Summary

利用卫星信息研究海面叶绿素与南海主要特征的关系

Published: June 13, 2020
doi:

Summary

从卫星观测中获得或派生的海面叶绿素、温度、海平面高度、风和正面数据为海洋的特征提供了有效的方法。介绍是一种全面研究这些数据的方法,包括总体平均值、季节周期和相互关系分析,以充分了解区域动态和生态系统。

Abstract

卫星观测为研究主要海洋参数的特点提供了一个很好的方法,包括海面叶绿素(CHL)、海面温度(SST)、海面高度(SSH)以及这些参数(例如正面)得出的因素。本研究显示了使用卫星观测来描述季节性和异常场中的主要参数及其关系的过程。该方法使用2002-2017年的卫星数据集进行说明,这些数据集用于描述南中国海(SCS)的表面特征。由于云覆盖,本研究使用了每月平均数据。运用经验正交函数(EOF)来描述不同因子的空间分布和时间变异性。季风主导着盆地的变异性。因此,来自重新分析数据集的风被用来调查其对不同参数的驱动力。CHL 的季节性变异性突出,与大多数 SCS 中的其他因素显著相关。冬季,强东北季风在盆地内诱发深层混合层和高叶绿素。在季节性周期的因子中发现显著的相关系数。在夏季,高CHL水平大多在西部SCS发现。该地区不是季节性依赖,而是高度动态,在异常领域中,各种因素显著相关,因此异常高的 CHL 水平与异常强风和强烈的正面活动相关。这项研究提出了一个逐步的过程,利用卫星观测来描述主要参数及其在季节性和异常领域的关系。该方法可应用于其他全球海洋,有助于了解海洋动态。

Introduction

遥感技术为描述海洋环境提供了空间尺度大、时间长的数据集。随着卫星空间分辨率的不断提高,详细特征现已从区域尺度扩展到几百米1、2。通过最新的卫星观测3,可以更好地了解海洋动态

通过将多个传感器整合到遥感平台上,可以全面描述不同的参数。海面温度(SST)是半个多世纪以来观测到的基本参数。最近,对海面叶绿素-a(CHL)的观测已经出现,可以用来描述海洋生产力5。高度测量卫星用于测量海面高度6、7,这与全球海洋的中尺度涡流活动8、9密切相关。除了涡流,正面活动对于影响区域动态和初级生产也很重要

当前研究的主要重点是寻找一个标准程序来描述不同海洋因素的空间分布和时间变化。在此方法中,将分析从 SST 梯度派生的 SST、CHL、SSH 和前端数据以确定模式。特别是,CHL用于表示海洋的生产力,并介绍了一种研究CHL与其他海洋参数之间的关系的方法。为了验证该方法,使用了2002年10月至2017年9月在南海的时间段来检查所有参数。该方法可以很容易地用于全球其他地区捕捉主要海洋模式,并探索海洋动力学如何影响生态系统。

南中国海被指定为研究区,因为它的卫星观测覆盖率相对较高。SCS具有丰富的太阳辐射;因此,CHL主要取决于营养物质的可得性11,12。随着更多的营养物质被运送到磷层,CHL水平可以增加13。由风引起的混合可以将营养物质引入海洋表面,增强CHL14。SCS 由季风系统独树一帜,它决定着该地区的动态和生态系统。季风风在15日是最强的。在夏季,风向变化,风速比16、17冬季要弱得多。风强度可以决定垂直混合的强度,这样混合层深度(MLD)会随着冬季风的增加而加深,随着18日夏季风的减弱,混合层深度(MLD)会变深。因此,当风19级和CHL达到20年、21年的最高点时,更多的营养物质在冬季被运送到磷

除了风,MLD还可以使用其他因素,如SST和海平面异常(SLA)来确定,这些因素最终影响营养成分和CHL22。在冬季,弱垂直梯度与地表20的低温相关。相应的MLD是深的,更多的营养物质可以向上运输;因此,表层中的CHL高17。CHL水平的变化增加可归因于中尺度涡流,它诱发垂直运输和混合23。上升流通常发现在气旋涡流与抑郁症SAS8,9和升高的CHL浓度24。通常发现在反气旋涡流与升高的 SLA8 ,9和沮丧的 CHL 浓度24 .对于其他季节,MLD变得浅,混合变得弱;因此,在盆地25的大多数区域都观察到低CHL。CHL水平的季节性周期随后主要在26地区

除了混合,前部及其相关的沿海上井可以进一步调节CHL。前线被定义为不同水质量的边界,对于确定区域环流和生态系统反应十分重要。前生通常与沿海上升和收敛28,29有关,它可以诱导营养,并提升浮游植物30的生长。开发了不同的算法,以自动识别卫星观测的正面,包括直方图和SST梯度方法。后一种方法在这项研究28中采用

CHL与不同因素之间的时间序列的相关性为量化它们之间的关系提供了很好的影响。本研究全面介绍了如何使用卫星观测来揭示与生产力有关的区域海洋动力学。此描述可用作调查海洋任何部分的表面过程的指南。本文的结构包括分步协议,然后是文本和数字中的描述性结果。随后讨论了该方法的优缺点。

