由 Himawari 卫星和多卫星再分析数据集观测到的台风对海表温度和叶绿素浓度的时空响应

《Remote Sensing Applications: Society and Environment》：Spatiotemporal Responses in Sea Surface Temperature and Chlorophyll Concentration to Typhoons Observed by Himawari Satellite and Multi-Satellite Reanalysis Datasets

海表温度和叶绿素浓度时空响应研究显示，西北太平洋热带气旋（2015-2023）引发2.5°范围内SST最大降幅达1.56°C（C4级），且右侧冷涡显著；Chl峰值增强2倍以上（C4级），多卫星数据SST反演更优，Himawari Chl时空连续性强。

　　热带气旋（TC）对海洋环境的影响是一个备受关注的科学研究领域。这些强大的气象现象不仅影响天气和气候，还深刻地改变着海洋的物理和生物地球化学特性。本研究通过整合多种卫星数据集和Himawari静止卫星的观测结果，分析了从2015年7月至2023年12月期间，西太平洋地区1219个热带气旋位置对海表温度（SST）和叶绿素浓度（Chl）的时空响应。研究的主要目标是探讨不同强度热带气旋对海洋表面的冷却效应和叶绿素浓度的增强效应，并评估不同卫星数据集在捕捉这些变化中的优缺点。

### 1. 研究背景与意义

热带气旋是地球上最具破坏力和影响力的气象现象之一。它们的能量来源于温暖的热带海洋，依赖于海面释放的热量和水分（Emanuel, 2003）。这些风暴的形成、路径和强度受到大气和海洋条件的复杂相互作用，包括海表温度、大气湿度、风切变以及已有扰动等（Michaels et al., 2006; Steenhof et al., 2008; Li et al., 2009; Lloyd et al., 2011; Hibbert et al., 2023; Li et al., 2023）。热带气旋对海洋动力学、海洋生物地球化学循环和生态系统生产力具有显著影响（Agarwal et al., 2024; Gobler, 2020; Hung et al., 2014; Lin, 2012; Lin et al., 2017, 2023; Pedrosa-Pàmies et al., 2019; D'Alelio et al., 2020; Wang et al., 2021）。它们可以通过上升流、混合和营养物质的分布改变物理和生物地球化学特性，通常在气旋中心附近刺激浮游植物的繁殖（Zhao & Wang, 2016; Ye et al., 2017）。然而，生态系统对气旋的响应存在差异，一些研究报告了浮游植物的显著增加，而另一些则显示变化较小，这取决于局部条件、气旋强度以及观测时间（Menkes et al., 2016; Pan et al., 2018）。例如，东中国海的气旋（2010-2013年）增强了上升流并诱发了大规模的浮游植物爆发（Wang et al., 2017），而2018年南海的台风“山竹”则没有明显的生物量增加（Zhang et al., 2020）。这些不同的结果突显了对热带气旋-生态系统相互作用进行一致的盆地尺度监测的重要性，以更准确地评估其对沿海社区的影响（Palumbi et al., 2009; Johnson et al., 2020; Moon et al., 2022）。

### 2. 数据与方法

本研究采用了三种数据源来探究热带气旋与海表环境之间的动态相互作用。第一种是来自美国国家环境信息中心（NCEI）的国际最佳轨迹档案库（IBTrACS），它提供了热带气旋的特征和轨迹信息。第二种和第三种数据来自日本宇宙航空研究开发机构（JAXA）的Himawari-8/9卫星以及欧洲哥白尼海洋服务信息（CMEMS）的多卫星数据集。这些数据集包含了两个关键变量：海表温度和叶绿素浓度，它们对于评估热带气旋对海洋表面的影响至关重要。研究时间范围限定在2015年7月至2023年12月，以确保数据集之间的一致性和可靠性，因为Himawari-8自2015年中期开始运行。这个时间段也提供了足够数量的热带气旋案例，以支持稳健的统计分析。

#### 2.1. 数据集

我们利用了三种数据源来研究热带气旋对海表环境的影响。首先，IBTrACS数据集提供了热带气旋的特征和轨迹信息，包括气旋眼的位置、风速、气旋类别以及最大风速半径（RMW）。IBTrACS是一个全面且集中的热带气旋数据集，整合了来自多个权威机构的轨迹和强度估计（Knapp et al., 2010）。它包括世界气象组织（WMO）区域专业气象中心（RMSCs）、热带气旋预警中心（TCWCs）、联合台风预警中心（JTWC）、上海台风研究所、香港天文台以及一些历史档案的数据。本研究使用了IBTrACS中的关键热带气旋参数，包括风速、气旋移动速度和方向。此外，IBTrACS记录的经度和纬度坐标用于划定气旋眼区域，并裁剪相应的Himawari卫星图像进行分析。本研究采用了每日Himawari数据，而IBTrACS记录则被过滤以匹配每个气旋的初始化时间（小时0），以便有效同步卫星和气象数据集。

