利用大气二氧化碳和羰基硫浓度评估陆地生态系统模型碳通量模拟的不确定性

何 维,江 飞,居为民,*

1 南京大学国际地球系统科学研究所, 南京 210023 2 南京大学地理与海洋科学学院,自然资源部国土卫星遥感应用重点实验室,江苏省地理信息技术重点实验室, 南京 210023

认识陆地生态系统碳循环是全球变化研究的重要前提。生态系统模型是模拟全球生态系统碳循环的重要工具,但是模型模拟仍存在很大的不确定性,包括季节变化、年际变化和空间分布等方面。生态系统模型的不确定性主要源于模型的结构、对环境胁迫的响应及反馈的刻画、参数取值和输入数据的误差等。

评价陆地生态系统模型的不确定性是一项十分重要的研究,是准确评估当前陆地碳循环状态与与预测未来变化的前提。利用观测数据来评价模型是常用的方法。用于评价碳循环模型的数据包括站点尺度涡度通量、大气CO2浓度、叶绿素荧光和生物量等。Messerschmidt 等[1],Fang 等[2]和 Frankenberg 等[3]分别利用地面遥感、高塔和飞机观测的大气CO2数据评价了基于生态系统模型和遥感的碳通量模拟。Peng 等[4]利用涡度通量、站点和卫星CO2浓度等多种数据系统评价了生态系统模型的碳通量模拟。Byrne 等[5]利用卫星植被叶绿素荧光与CO2柱浓度数据评价了北美中纬度地区生态系统光合和呼吸碳通量估算。

由于陆地生态系统是重要的碳汇,且具有显著的季节变化,强烈地改变着大气CO2的浓度。大气CO2浓度可以反映陆地生态系统与大气之间的碳交换信息。通过与基于生态系统模型模拟碳通量的浓度贡献比较,可以评估生态系统模型的不确定性[4-5]。但是,大气CO2浓度虽然能为陆地生态系统碳通量的估算提供区域及以上的大尺度约束信息,但它仅能反映陆地和大气之间的净交换通量,无法分别反映光合和呼吸两个关键的碳通量分量,只有提供独立的约束信息才能分离这两个分量。近年来,羰基硫(OCS)被认为能够有效示踪光合作用,基于这一发现,通过联合OCS和CO2,可以实现GPP和Reco分离[6],为区域尺度GPP估算提供了一个重要方法[7- 8]。

OCS是大气中最丰富的一种含硫气体,生命周期为2—4a,在大气中的平均浓度为500 pmol/mol[9]。OCS的源主要包括海洋释放(含OCS释放和CS2、DMS的分解),人类活动释放(含OCS释放和CS2、DMS的分解)和生物燃烧,以及少量的无氧土壤的释放。OCS的汇主要包括植被和土壤吸收,以及平流层OH作用消耗[10]。OCS在陆地生态系统的过程主要包括植被光合吸收与土壤有氧吸收和无氧释放[11]。OCS的植被吸收主要受碳酸酐酶 (Carbonic Anhydrase, CA) 活性、气孔导度、辐射、温度和水分含量的影响。

OCS和CO2的植被吸收在叶片尺度和生态系统尺度上存在如下关系[9]：

(1)

式中,Focs表示OCS植被吸收通量,LRU(Leaf Relative Uptake)表示叶片对OCS和CO2的吸收速率之比,[OCS]/[CO2] 表示OCS和CO2的环境浓度之比。上述关系是从OCS信号推算GPP的理论基础。

利用大气OCS示踪GPP的研究, 目前仍处于起步阶段。Campbell 等[12]利用飞机测量的OCS大气浓度数据和GPP比例模型估算了北美生长季GPP。Asaf 等[13]在生态系统尺度上,利用OCS通量和大气浓度估算GPP,并指出大气OCS通量观测可以用来约束GPP。Launois 等[14]在全球尺度上利用OCS大气同化和GPP尺度模型估算GPP。现有的研究指明,联合大气OCS和CO2观测可以分别优化GPP和Reco通量。Hilton 等[7]利用机载OCS数据和大气传输模型评价了几种生态过程模型模拟美国生长季峰期GPP空间分布的合理性。

