CN114724647A - 一种高时空分辨率co2通量反演***及方法 - Google Patents

一种高时空分辨率co2通量反演***及方法 Download PDF

Info

Publication number
CN114724647A
CN114724647A CN202210646832.5A CN202210646832A CN114724647A CN 114724647 A CN114724647 A CN 114724647A CN 202210646832 A CN202210646832 A CN 202210646832A CN 114724647 A CN114724647 A CN 114724647A
Authority
CN
China
Prior art keywords
flux
concentration
field
ensemble
assimilation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210646832.5A
Other languages
English (en)
Other versions
CN114724647B (zh
Inventor
彭珍
寇星霞
张美根
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute Of Urban Meteorology
Nanjing University
Institute of Atmospheric Physics of CAS
Original Assignee
Nanjing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University filed Critical Nanjing University
Priority to CN202210646832.5A priority Critical patent/CN114724647B/zh
Publication of CN114724647A publication Critical patent/CN114724647A/zh
Application granted granted Critical
Publication of CN114724647B publication Critical patent/CN114724647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种高时空分辨率CO2通量反演***及方法，包括输入模块、排放源诊断模块、大气化学传输模式、集合平方根滤波同化单元，根据先验通量、集合预报CO2浓度场和先前M‑1天中每天同一时刻CO2通量的集合平均分析场建立排放源诊断模型，得到集合预报通量；将集合预报通量和CO2集合浓度分析场作为大气化学传输模式的输入场得到CO2集合浓度预报场；将CO2集合浓度预报场、CO2集合通量预报场、观测变量和观测站点上的CO2集合浓度预报场输入到集合平方根滤波同化模型中进行反演，本发明不仅估算精度高、而且有效地解决了先验源低估的问题，同时降低了通量的不确定性。

