引用本文
鲁易, 张稳, 李婷婷, 周筠珺. 大气甲烷浓度变化的源汇因素模拟研究进展. 2015, 30(7): 763-772
Lu Yi, Zhang Wen, Li Tingting, Zhou Yunjun. Progress in the Simulation of the Impacts of Sources and Sinks on the Tempo-spatial Variations of the Atmospheric Methane. Advances in Earth Science, 2015, 30(7): 763-772  
Permissions
Copyright©2015, 地球科学进展 编辑部
大气甲烷浓度变化的源汇因素模拟研究进展
鲁易1,2, 张稳2*,, 李婷婷2, 周筠珺1
1.成都信息工程大学大气科学学院,四川 成都,610041
2. 大气边界层物理与大气化学国家重点实验室,中国科学院大气物理研究所,北京,100029
*通讯作者：张稳（1968-）,男,河北涿鹿人,研究员,主要从事温室气体与全球气候变化研究.E-mail:zhw@mail.iap.ac.cn

作者简介：鲁易（1989-）,男,湖北黄冈人,硕士研究生,主要从事大气环境与大气化学传输模拟研究.E-mail:xiaoyia1919@qq.com

基金:国家自然科学基金项目“我国大气甲烷浓度时空变化的地面排放源解析研究”（编号：41175132）; 国家自然科学基金创新研究群体项目“地气碳氮交换及其与气候的相互作用”（编号：41321064）资助
摘要

从甲烷大气化学过程、传输模式和反向模拟机理等方面综述了大气甲烷浓度变化及其源汇研究的主要进展及存在的问题。基于数据同化算法的反向模拟能有效降低全球及国家尺度甲烷排放估计的不确定性。但在具体的算法实施中,先验的甲烷排放估计和地面站大气甲烷浓度测定的不确定性量化仍然主要是经验性的,缺乏严格和系统性的量化算法。相对于有限的地面站测定,基于卫星平台的大气甲烷浓度变化监测数据极大地提高了数据的空间覆盖度,进一步促进了反向模拟的应用。当前的反向模拟研究在全球尺度上确认了自然湿地甲烷排放对大气甲烷浓度年际波动的决定性作用;在国家尺度上,反向模拟在国家温室气体清单的“可核查”方面也有广泛的应用前景。

关键词: 甲烷; 模式; 反向模拟; 源汇; 不确定性
中图分类号:P402 文献标志码:A 文章编号:1001-8166(2015)07-0763-10
Progress in the Simulation of the Impacts of Sources and Sinks on the Tempo-spatial Variations of the Atmospheric Methane
Lu Yi1,2, Zhang Wen2, Li Tingting2, Zhou Yunjun1
1. School of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu, 610041, China
2. State Key Laboratory of Atmospheric Boundary Layer Physics and Atmosphere Chemistry, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing, 100029, China
Abstract

By reviewing the advances in chemical processes, transport models and inverse modeling technologies concerning the atmospheric methane, problems in exploiting the sources and sinks of the atmospheric methane were discussed. The inverse modelling with the atmospheric chemical transport models significantly reduced the uncertainty in the estimation of methane emissions from the terrestrial and oceanic methane sources, when the observational data of the atmospheric methane concentration were assimilated in the inverse modeling. But at present, the quantification of the uncertainty in a priori estimations and the measurements of the atmosphere methane concentration were primarily empirically assigned and no scientifically reliable algorithm is available. Remotely sensed observations of the atmospheric methane concentration dynamics of global covering have greatly promoted the availability of the observations and thereafter improved the efficiency of the inverse modeling. With inverse modeling, the methane emission from natural wetland was identified as the major contributor to the inter-annual variation of the atmospheric methane concentration on global scale. And on regional scales, the inversion modeling has been used to revise national methane emission inventories in some countries and will be an option for verifying the national inventory in compliance with the UNFCCC articles.

