摘要
星载激光雷达作为一种新型的主动遥感技术,为全球海洋昼夜以及极地冬季海水二氧化碳分压的研究提供了可能。研究通过使用云-气溶胶激光雷达与红外探路者卫星(CALIPSO)数据,对全球海表面叶绿素a(Chla)浓度进行了反演,并构建了基于激光数据的前向神经网络模型(FNN-LID),重构了北冰洋海水二氧化碳分压(pCO2)昼/夜长时序数据集。在此基础上,对基于主动遥感的极地海水Chla浓度和海水pCO2数据进行了验证与分析。结果显示,基于该算法的反演产品,具有较高的数据质量,不论是和其他被动遥感的产品还是独立浮标观测数据集都有较好的一致性,且能够有效“填充”极地冬季的数据空白。在北冰洋海区,受陆源强烈影响的边缘海都表现为较高的海表Chla浓度。北冰洋海水pCO2的空间格局表现出经向的差异,且pCO2的季节变化十分剧烈,甚至超过80 μatm。近20年来,北冰洋稳定地表现为大气二氧化碳的汇,而在东西伯利亚海和喀拉海等海冰显著衰退的地区,海面pCO2的增长率非常显著。
工业革命以来,人类对森林的砍伐和大量化石燃料的燃烧,向大气中排放了过量的二氧化碳(CO2),引起了大气CO2浓度的持续上
在过去的30 年里,在全球气候变化的持续影响下,北冰洋冰-大气系统的显著变化:海冰损失增
海水pCO2一直被认为是对海洋碳酸盐系统最直观的参
而最近的星载激光雷达观测则在逐渐满足这些关键数据需求,同时包含昼/夜间观测(分别在当地时间13:40和01:40采集)的高分辨率激光雷达数据集也用来反演昼/夜海水Chla浓度。Lu等反演了基于云-气溶胶激光雷达与红外探路者卫星(Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observations)的全球海洋Chla和颗粒有机碳浓度。Behrenfeld等展示了基于激光数据的极地浮游植物生物量年循环结
本研究使用CALIPSO星载数据,对全球海水Chla进行了反演,并构建了FNN-LID模型,在此基础上重构了北冰洋海水pCO2昼/夜长时序数据集,详细地对极地海水Chla浓度和海水pCO2的时空分布进行了分析,并讨论了近20年来的年际变化。
海洋激光雷达作为一种主动遥感手段,通过发射系统-接受回波信号为探测夜间海洋生物活动提供了可能。本研究使用了2007~2020 年美国国家航空航天局发布的CALIPSO星载激光雷达数据(数据下载地址:http://orca.science.oregonstate.edu
本次研究还使用了实测数据、其他被动遥感数据和数据同化产品。研究使用表层海洋CO2地图集(Surface Ocean CO₂ Atlas, SOCAT)系统产品。该数据集提供经过质量控制的表层海洋CO2逸度观测数据,能够支持促进海洋碳循环相关研究的发展。第一版SOCAT数据发布于2011年,最新的SOCAT数据(2022版)共涵盖了1957年到2021年间3370万组观测数据。为了提高在边缘海的适用性,本研究选择了经过校正的离散走航数据,并根据数据的观测时间划分为昼/夜实测数据集。此外,根据海区特征,研究选择1º的空间网格对昼/夜走航实测数据进行网格化。我们还使用了生物地球化学Argo(BGC-argo)浮标在海洋25 m水深以内的海水Chla观测数据,用于对激光反演产品进行独立验证。
研究使用了由哥白尼海洋环境监测服务(Copernicus Marine Environment Monitoring Service,CMEMS)提供的月平均海面温度(Sea Surface Temperature,SST)、海面盐度(Sea Surface Salinity,SSS)、海面高度(Sea Surface Height,SSH)和混合层深度(Mixed Layer Depth,MLD)数据,其空间分辨率为0.25°。大气CO2摩尔分数(xCO2)数据则是来自CarbonTracker2019B的数据同化产品。另外,我们对这些海洋环境数据都经过严格的质量控制和统一的网格化处理,将分辨率不同的原始数据,都插值为1°×1°的空间分辨率的月平均数据。
海水pCO2的变化通常受到海水热力学作用和生物化学过程等多种控制机制的共同影响。其中,SST和SSS的变化可以较好地表征海洋环境中热力学作用对海水pCO2的影响;Chla则与海洋生物过程息息相关,可以用于表征由于生物活动对海水pCO2产生的影响;而SSH和MLD则与海洋水平和垂直方向上的海水动力过程相关;此外,xCO2则能作为有效参数,用于表征大气CO2对海水所产生的影响。因此,研究通过时空匹配,将SST、SSS、SSH、xCO2、MLD和Chla数据一同作为环境预测变量组。通过构建实测海水pCO2和建立环境预测变量组之间的非线性关系,开发了一个两步的前反馈神经网络,分步骤对海水pCO2进行反演,流程如
图1 FNN-LID昼/夜海水pCO2遥感反演模型流程图
Fig.1 Flowchart of the FNN-LID day/night sea surface pCO2 retrieved method
