南方海洋科学与工程广东省实验室(珠海)深海生命与生态过程创新团队首次构建海洋藻华事件系统性提取分析的技术框架
边缘海中的海洋藻华是常见的海洋生态现象,能够调控区域海洋环境、反映海洋动力过程、影响区域碳循环。过去对于海洋藻华事件的研究,缺少系统性的定义方法,多侧重于针对单独事件的过程研究。其原因一方面是由于海洋遥感资料常受云层干扰,在以南海为代表的边缘海中存在大量数据缺失,另一方面是由于缺少合适的统计分析框架。
针对这些问题,我实验室深海生命与生态过程创新团队卢文芳副教授提出海洋藻华事件提取分析的技术框架,研究以南海4公里全覆盖、逐天的遥感叶绿素数据集SCSDCT为基础,采用定义海洋热浪事件(Marine Heat Wave)的统计方法,提出了海洋藻华事件定义和分析的技术框架。以南海北部吕宋海峡的冬季藻华(“吕宋藻华”)为例,研究分析了藻华事件的统计特征、长期趋势和控制因子,发现2004-2019年间,吕宋藻华呈数量减少、强度增加的趋势。此外,研究揭示了吕宋藻华事件发生的前兆和峰值的环境条件,在藻华发生前,风应力增强、混合层增厚、亚中尺度锋面活动减少;而在藻华峰值期间,风应力和垂向混合减弱,亚中尺度过程在混合层斜压不稳定的作用下产生丰富的锋面活动和层化条件,这有利于浮游植物的生长和藻华爆发。该技术方法框架是首次应用于藻华事件分析,并有望扩展至其它研究领域,为认识全球变化下的多种极端海洋事件提供技术方法和认识基础。
研究成果于2022年6月在中科院大类二区Top期刊Remote Sensing发表,题目为“Framework to Extract Extreme Phytoplankton Bloom Events with Remote Sensing Datasets: A Case Study”。该论文的通讯作者为深海远洋多尺度动力过程团队的来志刚教授,合作团队来自美国特拉华大学、厦门大学和福州大学。
图1 研究技术框架
2021年以来,卢文芳副教授已在海洋动力与生态系统遥感反演、重建及相关应用中发表了多篇顶级期刊论文,包括TGRS,JGR: Oceans和RS等,形成系列成果;构建的数据集及代码在科学数据银行、GitHub等平台上开放共享,获得了广泛关注。
该系列研究得到国家自然科学基金、国家重点研发计划、南方海洋实验室创新团队建设科研经费、中山大学“百人计划”项目等的资助。
原文链接:https://doi.org/10.3390/rs14153557(阅读论文请点击“阅读全文”)
相关论文:
1.Lu, W., Gao, X., Wu, Z., Wang, T., Lin, S., Xiao, C., & Lai, Z. (2022). Framework to Extract Extreme Phytoplankton Bloom Events with Remote Sensing Datasets: A Case Study. Remote Sensing, 14(15). https://doi.org/10.3390/rs14153557
2.Lu, W., Wang, J., Jiang, Y., Chen, Z., Wu, W., Yang, L., & Liu, Y. (2022). Data-Driven Method with Numerical Model: A Combining Framework for Predicting Subtropical River Plumes. Journal of Geophysical Research: Oceans, e2021JC017925.
https://doi.org/10.1029/2021JC017925
3.Yu, P., Xu, W., Zhong, X., Johannessen, J. A., Yan, X.-H., Geng, X., ... Lu, W*. (2022). A Neural Network Method for Retrieving Sea Surface Wind Speed for C-Band SAR. Remote Sensing, 14(9). https://doi.org/10.3390/rs14092269
4.Wang, T., Yu, P., Wu, Z., Lu, W.*, Liu, X., Li, Q. P., & Huang, B. (2021). Revisiting the Intraseasonal Variability of Chlorophyll-a in the Adjacent Luzon Strait With a New Gap-Filled Remote Sensing Data Set. IEEE Transactions on Geoscience and Remote Sensing, 60, 1-11. https://doi.org/10.1109/tgrs.2021.3067646
5.SCSDCT数据集链接:
https://www.scidb.cn/en/detail?dataSetId=1387ffe83af54f0fb574d60e97b206b2
该文章来源互联网,如有侵权请联系删除