger mellan 0,01 och 20.</li>
	</ol></li>
	<li>Avvikelse på havsnivå (SLA)<ol>
<li>Hämta dagliga SLA-data med en 25 km rumslig upplösning från 2002–201732. OBS: SLA beskriver skillnaden mellan observerade havsythöjder och medelnivån för havsytans höjd under 20 år (1993−2012) för en motsvarande pixel. SLA-uppgifterna behandlas av SSALTO/DUACS och distribueras av Archiving, Validation, and Interpretation of Satellite Oceanographic Data (AVISO, https://www.aviso.altimetry.fr).</li>
		<li>Läs in data i analysprogramvaran. Läs in SLA-data för enstaka dag genom att Read_SLA i kommandofönstret. OBS: Mappen 'Data' i Tilläggsfilerna innehåller bara ett exempel datum i skriptet för illustration.</li>
	</ol></li>
	<li>Vindhastighet<ol>
<li>Få vindinformationen från en ERA-Interim-reanalysisprodukt, som är en global atmosfärisk reanalysis-datauppsättning som utvecklats av European Center for Medium-Range Weather Forecasts (ECMWF)33. Ladda ned vinddata för samma period (oktober 2002–september 2017) för att upprätthålla överensstämmelsen med CHL- och SST-data. OBS: Vinddatauppsättningen har en rumslig upplösning på cirka 25 km och interpolerades från den ursprungliga datauppsättningen med en rumslig upplösning på ungefär 0,7°.</li>
		<li>Läs in data i analysprogramvaran. Skriv Read_WindVector i kommandofönstret för att läsa en månads vinddata. Beräkna månads medelvärdet genom att medelvärdet av de ursprungliga uppgifterna, som är på 6 h intervall.</li>
	</ol></li>
	<li>Topografi<ol>
<li>Ladda ner högupplösta topografidata från National Centers for Environmental Information webbplats (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/). Den rumsliga upplösningen är ~2 km. Få ETOPO1-data för berggrund i XYZ-format för den valda studieregionen.</li>
		<li>Läs in data i analysprogramvaran. Skriv Read_topography i kommandofönstret för att läsa in topografidata i analysprogramvaran.</li>
	</ol></li>
</ol>2. Förbearbetning av uppgifter
<ol><li>Tidsmässigt genomsnitt<ol>
<li>På grund av den stora molntäckningen i SST- och CHL-data, ersätt de ursprungliga uppgifterna med 3-dagars genomsnittsdata. För att göra detta, efter att ha kört Read_MODIS_SST.m och Read_MODIS_CHL.m skript (steg 1.1.5), skriv Temporal_average i kommandofönstret för att köra skriptet.</li>
	</ol>
</li>
	<li>Interpolation i samma rutnät<ol>
<li>Eftersom den rumsliga upplösningen inte är konsekvent för olika datamängder interpolerar du SST- och CHL-data i ett rumsligt rutnät som är samma som vind- och SLA-spatialt rutnät innan du gör jämförelser. När du har Temporal_average.m Read_WindVector.m skripten skriver du Interpolation_grid i kommandofönstret för att köra skriptet.</li>
	</ol>
</li>
	<li>Vindstress och vindstress curl<ol>