Protocol

1. 数据集采集 Sst 和 Chl 从 MODIS-Aqua (podaac-tools.jpl.nasa.gov/)下载 SST 和 CHL 的卫星观测数据集,其中两个数据集的空间分辨率每天约为 4.5 公里。注意:按照补充文件中提供的示例脚本文件夹来构造 目录和数据。将卫星数据的 .nc 文件存储在”数据”文件夹中。将路径添加到分析软件(即 MATLAB)中的 NetCDF 工具箱。选择 “添加”与子 文件夹,以包围”公共事业”文件夹及其子文件夹的路径。 确定时间跨度。要保持不同数据集之间的一致性,请对所有参数使用相同的时间跨度。根据时间覆盖范围调整时间跨度,并在不同数据集之间使用最长的观测周期。对于此协议,请下载 2002 年 10 月至 2017 年 9 月的 15 年数据。 确定空间覆盖范围。注:设计的研究区域位于 105°E 和 123°E 之间,在 0° 和 25°N 之间。 检查预处理说明。阅读 .nc 文件中有关 SST 和 CHL 数据预处理要求的说明(例如,是否需要缩放)。注:下载的数据集已排除陆地上和海岸线 5 公里以内的数据,以及被云层污染的数据。 将 SST 和 CHL 数据加载到分析软件中。在 Read_MODIS_SST 窗口中键入一个类型以读取 SST 数据。同样 ,Read_MODIS_CHL 窗口中键入类型以读取 CHL 数据。以对数方式转换 CHL 数据,因为它们具有日志正态分布31。注:加载的变量包括三维的 SST 和 CHL,分别表示子午线位置、区域位置和时间(以天表示)。SST 的范围介于 -2 和 44 之间,CHL 的范围介于 0.01 和 20 之间。 海平面异常 下载 2002-201732年 25 公里空间分辨率的每日 SLA 数据。注:SLA 描述相应像素在 20 年(1993-2012 年)内观测到的海面高度与平均海面高度之间的差值。SLA 数据由 SSALTO/DUACS 处理,通过卫星海洋学数据的存档、验证和解释(AVISO,https://www.aviso.altimetry.fr)。 将数据加载到分析软件中。通过在命令窗口中键入 Read_SLA单日 SLA 数据。注:补充文件中的”数据 “文件夹 仅包含脚本中的一个示例基准,用于说明。 风速 从 ERA-临时再分析产品获取风信息,这是欧洲中程天气预报中心 (ECMWF)33开发的全球大气再分析数据集。下载同一时期的风数据(2002 年 10 月至 2017 年 9 月),以保持与 CHL 和 SST 数据的一致性。注:风数据集的空间分辨率约为 25 km,从原始数据集进行插值,空间分辨率约为 0.7°。 将数据加载到分析软件中。在 Read_WindVector 键入一个,用于读取一个月的风数据。通过平均原始数据(6 小时间隔)计算月平均值。 地形 从国家环境信息中心网站(NCEI,https://maps.ngdc.noaa.gov/viewers/wcs-client/)下载高分辨率地形数据。空间分辨率为 ±2 km。获取所选研究区域 XYZ 格式基岩的 ETOPO1 数据。 将数据加载到分析软件中。在 Read_topography 中键入类型,以将地形数据加载到分析软件中。 2. 数据预处理 时态平均值 由于 SST 和 CHL 数据中的云覆盖范围很大,因此用 3 天平均数据替换原始数据。为此,在运行脚本 Read_MODIS_SST.m Read_MODIS_CHL.m 脚本( 步骤 1.1.5) 后,在命令窗口中键入 Temporal_average 以运行脚本。 插值到同一网格中 由于不同数据集的空间分辨率不一致,因此在进行比较之前,请将 SST 和 CHL 数据插值到与风和 SLA 空间网格相同的空间网格中。运行脚本Temporal_average.m Read_WindVector.m脚本后,Interpolation_grid窗口中键入一个来运行脚本。 