Description

一种高时空分辨率CO2通量反演***及方法
技术领域
本发明涉及一种高时空分辨率CO2通量反演***及方法，属于CO2测量技术领域。
背景技术
CO2是一种重要的温室气体。排放到大气中的CO2，超过半数被全球海洋和陆地生态***吸收，剩下的部分则停留在大气中。人为活动引起的CO2和其他温室气体浓度的持续增长，是导致全球变化的主要因素。然而，CO2的自然源汇和人为排放具有显著的时空差异性。
资料同化作为重要的方法和手段，能够实现大空间范围、精细时间尺度和高空间分辨率的碳通量模拟及来源分析。通过充分融合观测数据与数值模式，基于大气浓度计算碳收支是计算净排放的有效办法。传统的CO2通量反演研究侧重于优化自然通量，即陆地生态***-大气交换和海洋-大气交换），这在生态***尺度上有效提升了我们对碳循环的认识。为了减小反演过程中随机噪音的影响，在优化通量时Peters 等和Feng 等依据生态***对研究区域进行划分（北美分为30个区域，全球分为50个区域），并假设每个分区通量一致，在假设化石燃料燃烧排放和生物质燃烧排放是准确的条件下，将所有的不确定性归结为陆地生态***或海洋。近年来CarbonTracker还被进一步用于欧洲、中国等区域碳排放估算，研究表明，北美和中国的陆地生态***的碳汇值分别约为0.65 PgCyr-1和0.33 PgC yr-1。尽管源反演算法具有严格的理论基础，但由于观测资料稀少、信噪问题、大气传输模式误差等问题，区域碳通量估算的不确定性仍然很大。一般来说，反演结果在热带地区、南美地区、非洲、和亚洲不确定性较大。例如，Wang等（2020）通过生态***尺度的反演估算发现，我国陆地生态***固碳能力巨大，年吸收约11.1亿吨碳，吸收了同时期人为碳排放的45%，但最近研究发现，上述高估的一个原因是将香格里拉观测站 CO2 浓度数据用于低分辨率（4°× 5°）大气反演模型，这在代表模式网格 CO2 浓度时存在显著偏差，从而将影响反演结果（Wang et al., 2022；朴世龙等，2022）。此外，随着大量卫星资料的出现，采用GOSAT、OCO-2、TanSat等卫星柱浓度反演获得的全球和区域尺度陆地生态***碳通量存在显著差异，这主要与柱浓度的空间覆盖率、数据密度、反演偏差有关。有研究表明，模式-模式之间的差异往往大于模式-GOSAT卫星资料之间的差异，这些模式包括著名碳模式CarbonTracker、MACC12.1、和UoE（the University of Edinburgh model）等。
随着人们对碳中和行动日益增多的关注和措施，亟待解决精细时空尺度上的CO2通量估算。受信噪问题影响，即强烈的、多变的、极不确定的地气和海气CO2通量的干扰，很多CO2通量反演研究都集中在优化自然源CO2通量（即地气和海气CO2交换），而忽略了人为排放源的不确定性。化石燃料排放的一个特别之处是其空间分布的极不均一性。由于相对完善的统计数据为人为排放估算提供了依据，目前对人为燃料排放的认知程度要普遍高于自然源和汇，但是对于人为排放的时空分布变化特征的描述仍然比较困难。另外，“自下而上”的统计方法获得的化石燃料排放无法及时更新。通过在网格尺度上开展CO2通量同化，可以有效考虑人为排放不确定性的影响。近年来在网格尺度上的CO2通量优化取得了很大进展。Tian等（2014）将混合变分同化算法引入全球大气化学传输模式GEOS-Chem，构建了Tan-Tracker CO2浓度/通量同化***。在Tan-Tracker中，采用了CarbonTracker中的滞后预报算子，并将其进一步发展以解决信噪问题，从而达到将CO2通量作为一个整体在模式网格内估算的目的，成功得到了网格尺度的优化通量。并创新性地提出了在以CO2浓度观测反演地表CO2通量的同时同化CO2浓度，以降低浓度初始场不确定性对源同化的影响，从而有效提高CO2通量的反演精度。Jiang 等（2021）进一步探讨了格点尺度上CO2通量的月际变化。因此，格点尺度同化提供了发展高分辨率的碳同化技术的必备条件，从而区分自然和人为源的相对贡献，并监测不同地区碳中和的有效性。
区域大气传输模式在碳同化中的研究应用较新。以往基于格点尺度的碳同化研究多采用全球大气传输模式如GeosChem、TM5、MOZART等，其中源同化比例因子常采用日（TanTracker）、周（CarbonTracker、GCASv2等）时间尺度，所以这些源同化研究常关注大时空尺度，在时间上通常是如季节、年际变化，在空间上通常是如北美温带、亚洲北部、亚洲热带、南美洲热带等地区。为我国碳源汇数据的“可监测、可核查、可支撑”提供技术支撑，这需要高时空分辨率CO2通量估算，而以往在该领域的研究无法满足实际评估的需要。以往的研究已证明使用区域模式模拟CO2的可行性并发现了高分辨率区域CTM（chemistrytransport models）在模拟方面的优势，与粗网格的全球模式相比，高时空分辨率的区域模式可以有效再现观测到的CO2浓度日变化和季节变化，中小尺度效应（如山谷环流，山岳波气流）对大气CO2浓度分布的影响也得到了有效表征，高分辨率的CO2模拟结果也能够更准确的反映城市区域观测到的CO2浓度日变化。在基于区域模式的碳同化方面，最近的研究开展了在卫星和地面资料的OSSEs（Observing System Simulation Experiments）同化试验。CO2浓度的小时变化是CO2浓度变率中重要的一部分，这与CO2在白天和夜间的植被光合作用吸收和呼吸作用排放密切相关，这也是评价CO2源汇反演能力的重要部分。近日Peng（2020）通过开发基于集合卡尔曼滤波同化算法的同化方案，以地面观测同化发现了污染物排放源的小时变化分配特征。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种估算精度高、先验源低估同时降低通量不确定性的高时空分辨率CO2通量反演***及方法。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种高时空分辨率CO2通量反演方法，包括以下步骤：
步骤1，通过CO2观测站点采集CO2观测数据。
步骤2，根据先验通量
Figure 617265DEST_PATH_IMAGE001
、集合预报CO2浓度场和先前M-1天中每天同一时刻CO2通 量的集合平均分析场建立排放源诊断模型，进而根据排放源诊断模型得到集合预报通量
Figure 620994DEST_PATH_IMAGE002
。
排放源诊断模型为：
Figure 468864DEST_PATH_IMAGE003
其中，
Figure 66198DEST_PATH_IMAGE002
表示集合预报通量，
Figure 24927DEST_PATH_IMAGE004
表示协方差膨胀系数，
Figure 883162DEST_PATH_IMAGE005
表示
Figure 88884DEST_PATH_IMAGE006
时刻集合预报 CO2浓度场，
Figure 766990DEST_PATH_IMAGE007
表示
Figure 201514DEST_PATH_IMAGE006
时刻CO2浓度预报场的集合平均，
Figure 117517DEST_PATH_IMAGE008
表示
Figure 369507DEST_PATH_IMAGE006
时刻 CO2浓度尺度参数的集 合平均，
Figure 925122DEST_PATH_IMAGE001
表示先验通量，
Figure 225653DEST_PATH_IMAGE009
，
Figure 261742DEST_PATH_IMAGE010
表示平滑窗口，
Figure 684633DEST_PATH_IMAGE011
表示先前第
Figure 212698DEST_PATH_IMAGE012
天
Figure 316920DEST_PATH_IMAGE013
时刻的CO2通量的集合平均分析场，
Figure 269833DEST_PATH_IMAGE014
，
Figure 801308DEST_PATH_IMAGE015
为总的集合样本数，
Figure 410144DEST_PATH_IMAGE016
表示分析场，
Figure 973849DEST_PATH_IMAGE017
表示预报场。
步骤3，将集合预报通量
Figure 781268DEST_PATH_IMAGE002
和CO2浓度集合分析场
Figure 483645DEST_PATH_IMAGE018
作为大气化学传输模式的 输入场，得到CO2浓度集合预报场
Figure 251881DEST_PATH_IMAGE019
。
步骤4，在集合平方根滤波同化模型中，将CO2浓度集合预报场
Figure 697906DEST_PATH_IMAGE019
投影到观测空 间，得到观测站点上的CO2浓度集合预报场
Figure 625410DEST_PATH_IMAGE020
。将步骤1采集的CO2观测数据作为集合 平方根滤波同化模型的观测变量
Figure 498689DEST_PATH_IMAGE021
。将CO2浓度集合预报场
Figure 816537DEST_PATH_IMAGE019
、集合预报通量
Figure 253204DEST_PATH_IMAGE002
、观测 变量
Figure 972898DEST_PATH_IMAGE021
和观测站点上的CO2浓度集合预报场
Figure 79394DEST_PATH_IMAGE020
输入到集合平方根滤波同化模型中， 得到联合分析向量
Figure 618960DEST_PATH_IMAGE022
，其中，
Figure 344471DEST_PATH_IMAGE023
表示CO2浓度集合分析场，
Figure 918672DEST_PATH_IMAGE024
表示CO2通 量集合分析场；将CO2浓度集合预报场
Figure 399331DEST_PATH_IMAGE025
作为排放源诊断模型中下一时刻集合预报CO2浓 度场的输入，将CO2浓度集合分析场
Figure 754089DEST_PATH_IMAGE023
作为大气传输模式中下一时刻的CO2浓度集合分析 场的输入
优选的：步骤2中建立排放源诊断模型的方法如下：
步骤21，通过大气传输模式的CO2浓度集合预报场得到先验CO2通量尺度参数
Figure 80029DEST_PATH_IMAGE026
：
Figure 961266DEST_PATH_IMAGE027
Figure 347248DEST_PATH_IMAGE028
Figure 923723DEST_PATH_IMAGE029
其中，
Figure 53353DEST_PATH_IMAGE030
表示
Figure 867725DEST_PATH_IMAGE006
时刻CO2浓度尺度参数，
Figure 96712DEST_PATH_IMAGE031
表示
Figure 160483DEST_PATH_IMAGE006
时刻集合预报CO2浓度场，
Figure 359383DEST_PATH_IMAGE007
表示
Figure 762683DEST_PATH_IMAGE006
时刻CO2浓度场的集合平均，
Figure 677418DEST_PATH_IMAGE032
表示经协方差膨胀以后的CO2浓度尺度参数，
Figure 166168DEST_PATH_IMAGE004
表示协 方差膨胀系数，
Figure 965497DEST_PATH_IMAGE008
表示CO2浓度尺度参数的集合平均，
Figure 223303DEST_PATH_IMAGE026
表示先验CO2通量尺度参数。
步骤22，根据CO2通量的日变化特征，采用先前同化中每天同一时刻CO2通量的集合 平均来计算集合预报通量集合平均
Figure 59672DEST_PATH_IMAGE033
。即采用CO2同化通量的集合平均