<li>Skriv Wind_stress_curl i kommandofönstret för att beräkna vindstressen (WS) och vindstresscurl (WSC) med hjälp av följande ekvationer: <img alt="Equation 1" src="/files/ftp_upload/61172/61172equ01.jpg"> <img alt="Equation 2" src="/files/ftp_upload/61172/61172equ02.jpg"> var <img alt="Equation 10" src="/files/ftp_upload/61172/icon01.jpg"> är vindhastighetsvektorn; <img alt="Equation 10" src="/files/ftp_upload/61172/icon02.jpg"> är WS i samma riktning som vindvektorn; och är WS i öst respektive <img alt="Equation 10" src="/files/ftp_upload/61172/icon03.jpg"> norr <img alt="Equation 10" src="/files/ftp_upload/61172/icon04.jpg"> riktning; är <img alt="Equation 10" src="/files/ftp_upload/61172/icon05.jpg"> lufttätheten (lika med 1,2 kg/m3), och C är dragkoefficienten (ett värde av 0,0015 används) under neutrala stabilitetsförhållanden34.</li>
	</ol>
</li>
	<li>Månadsgenomsnitt<ol>
<li>Beräkna de månatliga SST-, vind- och SLA-tidsserierna som 30-dagars medelvärden i varje pixel genom att Monthly_average för att köra skriptet. På grund av den höga molntäckningsgraden använder du ett 60-dagars genomsnitt som månadstidsserien för CHL, inklusive 30 dagar före till 30 dagar efter den15:e dagen i månaden.</li>
	</ol>
</li>
</ol>3. SST-frontdetektering
<ol><li>Rumslig utjämning<ol>
<li>Skriv Spatial_smoothing att köra skriptet till medelvärdet av tre dagars SST-data i varje pixel. OBS: En stor mängd buller identifierades i SST-data. Således jämnades data med ett rumsligt genomsnitt på 3 x 3. När inga data fanns tillgängliga i de ursprungliga 3-dagars genomsnittsdata, den rumsliga medelvärdet data sattes som otillgänglig.</li>
	</ol>
</li>
	<li>SST-lutning<ol>
<li>Skriv SST_gradient för att köra skriptet för att beräkna zonal- och meridionella SST-gradienter (dvs Gx respektive Gy)som SST-skillnaden mellan de närmaste två pixlarna dividerat med motsvarande avstånd via ekvation (3). Använd den erhållna övertoningsvektorn för att beräkna den totala övertoningen, G, som en skalär efter ekvation (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 maximal<ol>
<li>Identifiera en front genom att testa ett SST-övertoningsvärde: ge en etikett till en pixel som en potentiell frontalpixel om värdet är större än ett utsett tröskelvärde. Behåll bara den lokala maximala pixeln i samma riktning vinkelrätt mot övertoningens riktning om det finns kopplade pixlar med värden som är större än tröskelvärdet. Här definierar du tröskeln som 0,035 °C/km efter tidigare studier10,28. OBS: Motsvarande skript 'Local_maximum.m' finns i de kompletterande filer.</li>
	</ol>
</li>
	<li>Månadsvis främre sannolikhet (FP) OBS: Frontalsannolikheten (FP) beskriver sannolikheten för att observera en front.<ol>
<li>Beräkna FP för en viss tidsrymd (i det här fallet ett månadsintervall), genom att Monthly_FP för att köra skriptet. Dela upp förekomsten av fronter vid varje pixel under ett tidsfönster med antalet dagar som är fria från moln.</li>
	</ol>
</li>
</ol>4. Rumslig och tidsmässig variation
<ol><li>Säsongscykel<ol>
