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

Çin Ulusal Anahtar Araştırma ve Geliştirme Programı 'ndan destek (No. 2016YFC1401601), Jiangsu Eyaleti Lisansüstü Araştırma ve Uygulama İnovasyon Programı (No. SJKY19_0415) Merkez Üniversiteler için Temel Araştırma Fonları (No. 2019B62814), Çin Ulusal Doğa Bilimleri Vakfı (No. 41890805, 41806026 ve 41730536) ve Bengal Körfezi ve doğu ekvatoral Hint Okyanusu Ortak İleri Deniz ve Ekolojik Çalışmalar tarafından desteklenen büyük ölçüde kabul edildi. Yazarlar Ulusal Havacılık ve Uzay İdaresi (NASA), Avrupa Orta Menzilli Hava Tahminleri Merkezi (ECMWF), Kopernik Deniz ve Çevre İzleme Servisi (CMEMS) ve Ulusal Okyanus ve Atmosfer İdaresi (NOAA) gibi kaynaklardan veri sağlanması takdir ediyorum.

1. Dataset toplama
<ol><li>SST ve CHL<ol>
<li>Her iki veri kümesinin mekansal çözünürlüğünün günlük aralıklarla yaklaşık 4,5 km olduğu MODIS-Aqua'dan (podaac-tools.jpl.nasa.gov/) SST ve CHL uydu gözlemlerinin bir veri kümesini indirin. NOT: Ek Dosyalar'dabulunan örnek komut dosyaları klasörünü izleyerek dizinleri ve verileri yapıla. Uydu verilerinin .nc dosyalarını 'Veri' klasöründe saklayın. Analiz yazılımındaki (yani MATLAB) NetCDF araç kutusuna yolu ekleyin. 'UTILITIES' klasörünün ve alt klasörlerinin yollarını eklemek için alt klasörlerle Ekle'yi seçin.</li>
		<li>Zaman aralığını belirleyin. Farklı veri kümeleri arasında tutarlılığı korumak için tüm parametreler için aynı zaman aralığını kullanın. Zamansal kapsama göre zaman aralığını ayarlayın ve farklı veri kümeleri arasında en uzun gözlem süresini kullanın. Bu protokol için, Ekim 2002 ile Eylül 2017 arasında 15 yıllık verileri indirin.</li>
		<li>Uzamsal kapsama alanını belirleyin. NOT: Tasarlanan çalışma alanı 105°E ile 123°E arasında ve 0° ile 25°N arasındadır.</li>
		<li>Ön işleme yönergelerini kontrol edin. SST ve CHL verilerinin ön işleme gereksinimlerine ilişkin .nc dosyalarındaki talimatları okuyun (örn. ölçekleme gerekip gerekmediği). NOT: İndirilen veri seti, karadan ve kıyı şeridine 5 km mesafedeki verileri ve bulutlarla kirlenmiş verileri zaten hariç tutar.</li>
		<li>SST ve CHL verilerini analiz yazılımına yükleyin. SST verilerini okumak için komut penceresine Read_MODIS_SST yazın. Benzer şekilde, CHL verilerini okumak için komut penceresinde Read_MODIS_CHL yazın. Onlar bir günlük normal dağıtım31çünkü CHL veri logarithmically dönüştürün. NOT: Yüklenen değişkenler, sırasıyla meridyen konumunu, zonal konumu ve zamanı temsil eden üç boyutlu SST ve CHL'yi içerir. SST'lerin aralığı -2 ile 44 arasında, CHL aralığı ise 0,01 ile 20 arasındadır.</li>
	</ol></li>
	<li>Deniz seviyesi anomalisi (SLA)<ol>
<li>2002-20173225 km uzamsal çözünürlük ile günlük SLA verilerini indirin. NOT: SLA'lar gözlemlenen deniz yüzey yükseklikleri ile 20 yıl (1993−2012) üzerindeki ortalama deniz yüzey yüksekliği arasındaki farkı ilgili piksel için tanımlar. SLA verileri SSALTO/DUACS tarafından işlenir ve Uydu Oşinografik Verilerin Arşivlenmesi, Doğrulanması ve Yorumlanması (AVISO, https://www.aviso.altimetry.fr) tarafından dağıtılır.</li>
		<li>Verileri analiz yazılımına yükleyin. Komut penceresine Read_SLA yazarak tek günlük SLA verilerini yükleyin. NOT: Tamamlayıcı Dosyalar'daki 'Veri' klasöründe yalnızca çizim için komut dosyasında yalnızca bir örnek datum bulunur.</li>
	</ol></li>
	<li>Rüzgar hızı<ol>
<li>Avrupa Orta Menzilli Hava Tahminleri Merkezi (ECMWF) tarafından geliştirilen küresel bir atmosferik reanalysis veri seti olan ERA-Interim reanalysis ürününden rüzgar bilgileri alın33. CHL ve SST verileriyle tutarlılığını korumak için aynı döneme ait rüzgar verilerini (Ekim 2002-Eylül 2017) indirin. NOT: Rüzgar veri seti yaklaşık 25 km uzamsal çözünürlüğe sahiptir ve orijinal veri setinden yaklaşık 0,7° uzamsal çözünürlüğe sahip olarak enterpolasyona tabidir.</li>
