1. 서론
지구온난화와 해수면 상승은 해양생태계의 교란을 가져오고 있으며, 이러한 현상은 기후변화의 영향 중 주목해야할 문제 중 하나이다. 온난화의 주 원인으로 지목되는 탄소배출과 그 저감에 대한 목소리가 커지고 있으며, 최근에는 바다로 인한 탄소의 흡수작용을 칭하는 ‘블루 카본(blue carbon)’에 대한 관심이 많아지고 있다. 바다는 지표가 저장할 수 있는 총 탄소의 10배 이상을 저장할 수 있는 것으로 알려져 있으며, 이러한 블루 카본으로서 해양의 역할을 기대하기 위해서는 해양 생물에 의한 탄소순환을 이해해야 한다(Thompson et al., 2017).
해양 생태계의 생물들이 생산자, 소비자 등 각각의 역할을 수행하며 먹이사슬 속 모든 단계의 해양생물이 지구의 탄소를 유지하고, 저장하고 순환하는 데에 기여를 하고 있다. 하지만, 해양 생태계에 대한 우리의 이해는 아직 부족한 실정이며, 생태계의 특성을 나타낼 수 있는 방법 중 하나인 생태계의 분류에 대한 연구도 체계적으로 이루어지지 않은 상황이다(Cramer and Katz, 2020; Gregr and Bodtker, 2007). 이러한 생태권역에 대한 분류 자체도 미비하지만, 해양 생태계를 구분하기 위한 다양한 선행 연구가 이루어져 왔음에도 불구하고 marine realms, eco-provinces, eco-regions, eco-zones 등 각기 다른 용어가 혼재되어 사용되고 있다(Zhang and West, 2021). 생태권역의 구분에 대해 서로 다른 연구 범위와 목적을 제시하고 있어 통일이 이루어지지 않고 있으며, 각자 분류한 생태권에 대한 명확한 정의조차 제대로 이루어져 있지 않은 상황이다(Gregr and Bodtker, 2007).
과거부터 꾸준히 그 필요성이 제기되어 온 해양 생태권역 분류는 크게 세 종류의 시도가 있었다(Gregr and Bodtker, 2007). 해역의 물리적 특성과 일차생산량(Primary Production, PP) 등에 초점을 맞춘 Longhurst (2007)가 분류한 Biogeochemical Provinces (BGCPs), 연안지역의 지리적 특성과 수산 및 어업 환경을 고려한 Sherman (1986)의 Large Marine Ecosystems(LMEs), 습지와 심해환경 등 제한된 특성에 초점을 맞춘 Cowardin (1979)의 서식지 분류가 있다. 이 외에 기존 관련 문헌 및 전문가의 peerreview를 통해 연안해역을 정성적으로 분류한 Spalding et al. (2007)의 the MarineEcoregions of the World (MEOW)가 있다. 하지만 이들 모두 명확한 정량적 검증이 이루어지지 않아, 일반화하기에는 어려움이 존재하는 실정이다. 최근까지도 Longhurst의 BGCPs를 이용하여 최근 해양의 변화를 분석하거나(Reygondeau et al., 2013), 기후변화 시나리오에 적용한 변화 예측(Reygondeau et al., 2020) 등이 활발히 이루어지고 있다. 이 외에 새로운 기준을 제시하기 위한 노력이 지속되고 있다. 참값(ground truth)이 없다는 연구 주제의 특성 상, 주로 비지도분류(unsupervised clustering) 기법을 활용하여 활용한 분류가 제시되고 있는데, k-means clustering 기법을 활용하여 수온, 염분 등의 depth-profile을 고려한 volumetric region units 분류(Sayre et al., 2017), t-distributed stochastic neighbor embedding (t-SNE) 차원 축소 기법과 densitybased spatial clustering of applicationswith noise (DBSCAN) 비지도분류 기법을 융합하여 플랑크톤 생물량과 영양분 농도 및 공급을 고려한 해역 분류(Sonnewald et al., 2020) 등이 있다.
하지만 탄소순환을 고려한 해양 생태권역의 분류는 아직까지 다루어지지 않았다. 특히, 해양 탄소순환과 직결될 수 있는 PP를 고려한 생태권역 분류는 다방면에서 시도가 되고 있으나, PP관련 정보를 직접적으로 활용한 사례는 제한적이다(Cramer and Katz, 2020; Gregr and Bodtker, 2007). 일차생산량은 주로 식물성 플랑크톤이 광합성과정을 통해 해양생태계에서 유기화합물을 생산하는 비율을 의미한다. 전 지구에서 일어나는 광합성을 통한 탄소고정의 절반은 해양에서 이루어지며, 생지화학순환의 주요 지표 중 하나인 식물성 플랑크톤의 순일차생산량(Net primary production, NPP)에 대한 모니터링은 지구 탄소 순환을 이해하는데 핵심 요소로써 잘 알려져 있다(Yin et al., 2023). NPP 추정의 핵심 요소인 해양의 식물성 플랑크톤 농도는 수온 변동 등과 같은 기후 변화에 영향을 받으며, 해양-대기 내 CO2 순환 및 생물펌프와 같은 과정에도 기여하는 것으로 잘 알려져 있다(Basu and Mackey, 2018). 따라서, 해양 내 NPP 모니터링은 해양 먹이사슬과 같은 잠재적인 수산자원에 대한 이해 및 지구 기후변화에 대한 수생 생태계 반응을 조사하는데 필수적인 지표이다.
따라서 본 연구는 탄소순환을 고려할 수 있는 변수를 활용하여 글로벌 해양 생태권역을 분류·분석 하였다. 지난 20년간(2001–2020) 위성을 활용하여 생산된 탄소량을 고려한 NPP, 유기 및 무기 탄소 관련 산출물, 그리고 위성관측과 재분석모델을 결합하여 생산한 해수면 염분(sea surface salinity, SSS) 및 온도(sea surface temperature, SST) 자료를 활용하였다.
2. 연구자료 및 방법
2.1. 연구 자료
2.1.1. 일차 생산량
본 연구는 탄소를 고려한 원격탐사 기반 NPP 산출물을 활용하였다. Behrenfeld et al. (2005)와 Westberry et al.(2008)이 제안한 Carbon-based Productivity Model (CbPM) NPP 산출물을 사용하였으며, 식물 플랑크톤이 자체적으로 가지고 있는 탄소 바이오매스(carbon biomass, C)와 입자성 유기탄소(particulate organic carbon, POC) 사이 관계식을 통해 PP를 추정한다(Westberry et al., 2008).