Keyword: Methane; Model; Inverse modeling; Source and sink; Uncertainty.
1 引言

球气候正在发生以变暖为主要特征的显著变化, 人类社会生产生活引起的温室全气体排放是全球气候变暖的主要原因。二氧化碳（CO2）、甲烷（CH4）和氧化亚氮（N2O）是大气中最重要的温室气体, 对大气温室效应的贡献率近80%[1], 其中CO2的贡献约占60%[2], CH4占15%[3], N2O占5%[4]。自从工业时代以来, CO2的浓度由1750年的278× 10-6增长到390.5× 10-6, 增长幅度是40%; N2O则由271× 10-9增长到324.2× 10-9, 增长了20%; 而相同时间段内, CH4则是由722× 10-9增长到1 803× 10-9, 增幅达150%[5]。人为排放增加是驱动气候变化的主要原因[5], 虽然从工业革命以来的数百年内大气CH4浓度增速更快, 但与大气CO2和N2O持续增加不同, CH4浓度的变化速率在不同时期有很大差别。1750年以后, 空气中的甲烷浓度随着时间呈现指数形式的增长, 在20世纪80年代中期, 已经达到1 650× 10-9。但在20 世纪80 年代以来, 大气中CH4浓度的增速呈现逐年下降的态势, 并在1999―2006 年增速接近零; 此后, CH4浓度再次出现增长[6, 7]。

大气甲烷浓度的变化是其排放源和吸收/分解汇共同作用的结果[8]。大气CH4的汇主要是其在大气中的氧化和陆地土壤的吸收氧化。其中, 与化学氧化剂羟基(OH) 的反应是消除大气甲烷的主要途径[4~7]。甲烷汇约90%是通过对流层中的羟基（OH）化合物反应以及其他光化学反应组最终转化为CO2, 只有10%左右在土壤、海洋[9]以及平流层吸收氧化。甲烷排放源包括生物性源和非生物性源。稻田、沼泽、反刍动物的胃和白蚁是大气CH4最重要的生物源(约40%) , 生物源排放强度受活性有机碳含量、厌氧条件和温度的影响, 往往有明显的日变化和季节变化; 矿石燃料的开发利用、垃圾填埋和生物质燃烧等则是大气CH4最重要的非生物源(约60%)[7], 其排放强度主要与化石燃料开发速度、工业发展和城市化速度关系密切。IPCC[5]报告中指出, 水稻、反刍动物、污水和垃圾、废弃物、化石燃料的开采、存储、转化、传输 和使用（煤矿开采, 石油和天然气行业）是主要的人为源, 同时认为人为源排放占全球总量的50%~65%。反刍动物数量的增加, 化石燃料的提取和应用, 农业水稻的扩张, 垃圾填埋的增加等, 是大气甲烷浓度增加的主要原因之一[5]。但是, 当前对于甲烷源汇机制及其变化趋势的认识还不是非常全面和确定。

由于人为活动导致的温室气体排放对其大气浓度变化的重要性, 温室气体排放清单成为UNFCCC框架下各国国家信息通报的主要内容。除此之外, 新的国际气候谈判更加注重全球范围内的温室气体减排, 特别是要求非附件一缔约方（发展中国家和地区）在可持续发展背景下实施减排行动, 并接受国际社会对各国温室气体减排的测量、报告和审核。各国温室气体减排的“ 三可” （可测量、可报告、可核查）将继续成为UNFCCC框架下新的国际间气候变化谈判核心议题之一。UNFCCC框架协议下, 包括甲烷在内的温室气体排放清单由各国依据IPCC良好做法指南独立编制并报告。其做法, 通常称为“ 自下而上” 方法, 是在各种地面源排放观测的基础上, 分类计算排放因子与活动水平数据乘积并积分, 或者利用经过充分验证的模型来模拟计算[2, 4]。但是由于影响甲烷, 特别是生物性排放源在甲烷产生、氧化和排放机制方面的复杂性, 依据IPCC做法指南编制的排放清单具有很大的不确定性。这种不确定性对于我们深入了解导致大气甲烷浓度变化的驱动力因素及其作用是一个巨大挑战。同时, 清单的不确定性也是制定合理减排措施、评估其减排效果的严重制约。