<li>Beräkna säsongscyklerna för olika faktorer som medelvärdena för olika årstid. Definiera årstiderna enligt följande: vintern är från december till februari, våren är från mars till maj, sommaren är från juni till augusti, och hösten är från september till november. OBS: Säsongscykeln visas inte i denna studie; följande metod används för att förklara den rumsliga och tidsmässiga variabiliteten istället.</li>
	</ol>
</li>
	<li>Empirisk ortogonal funktion (EOF)<ol>
<li>Ta bort det temporala medelvärdet och ej tillgängliga pixlar. Innan EOF utförs, subtrahera det totala medelvärdet vid varje pixel och utesluta de platser där saknade observationer överstiger 20% på grund av molntäckning. Ladda data genom att skriva load('Monthly_data_for_EOF.mat') i kommandofönstret.</li>
		<li>Applicera en EOF för att beskriva de rumsliga och tidsmässiga variabilities av olika parametrar. Skriv Empirical_orthogonal_function.m för att köra skriptet för att beräkna magnitud (Mag), eigenvalues (Eig) och amplitud (Amp) av EOFs för datauppsättningen (dvs. tidsserier av månatliga genomsnitt SST, vind stress, vind stress curl, CHL, och FP). OBS: Funktionen sönderdelas den månatliga tidsserien i olika lägen, som är sammansatta av rumsliga och tidsmässiga mönster och variansen förklaras av varje läge minskar med ökande lägesnummer.</li>
	</ol>
</li>
</ol>5. Intercorrelation
<ol><li>Korrelation vid säsongsskalan<ol>
<li>Beräkna korrelationerna mellan två faktorer med hjälp av deras tidsserier vid varje pixel genom att Seasonal_correlation för att köra skriptet. Eftersom säsongscykeln inte tas bort kontrollerar du betydelsen av korrelationen för alla korrelationer.</li>
	</ol>
</li>
	<li>Korrelation av ett avvikande fält<ol>
<li>Beräkna korrelationerna mellan de månatliga CHL-avvikelserna och andra faktorer, till exempel SST, WS, fronter och SLA: er. Få de månatliga avvikelserna (dvs. avvikelsen från medelstatus) genom att subtrahera det totala genomsnittet för en motsvarande månad från den månatliga tidsserien. Skriv Anomalous_correlation att köra skriptet och erhålla korrelationerna.</li>
	</ol>
</li>
</ol>6. Visa information och beräkna relationer
<ol><li>Visa satellitinformation.<ol>
<li>Skriv Sat_SCS_Fig3457 att köra skriptet för att generera en presentation av satellitinformation, inklusive SST, CHL och frontalfördelningar. Ange den aktuella mappen som 'skript' där data 'Sat_SCS_data.mat' finns. OBS: Bild 1, Bild 2, Bild 3, och Bild 4 visar SST, CHL, fronter, vind och topografi för det valda datumet som exempel.</li>
	</ol>
</li>
	<li>Visa EOF-resultatet genom att Sat_SCS_Fig890.m för att köra skriptet. OBS: Figur 5, Bild 6, och bild 7 beskriver rumsliga magnitud, månadsgenomsnitt och tidsserier för de första två lägena för CHL, SST, respektive fronter.</li>
	<li>Beräkna förhållandet mellan CHL och andra faktorer vid säsongsbaserade tidsskale och för avvikande fält genom att Sat_SCS_Fig1112.m att köra skriptet. Få korrelationskartan för säsongsvariationer (figur 8) och avvikelser (figur 9).</li>
</ol>

