|
要点
RCAS(regional carbon assimilation system) 区域碳同化系统在 WRF-GHG V3.6.1 版本上研发,主要采用 FORTRAN 和 Python 编写,实现多核并行计算。可以高效、高分辨率反演区域碳通量以及 CO2 浓度的时空演变过程。
我们的工作有如下的优势:
- 该系统利用 POD4DVar 数据同化方法,实现了区域尺度碳排放源和 CO2 浓度的变分同化。利用生态系统碳通量观测数据实时优化生态诊断模型中关键参数(光合参数和呼吸参数),实现自然碳通量和人为碳通量的同步优化;
- 将多源卫星数据(GOSAT、OCO-2)的 CO2 柱浓度数据和地基观测数据引入到 WRF-GHG 温室气体大气传输模式,构造一套多源卫星-地基联合区域碳同化系统,提高区域碳源汇的反演精度;
- 该系统运用于华北平原部分区域(请参见图1),反演了该区域高分辨率(5km)自然碳通量、人为碳排放以及 CO2 浓度格网数据集。
|

图1. 研究区域
|
估计CO2源和汇
图2为1月、4月、7月和10月份区域碳通量 NEE 对研究区域的贡献,图中黑色柱状体代表 RCAS 模式模拟的区域高精度(5km)NEE 对研究区域的月份贡献量,
分别为 0.2093 PgC、-0.3874 PgC、-0.8863 PgC 和 0.1175 PgC,红色柱状体为目前获取的 CarbonTracker-China 2010年反演的区域NEE对研究区域的贡献量(1°x1°)(zhang 等., 2014),分别为0.1010 PgC、0.0215 PgC、-0.3959 PgC 和 0.0537 PgC。
从图中可以看出季节变化基本一致,除了4月份 RCAS 模型的模拟值NEE为碳汇,但是 CarbonTracker-China 反演的 NEE 为弱的碳源,偏差的原因可能是4月份小麦进入抽穗杨花的季节,光合作用变强,1°x1°分辨率的 NEE 模拟值不能很好的捕捉到这个信息。
从 NEE 通量大小的贡献量来看 CarbonTracker-China 的 NEE 反演值,总体低于 RCAS 区域碳同化系统的模拟值,主要原因是 CarbonTracker-China 是全球尺度碳同化系统,RCAS 为区域尺度碳同化系统,全球尺度的空间分辨率较低不能很好的刻画实际情况,
5km高分辨率的区域 NEE 模拟值,更能代表研究区域的碳通量特征,另一个原因是2010年的反演数据相比于2016年NEE的模拟值,具有一定的时间滞后性。
|

图2. 2016年四个月份(1、4、7和10月份)NEE 对研究区域的贡献量
|
大气二氧化碳观测
GOSAT-ACOS_v7.3 卫星与同化结果对比分析:
如图3所示的为1月份和和4月份的同化前后 CO2 浓度模拟值与 GOSAT 卫星观测数据对比分析图,其中横轴代表观测值,单位为 ppm,纵轴代表同化前后的模拟值,单位为 ppm,黑点是同化之前的模拟值,红点是同化之后的模拟值,黑线为同化之前模拟值与观测值的拟合直线,红线是同化之后的模拟与观测的拟合直线。
从图中可以看出系统同化之前的模拟值相对于观测值明显偏低,同化之后的模拟值靠近 1:1 中轴线,效果比较明显。表1是对1月份与4月份的 GOSAT 卫星观测数据和 RCAS 模型模拟值的统计结果。统计结果显示同化前后 CO2 浓度模拟值与 GOSAT 卫星柱浓度数据对比在1月份和4月份相关性大约提高了原来的17.7%,RMSE 提高不大,这可能与区域尺度下的数据量较小统计误差较大有关。
MB 同化后平均降为同化之前的 66.7%,但是4月份同化后偏差较同化前更大,这与 GOSAT 数据量较少有关,即当很少一部分观测数据存在较大偏差的时候对统计结果也会造成很大的影响。此外,IOA 在1月份与4月份分别提高了44%和50%,同化之后的模拟效果有大幅度改善。
|

