1、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:41
2、975140、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
3、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
4、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
5、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 Ear
6、th 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
7、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
8、;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 Four
9、Dimensional 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
10、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2
11、0152019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
12、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
13、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(T
14、ian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
15、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
16、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 Resolutio
17、nImaging 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 index,NDVI)数据,用该数据表征植被绿度(Didan,2015).2.3气候数据本文使用了20152018年0.5空间分辨率、逐月的温度和降水数据,该数据来自Climate Research Un
18、it(CRU TS4.05)(Harris等,2014).3结果与讨论3.1全球碳通量评估本文使用GONGGA大气反演系统,通过同化20152019年间OCO-2卫星的CO2柱浓度观测约束地表净CO2通量(FNET),该净通量由化石燃料燃烧碳排放(EFOS)、净生物群系生产力(NBP)和海洋碳通量(SOCEAN)决定.在这五年间,卫星观测约束的大气CO2增长率为(2.570.30)ppm a1(1ppm=1mol mol1),这与美国国家海洋和大气管理局(National Oceanic andAtmospheric Administration,NOAA)根据观测得出的增长率(2.560.3
19、0)ppm a1)(Dlugokencky和Tans,2022)一致.GONGGA对这期间大气中CO2累计增长量的估计(27.25PgC)也与NOAA的结果(27.190.40)PgC)相当.GONGGA使用的EFOS数据(9.500.17)PgCa1)来自ODIAC2020(Open-source Data Inventory forAnthropogenic CO22020)(Oda和Maksyutov,2011,2015;Oda等,2018),并假设该数据不存在误差,在此基础上反演出的20152019年全球年均NBP和SOCEAN分别为(1.030.39)PgC a1(正值表示陆地从大气
20、中吸收CO2)和(3.020.32)PgC a1(负值表示海洋从大气中吸收CO2)(图2),这与同期全球碳收支2021年版(GlobalCarbon Budget 2021,GCB2021)评估的NBP(1.270.69)PgC a1)与SOCEAN(2.890.07)PgC a1)是吻合的(Friedlingstein等,2021).我们还将GONGGA优化的NBP和SOCEAN与其他五个先进大气反演系统的结果进行了对比(图2),这些系统使用了不同的大气传输模型、数据同化技术和/或同化了不同类型的CO2观测(网络版附表S1).由于使用的CO2观测不同,反演得到的NBP存在系统性差异.基于OC
21、O-2观测的GONGGA和CMS(Carbon MonitoringSystem,(1.440.63)PgC a1)(Liu等,2021)得到的全球平均NBP普遍低于基于地面观测的结果,包括CTE(CarbonTracker Europe,(2.170.57)PgC a1)(van derWerf等,2017)、CAMS(Copernicus Atmosphere Mon-itoring Service,(2.350.70)PgC a1)(Chevallier等,2005)和MIROC(Model for Interdisciplinary Research onClimate,(2.520.