#### 2.2. 数据处理与时空分析

我们的研究方法从数据提取、清洗和预处理开始。我们关注热带气旋事件对海表环境的影响，通过选择Himawari和再分析数据集中的观测数据，这些数据覆盖了气旋眼周围10度、5度和2.5度的经度/纬度范围。此外，我们选择了在气旋经过前七天和后七天内的特定时间窗口进行分析。为了准确捕捉气旋运动引起的海洋响应，我们将空间数据旋转以对齐气旋的运动方向，使得所有气旋看起来都朝着同一个方向移动。这种变换有助于更精确地分析气旋引起的海表变化。为了获得更详细的时空变化信息，我们对每个气旋眼定义的裁剪区域内的空间数据实施了两种处理程序。首先，我们使用MATLAB计算空间数据的平均值和中位数，应用内置的nanmean和median函数，自动排除云掩码像素中的NaN值。这产生了每个气旋类别在气旋经过前后七天内的海表温度和叶绿素浓度的空间分布。由于中位数对异常值具有内在的鲁棒性，我们考虑了中位数，因为空间平均值可能会受到残余云边缘效应或云掩码未能完全捕捉的孤立高值像素的影响，有时会导致不合理的叶绿素浓度。其次，我们进行了空间平均，以获得一个单一值，代表每个气旋眼在相同时间范围内的空间数据。我们将这些值汇总成表格数据，便于对每个气旋类别进行每日变化的视觉评估。

我们计算了δSST和δChl以表示它们的每日变化率。使用方程（1）和（2）来确定δSST和δChl对热带气旋的响应，通过比较气旋经过前后的值与气旋经过前5至7天的平均值。δSST和δChl分别代表海表温度和叶绿素浓度的变化量。在气旋经过前7天到后7天的时间范围内，我们考虑了第n天的SST和Chl值。此外，我们计算了SST和Chl的空间平均值，以促进时间序列分析。

### 3. 结果与讨论

#### 3.1. 热带气旋对SST响应的时空变化

当热带气旋经过海面时，会导致海表温度的下降，主要由剪切驱动的混合和Ekman上升流控制。图S1和图S2展示了基于多卫星数据集和Himawari卫星观测的SST变化时间序列，覆盖了气旋经过前后的七天。分析按照五个热带气旋类别和气旋眼周围2.5度、5度和10度的直径进行分类。根据气旋强度与SST下降之间的关系，如图S1所示，强度较高的气旋（C3–C5）在经过后会引发更大的SST下降。在接近中心的区域（2.5度），SST下降约为1.34°C，而C1尽管有稍高的基线SST，但下降仅为0.67°C。无论气旋强度如何，最低的SST通常出现在气旋经过后的两天，随后逐渐恢复。SST下降在较小直径区域（2.5度）比在较大区域（5度和10度）更为显著，这表明气旋核心区域的强风场和上升流驱动了显著的上层海洋冷却。当空间平均覆盖这三个区域时，C3–C5引起的SST下降分别为1.33°C、1.15°C和0.85°C。对于C1–C2，SST下降分别为0.77°C、0.70°C和0.53°C。图S2仅展示了来自静止Himawari卫星的数据，这些数据容易受到云覆盖的影响，导致缺失数据。因此，图S2中观察到的变化比图S1中更尖锐。两个数据集揭示了不同气旋类别在SST下降时间点和幅度上的细微差异。Himawari数据表明，SST在气旋经过前一天和当天相对较高，随后迅速下降。达到最低SST的时间在Himawari数据集中比在多卫星数据集中更长，这取决于气旋类别。然而，两个数据集之间的SST下降幅度差异较小，范围在0.01°C到0.15°C之间。图S1和图S2都显示了平均值和中位数的变化，结果表明差异可以忽略不计（约0.02°C），这表明SST的空间分布没有明显的偏斜。