본 연구에서는 다음과 같이 세 종류의 각각 다른 시간적 범위를 가지는 해색 위성을 활용하여 산출된 지난 20년간의 월평균 CbPM NPP 자료를 분석하였다: (1) the Sea-viewing Wide Field-of-view Sensor (SeaWiFS; 2001. 01.–2010. 03.), (2) the Visible Infrared Imaging Radiometer Suite (VIIRS; 2012. 01–2020. 04), (3) the Moderate Resolution Imaging Spectroradiometer (MODIS; 2002. 07–2020. 12). 2001년부터 2010년 3월까지는 SeaWiFS와 MODIS, 2012년부터 2020년 4월까지는 VIIRS와 MODIS의 동시 관측이 이루어졌고, 2001년부터 2002년 6월은 SeaWiFS 단독, 2020년 5–12월은 MODIS 단독 관측이 이루어졌다. 관측 기간이 겹치는 경우, 평균 CbPM NPP 값을 활용하였다(Ryan-Keogh et al., 2023). 연구에 활용한 모든 CbPM NPP 산출물은 미국 오리건 주립대(Oregon State University)에서 운영하는 Ocean Productivity (https://sites.science.oregonstate.edu/ocean.productivity/)에서 구할 수 있으며, 8일 평균과 월 평균, 1/6° 및 1/12°의 공간 해상도의 NPP 자료를 제공한다. 본 연구에서는 월평균 1/6°(1,080 × 2,160 grid) CbPM NPP 자료를 1/4° 해상도(720 × 1,440 grid)로 변환하여 활용하였다.
2.1.2. 입자성 탄소 농도
본 연구에서는 탄소순환과 관련한 생태권역 분류를 위하여 위성 원격탐사 기반의 표층 탄소량 추정 산출물을 활용하였다. GlobColour (https://hermes.acri.fr/)에서 제공하는 0.25° 해상도의 월별 global Particulate Inorganic Carbon (PIC) 및 Particulate Organic Carbon (POC) 자료를 활용하였다. PIC는 입자성 무기 탄소 또는 분산된 탄산 칼슘(CaCO3) 농도(mol/m3)를 나타내며, 이들은 얕은 바다에서 산호초 또는 haptophyte phytoplankton에 의해 생성된다(Balch and Mitchell, 2023; Balch et al., 2005; Gordon et al., 2001). POC는 대부분 식물 플랑크톤의 광합성 결과로 생성된 생물입자로써, 대기 중의 이산화탄소를 해수로 유기입자의 형태로 저장하는 탄소순환의 원동력을 제공하며, 심해로 가라앉아 깊은 바다로 저장된다(Hong et al., 2011; Stramski et al., 2008). 두 변수 모두 POC 및 PIC의 농도, 해수의 후방 산란 계수(backscattering coefficient, bbp), 원격반사도(remote sensing reflectance, Rrs)의 경험적인 관계를 통하여 도출하며, GlobColour에서는 해색 원격탐사에 활용되는 412, 443, 490, 510, 555, 670 nm 밴드를 모두 활용하는 National Aeronautics and Space Administration (NASA) retrieval algorithm을 활용하여 산출한다(Balch et al., 2005, Stramski et al., 2008).
2.1.3. 염분 및 수온
탄소 관련 변수와 더불어서 해양생태계와 직접적인 연관이 있는 물리량인 SST와 SSS를 추가적으로 고려하였다. 해양-대기 상호작용에서 중요한 변수(essential variables)로써, 어류자원 등 해양생물의 건강도와 밀접한 관계가 있다(Thakur et al., 2018). CbPM NPP 산출물에서 이미 Chl-a 농도, MLD, PAR을 고려하였기 때문에, 정보의 중복을 피하기 위하여 SST와 SSS만을 추가적으로 고려하였다. European Centre for Medium-Range Weather Forecasts (ECMWF)에서 제공하는 글로벌 해양 재분석 시스템(Ocean Reanalysis System, ORAS5) 자료를 이용하였으며, 0.25°의 월평균 자료를 활용하였다.
2.1.4. 기존 해양 생태권역
본 연구에서 도출한 탄소순환을 고려한 글로벌 생태권역을 기존 널리 알려진 해양 관련 생태권역자료와 정성적으로 비교를 수행하였다. 참값이 없는 본 연구의 특성 상, 정량적인 평가에 한계가 있기 때문에, 기존에 제시된 다양한 생태권역과의 육안비교를 통한 평가를 수행하였다. Longhurst (2007) Global BGCPs와 Sherman(2005)의 LMEs 총 두가지 자료를 활용하여 비교하였으며, 각 자료에 대한 소개는 다음과 같다. Longhurst (2007)가 제시한 BGCPs는 MLD, solar irradiance, Chl-a 농도 등 해양의 물리.생물학적 특성을 고려하여 정의하였으며, 전세계 해역을 크게 네 가지의 생태권 (the Polar biome, the Westerlies biome, the Trade winds biome, and the Coastal biome)으로 구분한 후, 54권역으로 세분류를 수행하였다. BGCPs는 현재까지도 가장 널리 활용되며, 생물학적 특성을 비교적 잘 구분하는 것으로 알려져 있다(Vichi et al., 2011). LMEs는 Sherman(2005)이 제안한 해역 구분도로, 전 해역이 아닌 연안 해역에 초점을 맞추어 분류를 하였다. 보다 원활한 수산자원의 관리와 어업활동의 지원을 위하여 해상 경계와 해저 지형, 생산성과 생태계 먹이사슬 등을 고려하여 총 66개의 LMEs를 제시하였다. 하지만 LMEs 또한 갯벌 또는 해초지역(seagrass meadow)과 같은 일반적이지 않은 생태적 특성을 고려하는 데에는 한계가 있다(Spalding et al., 2007). 두 연구 모두 정량적인 검증은 이루어지지 않은 한계가 있지만, 글로벌 해역을 다양한 물리, 생물, 사회, 경제학적인 측면을 고려하여 합리적인 구분도를 제안하여 다양한 관련 해양 생태 분야에서 참고자료로 활용하고 있다(Oostende et al., 2023; Reygondeau et al., 2013; Spalding et al., 2007; Vichi et al., 2011).
2.2. 연구 방법
앞서 제시한 변수를 모두 활용하여 탄소순환을 고려한 글로벌 해양 생태권역 분류를 수행 하였으며(Table 1), 가장 널리 활용되는 비지도 분류기법인 k-means clustering 기법을 활용하였다(Sayre et al., 2017; Zhang et al., 2012). K-means clustering을 수행하기 위해서는 각 군집의 중심으로부터 변수 사이의 거리(distance) 계산 알고리즘과 군집 분류 결과 성능 측정을 위한 평가지수(evaluation index)를 정해야하며, 이 두 지표에 따라 분류 결과가 달라질 수 있다. 거리 지표로는 널리 사용되고 있는 Euclidean distance를 활용하였고(Zhao et al., 2020), 결과가 수렴할 때 까지 200번의 반복을 수행하였다. 분류 결과의 일반화를 위하여 10번의 반복(replication)을 수행하였으며, 각 변수 사이의 거리의 합이 최소가 될수있는 최적의 k 값을 도출하기 위하여 가장 널리 쓰이는 분류 적합도 평가지수인 Calinski-Harabasz index를 활용하였다(Caliński et al., 1974; Guo et al., 2022). 최적 k 값은 4부터 100까지 모두 테스트하였으며, 분류 적합도 지수가 가장 큰 k 값을 도출하여 분석하였다.