Figure 35718DEST_PATH_IMAGE034
,
Figure 373158DEST_PATH_IMAGE035
，
Figure 751050DEST_PATH_IMAGE036
,
Figure 86217DEST_PATH_IMAGE011
,
Figure 470930DEST_PATH_IMAGE036
,
Figure 549745DEST_PATH_IMAGE037
,
Figure 578881DEST_PATH_IMAGE038
和先验通量
Figure 84948DEST_PATH_IMAGE001
来计算集合预报通量集 合平均
Figure 35587DEST_PATH_IMAGE033
。将集合预报通量集合平均
Figure 324617DEST_PATH_IMAGE033
用于先验集合通量
Figure 473839DEST_PATH_IMAGE039
的重定位，则集合预报 通量
Figure 416387DEST_PATH_IMAGE040
的集合分布由CO2通量尺度参数
Figure 588742DEST_PATH_IMAGE026
决定，集合预报通量
Figure 196310DEST_PATH_IMAGE040
的集合平均由先前 同化中每天同一时刻的CO2同化通量和先验通量决定：
Figure 137721DEST_PATH_IMAGE041
Figure 47908DEST_PATH_IMAGE042
Figure 707560DEST_PATH_IMAGE043
进而得到排放源诊断模型。
优选的：步骤4中根据CO2通量集合分析场
Figure 603971DEST_PATH_IMAGE044
得到CO2通量的集合平均分析场
Figure 665468DEST_PATH_IMAGE045
：
Figure 480978DEST_PATH_IMAGE046
。
优选的：步骤4中根据CO2浓度集合分析场
Figure 627925DEST_PATH_IMAGE047
得到CO2浓度的集合平均分析场
Figure 577296DEST_PATH_IMAGE048
：
Figure 493299DEST_PATH_IMAGE049
。
优选的：步骤21中
Figure 745289DEST_PATH_IMAGE050
时刻CO2浓度场的集合平均
Figure 379532DEST_PATH_IMAGE007
：
Figure 680064DEST_PATH_IMAGE051
其中，
Figure 653836DEST_PATH_IMAGE007
表示
Figure 14410DEST_PATH_IMAGE052
时刻CO2浓度场的集合平均。
优选的：步骤21中CO2浓度尺度参数的集合平均
Figure 932688DEST_PATH_IMAGE008
：
Figure 36910DEST_PATH_IMAGE053
其中，
Figure 114456DEST_PATH_IMAGE008
表示CO2浓度尺度参数的集合平均。
优选的：步骤22中集合预报通量集合平均
Figure 911511DEST_PATH_IMAGE033
：
Figure 51505DEST_PATH_IMAGE054
。
一种高时空分辨率CO2通量反演***，包括输入模块、排放源诊断模块、大气化学传输模式、集合平方根滤波同化单元，其中：
所述输入模块用于输入采集的CO2观测数据。
所述排放源诊断模块用于根据先验通量
Figure 959418DEST_PATH_IMAGE001
和先前M-1天中每天同一时刻CO2通量 的集合平均分析场通过排放源诊断模型得到集合预报通量
Figure 704520DEST_PATH_IMAGE002
。
排放源诊断模型为：
Figure 344580DEST_PATH_IMAGE003
其中，
Figure 175133DEST_PATH_IMAGE002
表示集合预报通量，
Figure 683475DEST_PATH_IMAGE004
表示协方差膨胀系数，
Figure 283083DEST_PATH_IMAGE031
表示
Figure 343312DEST_PATH_IMAGE006
时刻CO2浓度预 报场，
Figure 926740DEST_PATH_IMAGE055
表示
Figure 176456DEST_PATH_IMAGE006
时刻CO2浓度预报场的集合平均，
Figure 692888DEST_PATH_IMAGE008
表示
Figure 737067DEST_PATH_IMAGE006
时刻 CO2浓度尺度参数 的集合平均，
Figure 479895DEST_PATH_IMAGE001
表示先验通量，
Figure 267723DEST_PATH_IMAGE009
，
Figure 904241DEST_PATH_IMAGE010
表示平滑窗口，
Figure 119321DEST_PATH_IMAGE011
表示先前第
Figure 677342DEST_PATH_IMAGE012
天
Figure 924652DEST_PATH_IMAGE013
时刻的CO2通量的集合平均分析场，
Figure 618939DEST_PATH_IMAGE014
，
Figure 332817DEST_PATH_IMAGE015
为总的集合样本数，
Figure 846975DEST_PATH_IMAGE016
表示分析 场，
Figure 914288DEST_PATH_IMAGE017
表示预报场。
所述大气化学传输模式用于根据集合预报通量
Figure 463081DEST_PATH_IMAGE002
和CO2浓度集合分析场
Figure 82281DEST_PATH_IMAGE018
得 到CO2浓度集合预报场
Figure 83735DEST_PATH_IMAGE019
。
所述集合平方根滤波同化单元用于将CO2浓度集合预报场
Figure 204007DEST_PATH_IMAGE019
投影到观测空间， 得到观测站点上的CO2浓度集合预报场
Figure 607306DEST_PATH_IMAGE020
。根据CO2浓度集合预报场
Figure 397408DEST_PATH_IMAGE019
、集合预报 通量
Figure 886158DEST_PATH_IMAGE002
、观测变量
Figure 295274DEST_PATH_IMAGE021
和观测站点上的CO2浓度集合预报场
Figure 553080DEST_PATH_IMAGE020
得到联合分析向量
Figure 779662DEST_PATH_IMAGE056
，其中，
Figure 21287DEST_PATH_IMAGE047
表示CO2浓度集合分析场，
Figure 30831DEST_PATH_IMAGE044
表示 CO2通量集合分析场。 进而得到CO2通量的集合平均分析场
Figure 330095DEST_PATH_IMAGE045
和CO2浓度的集合平均分析场
Figure 665261DEST_PATH_IMAGE048
。将CO2浓度集 合预报场
Figure 190920DEST_PATH_IMAGE019
作为排放源诊断模型中下一时刻集合预报CO2浓度场的输入，将CO2浓度集合 分析场
Figure 4155DEST_PATH_IMAGE047
作为大气传输模式中下一时刻的CO2浓度的输入。
优选的：包括CO2通量的集合平均分析场计算模块，所述CO2通量的集合平均分析场 计算模块用于根据CO2通量集合分析场计算CO2通量的集合平均分析场，所述CO2通量的集合 平均分析场计算模块包括CO2通量的集合平均分析场计算公式：
Figure 502133DEST_PATH_IMAGE046
，
Figure 945884DEST_PATH_IMAGE045
表 示CO2通量的集合平均分析场。
优选的：包括CO2浓度的集合平均分析场计算模块，所述CO2浓度的集合平均分析场 计算模用于根据CO2浓度集合分析场计算CO2浓度的集合平均分析场，所述CO2浓度的集合平 均分析场计算模块包括CO2浓度的集合平均分析场计算公式：
Figure 427681DEST_PATH_IMAGE049
，
Figure 310186DEST_PATH_IMAGE048
表示 CO2浓度的集合平均分析场。
本发明相比现有技术，具有以下有益效果：
由于本发明采用排放源诊断模型得到集合预报通量，将集合预报通量和CO2浓度 集合分析场作为大气化学传输模式的输入场得到CO2浓度集合预报场，然后，在对CO2浓度集 合预报场、集合预报通量、观测变量
Figure 397091DEST_PATH_IMAGE021
和观测站点上的CO2浓度集合预报场进行反演，使得 排放源诊断模型能够为同化提供较好的碳通量背景场，将浓度和通量同时作为状态变量的 碳同化方案也对碳源汇反演具有很好的潜力。使得同化源模拟效果得到了有效提升，优化 后的通量更符合实际情况。因此本发明估算精度高、有效地解决了先验源低估的问题，同时 降低了通量的不确定性。
附图说明
图1为本发明实施例的流程图。
图2为模拟区域中CO2地面站的位置，其中，图中方框标记的是实施例中重点讨论的子区域。
图3为先验通量（CTRL）和后验通量（包括12、24、36、48小时同化窗口）模拟CO2浓度与观测值对比，图中包括RMSE（黑体）和BIAS（斜体）统计，加下划线的统计数据分别指后验通量模拟中的最小 RMSE 和BIAS。
图4为2016年3月中国陆地生态***CO2通量逐小时时间序列，图中，虚线表示PR，PR表示先验源，点画线表示FC，FC表示预报源，实线表示DA，DA表示同化源。
图5为七个子区域中和中国的陆地生态***CO2通量逐日时间序列，其中，NEC表示东北，BTH表示京津冀，HRB表示黑河流域，FWP表示汾渭平原，CYR表示成渝地区，YRD表示长三角，PRD表示珠三角和CHI表示全国范围，点画实线表示先验源，点画虚线表示同化窗口12h，虚线表示同化窗口24h，点线表示同化窗口36h，实线表示同化窗口48h。
图6为 2016年七个子区域和中国大陆的陆地生态***CO2通量逐月累计排放曲线，其中，每个小图中左侧曲线表示对应区域的碳排放和碳汇，右侧短线表示对应区域的年总量，NEC表示东北，BTH表示京津冀，HRB表示黑河流域，FWP表示汾渭平原，CYR表示成渝地区，YRD表示长三角，PRD表示珠三角和CHI表示全国范围，点画实线表示先验源，点画虚线表示同化窗口12h，虚线表示同化窗口24h，点线表示同化窗口36h，实线表示同化窗口48h。
图7为2016年陆地生态***CO2通量水平分布（单位：μmole m−2 s−1），图7中（a）为先验源PR的CO2通量水平分布，图7中（b）为预报源FC的CO2通量水平分布，图7中（c）为36-h同化窗口的同化源DA的CO2通量水平分布，图7中（d）为同化源和预报源的差异，即分析增量，图7中（e）为同化源于先验源的差异。
图8为2016年先验通量（CTRL）和后验通量（包括36和48小时同化窗口）模拟CO2浓度与观测（OBS）日均值对比，其中，LFS表示龙凤山，SDZ表示上甸子，LAN表示临安，SGR表示香格里拉，WLG代表内陆高原，HKO表示中国香港，JGS表示韩国济州，KIS表示日本骑西，RYO表示日本绫里，DDR代表高山，点画实线表示观测OBS，虚线表示先验通量CTRL，点线表示同化窗口36h，实线表示同化窗口48h。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种高时空分辨率CO2通量反演方法，如图1所示，包括以下步骤：
1、预报模型
在高时空分辨率碳同化技术中，预报模型由大气化学传输模式（CMAQ）和排放源诊断模型组成。考虑到排放源是模式的输入量，且前后通量之间不存在直接关系，因此通过构建排放源诊断模型来表征源的动态变化并实现通量的前后之间联系。