作为国家清单的重要补充, 利用大气甲烷浓度变化测定结果结合大气化学传输模式“ 自上而下” 地反演（又称反向模拟(inverse modeling)）地面源排放成为另一个深入了解甲烷排放的有效途径。并且更为重要的是, 这种方法也可用于对国家清单的评估及核查, 值得密切关注。本文简述了大气化学传输模式及其在反演甲烷地面源方面的研究进展, 总结最新结果, 分析目前存在的主要问题, 以期有助于其进一步发展和应用。

2 大气甲烷主要化学过程及传输模式

大气中甲烷的氧化清除主要依赖其与羟基（OH）及过氧化氢（HO2）的反应：

大气中CH4氧化从其与OH反应开始, 到最终生成一氧化碳（CO）并进一步被OH和O2氧化为CO2。平流层中还存在着CH4与Cl以及O(1D, 激发态氧原子)的反应, 但是CH4氧化主要发生在对流层, 平流层汇只占较少的比例。其中CH3O2与HO2反应生成CH3O2H和O2的过程有可能会在OH的作用下反转而再次生成CH3O2, 从而使这一闭合循环仅表现为OH和HO2的湮灭。

在大气中, 实际发生的主要化学过程更为复杂, 包含了CH4―CO―O3―NO―OH参与的一系列化学和光化学反应[10, 11]。对这些过程的充分认识和量化表达促进了大气化学模拟的发展。当前的主要大气化学传输模式（Chemical Transport Models, CTM）, 包括GEOS-CHEM[12, 13], TM5[14], CAM[15, TOMCAT[16]以及ACCESS[17]等, 基本的思路是在大气传输模拟的基础上增加大气化学反应的模拟。因此, 模式按照其对物质的大气传输模拟方式不同分为欧拉（Eulerian）模式和拉格朗日（Lagrangian）模式2类。欧拉模式也称为场模式, 模拟不同空间单元内物质浓度随时间的变化; 相应地, 拉格朗日模式称为点模式, 模拟物质粒子在大气中的传输轨迹变化。由于甲烷是一种长寿命温室气体（其在大气中的平均寿命约为10年）且其排放源以面源为主, 因此用于甲烷传输模拟的大部分模式是欧拉模式, 但是不同模式的空间分辨率有很大差别, 如GEOM-CHEM全球模式通用的水平分辨率为2.5° × 2° , 从地表到大气层顶共分为30层; 而TM5全球模式的水平分辨率为6° × 4° , 垂直分层为25层。嵌套的TM5的区域模式水平分辨率可达1° × 1° 。与空间分辨率相适应地, 不同的模式在边界层参数化、对流层平流层传输、跨南北半球的甲烷传输等方面也不尽相同。Locatelli等[18] 的模式对比研究显示, 不同模式的模拟偏差对甲烷传输模拟结果有显著影响。

3 大气甲烷排放与浓度监测数据同化
3.1大气甲烷排放及反向模拟的数据同化理论

数据同化的基本依据是贝叶斯(Bayesian)概率分析理论, 即利用大气甲烷浓度测定数据通过CTM的传输模拟反向优化甲烷排放等参量的先验估计, 从而降低甲烷排放估计的不确定性。以甲烷排放先验估计的不确定性和大气甲烷浓度测定数据的不确定性为出发点, 反向模拟的目标在于使上述2个不确定性（正态假设）的综合贡献（也称为代价函数(cost function), 公式（1）达到最小：