Table 1. The data used in this study
분류결과를 활용하여, 가장 먼저 각 생태권역의 기본적인 공간분포에 대하여 모의하였다. 그 후, 각 생태권역이 가지는 특징을 다섯가지 입력변수의 측면에서 상세하게 분석하였다. 2.1.4.절에 소개한 기존 알려진 생태권역과의 정성적 비교를 통하여 본 연구에서 제시하는 탄소순환을 고려한 글로벌 해양 생태권역의 특징을 분석하였다. 더 나아가 본 연구에서 제시한 생태권역을 과거 5년단위로 나누어(2001–2005, 2006–2010, 2011–2015, 2016–2020) 각 생태 권역의 변화를 분석하였다.
3. 연구결과 및 토의
3.1. Eco-province 도출 결과 및 논의
K-means clustering 결과, 가장 최적 분류 갯수(k)는 9인 것으로 나타났고(Fig. 1b), 이를 활용하여 지난 20년간(2001–2020) 탄소순환을 고려한 변수 5개를 활용하여 글로벌 해역을 9개로 구분한 결과는 다음 그림과 같다(Fig. 1a). 각각의 권역(A–I)은 차지하는 면적순으로 임의로 알파벳 순서로 명명하였다. 가장 면적을 많이 차지하는 A, B, C 권역의 경우, 대부분 상대적으로 일차 생산량이 적은 원해(open ocean)에 위치하는 것으로 나타났다. 적도해역을 기점으로 길고 넓게 퍼져있는 D와 E권역의 경우, 엘니뇨 남방진동(El Niño–Southern Oscillation, ENSO)와 관련이 깊은 열대수렴대(Intertropical Convergence Zone, ITCZ)와 이로 인해 파생되는 무역풍, 적도 용승지역과 관련이 있는 것으로 보이며, 상대적으로 적는 영역을 차지하는 F, G, H, I 권역의 경우, 주로 연안에 분포하는 것으로 나타났다.
Fig. 1. The result of k-means clustering. (a) Nine eco-provinces considering particulate carbons using k-means clustering (k=9) during 2001–2020. (b) Evaluation scores (Calinski-Harabasz index) according to the changes in k.
각각의 권역에 대한 각 입력변수 별 특성은 다음 그림과 같다(Fig. 2). 보다 상세한 통계치는 Table 2에서 소개하고 있다. 총 권역 중 각각 26.96%, 26.85%, 19.36%의 면적을 차지하는 A, B, C 권역의 경우, 원해에 위치해 있는 만큼 상대적으로 작은 NPP, PIC, POC 값을 가지는 반면, 상대적으로 높은 SSS를 갖는 것으로 나타났다. A, B, C 권역 순으로 평균 위도가 높아지며, 이에 따라 SST도 A, B, C 순으로 낮아지는 것으로 나타났다. 적도 용승과 관련이 높을 것으로 보이는 D와 E 권역의 경우도 마찬가지로 상대적으로 낮은 NPP, PIC, POC를 가지지만, 적도 부근에 위치하는 만큼 상대적으로 높은 평균 SST(각각 19.77, 19.34°C)를 보였다. 육지를 기준으로 G, F, E, D 권역 순으로 연안에서 원해로 뻗어나가는 형태를 보이며(Fig. 1), NPP, PIC, POC 또한 D–G 순으로 큰 것으로 나타났으며, 반대로 SSS와 SST는 D–G 순으로 낮아지는 것으로 나타났다. 이 중 G 권역은 두번째로 높은 생산량을 보이며(평균 약 1,511.60 mgC/m2/day), 대부분의 연안에 위치하고 있다. 그 중 뚜렷한 클러스터를 보이는 지역이 카나리아 해류(Canary Current), 벵겔라 해류(Bengulela Current), 칠레-페루에 이르는 홈볼트 해류(Humboldt Current)를 따라 나타나며, 일부 북극해 연안에서도 보이는 특징이 있다. NPP 뿐 만 아니라 상대적으로 높은 PIC와 POC값을 가지기 때문에, H권역과 더불어 탄소순환의 입장에서 상대적으로 중요한 생태 권역이라고 할 수 있다.
Fig. 2. Characteristics of the nine eco-provinces by five input variables. (a) Carbon-based Production Model (CbPM) Net Primary Production (NPP). (b) Particulate inorganic carbon (PIC). (c) Particulate organic carbon (POC). (d) Sea surface salinity (SSS). (e) Sea surface temperature (SST).
Table 2. Statistics of the input variables for nine eco-provinces (A–I)
H와 I 권역은 각각 독특한 특성을 보였다. H 권역의 경우, 가장 높은 POC를 가지며, 중간수준의 NPP와 PIC, 낮은 SSS와 SST를 보였다(약 21.47 psu, 6.95°C). 북유럽에 위치한 상대적으로 수온과 염분이 낮은 발트해(Baltic Sea), 서아프리카 북부의 카나리아 해류 지역 및 기니만(Gulf of Guinea) 근처에 위치한 콩고강(Congo River) 하구, 그리고 수온이 낮은 고위도에 위치한 북극해 일부지역(Laptev Sea 및 Kara Sea)이 포함되어 있다. I 권역은 G권역과 붙어서 연안에 위치하는 경우가 많았으며, 주요 강 하구 근처에서 나타나는데, 아마존강(Amazon River), 양쯔강(Yangtze River), 멕시코만(Gulf of Mexico), 벵갈만(Bay of Bengal) 등지에 분포하는 것으로 나타났다. 이러한 해역은 담수 유입으로 인해 영양염이 풍부하고 부유물질이 많으며, 상대적으로 염분이 낮아, 생물학적으로 중요한 지역으로 알려져있다(Jang et al., 2021). 월등히 높은 평균 NPP와 PIC를 보였고, POC도 두번째로 높았으며, 상대적으로 낮은 SSS와 높은 SST를 보였다(약 29.75 psu, 23.33°C). 두 권역(H와 I)은 추후 연구에서 보다 상세하게 나누어 서로 다른 권역으로 분류할 필요가 있는 것으로 보이며, 3.2절에서 다른 해역 분류도와 비교를 통해 보다 상세하게 다룰 예정이다.
각 입력변수의 공간분포와 생태권역의 특성을 살펴본 결과(Fig. 3), 전반적인 생태권역의 구분이 CbPM NPP 및 POC (Figs. 3b and d)의 공간분포와 유사하게 나누어진 것을 확인하였다. 해양 탄소순환과 밀접한 관계가 있는 CbPM NPP와 POC가 잘 반영된 것으로 보이며, 연안 지역의 경우 PIC 값의 분포에 따라서 생태권역 분류가 잘 이루어진 것으로 보인다. SSS와 SST의 경우, 생태권역 분류 결과의 공간 분포와 밀접한 관계가 있는 것으로 보이지는 않지만, 두 변수 모두 NPP를 비롯한 생태계 구성에 중요한 요소로 활용되는 자료일 뿐만 아니라, 앞서 분석하였듯, 저염분, 저수온과 관련된 생태권역의 분류에 있어 주요한 입력자료로 활용 되었을 것이라 판단된다.