在两个过程中所使用的一系列环境预测因子(X1, X2, …, Xn)为同一个数据集,但这些数据集在两个步骤中所起的作用是不同的。第一步,研究希望通过环境参数重建更理想的高空间分辨率(1º×1º)pCO2-clim数据,解决现有气候态数据空间分辨率低(4º×5º)的问题。在第二步中,通过使用有限数量的测量数据和环境数据,反演了pCO2-anom,并通过两个步骤中的模型结果相加获得海水pCO2。在这两个步骤中,本研究通过加入相邻月份的(前一个月和后一个月)的数据来实现保留季节性特征的同时扩展训练数据集。此外,研究将整个数据集分为3个部分,用于FNN训练(50%)、评估(25%)和验证(25%)。因此,本研究对每个月分别构建了反演模型,模型都采用两个各具有五个层的FNN模型分步反演海水pCO2,这两个模型共享一个共同的架构,但在不同的数据上进行训练。
研究以相对成熟的由MODIS反演的Chla产品(Chla-MODIS)和由BGC-argo观测的Chla数据(Chla-Bioargo)对由CALIOP反演的Chla产品(Chla-CALIOP)进行验证。经过时空匹配后的对比结果显示:在全球范围内,来自两个传感器的Chla值非常一致(平均偏差为-0.15 µatm,
图2 激光反演产品与BGC-argo产品海水Chla分反演结果对比图(μg
Fig.2 Comparison between CALIPSO-Chla and BGC-argo of global Chla (μg
此外,我们的反演结果也表明,CALIPSO-Chla反演产品可以有效填补被动遥感产品在高纬度以及极地区域冬季的数据空白。如
图3 2011年12月北冰洋海水Chla分布图(μg
Fig.3 Sea Water Chla concentrate (μg
针对北冰洋的海水Chla浓度,我们计算了2007~2020年间的气候态季节平均结果(春季3~5月、夏季6~8月、秋季9~11月和冬季12~2月)。如
图4 气候态北冰洋海水Chla浓度季节分布图(μg
Fig.4 Seasonal distribution of climate-averaged sea surface Chla concentrate for Arctic Ocean (μg
我们使用未参与建模的北冰洋数据对模型结果进行验证,结果如
图5 验证集中CALIPSO反演pCO2产品与实测数据的对比图(µatm)
Fig.5 Comparison between CALIPSO-pCO2 and with observed data in the validation set (µatm)
Yasunaka团队、CMEMS、日本气象厅和苏黎世联邦理工学院也都曾使用不同的机器学习方法重建基于SOCAT实测数据的全球/北冰洋数据
数据集 | RMSE /μatm | Bias/μatm | 样本量 | |
---|---|---|---|---|
CMEMS | 31.22 | 0.27 | 0.64 | 12 402 |
IBP | 29.36 | -1.21 | 0.68 | 15 445 |
JMA | 26.71 | 1.01 | 0.63 | 6 412 |
FNN-LID(论文产品) | 24.59 | -0.14 | 0.75 | 10 266 |
Yasunaka | 32 | - | 0.8 | - |
Yasunaka | 30 | - | 0.82 | - |
部分海冰覆盖月份无法获得全年pCO2数据,因为海冰会干扰辐射传输,导致遥感数据质量下降。因此,我们使用海冰数据来对反演产品进行掩模,季节平均pCO2结果如
图6 气候态北冰洋海水pCO2季节分布图(μatm):(a)春季(3~5月);(b)夏季(6~8月);(c)秋季(9~11月)和(d)冬季(12~2月)
Fig.6 Seasonal distribution of climate-averaged sea surface pCO2 for Arctic Ocean (μatm): (a) Spring (March-May) ; (b) Summer (June-August) ;(c) Autumn (September-November) ;and (d) Winter (December-February)
极夜是持续的黄昏或夜晚,在北极的极夜通常持续约11周(从11月到次年1月),这段时间里北冰洋受到的太阳辐射很少。尽管一些模型用气候平均值或插值Chla数据替换了北冰洋冬季Chla值,实现了对冬季北冰洋海水pCO2的反演。但这种处理在反演冬季pCO2时会引入较大的不确定性,例如冬季Chla值通常低于气候平均值,使用气候态数据将会高估冬季海水Chla。然而,通过主动LiDAR传感器收集的CALIPSO测量值不受太阳辐射的限制,因此FNN-LID模型可以提供从晚秋到初春季节的空缺值,以补充被动水色传感器无法观测的数据,从而构建了第一个完全基于测量数据而非统计数据的完整极地pCO2数据集。使用主动遥感所重建的夏季和冬季pCO2数据分别如
在此基础上,本研究重新评估了北冰洋完整的近海表大气和海表面pCO2年内变化,结果显示如
图7 北冰洋近海表大气和海表面pCO2年内变化。
Fig.7 Seasonal variation of atmospheric and sea surface pCO2 in the Arctic Ocean.