风应力和风应力卷曲 在 Wind_stress_curl 中键入类型,使用以下公式计算风应力 (WS) 和风应力卷曲 (WSC):风速 向量在哪里 ;WS与风向量的方向相同;东向和北向的 WS分别是; 空气密度(等于1.2千克/米3);C是中性稳定性条件下的阻力系数(使用0.0015值)。 每月平均值 通过键入运行脚本的脚本,将每月 SST、风和 SLA 时间序列计算 Monthly_average为每个像素的 30 天 平均值。由于云覆盖率高,使用 60 天平均值作为 CHL 的每月时间序列,包括每月第 15 天之后 30天到 30 天。 3. SST 前部检测 空间平滑 键入 Spatial_smoothing 运行脚本以平均每个像素中的三天 SST 数据。注:在 SST 数据中识别了大量噪声。因此,数据以 3 x 3 的空间平均值平滑。当原始 3 天平均数据中没有数据时,空间平均数据设置为不可用。 SST 渐变 类型 SST_gradient 运行脚本以计算区域和经线 SST 渐变( 即 Gx 和 Gy,分别作为最近的两个像素之间的 SST 差除以相应的距离通过方程 (3)。使用获得的梯度矢量计算总梯度 G, 作为以下方程 (4) 的标量。 本地最大值 通过测试 SST 渐变值来识别正面:如果值大于指定阈值,则将像素标记为潜在的正面像素。只有当连接的像素值大于阈值时,才能将局部最大像素保持与渐变方向垂直的相同方向。在这里,定义阈值为0.035 °C/km后,前研究10,28。注:相应的脚本[Local_maximum.m”在补充文件中可用。 每月正面概率 (FP)注:正面概率 (FP) 描述观察正面的概率。 通过键入要运行脚本的脚本,计算特定 时间跨度(本Monthly_FP 间隔)的 FP。在时间窗口内,将每个像素的前面出现率除以没有云的天数。 4. 空间和时间变异性 季节性周期 计算不同因子的季节性周期为不同季节的平均值。季节定义如下:冬季为12月至2月,春季为3月至5月,夏季为6月至8月,秋季为9月至11月。注:本研究未显示季节性周期;用以下方法来解释空间和时间变异性。 经验正交函数 (EOF) 删除时空平均值和不可用像素。在执行 EOF 之前,减去每个像素的总均值,并排除因云覆盖范围而缺失观测值超过 20% 的位置。通过在命令 窗口中键入加载(Monthly_data_for_EOF.mat) 来加载数据。 应用 EOF 来描述不同参数的空间和时间变化。 类型 Empirical_orthogonal_function.m 用于 运行脚本以计算数据集的 ECF 的幅度 (Mag)、特征值 (Eig) 和振幅 (Amp)(即每月平均 SST、风应力、风应力卷曲、CHL 和 FP 的时间序列)。注:该函数将每月时间序列分解为不同的模式,这些模式由空间和时间模式组成,每个模式解释的方差随着模式数的增加而减小。 5. 相互关系 季节性尺度的相关性 通过键入运行脚本的脚本,使用每个像素的时间序列 Seasonal_correlation 两个因素之间的相关性。由于未删除季节性周期,因此请检查所有相关性的相关性的重要性。 异常场的相关性 计算每月 CHL 异常与其他因素(如 SST、WS、正面和 SLA)之间的相关性。通过从每月时间序列中减去相应月的总体平均值,获取月度异常(即与平均值状态的偏差)。键入 Anomalous_correlation 运行脚本并获取相关性。 6. 显示信息和计算关系 显示卫星信息。 类型 Sat_SCS_Fig3457 运行脚本以生成卫星信息的展示,包括 SST、CHL 和正面分发。将当前文件夹设置为”脚本”,其中数据”Sat_SCS_data.mat”的位置。注:图1,图2,图3,图4显示了SST,CHL,正面,风和地形为所选日期的例子。 通过键入要运行脚本 Sat_SCS_Fig890.m 显示 EOF 结果。注:图5,图6和图7分别描述了CHL、SST和正面前两种模式的空间大小、月平均和时间序列。 通过键入运行脚本的脚本,计算 CHL 与季节性 时间刻度和异常Sat_SCS_Fig1112.m 因素之间的关系。获取季节性变异性(图8)和异常(图9)的相关性图。