Fig. 3. Maps for eco-provinces and five input variables. (a) Nine eco-provinces and average values of five input variables (2001–2020). (b) Carbon-based Production Model (CbPM) Net Primary Production (NPP). (c) Particulate inorganic carbon (PIC). (d) Particulate organic carbon (POC). (e) Sea surface salinity (SSS). (f) Sea surface temperature (SST).
또한, 남극해의 웨델해(Weddell Sea)와 로스해(Ross Sea) 영역에서 일부 높은 NPP, PIC, POC가 나타나며, 권역 D–G로 분류되었다(Fig. 3a). 남극 순환류(Antarctic Circumpolar Current)로부터 유도된 웨델해와 로스해의 환류(gyre)는 남극 해수 수송에 중요한 역할을 맡고 있으며, 해빙(sea ice)의 생·소멸과 폴리냐(polynya) 활동으로 인하여 고염분수 방출을 야기하여 결과적으로 남극 저층수의 기원이 되는 고염분의 대륙붕수(shelf water) 생성에 기여를 한다고 알려져있다(Budillon et al., 2011; Yoon, 2022). 전 해역이 흡수하는 이산화탄소의 40% 이상을 흡수하고 있는 남극해는 이러한 해수순환과 식물 플랑크톤의 생물학적 펌핑(biological pumping)이 결합된 결과로, 영양염이 풍부하여 풍성한 생산량을 기대할 수 있으며, 이로 인한 탄소 흡수 및 순환과도 밀접한 관계가 있다(Hopkinson et al., 2007; Kim et al., 2015).
3.2. 선행연구와의 비교 분석
본 연구에서 제시한 K-means clustering 기법을 활용한 탄소순환을 고려한 생태권역 분류 결과와 기존 널리 알려진 생태권역 분류 지도를 정성적으로 비교하였다(Fig. 4). 앞서 설명하였듯, 각각의 생태권역은 각자 본연의 목적에 맞추어 글로벌 및 연안 해역을 분류한 결과일 뿐 만 아니라, 분석의 수준도 각각 BGCPs와 LMEs 각각 54개와 66개로 본 연구의 수준(9개)과 다르기 때문에, 본 연구에서 제시한 결과와 일치할 필요는 없으며, 정성적인 비교용으로만 활용을 하였다(Figs. 4a and b).
Fig. 4. Maps for Longhurst Global Biogeochemical Provinces (BGCPs; Longhurst, 2007) and Large Marine Ecosystem (LMEs; Sherman, 2005). (a) BGCPs. (b) LMEs. (c) Nine eco-provinces with BGCPs. (d) Nine eco-provinces with LMEs.
가장 먼저 BGCPs의 경우, 남아메리카의 서쪽을 가로지르는 적도-무역풍 지대와 유사한 권역(Pacific Equatorial Divergence Province)이 D, E 권역으로 구분할 수 있음을 관측하였고, 남반구의 A, B, C권역이 남극해, 아열대수렴대(subtropical convergence zone, STCZ)와 편서풍지역(BGCPs에서 각각 Antarctic Province, Subantatctic Province 및 S.Subtropical Convergence Province)을 잘 분리하는 것으로 관측되었다(Fig. 4c). 연안에 위치한 대부분의 BGCPs는 D, E, F 권역으로 이루어진 것으로 확인하였으며, China Sea Coastal Province, Canary Coastal Province, Guianas Coastal Province 등 담수 유입이 있는 지역은 H와 I권역으로 분류가 된 것을 확인하였다(Fig. 4c).
LMEs의 경우, 연안에 대한 분류가 주 목적이었기 때문에, F–I권역이 상대적으로 많이 속해있는 것으로 확인되었다(Fig. 4d). 발트해를 필두로 주로 고위도 지역의 연안 해역이 속해있는 H 권역의 경우, LMEs “Baltic Sea”, “Laptev Sea”, “Kara Sea”, “Gulf of Alaska”, “Hudson Bay Complex” 에서 H 권역을 일부, 혹은 많은 영역에서 포함하고 있는 것으로 나타났다. 앞서 비교한 LMEs “Canary Current”와 “Guinea Current” 또한 H 권역을 많이 포함하는 것으로 나타났다(Fig. 4d).
상대적으로 연안에 주로 위치하는 F–I 권역의 경우, 상대적으로 차지하는 영역이 많지 않아, Fig. 4와 같이 글로벌한 범위에서는 상세한 분석이 어렵기 때문에, G, I 권역이 주로 분포하고 있는 주요 네 지역에 대하여 추가적인 분석을 수행하였다(Fig. 5). 주요 강 하구가 포함된 해역에 주로 위치하는 I 권역의 경우, “Yellow Sea” 및 “East China Sea” (양쯔강 하구; Fig. 5a), “Bay of Bengal”(갠지스강, Ganges River) 및 이라와디강(Irrawaddy River) 하구; Fig. 5b), “North Brazil Shelf” (아마존강 하구; Fig. 5c), “Gulf of Mexico” (미시시피강(Mississippi River) 하구; Fig. 5d) 등의 LMEs에서 연안 강 하구영역의 많은 부분을 G 권역과 함께 차지하고 있는 것으로 나타났다.
Fig. 5. Maps for nine eco-provinces with Large Marine Ecosystems (LMEs) focusing on four regions. (a) Yellow Sea and East China Sea. (b) Bay of Bengal. (c) North Brazil Shelf. (d) Gulf of Mexico.
LMEs “Yellow Sea”및“East China Sea”의 경우, 양쯔강 하구 연안을 따라 I권역이 넓게 퍼져있는 것을 확인할 수 있다(Fig. 5a). 양쯔강으로 부터의 담수 유입은 동중국해(East China Sea)의 저염분수 지역을 형성하는데 기여할 뿐만 아니라, 바람과 해류를 타고 우리나라 해역에도 영향을 미친다(Kim et al., 2015; Kim et al., 2020; Jang et al., 2021). LME “Bay of Bengal” 또한 갠지스 및 이라와디강으로부터의 각종 영양염류 및 유기물의 유입으로 인한 좁지만 확실히 관측되는 영역에 대하여 I 및 G 권역을 확인할 수 있다(Fig. 5b). Fig. 2에서 확인하였듯, I와 G권역은 각각 가장 높은 NPP, PIC, POC를 가지는 권역으로, 대규모의 담담수유입으부터 발생한 영양염류의 영향이 반영되었다는 사실을 거듭 확인할 수 있다. 이러한 담수 유입은 동인도 해안(East Indian Coast)을 따라 흐르며, 해양 생산성 뿐만 아니라, 열대 극한기상 현상에도 영향을 미치는 것으로 알려져있다(Chaitanya et al., 2014; Akhil et al., 2020). 지구의 허파로도 유명한 아마존 열대우림과 세계에서 유역의 경우, 브라질 해안을 따라 얇지만 확실한 I 및 G 권역의 분포를 확인할 수 있다(Fig. 5c). 아마존 가뭄 및 홍수와 같은 열대 대서양의 극한 기후현상을 직접적으로 겪고 있는 해당 지역 또한 생태학적으로 많은 관심을 받고 있을 뿐 만 아니라, 방대한 양의 담수 유출을 통해 북브라질 – 가이아나 – 브라질 – 카리브해(Caribbean Sea)에 이르는 거대한 저염 분수의 이동을 만들어낸다(Fournier et al., 2015; Gomes et al., 2018; Gouveia et al., 2019). 마지막으로 미시시피강으로 부터의 담수 유입과 이로 인해 형성된 삼각지로 널리 알려진 LME “Gulf of Mexico” 또한 미시시피강 하구 유역의 I 및 G 권역을 확인할 수 있다(Fig. 5d). 서쪽 해안을 따라 길게 펼쳐진 I 권역은 주변의 아치팔라야 강과 같은 맥시코만으로 흐르는 다른 거대 지류에 의해 형성 되었을 것으로 보인다.