Författarna har inget att avslöja.

I denna studie beskrivs de viktigaste inslagen i marina system med hjälp av satellitobservationer. CHL, som kan användas för att representera havsproduktionen, väljs som indikatorfaktor. Faktorer relaterade till CHL variabilitet undersöktes med hjälp av månatliga genomsnittliga tidsserier, t.ex., SST, WS, WSC, FP och SLA. Tre kritiska steg beskrivs i denna studie: att förvärva satellitdata för olika parametrar, beskriva deras rumsliga och tidsmässiga variabilities via EOF, och bestämma inbördes samband mellan olika faktorer genom att beräkna korrelationskoefficienter. Ett detaljerat förfarande som visar identifieringen för daglig frontalfördelning, som härleds från SST-observationerna, ingår. Två större tillvägagångssätt har utvecklats för SST front upptäckt: gradienten metod10,38 och histogram metoden39,40. Histogrammetoden bygger på ett liknande värdeintervall för SST, som kan användas för att dela upp vattenmassorna i olika grupper. Pixlarna med värden mellan olika grupper som representerar pixeln i ett övergångsband definieras som fronter. Å andra sidan separerar gradientmetoden flera relativt enhetliga vattenförekomster som pixlar med stora gradientvärden. En jämförelsestudie genomfördes, och de fann lägre falska priser med histogram metoden och färre missade fronter med hjälp av toning metod41. I denna studie antogs den gradientbaserademetoden 38 efter tidigare studier10,28. Algoritmen kan undvika front break-up i flera kantfragment genom att låta magnitud minska till en nivå under en mindre tröskel. Förutom den datamängd som ingår här kan även andra satellitobservationer, såsom aerosolindexet, användas med ett liknande tillvägagångssätt.
De flesta av förfarandena kan direkt tillämpas i andra regioner eller datauppsättningar. Ändring kan ske för att ändra tröskeln för frontdetektering. Eftersom SST-gradienten i SCS är jämförbar med eastern boundary current system28implementerades samma tröskelvärden för den aktuella studien. En tidigare studie visade att SST-gradienten från olika datamängder kan variera så mycket som tre gånger42, vilket gör metoden på något sätt mindre objektiv. Betydande studier har undersökt frontasala aktiviteter runt de globala haven28,43. Det bästa tillvägagångssättet för att validera fronter är att jämföra dem med in situ observationer. Yao44 beskrev den månatliga frontalfördelningen för SCS. Deras resultat överens väl med in situ mätningar. Den övergripande lutningen bör kontrolleras och justeras eftersom dess värde kan variera beroende på den rumsliga upplösningen och instrumenten. Tröskeln bör särskilt uppdateras när en annan SST-datamängd används. En grundläggande förståelse av den regionala dynamiken är grundläggande för att förstå frontogenesis45,46,47. Den främre upptäckt skript kan utvecklas av enskilda författare baserat på beskrivningen i detta papper.
Satellitinformation erbjuder en omfattande förståelse av ytan funktioner, och ett resultat jämförelse med in situ observationer kan stöd i utvärderingen av trovärdighet. Satellitobservationer är dock begränsade till havsytan, vilket begränsar tillämpningen för att förstå vattenpelarens vertikala struktur. I en nyligen genomförd studie visade satellitobservationer att ytan CHL ökade med 15 gånger, men det vertikala integrerade värdet ökade bara med 2,5 gånger48. Denna skillnad var att ytan värdet påverkades av coeffects av fytoplankton tillväxt och stimning av MLD, vilket resulterar i en unrealizable värde vid ytan. Således kanske inte ytfunktionen erbjuder en korrekt beskrivning för hela vattenpelaren. Dessutom begränsar påverkan av molntäckningen de kontinuerliga observationerna av satelliter. Således beräknas månatliga tidsserier för olika faktorer under samma region och samma period. Detta kommer att garantera trovärdigheten att beräkna sambanden mellan olika faktorer. Men kortperioden händelser, t.ex.
Jämfört med tidigare studier kan den föreslagna metoden erbjuda rumslig information på pixelnivå, vilket kan bidra till att utvärdera dynamiken på ett mer detaljerat sätt. Några tidigare studier i genomsnitt hela SCS som ett enda nummer och fick en tidsserie. De fann att en ovanligt stark WS och hög SST kan inducera anomala hög CHL16, vilket är förenligt med det aktuella resultatet. Den rumsliga variationen i sambanden löstes dock inte. I denna studie var bassängskala korrelationen mellan WS och CHL svag i det avvikande området. En stor betydande korrelation identifierades endast för vissa områden,t.ex. Den nuvarande metoden erbjuder således en omfattande beskrivning för att undersöka rumsliga variationer. På samma sätt användes observationer från två Bio-Argo-flottor och avslöjade att WSC inte korrelerade med CHL-variabilitet20. Banorna för de två flottörerna ligger dock bara i vissa regioner. I detta fall var det exakt inom bandet där korrelationen mellan CHL-nivån och WSC inte var signifikant (figur 8D). Den föreslagna metoden är till stor hjälp för att lösa det rumsliga beroendet bland faktorer, vilket är ett grundläggande kännetecken för det globala havet.
Sammanfattningsvis kan den metod som används här exakt beskriva den rumsliga fördelningen och temporala variationer i havsytans funktioner med hjälp av satellitobservationer. Med den ökande upplösningen av satellitdatauppsättningar kan mer detaljerade funktioner identifieras och undersökas, vilket möjliggör en allmän förståelse av regionala funktioner, inklusive CHL, SST och SSH. Sambandet mellan månatliga tidsserier mellan olika faktorer kan bidra till att förstå deras dynamiska relationer och potentiella inverkan på ett ekosystem49. Eftersom korrelationen till stor del kan variera på olika rumsliga platser, erbjuder den föreslagna metoden en detaljerad och omfattande beskrivning. Ett liknande tillvägagångssätt kan tillämpas på alla havsområden i hela världen, vilket kommer att vara till stor hjälp för att förbättra förståelsen av den marina dynamiken och ekosystemen.

