Havoverfladechlorofyl, temperatur, havniveau højde, vind, og front data opnået eller afledt af satellit observationer tilbyder en effektiv måde at karakterisere havet. Præsenteret er en metode til en omfattende undersøgelse af disse data, herunder det samlede gennemsnit, sæsoncyklus, og indbyrdes forbindelse analyser, til fuldt ud at forstå regionale dynamik og økosystemer.
Satellitobservationer er en god metode til at undersøge de særlige forhold ved større havparametre, herunder chlorofyl (CHL), havoverfladetemperatur (SST), havoverfladehøjde (SSH) og faktorer, der stammer fra disse parametre (f.eks. fronter). Denne undersøgelse viser en trinvis procedure til at bruge satellitobservationer til at beskrive større parametre og deres relationer i sæson- og anormerede områder. Denne metode er illustreret ved hjælp af satellitdatasæt fra 2002-2017, der blev brugt til at beskrive overfladefunktionerne i Det Sydkinesiske Hav (SCS). På grund af skydækning blev der anvendt månedlige gennemsnitsdata i denne undersøgelse. Den empiriske ortogonale funktion (EOF) blev anvendt til at beskrive de forskellige faktorers rumlige fordeling og tidsmæssige variabilitet. Monsunvinden dominerer variabiliteten i bassinet. Således blev vind fra reanalysedatasættet brugt til at undersøge sin drivkraft på forskellige parametre. Sæsonudsvingene i CHL var fremtrædende og signifikant korreleret med andre faktorer i størstedelen af SCS. Om vinteren, en stærk nordøst monsun inducerer en dyb blandet lag og højt niveau af klorofyl i hele bassinet. Der blev fundet signifikante korrelationskoefficienter blandt faktorerne i sæsoncyklussen. Om sommeren blev høje CHL-niveauer for det meste fundet i det vestlige SCS. I stedet for en sæsonbestemt afhængighed var regionen meget dynamisk, og faktorer korreleret betydeligt i unormale områder, således at usædvanligt høje CHL niveauer var forbundet med unormalt stærk vind og intense frontal aktiviteter. Undersøgelsen præsenterer en trinvis procedure til at bruge satellitobservationer til at beskrive større parametre og deres relationer i sæson- og anormerede områder. Metoden kan anvendes på andre globale oceaner og vil være nyttigt for at forstå marine dynamik.
Telemålingsteknologi tilbyder fantastiske datasæt med store rumlige skalaer og lange perioder til beskrivelse af havmiljøer. Med den stigende rumlige opløsning af satellitter, er detaljerede funktioner nu løst fra den regionale skala til et par hundrede meter1,2. Der kan opnås en bedre forståelse af marinedynamikken med de mest opdaterede satellitobservationer3.
Ved at inkorporere flere sensorer på en telemålingsplatform er en omfattende beskrivelse af forskellige parametre mulig. Havoverfladetemperatur (SST) er den grundlæggende parameter, der er blevet observeret i mere end et halvt århundrede4. For nylig er observationer for chlorofyl-a (CHL) blevet tilgængelige og kan bruges til at beskrive den marine produktivitet5. Altimetry-satellitter anvendes til måling af havoverfladehøjde6,7, som er stærkt relateret til mesoskala eddy-aktiviteter i det globale hav8,9. Ud over hvirvler er frontale aktiviteter også vigtige for at påvirke den regionale dynamik og primærproduktionen10.
Hovedfokus for den nuværende undersøgelse er at finde en standardprocedure til at beskrive de rumlige fordeling og tidsmæssige varia evner af forskellige havfaktorer. I denne metode analyseres SST, CHL, SSH og frontdata, som er afledt af SST-forløb, for at bestemme mønstre. CHL anvendes især til at repræsentere havets produktivitet, og der indføres en metode til at undersøge forholdet mellem CHL og andre havparametre. For at validere metoden blev tidsperioden mellem oktober 2002 og september 2017 i Det Sydkinesiske Hav anvendt til at undersøge alle parametre. Metoden kan nemt bruges til andre regioner rundt om i verden til at fange store havmønstre og undersøge, hvordan marine dynamik påvirker økosystemet.
Det Sydkinesiske Hav (SCS) blev udpeget som undersøgelsesregion på grund af dets relativt høje dækningsgrad for satellitobservationer. SCS er rigeligt i solstråling; CHL bestemmes således hovedsagelig af tilgængeligheden af næringsstoffer11,12. Med flere næringsstoffer, der transporteres ind i euforiserende lag, CHL niveauer kan stige13. Blanding, induceret af vind, kan indføre næringsstoffer i havoverfladen og forbedre CHL14. SCS er unikt domineret af et monsunvindsystem, der bestemmer dynamikken og økosystemet i regionen. Monsunvinden er stærkest i løbet afvinteren 15. Om sommeren skifter vinden retning, og vindhastighederne er meget svagere end i vinter16,17. Vindintensiteten kan bestemme styrken af lodret blanding, således at blandet lag dybde (MLD) uddyber som vinden stiger om vinteren og bliver fladere som vinden falder i sommeren18. Således transporteres flere næringsstoffer ind i det euforiske lag om vinteren, når vinden erstærk 19 og CHL når sit højeste punkt iår 20,21.