22、75)PgC a1)(Patra等,2018),这些地基反演与GONGGA估算的NBP的差异高达1.141.49PgC a1(图2).Chevallier等(2019)也发现了基于OCO-2和地面观测的反演结果之间的系统偏差.该研究使用同一套反演系统和先验碳通量,通过同化OCO-2或地面观测优化20152017年的NBP,发现基于OCO-2观测的NBP要比基于地面观测的NBP小0.61PgC a1.除此之外,由于在反演系统中默认EFOS不存在误差,因而不同排放清单的选择也会导致反演的NBP的不同.例如,GONGGA使用的EFOS为ODIAC2020,该化石燃料碳排放低于CMS使用的ODIAC2
23、018(Oda和Maksyu-tov,2011;Oda等,2018)(图2c),如果剔除EFOS差异造成的影响,GONGGA与CMS估算的NBP将更为接近.对SOCEAN而言,GONGGA估算的海洋碳汇强度与CMS(3.160.24)PgC a1)和JCS(Jena CarboScope,(2.710.16)PgC a1)的结果相当(Rdenbeck等,2003,2018),但是强于CTE(2.170.23)PgC a1),CAMS(2.150.17)PgC a1)和MIROC(1.660.25)PgC a1)的结果(图2b).3.2陆地碳通量空间分布来自GONGGA和其他五个先进反演系统的全
24、球年均NBP的空间分布见图3.全球而言,GONGGA与CTE的NBP空间分布更为细致,能够区分出小范围的碳源和碳汇.相较之下,MIROC在全球进行分区反演,且分区较大,一个区域内的通量调整一致,因此结果呈现出比较明显的分块特征(Patra等,2018).当关注的尺度由全球缩小至区域,不同化石燃料排放清单的使用导致的NBP空间分布差异会更加明显.在高排放地区,如美国东部、欧洲、中国东部和印度,不同化石燃料排放清单之间的差异更大(网络版附图S2).在反演中排放清单实际存在的误差将通过调整NBP进行弥补,从而加剧了NBP之间的差异.GONGGA估算的北半球热带外地区为碳汇(2390N,1.30PgC
25、 a1),北半球热带(023N,0.03PgCa1)和南半球热带外地区(9023S,0.01PgC a1)近乎中性,南半球热带地区为碳源(23S0,0.29PgC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590a1).与其他反演结果相比,GONGGA估算的北半球热带外地区的净碳吸收量较小(1.30PgC a1),热带地区的碳释放量较弱(0.26PgC a1).Stephens等(2007)的研究表明,陆地净碳通量在北半球热带以外和热带之间的分配主要受到反演系统中大气传输模型对垂直混合模拟优劣的影响,对北半球CO2垂直梯度刻画更为准确的反演结果表明,北方陆地碳汇强度适中,
26、且热带陆地碳吸收接近中性.Gaubert等(2019)使用一组更新的反演集合,将反演出的垂直CO2分布和独立观测数据进行了对比,也发现之前的研究高估了北半球热带外陆地的碳吸收量,且热带地区接近中性.这两个研究都印证了我们的反演结果.在北半球热带外地区,GONGGA和其他三个基于地面观测的系统(CTE、MIROC和JCS)估算的NBP仅为CMS(2.38PgC a1)和CAMS(2.78PgC a1)的一半.CMS对北半球热带外地区陆地碳汇的高估主要是因为其反演的陆地碳汇峰值向后偏移了一个月;而CAMS主要是因为低估了冬季CO2的排放(网络版附图S3).一般将GPP的季节循环作为评估高纬度地区N
27、BP季节循环的定性指标.通过对比NBP与GPP的季节循环发现,在北半球热带外地区,CMS估算的陆地碳汇峰值比GPP峰值后延了一个月,而GONGGA和其他系统的NBP与GPP的季节循环是一致的(网络版附图S3).CMS陆地碳汇峰值的错误后延来源于其使用的先验通量,该先验通量存在类似的NBP峰值后延的问题,虽然CMS通过同化卫星CO2观测对NBP进行了很大的调整,但主要调整的是NBP季节循环的幅度而非相位(网络版附图S4).这一结果表明使用季节循环相位正确的先验陆地碳通量十分重要,尤其是在北半球热带外地区.与其他将热带陆地评估为碳汇(0.450.77PgC a1)或者碳源(0.641.26PgC
28、a1)的结果相比,GONGGA(0.26PgC a1)和JCS(0.34PgC a1)接近中性的估算结果与前人基于清单和过程模型的结果是一致的(Fisher等,2013;Mitchard,2018;Hubau等,2020).例如,在20002010年间,主要由CO2施肥效应导致的未受干扰的热带碳吸收大约为(1.40.4)PgC a1(Schimel等,图 2六个碳同化系统得到的全球年均(a)净生物群系生产力(NBP)、(b)海洋碳通量(SOCEAN)、(c)化石燃料燃烧碳排放(EFOS)以及(d)净碳通量(FNET)CMS给出的是20152018年4年平均的结果,其余系统给出的均为201520