Fjärranalysteknik erbjuder bra datauppsättningar med stora rumsliga skalor och långa perioder för att beskriva marina miljöer. Med den ökande rumsliga upplösningen av satelliter, detaljerade funktioner är nu löst från den regionala skalan till några hundra meter1,2. En förbättrad förståelse för marin dynamik kan uppnås med de flesta uppdaterade satellitobservationer3.
Genom att införliva flera sensorer på en fjärranalysplattform är en omfattande beskrivning av olika parametrar möjlig. Havsytans temperatur (SST) är den grundläggande parameter som har observerats i mer än ett halvt sekel4. Nyligen har observationer för havsyta klorofyll-a (CHL) blivit tillgängliga och kan användas för att beskriva marin produktivitet5. Altimetry satelliter används för att mäta havsytahöjd 6,7, som är starkt relaterade till mesoskala virvel verksamhet i den globalaoceanen 8,9. Förutom virvlar är frontasala aktiviteter också viktiga för att påverka den regionala dynamiken och primärproduktionen10.
Den aktuella studiens huvudfokus är att hitta ett standardförfarande för att beskriva den rumsliga utbredningen och de tidsmässiga variansen hos olika havsfaktorer. I den här metoden analyseras SST, CHL, SSH och front-data, som härledas från SST-lutningar, för att bestämma mönster. I synnerhet används CHL för att representera havets produktivitet, och en metod införs för att undersöka förhållandet mellan CHL och andra havsparametrar. För att validera metoden användes tidsperioden mellan oktober 2002 och september 2017 i Sydkinesiska havet för att undersöka alla parametrar. Metoden kan enkelt användas för andra regioner runt om i världen för att fånga stora havsmönster och utforska hur marin dynamik påverkar ekosystemet.
Sydkinesiska havet (SCS) utsågs till studieregion på grund av dess relativt höga täckningsgrad för satellitobservationer. DEN SCS är riklig i solstrålning; således bestäms CHL huvudsakligen av tillgången på näringsämnen11,12. Med mer näringsämnen som transporteras in i det euphotiska lagret, CHL-nivåer kan öka13. Blandning, framkallas av vind, kan införa näringsämnen i havsytan och förbättra CHL14. SCS domineras unikt av ett monsunvindsystem, som bestämmer dynamiken och ekosystemet i regionen. Monsunvinden är starkast under vintern15. På sommaren, vindarna ändra riktning och vindhastigheterna är mycket svagare än de på vintern16,17. Vindintensiteten kan bestämma styrkan i vertikal blandning, så att den blandade skikt djup (MLD) fördjupas när vinden ökar på vintern och blir grundare som vinden minskar under sommaren18. Således transporteras mer näringsämnen in i det euphotiska lagret under vintern när vinden ärstark 19 och CHL når sin högsta punkt på året20,21.
Förutom vinden kan MLD också bestämmas med hjälp av andra faktorer, såsom SST och avvikelser havsnivån (SLA), som i slutändan påverkar näringsinnehåll och CHL22. Under vintern är den svaga vertikala lutningen förknippad med låga temperaturer vid ytan20. Motsvarande MLD är djup och mer näringsämnen kan transporteras uppåt; således är CHL i ytskiktet hög17. En ökande variation i CHL-nivåer kan hänföras till mesoskala virvlar, som inducerar vertikala transporter och blandning23. Upwelling finns vanligtvis i cykloniska virvlar i samband med deprimerad SLA8,9 och förhöjda CHL koncentrationer24. Downwelling finns vanligtvis i anticykloniska virvlar i samband med förhöjda SLA8,9 och deprimerad CHL koncentrationer24. För andra säsonger blir MLD ytlig, och blandning blir svag; således kan låg CHL observeras över majoriteten av bassängen25. De säsongs- cyklar av CHL jämnar är därpå dominera för regionen26.
Förutom att blanda, fronter och deras tillhörande kustnära uppvällning kan ytterligare modulera CHL. Fronten, som definieras som en gräns för olika vattenmassor, är viktig för att bestämma den regionala cirkulationen ochekosystemsvaren 27. Frontogenes är vanligtvis förknippas med kustnära uppvällningoch konvergens 28,29, som kan framkalla näringsämnen och höja tillväxten av fytoplankton30. Olika algoritmer har utvecklats för att automatiskt identifiera fronter från satellitobservationer, inklusive histogram och SST-gradientmetoder. Det sistnämnda tillvägagångssättet antas i denna studie28.
Korrelationen av tidsserier mellan CHL och olika faktorer ger stora insikter för att kvantifiera deras relation. Den aktuella studien ger en omfattande beskrivning av hur man använder satellitobservationer för att avslöja regional marin dynamik i samband med produktivitet. Denna beskrivning kan användas som vägledning för att undersöka ytprocesserna i någon del av havet. Strukturen i denna artikel innehåller ett stegvis protokoll, följt av beskrivande resultat i texten och figurerna. Tillämpligheten utöver metodens för- och nackdelar diskuteras därefter.