研究使用长时间序列海水pCO2值来计算年际变化趋势,为了更好地观察海水pCO2的长时序变化。结果显示,2007~2020年间北冰洋海水pCO2变化趋势约为1.93 ± 0.016 μatm y
如
图8 北冰洋不同子区域pCO2长时序变化
Fig.8 Long-term variation of pCO2 in different Subregions of the Arctic Ocean
本研究使用CALIPSO星载数据,对全球海水Chla进行了反演,并构建了FNN-LID模型,重构了北冰洋海水pCO2昼/夜长时序数据集。在此基础上,研究对极地海水Chla浓度和海水pCO2进行了分析,发现激光数据有效“填充”了极地冬季的空白。此外,在北冰洋海区,喀拉海拉普捷夫海等受陆源强烈影响的边缘海都表现为较高的海表Chla浓度。在格陵兰海无冰区,则表现出显著的季节性变化,海水Chla浓度在夏季达到全年的峰值。北冰洋海水pCO2的空间格局表现出经向的差异,且北冰洋海水中pCO2的季节变化十分剧烈,其中季节性振幅最大值出现在白令海峡和白海大陆架附近。近20年来北冰洋稳定地表现为大气CO2的汇,而在东西伯利亚海和喀拉海等海冰显著衰退的地区,海面pCO2的增长率非常显著。
未来与展望:研究通过使用主动遥感数据反演了北极极夜情况下的海水pCO2,但是这一参数无法直接观测海洋碳汇,仍需要设计后续环节估算海-气CO2通量。而对海-气CO2通量的估算还需要考虑到近海表的大气CO2浓度、海表面CO2的溶解度以及海-气气体传输速率。因此,下一步的工作目标是如何进一步利用遥感数据大面长时序的优势,采取主被动融合的方式估算北极的海-气CO2通量,并计算北极长时序碳汇变化。
References
REAY D. Greenhouse gas sinks [M]. CABI, 2007. [百度学术]
SABINE C L, FEELY R A, GRUBER N, et al. The oceanic sink for anthropogenic CO2 [J]. science, 2004, 305(5682): 367-371. [百度学术]
ARICò S, WANNINKHOF R, SABINE C. Integrated ocean carbon research: A summary of ocean carbon research, and vision of coordinated ocean carbon research and observations for the next decade [J]. 2021. [百度学术]
TAKAHASHI T, OLAFSSON J, GODDARD J G, et al. Seasonal variation of CO2 and nutrients in the high‐latitude surface oceans: A comparative study [J]. Global Biogeochemical Cycles, 1993, 7(4): 843-878. [百度学术]
SARMIENTO J L. Ocean biogeochemical dynamics [M]. Ocean Biogeochemical Dynamics. Princeton University Press. 2013. [百度学术]
RöDENBECK C, BAKKER D C, GRUBER N, et al. Data-based estimates of the ocean carbon sink variability-first results of the Surface Ocean pCO2 Mapping intercomparison (SOCOM) [J]. Biogeosciences, 2015, 12(23): 7251-7278. [百度学术]
LE QUéRé C, ANDREW R M, FRIEDLINGSTEIN P, et al. Global carbon budget 2017 [J]. Earth System Science Data, 2018, 10(1): 405-448. [百度学术]
ONARHEIM I H, ELDEVIK T, SMEDSRUD L H, et al. Seasonal and regional manifestation of Arctic sea ice loss [J]. Journal of Climate, 2018, 31(12): 4917-4932. [百度学术]
STROEVE J, NOTZ D. Changing state of Arctic sea ice across all seasons [J]. Environmental Research Letters, 2018, 13(10): 103001. [百度学术]
TIMMERMANS M L, PROSHUTINSKY A, GOLUBEVA E, et al. Mechanisms of Pacific summer water variability in the Arctic's Central Canada Basin [J]. Journal of Geophysical Research: Oceans, 2014, 119(11): 7523-7548. [百度学术]
CORLETT W B, PICKART R S. The Chukchi slope current [J]. Progress in Oceanography, 2017, 153: 50-65. [百度学术]
STABENO P, KACHEL N, LADD C, et al. Flow patterns in the eastern Chukchi Sea: 2010–2015 [J]. Journal of Geophysical Research: Oceans, 2018, 123(2): 1177-95. [百度学术]
GILES K A, LAXON S W, RIDOUT A L, et al. Western Arctic Ocean freshwater storage increased by wind-driven spin-up of the Beaufort Gyre [J]. Nature Geoscience, 2012, 5(3): 194-197. [百度学术]
YAMAMOTO‐KAWAI M, MCLAUGHLIN F, CARMACK E, et al. Surface freshening of the Canada Basin, 2003-2007: River runoff versus sea ice meltwater [J]. Journal of Geophysical Research: Oceans, 2009, 114(C1). [百度学术]
ARRIGO K R, VAN DIJKEN G L. Continued increases in Arctic Ocean primary production [J]. Progress in Oceanography, 2015, 136: 60-70. [百度学术]