1.1、大气化学传输模式
CO2浓度预报模型采用区域大气化学传输模式CMAQ（Models-3 CommunityMultiscale Air Quality），并由区域大气模式RAMS（Regional Atmospheric ModelingSystem）提供三维气象场数据。大气化学传输模式CMAQ是基于美国EPA开发的第三代多尺度空气质量模式，可模拟多种污染物的浓度分布情况，已被进一步发展具备模拟CO2浓度的能力，有1km ~ 64km的水平分辨率能力。大气化学传输模式CMAQ网格距与区域大气模式RAMS相同，水平分辨率64km×64km，水平方向网格点为105×86，覆盖整个东亚地区。垂直方向采用地形追随坐标，从地表至大约21km不等距分为15层，最低7层高度与RAMS重合，且有近一半分布于2km以下，以便更好地模拟大气边界层结构。RAMS大尺度天气背景场取自NCEP 6小时间隔的1°×1°再分析资料。CO2在大气化学传输模式中作为示踪物传输，不参与化学反应，其浓度的空间分布主要受到以下四类源的影响（包括地气交换通量、海气交换通量、化石燃料排放和生物质燃烧等）以及大气输送过程（包括水平和垂直方向上的传输和扩散）的影响。大气化学传输模式中加入的CO2人为和自然源汇包括：化石燃料排放，取自2016年Multi-resolution Emission Inventory for China（MEIC，0.25°×0.25°，月平均排放清单）。生物质燃烧排放源，取自Global Fire Emissions Database（GFED v4，0.5°×0.5°月平均排放源清单）。CO2海气交换通量取自CT2019B（CT2019B，3° longitude × 2°latitude，3 hourly）的插值结果。初始场和边界条件同样取自CT2019B。模拟结果输出步长1小时。
1.2、排放源诊断模型
由于碳通量是模式的输入量，不能直接从 CMAQ 模式中按集合预报的方式生成集合样本，需构建通量动力模型，使得扩展后的模式既能够生成浓度背景场，又能够生成通量，有效解决排放源集合样本的生成的问题。根据Peng等人研究结果（Peng et al. 2015），先验CO2通量尺度参数由CMAQ集合预报的浓度创建，因此：
Figure 261010DEST_PATH_IMAGE027
(1)
Figure 433366DEST_PATH_IMAGE028
(2)
Figure 853983DEST_PATH_IMAGE029
(3)
其中，
Figure 857711DEST_PATH_IMAGE030
表示
Figure 643264DEST_PATH_IMAGE006
时刻CO2浓度尺度参数，
Figure 302916DEST_PATH_IMAGE031
表示
Figure 527224DEST_PATH_IMAGE006
时刻集合预报CO2浓度场，可以从 前次同化得到，
Figure 385458DEST_PATH_IMAGE007
表示
Figure 404230DEST_PATH_IMAGE006
时刻CO2浓度场的集合平均，
Figure 484268DEST_PATH_IMAGE015
为总的集合样本数，
Figure 512266DEST_PATH_IMAGE032
表示经 协方差膨胀以后的CO2浓度尺度参数，
Figure 490587DEST_PATH_IMAGE004
表示协方差膨胀系数，从而将浓度比例因子的集合 离散度保持在一定水平，本实施例中设为80，
Figure 414680DEST_PATH_IMAGE008
表示CO2浓度尺度参数的集合平均，
Figure 986607DEST_PATH_IMAGE026
表 示先验CO2通量尺度参数。
Figure 287138DEST_PATH_IMAGE006
时刻CO2浓度场的集合平均
Figure 385544DEST_PATH_IMAGE007
：
Figure 746119DEST_PATH_IMAGE051
其中，
Figure 867658DEST_PATH_IMAGE007
表示
Figure 158831DEST_PATH_IMAGE006
时刻CO2浓度场的集合平均。
CO2浓度尺度参数的集合平均
Figure 783848DEST_PATH_IMAGE008
：
Figure 377640DEST_PATH_IMAGE053
其中，
Figure 720897DEST_PATH_IMAGE008
表示CO2浓度尺度参数的集合平均。
从公式(2)可以看到，
Figure 566493DEST_PATH_IMAGE032
的集合平均也是1，同样
Figure 311595DEST_PATH_IMAGE026
的集合平均也是1。注意 到公式(3)不符合同化中的质量守恒定律，但是由于通量缺乏真实的动力学模型，只能采用 这种方法建立集合预报通量。
由于地表CO2前后通量之间不存在直接联系，观测信息也无法向后传递，Peters et al.(2007) 在CarbonTracker中创新性地采用滑动平均的方法构建滞后预报算子动力 模型，即通量比例因子
Figure 76289DEST_PATH_IMAGE057
是通过先前同化的比例因子
Figure 906842DEST_PATH_IMAGE058
,
Figure 539817DEST_PATH_IMAGE036
,
Figure 139426DEST_PATH_IMAGE059
,
Figure 75021DEST_PATH_IMAGE060
和
Figure 392870DEST_PATH_IMAGE061
平 均得到的。从而可以继续创建集合预报通量
Figure 314689DEST_PATH_IMAGE002
。因此，
Figure 34383DEST_PATH_IMAGE062
(4)
Figure 140880DEST_PATH_IMAGE063
(5)
这里
Figure 946025DEST_PATH_IMAGE064
是先验通量（Prior flux），平滑算子在后续碳同化研究中也继续被采用 (eg., Tian et al., 2014; CTDAS)。
以往碳同化研究中常采用
Figure 920803DEST_PATH_IMAGE057
而非
Figure 291741DEST_PATH_IMAGE040
作为同化的状态变量(eg., Peters et al., 2007, Jiang et al., 2021)。当
Figure 506822DEST_PATH_IMAGE064
是常数时，
Figure 471367DEST_PATH_IMAGE057
可以起到与
Figure 328465DEST_PATH_IMAGE040
相同的作用 （Peng et al 2017, 2018b）。但是，根据公式(4)，当
Figure 757172DEST_PATH_IMAGE064
是随时间变化量时，
Figure 205471DEST_PATH_IMAGE065
与
Figure 985208DEST_PATH_IMAGE066
是不同的（
Figure 301789DEST_PATH_IMAGE067
表示
Figure 585002DEST_PATH_IMAGE040
和
Figure 469782DEST_PATH_IMAGE068
之间的协方差，
Figure 471236DEST_PATH_IMAGE068
表示在观测位置处的 CO2浓度模拟值）。因此，在碳同化中，不同的状态变量将导致不同的估算结果，特别是当
Figure 342240DEST_PATH_IMAGE064
具有明显的时间变化特征。这里，我们将
Figure 479960DEST_PATH_IMAGE040
作为碳同化状态变量。
在平滑因子方面，我们没有采用公式（4）中的时间连续平滑因子来计算
Figure 535641DEST_PATH_IMAGE040
，这是 因为该公式会降低
Figure 289970DEST_PATH_IMAGE040
的日变化。在这里，我们同样采用先验通量比例因子（先验CO2通量 尺度参数）
Figure 761403DEST_PATH_IMAGE061
来构造先验集合通量
Figure 206160DEST_PATH_IMAGE039
。但是，考虑到CO2通量的强烈日变化特征，我们 采用先前同化中每天同一时刻CO2同化通量的集合平均来计算集合预报通量集合平均
Figure 370425DEST_PATH_IMAGE033
(
Figure 143209DEST_PATH_IMAGE054
, 表示集合预报通量
Figure 418332DEST_PATH_IMAGE040
的集合平均)。换言之，我们采用CO2同化通量的 集合平均
Figure 733907DEST_PATH_IMAGE069
,
Figure 69073DEST_PATH_IMAGE070
，
Figure 329153DEST_PATH_IMAGE071
,
Figure 142389DEST_PATH_IMAGE072
,
Figure 640366DEST_PATH_IMAGE071
,
Figure 67805DEST_PATH_IMAGE073
,
Figure 18444DEST_PATH_IMAGE074
和先验通量
Figure 697687DEST_PATH_IMAGE075
来计算 集合预报通量集合平均
Figure 784591DEST_PATH_IMAGE033
。其次，
Figure 399243DEST_PATH_IMAGE033
用于
Figure 571599DEST_PATH_IMAGE039
的重定位。因此，
Figure 788954DEST_PATH_IMAGE041
(6)
Figure 995944DEST_PATH_IMAGE076
(7)
Figure 843814DEST_PATH_IMAGE077
(8)
如前所述，
Figure 424837DEST_PATH_IMAGE061
的集合平均仍然是1。因此，
Figure 445883DEST_PATH_IMAGE078
(
Figure 772959DEST_PATH_IMAGE039
的集合平均，
Figure 791731DEST_PATH_IMAGE079
) 与
Figure 876361DEST_PATH_IMAGE064
相等。如公式（6）-（8）所示，
Figure 373202DEST_PATH_IMAGE040
的集合分布由先验比例因子决定，
Figure 351522DEST_PATH_IMAGE040
的集合平均由先前同化中每天同一时刻的CO2同化 通量和先验通量决定。
联立公式（1）～（3）、（6）～（8）得到排放源诊断模型：
Figure 541195DEST_PATH_IMAGE080
进而根据排放源诊断模型得到集合预报通量
Figure 362389DEST_PATH_IMAGE081
，
Figure 928500DEST_PATH_IMAGE082
，
Figure 699010DEST_PATH_IMAGE083
为总的集合样本 数。将集合预报通量
Figure 856321DEST_PATH_IMAGE081
和CO2集合浓度分析场
Figure 243440DEST_PATH_IMAGE084
作为大气化学传输模式的输入场，得到 CO2集合浓度预报场
Figure 19767DEST_PATH_IMAGE025
，其中，
Figure 910362DEST_PATH_IMAGE085
表示预报场，
Figure 504155DEST_PATH_IMAGE016
表示分析场。
2. 集合平方根滤波同化模型