		<li>Verileri analiz yazılımına yükleyin. Bir aylık rüzgar verilerini okumak için komut penceresine Read_WindVector yazın. 6 saat aralıklarla orijinal verilerin ortalamasını alarak aylık ortalamayı hesaplayın.</li>
	</ol></li>
	<li>Topografya<ol>
<li>Ulusal Çevre Enformasyon Merkezleri web sitesinden (NCEI, https://maps.ngdc.noaa.gov/viewers/wcs-client/) yüksek çözünürlüklü topografya verilerini indirin. Uzamsal çözünürlük ~2 km'dir. Seçilen çalışma bölgesi için XYZ formatında ana kaya için ETOPO1 verilerini edinin.</li>
		<li>Verileri analiz yazılımına yükleyin. Topografya verilerini analiz yazılımına yüklemek için komut penceresine Read_topography yazın.</li>
	</ol></li>
</ol>2. Veri önişleme
<ol><li>Zamansal ortalama<ol>
<li>SST ve CHL verilerindeki büyük bulut kapsama alanı nedeniyle, orijinal verileri 3 günlük ortalama verilerle değiştirin. Bunu yapmak için, komut Read_MODIS_SST.m çalıştırdıktan ve komut Read_MODIS_SST.m çalıştırdıktan sonra Read_MODIS_CHL.m (adım 1.1.5), komut dosyasını çalıştırmak için komut penceresinde Temporal_average yazın.</li>
	</ol>
</li>
	<li>Aynı ızgaraya enterpolasyon<ol>
<li>Uzamsal çözünürlük farklı veri kümeleri için tutarlı olmadığından, karşılaştırma yapmadan önce SST ve CHL verilerini rüzgar ve SLA uzaysal ızgaraile aynı olan uzamsal bir ızgaraya enterpole edin. komut Temporal_average.m çalıştırdıktan ve komut Read_WindVector.m çalıştırdıktan sonra komut dosyasını çalıştırmak için komut penceresinde Interpolation_grid yazın.</li>
	</ol>
</li>
	<li>Rüzgar stresi ve rüzgar stresi kıvrılma<ol>
<li>Aşağıdaki denklemleri kullanarak rüzgar gerilimini (WS) ve rüzgar gerilimi kıvrılmasını (WSC) hesaplamak için komut penceresinde Wind_stress_curl yazın: <img alt="Equation 1" src="/files/ftp_upload/61172/61172equ01.jpg"> <img alt="Equation 2" src="/files/ftp_upload/61172/61172equ02.jpg"> <img alt="Equation 10" src="/files/ftp_upload/61172/icon01.jpg">rüzgar hız vektörü nerede; rüzgar vektörü ile <img alt="Equation 10" src="/files/ftp_upload/61172/icon02.jpg"> aynı yönde <img alt="Equation 10" src="/files/ftp_upload/61172/icon03.jpg"> ws; ve doğu ve kuzey <img alt="Equation 10" src="/files/ftp_upload/61172/icon04.jpg"> yönünde WS, sırasıyla; <img alt="Equation 10" src="/files/ftp_upload/61172/icon05.jpg"> hava yoğunluğu (1,2 kg/m3eşit); ve C sürükleme katsayısıdır (0.0015 değeri kullanılır) nötr stabilite koşulları altında34.</li>
	</ol>
</li>
	<li>Aylık ortalamalar<ol>
<li>Komut dosyasını çalıştırmak için Monthly_average yazarak aylık SST, rüzgar ve SLA zaman serilerini her pikseldeki ortalama30 günlük ortalamaolarak hesaplayın. Yüksek bulut kapsama oranı nedeniyle, chl için aylık saat serisi olarak 60 günlük ortalama kullanın, ayın15 gününden 30 gün önce 30 gün önce dahil.</li>
	</ol>
</li>
</ol>3. SST ön algılama
<ol><li>Uzamsal yumuşatma<ol>
<li>Komut dosyasını çalıştırmak için Spatial_smoothing yazın ve her pikseldeki üç günlük SST verilerini ortalamaya yazın. NOT: SST verilerinde büyük miktarda gürültü tespit edilmiştir. Böylece veriler 3 x 3 uzamsal ortalama ile düzeltildi. Orijinal 3 günlük ortalama verilerde veri olmadığında, uzamsal ortalama veriler kullanılamayan olarak ayarlandı.</li>
	</ol>
</li>
	<li>SST gradyanı<ol>
<li>Zonal ve meridyen SST degradelerini (sırasıyla Gx ve Gy, sırasıyla) hesaplamak için komut dosyasını çalıştırmak için SST_gradient yazın, en yakın iki piksel arasındaki SST farkı denklemi (3) üzerinden karşılık gelen uzaklık la bölünür. Toplam degrade, G, denklem (4) aşağıdaki skaler olarak hesaplamak için elde edilen degrade vektörü kullanın. <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>Yerel maksimum<ol>