29、19年五年平均的结果.在这六个反演系统中,GONGGA使用ODI-AC2020化石燃料排放清单,CMS使用ODIAC2018排放清单,其余系统使用GridFED2020排放清单(Jones等,2021).(c)中给出的ODIAC2020结果剔除了国际燃料碳排放,如果加上这一项,ODIAC2020的结果为9.85PgC a1.对NBP而言,正值表示碳汇,负值表示碳源;对SOCEAN、EFOS及FNET而言,正值表示碳源,负值表示碳汇.图中的误差棒表示多年的标准差,单位:PgC a1中国科学:地球科学2023 年第 53 卷第 3 期5912015).但是在20062018年,这种由CO2驱动的强
30、碳吸收几乎完全被森林砍伐和再生造成的碳排放(1.40.3)PgC a1)所抵消(Houghton和Nassikas,2017;Gas-ser等,2020).3.3陆地碳通量对极端气候事件的响应NBP存在较大的年际变化,六个反演结果均显示,厄尔尼诺年(20152016年)的陆地碳汇要比拉尼娜年(20172018年)弱得多,导致厄尔尼诺年的大气CO2浓度增长率较高.如果将拉尼娜年作为计算NBP异常的参考年,反演结果一致显示厄尔尼诺年的陆地碳汇是减少的(图4).GONGGA得到的厄尔尼诺年全球NBP异常(0.83PgC a1)比其他反演系统的结果(1.221.56PgC a1)弱,这主要是由于热带碳
31、源的增强一部分被北半球热带外地区碳汇的增强所抵消(表1).这六个系统的反演结果都表明热带地区在全球NBP负异常中起主导作用(Wang等,2013;Liu等,2017;Piao等,2020;Dannenberg等,2021),GONGGA对热带NBP异常的估计为1.06PgC a1,该数值处在其他反演系统的估算范围之内(0.761.39PgC a1).在北半球热带图 3来自GONGGA(a)、CMS(b)、CTE(c)、CAMS(d)、MIROC(e)和JCS(f)的全球年均NBP分布正值表示碳汇,负值表示碳源.单位:gC m2a1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
32、估592外地区,GONGGA的结果(0.23PgC a1)与另一个基于卫星的反演CMS(0.19PgC a1)的结果显示该地区的NBP为正异常,而其他三个基于地面观测的反演(CTE、CAMS和MIROC,0.230.57PgC a1)显示该地区的NBP为负异常.20152016年热带地区NBP大幅减小的原因可能是该地区广泛的植被褐化(网络版附图S5).这种褐化可能是厄尔尼诺年超过植被光合最佳温度的高温异常(网络版附图S6)(Huang等,2019),以及水分胁迫增强造成的(网络版附图S7).相比之下,由于水资源的增加和图 4六个反演系统估算的厄尔尼诺年(20152016年)与拉尼娜年(2017
33、2018年)(厄尔尼诺拉尼娜)NBP差异的全球分布(a)(f),以及全球总NBP差异(g)中国科学:地球科学2023 年第 53 卷第 3 期593更加有利的温度条件,北半球热带外地区存在广泛的植被绿化(Hu等,2019;Wang等,2021),从而导致了该地区的NBP正异常.4总结卫星CO2观测在约束陆地碳通量方面具有巨大的潜力,特别是在现有地面CO2观测网络覆盖不佳的地区.本文研发了一个无需伴随的集合四维变分反演系统GONGGA,能够同化卫星的CO2柱浓度观测,从而对CO2的源和汇进行优化.GONGGA基于卫星观测的反演显示,20152019年,全球陆地与海洋碳汇可抵消42.64%的化石燃
34、料燃烧碳排放,这比传统的地面观测反演得到的比例低(42.9546.06%).GONGGA给出的净陆地碳通量在北半球热带外地区和热带地区之间的分配和其他反演结果有所不同,20152019年,GONG-GA估算的北半球热带外地区的碳吸收量较少,热带地区具有较弱的碳释放.这一结果与前人基于独立观测、清单和过程模型的研究一致,有助于解决全球陆地碳通量区域分配中长期存在的分歧.在20152016年强厄尔尼诺事件发生期间,GONGGA和其他反演系统均指出热带地区的碳损失是导致全球NBP负异常的主要原因,但是GONGGA反演的全球NBP负异常程度比基于地面观测的结果弱.这是因为在事件发生期间,GONGGA估
35、算的北半球热带外地区的碳吸收是增加的,这在基于地面观测的反演中基本没有体现,而这种异常的高碳吸收与20152016年观察到的北半球植被绿度的增加是一致的.除了同化的CO2观测的不同,不同的传输模型、反演框架和先验通量的使用也会造成反演结果的差异.本文的分析表明,对所有反演结果进行简单平均可能无法得到对全球NBP及其区域分配的最优估计.尽管基于卫星观测的通量反演可以为全球碳循环提供新的、强有力的见解,但仍需进行基于过程的反演研究,以期了解反演中的主要不确定性来源(如使用不同的大气传输模型、先验通量),同时获得全球和区域尺度上更为稳健的陆地碳通量反演结果.致谢感谢Carbon Monitoring