本实施例中的区域碳同化***是依据EnSRF（Ensemble Square Root Filter）同化方法自主构建的。EnSRF由集合卡尔曼滤波（Ensemble Kalman Filter, EnKF）发展而来。EnKF的主要思想是将集合预报与卡尔曼滤波相结合（Evensen 1994）。相比4DVar同化方法，EnKF不需要复杂的伴随模式，可以和模式相互独立，易于构建和维护。相比于3DVar，EnKF通过对集合预报成员的统计来估计背景误差协方差，具有流依赖的性质。由于观测进行扰动会引入额外的样本误差，导致分析误差协方差被低估，引起滤波发散。Whitaker（2002）提出了EnSRF方案，通过引入一个小参数α，使得集合卡尔曼增益矩阵K能够满足原EnKF中分析误差协方差的公式，这样就避免了因为观测不加扰动而导致低估分析误差协方差的问题。研究表明，EnSRF能较好地应用于中小尺度资料同化。
在本实施例中，对EnSRF进一步扩展，在状态变量中增加碳通量尺度参数背景场， 并将碳通量和浓度同时作为同化状态变量
Figure 847411DEST_PATH_IMAGE086
，降低浓度不确定性对碳排放同化的 影响，从而改进碳源汇反演。本实施例中集合数为50，以保持计算成本和滤波器性能之间的 平衡。局地化半径为1280 km，即EnSRF分析增量在距观测点1280 km以外设为0，以减轻观测 和状态变量之间的虚假遥远相关性。
通过CO2观测站点采集CO2观测数据。在集合平方根滤波同化模型中，将
Figure 942275DEST_PATH_IMAGE087
时刻 CO2浓度集合预报场
Figure 687377DEST_PATH_IMAGE019
和集合预报通量
Figure 655333DEST_PATH_IMAGE002
同时作为同化状态变量
Figure 548203DEST_PATH_IMAGE088
，将采集的CO2观测数据作为集合平方根滤波同化模型的观测变量
Figure 728648DEST_PATH_IMAGE021
，将
Figure 531519DEST_PATH_IMAGE087
时刻CO2浓度集 合预报场
Figure 404797DEST_PATH_IMAGE019
投影到观测空间，得到观测站点上的CO2浓度集合预报场
Figure 784963DEST_PATH_IMAGE020
。将同化状 态变量
Figure 34679DEST_PATH_IMAGE089
、观测变量
Figure 754373DEST_PATH_IMAGE021
和观测站点上的CO2浓度集合预报场
Figure 985503DEST_PATH_IMAGE020
输入到集合平方根滤 波同化模型中，得到联合分析向量
Figure 790648DEST_PATH_IMAGE022
，其中，
Figure 640793DEST_PATH_IMAGE047
表示CO2浓度集合分析场，
Figure 214993DEST_PATH_IMAGE044
表示 CO2通量集合分析场。进而得到CO2通量的集合平均分析场
Figure 367757DEST_PATH_IMAGE046
和 CO2浓度的集合平均分析场
Figure 394619DEST_PATH_IMAGE049
。将CO2浓度集合预报场
Figure 48454DEST_PATH_IMAGE019
作为排放源诊断 模型中下一时刻集合预报CO2浓度场的输入，将CO2浓度集合分析场
Figure 742741DEST_PATH_IMAGE047
作为大气传输模式 中下一时刻的CO2浓度的输入。
一种高时空分辨率CO2通量反演***，包括输入模块、排放源诊断模块、大气化学传输模式、集合平方根滤波同化单元，其中：
所述输入模块用于输入采集的CO2观测数据。
所述排放源诊断模块用于根据先验通量
Figure 128723DEST_PATH_IMAGE001
和先前M-1天中每天同一时刻CO2通量 的集合平均分析场通过排放源诊断模型得到集合预报通量
Figure 95411DEST_PATH_IMAGE002
。
排放源诊断模型为：
Figure 225041DEST_PATH_IMAGE003
其中，
Figure 570571DEST_PATH_IMAGE002
表示集合预报通量，
Figure 393034DEST_PATH_IMAGE090
表示协方差膨胀系数，
Figure 66592DEST_PATH_IMAGE031
表示
Figure 999913DEST_PATH_IMAGE052
时刻CO2浓度预 报场，
Figure 465529DEST_PATH_IMAGE055
表示
Figure 458893DEST_PATH_IMAGE052
时刻CO2浓度预报场的集合平均，
Figure 869015DEST_PATH_IMAGE008
表示
Figure 606026DEST_PATH_IMAGE052
时刻 CO2浓度尺度参数 的集合平均，
Figure 926149DEST_PATH_IMAGE091
表示先验通量，
Figure 824835DEST_PATH_IMAGE092
，
Figure 66461DEST_PATH_IMAGE010
表示平滑窗口，
Figure 279267DEST_PATH_IMAGE011
表示先前第
Figure 391580DEST_PATH_IMAGE012
天
Figure 789063DEST_PATH_IMAGE013
时刻的CO2通量的集合平均分析场，
Figure 908198DEST_PATH_IMAGE014
，
Figure 252591DEST_PATH_IMAGE015
为总的集合样本数，
Figure 484990DEST_PATH_IMAGE016
表示分析场，
Figure 787795DEST_PATH_IMAGE017
表示预报场。
所述大气化学传输模式用于根据集合预报通量
Figure 410537DEST_PATH_IMAGE002
和CO2浓度集合分析场
Figure 27463DEST_PATH_IMAGE018
得 到CO2浓度集合预报场
Figure 379947DEST_PATH_IMAGE019
。
所述集合平方根滤波同化单元用于将CO2浓度集合预报场
Figure 853654DEST_PATH_IMAGE019
投影到观测空间， 得到观测站点上的CO2浓度集合预报场
Figure 26009DEST_PATH_IMAGE020
。根据CO2浓度集合预报场
Figure 633577DEST_PATH_IMAGE019
、集合预报 通量
Figure 574988DEST_PATH_IMAGE002
、观测变量
Figure 485175DEST_PATH_IMAGE093
和观测站点上的CO2浓度集合预报场
Figure 144827DEST_PATH_IMAGE094
得到联合分析向量
Figure 369135DEST_PATH_IMAGE056
，其中，
Figure 368315DEST_PATH_IMAGE095
表示CO2浓度集合分析场，
Figure 387087DEST_PATH_IMAGE044
表示 CO2通量集合分析场。 进而得到CO2通量的集合平均分析场
Figure 330772DEST_PATH_IMAGE045
和CO2浓度的集合平均分析场
Figure 93191DEST_PATH_IMAGE048
。将CO2浓度集 合预报场
Figure 196145DEST_PATH_IMAGE019
作为排放源诊断模型中下一时刻集合预报CO2浓度场的输入，将CO2浓度集合 分析场
Figure 385818DEST_PATH_IMAGE047
作为大气传输模式中下一时刻的CO2浓度的输入。
包括CO2通量的集合平均分析场计算模块，所述CO2通量的集合平均分析场计算模 块用于根据CO2通量集合分析场计算CO2通量的集合平均分析场，所述CO2通量的集合平均分 析场计算模块包括CO2通量的集合平均分析场计算公式：
Figure 285641DEST_PATH_IMAGE046
，
Figure 648489DEST_PATH_IMAGE045
表示CO2通 量的集合平均分析场。
包括CO2浓度的集合平均分析场计算模块，所述CO2浓度的集合平均分析场计算模 用于根据CO2浓度集合分析场计算CO2浓度的集合平均分析场，所述CO2浓度的集合平均分析 场计算模块包括CO2浓度的集合平均分析场计算公式：
Figure 418999DEST_PATH_IMAGE096
，
Figure 717257DEST_PATH_IMAGE097
表示CO2 浓度的集合平均分析场。
3.观测资料介绍
本实施例中，我们选取了14 个地基CO2观测站点的摩尔分数观测数据（CO2 molefraction data），站点位置如图2所示，这些观测分别来自NOAA Observation Package(ObsPack，https://gml.noaa.gov/ccgg/obspack/data.php)、世界温室气体组织WorldData Center for Greenhouse Gases（WDCGG，https://gaw.kishou.go.jp/）和中国气象局。其中，中国瓦里关WLG（Mt. Waliguan）和蒙古UUM（Ulaan Uul，乌兰乌拉）观测来自NOAAObsPack。日本RYO（Ryori，绫里）、DDR（Mt. Dodaira，堂平山）、KIS（Kisai，骑西），韩国AMY（Anmyeon-do，安眠岛）、JGS（Jeju Gosan，济州岛）、中国香港HKO（King’s Park，京士柏）观测来自WDCGG。中国阿克达拉站（AKD，Akedala）、上甸子（SDZ，Shangdianzi）、龙凤山（LFS，Longfengshan）、金沙（JSH，Jinsha）、临安（LAN，Linan）、香格里拉（SGR，Shangri-La）观测来自中国气象局（CMA）。
如图3所示，汇总了观测资料的总体情况，这些地面资料提供了不连续的、或者准连续的地表浓度观测，观测频率包含小时（LFS、SDZ、LAN、SGR、AMY、JGS、KIS、RYO、DDR等9 个站）、日（WLG、HKO等2个站）、周（AKD、JSH、UUM等3个站）。其中，对于小时观测，覆盖的观测时间从每日1~7时、2~8时、4~10时、0~23时不等。每个站点的观测个数从30至8085不等。此外，这些地面站点代表了不同的下垫面情况，如AMY代表沿海站点，UUM代表内陆草地，WLG代表内陆高原，DDR代表高山。在后续将讨论的子区域中（图2），龙凤山位于东北地区（NEC），上甸子位于京津冀地区（BTH），临安和金沙位于长三角地区（YRD），HKO位于珠三角地区（PRD），香格里拉位于成渝地区（CYR），瓦里关位于西北地区的黑河流域（HRB）。
4.结果分析
首先，本实施例创新性地构造具有日变化特征的碳通量动力模型，从而具备了碳源汇逐时同化的能力。图4给出了CO2通量的先验源（PR，虚线）、预报源（FC，点画线）和同化源（DA，实线）。可以看到，先验通量具有明显的7天周期特征（7×24=168小时），这是由于CarbonTracker的特点之一是具有数周的长间隔滞后窗口，按每周一个比例因子（λ r ）估算陆地生态***和海洋碳通量。预报通量体现了本实施例碳通量动力模型的作用，通过结合集合浓度和背景通量信息，很好地反应了碳通量的逐时变化情况，并将前后通量联系起来，有效解决排放源集合样本的生成的问题。对于同化的通量，已经完全去除了先验通量中的七天周期变化，因为实际通量不存在强烈的周变化，而植被光合呼吸具有明显日变化，同化结果很好地反映了CO2通量的昼夜变化特征，这也与实际情况更一致。