针对大气OCS和CO2数据在生态系统碳通量评价中的作用和研究不足,本研究利用在北美地区8个高塔站点同步观测的大气CO2和OCS浓度数据,结合WRF-STILT大气输送模型,评估CASA-GFED3、SiB3和SiBCASA三种陆地生态系统模型模拟GPP和NEE通量的不确定性。

1 数据与方法

1.1 大气CO2与OCS浓度数据

大气浓度数据来源于美国NOAA-ESRL的全球温室气体观测网(Global Greenhouse Gas Reference Network)[15- 16]。气体样本被自动收集到可编程式罐装样本系统(Programmable Flask Packages, PFPs)。在北美共有8个高塔站点和32个飞机站点,其分布情况以及下垫面植被类型如图1所示,高塔站点的详细信息见表1。高塔站点的采样频率为每天一次或隔天一次。考虑大气信号的稳定性,本研究只使用了当地时10:00—18:00之间高塔采集的数据。

图1 北美地区 CO2和OCS的高塔和飞机大气观测站点分布及地表覆盖类型Fig.1 Sites at which CO2 and OCS observations were used and land cover types in North America 高塔站点： AMT (Argyle, Maine, United States), BAO (Erie, Colorado, United States), LEFs (Park Falls, Wisconsin, United States), SCT (Beech Island, South Carolina, United States), STR (Sutro Tower, San Francisco, California, United States), WBI (West Branch, Iowa, United States), WGC (Walnut Grove, California, United States), WKT (Moody, Texas, United States); 飞机站点： CAR (Briggsdale, Colorado, United States), CMA (Cape May, New Jersey, United States), DND (Dahlen, North Dakota, United States), ESP (Estevan Point, British Columbia, Canada), ETL (East Trout Lake, Saskatchewan, Canada), LEFa (Park Falls, Wisconsin, United States), NHA (Worcester, Massachusetts, United States), PFA (Poker Flat, Alaska, United States), SCA (Charleston, South Carolina, United states), SGP (Southern Great Plains, Oklahoma, United states), TGC (Sinton, Texas, United States), THD (Trinidad Head, California, United States)

1.2 大气浓度模拟

1.2.1WRF-STILT模型

大气传输模型可以建立观测的大气浓度与地表通量之间的关联,本文选择STILT模型作为大气输送模型。STILT模型是一种用于描述大气输送过程的四维拉格朗日粒子扩散模型。该模型最初开发用于模拟观测接收点的上层气流影响范围,也可以用于量化气体的源[17]。本文采用WRF气象场来驱动STILT大气输送模型[18]。

STILT模型的表达式为：

(2)

(3)

(4)

式中,C表示模拟浓度,Xr表示观测点的位置向量,tr表示观测时间。公式(2)第一部分表示垂直对流源/汇的贡献,第二部分表示水平对流和上层气流的贡献。公式(3)计算大气垂直对流的影响足迹f。公式(4)计算浓度的水平对流和上层气流输送强度I。

表1 本文所使用的北美地区CO2和OCS的高塔观测站点信息

WRF-STILT模型的最重要输入是垂直和水平风场廓线,其他输入数据包括温度廓线、气压、湿度、地表粗糙度、地表潜热通量、感热通量和摩擦速度等。边界层高度可以在STILT模型内部计算,也可以来源于气象模型输入。基于WRF-STILT模型,对各大气组分进行输送模拟,汇聚得到四维时空的模拟大气浓度(图2)。

图2 基于WRF-STILT模型的CO2区域大气输送过程与浓度模拟示意图Fig.2 Diagram describing the processes of regional atmospheric transport and concentration simulations based on the WRF-STILT model