图2和图3展示了多卫星数据集观测的SST变化空间分布，覆盖了气旋经过前后的七天。分析基于SST比值差异计算，使用方程（1）。图4和图5比较了多卫星数据集和Himawari卫星观测的δSST时间序列变化。对于较弱的气旋（C1和C2），图2显示颜色更接近浅蓝色甚至浅红色（δSST值接近或略高于1），表明SST变化较小。相比之下，随着气旋强度的增加（C3–C4），图2强调了在气旋经过当天（第0天）附近的更明显的蓝色阴影，δSST值低于1，表明SST相对于基线的显著下降。然而，C5气旋并未表现出最显著的SST下降，这可能是由于它们较高的移动速度，可能不足以让冷水混合充分。空间分布显示，在图3中，气旋在它们的路径上生成了冷尾迹，右侧面的冷却更为显著。这与强调剪切驱动混合的理论动态机制一致（Shay, 2009）。多卫星数据集的再分析结果表明，SST在气旋经过后的两天内达到最低点，随后逐渐恢复，如图4所示。根据δSST排名，C4气旋引起的平均SST下降最大，其次是C3、C5、C2和C1气旋。Himawari卫星观测到的SST响应与多卫星数据集相似，δSST排名在两个数据集中保持一致（图5）。然而，时间序列表明，在气旋经过前几天，δSST略有增加，这与图S2中的原始数据一致。此外，Himawari卫星观测显示，δSST在气旋经过后的第五天达到最低点，随后逐渐恢复。为了研究δSST在气旋左右两侧的空间特征（图6），我们在图2和图3中选择了穿过气旋中心的水平白色线段。红色线条代表气旋经过前的时期，灰色线条表示气旋经过当天，蓝色线条显示气旋经过后的时期。两侧均在气旋接近时出现SST下降，冷却偏向右侧。最低的δSST值出现在气旋路径右侧约1.25度的范围内。平均而言，C4气旋在右侧引起最显著的冷却，δSST约为0.94（即相对于气旋经过前5-7天的SST下降6%）。在接近核心区域（2.5度直径）内，SST下降可达2-6%。进一步远离气旋中心，冷却效应减弱，5度直径内的下降约为1-3%。

#### 3.2. 热带气旋对Chl响应的时空变化

热带气旋经过海面时会引发垂直混合和上升流，通常伴随着海表叶绿素浓度的增加。图S3和图S4展示了多卫星数据集和Himawari卫星观测的叶绿素浓度响应时间序列。两个数据集都显示，叶绿素浓度随着气旋强度的增加而减少。这种模式是因为较弱的气旋通常发生在沿海或边缘海，这些区域的叶绿素浓度相对较高。相比之下，较强的气旋通常形成于开阔海洋，这些区域的叶绿素浓度相对较低。在2.5度直径范围内，多卫星数据集显示，C1至C5气旋的平均叶绿素浓度分别为0.54、0.36、0.25、0.15和0.06 mg/m3（图S3）。几天后，叶绿素浓度上升到峰值，然后下降。进一步远离气旋眼，叶绿素浓度大幅下降。相比之下，Himawari卫星显示的叶绿素响应时间与多卫星数据集不同。在2.5度直径范围内，Himawari卫星显示叶绿素浓度在气旋经过当天和之后一天达到峰值，然后逐渐下降（图S4）。

图7和图8展示了多卫星数据集观测的叶绿素浓度响应，覆盖了气旋经过前后的七天。δChl值显示，从气旋经过当天开始显著增加，类似于图2中的δSST值的空间分布。对于较强的气旋（C3–C5），δChl值在气旋经过一天后达到1.5，并在第三天达到峰值，显示出最广泛的叶绿素增强区域。与多卫星数据集中的最低δSST值相比，δChl峰值出现的时间稍晚。然而，两个参数对气旋的响应空间分布相似，增强区域主要分布在气旋路径的右侧。图9和图10分别展示了多卫星数据集和Himawari卫星观测的δChl时间序列。两个数据集一致显示，较强的气旋（C3–C5）在叶绿素响应上表现更显著。然而，δChl峰值的出现时间存在显著差异。多卫星数据集显示，δChl在气旋经过后的第三天达到峰值。相比之下，Himawari卫星观测的峰值出现在气旋经过当天和之后两天。此外，多卫星数据集计算的δChl值使用平均和中位数方法时差异较小，而Himawari卫星数据集显示的δChl值使用平均计算时显著高于中位数方法。这表明云覆盖影响了值的空间分布，观察到了许多极高的值。图11展示了图7和图8中穿过气旋中心的水平白色线段上的δChl空间变化。蓝色线条代表气旋经过前的时期，绿色线条表示气旋经过后的时期。与图6中的δSST曲线相比，这些δChl曲线看起来不太平滑，但仍然显示出峰值略微偏向气旋路径的右侧，大约0.5度。在C4和C5气旋中，δChl值超过2，表明叶绿素浓度相对于气旋经过前5-7天增加了两倍以上。