<li>SST gradyan değerini sınayarak bir ön tanım belirleyin: Değer belirlenmiş bir eşiğe göre daha büyükse pikseli potansiyel bir ön piksel olarak etiketle. Yerel maksimum pikseli yalnızca eşikten daha büyük değerlere sahip bağlı pikseller varsa, degrade yönüne dik olarak koruyun. Burada, eşik olarak tanımlayın 0.035 °C/km önceki çalışmalardan sonra10,28. NOT:'Local_maximum.m' ile ilgili komut dosyası Ek Dosyalar'damevcuttur.</li>
	</ol>
</li>
	<li>Aylık ön olasılık (FP) NOT: Frontal olasılık (FP) bir ön gözlem olasılığını açıklar.<ol>
<li>Komut dosyasını çalıştırmak için Monthly_FP yazarak FP'yi belirli bir zaman aralığı (bu durumda aylık aralık) için hesaplayın. Bir zaman penceresi boyunca her pikseldeki ön lerin oluşumunu bulutsuz gün sayısına bölün.</li>
	</ol>
</li>
</ol>4. Mekansal ve zamansal değişkenlik
<ol><li>Mevsimsel döngü<ol>
<li>Farklı mevsimortalamaları olarak farklı faktörlerin mevsimsel döngüleri hesaplayın. Mevsimleri aşağıdaki gibi tanımlayın: Kış Aralık'tan Şubat'a, bahar Mart'tan Mayıs'a, yaz Haziran'dan Ağustos'a, sonbahar ise Eylül'den Kasım'a kadardır. NOT: Mevsimsel döngü bu çalışmada gösterilmez; bunun yerine mekansal ve zamansal değişkenliği açıklamak için aşağıdaki yöntem kullanılır.</li>
	</ol>
</li>
	<li>Ampirik ortogonal fonksiyon (EOF)<ol>
<li>Zamansal ortalamayı ve kullanılamayan pikselleri kaldırın. EOF'yi gerçekleştirmeden önce, her pikseldeki genel ortalamayı çıkarın ve bulut kapsama alanı nedeniyle eksik gözlemlerin %20'yi aştığı yerleri hariç tarayın. Komut penceresine load('Monthly_data_for_EOF.mat') yazarak verileri yükleyin.</li>
		<li>Farklı parametrelerin mekansal ve zamansal değişkenliklerini açıklamak için bir EOF uygulayın. Veri kümesi için EOF'lerin büyüklüğünü (Mag), eigenvalues (Eig) ve genlik (Amp) hesaplamak için komut dosyası çalıştırmak için Empirical_orthogonal_function.m yazın (yani, aylık ortalama SST zaman serisi, rüzgar gerilimi, rüzgar gerilimi kıvırma, CHL ve FP). NOT: İşlev, aylık zaman serisini uzamsal ve zamansal desenlerden oluşan farklı modlara ayrıştırır ve her modda açıklanan varyans, artan mod sayısıyla azalır.</li>
	</ol>
</li>
</ol>5. İlişkiler arası
<ol><li>Mevsimsel ölçekte korelasyon<ol>
<li>Komut dosyasını çalıştırmak için Seasonal_correlation yazarak her pikselde zaman serilerini kullanarak iki faktör arasındaki korelasyonları hesaplayın. Mevsimsel döngü kaldırılmadığından, tüm bağıntılar için bağıntının önemini denetleyin.</li>
	</ol>
</li>
	<li>Anormal bir alanın korelasyon<ol>
<li>Aylık CHL anomalileri ile SST, WS, fronts ve SLA'lar gibi diğer faktörler arasındaki korelasyonları hesaplayın. Aylık anormallikleri (yani ortalama durumsapması) aylık zaman serisinden ilgili ayın genel ortalamasını çıkararak elde edin. Komut dosyasını çalıştırmak ve bağıntıları elde etmek için Anomalous_correlation yazın.</li>
	</ol>
</li>
</ol>6. Bilgilerin görüntülenmesi ve ilişkilerin hesaplanması
<ol><li>Uydu bilgilerini görüntüleyin.<ol>
<li>SST, CHL ve frontal dağılımları da dahil olmak üzere uydu bilgilerinin bir vitrinoluşturmak için komut dosyası çalıştırmak için Sat_SCS_Fig3457 yazın. Geçerli klasörü 'Sat_SCS_data.mat' verilerinin bulunduğu 'komut dosyaları' olarak ayarlayın. NOT: Şekil 1, Şekil 2, Şekil 3 ve Şekil 4, seçilen tarih için SST, CHL, önler, rüzgar ve topografyayı örnek olarak gösterir.</li>
	</ol>
</li>
	<li>Komut dosyasını çalıştırmak için Sat_SCS_Fig890.m yazarak EOF sonucunu görüntüleyin. NOT: Şekil 5, Şekil 6ve Şekil 7, sırasıyla CHL, SST ve önler için ilk iki modun uzamsal büyüklüğünü, aylık ortalamasını ve zaman serisini tanımlar.</li>
	<li>Komut dosyasını çalıştırmak için Sat_SCS_Fig1112.m yazarak, mevsimsel zaman ölçeklerinde ve anormal alanlar için CHL ve diğer etkenler arasındaki ilişkiyi hesaplayın. Mevsimsel değişkenlikler (Şekil 8) ve anomaliler için korelasyon haritasını edinin (Şekil 9).</li>
</ol>