1.2.2CO2浓度模拟

在特定区域,大气CO2浓度由地表通量引起的浓度变化和侧边界条件两部分构成。地表通量的变化主要受到植被光合吸收和呼吸释放、海洋吸收和释放、化石燃料排放和野火释放等地表碳通量的影响[19]。植被光合吸收(GPP)和呼吸释放(Reco)通量可由陆地生态系统模型模拟,其他通量可以通过模型模拟或者调查数据获取。

陆地生态系统碳通量采用了CASA-GFED3[20]、SiB3[21]和SiBCASA[22-23]3个模型的模拟结果,时间分辨率为3h,空间分辨率为1°×1°。除了陆地生态系统碳通量外,还包括海洋、化石燃料排放和野火排放碳通量,本文从CarbonTracker CT2013B(https://www.esrl.noaa.gov/gmd/ccgg/carbontracker/CT2013B/)产品中直接获取这些数据。CT2013B海洋通量和陆地生态系统碳通量一起被优化,这里采用优化后的海洋通量。CT2013B使用两种海洋通量数据集、两种化石燃料排放数据集和一种野火排放碳通量数据,发布的产品结果为采用不同输入通量组合的优化结果集合平均值、未优化通量则等同于原有数据集的平均值,具体信息见表2。

表2 使用的CO2通量数据信息

侧边界条件一般根据大气测量或者从已有模型模拟的浓度场确定。本文根据全球模型模拟的浓度场(CT2013B优化的CO2浓度场)和测量数据(OCS在北美海洋边界的飞机廓线)确定侧边界条件。

1.2.3OCS浓度模拟

模拟大气OCS浓度的主要组分通量,包括植被吸收通量和土壤通量的陆地生态系统部分,以及人为活动、海洋、生物燃烧和平流层OH作用消耗等非陆地生态系统部分。

植被OCS吸收通量根据机理性陆地生态过程(SiB3-OCS)[24]模拟或根据 GPP缩放(式1)。SiB3-OCS模拟植被OCS通量如下：

Focs=[OCS]a×[1.94/gsw+1.56/gbw+1.0/gocs]-1

(5)

式中,Focs表示植被OCS吸收通量,[OCS]a表示OCS环境浓度,gsw,gbw和gocs分别表示气孔导度、边界导度和叶肉及酶生化作用决定的综合导度。

土壤是OCS的一个主要的汇,其通量模拟有多种方法。Kettle 等[25]计算土壤OCS通量的方法是根据Kesselmeier 等[26]的研究将土壤的OCS吸收通量表示为环境OCS浓度、温度和土壤湿度的函数。Berry 等[24]基于SiB3模型模拟的异养呼吸、土壤温度和水分进行土壤OCS吸收通量的估算。研究还发现,土壤OCS吸收与H2吸收紧密联系,可根据土壤吸收H2的比例关系计算土壤OCS吸收通量[27]。另外,土壤在特定条件下也可能成为OCS源,在一定的高温和湿度条件下,土壤也会释放OCS,在农业区尤为明显[11,28]。本文采用Launois 等[14]基于OCS与H2土壤吸收关系计算的OCS土壤通量,采用了其中的Whelan-Bousquet版本,其考虑了土壤OCS释放。

除植被和土壤OCS通量外,还考虑了人类活动 、海洋、生物燃烧和平流层OH作用消耗OCS通量等。人类活动主要是化石燃料的使用会释放OCS。利用工业生产统计调查数据,Kettle 等[25]得到了人类活动排放的OCS通量。海洋是主要的OCS源。Kettle 等[25]利用耦合的理化模型估算了海洋直接释放的OCS通量、CS2间接转化的OCS通量和DMS间接通转化为OCS通量。然而,Berry 等[24]研究发现估算的全球OCS收支不能平衡,原因是全球海洋OCS通量估算偏低。这一发现被TES卫星观测数据所证实[29]。Launois 等[14]利用海洋地球化学模型重新估算了海洋通量,进一步证实了Berry 等[24]提出的海洋通量低估问题。本文使用Launois 等[14]海洋OCS通量作为模拟输入。生物燃烧释放和平流层OH作用消耗也会影响大气OCS浓度的变化,但作用相对较小。这些数据的具体信息如表3所示。