G와 I 권역은 비록 차지하는 영역은 많지 않지만(각각 전체 영역의 0.72%와 0.16%), 풍부한 영양염의 유입을 필두로 생물활동이 활발하고 육상-해양 탄소 순환에 지대한 영향을 미치는 강 하구역에 위치하여 생태권역 분류에서 차지하는 지위가 상대적으로 높다고 할 수 있다. 특히, G와 I권역이 뚜렷하게 나타나는 일부 LMEs의 경우, 세계 5대 갯벌(우리나라 서해, 북해연안, 캐나다 동부연안, 아마존 유역연안, 미국 동부 조지아연안)이 위치하는 곳으로(Figs. 5a, c, and d), 높은 생산력을 기반으로 하는 해양 생물의 보고일 뿐 만 아니라, 오염물의 정화, 블루카본의 저장소로 매우 중요한 역할을 갖는다(Park et al., 2022). 또한, 동남아시아와 호주 북부해안, 대서양 연안해역에 분포한다고 알려진 맹그로브(Mangoroves) 숲 또한 거대한 탄소저장고로써 연안 생태계의 중요한 지위를 가진다. 추후 갯벌 및 맹그로브 서식지에 대한 보다 상세하고 정확한 지도가 생산된다면, eco-province와 비교 수행을 통한 심도싶은 분석이 가능할 것으로 기대된다.
3.3. 시공간 변화 분석
생태 권역 분류 모델을 활용하여 지난 20년간(2001–2020) 생태 권역의 변화를 5년 단위로 분석하였다(Fig. 6). 각 입력 변수의 5년 단위의 평균값을 이용하여 k-means clustering을 수행한 경우에도 최적의 분류 갯수(k)는 9인 것으로 나타났다. 글로벌 스케일로 보았을 때, 큰 규모에 대한 뚜렷한 변화는 관측되지 않았지만, 몇가지 변화를 관측하였다. 남아메리카 서쪽 적도 용승지역(90–180°W, –15–15°N; R1)에 대한 변화를 확인할 수 있었으며, E 권역으로 이루어진 적도 용승 해류가 줄어들고 있는 것으로 나타났다. 특히 해당 영역 E 권역 분포의 남-북 방향의 두께가 과거에 비하여 얇아지고 있는 것으로 관측되었다. 마찬가지로, 남적도해류(South Equatorial Current)와 벵겔라 해류가 지나는 서아프리카 기니만 남쪽에서 관측되는 F권역의 영역이(–30–15°E, 0–15°S; R2) 과거에 비하여 줄어든 것으로 확인되었다. 벵겔라 해류가 관통하는 서아프리카 연안에서는 권역 G가 점점 줄어들어 F 권역만 남은 것으로 확인되었으며, 이와 유사하게 오만만(Gulf of Oman; R3)에서 과거에 관측되던 G 권역이 2016–2020 기간에는 사라진 것으로 확인되었다.
Fig. 6. Spatial distributions of nine eco-provinces for four periods. (a) 2001–2005. (b) 2006–2010. (c) 2011–2015. (d) 2016–2020. The dashed circles (R1–R3) indicate the regions of interest in the analysis.
이러한 변화는 CbPM NPP의 변화에서 기인하는 것으로 판단된다. 과거 5년 단위로 구분하였을 때, 전반적으로 NPP 시그널이 감소하는 추세로 보이며, 특히 앞서 확인한 Fig. 6의 R1–R3 지역에서의 감소가 뚜렷하게 나타났다(Fig. 7). Fig. 6의 R1에 해당하는 BGCP 39 (Pacific Equatorial Divergence Province)의 경우, E 권역으로 분류되었던 강한 NPP 시그널의 남·북 방향의 두께가 동일하게 줄어든 것을 확인할 수 있다. 특히, BGCP 39가 속해 있는 동태평양 적도해역(Eastern Equatorial Pacific Ocean)의 경우, ENSO와 관련이 깊어, 최근 기후변화에 의한 변동성이 반영된 결과로 판단된다(Tagliabue et al., 2020). NPP-ENSO 민감도(sensitivity)는 다양한 선행연구에서 기후변화와 밀접한 상관관계를 가지고 있다고 밝히고 있어(Kwiatkowski et al., 2017), 비록 NPP가 가장 높은 지역은 아니지만(Fig. 2) 추후 해양생태계의 보전 및 수산업의 체계적인 관리를 위해서는 해당 지역에 대한 모니터링이 필요할 것이다.
Fig. 7. Spatial distributions of CbPM NPP for four periods with Longhurst Global Biogeochemical Provinces. (a) 2001–2005. (b) 2006–2010. (c) 2011–2015. (d) 2016–2020.
Fig. 6의 R2에 해당하는 BGCPs 7 및 8 (Western and Eastern Tropical Atlantic Province)은 해당 영역에서 가지는 평균 NPP의 총 량이 지난 네 기간동안 각각 10.39, 10.06, 9.55, 9.41 kgC/m2/day로 감소한 것으로 나타났다. 이러한 NPP의 감소(Pereira et al., 2020)로 인하여 R2 지역의 A 권역도 감소한 것으로 보인다. 열대 대서양의 경우, 지난 20년간 허리케인, 산호 백화(coral bleaching), 아마존 가뭄 및 홍수와 같은 극한 기상현상을 겪으며 SST 변동성이 크게 변화하였다(Foltz et al., 2019). 이로 인한 생태계의 변화가 진행되고 있으며, 대기-해양 이산화탄소 플럭스 변화에 영향을 미칠 수 있다(Foltz et al., 2019). 마찬가지로 Fig. 6의 R3에 해당하는 BGCP 25 (NW Arabian Upwelling Province) 또한 꾸준히 평균 총 NPP 양이 감소(Tagliabue et al., 2021)하고 있어(각각 3.49, 3.05, 2.52, 2.58 kgC/m2/day), 이로인하여 G 권역의 면적이 감소한 것으로 보인다. 열대 용승(tropical upwelling)과 관련이 깊은 아라비아해의 경우, SST의 변동이 상대적으로 크며, 최근 20년동안 기후변화로 인하여 SST와 Chl-a농도 변화 패턴의 유의미한 변화가 관측되었다(Smitha et al., 2023). 또한, 중동과 동아프리카에서 발생한 먼지(dust plume)가 아라비아해로 유입이되고 있으며, 이로인해 NPP가 감소하고 있어(Tandule et al., 2022), 기후변화에 의한 해양 생태계 변화가 급격하게 일어나고 있는 것을 알 수 있다.