<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

Satellitobservationer erbjuder ett bra tillvägagångssätt för att undersöka funktionerna hos stora marina parametrar, inklusive havsyta klorofyll (CHL), havsyttemperatur (SST), havsytans höjd (SSH) och faktorer som härrör från dessa parametrar (t.ex. fronter). Denna studie visar en steg-för-steg-procedur för att använda satellitobservationer för att beskriva större parametrar och deras relationer i säsongs- och avvikande fält. Denna metod illustreras med hjälp av satellitdatauppsättningar från 2002–2017 som användes för att beskriva ytegenskaperna i Sydkinesiska havet (SCS). På grund av molntäckning användes månatliga genomsnittliga data i denna studie. Den empiriska ortogonala funktionen (EOF) tillämpades för att beskriva den rumsliga fördelningen och tidsmässiga variabilities av olika faktorer. Monsunvinden dominerar variabiliteten i bassängen. Således användes vind från datauppsättningen för omanalyser för att undersöka dess drivkraft på olika parametrar. Den säsongsvariationer i CHL var framträdande och signifikant korrelerade med andra faktorer i en majoritet av SCS. På vintern inducerar en stark nordostmonsun ett djupt blandat lager och hög nivå av klorofyll i hela bassängen. Betydande korrelationskoefficienter konstaterades bland faktorer vid säsongscykeln. På sommaren, hög CHL nivåer hittades mestadels i västra SCS. I stället för en säsongsberoende, regionen var mycket dynamisk, och faktorer korrelerade betydligt i avvikande fält så att ovanligt höga CHL nivåer var associerade med onormalt starka vindar och intensiva frontalaktiviteter. Studien presenterar ett stegvis förfarande för att använda satellitobservationer för att beskriva viktiga parametrar och deras samband i säsongs- och avvikande fält. Metoden kan tillämpas på andra globala oceaner och kommer att vara till hjälp för att förstå marin dynamik.

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

Havsytan klorofyll, temperatur, havsnivåhöjd, vind, och främre data som erhållits eller härrör från satellitobservationer erbjuder ett effektivt sätt att karakterisera havet. Presenteras är en metod för omfattande studie av dessa data, inklusive övergripande genomsnitt, säsongscykel, och interkorrelation analyser, att till fullo förstå regional dynamik och ekosystem.

Undersöka förhållandet mellan havsyta klorofyll och stora funktioner i Sydkinesiska havet med satellitinformation