表3 使用的OCS通量数据信息

2 结果

2.1 不同模型模拟的北美陆地生态系统碳通量季节变化和空间分布比较

不同生态过程模型模拟的陆地生态系统碳通量具有较大的差异。以CASA-GFED3(CarbonTracker CT2013B版本的产品采用该模拟作为先验通量,月平均值),SiB3和SiBCASA 3个模型为例,分析北美地区2010年陆地碳通量模拟结果在季节变化(图3)和夏季生长季峰期空间分布(图4)的差异。从图3可以看出,3个模型模拟的GPP、Reco和NEE的季节变化在时相和幅度上都有明显差异,GPP和Reco的差异尤为明显。GPP幅度从大到小排序为：CASA-GFED3>SiBCASA>SiB3。Reco和NEE的季节变化幅度的大小排序与GPP一致。从GPP时相来看,CASA-GFED3模型和SiBCASA模型比SiB3模型更早达到最大峰值。从图4可以看出,3个模型模拟的GPP、Reco和NEE的生长季峰期的空间分布总体较为一致,峰值分布在北美玉米带和农业区；从强度看,CASA-GFED3模拟值均较高于其他模型。

图3 不同模型模拟的北美地区2010年陆地生态系统植被光合吸收(GPP)、呼吸释放(Reco)和净生态系统碳交换量(NEE)季节变化Fig.3 Seasonal variations of GPP, Reco and NEE of North America in 2010 simulated from different models

图4 不同模型模拟的2010年夏季(6—8月)GPP、Reco和 NEE平均值的空间分布Fig.4 Spatial distribution of average GPP, Reco and NEE in the summer (June—August) of 2010 simulated from three different models

2.2 站点模拟浓度的生态系统和其他组分贡献

基于上述CO2通量组分和侧边界条件数据和WRF-STILT模型,模拟了各站点2010年大气CO2浓度。以LEF高塔站点为例,其模拟的各地表通量组分对大气CO2浓度贡献如图5所示。LEF站点位于美国威斯康辛州的农业区,植被对大气CO2浓度变化的贡献最大,冬季和春季早期主要表现为因生态系统呼吸而释放CO2,夏季因植被光合大于呼吸而吸收CO2(图5)。各地表组分的扰动对大气浓度的贡献最大达到约为20 μmol/mol,显著地改变了背景浓度。

图5 2010年LEF高塔站点的模拟大气CO2浓度的不同地表通量贡献Fig.5 Contributions of different surface CO2 fluxes to the simulated CO2 concentration at the LEF tower site in 2010

基于OCS地表通量、侧边界条件数据和WRF-STILT模型可以模拟不同观测站点的大气OCS浓度。图6显示了模拟的2010年LEF高塔站点大气OCS浓度的不同地表通量分量贡献。可以看出,在冬季和春季之间人类活动排放的OCS对LEF站点的大气OCS浓度影响最大,在夏季土壤OCS通量的影响最大。

图6 2010年LEF高塔站点的模拟大气OCS浓度的不同地表通量贡献Fig.6 Contributions of different surface OCS fluxes to the simulated OCS concentration at the LEF tower site in 2010

2.3 基于大气CO2和OCS数据的生态系统碳通量模拟的不确定性分析

陆地生态系统显著调节大气OCS和CO2浓度的季节变化,从大气OCS和CO2浓度观测数据可以获得陆地生态系统和大气碳交换的相关信息。本节利用不同生态过程模型模拟的OCS和CO2通量驱动WRF-STILT模型,模拟大气OCS和CO2浓度,与观测数据对比,分析不同模型模拟碳通量的不确定性,如季节变化幅度和时相。图7和图8为LEF和WGC两个高塔站点2010—2011年的基于不同模型陆地碳通量的大气OCS和CO2浓度模拟值与观测值的比较。