Representative Results

利用卫星观测描述了SCS中海面CHL的空间和时间模式。CHL(图1A)和SST(图1B)的卫星信息可能受到云层覆盖的污染,导致大部分数据无法使用。重新分析的风 (图1C) 和 SLA (图 1D) 数据不受每日云的影响.地形(图1E)对CHL的空间分布有显著影响。风也受到地貌的影响,山的李侧的特点是弱风;因此,在 SCS 的西南部发现了一个突出的 WSC。相比之下,SLA 并不依赖于地形,在 SCS 盆地发现了一个异常高的 SLA 区域。 图1:2015年4月15日主要参数的原始观测结果。(A) 海面叶绿素 (CHL ), (B) 海面温度 (SST ), (C) 风应力卷曲 (WSC, 阴影) 与风应力 (WS, 矢量 ), (D) 海面异常, 和 (E) 海洋盆地地形. 请单击此处查看此图的较大版本。 由于云对卫星观测的严重影响,许多数据要么不可用,要么在空间上不一致。应用了一种有效有效的方法,填补了一些数据空白,使现场工作顺利进行。数据首先被替换为每个像素的 3 天平均值,这可以有效地填补一些空白,因为云每天变化(图 2B)。进一步在每个像素上应用空间平均值,以便数据被周围值(3 x 3 像素)的平均值替换。因此,空间不一致大大降低(图2C)。 图 2:2015 年 4 月 15 日单日 SST。(A) 原始 SST 来自 MODIS , (B) 三天平均 SST , 空间平滑后 (C) SST 。 请单击此处查看此图的较大版本。 SST 战线的每日分布派生自 SST 梯度(图3A)。此处应用的阈值有效地捕获了前部的位置(图3B),并确保了整个水质量边界的描绘(图 3C)。梯度和正面几乎相同,因为正面主要是从梯度中获得的。 图 3:从 SST 派生的前端检测过程。(A) SST 梯度的幅度, (B) SST 战线在细黑线中的分布, 和 (C) 基于相应的 SST 梯度的正面分布。 请单击此处查看此图的较大版本。 由于 CHL、SST 和正面数据的云覆盖,本研究计算并应用了每月平均时间序列。2015 年 4 月的图 4 显示了一个随机示例。没有任何参数存在间隙。不同参数的一般模式在空间方差方面非常一致。例如,CHL在海岸附近高,在中央盆地低,而SST在海岸附近低,在中央盆地高。每月平均数提供了描绘区域特征的全面信息。战线主要分布在海岸,那里的动态很复杂。盆地的很大一部分没有正面;因此,SCS 的中心特征是值接近零(图4E)。 图4:2015年4月主要参数的月度平均值。(A) CHL (以对数尺度计算)、(B) SST、(C) WSC (着色) 与WS(矢量)、(D) 海面异常和 (E) 正面概率 (FP)。 请单击此处查看此图的较大版本。 大多数表面特征的特点是突出的季节性变化,这是使用EOF清楚地观察到的。EOF是一种有用的数学方法,在大气和海洋科学中被广泛使用。该方法可以描绘空间域28上的时间序列的空间模式和时间信号。在SCS中海面特征的时空分解之后,通常需要前两种模式来描述空间和时间变化。CHL 前两个 ECF 分别描述了总方差的 44% 和 12%。EOF1 捕获了 SCS 北部段的较大方差(图 5A)。时间序列的相应月平均值(图5C)显示,CHL在冬季升高,夏季抑郁。西南海岸附近地区震级较弱,相应的变异性主要由EOF2捕获(图5B)。CHL 值在夏季很高,在冬季较低。与北部地区相比,这主要是出阶段性的。EOF的月度时间序列显示出明显的季节性变异性,EOF2导致EOF1约4个月(图5E)。 图5:CHL 的 EOF。(A) EOF1的震级,EOF2的EOF2的幅度,EOF1的月平均时间序列,EOF2的月平均时间序列,EOF1(黑色)和EOF2的月平均时间序列(蓝色)。请单击此处查看此图的较大版本。 SST 前两个 ECF 的解释差异显著高,EOF1 和 EOF2 分别等于 91% 和 5%。必须强调,在进行 EOF 之前,必须删除总体平均值;因此,均值字段被排除。EOF1主导了总方差,其震级在北部SCS最大,向南下降(图6A)。时间序列的相应月平均值(图6C)显示,SST在夏季升高,冬季下降。南部SCS的特点是震级较弱,归因于低纬度地区持续高温。南部的变异性主要是由EOF2捕获的(图6B)。相应的 SST 在 3 月到 6 月之间得到增强,而低值在其余月份持续。显著变暖发生在2010年和2016年,SST在SCS西南海岸外远高于其他几年(图6E)。这种年际变化主要归因于厄尔尼诺现象,减少西南夏季季风,导致弱上升流12。由于季节性变异性是当前研究的主要焦点,因此没有进一步讨论这一特征。 图 6:SST 的 EOF。(A) EOF1的震级,EOF2的EOF2的(B)级,EOF1的月平均时间序列,EOF2的月平均时间序列,EOF2的月平均时间序列(黑色)和EOF2的月平均时间序列(蓝色)。请单击此处查看此图的较大版本。 由于梯度的噪声性质,派生的正面解释的方差少得多。事实上,FP 的 EOF1 和 EOF2 只解释了总方差的 19% 和 9%。EOF1 捕获了 SCS 北部和东北部的方差(图 7A)。时间序列的相应月平均值(图7C)显示,在这些地区,冬季的FP增加,夏季的FP较少。SCS西南海岸外相恰恰相反,尽管相应的变异性要突出得多。EOF2捕获了西部SCS中FP的弹簧增强(图7D)(图7B)。EOF1 和 EOF2 的月度时间序列的特点是年际变化性较弱。 图 7:FP 的 EOF。