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

Satellitobservationer erbjuder ett bra tillvägagångssätt för att undersöka funktionerna i stora marina parametrar, inklusive havsytan klorofyll och temperatur, havsytan höjd, och de faktorer som härrör från dessa parametrar, såsom fronter. Vår studie visar hur man använder satellitobservationer för att beskriva större parametrar och deras samband. Satellitdatavetenskap från 2002 till 2017 användes för att beskriva ytegenskaperna i Sydkinesiska havet.Satellitobservationen av klorofyll är faktor, som används för att oceanskydda. Faktorer relaterade till klorofyllvariabilitet undersöktes med hjälp av tidsserier. Metoden kan tillämpas på andra globala oceaner och kommer att vara till hjälp för att förstå marin dynamik och ekosystemet.Vi visar ett stegvis förfarande för att förvärva satellitdata av olika parametrar som beskriver de rumsliga och tidsmässiga variabilities och bestämma inbördes samband mellan olika faktorer. Rumsliga och temporala variabilities av parametrar erhålls. De är empiriska ortogonala funktion och det inbördes förhållandet mellan olika faktorer förvärvas av noll korrelationskoefficienter.För havsytans temperatur och havsytans klorofylldatainsamling, ladda ner en datauppsättning av satellitobservationer från MODIS Aqua, för vilken den rumsliga upplösningen på båda datamängderna är ungefär 4,5 kilometer med dagliga mellanrum. Lagra de nedladdade satellitfilerna i datamappen och strukturera katalogen med mappar enligt bilden. Lägg till sökvägen till verktygslådan för NetCDF-fil i MATLAB och välj Lägg till med undermappar för att omsluta sökvägarna för skriptmappen.Sökvägen för alla nödvändiga kataloger av data och funktioner kommer att visas i SÖKVÄGEN FÖR MATLAB. Ladda sedan in datan för havsytans temperatur i analysprogramvaran. För havsnivå avvikelse dataset förvärv, ladda ner dagliga havsnivå anomali data med en 25 kilometer rumslig upplösning från samma tidsram och ange kommandot för att ladda den enda dagen havsnivå anomali data.För att få vindhastighetsdata, ladda ner vinddata från samma tidsperiod från en ERA interimistisk omanalysprodukt och ange kommandot för att läsa en månads vinddata. De erhållna u-, v- och tidsvariablerna representerar zonal- och meridianen alla hastigheter respektive motsvarande tid. För att komma åt datauppsättningen för topografi, ladda ner högupplösta topografidata från National Centers for Environmental Information webbplats och ange kommandot för att läsa in topografidata i analysprogramvaran.XX-, YY- och ZZ-variablerna anger breddgrad, longitud respektive motsvarande djup. På grund av den stora molntäckningen i havsytans temperatur och havsytans klorofylldata använder du kommandot för att ersätta de ursprungliga uppgifterna med de tre dagars genomsnittliga data. Eftersom den rumsliga upplösningen inte är konsekvent för olika datamängder, ange kommandot för att interpolera havsytans temperatur och havsytan klorofyll data i en rumslig rutnät som är samma som vind och havsnivå anomali rumsliga rutnät.Ange kommandot som anges för att beräkna vind stress och vind stress curl. Om du vill beräkna de månatliga tidsserierna för havsytans temperatur, vind och havsnivåavvikelse som 30-dagars medelvärden i varje pixel anger du kommandot enligt angivelse. För spatial utjämning anger du kommandot för att köra skriptet för att jämna ut de tre dagar långa genomsnittliga datan för havsytans temperatur i varje pixel.För att bestämma havsytans temperaturgradient, ange kommandot för att köra skriptet för att beräkna zonal och meridian alla havsytan temperaturgradienter som havets yta temperaturskillnaden mellan närmaste två pixlar dividerat med motsvarande avstånd. Om du vill identifiera en front genom att testa värdet på havsytans temperaturövertoning, märker du pixeln som en potentiell frontalpixel om värdet var större än ett utsett tröskelvärde. Om du vill beräkna den månatliga frontalsannolikheten att observera en front äger rum för en viss tidsrymd anger du kommandot.För att ladda månadsdata för analys, ange kommandona och tillämpa en empirisk ortogonal funktion för att beskriva de rumsliga och tidsmässiga variabilities av de olika parametrarna. Programmet kommer att beräkna magnitud, eigenvalues, och amplitud av de empiriska ortogonala funktioner för datauppsättningen. Om du vill bestämma korrelationen med säsongsskalan anger du kommandot för att beräkna korrelationerna mellan två faktorer med hjälp av deras tidsserie vid varje pixel.Ange