Yazarların açıklayacak bir şeyi yok.

Bu çalışmada, deniz sistemlerinin temel özellikleri uydu gözlemleri kullanılarak açıklanmıştır. Okyanus üretimini temsil etmek için kullanılabilen CHL, bir gösterge faktörü olarak seçilir. CHL değişkenliğine bağlı faktörler aylık ortalama zaman serileri kullanılarak araştırıldı, örneğin, SST, WS, WSC, FP ve SLA. Bu çalışmada üç kritik adım tanımlanmıştır: farklı parametreler için uydu verilerinin elde edilmesi, EOF üzerinden mekansal ve zamansal değişkenliklerinin tanımlanması ve korelasyon katsayıları hesaplanarak farklı faktörler arasındaki ilişkilerin belirlenmesi. SST gözlemlerinden türetilen günlük frontal dağılım için tanımlamayı gösteren ayrıntılı bir yordam dahildir. SST ön algılama için iki önemli yaklaşım geliştirilmiştir: degrade yöntemi10,38 ve histogram yöntemi39,40. Histogram yöntemi, su kütlelerini farklı gruplara bölmek için kullanılabilen SST değerleri için benzer bir değer aralığına dayanır. Bir geçiş bandındaki pikseli temsil eden farklı gruplar arasındaki değerlere sahip pikseller ön olarak tanımlanır. Diğer taraftan, degrade yöntemi birkaç nispeten düzgün su gövdelerini büyük degrade değerlerine sahip pikseller olarak ayırır. Bir karşılaştırma çalışması yapıldı ve histogram yöntemi ve degrade yöntemi41kullanarak daha az cevapsız cepheler kullanarak daha düşük yanlış oranları bulundu. Bu çalışmada, degrade tabanlı yöntem38 eskiçalışmalardansonra kabul edilmiştir 10,28. Algoritma, büyüklüğün daha küçük bir eşiğin altına düşmesine izin vererek ön parçayı birden çok kenar parçasına ayırmayı önleyebilir. Burada bulunan veri kümesine ek olarak, aerosol indeksi gibi diğer uydu gözlemleri de benzer bir yaklaşımla kullanılabilir.
Yordamların çoğu doğrudan diğer bölgelerde veya veri kümelerinde uygulanabilir. Ön algılama eşiğini değiştirmek için değişiklik yapılabilir. SCS'deki SST degradesi Doğu Sınır Akım Sistemi28ile karşılaştırılabilir olduğundan, mevcut çalışma için aynı eşikler uygulanmıştır. Bir önceki çalışmada, farklı veri kümelerinden SST gradyanı kadar üç kat42değişebilir ortaya koymuştur , hangi yöntem bir şekilde daha az objektif hale getirir. Önemli çalışmalar küresel okyanuslar28,43etrafında frontal faaliyetleri araştırdık. Cepheleri doğrulamak için en iyi yaklaşım yerinde gözlemler ile karşılaştırmaktır. Yao44 SCS için aylık frontal dağıtım nitelendirdi. Onların sonuçları in situ ölçümleri ile iyi kabul etti. Değeri mekansal çözünürlüğe ve aletlere bağlı olarak değişebileceğinden, genel degrade kontrol edilmeli ve ayarlanmalıdır. Özellikle, başka bir SST veri kümesi kullanıldığında eşik güncelleştirilmelidir. Bölgesel dinamiklerin temel bir anlayış frontogenesis45,46,47anlamak için temel dir. Ön algılama komut dosyası, bu makaledeki açıklamaya göre tek tek yazarlar tarafından geliştirilebilir.
Uydu bilgileri yüzey özelliklerinin kapsamlı bir şekilde anlaşılmasını sağlar ve yerinde gözlemlerle karşılaştırma sonucu güvenilirliğini değerlendirmeye yardımcı olabilir. Ancak, uydu gözlemleri su sütununun dikey yapısını anlamak için uygulama sınırlar okyanus yüzeyi ile sınırlıdır. Yakın tarihli bir çalışmada, uydu gözlemleri yüzey CHL 15 kat arttığını ortaya koymuştur, ancak dikey entegre değeri sadece 2,5 kat48arttı. Bu fark, yüzey değerinin fitoplankton büyümesinin ve MLD'nin sürülmelerinden etkilenmesi ve yüzeyde fark edilemeyen bir değere yol açtığı içindi. Bu nedenle, yüzey özelliği tüm su sütunu için doğru bir açıklama sunmayabilir. Ayrıca, bulut kapsama alanının etkisi uyduların sürekli gözlemlerini sınırlar. Böylece, aylık zaman serileri aynı bölge ve aynı dönemde farklı faktörler için hesaplanır. Bu farklı faktörler arasındaki korelasyonhesaplama güvenilirliğini garanti edecektir. Ancak, birkaç gün ile bir hafta arasında süren tayfunlar gibi kısa süreli olaylar çözülmeyecektir.
Eski çalışmalarla karşılaştırıldığında, önerilen yöntem piksel düzeyinde uzamsal bilgiler sunabilir ve bu da dinamikleri daha ayrıntılı bir şekilde değerlendirmeye yardımcı olabilir. Bazı eski çalışmalar tek bir sayı olarak tüm SCS ortalama ve bir zaman serisi elde etti. Onlar alışılmadık güçlü WS ve yüksek SST anormal yüksek CHL neden olabilir bulundu16, hangi mevcut sonucu ile tutarlıdır. Ancak, ilişkilerdeki uzamsal değişim çözülmedi. Bu çalışmada, WS ve CHL arasındaki havza ölçekli korelasyon anormal alanda zayıftı. Büyük bir anlamlı korelasyon sadece belirli alanlar için tanımlanmıştır, örneğin, SCS merkezinde(Şekil 9B). Böylece, mevcut yöntem mekansal varyasyonları araştırmak için kapsamlı bir açıklama sunar. Benzer şekilde, iki Bio-Argo şamandırasından gözlemler kullanıldı ve WSC'nin CHL değişkenliği20ile ilişkili olmadığını ortaya çıkardı. Ancak, iki şamandıranın yörüngeleri yalnızca belirli bölgelerde bulunmaktadır. Bu durumda, chl düzeyi ile WSC arasındaki korelasyonun önemli olmadığı bant içinde tam olarak yer alıyordu(Şekil 8D). Önerilen yöntem, küresel okyanusun temel bir özelliği olan faktörler arasındaki mekansal bağımlılığın çözümünde çok yararlıdır.
Özetle, burada kullanılan yöntem uydu gözlemlerini kullanarak okyanus yüzeyi özelliklerindeki mekansal dağılımı ve zamansal değişkenliği doğru bir şekilde tanımlayabilir. Uydu veri kümelerinin artan çözünürlüğü ile, chl, SST ve SSH gibi bölgesel özelliklerin genel olarak anlaşılmasını sağlayan daha ayrıntılı özellikler tanımlanabilir ve araştırılabilir. Farklı faktörler arasında aylık zaman serisi korelasyon dinamik ilişkileri ve bir ekosistem49üzerindeki potansiyel etkisini anlamada yardımcı olabilir. Korelasyon büyük ölçüde farklı mekansal konumlarda farklılık gösterebileceğinden, önerilen yöntem ayrıntılı ve kapsamlı bir açıklama sunar. Benzer bir yaklaşım deniz dinamikleri ve ekosistemler anlayışını geliştirmek için büyük ölçüde yararlı olacaktır dünya çapında herhangi bir okyanus havzası için uygulanabilir.