(A) EOF1的震级,EOF2的EOF2的(B)级,EOF1的月平均时间序列,EOF2的月平均时间序列,EOF2的月平均时间序列(黑色)和EOF2的月平均时间序列(蓝色)。请单击此处查看此图的较大版本。 调查了不同因素与CHL的关系(图8)。例如,SST 可用于了解海洋的基本特征,这些特征会影响浮游植物的生长速度,并随后影响 CHL。对于大多数 SCS,SST 和 CHL 之间有很高的相关性(图8A),并且大多数相关性达到 -0.8。必须指出,高相关性并不表示这两个因素之间的因果关系。随着SST在夏季达到其年度最大值,MLD成为最浅的21。提供给磷层的营养物质含量较低,因为垂直混合被密集的分层13阻断。因此,低营养素限制了浮游植物的生长速度,导致低CHL。相比之下,高CHL发生在冬季时,MLD更深,低SST诱发弱分层35。 图8:CHL与季节性因素的相关性。(A) SST , (B) WS , (C) WSC , (D) FP 和 (E) SLA .灰色表示相关性为非显著。空间平均变量基于面板 A 中的绿色框计算。它们的时间序列用于获取表1中的相关系数。这个数字已经修改了从Yu等人17。请单击此处查看此图的较大版本。 风驱动混合可以由WS测量,并用于描述垂直混合18。在SCS以北的WS和CHL水平(图8B)之间,发现了大相关系数,值约为0.8,特别是在SCS北部大陆架上冬季风力最强的地区。南部发现存在微弱但显著的相关性。WSC和CHL之间的相关性在SCS的大多数情况下都相当显著(图8C),尽管它们显示出北方和南方的相反趋势。向南确定了CHL和WSC之间的正相关系数,在北方为负值。它们之间的区域相关性并不显著。在冬季WS最大的相应区域,WS和CHL发现它们具有强相关性。 前部也会诱发 CHL 变异性。在SCS的东北部和西南部发现很大的相关性(图8D)。CHL增加,因为正面活动变得更加活跃36。SLA显示,从东北SCS向西南方向的CHL呈显著的负相关,与SCS西海岸呈正相关(图8E)。有趣的是,正相关关系仅限于地层浅的地区。 在 SCS 的东北方向,所有相关性都很大(图 8)。因此,使用指定框中的空间平均值计算了每月时间序列与其他参数的相关性(图8A),并且大多数因素与显著相关性相关(表 1的右上部分)。由于季节性周期主导了时间序列,因此在删除月平均值(表 1 左下角)后, 相关性不再有效。 Chl – a Sst Ws Wsc Fp Sla Chl – a -0.8 0.78 0.67 0.74 -0.71 Sst -0.41 -0.47 -0.51 -0.79 0.86 Ws 0.32 0.04 0.63 0.51 -0.38 Wsc 0 0.08 -0.02 0.52 -0.37 Fp 0.21 -0.09 0.03 0.15 -0.74 Sla -0.25 0.42 0.07 0.13 -0.08 表1:位于SCS东北方的因子之间的时间序列相关系数,例如SST(海面温度)、FP(正面概率)、WSC(风应力卷曲)和WS(风应力),使用图8A所示的框。月平均值和异常分别显示在右上部分和左下部。粗体和斜体表示相关性不符合 95% 置信水平。该表已修改从余等人17。 季节性周期的相关性对某些地区来说并不显著,例如SCS的西南部(图8)。该区域以动态过程(例如,上升和风引起的海上运输)为主,这些过程决定了CHL17 的变异性。在异常字段中发现了 CHL 与其他因素(如 SST、WS、正面和 WSC)之间的显著相关性(图 9)。通过删除相应的月平均值,计算每月时间序列的异常。有效的自由度可以增加,但先前的研究表明,它并不影响它们的时间序列28,37之间的基本关系。 图9:CHL与异常字段中的其他因素之间的相关性。(A) SST , (B) WS , (C) WSC , (D) FP 和 (E) SLA .灰色表示相关性为非显著。空间平均变量基于面板 A 中的绿色框计算。时间序列用于获取表2中显示的相关系数。这个数字已经修改了从Yu等人17。请单击此处查看此图的较大版本。 在异常字段中,CHL 和 SST 在 SCS 的大多数情况下具有显著相关性(图 9A)。当 SST 异常高时,CHL 变得异常低,反之亦然。同样,一个异常高的WSC和正面到SCS的西南方向诱发高浓度的CHL,反之亦然(图9C,9D)。 此外,发现 SLA 和 CHL 水平呈负相关(图 9E)。测试了不同的滞后,只有在没有采用滞后时,相关性才变得显著。因此,CHL 同时受到 SST、WSC、正面以及 SLA 中的异常影响。使用SCS西南空间平均月时间序列进一步研究它们之间的关系,图9A中指定为绿色框。结果表明,大多数因子与异常场中的显著相关性相关(表2左下角)。 Chl – a Sst Ws Wsc Fp Sla Chl – a -0.15 0.36 0.35 0.26 -0.15 Sst -0.59 -0.48 0.61 0.07 0.17 Ws 0.25 -0.24 -0.14 -0.02 0.1 Wsc 0.29 -0.1 0.41 0.53 -0.21 Fp 0.57 -0.42 0.24 0.29 -0.42 Sla -0.3 0.54 -0.23 -0.29 -0.47 表2:位于SCS西南的因子之间的时间序列相关系数,例如SST(海面温度)、FP(正面概率)、WSC(风应力卷曲)和WS(风应力),使用图9A所示的框。月平均值和异常分别显示在右上部分和左下部。粗体和斜体表示相关性不符合 95% 置信水平。该表已修改从余等人17。 补充文件。 请点击这里下载此文件。