### 4. 讨论

#### 4.1. 实际观测数据与数据集的局限性

在热带气旋期间，恶劣天气和大浪使得基于船只的现场测量极为困难。同时，水下机器人应用在空间覆盖上有限，只能提供特定地点的数据（Hsu & Ho, 2019）。因此，卫星观测成为最广泛使用的数据来源。尽管多卫星数据集和Himawari卫星观测到的δSST值相似，但它们在最低值出现时间上存在差异，多卫星数据集显示最低δSST出现在气旋经过后的两天，而Himawari卫星则在气旋经过后的第五天达到最低点。那么，哪个数据集更接近实际的海表条件？从数据来源来看，SST可以通过微波和热红外波段进行观测。多卫星数据集利用了微波传感器穿透云层的能力，以及多个来源的互补观测时段，使其在气旋云和降雨带下仍能保持相对完整的SST分布。相比之下，Himawari卫星在厚云覆盖下无法有效测量SST，导致数据缺失。尽管其具有高时间分辨率的优势，但在强对流热带气旋期间难以捕捉连续的SST数据，这使得它无法准确代表海洋冷却现象。因此，就SST而言，多卫星数据集更全面地反映了气旋对海洋的实际响应。

对于叶绿素响应，多卫星数据集和Himawari卫星观测的结果比较复杂。如果一个气旋在一天内迅速移动，Himawari卫星可能在该区域的无云时段捕捉到真实观测数据。相比之下，太阳同步卫星由于固定的轨道和过顶时间，可能完全错过当天的无云时段，因此依赖于从之前或之后的时间（或相邻的空间观测）进行插值以估算当天的叶绿素变化。尽管多卫星合成通过整合多个数据源实现了更高的空间和时间完整性，但这些推导出的值需要谨慎对待，因为它们是插值估计值，而非直接观测。因此，我们建议Himawari卫星在观测气旋对海洋的影响时，仍能保留其时效性优势，并提供实际的数据完整性。

#### 4.2. 气旋风速和移动速度与海洋响应的关系

根据浮标、锚定观测和水下无人航行器的观测（Potter et al., 2017; Hsu & Ho, 2019），结果显示U2Vp?1（U为最大持续风速，Vp为气旋移动速度）与SST下降之间存在正相关关系。移动速度较慢的气旋通常会导致更显著的SST下降。尽管这些现场观测提供了有价值的见解，但样本量有限。图13展示了超过1000个气旋样本的卫星观测结果，显示了SST下降（δSST；图13a）和叶绿素增加（δChl；图13b）。通过单因素方差分析（ANOVA）和Tukey的HSD事后检验测试组间差异。ANOVA用于评估组间均值是否存在显著差异，而Tukey的HSD事后检验确定了哪些特定组对之间存在显著差异。采用p < 0.05作为显著性阈值。所有统计分析均在MATLAB R2021a中进行。对于δSST（图13a），单因素ANOVA显示在所有数据集中，五个组之间存在显著差异（p < 0.001）。Tukey的HSD事后检验进一步表明，在气旋眼周围2.5度和5度的范围内，组被分为三类：组A（0.98–最大值和0.96–0.98），组B（0.94–0.96和0.92–0.94），以及组C（最小值–0.92）。相比之下，在气旋眼周围10度的范围内，组被分为组A（0.98–最大值）和组B（0.96–0.98、0.94–0.96以及0.92–最大值）。这些结果既突出了组间差异的整体显著性，也突出了数据集在组聚类上的特定差异。对于δChl（图13b），单因素ANOVA显示在所有数据集中，五个组之间存在显著差异（p < 0.001）。Tukey的HSD事后检验显示，不同数据集之间存在一致的模式。在气旋眼周围2.5度和5度的范围内，组被分为三个统计上不同的类别：组A（最小值–1.2和1.2–1.4），组B（1.4–1.6和1.6–1.8），以及组C（1.8–最大值）。在气旋眼周围10度的范围内，组被分为两个类别：组A（最小值–1.2）和组B（1.2–1.4、1.4–1.6和1.6–最大值）。这些结果既突出了组间差异的整体显著性，也突出了数据集在组聚类上的特定差异。结果表明，随着U2Vp?1值的增加，δSST值减少，而δChl值增加，这表明气旋会导致显著的SST冷却和Chl增强。然而，尽管样本变异较大（高标准差），但总体趋势显示更强的气旋和移动较慢的气旋会导致显著的SST下降和Chl增加。这些变异可能由气旋发生区域的区域性海洋学特征引起。