보다 상세한 분석을 위하여 각 권역별로 지난 20년동안(2001–2020)의 5년 단위 변화를 분석하였는데(Fig. 8), 상대적으로 원해에 위치하며 및 영역을 많이 차지하는 A와 B 권역은 증가하는 추세에 있는 것으로 나타난 반면(Fig. 8a), 적도부근에서 눈에띄는 감소를 보인 E 권역(Fig. 6; R1)과 연안에 위치하는 F–I 권역이 감소하는 추세에 있는 것으로 나타났다(Fig. 8b). 해양 생태계의 측면에서 보다 다양한 생물종이 서식하고 영양물질의 공급으로 인하여 상대적으로 높은 생산성을 가지는 연안역과 관련된 권역이 줄어들고 있는 것으로 확인되었으며, 이는 연안생태계의 변화가 빠르게 진행되고 있음을 뜻한다(Chapman et al., 2020; Chen et al., 2019). F와 G 권역의 눈에띄는 감소(Fig. 8b)는 연안에서 주로 이루어지는 수산업 및 어업활동의 변화와 직결될 수 있으며, 일차 생산자와 소비자 등 해양생태계의 교란 뿐 만 아니라 사회·경제적인 피해를 야기할 수 있다. 연안역, 산호 및 맹그로브 서식지, 만과 갯벌 등이 포함이 될 것으로 보이는 G, H, I 권역 또한 2000년 초반에도 1% 미만이었던 영역이 그마저도 줄어들고 있는 추세인 것으로 나타났으며(Fig. 8b), 이는 해양생태계의 교란 뿐 만 아니라, 영양염의 저장, 오염물질의 여과능력, 이산화탄소의 흡수에 유의미한 영향을 줄 수 있다(Chen et al., 2019).
Fig. 8. Comparison of the percentage of extents of nine eco-provinces located throughout open oceans by four periods: 2001–2005, 2006–2010, 2011–2015, and 2016–2020. (a) Provinces A–E. (b) Provinces F–I.
3.4. 한계 및 논의
본 연구의 한계점으로는 가장 먼저 검증에 대한 한계가 명확하다는 것으로, 아직 개념조차 명확하게 잡히지 않은 eco-province의 분류에 대한 정량적인 정확도 검증은 어려운 상황이다(Vichi et al., 2011). 간접적으로 기존에 널리 활용되는 해양 생태권역 자료와 정성적인 비교를 했지만, 추후 관련 개념이 정립이 되고 명확한 분류에 대한 근거가 정립된다면 보다 신뢰할 수 있는 생태권역 분류가 이루어 질 수 있을 것이다. 또한, 3.3장에서 논의한 과거 NPP 값의 변화에 대한 해석은 CbPM NPP 산출물을 참이라고 가정한 결과로, 위성 기반 NPP 산출물이 가지는 불확실성을 고려하지 않았다는 한계가 있다. 분석에서 제시한 지역에서의 최근 NPP의 감소에 대한 보고는 제시되고 있지만(Pereira et al., 2020; Tagliabue et al., 2021), NPP 값 자체에 대해서는 보다 정밀한 검증이 필요하다. 특히, CbPM은 상대적으로 MLD의 불확실성에 민감하여(Westberry et al., 2008; Westberry et al., 2023), 이에 대한 추가적인 논의가 필요하다.
비지도 분류기법(k-means clustering)을 사용하여 탄소순환을 고려하여 글로벌 해양을 총 9개의 생태권역으로 구분하였지만, 너무 적은 분류군으로 인하여 BGCPs와 LMEs와 비교하였을 때 모든 해역을 세부적으로 구분하지 못하고 대분류 수준에서 그쳤다는 한계가 있다. 또한, 같은 권역으로 분류가 되었다 할 지라도 H권역과 같이 지리적인 차이뿐만 아니라 생태학적으로 상이한 성격을 가지는 경우도 나타나고 있어, 같은 생태군의 지위를 갖는다고 보기 어려운 분류결과가 있다는 것도 한계점으로 고려할 수 있다. 이러한 분류 한계는 추후 보다 많은 수의 분류군(k)을 지정해주거나 다른 분류 기법의 활용 함으로써 보다 체계적인 생태권역 분류가 가능할 것으로 기대된다.
추후 연구에서는 실제 해양 생물량을 대표할 수 있는 동·식물 플랑크톤 농도, 수산자원 어획량 등의 변수, 생태계의 건강 척도로 활용되는 각종 종 다양성 지표(biodiverisity), 대양과 연안의 특성을 대표할 수 있는 수심(bathymetry) 자료 등을 추가적으로 고려한다면 탄소를 고려한 해양 생태계에 대한 보다 심도있는 분석이 가능할 것으로 기대된다.
4. 결론
본 연구는 탄소순환을 고려한 글로벌 해양 생태권역을 분류하고자 하였다. 지난 20년(2001–2020)간 해색위성을 활용하여 관측된 NPP, PIC, POC, SSS, SST 자료를 활용하였으며, 널리 사용되는 비지도 분류기법인 k-means clustering 알고리즘을 사용하였다. 분류 모델의 최적화를 통하여 대양부터 연근해를 대표하는 총 9개의 eco-province (A–I)를 도출하였다. 전반적으로 넓은 영역에 걸쳐 위치하며, 상대적으로 낮은 NPP, PIC, POC를 보이는 대양의 특성을 보이는 권역(A, B, C), 적도부근에 위치하며 기후변화로 인한 SST의 변동에 민감한 권역(D, E, F), 주로 연안에 위치하며 담수 유입으로 인한 변화에 예민한 권역(G, I), 지리적, 물리적으로 다양한 특성을 가지는 특정하기 어려운 권역(H)을 확인하였다. 과거 5년 단위(2001–2005, 2006–2010, 2011–2015, 2016–2020) eco-province 분포 변화 분석을 통해 탄소순환과 생물다양성의 측면에서 상대적으로 중요한 생태구역인 G와 I 권역이 유의미하게 감소하고 있는 것을 확인하였다.
본 연구는 CbPM NPP, PIC, POC를 활용하여 아직까지 시도되지 않은 탄소순환을 고려한 해양 생태 구역 분류를 수행하였다. 총 9개의 생태권역을 도출하여 아직은 대분류 수준에 그치고 있지만, 추후 탄소순환과 기후변화를 고려한 글로벌 및 지역별 생태구역 분류를 위한 기초자료 및 가이드 자료로 활용할 수 있다.
사사
이 논문은 2023년도 해양수산부 재원으로 해양수산과학기술진흥원의 지원을 받아 수행된 연구임(RS-2023-00256330, 쿠로시오 해류로 인한 한반도 해양위기 대응 기술 개발).
Conflict of Interest
No potential conflict of interest relevant to this articlewas reported.