YAMAMOTO-KAWAI M, MCLAUGHLIN F A, CARMACK E C, et al. Aragonite undersaturation in the Arctic Ocean: effects of ocean acidification and sea ice melt [J]. Science, 2009, 326(5956): 1098-1100. [百度学术]
MONITORING A. Arctic Ocean Acidification Assessment: 2018 Summary for Policy-Makers [C]. 2019. [百度学术]
EUSKIRCHEN E S, BRUHWILER L M, COMMANE R, et al. Current knowledge and uncertainties associated with the Arctic greenhouse gas budget [J]. Balancing Greenhouse Gas Budgets, 2022: 159-201. [百度学术]
WANNINKHOF R. Relationship between wind speed and gas exchange over the ocean revisited [J]. Limnology and Oceanography: Methods, 2014, 12(6): 351-362. [百度学术]
COLE J J, CARACO N F. Atmospheric exchange of carbon dioxide in a low‐wind oligotrophic lake measured by the addition of SF6 [J]. Limnology and Oceanography, 1998, 43(4): 647-656. [百度学术]
METCALFE D B, HERMANS T D, AHLSTRAND J, et al. Patchy field sampling biases understanding of climate change impacts across the Arctic [J]. Nature ecology & evolution, 2018, 2(9): 1443-1448. [百度学术]
LEFèVRE N, WATSON A J, WATSON A R. A comparison of multiple regression and neural network techniques for mapping in situ pCO2 data [J]. Tellus B: Chemical and Physical Meteorology, 2005, 57(5): 375-384. [百度学术]
FRIEDRICH T, OSCHLIES A. Neural network‐based estimates of North Atlantic surface pCO2 from satellite data: A methodological study [J]. Journal of Geophysical Research: Oceans, 2009, 114(C3). [百度学术]
LANDSCHüTZER P, GRUBER N, BAKKER D C, et al. A neural network-based estimate of the seasonal to inter-annual variability of the Atlantic Ocean carbon sink [J]. Biogeosciences, 2013, 10(11): 7793-7815. [百度学术]
NAKAOKA S-I, TELSZEWSKI M, NOJIRI Y, et al. Estimating temporal and spatial variation of ocean surface pCO 2 in the North Pacific using a self-organizing map neural network technique [J]. Biogeosciences, 2013, 10(9): 6093-6106. [百度学术]
LARUELLE G G, LANDSCHüTZER P, GRUBER N, et al. Global high-resolution monthly pCO2 climatology for the coastal ocean derived from neural network interpolation [J]. Biogeosciences, 2017, 14(19): 4545-4561. [百度学术]
DENVIL-SOMMER A, GEHLEN M, VRAC M, et al. ffnn-lsce: a two-step neural network model for the reconstruction of surface ocean pco 2 over the global ocean [J]. Geoscientific Model Development, 2019. [百度学术]
CHAU T T T, GEHLEN M, CHEVALLIER F. A seamless ensemble-based reconstruction of surface ocean pCO 2 and air–sea CO2 fluxes over the global coastal and open oceans [J]. Biogeosciences, 2022, 19(4): 1087-109. [百度学术]
YASUNAKA S, MURATA A, WATANABE E, et al. Mapping of the air-sea CO2 flux in the Arctic Ocean and its adjacent seas: Basin-wide distribution and seasonal to interannual variability [J]. Polar Science, 2016, 10(3): 323-334. [百度学术]
YASUNAKA S, SISWANTO E, OLSEN A, et al. Arctic Ocean CO2 uptake: an improved multiyear estimate of the air-sea CO2 flux incorporating chlorophyll a concentrations [J]. Biogeosciences, 2018, 15(6): 1643-1661. [百度学术]
BEHRENFELD M J, HU Y, O’MALLEY R T, et al. Annual boom-bust cycles of polar phytoplankton biomass revealed by space-based lidar [J]. Nature Geoscience, 2017, 10(2): 118-122. [百度学术]
