基于中国大气反演系统的卫星...数据同化对全球碳收支的评估_金哲.pdf

基于中国大气反演系统的卫星CO2数据同化对全球碳收支的评估金哲1,3,汪涛1,3,张洪芹2,3,汪宜龙1,3,丁金枝1,3,田向军1,3*1.中国科学院青藏高原研究所青藏高原地球系统与资源环境重点实验室,北京 100101;2.中国科学院大气物理研究所国际气候与环境科学中心,北京 100029;3.中国科学院大学,北京 100049*通讯作者,E-mail:收稿日期:2022-04-26;收修改稿日期:2022-11-09;接受日期:2022-11-23;网络版发表日期:2023-02-13第二次青藏高原综合科学考察研究项目(编号:2022QZKK0101)和国家自然科学基金项目(批准号:41975140、42105150)资助摘要卫星CO2浓度观测可以对地表碳通量反演提供重要约束,尤其在地面观测覆盖不佳的区域.文章使用自主研发的中国大气反演系统,利用OCO-2(Orbiting Carbon Observatory-2)卫星CO2柱浓度观测估算了20152019年全球CO2源汇分布,并与其他五个先进反演系统的结果进行了对比.通过同化卫星CO2观测,反演得到的全球净陆地碳汇(净生物群系生产力,net biome productivity,NBP)为(1.030.39)PgC a1,低于地面观测反演得到的结果(1.462.52PgC a1).文章估算的北半球陆地碳汇为1.30PgC a1,热带陆地为碳源,碳释放量为0.26PgC a1,结果与其他独立证据相符.相较之下,其他系统反演出的北半球陆地碳汇较强(1.442.78PgC a1),而对热带碳通量的估算存在较大分歧,估算范围为0.771.26PgC a1.在20152016年厄尔尼诺事件发生期间,热带陆地是导致全球CO2浓度增长率升高的主要地区.与此同时,北半球热带外地区的碳吸收高于正常年份,这与同期北半球的大幅绿化吻合,该区域较大的碳吸收部分抵消了同期热带地区的碳释放.而大部分基于地面观测的反演并未发现厄尔尼诺发生期间北半球热带外地区碳吸收较强,因而得到的全球净碳释放量高于本研究.基于卫星观测的反演有助于加深对北半球和热带陆地碳通量分配的理解,文章还指出北半球热带外地区在20152016年厄尔尼诺事件发生期间是一个异常强的碳汇.关键词碳循环,大气反演,净生物群系生产力(NBP),厄尔尼诺1引言人类活动每年排放的CO2约有一半留在大气中,另一半被陆地和海洋所吸收(Friedlingstein等,2020).在碳收支的各个组成部分中,陆地碳汇的规模和空间分布具有最大的不确定性,因此在过去的几十年中受到了学术界越来越多的关注(Ballantyne等,2012;Lovenduski和Bonan,2017;Piao等,2020;朴世龙等,2022b).在全球尺度上,陆地碳汇可以表示为其他四个估算较准的量的残余项,即人为和土地利用的碳排放中文引用格式:金哲,汪涛,张洪芹,汪宜龙,丁金枝,田向军.2023.基于中国大气反演系统的卫星CO2数据同化对全球碳收支的评估.中国科学:地球科学,53(3):587597,doi:10.1360/N072022-0123英文引用格式:Jin Z,Wang T,Zhang H,Wang Y,Ding J,Tian X.2023.Constraint of satellite CO2retrieval on the global carbon cycle from a Chinese atmosphericinversion system.Science China Earth Sciences,66(3):609618,https:/doi.org/10.1007/s11430-022-1036-7 2023 中国科学杂志社中国科学:地球科学2023 年第 53 卷第 3 期:587 597SCIENTIA SINICA T论 文减去海洋碳汇和大气CO2增长率(Friedlingstein等,2020).根据目前的全球CO2观测可知全球陆地生态系统是一个显著碳汇,然而,不同研究对陆地碳汇的纬向分布仍存在较大分歧,其中热带地区碳通量评估的不确定性最大(Ciais等,2014;Schimel等,2015).大气反演法能够利用大气CO2浓度观测和三维大气传输模型约束CO2源和汇的地理分布(Ciais等,2010).在过去的十年中,利用大气CO2浓度观测对陆地碳通量的动态变化进行反演取得了快速进展.该领域已从使用由100多个站点组成,通过原位或瓶采样测量大气CO2浓度的全球地面观测网络,拓展为使用星载仪器测量的柱平均大气CO2浓度,这些卫星观测比现有地面CO2观测具有更高的空间覆盖率(Peters等,2007;Chevallier等,2010;Lauvaux等,2016;朴世龙等,2022a;Wang等,2022).卫星观测能够为地面观测覆盖不佳的重要区域和生态系统提供地表碳通量约束信息,如热带和高纬度地区(Peylin等,2013;Byrne等,2017;Crowell等,2019).本文使用自主研发的反演系统GONGGA(GlobalObservatioN-based system for monitoring GreenhouseGAses),通过同化OCO-2(Orbiting Carbon Observatory-2)卫星的柱平均CO2浓度(XCO2)观测数据获得格点化的20152019年陆地和海洋碳通量(ODell等,2012,2018).GONGGA是在Tian等(2014)的基础上发展起来的,Tian等(2014)使用基于本征正交分解的集合四维变分同化方法(Proper Orthogonal Decomposition FourDimensional Variational,PODEn4DVar)(Tian等,2011)同时优化初始CO2浓度和CO2通量.