在次年际的时间尺度上，时间廓线存在很大的不确定性，目前大多数碳同化研究在逐周和逐月时间尺度上研究碳同化，传统的时间降尺度技术主要采用典型周、月廓线的若干年和大区域的统计平均数据来完成，传统的空间降尺度技术也通常与人口密度、温度、降水等相关代理变量密切相关。由于降尺度借助额外数据源产生信息更丰富的数据产品，从大尺度、大区域转换到小尺度和局部点位，时间和空间分辨率升高，信息量变丰富，但由于相关代理变量的不确定性，这种降尺度引入了很大的额外不确定性。而本实施例采用逐时观测和逐时模拟背景值的直接同化，并将碳通量动力模型进一步发展，使其具有表征通量逐时日变化演变的能力，提升了精细时间尺度上的碳同化的水平，证实了从小时尺度开展碳同化的可行性和优势。
对逐时同化源的日均化，可以得到全年中国典型区域的日均CO2通量（以2016为例）。这里典型区域见图5所示，包括东北NEC、京津冀BTH、黑河流域HRB、汾渭平原FWP、成渝地区CYR、长三角YRD、珠三角PRD和全国范围CHI。在同化中，开展不同同化窗口的敏感性试验。其中，点画实线表示先验源，点画虚线表示同化窗口12h，虚线表示同化窗口24h，点线表示同化窗口36h，实线表示同化窗口48h。首先，经日均后先验源具有明显的季节性涨落，但7天周期变化仍然较明显，特别在成渝、汾渭、长三角、珠三角5月中旬均出现了非常剧烈的变化，而该时段在我国这些地方均处于春末，植被经过冬季后处于复苏生长阶段，却出现了剧烈的碳源、碳汇在几天内强烈转变。另外，在成渝地区（6至8月）、黑河流域（6至8月）、长三角地区（4月）、汾渭（7至8月）先验源也出现了碳源汇在短时期内的强烈变化。先验源采用5周同化窗口，是为了以长时间窗口来改善距站点较远地区的偏差，但这也同时可能导致在观测覆盖有限的地区通量预测不准确。经过同化，12~48小时同化窗口的同化源均得到了有效改进，不再出现短时期的源汇剧烈转变，同化源在各区域体现了更好的季节变化。其次，同化源也清楚地显示了季节性周期峰谷值，但也表现出更多的小范围变化，这也表明本实施例集合预报采用的区域大气传输模式和通量动力模型可以更好地表达小时误差协方差，在反演中每个新的一小时都包含了新的集合预报的先验协方差，而不考虑前面太久的不确定性信息。
同化窗口是碳同化中的敏感因子，以往研究也提出了同化窗口长度在碳同化中意义，短同化窗口的优点是来自不同地区的通量可以保持独立，但由于缺乏协方差的时间相关性也会导致较大背景误差估计（e.g. Kang et al., 2012; Liu et al., 2012）。图5给出了不同同化窗口设置下的碳通量同化结果的差异。在区域模拟中CO2浓度具有显著日变化，CO2浓度的剧烈扰动可能导致观测扰动和模式扰动之间的动态平衡被破坏，这也与同化窗口长度密切相关。在夏季，陆地植被生长旺盛，这也是大多数区域与先验源差别较大的月份，东北地区森林覆盖丰富，夏季正值生长季陆地生态***碳汇较强，12~48小时窗口也都呈现不同程度的更平稳的逐日吸收特征。黑河流域是我国西北地区第二大内陆流域，气候干燥，降水稀少而集中，主要是山地森林草原和温带小灌木、半灌木荒漠植被，夏季碳汇能力略低于东北地区。京津冀城市群地区是人为活动较密集的区域，碳排放量较大，12和36小时同化窗口都表现出较明显的逐日变化特征，这较好地反映了人为源的高度时空异质性。长三角、珠三角、成渝城市群的同化源也表现出了受人为随机源影响的特征，特别是珠三角属于亚热带季风气候，夏季高温多雨，冬季温和少雨，冬夏碳源汇转换不明显。汾渭平原是华北地区重要的重工业基地，降水较少，植被覆盖率相对较低，同化源也很好地修正了先验源逐日变化中碳汇突变的问题。
如图6所示，给出了逐月的各区域碳排放和碳汇（左侧曲线）及年总量（右侧短线）。可以看到，在京津冀、长三角、成渝、东北等地同化源与先验源的年均值差别不大，与国内外相关研究结果也较一致。同化源与先验源中碳源转变为碳汇的时间也大多一致，如5月（京津冀、黑河、汾渭、成渝和全国平均）。在长三角地区，4月先验源是较弱的碳汇，24、36、48小时同化也呈强弱不等的碳汇，但12小时窗口呈弱碳源。在6月，先验源是弱碳源，12、24、48小时同化也是碳源，但36小时同化是碳汇，因此，总体上36小时同化窗口对碳源汇的季节变化更平稳一些。对于珠三角，1~4及12月呈碳源特征，不同窗口的同化源结果也略做了一些调整。总体上，同化源在各区域体现了更好的季节变化。另外，本实施例中先验人为排放源选自MEIC（0.25°×0.25°），这是清华大学自主研发的适合中国地区的排放源。根据不同版本人为源的不确定性估计，相关研究表明同化中传递的先验碳通量对同化结果有一定的影响，这也是需要考虑的一个因素。但总体上，本实施例中同化的碳通量有效表达了CO2通量的季节变化特征，证明了它充分吸收和利用观测的能力。值得注意的是，由于在CO2浓度和通量联合同化框架下开展同化，这在很大程度上消除了CO2浓度初始场对同化窗口中CO2演化不确定性的影响，最大限度的发挥观测的潜力，也是由于此原因，本区域同化***在整个同化期都能保持良好、稳定的效果。
图7给出了先验源、预报源、同化源、同化与预报源差异、同化与预报浓度差异、同化与先验源差异的水平分布。先验源由化石燃料排放、生物质燃烧、陆地生态***、海洋交换等组成，由于化石燃料排放呈现高度的空间不均匀性，而陆地生态***呈现显著的季节变化，因此先验源保留了人为和自然源的特征。预报源经构造的通量逐时动力模型生成，也同样具有高度的时空不均匀性，给出了良好的碳通量背景信息。分析增量的形态主要受局地敏感性和观测增量的影响，在浓度和通量同时作为状态变量的同化框架下，这也证明了同化的有效性。与全球模式相比，区域大气化学模式 CMAQ 的模拟结果既能保持大尺度CO2 浓度的水平分布特征，同时也可以表征较强的 CO2 水平分布不均匀性，比如城市区域化石燃料排放引起的 CO2浓度的剧烈变化。经过同化，同化源和先验源总量大体一致（图7中（d）所示），但空间分布有所不同（图7中（e）所示），即通过同化改变了先验源的分布。例如，内蒙古东部、河北北部、山西北部、黑龙江北部一带先验源低估，该地区大量的陆地生态***碳汇有待进一步核查和评估，而我国中南部的安徽、湖南、贵州、重庆、陕西等地先验源也有所低估，先验源高估的地区主要是我国东部沿海（吉林、辽宁、北京、河北南部、江苏、上海、浙江、福建、广东、江西）和西部（四川、云南、西藏、青海、甘肃）等地。在东亚其他国家，日本北部和南部、韩国东部、中南半岛等地先验源有所高估，而日本中部、韩国西部先验源有所低估。其余地区由于观测资料有限，已通过局地化技术滤去了虚假相关。
通常，由于通量没有直接观测，无法直接验证同化源。但是，可以通过将模拟的大气 CO2 浓度与测量值进行对比，来间接评估同化通量。我们在图3中将先验/后验源模拟的CO2浓度与相应的站点CO2浓度观测值进行比较，以测试同化***的有效性。对同化源的模拟试验发现（图3和图8），对比先验源模拟结果，同化源模拟效果得到了有效提升，RMSE和BIAS得到了有效降低。其中，不同同化窗口同化源对模拟效果的改进有所不同，36小时同化窗口的均方根误差和偏小最小，目前看来，是最优的同化窗口。对于中国香港京士柏站等先验源误差较大的站，CO2同化源模拟效果更好，表明优化后的通量更符合实际情况。对于龙凤山、上甸子、阿克达拉、蒙古乌兰乌拉UUM等先验源误差较小的站，同化源模拟效果也都有所提升，表明对这些观测资料附近的通量优化也是有效的。在瓦里关站，均方根误差和偏差（RMASE/BIAS）分别从25.3/−15.2降低到6.6/0.2，在中国香港京士柏站，RMASE/BIAS 分别从28.7/−21.5 降低到14.5/8.6 ，同化源有效解决了先验源低估的问题，说明夏季的植被吸收有很大的不确定性，通过同化有效降低了通量的不确定性。这反映了本实施例的通量动力模型能够为同化提供较好的碳通量背景场，将浓度和通量同时作为状态变量的碳同化方案也对碳源汇反演具有很好的潜力。
本实施例构造了具有日变化特征的碳通量动力模型（排放源诊断模型），以此开展了基于区域大气化学模式CMAQ的逐时碳同化，选取的观测资料来自地基CO2浓度观测资料，同化方法采用EnKF，并将浓度和通量同时作为同化状态变量，以降低浓度初始场对同化的影响。首先，在京津冀、长三角、成渝、东北等地同化源与先验源的年均值差别不大，与国内外相关研究结果也较一致，但同化源在各区域体现了更好的季节变化。其次，对同化源的模拟试验发现，对比先验源模拟结果，无论是在先验源误差较大还是较小的站，同化源模拟效果都得到了有效提升，这表明对这些观测资料附近的通量优化也是有效的，优化后的通量更符合实际情况。这反映了本实施例的通量动力模型（排放源诊断模型）能够为同化提供较好的碳通量背景场，将浓度和通量同时作为状态变量的碳同化方案也对碳源汇反演具有很好的潜力。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种高时空分辨率CO2通量反演方法，其特征在于，包括以下步骤：
步骤1，通过CO2观测站点采集CO2观测数据；
步骤2，根据先验通量
Figure 997461DEST_PATH_IMAGE001
、集合预报CO2浓度场和先前M-1天中每天同一时刻CO2通量的 集合平均分析场建立排放源诊断模型，进而根据排放源诊断模型得到集合预报通量
Figure 206725DEST_PATH_IMAGE002
；
排放源诊断模型为：
Figure 890517DEST_PATH_IMAGE003
其中，
Figure 806520DEST_PATH_IMAGE002
表示集合预报通量，
Figure 996193DEST_PATH_IMAGE004
表示协方差膨胀系数，
Figure 692753DEST_PATH_IMAGE005
表示
Figure 993285DEST_PATH_IMAGE006
时刻集合预报CO2浓 度场，
Figure 967057DEST_PATH_IMAGE007
表示
Figure 62052DEST_PATH_IMAGE006
时刻 CO2浓度预报场的集合平均，
Figure 245909DEST_PATH_IMAGE008
表示
Figure 350131DEST_PATH_IMAGE006
时刻 CO2浓度尺度参数的集合平 均，
Figure 162098DEST_PATH_IMAGE009
表示先验通量，
Figure 693573DEST_PATH_IMAGE010
，
Figure 99147DEST_PATH_IMAGE011
表示平滑窗口，
Figure 7060DEST_PATH_IMAGE012
表示先前第
Figure 689845DEST_PATH_IMAGE013
天
Figure 392222DEST_PATH_IMAGE014
时 刻的CO2通量的集合平均分析场，
Figure 285092DEST_PATH_IMAGE015
，
Figure 996696DEST_PATH_IMAGE016
为总的集合样本数，
Figure 596304DEST_PATH_IMAGE017
表示分析场，
Figure 656533DEST_PATH_IMAGE018
表示预 报场；
步骤3，将集合预报通量
Figure 974382DEST_PATH_IMAGE002
和CO2浓度集合分析场
Figure 20835DEST_PATH_IMAGE019
作为大气化学传输模式的输入 场，得到CO2浓度集合预报场
Figure 740530DEST_PATH_IMAGE020
；
步骤4，在集合平方根滤波同化模型中，将CO2浓度集合预报场
Figure 722392DEST_PATH_IMAGE020
投影到观测空间，得 到观测站点上的CO2浓度集合预报场
Figure 527537DEST_PATH_IMAGE021
；将步骤1采集的CO2观测数据作为集合平方 根滤波同化模型的观测变量
Figure 377681DEST_PATH_IMAGE022
；将CO2浓度集合预报场
Figure 951882DEST_PATH_IMAGE020
、集合预报通量
Figure 432542DEST_PATH_IMAGE002
、观测变量
Figure 646355DEST_PATH_IMAGE022
和站点上的CO2浓度集合预报场