36、 System、CarbonTrackerEurope、Copernicus Atmosphere Monitoring Service、Mod-el for Interdisciplinary Research on Climate和Jena Carbo-Scope提供的通量反演结果,感谢OCO-2提供的CO2柱浓度观测,感谢ODIAC提供的化石燃料燃烧碳排放数据.参考文献朴世龙,何悦,王旭辉,陈发虎.2022a.中国陆地生态系统碳汇估算:方法、进展、展望.中国科学:地球科学,52:10101020朴世龙,岳超,丁金枝,郭正堂.2022b.试论陆地生态系统碳汇在“碳中和”目标中的作用.中国科
37、学:地球科学,52:14191426Ballantyne A P,Alden C B,Miller J B,Tans P P,White J W C.2012.Increase in observed net carbon dioxide uptake by land and oceansduring the past 50 years.Nature,488:7072Byrne B,Jones D B A,Strong K,Zeng Z C,Deng F,Liu J.2017.Sensitivity of CO2surface flux constraints to observational
38、 cover-age.J Geophys Res-Atmos,122:66726694CarbonTracker Team.2022.Obspack_co2_1_nrt_v5.2_2020-06-03CGADIP.2022.Obspack_co2_1_globalviewplus_v5.0_2019-08-12Charney J,Halem M,Jastrow R.1969.Use of incomplete historicaldata to infer the present state of the atmosphere.J Atmos Sci,26:11601163Chevallier
39、 F,Ciais P,Conway T J,Aalto T,Anderson B E,Bousquet P,Brunke E G,Ciattaglia L,Esaki Y,Frhlich M,Gomez A,Gomez-Pelaez A J,Haszpra L,Krummel P B,Langenfelds R L,Leuenberger M,Machida T,Maignan F,Matsueda H,Morgu JA,Mukai H,Nakazawa T,Peylin P,Ramonet M,Rivier L,Sawa Y,Schmidt M,Steele L P,Vay S A,Verm
40、eulen AT,Wofsy S,WorthyD.2010.CO2surface fluxes at grid point scale estimated from aglobal 21 year reanalysis of atmospheric measurements.J GeophysRes,115:D21307Chevallier F,Fisher M,Peylin P,Serrar S,Bousquet P,Bron F M,Chdin A,Ciais P.2005.Inferring CO2sources and sinks fromsatellite observations:
41、Method and application to TOVS data.JGeophys Res,110:D24309表 1六个反演系统估算的厄尔尼诺年(20152016年)和拉尼娜年(20172018年)的NBP在北半球、热带和南半球的差异(厄尔尼诺-拉尼娜)a)反演系统北半球热带外地区(2390N)热带地区(23S23N)南半球热带外地区(9023S)GONGGA0.231.060.00CMS0.191.380.03CTE0.300.860.10CAMS0.231.350.03MIROC0.570.760.22JCS0.211.390.21a)单位:PgC a1金哲等:基于中国大气反演系统
42、的卫星CO2数据同化对全球碳收支的评估594Chevallier F,Remaud M,ODell C W,Baker D,Peylin P,Cozic A.2019.Objective evaluation of surface-and satellite-driven carbondioxide atmospheric inversions.Atmos Chem Phys,19:1423314251Ciais P,Dolman A J,Bombelli A,Duren R,Peregon A,Rayner P J,Miller C,Gobron N,Kinderman G,Marland
43、G,Gruber N,Chevallier F,Andres R J,Balsamo G,Bopp L,Bron F M,BroquetG,Dargaville R,Battin T J,Borges A,Bovensmann H,Buchwitz M,Butler J,Canadell J G,Cook R B,DeFries R,Engelen R,Gurney KR,Heinze C,Heimann M,Held A,Henry M,Law B,Luyssaert S,Miller J,Moriyama T,Moulin C,Myneni R B,Nussli C,Obersteiner