Uzaktan algılama teknolojisi, deniz ortamlarını tanımlamak için büyük uzamsal ölçeklere ve uzun sürelere sahip harika veri kümeleri sunar. Uyduların artan mekansal çözünürlüğü ile, ayrıntılı özellikler artık birkaç yüz metre1,2bölgesel ölçekte çözülür . Deniz dinamikleri geliştirilmiş bir anlayış en güncel uydugözlemleri ileelde edilebilir 3 .
Uzaktan algılama platformuna birden fazla sensör ekleyerek, farklı parametrelerin kapsamlı bir açıklaması mümkündür. Deniz yüzey sıcaklığı (SST) yarım yüzyıldan fazla4için gözlenen temel parametredir. Son zamanlarda, deniz yüzeyi klorofil-a (CHL) için gözlemler kullanılabilir hale gelmiştir ve deniz verimliliği tanımlamak için kullanılabilir5. Alinatuydular deniz yüzey yüksekliği ölçmek için kullanılır6,7, hangi kuvvetle küresel okyanusta mezoölçekli eddy faaliyetleri ile ilgili8,9. Eddies ek olarak, frontal faaliyetleri de bölgesel dinamikleri ve birincil üretim10etkileyen için önemlidir.
Mevcut çalışmanın ana odak noktası, farklı okyanus faktörlerinin mekansal dağılımını ve zamansal değişkenliklerini tanımlamak için standart bir prosedür bulmaktır. Bu yöntemde, SST gradyanlarından türetilen SST, CHL, SSH ve ön veriler desenleri belirlemek için analiz edilir. Özellikle, CHL okyanusun verimliliğini temsil etmek için kullanılır ve CHL ve diğer okyanus parametreleri arasındaki ilişkiyi araştırmak için bir yöntem tanıtıldı. Yöntemi doğrulamak için, Güney Çin Denizi'nde Ekim 2002 ile Eylül 2017 arasındaki süre tüm parametreleri incelemek için kullanılmıştır. Bu yöntem, büyük okyanus desenlerini yakalamak ve deniz dinamiklerinin ekosistemi nasıl etkilediğini keşfetmek için dünyanın diğer bölgeleri için kolayca kullanılabilir.
Güney Çin Denizi (SCS) uydu gözlemleri nispeten yüksek kapsama oranı nedeniyle çalışma bölgesi olarak belirlenmiştir. SCS güneş radyasyonu boldur; böylece, CHL esas olarak besin durumu11,12tarafından belirlenir. Daha fazla besin öforik tabaka içine taşınan ile, CHL düzeyleriartabilir 13. Karıştırma, rüzgar tarafından indüklenen, okyanus yüzeyine besin tanıtmak ve CHL artırabilir14. SCS, bölgedeki dinamikleri ve ekosistemi belirleyen muson rüzgar sistemi tarafından benzersiz bir şekilde hakimdir. Muson rüzgarı kış aylarında en güçlü15. Yaz aylarında, rüzgarlar yön ünü değiştirmek ve rüzgar hızları çok kışın bu16dahazayıf,17. Rüzgar yoğunluğu dikey karıştırma gücünü belirleyebilir, bu tür karışık tabaka derinliği (MLD) kışın rüzgar artar ve rüzgar yaz18azalır gibi sığ hale derinleşir . Böylece, daha fazla besin rüzgar güçlü olduğunda kış aylarında öforik tabaka içine taşınır19 ve CHL yılın en yüksek noktasına ulaşır20,21.
Rüzgara ek olarak, MLD de sst ve deniz seviyesi anomalileri (SLA), sonuçta besin içeriği ve CHL22etkisi gibi diğer faktörler kullanılarak tespit edilebilir. Kış aylarında, zayıf dikey degradeyüzey20düşük sıcaklıklar ile ilişkilidir. İlgili MLD derin ve daha fazla besin yukarı taşınabilir; böylece, yüzey tabakasında CHL yüksek17. CHL düzeylerinde artan bir varyasyon, dikey taşıma ve karıştırma neden mezoto eddies atfedilebilir23. Upwelling genellikle depresifSLa'lar ileilişkili siklonik eddies bulunur 8,9 ve yüksek CHL konsantrasyonları24. Downwelling genellikle yüksek SLA ile ilişkili antisiklonik eddieler bulunur8,9 ve depresif CHL konsantrasyonları24. Diğer sezonlar için, MLD sığ olur ve karıştırma zayıf olur; böylece, düşük CHL havzanın çoğunluğu üzerinde görülebilir25. CHL seviyelerinin mevsimsel döngüleri daha sonra bölge için baskın dır26.
Karıştırma ek olarak, cepheler ve ilişkili kıyı upwelling daha CHL modüle edebilirsiniz. Farklı su kütlelerinin bir sınırı olarak tanımlanan cephe, bölgesel dolaşım ve ekosistem tepkilerini belirlemek için önemlidir27. Frontogenez genellikle kıyı upwelling ve yakınsama ile ilişkilidir28,29, hangi besin indüklemek ve fitoplankton büyümesini yükseltmek30. Histogram ve SST gradyan yöntemleri de dahil olmak üzere uydu gözlemlerinden cepheleri otomatik olarak tanımlamak için farklı algoritmalar geliştirilmiştir. İkinci yaklaşım bu çalışmada28benimsenmiştir.
CHL ve farklı faktörler arasındaki zaman serisi korelasyon ilişkilerini ölçmek için büyük anlayışlar sunuyor. Mevcut çalışma, verimlilikle ilgili bölgesel deniz dinamiklerini ortaya çıkarmak için uydu gözlemlerinin nasıl kullanılacağına ilişkin kapsamlı bir açıklama sunmaktadır. Bu açıklama, okyanusun herhangi bir yerinde yüzey süreçlerini araştırmak için bir kılavuz olarak kullanılabilir. Bu makalenin yapısı, metin ve şekillerde açıklayıcı sonuçlar ardından bir adım adım protokolü içerir. Yöntemin artıları ve eksileri ek olarak uygulanabilirlik daha sonra tartışılır.