Figure 34611DEST_PATH_IMAGE021
输入到集合平方根滤波同化模型中，得到联合 分析向量
Figure 728897DEST_PATH_IMAGE023
，其中，
Figure 114879DEST_PATH_IMAGE024
表示 CO2浓度集合分析场，
Figure 832300DEST_PATH_IMAGE025
表示 CO2通量集合 分析场；将CO2浓度集合预报场
Figure 961930DEST_PATH_IMAGE026
作为排放源诊断模型中下一时刻集合预报CO2浓度场的 输入，将CO2浓度集合分析场
Figure 307460DEST_PATH_IMAGE024
作为大气传输模式中下一时刻的CO2浓度集合分析场的输 入。
2.根据权利要求1所述高时空分辨率CO2通量反演方法，其特征在于：步骤2中建立排放源诊断模型的方法如下：
步骤21，通过大气传输模式的CO2浓度集合预报场得到先验CO2通量尺度参数
Figure 129923DEST_PATH_IMAGE027
：
Figure 318327DEST_PATH_IMAGE028
Figure 251648DEST_PATH_IMAGE029
Figure 451686DEST_PATH_IMAGE030
其中，
Figure 710629DEST_PATH_IMAGE031
表示
Figure 871483DEST_PATH_IMAGE032
时刻CO2浓度尺度参数，
Figure 342915DEST_PATH_IMAGE005
表示
Figure 866301DEST_PATH_IMAGE006
时刻集合预报CO2浓度场，
Figure 92883DEST_PATH_IMAGE007
表示
Figure 803350DEST_PATH_IMAGE032
时 刻CO2浓度场的集合平均，
Figure 265424DEST_PATH_IMAGE033
表示经协方差膨胀以后的CO2浓度尺度参数，
Figure 643315DEST_PATH_IMAGE004
表示协方 差膨胀系数，
Figure 775220DEST_PATH_IMAGE008
表示 CO2浓度尺度参数的集合平均，
Figure 238562DEST_PATH_IMAGE034
表示先验CO2通量尺度参数；
步骤22，根据CO2通量的日变化特征，采用先前同化中每天同一时刻CO2通量的集合平均 来计算集合预报通量集合平均
Figure 989480DEST_PATH_IMAGE035
；采用CO2同化通量的集合平均
Figure 487458DEST_PATH_IMAGE036
,
Figure 524684DEST_PATH_IMAGE037
，
Figure 475322DEST_PATH_IMAGE038
,
Figure 279199DEST_PATH_IMAGE012
,
Figure 631683DEST_PATH_IMAGE038
,
Figure 308652DEST_PATH_IMAGE039
,
Figure 543324DEST_PATH_IMAGE040
来计算集合预报通量集合平均
Figure 370466DEST_PATH_IMAGE035
；将 集合预报通量集合平均
Figure 843036DEST_PATH_IMAGE035
用于先验集合通量
Figure 425327DEST_PATH_IMAGE041
的重定位，则集合预报通量
Figure 147295DEST_PATH_IMAGE042
的集 合分布由CO2通量尺度参数
Figure 106024DEST_PATH_IMAGE034
决定，集合预报通量
Figure 354471DEST_PATH_IMAGE042
的集合平均由先前同化中每天同 一时刻的CO2同化通量和先验通量决定：
Figure 373243DEST_PATH_IMAGE043
Figure 582507DEST_PATH_IMAGE044
Figure 79348DEST_PATH_IMAGE045
进而得到排放源诊断模型。
3.根据权利要求2所述高时空分辨率CO2通量反演方法，其特征在于：步骤4中根据CO2通 量集合分析场
Figure 260930DEST_PATH_IMAGE046
得到CO2通量的集合平均分析场
Figure 388286DEST_PATH_IMAGE047
：
Figure 819268DEST_PATH_IMAGE048
。
4.根据权利要求3所述高时空分辨率CO2通量反演方法，其特征在于：步骤4中根据CO2浓 度集合分析场
Figure 119799DEST_PATH_IMAGE049
得到CO2浓度的集合平均分析场
Figure 77260DEST_PATH_IMAGE050
：
Figure 437834DEST_PATH_IMAGE051
。
5.根据权利要求4所述高时空分辨率CO2通量反演方法，其特征在于：步骤21中
Figure 824953DEST_PATH_IMAGE006
时刻CO2 浓度场的集合平均
Figure 460334DEST_PATH_IMAGE007
：
Figure 288612DEST_PATH_IMAGE052
其中，
Figure 820088DEST_PATH_IMAGE007
表示
Figure 428924DEST_PATH_IMAGE006
时刻CO2浓度场的集合平均。
6.根据权利要求5所述高时空分辨率CO2通量反演方法，其特征在于：步骤21中CO2浓度 尺度参数的集合平均
Figure 399154DEST_PATH_IMAGE008
：
Figure 144256DEST_PATH_IMAGE053
其中，
Figure 45302DEST_PATH_IMAGE008
表示CO2浓度尺度参数的集合平均。
7.根据权利要求6所述高时空分辨率CO2通量反演方法，其特征在于：步骤22中集合预报 通量集合平均
Figure 875855DEST_PATH_IMAGE035
：
Figure 118617DEST_PATH_IMAGE054
。
8.一种高时空分辨率CO2通量反演***，其特征在于：包括输入模块、排放源诊断模块、大气化学传输模式、集合平方根滤波同化单元，其中：
所述输入模块用于输入采集的CO2观测数据；
所述排放源诊断模块用于根据先验通量
Figure 983805DEST_PATH_IMAGE001
和先前M-1天中每天同一时刻CO2通量的集 合平均分析场通过排放源诊断模型得到集合预报通量
Figure 794766DEST_PATH_IMAGE002
；
排放源诊断模型为：
Figure 112615DEST_PATH_IMAGE003
其中，
Figure 159069DEST_PATH_IMAGE002
表示集合预报通量，
Figure 878763DEST_PATH_IMAGE004
表示协方差膨胀系数，
Figure 109893DEST_PATH_IMAGE005
表示
Figure 180617DEST_PATH_IMAGE032
时刻CO2浓度预报场，
Figure 765182DEST_PATH_IMAGE007
表示
Figure 604962DEST_PATH_IMAGE032
时刻CO2浓度预报场的集合平均，
Figure 820043DEST_PATH_IMAGE008
表示
Figure 784588DEST_PATH_IMAGE032
时刻 CO2浓度尺度参数的集合平均，
Figure 376106DEST_PATH_IMAGE001
表示先验通量，
Figure 867130DEST_PATH_IMAGE055
，
Figure 253112DEST_PATH_IMAGE011
表示平滑窗口，
Figure 219800DEST_PATH_IMAGE012
表示先前第
Figure 349430DEST_PATH_IMAGE013
天
Figure 694961DEST_PATH_IMAGE014
时刻的 CO2通量的集合平均分析场，
Figure 517424DEST_PATH_IMAGE015
，
Figure 456561DEST_PATH_IMAGE016
为总的集合样本数，
Figure 124302DEST_PATH_IMAGE017
表示分析场，
Figure 589919DEST_PATH_IMAGE018
表示预报 场；
所述大气化学传输模式用于根据集合预报通量
Figure 583283DEST_PATH_IMAGE002
和CO2浓度集合分析场
Figure 72033DEST_PATH_IMAGE019
得到CO2 浓度集合预报场
Figure 995995DEST_PATH_IMAGE020
；
所述集合平方根滤波同化单元用于将CO2浓度集合预报场
Figure 253801DEST_PATH_IMAGE020
投影到观测空间，得到 观测站点上的CO2浓度集合预报场
Figure 214804DEST_PATH_IMAGE021
；根据CO2浓度集合预报场
Figure 190850DEST_PATH_IMAGE020
、集合预报通量
Figure 403657DEST_PATH_IMAGE002
、观测变量
Figure 515969DEST_PATH_IMAGE022
和观测站点上的CO2浓度集合预报场
Figure 913453DEST_PATH_IMAGE021
得到联合分析向量
Figure 111216DEST_PATH_IMAGE056
，其中，
Figure 376981DEST_PATH_IMAGE049
表示CO2浓度集合分析场，
Figure 609379DEST_PATH_IMAGE046
表示 CO2通量集合分析场； 将CO2浓度集合预报场
Figure 912185DEST_PATH_IMAGE020
作为排放源诊断模型中下一时刻集合预报CO2浓度场的输入，将 CO2浓度集合分析场
Figure 128402DEST_PATH_IMAGE049
作为大气传输模式中下一时刻的CO2浓度的输入。
9.根据权利要求8所述高时空分辨率CO2通量反演***，其特征在于：包括CO2通量的集 合平均分析场计算模块，所述CO2通量的集合平均分析场计算模块用于根据CO2通量集合分 析场计算CO2通量的集合平均分析场，所述CO2通量的集合平均分析场计算模块包括CO2通量 的集合平均分析场计算公式：
Figure 417432DEST_PATH_IMAGE048
，
Figure 769916DEST_PATH_IMAGE047
表示CO2通量的集合平均分析场。
10.根据权利要求9所述高时空分辨率CO2通量反演***，其特征在于：包括CO2浓度的集 合平均分析场计算模块，所述CO2浓度的集合平均分析场计算模用于根据CO2浓度集合分析 场计算CO2浓度的集合平均分析场，所述CO2浓度的集合平均分析场计算模块包括CO2浓度的 集合平均分析场计算公式：
Figure 978044DEST_PATH_IMAGE051
，
Figure 415978DEST_PATH_IMAGE050
表示CO2浓度的集合平均分析场。
CN202210646832.5A 2022-06-09 2022-06-09 一种高时空分辨率co2通量反演***及方法 Active CN114724647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210646832.5A CN114724647B (zh) 2022-06-09 2022-06-09 一种高时空分辨率co2通量反演***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210646832.5A CN114724647B (zh) 2022-06-09 2022-06-09 一种高时空分辨率co2通量反演***及方法