Ud over vinden kan MLD også bestemmes ved hjælp af andre faktorer, såsom SST og havniveau anomalier (SLA’er), som i sidste ende påvirker næringsstofindholdet og CHL22. Om vinteren er den svage lodrette hældning forbundet med lave temperaturer ved overfladen20. Den tilsvarende MLD er dyb og flere næringsstoffer kan transporteres opad; CHL i overfladelaget er således høj17. En stigende variation i CHL niveauer kan tilskrives mesoscale hvirvler, som inducerer lodret transport og blanding23. Upwelling findes normalt i cykloniske hvirvler forbundet med deprimerede SLA’er8,9 og forhøjede CHL-koncentrationer24. Downwelling findes normalt i anticykloniske hvirvler forbundet med forhøjedeSLA’er 8,9 og deprimerede CHL-koncentrationer24. For andre sæsoner, bliver MLD lavvandet, og blanding bliver svag; således kan lav CHL observeres over størstedelen af bassinet25. De sæsonbestemte cyklusser for CHL-niveauerne er efterfølgende fremherskende for regionen26.
Ud over at blande, fronter og deres tilhørende kystnære upwelling kan yderligere modulere CHL. Fronten, der defineres som en grænse for forskellige vandmasser, er vigtig for at bestemme den regionale cirkulation og økosystemrespons27. Frontogenese er normalt forbundet med kystnære upwelling og konvergens28,29, som kan fremkalde næringsstoffer og øge væksten af fytoplankton30. Forskellige algoritmer er blevet udviklet til automatisk at identificere fronter fra satellit observationer, herunder histogram og SST gradient metoder. Sidstnævnte fremgangsmåde anvendes i denne undersøgelse28.
Sammenhængen mellem tidsserier mellem CHL og forskellige faktorer giver stor indsigt for kvantificering af deres forhold. Den nuværende undersøgelse giver en omfattende beskrivelse af, hvordan man bruger satellitobservationer til at afsløre regionale marinedynamik i forbindelse med produktivitet. Denne beskrivelse kan bruges som vejledning til undersøgelse af overfladeprocesserne i alle dele af havet. Strukturen i denne artikel indeholder en trinvis protokol efterfulgt af beskrivende resultater i teksten og tallene. Anvendeligheden ud over metodens fordele og ulemper drøftes efterfølgende.
I denne undersøgelse beskrives de vigtigste træk ved marine systemer ved hjælp af satellitobservationer. CHL, som kan bruges til at repræsentere havproduktionen, vælges som en indikatorfaktor. Faktorer relateret til CHL variabilitet blev undersøgt ved hjælp af månedlige gennemsnitlige tidsserier, f.eks. Tre kritiske trin er beskrevet i denne undersøgelse: erhvervelse af satellitdata for forskellige parametre, beskrivelse af deres rumlige og tidsmæssige variabilitet via EOF og bestemmelse af indbyrdes forhold mellem forskellige faktorer ved at beregne korrelationskoefficienter. Der medfølger en detaljeret procedure, der viser identifikationen af den daglige frontaldistribution, som er afledt af SST-observationerne. Der er udviklet to større tilgange til SST-frontdetektion: gradientmetoden10,38 og histogrammetoden39,40. Histogrammetoden er baseret på et tilsvarende værdiinterval for SST, som kan bruges til at opdele vandmasserne i forskellige grupper. Pixel med værdier mellem forskellige grupper, der repræsenterer pixlen i et overgangsbånd, defineres som fronter. På den anden side adskiller gradientmetoden flere relativt ensartede vandområder som pixel med store gradientværdier. En sammenligning undersøgelse blev gennemført, og de fandt lavere falske satser ved hjælp af histogram metode og færre ubesvarede fronter ved hjælp af gradient metode41. I denne undersøgelse blev den gradientbaserede metode38 vedtaget efter tidligere undersøgelser10,28. Algoritmen kan undgå frontopbrydende i flere kantfragmenter ved at lade omfanget falde til et niveau under en mindre tærskel. Ud over det datasæt, der er medtaget her, kan andre satellitobservationer, såsom aerosolindekset, også anvendes med en lignende fremgangsmåde.