与Tian等(2014)相比,GONGGA采用了一种新颖的双通道反演策略,可以更好地区分由初始CO2浓度和先验CO2通量误差导致的模式模拟偏差.此外,GONGGA使用非线性最小二乘集合四维变分同化方法(Nonlinear Least SquaresFour-dimensional Variational,NLS-4DVar)(Tian和Feng,2015;Tian等,2018)进行优化,相较于PODEn4DVar方法,NLS-4DVar方法对于非线性系统的求解更为准确.传统的大气反演系统通常只优化CO2通量,并采用一般的变分或集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)方法作为优化算法(Chevallier等,2005;van derLaan-Luijkx等,2017;Rdenbeck等,2018;Liu等,2021).与之相比,GONGGA的双通道反演策略可以减少大气传输模拟误差对反演通量的影响,同时NLS-4DVar方法为非线性优化问题提供了一种新的有效途径.GONGGA的这些创新之处使我们能够同化大量的观测数据,并以较低的计算成本获得高精度的反演.通过GONGGA与其他五个先进反演系统结果之间的对比,本文试图推进目前对20152019年卫星观测约束的全球碳收支,陆地碳通量的纬向分配,以及陆地碳通量对极端气候事件的响应的理解.2方法与数据2.1GONGGA大气反演系统GONGGA通过同化卫星或/和地面CO2浓度观测优化净陆地碳通量(净生物群系生产力,net biome pro-ductivity,NBP)与海洋碳通量.本文使用的卫星观测为OCO-2 9r版本的CO2柱浓度数据(ODell等,2012,2018).在其他一些反演系统中,同化OCO-2海洋上空的观测会产生不合理的结果,因此只采用陆地上空的观测(Crowell等,2019;Peiro等,2022).而GONGGA同时同化了陆地与海洋上空观测(网络版附图S1,http:/),且反演结果经过验证是合理的.GONGGA反演系统有两个核心,一个是新颖的双通道反演策略,另一个是NLS-4DVar方法(图1).GONGGA系统采用双通道反演策略,以期区分由初始CO2浓度误差和地表CO2通量误差造成的模型模拟偏差.该策略在一个反演循环内先后优化初始CO2浓度和地表碳通量.首先进行CO2通道反演.在该通道中,优化的变量是该次循环的初始CO2浓度,窗口长度为5天.我们假设在这一较短时间内,先验通量误差基本可以忽略,模型模拟偏差主要是由初始CO2浓度的误差引起的.接下来进行通量通道反演.在该通道中,地表CO2通量被优化,窗口长度为2周.CO2通道中优化的初始CO2浓度被用作通量通道的初始CO2浓度,此时我们假设初始CO2浓度的误差已经基本消除,模型模拟偏差主要是由地表碳通量误差引起的.两个通道的优化完成之后,当前循环反演结束,我们从当前循环未优化的初始CO2浓度(不是CO2通道优化后的初始浓度)开始再次运行大气传输模型,由优化的通量驱动,模拟到下一个循环的起始时刻(当前循环开始后2周).在此过程中使用当前循环未优化的初始CO2浓度保证了CO2在反演过程中的质量守恒.然后重复上述双通道步骤,直到整个反演结束.金哲等:基于中国大气反演系统的卫星CO2数据同化对全球碳收支的评估588为了优化初始CO2浓度和地表碳通量,我们使用NLS-4DVar方法(Tian等,2018)极小化如下代价函数:hhJ xxxBxxyxRyx()=12()()+12()(),(1)aaT1T1式中,x是状态向量,xa是先验状态向量,B是先验误差协方差矩阵,y是CO2浓度观测,h()是观测算子,R是观测误差协方差矩阵.作为一种混合同化方法,NLS-4DVar旨在最大限度地融合传统四维变分(Four-dimen-sional Variational,4DVar)(Charney等,1969;Lewis和Derber,1985;Rabier等,2000)和EnKF(Evensen,1994,2004,2009)数据同化方法的优势.GONGGA采用NLS-4DVar而不是PODEn4DVar,因为Tian等(2018)证明了NLS-4DVar迭代一次时与PODEn4DVar是等价的.在GONGGA中,我们使用NLS-4DVar迭代三次以获得更高的精度.在NLS-4DVar中有两个基本假设.一个是用集合协方差矩阵近似先验误差协方差矩阵,即NBPP=()()1,(2)xxT式 中,()Px xx=,xN12为 状 态 向 量 扰 动 集 合,xxx=jja,j=1,2,N,xj是第j个样本,N是样本个数.另一个假设是最优状态向量可以表示为先验值加上扰动的线性组合xxP=+,(3)ax*式中,是扰动的权重系数向量.我们将代价函数(公式(1)转换为非线性最小二乘的形式,其控制变量为,然后采用高斯-牛顿迭代法(Dennis和Schnabel,1996)求解该非线性最小二乘问题.使用NLS-4DVar求解代价函数的详细步骤见网络版附录.简单地说,经过一系列的数学转换,GONGGA避免了使用传统变分方法所需计算的复杂耗时的切线性模型与伴随模型,在保持较高反演精度的同时计算代价较低.2.2植被数据本文使用了20152019年0.05空间分辨率的逐日格点化总初级生产力(gross primary productivity,GPP)数据,该数据来自FluxSat v2.0,这是一个基于FLUX-NET通量塔GPP观测和MODIS(Moderate ResolutionImaging Spectroradiometer)卫星几何调整反射率,通过升尺度得到的GPP产品(Joiner等,2018).本文使用了20152018年0.05空间分辨率、逐月的MODIS(MOD13C2v006)归一化植被指数(normal-图 1GONGGA大气反演系统框架中国科学:地球科学2023 年第 53 卷第 3 期589ized difference vegetation in