44、 M,Ojima D,Pan Y,Paris J D,Piao S L,Poulter B,Plummer S,Quegan S,Raymond P,Reichstein M,Rivier L,SabineC,Schimel D,Tarasova O,Valentini R,Wang R,van der Werf G,Wickland D,Williams M,Zehner C.2014.Current systematiccarbon-cycle observations and the need for implementing a policy-relevant carbon obser
45、ving system.Biogeosciences,11:35473602Ciais P,Rayner P,Chevallier F,Bousquet P,Logan M,Peylin P,Ramonet M.2010.Atmospheric inversions for estimating CO2fluxes:Methods and perspectives.Clim Change,103:6992Crowell S,Baker D,Schuh A,Basu S,Jacobson A R,Chevallier F,LiuJ,Deng F,Feng L,McKain K,Chatterje
46、e A,Miller J B,Stephens BB,Eldering A,Crisp D,Schimel D,Nassar R,ODell C W,Oda T,Sweeney C,Palmer P I,Jones D B A.2019.The 20152016 carboncycle as seen from OCO-2 and the global in situ network.AtmosChem Phys,19:97979831Dannenberg M P,Smith W K,Zhang Y,Song C,Huntzinger D N,Moore D J P.2021.Large-sc
47、ale reductions in terrestrial carbonuptake following central pacific El Nio.Geophys Res Lett,48:e92367Dennis J E,Schnabel R B.1996.Numerical Methods for UnconstrainedOptimization and Nonlinear Equations.Philadelphia,PA:Societyfor Industrial and Applied MathematicsDidan K.2015.MOD13C2 MODIS/Terra Veg
48、etation Indices Monthlyl3 Global 0.05 Deg CMG v006.Greenbelt,MD:Distributed ActiveArchive CentersDlugokencky E,Tans P.2022.Trends in Atmospheric Carbon Dioxide.Boulder:National Oceanic and Atmospheric Administration,EarthSystem Research Laboratory(NOAA/ESRL)Evensen G.1994.Sequential data assimilatio
49、n with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast errorstatistics.J Geophys Res,99:1014310162Evensen G.2004.Sampling strategies and square root analysis schemesfor the EnKF.Ocean Dyn,54:539560Evensen G.2009.Data Assimilation:The Ensemble Kalman Filter.Berlin:SpringerFi
50、sher J B,Sikka M,Sitch S,Ciais P,Poulter B,Galbraith D,Lee J E,Huntingford C,Viovy N,Zeng N,Ahlstrm A,Lomas M R,Levy PE,Frankenberg C,Saatchi S,Malhi Y.2013.African tropicalrainforest net carbon dioxide fluxes in the twentieth century.PhilTrans R Soc B,368:20120376Friedlingstein P,Jones M W,OSulliva