Publications (2)

Publication Number Publication Date
CN114724647A true CN114724647A (zh) 2022-07-08
CN114724647B CN114724647B (zh) 2023-01-31

Family

ID=82233160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210646832.5A Active CN114724647B (zh) 2022-06-09 2022-06-09 一种高时空分辨率co2通量反演***及方法

Country Status (1)

Country Link
CN (1) CN114724647B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116312871A (zh) * 2023-03-03 2023-06-23 中国科学院地理科学与资源研究所 一种co2浓度反演数据的降尺度方法和***
CN116384127A (zh) * 2023-04-10 2023-07-04 中国科学院青藏高原研究所 用于气象生态环境的数值模拟预报方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111487216A (zh) * 2020-05-06 2020-08-04 北京中科锐景科技有限公司 一种二氧化碳通量反演方法、***
CN114324780A (zh) * 2022-03-03 2022-04-12 阿里巴巴达摩院(杭州)科技有限公司 大气污染物排放通量处理方法、存储介质以及计算机终端
CN114357894A (zh) * 2022-03-11 2022-04-15 阿里巴巴达摩院(杭州)科技有限公司 大气污染物的处理方法、存储介质以及计算机终端
CN114547885A (zh) * 2022-02-21 2022-05-27 清华大学 碳排放定量反演的方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111487216A (zh) * 2020-05-06 2020-08-04 北京中科锐景科技有限公司 一种二氧化碳通量反演方法、***
CN114547885A (zh) * 2022-02-21 2022-05-27 清华大学 碳排放定量反演的方法、装置、设备及存储介质
CN114324780A (zh) * 2022-03-03 2022-04-12 阿里巴巴达摩院(杭州)科技有限公司 大气污染物排放通量处理方法、存储介质以及计算机终端
CN114357894A (zh) * 2022-03-11 2022-04-15 阿里巴巴达摩院(杭州)科技有限公司 大气污染物的处理方法、存储介质以及计算机终端

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
寇星霞 等: "《基于区域大气化学模式的东亚地区地表CO2通量反演研究》", 《第34届中国气象学会年会 S9 大气成分与天气、气候变化及环境影响论文集》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116312871A (zh) * 2023-03-03 2023-06-23 中国科学院地理科学与资源研究所 一种co2浓度反演数据的降尺度方法和***
CN116312871B (zh) * 2023-03-03 2023-10-27 中国科学院地理科学与资源研究所 一种co2浓度反演数据的降尺度方法和***
CN116384127A (zh) * 2023-04-10 2023-07-04 中国科学院青藏高原研究所 用于气象生态环境的数值模拟预报方法及装置
CN116384127B (zh) * 2023-04-10 2024-01-02 中国科学院青藏高原研究所 用于气象生态环境的数值模拟预报方法及装置

Also Published As

Publication number Publication date
CN114724647B (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
Yin et al. Surface ozone at Nam Co in the inland Tibetan Plateau: variation, synthesis comparison and regional representativeness
CN108241779B (zh) 基于遥感数据的地面pm2.5浓度特征向量空间滤值建模方法
CN114724647B (zh) 一种高时空分辨率co2通量反演***及方法
CN113297528B (zh) 一种基于多源大数据的no2高分辨率时空分布计算方法
Tang et al. Improvement of ozone forecast over Beijing based on ensemble Kalman filter with simultaneous adjustment of initial conditions and emissions
CN111487216B (zh) 一种二氧化碳通量反演方法、***
Fang et al. Characteristics of atmospheric CO2 and CH4 at the Shangdianzi regional background station in China
CN111242404B (zh) 一种强降雨诱发洪灾事件的极端性评估方法及***
Liu et al. Estimation of monthly bulk nitrate deposition in China based on satellite NO2 measurement by the Ozone Monitoring Instrument
CN109858686A (zh) 一种基于EnKF的地面排放清单反演优化方法
CN109060617A (zh) 不同农业氨排放情景对pm2.5浓度影响的模拟与分析方法
Vellingiri et al. Identification of nitrogen dioxide and ozone source regions for an urban area in Korea using back trajectory analysis
CN115186437B (zh) 碳同位素联合同化模型及甄别人为碳排放与自然碳通量区域同化***的构建方法
Wang et al. Inverse modeling of black carbon emissions over China using ensemble data assimilation
Cao et al. A long-term analysis of atmospheric black carbon MERRA-2 concentration over China during 1980–2019
CN115795819A (zh) 基于sebs模型和casa模型的水分利用效率模拟方法
Sun et al. Assessment and improvement of Noah-MP for simulating water and heat exchange over alpine grassland in growing season
CN116223395A (zh) 近地表痕量气体浓度反演模型及反演方法
FR Spatial and temporal changes of vegetation cover in China based on modis NDVI.
Zhang et al. Reconstruction of cropland spatial patterns and its spatiotemporal changes over the 20th century on the Songnen Plain, Northeast China
Fang et al. The determination of regional CO2 mole fractions at the Longfengshan WMO/GAW station: A comparison of four data filtering approaches
CN114878748B (zh) 一种co2排放量的监测方法及监测***
Kou et al. The carbon sink in China as seen from GOSAT with a regional inversion system based on the Community Multi-scale Air Quality (CMAQ) and ensemble Kalman smoother (EnKS)
CN114239274A (zh) 多源遥感数据驱动指数滤波模型推求根层土壤水的方法
Cai et al. Comparative Analysis and High− Precision Modeling of Tropospheric CH4 in the Yangtze River Delta of China Obtained from the TROPOMI and GOSAT

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230417

Address after: No. 163 Xianlin Dada, Qixia District, Nanjing City, Jiangsu Province, 210000

Patentee after: NANJING University

Patentee after: INSTITUTE OF ATMOSPHERIC PHYSICS, CHINESE ACADEMY OF SCIENCES

Patentee after: Beijing Institute of urban Meteorology

Address before: No.163 Xianlin Avenue, Qixia District, Nanjing City, Jiangsu Province, 210000

Patentee before: NANJING University

TR01 Transfer of patent right