References
- Akhil, V. P., Vialard, J., Lengaigne, M., Keerthi, M. G., Boutin, J., Vergely, J. L., and Papa., F., 2020. Bay of Bengal Seasurface salinity variability using a decade of improved SMOS re-processing. Remote Sensing of Environment, 248, 111964. https://doi.org/10.1016/j.rse.2020.111964
- Balch, W. M., Gordon, H. R., Bowler, B. C., Drapeau, D. T., and Booth, E. S., 2005. Calcium carbonate measurements in the surface global ocean based on moderate-resolution imaging spectroradiometer data. Journal of Geophysical Research: Oceans, 110(C7). https://doi.org/10.1029/2004JC002560
- Balch, W. M., and Mitchell, C., 2023. Remote sensing algorithms for particulate inorganic carbon (PIC) and the global cycle of PIC. Earth-Science Reviews, 104363. https://doi.org/10.1016/j.earscirev.2023.104363
- Basu, S., and Mackey, K. R., 2018. Phytoplankton as key mediators of the biological carbon pump: Their responses to a changing climate. Sustainability, 10(3), 869. https://doi.org/10.3390/su10030869
- Behrenfeld, M. J., Boss, E., Siegel, D. A., and Shea, D. M., 2005. Carbon-based ocean productivity and phytoplankton physiology from space. Global Biogeochemical Cycles, 19(1). https://doi.org/10.1029/2004GB002299
- Budillon, G., Castagno, P., Aliani, S., Spezie, G., and Padman, L., 2011. Thermohaline variability and antarctic bottom water formation at the ross sea shelf break. Deep Sea Research Part I: Oceanographic Research Papers, 58(10), 1002-1018. https://doi.org/10.1016/j.dsr.2011.07.002
- Calinski, T., and Harabasz, J., 1974. A dendrite method for cluster analysis. Communications in Statisticstheory and Methods, 3(1), 1-27. https://doi.org/10.1080/03610927408827101
- Chaitanya, A. V. S., Lengaigne, M., Vialard, J., Gopalakrishna, V. V., Durand, F., Kranthikumar, C. et al., 2014. Salinity measurements collected by fishermen reveal a "River in the Sea" flowing along the Eastern Coast of India. Bulletin of the American Meteorological Society, 95(12), 1897-1908. https://doi.org/10.1175/BAMS-D-12-00243.1
- Chapman, E. J., Byron, C. J., Lasley-Rasher, R., Lipsky, C., Stevens, J. R., and Peters, R., 2020. Effects of climate change on coastal ecosystem food webs: Implications for aquaculture. Marine Environmental Research, 162, 105103. https://doi.org/10.1016/j.marenvres.2020.105103
- Chen, Y., Dong, J., Xiao, X., Ma, Z., Tan, K., Melville, D. et al., 2019. Effects of reclamation and natural changes on coastal wetlands bordering China's Yellow Sea from 1984 to 2015. Land Degradation & Development, 30(13), 1533-1544. https://doi.org/10.1002/ldr.3322
- Cowardin, L. M., 1979. Classification of wetlands and deepwater habitats of the United States. Fish and Wildlife Service, US Department of the Interior. https://pubs.usgs.gov/publication/2000109
- Cramer, A. N., and Katz, S. L., 2021. Primary production and habitat stability organize marine communities. Global Ecology and Biogeography, 30(1), 11-24. https://doi.org/10.1111/geb.13192
- Fournier, S., Chapron, B., Salisbury, J., Vandemark, D., and Reul, N., 2015. Comparison of spaceborne measurements of sea surface salinity and colored detrital matter in the Amazon Plume. Journal of Geophysical Research: Oceans, 120(5), 3177-3192. https://doi.org/10.1002/2014JC010109
- Gomes, H. D. R., Xu, Q., Ishizaka, J., Carpenter, E. J., Yager, P. L., and Goes, J. I., 2018. The influence of riverine nutrients in niche partitioning of phytoplankton communities-A contrast between the Amazon River Plume and the Changjiang (Yangtze) River diluted water of the East China Sea. Frontiers in Marine Science, 5. https://doi.org/10.3389/fmars.2018.00343
- Gordon, H. R., Boynton, G. C., Balch, W. M., Groom, S. B., Harbour, D. S., and Smyth, T. J., 2001. Retrieval of coccolithophore calcite concentration from SeaWiFS imagery. Geophysical Research Letters, 28(8), 1587-1590. https://doi.org/10.1029/2000GL012025
- Gouveia, N. A., Gherardi, D. F. M., Wagner, F. H., Paes, E. T., Coles, V. J., and Aragao., L. E. O. C., 2019. The salinity structure of the Amazon River Plume drives spatiotemporal variation of oceanic primary productivity. Journal of Geophysical Research: Biogeosciences, 124(1), 147-165. https://doi.org/10.1029/2018JG004665
- Gregr, E. J., and Bodtker, K. M., 2007. Adaptive classification of marine ecosystems: identifying biologically meaningful regions in the marine environment. Deep Sea Research Part I: Oceanographic Research Papers, 54(3), 385-402. https://doi.org/10.1016/j.dsr.2006.11.004
- Guo, J., Wang, J., Xu, C., and Song, Y., 2022. Modeling of spatial stratified heterogeneity. GIScience & Remote Sensing, 59(1), 1660-1677. https://doi.org/10.1080/15481603.2022.2126375
- Hong, G. H., Ahn, Y. H., Son, Y. B., Ryu, J. H., Kim, C. J., Yang, D. B., Kim, Y. I., and Chung, C. S., 2011. Particulate Organic Carbon (POC) Algorithms for the southwestern part of the East Sea during spring-summer period using MODIS Aqua. Korean Journal of Remote Sensing, 27(2), 107-120. https://doi.org/10.7780/kjrs.2011.27.2.107
- Hopkinson, B. M., Mitchell, B. G., Reynolds, R. A., Wang, H., Selph, K. E., Measures, C. I. et al., 2007. Iron limitation across chlorophyll gradients in the southern Drake Passage: Phytoplankton responses to iron addition and photosynthetic indicators of iron stress. Limnology and Oceanography, 52(6), 2540-2554. https://doi.org/10.4319/lo.2007.52.6.2540
- Jang, E., Kim, Y. J., Im, J., and Park, Y. G., 2021. Improvement of SMAP sea surface salinity in river-dominated oceans using machine learning approaches. GIScience & Remote Sensing, 58(1), 138-160. https://doi.org/10.1080/15481603.2021.1872228
- Kim, D. W., Park, Y. J., Jeong, J. Y., and Jo, Y. H., 2020. Estimation of hourly sea surface salinity in the East China Sea using Geostationary Ocean Color Imager measurements. Remote Sensing, 12, 5. https://doi.org/10.3390/rs12050755
- Kim, H., Kim, J., and Paeng, D., 2015. Analysis of surface sound channel by low salinity water and its mid-frequency acoustic characteristics in the East China Sea and the Gulf of Guinea. The Journal of the Acoustical Society of Korea, 34(1), 1. https://doi.org/10.7776/ASK.2015.34.1.001
- Kim, Y. S., Jang, C. J., and Son. Y., 2015. Interannual variability of summer chlorophyll in the Southern Ocean: ENSO effects. Ocean and Polar Research, 37(2), 149-159. https://doi.org/10.4217/OPR.2015.37.2.149
- Longhurst, A. R., 2007. Chapter 1 - Toward an ecological geography of the sea. Ecological geography of the sea (2nd ed.), Elsevier, pp. 1-17. https://doi.org/10.1016/B978-0-12-455521-1.X5000-1
- Pereira, M. P. S., Mendes, K. R., Justino, F., Couto, F., da Silva, A. S., da Silva, D. F., and Malhado, A. C. M., 2020. Brazilian dry forest (Caatinga) response to multiple ENSO: The role of Atlantic and Pacific Ocean. Science of the Total Environment, 705, 135717. https://doi.org/10.1016/j.scitotenv.2019.135717
- Reygondeau, G., Cheung, W. W., Wabnitz, C. C., Lam, V. W., Frolicher, T., and Maury, O., 2020. Climate change-induced emergence of novel biogeochemical provinces. Frontiers in Marine Science, 7, 657. https://doi.org/10.3389/fmars.2020.00657
- Reygondeau, G., Longhurst, A., Martinez, E., Beaugrand, G., Antoine, D., and Maury, O., 2013. Dynamic biogeochemical provinces in the global ocean. Global Biogeochemical Cycles, 27(4), 1046-1058. https://doi.org/10.1002/gbc.20089
- Ryan-Keogh, T. J., Thomalla, S. J., Chang, N., and Moalusi, T., 2023. A new global oceanic multimodel net primary productivity data product. Earth System Science Data Discussions, 2023, 1-34. https://doi.org/10.5194/essd-2023-244
- Sayre, R. G., Wright, D. J., Breyer, S. P., Butler, K. A., Van Graafeiland, K., Costello, M. J. et al., 2017. A three-dimensional mapping of the ocean based on environmental data. Oceanography, 30(1), 90-103. https://www.jstor.org/stable/24897845 https://doi.org/10.5670/oceanog.2017.116
- Sherman, K., 1986. Introduction to parts one and two: Large marine ecosystems as tractable entities for measurement and management. In Sherman, L. M. Alexander (Eds.), Variability and Management of Large Marine Ecosystems, Westview Press, p. 319.