<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

Uydu gözlemleri, deniz yüzeyi klorofili (CHL), deniz yüzey sıcaklığı (SST), deniz yüzey yüksekliği (SSH) ve bu parametrelerden (örn. ön cepheler) elde edilen faktörler dahil olmak üzere başlıca deniz parametrelerinin özelliklerini araştırmak için harika bir yaklaşım sunar. Bu çalışma, önemli parametreleri ve bunların mevsimsel ve anormal alanlardaki ilişkilerini tanımlamak için uydu gözlemlerini kullanmak için adım adım bir prosedür göstermektedir. Bu yöntem, Güney Çin Denizi'nin (SCS) yüzey özelliklerini tanımlamak için kullanılan 2002-2017 uydu veri kümeleri kullanılarak gösterilmiştir. Bu çalışmada bulut kapsama alanı nedeniyle aylık ortalama veriler kullanılmıştır. Ampirik ortogonal fonksiyon (EOF) farklı faktörlerin mekansal dağılımı nı ve zamansal değişkenliklerini tanımlamak için uygulanmıştır. Muson rüzgarı havzadaki değişkenliğe hükmeder. Böylece, yeniden analiz veri setinden gelen rüzgar, itici gücünü farklı parametreler üzerinde araştırmak için kullanılmıştır. CHL'deki mevsimsel değişkenlik belirgindi ve SCS'nin çoğunda diğer faktörlerle anlamlı olarak ilişkiliydi. Kışın, güçlü bir kuzeydoğu muson havzası boyunca derin bir karışık tabaka ve klorofil yüksek düzeyde neden olur. Mevsimsel döngüdeki faktörler arasında anlamlı korelasyon katsayıları bulundu. Yaz aylarında, yüksek CHL düzeyleri çoğunlukla batı SCS bulundu. Mevsimsel bağımlılık yerine, bölge son derece dinamikti ve anormal alanlarda ki anormal derecede yüksek CHL düzeylerinin anormal derecede güçlü rüzgarlar ve yoğun frontal aktivitelerle ilişkili olduğu gibi faktörler önemli ölçüde ilişkiliydi. Çalışma, önemli parametreleri ve bunların mevsimsel ve anormal alanlardaki ilişkilerini tanımlamak için uydu gözlemlerini kullanmak için adım adım bir prosedür sunmaktadır. Bu yöntem diğer küresel okyanuslara uygulanabilir ve deniz dinamiklerinin anlaşılmasında yararlı olacaktır.

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

Deniz yüzeyi klorofil, sıcaklık, deniz seviyesi yüksekliği, rüzgar ve uydu gözlemlerinden elde edilen veya elde edilen ön veriler okyanusu karakterize etmek için etkili bir yol sunar. Sunulan, bölgesel dinamikleri ve ekosistemleri tam olarak anlamak için genel ortalama, mevsimsel döngü ve korelasyon analizleri de dahil olmak üzere bu verilerin kapsamlı bir şekilde incelenmesi için kullanılan bir yöntemdir.