图7 LEF高塔站点基于不同生态过程模型输出的地表通量模拟的2010—2011年大气CO2和OCS浓度与观测数据的比较(右侧直方图显示的是模拟与观测浓度之间残差拟合的正态分布)Fig.7 Comparisons between the simulated and observed CO2 and OCS at the LEF tower site over 2010—2011 with the biosphere fluxes simulated from different models. The right side shows fitted normal distributions of the residuals between simulated and observed concentrations

图8 WGC站点基于不同生态过程模型输出的地表通量模拟的2010—2011年大气CO2和OCS浓度与观测比较(右侧直方图显示的是模拟与观测浓度之间残差拟合的正态分布)Fig.8 Comparisons between the simulated and observed CO2 and OCS at the WGC tower site over 2010—2011 with the biosphere fluxes simulated from different models. The right side shows fitted normal distributions of the residuals between simulated and observed concentrations

在LEF站点,基于CASA-GFED3输出的生态系统通量模拟的大气CO2浓度与观测数据较为吻合,但OCS的模拟浓度在夏季明显偏高,且峰值延迟出现,说明CASA-GFED3模拟的GPP偏低。

在WGC站点,基于SiBCASA模型输出陆地生态系统通量模拟的大气CO2浓度在冬季明显偏低,无法模拟峰值；SiBCASA模拟OCS结果在冬季明显偏高,无法模拟谷值；相反,SiB3能较好模拟峰值和谷值。假设植被信号主导,说明SiBCASA在夏季所模拟的GPP偏高,冬季GPP明显偏低,这与SiBCASA与SiB3模拟的GPP季节变化幅度差异是一致的(见图3)。从CO2信号可以看出,SiBCASA在冬季所模拟的NEE偏低。

图9为基于不同生态过程模型(CASA-GFED3、SiB3 和 SiBCASA)输出的陆地生态系统碳通量模拟的所有高塔站点2010—2011年CO2和OCS浓度的平均误差。从模拟的大气OCS浓度看,在BAO、SCT、STR和WKT四个站点,基于SiB3和SiBCASA输出生态系统通量的模拟值比观测数据偏低,说明SiB3和SiBCASA模型在这些站点足迹影响范围内的模拟GPP可能偏高。而基于CASA-GFED3模型输出的生态系统通量的模拟值偏高,说明其模拟的GPP可能偏低。从模拟的大气CO2浓度看,基于SiBCASA输出的陆地生态系统通量的模拟值在较多站点(AMT、LEF、SCT、WBI和WKT)高于观测值,说明该模型在这些站点足迹影响范围内所模拟的NEE(绝对值)偏低；在3个城市附近站点(BAO、STR和WGC)模拟的大气CO2浓度低于观测值,可能原因为其模拟的NEE偏高或人为碳排放估算偏低,而后者的可能性更大。基于SiB3模型输出碳通量的模拟值在较多的站点与观测值接近,但在上述3个城市站点明显低于观测值,很可能是由于人为碳排放估算偏低造成的。而基于CASA-GFED3模型输出的碳通量的模拟值在较多的站点低于观测值,说明该模型模拟的NEE偏高,这与图3和图4所示一致。

图9 基于不同模型输出的陆地生态系统碳通量模拟的所有站点2010—2011年CO2和OCS浓度的平均误差Fig.9 Average errors of simulated atmospheric CO2 and OCS concentrations with terrestrial fluxes output from three different models at all tower sites over 2010—2011

根据CO2和OCS浓度模拟值与观测值的一致性,总体来说,SiB3模型对北美地区陆地生态系统碳通量的模拟较好,CASA-GFED3对GPP的模拟误差较大。

3 讨论

本文的研究证实了大气CO2和OCS浓度数据可用于评估生态系统模型在碳通量模拟中的不确定性。通过大气浓度模拟与实测比较,可以对陆地生态系统碳通量所模拟的季节变化时相和幅度的合理性进行评估。在北美地区,SiB3能很好地模拟陆地生态系统GPP和NEE的季节变化时相和幅度,而CASA-GFED3和SiBCASA模拟NEE和GPP的季节变化时表现较不理想。CASA-GFED3模拟的净陆地生态系统碳通量整体偏高,这可能与该模型没有考虑土壤水分胁迫等环境因素对GPP等的影响有关。CASA-GFED3、SiB3和SiBCASA 3个模型在模型结构和输入数据方面的差异是造成其模拟差异的原因,也是其碳通量模拟不确定的主要来源。