在比较多卫星数据集和Himawari卫星观测到的SST响应时，多卫星数据集受益于微波传感器穿透云层的能力以及多个来源的互补观测时段，使其在气旋云和降雨带下仍能保持相对完整的SST分布。相比之下，Himawari卫星在厚云覆盖下无法有效测量SST，导致显著的数据缺失。尽管其具有高时间分辨率的优势，但在强对流气旋期间难以捕捉连续的SST数据，这使得它无法准确代表海洋冷却现象。因此，就SST而言，多卫星数据集更全面地反映了气旋对海洋的实际响应。然而，比较多卫星数据集和Himawari卫星观测到的Chl响应更为复杂。如果一个气旋在一天内迅速移动，Himawari卫星可能在该区域的无云时段捕捉到真实观测数据，从而得到真实的观测数据。相比之下，太阳同步卫星由于固定的轨道和过顶时间，可能完全错过当天的无云时段，因此依赖于从之前或之后的时间（或相邻的空间观测）进行插值以估算当天的Chl变化。尽管多卫星合成通过整合多个数据源实现了更高的空间和时间完整性，但这些推导出的值需要谨慎对待，因为它们是插值估计值，而非直接观测。因此，我们建议Himawari卫星在观测气旋对海洋的影响时，仍能保留其时效性优势，并提供实际的数据完整性。

### 5. 结论

本研究分析了2015年7月至2023年12月期间，西太平洋地区1219个热带气旋位置对海表温度（SST）和叶绿素浓度（Chl）的响应。δSST的空间特征揭示了气旋经过后在2.5度直径范围内出现显著的SST下降，其中C4气旋对海洋表面的影响最为显著。多卫星数据集显示，C4气旋在2.5度范围内引起平均SST下降1.56°C，δSST为0.947。即使在5度范围内，平均SST下降仍保持在1.34°C，δSST为0.955。气旋显著影响其路径右侧的SST和Chl变化，尽管峰值Chl增加出现在更接近气旋眼的位置。δChl的空间特征与δSST相似，气旋强度达到C3及以上的气旋在气旋中心附近引发平均δChl值超过1.5。C4气旋产生了最显著的海洋表面响应，多卫星数据集显示在2.5度范围内平均δChl增加1.74，5度范围内增加1.47。

多卫星数据集观测到δSST在气旋经过后的两天内达到最低点，而Himawari卫星则在气旋经过后的第五天左右达到最低点。对于Chl响应，多卫星数据集显示δChl在气旋经过后的第三天达到峰值，而Himawari卫星观测的峰值出现在气旋经过当天和之后两天。尽管时间点存在差异，但两个数据集一致表明，气旋对δSST和δChl值的影响随气旋强度而变化：C4气旋影响最大，C1气旋影响最小。根据U2Vp?1的计算，广泛的统计结果表明，强度较高的气旋和移动较慢的气旋会导致显著的SST下降和Chl增加。然而，较大的标准差表明存在显著的变异性，这可能由气旋发生区域的区域性海洋学特征引起。

在未来的研究所中，应更详细地分析气旋引起的叶绿素浓度的快速增加，因为这些短期激增直接影响浮游植物群落结构和生产力，进而进一步影响浮游动物和更高营养级的生物。SST和Chl的突然变化也可能导致传统渔场的临时变化或海洋资源的局部聚集。然而，这些动态也突显了长期海洋气候监测和可持续资源管理的重要性。能够捕捉海洋对不同气旋强度和移动特征响应的卫星观测，可以为评估气候变化背景下气旋频率和强度变化的长期生态影响的模型开发提供支持。这些模型可以作为科学基础，用于政策制定和海洋保护。尽管使用机器学习或深度学习预测气旋后的海洋响应仍然是一个极具挑战性的任务，但本研究指出了影响AI方法适用性的几个关键限制，包括数据不确定性、非线性、系统转变和采样偏差。因此，融合多传感器数据仍然是推进我们对气旋-海洋相互作用理解的关键优先事项。