其中y和xb分别为大气甲烷浓度测定数据矢量（不同空间位置和时间的测定数据构成的矢量）和先验估计矢量（包括甲烷排放的先验估计以及需要优化的其他模式参数的先验估计构成的矢量）; R和B分别为与y和xb对应的表达其不确定性的误差矩阵; H称为模型算子(model operator), 用于完成从x矢量空间向y矢量空间的转换。H包含甲烷的大气化学传输模拟以及实现从CTM输出结果的时空分辨率向测定数据时空分辨率的转换。使J(x)最小的最优化后验估计xa满足：

并且与后验估计xa相对应的误差矩阵A为：

与先验分布的协方差矩阵B相比, 以A为协方差矩阵的矢量x的联合概率分布函数具有更小的不确定性。在H算子为线性的情况下, 后验估计xa：

但是通常情况下, H是非线性的, 因此数据同化过程首先需要将H算子线性化[18]或者在xa与xb相差不大的前提下假设为线性的[10, 20~23]。

大气甲烷排放反向模拟最简单的算法实现是称为“ 综合反算[24~26]（synthetic inversion）” 的线性假设算法[10, 11, 27]。大气中任一位置的甲烷浓度变化被认为是各个排放源甲烷传输到该位置的浓度贡献的线性组合。针对每个排放源, Hein 等[10]分别运行TM2模式（TM5的早期版本）来计算其对各个大气甲烷观测站不同月份的浓度变化贡献, 随后进行线性加和并与对应的站点测定数据对比。虽然Hein等[10]未明确提出H算子的概念, 但TM2模拟出的各排放源对不同站点浓度变化的贡献系数构成了H算子的矩阵（又称为Jacobian 矩阵）元素。Wang等[21]通过数值试验的方法, 通过为每个排放源赋值1 Tg/a的排放, 然后利用GEOS-CHEM模式计算该排放源对每个测站的甲烷浓度贡献, 用以表示不同空间位置和时间的甲烷浓度变化对各个独立排放源（陆地土壤对甲烷的吸收被视作负向源）甲烷排放强度的灵敏度。在Bergamaschi等[19]的研究中, Jacobian 矩阵被量化为： , 其中pj为排放源j的排放量, dmodel, i为i处（表示不同空间位置和时间）的模拟甲烷浓度变化。

综合反算法在x和y矢量空间的自由度不大的情况下对“ 自顶而下” 的甲烷排放源反算具有良好的适用性。在Hein等[10]的研究中, 所利用的大气甲烷浓度来源于22个NOAA/CMDL站点和3个13CH4观测的一年期12月甲烷浓度测定数据, 加上关于全球甲烷平均浓度和的13CH4含量的假设, y矢量空间的自由度总计为302。在x矢量空间中, 排放源采用与Fung等[28]类似的处理, 包括反刍动物、自然湿地（北极地区、高纬度湿地和中低纬度湿地）、稻田、废弃物、天然气泄漏、煤炭开采泄露、生物质燃烧、白蚁、水体（海洋和淡水）以及可燃冰10大类的年排放总量。为了评估欧盟15国各自的甲烷排放清单, Bergamaschi等[19]在空间上将全球分为33个地区（其中欧盟15国被划分为13个区, 其他陆面分为19个区, 海洋归为1个排放区）, 在时间上的跨度为15个月（从2000年11月至2002年1月, 其中前2个月用于模式运行的前置预运行）。由于其未对排放源进行区分, 因此x矢量空间的自由度为496（包括一个甲烷大气浓度的初始化场）。如果将1~7天的大气甲烷浓度观测直接构成y矢量空间, 其自由度可达6500。Bergamaschi等[19, 27]在此基础上进行了1/2~1/6的时间尺度转换处理, 以使其自由度与x矢量空间具有可比的量级。

随着大气甲烷浓度观测站的增加以及观测数据在时间上的积累, 更多的大气甲烷测定数据有利于进一步降低地面排放源的估计不确定性（公式3）。为了将更多的甲烷测定数据应用于排放源的反向模拟, Chen等[29]引入了卡尔曼滤波算法（Kalman filter）研究1996— 2001年间的甲烷排放变化及其对大气甲烷浓度变化的影响。