Deniz Yüzeyklorofili ve Güney Çin Denizi'nin Başlıca Özellikleri Ile Uydu Bilgileri Arasındaki İlişkinin Araştırılması

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

Uydu gözlemleri, deniz yüzeyi klorofil ve sıcaklık, deniz yüzey yüksekliği ve cepheler gibi bu parametrelerden elde edilen faktörler de dahil olmak üzere önemli deniz parametrelerinin özelliklerini araştırmak için harika bir yaklaşım sunmaktadır. Çalışmamız, önemli parametreleri ve ilişkilerini tanımlamak için uydu gözlemlerinin nasıl kullanılacağını göstermektedir. 2002'den 2017'ye kadar ki uydu veri bilimi, Güney Çin Denizi'nin yüzey özelliklerini tanımlamak için kullanılmıştır.Klorofilin uydu gözlemi okyanus korumaiçin kullanılan faktördür. Klorofil değişkenliğine bağlı faktörler zaman serileri kullanılarak araştırıldı. Bu yöntem diğer küresel okyanuslara uygulanabilir ve deniz dinamikleri ve ekosistemin anlaşılmasında yararlı olacaktır.Mekansal ve zamansal değişkenlikleri açıklayan ve farklı faktörler arasındaki ilişkileri belirleyen farklı parametrelerin uydu verilerini elde etmek için adım adım bir prosedür gösteriyoruz. Parametrelerin mekansal ve zamansal çeşitleri elde edilir. Ampirik ortogonal fonksiyondur ve farklı faktörler arasındaki ilişki sıfır korelasyon katsayıları ile kazanılır.Deniz yüzey sıcaklığı ve deniz yüzeyi klorofil veri alımı için, modis Aqua uydu gözlemleri bir veri seti indirin, hangi her iki veri kümesinin mekansal çözünürlük günlük aralıklarla kabaca 4,5 kilometre. İndirilen uydu dosyalarını veri klasöründe saklayın ve klasördizisini gösterildiği gibi yapılandırın. MATLAB'a NetCDF dosyası için araç kutusunun yolunu ekleyin ve komut dosyaları klasörünün yollarını eklemek için alt klasörlerle ekle'yi seçin.Verilerin ve işlevlerin gerekli dizinlerinin tümü için yol MATLAB arama yolunda görünür. Daha sonra deniz yüzey sıcaklığı verilerini analiz yazılımına yükleyin. Deniz seviyesi anomali veri seti alımı için, aynı zaman diliminden 25 kilometre uzamsal çözünürlük ile günlük deniz seviyesi anomali verilerini indirin ve tek günlük deniz seviyesi anomali verilerini yüklemek için komutu girin.Rüzgar hızı verilerini elde etmek için, bir ERA geçici yeniden analiz ürününden aynı zaman dilimindeki rüzgar verilerini indirin ve bir aylık rüzgar verilerini okumak için komutu girin. Elde edilen u, v ve zaman değişkenleri zonal ve meridyen tüm hızları ve ilgili zaman sırasıyla temsil eder. Topografya veri setine erişmek için Ulusal Çevre Bilgi Merkezleri web sitesinden yüksek çözünürlüklü topografya verilerini indirin ve topografya verilerini analiz yazılımına yüklemek için komutu girin.XX, YY ve ZZ değişkenleri sırasıyla enlem, boylam ve karşılık gelen derinliği gösterir. Deniz yüzey sıcaklığı ve deniz yüzeyi klorofil verilerindeki büyük bulut kapsama alanı nedeniyle, orijinal verileri üç günlük ortalama verilerle değiştirmek için komutu kullanın. Uzamsal çözünürlük farklı veri kümeleri için tutarlı olmadığından, deniz yüzey sıcaklığı ve deniz yüzeyi klorofil verilerini rüzgar ve deniz seviyesi anomalisi uzaysal ızgaraile aynı olan uzaysal bir ızgaraya enterpolasyon yapmak için komutu girin.Rüzgar gerilimi ve rüzgar gerilimi kıvrılmasını hesaplamak için belirtildiği gibi komutu girin. Aylık deniz yüzey sıcaklığını, rüzgarı ve deniz seviyesindeki anomali zaman serisini her pikselde 30 günlük ortalamaolarak hesaplamak için, belirtildiği gibi komutu girin. Uzamsal yumuşatma için, her pikseldeki üç günlük ortalama deniz yüzeyi sıcaklığı verilerini düzeltmek için komut dosyasını çalıştırmak için komutu girin.Deniz yüzey sıcaklığı degradesini belirlemek için, ilgili mesafeye bölünmüş en yakın iki piksel arasındaki deniz yüzey sıcaklığı farkı olarak tüm deniz yüzey sıcaklığı degradelerini hesaplamak için komutu çalıştırmak için komutu girin. Deniz yüzeyi sıcaklık degradesinin değerini test ederek bir ön cepheyi tanımlamak için, değer belirlenmiş bir eşikten daha büyükse pikseli potansiyel bir ön piksel olarak etiketlendirin. Belirli bir zaman aralığı için bir ön gözlem leme aylık ön olasılığını hesaplamak için, komutu girin.Analiz için aylık verileri yüklemek için komutları girin ve farklı parametrelerin mekansal ve zamansal değişkenliklerini açıklamak için ampirik ortogonal bir fonksiyon uygulayın. Program, veri kümesi için ampirik ortogonal fonksiyonların büyüklüğünü, özdeğerlerini ve genliğini hesaplar. Mevsimsel ölçekteki ilişkiyi belirlemek için, her pikseldeki zaman serilerini kullanan iki faktör arasındaki korelasyonları hesaplamak için komutu girin.Daha sonra deniz yüzeyi klorofil ve diğer faktörlerin aylık anomalileri arasındaki korelasyonları hesaplamak için komutu girin. Uydu bilgilerini görüntülemek için, deniz yüzeyi klorofil, sıcaklık ve rüzgar ve deniz seviyesi anomalisi ve frontal dağılımı da dahil olmak üzere uydu bilgilerinin bir vitrin oluşturmak için komutu çalıştırmak için komutu girin. Ampirik ortogonal fonksiyon sonucunu görüntülemek için komutu girin.Daha sonra mevsimsel ve anormal alanlarda klorofil ve diğer faktörler arasındaki ilişkiyi hesaplamak için belirtildiği gibi komutu girin. Topografya, yüksek deniz yüzeyi klorofil ağırlıklı olarak topografya sığ güney Çin Denizi kıyıları boyunca dağıtılan ile deniz yüzeyi klorofil mekansal dağılımı üzerinde önemli bir etkisi vardır. Rüzgar da zayıf rüzgar ve Güney Çin Denizi'nin güneybatısında tanımlanan belirgin bir rüzgar stres kıvırma ile karakterize dağların kira tarafında ile orografi etkilenir.Burada uygulanan eşikler etkin bir şekilde ön konumu yakalamak ve tüm su kütlelerinin sınırlarının tasviri sağlamak. Bu analizde, ampirik ortogonal fonksiyon bir Güney Çin Denizi'nin kuzey kesiminde büyük bir varyans yakaladı. Zaman serisinin ilgili aylık ortalama deniz yüzeyi klorofil kış aylarında yükseltilmiş ve yaz aylarında depresif olduğunu gösterdi.Güneybatı sahilinin yanındaki bölge zayıf bir büyüklük ile karakterize edildi ve buna karşılık gelen değişkenlik esas olarak ampirik ortogonal fonksiyon iki tarafından ele geçirildi. Deniz yüzeyi klorofil değerleri yaz aylarında yüksek, kışın ise düşüktü ve bu değerler kuzey bölgesine göre daha çok faz dışıydı. Nitekim, ampirik ortogonal fonksiyonlar için aylık zaman serisi ampirik ortogonal fonksiyonu iki önde gelen ampirik ortogonal fonksiyonu ile açık mevsimsel değişkenlik gösterdi yaklaşık dört ay.Klorofil ve diğer faktörler arasındaki korelasyonfaktörlerin ilişkilerini temsil eder. Örneğin, bu analizde, deniz yüzey sıcaklığı negatif klorofil ile korelasyon ise rüzgar gerilimi olumlu klorofil ile ilişkilidir. Böylece, yüksek klorofil düşük sıcaklık ve bu veriler için güçlü rüzgar ile ilişkili oldu.Okyanus parametrelerinin değişkenliğini tespit etmek ve klorofil ile ilişkilerini araştırmak okyanus dinamiği ve deniz ekosistemi için kritik ve önemlidir. Yüksek klorofil genellikle ön ile ilişkili olduğu için frontal aktiviteler özellikle önemlidir. Ön algılama eşiğini değiştirmek için modifikasyon yapılabilir ve ön doğrulamak için en iyi yaklaşım enstitü gözlemleri ile karşılaştırmaktır.Özetle, uydu gözlemlerini kullanarak doğru okyanus yüzey özellikleri mekansal dağılımı ve zamansal değişkenlik açıklayabilir. Daha ayrıntılı özelliklerin artan çözünürlüğü ile gelecekte tespit ve araştırılabilir.