Discussion

本研究利用卫星观测描述了海洋系统的主要特点。CHL 可用于表示海洋生产,被选为指标因子。使用月平均时间序列(如 SST、WS、WSC、FP 和 SLA)对与 CHL 变异性相关的因素进行了调查。本研究描述了三个关键步骤:获取不同参数的卫星数据,通过EOF描述其空间和时间变化,以及通过计算相关系数确定不同因素之间的相互关系。包括一个详细步骤,显示从 SST 观测结果派生的每日正面分布标识。SST前检测方法有两种:梯度法10、38和直方图法39、40。直方图方法基于 SST 的类似值范围,可用于将水质量划分为不同的组。在过渡波段中表示像素的不同组之间的值的像素定义为正面。另一方面,渐变方法将几个相对均匀的水体分离为具有较大渐变值的像素。进行了一次比较研究,发现使用直方图法的误报率较低,使用梯度法41的误报率较低。在这项研究中,基于梯度的方法38是经过前研究10,28后采用的。该算法可以通过允许幅度减小到低于较小阈值的水平来避免前分解为多个边缘片段。除了此处包含的数据集外,其他卫星观测值(如气溶胶指数)也可以采用类似方法。

大多数过程可以直接应用于其他区域或数据集。可能会进行修改以更改前检测的阈值。由于 SCS 中的 SST 梯度与东部边界电流系统28可比较,因此对当前研究实现了相同的阈值。先前的研究表明,不同数据集的SST梯度变化可以达42的三倍之多,这使得该方法的客观性会小一些。大量研究已经调查了围绕全球海洋的正面活动28,43。验证正面的最佳方法是将它们与原位观测进行比较。姚44描述了SCS的每月正面分布。他们的结果与原地测量结果一致。应检查和调整整体梯度,因为其值可能因空间分辨率和仪器而异。特别是,当使用另一个 SST 数据集时,应更新阈值。对区域动态的基本了解对于理解正面45、46、47至关重要。根据本文的描述,单个作者可以开发前检测脚本。

卫星信息提供了对表面特征的全面了解,与原位观测结果的比较有助于评估可信度。然而,卫星观测仅限于海洋表面,这限制了对水柱垂直结构的理解。在最近的一项研究中,卫星观测显示,地表CHL增加了15倍,但垂直综合值只增加了2.5倍48。这种差异是因为表面值受到浮游植物生长和 MLD 浅滩的共效应的影响,导致表面值不可实现。因此,表面特征可能无法为整个水柱提供准确的描述。此外,云覆盖的影响限制了卫星的连续观测。因此,为同一区域和同一期间的不同因素计算每月时间序列。这将保证计算不同因素之间相关性的可信度。但是,短期事件(例如持续几天到一周的台风)不会得到解决。

与以前的研究相比,该方法可以在像素级别提供空间信息,有助于以更详细的方式评估动力学。一些以前的研究平均整个SCS作为一个数字,并获得了一个时间序列。他们发现,异常强的WS和高SST可以诱导异常高的CHL16,这与目前的结果是一致的。但是,关系中的空间变化未得到解决。本研究认为,WS与CHL之间的盆地尺度相关性在异常领域较弱。仅在某些区域(例如,在 SCS 中心)(图9B)中,才发现较大的显著相关性。因此,当前方法为研究空间变化提供了全面的描述。同样,使用两个Bio-Argo浮子的观测结果,发现WSC与CHL变异性20无关。但是,两个浮子的轨迹仅位于某些区域。在这种情况下,正是在频段内,CHL 级别和 WSC 之间的相关性不显著(图 8D)。该方法对解决要素之间的空间依赖性大有作为大有作为,是全球海洋的基本特征。

综上关于利用卫星观测方法准确描述海洋表面特征的空间分布和时态变异性。随着卫星数据集分辨率的不断提高,可以识别和调查更详细的要素,从而能够对区域要素(包括 CHL、SST 和 SSH)进行一般了解。不同因素之间月时序列的相关性有助于理解它们的动态关系及其对生态系统的潜在影响。由于不同空间位置的相关性差异很大,因此该方法提供了详细而全面的描述。类似的办法也适用于全世界任何海洋盆地,这将大大有助于增进对海洋动态和生态系统的了解。

Divulgations

The authors have nothing to disclose.

Acknowledgements

中国国家重点研究发展计划(2016YFC1401601)、江苏省研究生研究与实践创新计划(第2016号)的支持(第2016号YFC1401601号)SJKY19_0415)中央大学基础研究基金(2019B62814号)、中国国家自然科学基金(第41890805号、41806026号、41730536号)和孟加拉湾和东赤道印度洋联合高级海洋与生态研究得到充分肯定。作者赞赏从包括美国国家航空和航天局(美国航天局)、欧洲中程天气预报中心、哥白尼海洋环境监测处(CMEMS)和国家海洋和大气管理局(NOAA)在内的来源提供的数据。

Materials

Matlab MathWorks Matlab R2016 https://www.mathworks.com/products/matlab.html; referred to analysis software in the protocol
Sea surface chlorophyll NASA MODIS mg/mg3 (podaac-tools.jpl.nasa.gov)
Sea surface height AVISO AVISO meter (www.aviso.altimetry.fr)
Sea surface temperature NASA MODIS °C (podaac-tools.jpl.nasa.gov)
Topography NOAA NGDC meter (maps.ngdc.noaa.gov/viewers/wcs-client/)
Wind ECMWF ERA-interim m/s (www.ecmwf.int/en/forecasts/datasets)