sedan kommandot för att beräkna korrelationerna mellan de månatliga avvikelserna i havsytans klorofyll och andra faktorer. För att visa satellitinformationen anger du kommandot för att köra skriptet för att generera en presentation av satellitinformation, inklusive havsytans klorofyll, temperatur och vind samt havsnivåavvikelse och frontalfördelning. Ange kommandot för att visa det empiriska ortogonala funktionsresultatet.Ange sedan kommandot som indikerat för att beräkna förhållandet mellan klorofyllet och andra faktorer vid säsongs- och avvikande fält. Topografin har en framträdande inverkan på den rumsliga fördelningen av havsytans klorofyll med hög havsytklorofyll huvudsakligen fördelat längs Sydkinesiska havets kust där topografin är grund. Vind påverkas också av orography med hyresavtalet sidan av berg som kännetecknas av svag vind och en framträdande vind stress curl identifieras sydväst om Sydkinesiska havet.De tröskelvärden som tillämpas här effektivt fånga platsen för fronten och säkerställa skildring av gränserna för hela vattenmassor. I denna analys fångade empirisk ortoggonal funktion en en stor varians i den norra delen av Sydkinesiska havet. Motsvarande månadsmedelvärde för tidsserierna visade att havsytans klorofyll var förhöjd under vintern och deprimerad under sommaren.Regionen intill sydvästra kusten präglades av en svag magnitud, och motsvarande variabilitet var främst fångas av empiriska ortogonala funktion två. Klorofyllvärdena för havsytan var höga på sommaren och låg på vintern, som huvudsakligen var ur fas jämfört med den norra regionen. Sannerligen, de månadstidningtidserien för de empiriska orthogonal funktionerna visat fri säsongs- variability med empiriskt orthogonal fungera två ledande empiriskt orthogonal fungera en vid ungefärligt fyra månader.Korrelationerna mellan klorofyll och andra faktorer representerar faktorernas inbördes förhållanden. Till exempel, i denna analys, havsytan temperaturen är negativt korrelerad med klorofyll medan vinden stress är positivt korrelerade med klorofyll. Således var en hög klorofyll förknippad med en låg temperatur och stark vind för dessa data.Identifiering av havens parametrars variabilitet och undersöka deras samband med klorofyll är kritiska och viktiga för havsdynamiken och det marina ekosystemet. Frontalaktiviteter är särskilt viktiga eftersom hög klorofyll vanligtvis förknippas med front. Ändring kan ske för att ändra tröskeln för främre upptäckt och det bästa tillvägagångssättet för att validera fronten är att jämföra dem med institutet observationer.Sammanfattningsvis kan användning av satellitobservationer exakt beskriva den rumsliga fördelningen och den tidsmässiga variationen i havsytans funktioner. Med den ökande upplösningen av mer detaljerade funktioner kan identifieras och undersökas i framtiden.

Research

JoVE Journal

Environment

Protocol for Microplastics Sampling on the Sea Surface and Sample Analysis

Protokoll för Microplastics Provtagning på havsytan och Provanalys

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

Beredning av Authigenic pyrit från metan-bärande sediment för In Situ svavel isotopen analys använder 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

Förfaranden av laboratoriet gasning för skadedjursbekämpning med kväveoxid Gas

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

Tekniker för att utreda det Ant visuella systemet anatomi

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

Specifika och korrekt upptäckt av den Citrus grönare patogen Candidatus liberibacter spp. med konventionella PCR på Citrus Leaf vävnadsprover

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 för Image-baserad undersökningar av bentiska Macroinvertebrates och deras livsmiljö som exemplifieras av undersökningen släpp kameran för den atlantiska havet pilgrimsmussla

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

Den växt infektion testet: Spray och sår-medierad inympning med den växt patogen Magnaporthe länkar

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

Experimentell studie av förhållandet mellan partikelstorlek och metan Sorption kapacitet i skiffer

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

Val och nr-val Bioassays att studera förpuppningen preferens och uppkomsten framgång av 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

Design och användning av en apparat för att kvantifiera tvåskaliga Suspension utfodring till sjöss

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