- Sherman, K., 2005. 1 - The large marine ecosystem approach for assessment and management of ocean coastal waters. Large Marine Ecosystems, 13, 3-16. https://doi.org/10.1016/S1570-0461(05)80025-4
- Smitha, A., Sankar, S., and Satheesan, K., 2023. Impact of tropical Indian Ocean warming on the surface phytoplankton biomass at two significant coastal upwelling zones in the Arabian Sea. Dynamics of Atmospheres and Oceans, 104, 101401. https://doi.org/10.1016/j.dynatmoce.2023.101401
- Sonnewald, M., Dutkiewicz, S., Hill, C., and Forget, G., 2020. Elucidating ecological complexity: Unsupervised learning determines global marine eco-provinces. Science Advances, 6(22), eaay4740. https://doi.org/10.1126/sciadv.aay4740
- Spalding, M. D., Fox, H. E., Allen, G. R., Davidson, N., Ferdana, Z. A., Finlayson, M. A. X. et al., 2007. Marine ecoregions of the world: A bioregionalization of coastal and shelf areas. BioScience, 57(7), 573-583. https://doi.org/10.1641/B570707
- Stramski, D., Reynolds, R. A., Babin, M., Kaczmarek, S., Lewis, M. R., Rottgers, R. et al., 2008. Relationships between the surface concentration of particulate organic carbon and optical properties in the eastern South Pacific and eastern Atlantic Oceans. Biogeosciences, 5(1), 171-201. https://doi.org/10.5194/bg-5-171-2008
- Tagliabue, A., Barrier, N., Du Pontavice, H., Kwiatkowski, L., Aumont, O., Bopp, L. et al., 2020. An iron cycle cascade governs the response of equatorial Pacific ecosystems to climate change. Global Change Biology, 26(11), 6168-6179. https://doi.org/10.1111/gcb.15316
- Tagliabue, A., Kwiatkowski, L., Bopp, L., Butenschon, M., Cheung, W., Lengaigne, M., and Vialard, J., 2021. Persistent uncertainties in ocean net primary production climate change projections at regional scales raise challenges for assessing impacts on ecosystem services. Frontiers in Climate, 3. https://doi.org/10.3389/fclim.2021.738224
- Thakur, K. K., Vanderstichel, R., Barrell, J., Stryhn, H., Patanasatienkul, T., and Revie, C. W., 2018. Comparison of remotely-sensed sea surface temperature and salinity products with in situ measurements from British Columbia, Canada. Frontiers in Marine Science, 5, 121. https://doi.org/10.3389/fmars.2018.00121
- Thompson, K., Miller, K., Johnston, P., and Santillo, D., 2017. Storage of carbon by marine ecosystems and their contribution to climate change mitigation (Report No. 03-2017). Greenpeace Research Laboratories. https://www.greenpeace.to/greenpeace/wp-content/uploads/2017/05/Carbon-in-Marine-Ecosystems-Technical-Report-March-2017-GRL-TRR-03-2017.pdf
- Vichi, M., Allen, J. I., Masina, S., and Hardman-Mountford, N. J., 2011. The emergence of ocean biogeochemical provinces: A quantitative assessment and a diagnostic for model evaluation. Global Biogeochemical Cycles, 25(2). https://doi.org/10.1029/2010GB003867
- Yin, S., Wang, J., and Zeng, H., 2023. A bibliometric study on carbon cycling in vegetated blue carbon ecosystems. Environmental Science and Pollution Research, 1-18. https://doi.org/10.1007/s11356-023-27816-2
- Yoon, S. T., 2022. Responses of the Ross Sea to the climate change: Importance of observations in the Ross Sea, Antarctica. Ocean and Polar Research, 44(1), 69-82. https://doi.org/10.4217/OPR.2022004
- Westberry, T. K., Silsbe, G. M., and Behrenfeld, M. J., 2023. Gross and net primary production in the global ocean: An ocean color remote sensing perspective. Earth-Science Reviews, 104322. https://doi.org/10.1016/j.earscirev.2023.104322
- Westberry, T., Behrenfeld, M. J., Siegel, D. A., and Boss, E., 2008. Carbon-based primary productivity modeling with vertically resolved photoacclimation. Global Biogeochemical Cycles, 22(2). https://doi.org/10.1029/2007GB003078
- Zhang, Y., Hepner, G. F., and Dennison, P. E., 2012. Delineation of phenoregions in geographically diverse regions using k-means++ clustering: A case study in the Upper Colorado River Basin. GIScience & Remote Sensing, 49(2), 163-181. https://doi.org/10.2747/1548-1603.49.2.163
- Zhang, Y., and West, N. E., 2021. Implement and analysis on current ecosystem classification in Western Utah of the United States & Yukon Territory of Canada. Grasses and Grassland-New Perspectives. http://dx.doi.org/10.5772/intechopen.100557
- Zhao, Q., Basher, Z., and Costello, M. J., 2020. Mapping near surface global marine ecosystems through cluster analysis of environmental data. Ecological Research, 35(2), 327-342. https://doi.org/10.1111/1440-1703.12060