LU X, HU Y, TREPTE C, et al. Ocean subsurface studies with the CALIPSO spaceborne lidar [J]. Journal of Geophysical Research: Oceans, 2014, 119(7): 4305-4317. [百度学术]
LU X, HU Y, YANG Y, et al. Antarctic spring ice-edge blooms observed from space by ICESat-2 [J]. Remote Sensing of Environment, 2020: 111827. [百度学术]
DIONISI DV E, BRANDO G, VOLPE S, et al. Seasonal distributions of ocean particulate optical properties from spaceborne lidar measurements in Mediterranean and Black Sea [J]. Remote Sensing of Environment, 2020, 247. [百度学术]
JAMET C, MJ B, AB D, et al. Going beyond standard ocean color observations: Lidar and polarimetry [J]. Frontiers in Marine Science, 2019, 6: 251. [百度学术]
HOSTETLER C A, BEHRENFELD M J, HU Y, et al. Spaceborne lidar in the study of marine systems[J]. Annual Review of Marine Science, 2018, 10(1): 121-147. [百度学术]
KIM M-H, OMAR A H, TACKETT J L, et al. The CALIPSO version 4 automated aerosol classification and lidar ratio selection algorithm [J]. Atmospheric measurement techniques, 2018, 11(11): 6107-6135. [百度学术]
BEHRENFELD M, HU Y, BISSON K, et al. Retrieval of ocean optical and plankton properties with the satellite Cloud-Aerosol Lidar with Orthogonal Polarization (CALIOP) sensor: Background, data processing, and validation status [J]. Remote Sensing of Environment, 2022, 281: 113235. [百度学术]
LU X, HU Y, VAUGHAN M, et al. New attenuated backscatter profile by removing the CALIOP receiver's transient response [J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 2020: 107244. [百度学术]
ZHANG Z, CHEN P, JAMET C, et al. Retrieving bbp and POC from CALIOP: A deep neural network approach [J]. Remote Sensing of Environment, 2023, 287: 113482. [百度学术]
AMARI S-I, MURATA N, MULLER K-R, et al. Asymptotic statistical theory of overtraining and cross-validation [J]. IEEE transactions on neural networks, 1997, 8(5): 985-96. [百度学术]
ZHANG S, CHEN P, ZHANG Z, et al. Carbon Air–Sea Flux in the Arctic Ocean from CALIPSO from 2007 to 2020 [J]. Remote Sensing, 2022, 14(24): 6196. [百度学术]
LANDSCHüTZER P, LARUELLE G G, ROOBAERT A, et al. A uniform pCO2 climatology combining open and coastal oceans [J]. Earth Syst Sci Data, 2020, 12(4): 2537-2553. [百度学术]
CHAU T T T, GEHLEN M, CHEVALLIER F. A seamless ensemble-based reconstruction of surface ocean pCO2 and air-sea CO2 fluxes over the global coastal and open oceans [J]. Biogeosciences, 2022, 19(4): 1087-109. [百度学术]
IIDA Y, TAKATANI Y, KOJIMA A, et al. Global trends of ocean CO2 sink and ocean acidification: An observation-based reconstruction of surface ocean inorganic carbon variables [J]. Journal of Oceanography, 2021, 77: 323-358. [百度学术]
Sayaka Y , Eko S , Are O ,et al.Arctic Ocean CO2 uptake: An improved multiyear estimate of the air-sea CO2 flux incorporating chlorophyll?a concentrations[J]. Biogeosciences, 2018, 15(6):1643-1661.DOI:10.5194/bg-15-1643-2018. [百度学术]
BATES N R, MORAN S B, HANSELL D A, et al. An increasing CO2 sink in the Arctic Ocean due to sea‐ice loss [J]. Geophysical Research Letters, 2006, 33(23):L23609. [百度学术]
QI D, OUYANG Z, CHEN L, et al. Climate change drives rapid decadal acidification in the Arctic Ocean from 1994 to 2020 [J]. Science, 2022, 377(6614): 1544-1550. [百度学术]