References

  1. Behrenfeld, M. J., Falkowski, P. G. Photosynthetic rates derived from satellite-based chlorophyll concentration. Limnology and Oceanography. 42 (1), 1-20 (1997).
  2. Loisel, H., et al. Assessment and analysis of the chlorophyll-a concentration variability over the Vietnamese coastal waters from the MERIS ocean color sensor (2002-2012). Remote Sensing of Environment. 190, 217-232 (2017).
  3. Gohin, F., et al. Towards a better assessment of the ecological status of coastal waters using satellite-derived chlorophyll-a concentrations. Remote Sensing of Environment. 112 (8), 3329-3340 (2008).
  4. Bates, J. J., Smith, W. L. Sea surface temperature: Observations from geostationary satellites. Journal of Geophysical Research. 90, 11609-11618 (1985).
  5. Antoine, D., Andre, J., Morel, A. Oceanic primary production: 2. Estimation at global scale from satellite (Coastal Zone Color Scanner) chlorophyll. Global Biogeochemical Cycles. 10 (1), 57-69 (1996).
  6. Mason, E., Pascual, A., McWilliams, J. C. A new sea surface height-based code for oceanic mesoscale eddy tracking. Journal of Atmospheric and Oceanic Technology. 31 (5), 1181-1188 (2014).
  7. Sterlini, P., De Vries, H., Katsman, C. A. Sea surface height variability in the North East Atlantic from satellite altimetry. Climate Dynamics. 47, 1285-1302 (2016).
  8. Chelton, D. B., Schlax, M. G., Samelson, R. M., De Szoeke, R. A. Global observations of large oceanic eddies. Geophysical Research Letters. 34, 15606 (2007).
  9. Chelton, D. B., Schlax, M. G., Samelson, R. M. Global observations of nonlinear mesoscale eddies. Progress in Oceanography. 91 (2), 167-216 (2011).
  10. Castelao, R. M., Wang, Y. Wind-driven variability in sea surface temperature front distribution in the California Current System. Journal of Geophysical Research: Oceans. 119 (3), 1861-1875 (2014).
  11. Pauly, D., Christensen, V., Sherman, K., Alexander, L. M., Gold, B. D. Stratified model of large marine ecosystems: A general approach and an application to the South China Sea. Large Marine Ecosystems: Stress, Mitigation, and Sustainability. , 148-174 (1993).
  12. Gao, S., Wang, H., Liu, G., Li, H. Spatio-temporal variability of chlorophyll a and its responses to sea surface temperature, winds and height anomaly in the western South China Sea. Acta Oceanologica Sinica. 32 (1), 48-58 (2013).
  13. Chen, Y. L. Spatial and seasonal variations of nitrate-based new production and primary production in the South China Sea. Deep-sea Research Part I. 52 (2), 319-340 (2005).
  14. Kahru, M., et al. Global correlations between winds and ocean chlorophyll. Journal of Geophysical Research. 115, 12040 (2010).
  15. Wu, C. R., Shaw, P. T., Chao, S. Y. Seasonal and Interannual Variations in the Velocity Field of the South China Sea. Journal of Oceanography. 54, 361-372 (1998).
  16. Liu, K. K., et al. Inter-annual variation of chlorophyll in the northern South China Sea observed at the SEATS Station and its asymmetric responses to climate oscillation. Biogeosciences. 10, 7449-7462 (2013).
  17. Yu, Y., et al. The variability of chlorophyll-a and its relationship with dynamic factors in the basin of the South China Sea. Journal of Marine Systems. 200, 103230 (2019).
  18. Qu, T., Du, Y., Gan, J., Wang, D. Mean seasonal cycle of isothermal depth in the South China Sea. Journal of Geophysical Research. 112, 02020 (2007).
  19. Chen, C. C., Shiah, F. K., Chung, S. W., Liu, K. K. Winter phytoplankton blooms in the shallow mixed layer of the South China Sea enhanced by upwelling. Journal of Marine Systems. 59, 97-110 (2006).
  20. Zhang, W. Z., Wang, H., Chai, F., Qiu, G. Physical drivers of chlorophyll variability in the open South China Sea. Journal of Geophysical Research: Oceans. 121, 7123-7140 (2016).
  21. Zeng, L., Wang, D., Chen, J., Wang, W., Chen, R. SCSPOD14, a South China Sea physical oceanographic dataset derived from in situ measurements during 1919-2014. Scientific Data. 3, 160029 (2016).
  22. Greer, A. T., Cowen, R. K., Guigand, C. M., Hare, J. A. Fine-scale planktonic habitat partitioning at a shelf-slope front revealed by a high-resolution imaging system. Journal of Marine Systems. 142, 111-125 (2015).
  23. Piontkovski, S. A., Nezlin, N. P., Alazri, A., Alhashmi, K. Mesoscale eddies and variability of chlorophyll-a in the Sea of Oman. Journal of Remote Sensing. 33 (17), 5341-5346 (2012).
  24. Kahru, M., Fiedler, P. C., Gille, S. T., Manzano, M., Mitchell, B. G. Sea level anomalies control phytoplankton biomass in the Costa Rica Dome area. Geophysical Research Letters. 34, 22601 (2007).