Research

JoVE Journal

Environment

Protocol for Microplastics Sampling on the Sea Surface and Sample Analysis

Deniz Yüzey ve Numune Analizi Microplastics Örnekleme Protokolü

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

Situ kükürt izotopu analizi SIMS için Authigenic pirit metan taşıyan çökeller üzerinden hazırlanması

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

Laboratuvar İlaçlama haşere kontrolü ile nitrik oksit gaz için prosedürleri

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

Karınca görsel sistem anatomisi soruşturma teknikleri

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

Belirli ve narenciye Greening patojen olan liberibacter spp. kullanma geleneksel PCR narenciye yaprak doku örnekleri üzerinde doğru tespiti

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

Yansıma tabanlı anketler bentik Macroinvertebrates ve onların oturmaya elverişli için Atlantik deniz tarak tarafından açılan kamera anket örneği için yöntemleri

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

Bitki enfeksiyon Test: Sprey ve bitki patojeni Magnaporthe Grisea ile aşı yara-aracılı

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

Partikül büyüklüğü ve metan MPA'dan kapasite şeyl arasındaki ilişkinin deneysel çalışma

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

Seçim ve No-seçim biyoanalizler Pupation tercih ve Ectropis grisescens başarısı ortaya çıkması

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

Tasarım ve deniz kabuklu süspansiyon besleme miktarının için bir aparat kullanımı

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