同时,本研究还存在一些局限。首先,OCS观测站点的数量有限,对碳通量的时空变化刻画具有一定的局限。其次,土壤OCS等组分通量的不确定性对结果有一定的影响。土壤的OCS大气交换既包括吸收也包括释放,土壤OCS的释放取决于温度、水分和环境OCS浓度[11],对于后者需要在模型中量化,特别是在农业区,还未能很好地模拟这一变量。第三,OCS与CO2的叶片相对吸收比(LRU)是随时间和空间变化的[10,30],本文没有考虑其时空变化。目前仍难以获取LRU大尺度时空变化信息,大多数研究将其看作一个近似常量、仅对C3和C4植被类型予以区分。

尽管如此,在其他输入数据具有相同不确定性的条件下,不同模型的模拟效果差异是客观存在的,因此本文提出的方法能有效评估不同生态系统模型的碳通量模拟效果。在传统的碳循环模型评估中,常利用站点的涡度相关测量作为评判模型模拟效果优劣的标准,但是这种方法是不全面的。模型在站点尺度能较好模拟碳通量,但不能保证其区域上的模拟效果,其主要原因是站点的数量和代表性有限以及从站点到区域的尺度差异。长期以来,在区域尺度检验模型表现比较困难,缺少基于观测的标定数据。大气CO2和OCS浓度以及植被叶绿素荧光是近年来发展的有效标定区域尺度碳通量的数据。利用CO2和OCS这两种数据对碳通量模拟的碳通量或模型参数进行优化计算,可以提高区域尺度陆地生态系统碳通量估算精度。

当前,基于高塔站点观测的CO2和OCS均较为有限,其中OCS的观测更是主要集中在北美区域。随着无人机、飞艇、飞机和卫星遥感等多种平台观测技术的发展,时空覆盖更广更密集的CO2和OCS浓度数据正在被获取。CO2卫星数据提取精度在逐步提高,已被应用于全球碳通量估算；OCS卫星数据提取方法也在发展中,已被应用于碳循环研究。除了数据外,对CO2和OCS源汇的认识和建模也在不断完善。在数据精度逐步提高和理论方法不断完善的背景下,本文的方法将有望更好地服务于陆地碳循环模型评价与全球及区域陆地生态系统碳通量模拟研究。

4 结论

本文利用大气CO2和OCS的观测数据,基于WRF-STILT粒子扩散模型进行大气输送建模,评价了3个典型陆地生态系统模型(CASA-GFED3、SiB3和SiBCASA)模拟GPP和NEE通量的不确定性。结果表明,SiB3能很好地模拟北美陆地生态系统 GPP和NEE的季节变化时相和幅度,在3个模型中具有最佳的模拟能力；CASA-GFED3模拟的NEE季节变化较为理想、但对生长季GPP的模拟存在较大的误差,SiBCASA模型在模拟冬季晚期和春季早期的NEE和GPP峰值时表现较不理想。本研究证明了大气CO2和OCS在评估陆地生态系统模型碳通量模拟的不确定性中的潜力,为利用它们优化计算(优化生态模型参数或通量)区域和全球陆地生态系统碳通量提供了理论支撑。

致谢：NOAA 地球系统研究实验室提供大气CO2观测数据和Steve Montzka提供OCS观测数据。NOAA CarbonTracker团队提供CT2013B同化数据。NASA提供CASA-GFED3模拟数据。美国科罗拉多大学Ian Baker和NOAA地球系统研究实验室Ivar van der Velde提供SiB3和SiBCASA模型碳通量模拟数据。Arlyn Andrews提供WRF-STILT大气输送足迹数据,荷兰格罗宁根大学Huilin Chen在WRF-STILT大气模拟等方面给予指导，特此致谢。