De fleste af procedurerne kan anvendes direkte i andre regioner eller datasæt. Der kan ske ændringer for at ændre tærsklen for frontdetektering. Da SST-gradienten i SCS kan sammenlignes med det nuværende system for den østlige grænse28, blev de samme tærskler gennemført for den aktuelle undersøgelse. En tidligere undersøgelse viste, at SST gradient fra forskellige datasæt kan variere så meget som tre gange42, hvilket gør metoden eller anden måde mindre objektiv. Omfattende undersøgelser har undersøgt frontale aktiviteter omkring det globale ocean28,43. Den bedste fremgangsmåde til at validere fronter er at sammenligne dem med in situ observationer. Yao44 beskrev den månedlige frontaldistribution for SCS. Deres resultater var godt enige med in situ målinger. Den samlede gradient bør kontrolleres og justeres, da værdien kan variere afhængigt af den rumlige opløsning og instrumenterne. Tærsklen bør navnlig ajourføres, når der anvendes et andet SST-datasæt. En grundlæggende forståelse af den regionale dynamik er afgørende for forståelsen af frontogenese45,46,47. Frontdetekteringsscriptet kan udvikles af individuelle forfattere baseret på beskrivelsen i dette papir.
Satellitinformation giver en omfattende forståelse af overfladefunktioner, og en resultatsammenligning med in situ-observationer kan bidrage til at vurdere troværdigheden. Satellitobservationer er imidlertid begrænset til havoverfladen, hvilket begrænser anvendelsen af forståelse af vandsøjlens lodrette struktur. I en nylig undersøgelse viste satellitobservationer, at overfladen CHL steg med 15 gange, men den vertikale integrerede værdi steg kun med 2,5 gange48. Denne forskel skyldtes, at overfladeværdien blev påvirket af coeffects af fytoplanktonvækst og stimering af MLD, hvilket resulterede i en urealiseret værdi ved overfladen. Overfladefunktionen giver således muligvis ikke en nøjagtig beskrivelse af hele vandsøjlen. Derudover begrænser indflydelsen af skydækning satellitters fortsatte observationer. Månedlige tidsserier beregnes således for forskellige faktorer i samme region og samme periode. Dette vil sikre troværdigheden af beregningen af korrelationerne mellem forskellige faktorer. Men de korte periode begivenheder, f.eks tyfoner, der varer et par dage til en uge, vil ikke blive løst.
Sammenlignet med tidligere undersøgelser kan den foreslåede metode tilbyde rumlig information på pixelniveau, hvilket kan bidrage til at evaluere dynamikken på en mere detaljeret måde. Nogle tidligere undersøgelser gennemsnit hele SCS som et enkelt nummer og opnået en tidsserie. De fandt, at en usædvanlig stærk WS og høj SST kan fremkalde unormalt høj CHL16, hvilket er i overensstemmelse med det nuværende resultat. Den geografiske variation i relationerne blev dog ikke løst. I denne undersøgelse var bassinskalarelationen mellem WS og CHL svag på det unormale område. Der blev kun identificeret en stor signifikant korrelation for visse områder,f.eks. Den nuværende metode giver således en omfattende beskrivelse til undersøgelse af rumlige variationer. På samme måde blev der anvendt observationer fra to Bio-Argo-flåd, og det viste sig, at WSC ikke korrelerede med CHL-variabilitet20. De to flåds forløb er dog kun placeret i visse regioner. I dette tilfælde var det præcis inden for båndet, hvor sammenhængen mellem CHL-niveauet og WSC ikke var signifikant (figur 8D). Den foreslåede metode er meget nyttig til at løse den geografiske afhængighed blandt faktorer, som er et grundlæggende kendetegn ved det globale hav.
Sammenfattende kan den metode, der anvendes her, præcist beskrive den rumlige fordeling og tidsmæssige variabilitet i havets overflade funktioner ved hjælp af satellit observationer. Med den stigende opløsning af satellitdatasæt kan der identificeres og undersøges mere detaljerede funktioner, hvilket giver mulighed for en generel forståelse af regionale funktioner, herunder CHL, SST og SSH. Sammenhængen mellem månedlige tidsserier mellem forskellige faktorer kan bidrage til at forstå deres dynamiske relationer og potentielle indvirkning på etøkosystem 49. Da korrelationen i høj grad kan variere på forskellige rumlige steder, giver den foreslåede metode en detaljeret og omfattende beskrivelse. En lignende tilgang kan anvendes på alle havområder på verdensplan, hvilket vil være yderst nyttigt for at forbedre forståelsen af marine dynamikker og økosystemer.
The authors have nothing to disclose.
Støtten fra Kinas nationale centrale forsknings- og udviklingsprogram (nr. 2016YFC1401601), Postgraduate Research & Practice Innovation Program of Jiangsu Province (Nr. SJKY19_0415) støttet af grundforskningsfondene for de centrale universiteter (nr. 2019B62814), National Natural Science Foundation of China (nr. 41890805, 41806026 og 41730536) og fælles avancerede marine og økologiske studier i Den Bengalske Bugt og det østlige ækvatoriale Indiske Ocean blev i høj grad anerkendt. Forfatterne sætter pris på levering af data fra kilder, herunder National Aeronautics and Space Administration (NASA), Det Europæiske Center for Medium-Range Vejrudsigter (ECMWF), Copernicus Marine and Environment Monitoring Service (CMEMS) og National Oceanic and Atmospheric Administration (NOAA).
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) |