图3. 同化前后系统模拟值与GOSAT卫星观测值对比分析.(a)1月份;(b)4月份
|
表1. 同化前后系统模拟值与GOSAT卫星观测值对比误差统计分析
时间 | 同化状态 | R | RMSE(ppm) | MB(ppm) | IOA |
1 月份 | 同化前 | 0.668 | 2.901 | -1.407 | 0.600 |
同化后 | 0.787 | 2.704 | -0.242 | 0.866 |
4 月份 | 同化前 | 0.604 | 3.756 | -0.740 | 0.539 |
同化后 | 0.711 | 3.263 | -1.190 | 0.809 |
OCO-2卫星与同化结果对比分析:
图4为4月、7月、10月与1月具有春、夏、秋、冬四个季节的特性的数据同化前后 CO2 浓度模拟值与 OCO-2 卫星观测值进行对比分析的结果图,图中横轴代表 OCO-2 卫星观测值,纵轴为系统同化前后的模拟值,
红点代表同化之后的模拟值,黑点表示同化之前的模拟值,红线为同化后模拟值与观测值的线性拟合直线,黑线是同化前的系统模拟值与观测值的拟合直线,从图中可以看出,同化之后的系统模拟值斜率变大,
趋于 1:1 中轴线。表2为同化前后 CO2 浓度模拟值与 OCO-2 卫星观测值统计分析表,同化前后的 CO2 浓度模拟值与 OCO-2 卫星柱浓度数据进行对比显示,同化后系统模拟值比同化之前效果有很大提高,
相关性大约提高了17个百分点,均方根误差降低了大约 1ppm,平均偏差大约降为同化之前的 37.2%,误差的另一个测量指标 IOA 大约提高了 30 个百分点,同化之后效果非常明显。

图4. 同化前后系统模拟值与OCO-2卫星观测值对比分析.(a)1月份;(b)4月份;(c)7月份;(d)10月份
表2. 同化前后系统模拟值与OCO-2卫星观测值对比误差统计分析
时间 | 同化状态 | R | RMSE(ppm) | MB(ppm) | IOA |
1 月份 | 同化前 | 0.667 | 3.520 | -1.858 | 0.565 |
同化后 | 0.751 | 2.568 | -0.709 | 0.853 |
4 月份 | 同化前 | 0.638 | 3.245 | -1.157 | 0.535 |
同化后 | 0.794 | 2.187 | -0.254 | 0.868 |
7 月份 | 同化前 | 0.568 | 4.743 | -1.164 | 0.452 |
同化后 | 0.777 | 3.657 | -0.449 | 0.750 |
10 月份 | 同化前 | 0.618 | 3.564 | -1.966 | 0.601 |
同化后 | 0.784 | 2.796 | -0.874 | 0.867 |
地基观测站点与同化结果对比分析:
图5 为4月、7月、10月和1月包含春夏秋冬四个季节信息的地基观测数据与同化前后系统模拟值的对比分析图,图中横轴代表地基观测数据,纵轴为同化前后的系统模拟值,红点代表优化后的站点模拟值,
黑点代表优化前的站点模拟值,红线代表同化后站点模拟值与观测值的拟合直线,黑线代表同化前站点模拟值与站点观测值的拟合直线。如图所示同化后的模拟值大幅度的趋向于1:1中轴线,同化结果有了大幅度提高,
尤其是1月份和7月份的拟合曲线在1:1中轴线附近,同化后的系统模拟值与观测值的相关性较高。表3为4个月份的同化前后的站点模拟值与观测值的统计分析表,从表中发现,优化后的相关性有了明显提高,
1月、4月、7月和10月份站点优化后的模拟值与观测值之间的相关性比同化前分别提高了40.16%、45.55%、37.13%和40.53,相关性比卫星观测数据要高的原因,是因为卫星是某个时间点的观测值,而站点是小时连续值,
侧面说明了同化之后的系统模拟值能很好的捕捉到一天内CO2浓度的变化信息。同化后的平均偏差大约降为同化之前的51.87%,同化之后的站点模拟值相对于同化之前的站点模拟值均方根误差在1月、4月、7月和10月份分别降为同化之前的70.75%,63.8%,65.21%和77.68%,
然而RMSE同化之后站点模拟误差也远大于同化之后与卫星观测值之间的误差,这说明CO2浓度在一天内波动较大,在7月份的生长季尤为明显。

图5. 同化前后系统模拟值与地基观测值对比分析.(a)1月份;(b)4月份;(c)7月份;(d)10月份
表3. 同化前后系统模拟值与地基观测值对比误差统计分析
时间 | 同化状态 | R | RMSE(ppm) | MB(ppm) | IOA |
1 月份 | 同化前 | 0.635 | 12.402 | -2.841 | 0.701 |
同化后 | 0.890 | 8.775 | -0.660 | 0.932 |
4 月份 | 同化前 | 0.584 | 21.524 | -2.063 | 0.590 |
同化后 | 0.850 | 13.733 | -1.296 | 0.903 |
7 月份 | 同化前 | 0.649 | 32.463 | -1.868 | 0.585 |
同化后 | 0.894 | 21.170 | -1.485 | 0.883 |
10 月份 | 同化前 | 0.565 | 20.130 | -1.850 | 0.648 |
同化后 | 0.794 | 15.637 | -1.031 | 0.887 |