  25. Palacz, A. P., Xue, H., Armbrecht, C., Zhang, C., Chai, F. Seasonal and inter-annual changes in the surface chlorophyll of the South China Sea. Journal of Geophysical Research. 116, 09015 (2011).
  26. Tang, S., Liu, F., Chen, C. Seasonal and intraseasonal variability of surface chlorophyll a concentration in the South China Sea. Aquatic Ecosystem Health and Management. 17, 242-251 (2014).
  27. Fedorov, K. N. . The physical nature and structure of oceanic fronts. , 333 (1986).
  28. Wang, Y., Castelao, R. M., Yuan, Y. Seasonal variability of alongshore winds and sea surface temperature fronts in Eastern Boundary Current Systems. Journal of Geophysical Research: Oceans. 120 (3), 2385-2400 (2015).
  29. Chen, H. H., Qi, Y., Wang, Y., Chai, F. Seasonal variability of SST fronts and winds on the southeastern continental shelf of Brazil. Ocean Dynamics. 69 (11), 1387-1399 (2019).
  30. Woodson, C. B., Litvin, S. Y. Ocean fronts drive marine fishery production and biogeochemical cycling. Proceedings of the National Academy of Sciences of the United States of America. 112 (6), 1710-1715 (2015).
  31. Siegel, D. A., et al. Regional to global assessments of phytoplankton dynamics from the SeaWiFS mission. Remote Sensing of Environment. 135, 77-91 (2013).
  32. Ducet, N., Traon, P. Y. L., Reverdin, G. Global high-resolution mapping of ocean circulation from Topex/Poseidon and ERS-1/2. Journal of Geophysical Research-Atmospheres. 105 (8), 19477-19498 (2000).
  33. Dee, D. P., et al. The ERA Interim reanalysis: Configuration and performance of the data assimilation system. Quarterly Journal of the Royal Meteorological Society. 137 (656), 553-597 (2011).
  34. Hellerman, S. Computations of wind stress fields over the Atlantic Ocean. Monthly Weather Review. 93 (4), 239-244 (1965).
  35. Xian, T., Sun, L., Yang, Y. J., Fu, Y. F. Monsoon and eddy forcing of chlorophyll-a variation in the northeast South China Sea. International Journal of Remote Sensing. 33 (23), 7431-7443 (2012).
  36. Hu, J. Y., Kawamura, H., Tang, D. Tidal front around the Hainan Island, northwest of the South China Sea. Journal of Geophysical Research. 108 (11), 3342 (2003).
  37. Chelton, D. B. Large-scale response of the California Current to forcing by the wind stress curl. CalCOFI Reports. 23, 130-148 (1982).
  38. Canny, J. A computational approach to edge-detection. IEEE Transactions on Pattern Analysis and Machine Intelligence. 6, 679-698 (1986).
  39. Cayula, J. F., Cornillon, P., Holyer, R., Peckinpaugh, S. Comparative study of two recent edge-detection algorithms designed to process sea-surface temperature fields. IEEE Geoscience and Remote Sensing Letters. 29 (1), 175-177 (1991).
  40. Cayula, J. F., Cornillon, P. Cloud detection from a sequence of SST images. Remote Sensing of Environment. 55 (1), 80-88 (1996).
  41. Ullman, D. S., Cornillon, P. Evaluation of Front Detection Methods for Satellite-Derived SST Data Using in Situ Observations. Journal of Atmospheric and Oceanic Technology. 17 (12), 1667-1675 (2000).
  42. Oey, L., Chang, M. C., Huang, S., Lin, Y. C., Lee, M. The influence of shelf-sea fronts on winter monsoon over East China Sea. Climate Dynamics. 45, 2047-2068 (2015).
  43. Legeckis, R. A survey of worldwide sea surface temperature fronts detected by environmental satellites. Journal of Geophysical Research. 83 (9), 4501-4522 (1978).
  44. Yao, J., Belkin, I. M., Chen, J., Wang, D. Thermal fronts of the southern South China Sea from satellite and in situ data. International Journal of Remote Sensing. 33 (23), 7458-7468 (2012).
  45. Chen, G., et al. Eddy heat and salt transports in the South China Sea and their seasonal modulations. Journal of Geophysical Research. 117, 05021 (2012).
  46. Wang, G., Li, J., Wang, C., Yan, Y. Interactions among the winter monsoon, ocean eddy and ocean thermal front in the South China Sea. Journal of Geophysical Research. 117, 08002 (2012).
  47. Guo, L., et al. Enhanced chlorophyll concentrations induced by Kuroshio Intrusion Fronts in the Northern South China Sea. Geophysical Research Letter. 44 (22), 565-572 (2017).
  48. Xing, X. G., Qiu, G. Q., Boss, E., Wang, H. L. Temporal and Vertical Variations of Particulate and Dissolved Optical Properties in the South China Sea. Journal of Geophysical Research-Oceans. 124 (6), 3779-3795 (2019).
  49. Belkin, I. M., Cornillon, P., Sherman, K. Fronts in Large Marine Ecosystems. Progress in Oceanography. 81, 223-236 (2009).

Play Video

Citer Cet Article
Chen, H., Tang, R., Zhang, H., Yu, Y., Wang, Y. Investigating the Relationship between Sea Surface Chlorophyll and Major Features of the South China Sea with Satellite Information. J. Vis. Exp. (160), e61172, doi:10.3791/61172 (2020).

View Video