基于卫星平台的大气成分观测[30~33]的出现根本性地改变了大气甲烷浓度变化测定数据在空间覆盖方面的不足。虽然卫星测定数据在时间连续性和大气垂直分层观测方面比传统观测技术仍存在不足, 但结合这2种观测数据的反向模拟能够更有效地降低甲烷排放源估计的不确定性[34]。与这种大气甲烷浓度测定数据可用性显著增加的趋势相适应, 新的研究采用了效率更高的反向模拟同化技术, 例如四维变分[22, 23]（4D-Var, Four-dimensional variational）以及集合卡尔曼滤波[35]EnKF（Ensemble Kalman filter）的应用。随着数据量的增加, 采用递归迭代的数值计算方法取代了解析求解的思路, 在一定程度上消除了对x和y矢量空间自由度的限制, 使得x矢量空间不仅仅包含甲烷排放的先验估计, 更可以将初始场的各个分量以及CMT模式的其他参数一并纳入x矢量[22]。例如：为了同化LANDSAT卫星SCIAMACHY传感器的大气甲烷柱浓度观测数据[23], Meirink等[23]采用了4D-Var同化技术, 利用ECMWF数值解算法[36]以递归迭代的方式使公式2中的 逐步逼近0（约40~60次迭代之后即可收敛[22]）。

3.2大气甲烷浓度变化观测及其不确定性

在卫星观测平台出现之前, 大气甲烷浓度观测以地面站观测为主, 以船舶等移动观测平台为补充。例如NOAA/ESRL[37, 38]和TCCON[39, 40]等。不同的研究所用到的测站数目从不到40个至百余个不等[10, 18, 19, 21, 27]。与地面站测定的甲烷浓度相伴随的y矢量空间不确定性矩阵R是关于测定数据可靠性的评定指标。较小的不确定性矩阵R意味着甲烷浓度测定数据更加可信, 在数据同化时对于x矢量的约束力也更强, 并且使x的不确定性更显著地降低（从B到A）。在与甲烷浓度测定数据y进行对比时, 甲烷源汇的估计值等x矢量需要通过模型算子H映射到y矢量空间, 即 。Hx与y之间存在时间和空间尺度的不匹配问题。在空间尺度上, Hx是CTM模式的栅格（栅格大小从6° × 4° 到1° × 1° 不等）平均甲烷浓度, 而y通常为站点尺度。在时间尺度上, 由于甲烷在大气中的平均寿命较长, 当前的反向模拟逐月为主, 而y的观测频率多为逐日或每1-2周的频率。甲烷测定数据的不确定性 可表示为：

式中： 为实际测定甲烷浓度时的误差, 平均为3× 10-9; 表示代表性偏差（representative error）以及模拟偏差（model error）, 其大小取决于大气甲烷浓度在时间和空间步长尺度内的变异性以及CTM模型的不精确性。有些研究将空间变异性量化为以目标栅格为中心3× 3个栅格窗区（有时也包括垂直方向的相邻层）内的甲烷日平均浓度的变化标准差[19, 22, 29]。而时间步长内的变差则通常简单地处理为测定数据在这一步长内的统计标准差[18, 20]或浓度测定数据与其季节变化拟合曲线之间的残差[10, 18]。Chen等[29]对甲烷浓度观测数据及其误差构成进行了较为详细的分析, 但到目前为止, 这些分析都集中于对R矩阵的对角元素（误差分量的方差）的量化, 实际处理时仍然是经验性的并且在不同的研究者之间差别很大。R矩阵的非对角元素（误差分量的协方差）都设为0, 也就是认为甲烷浓度数据误差分量之间统计不相关。一般情况下, 从 5× 10-9到50× 10-9不等[35, 41]。

将卫星测定的甲烷浓度数据应用于反向模拟时, 除了上述的数据随机误差外, 与地面站等传统测定手段相比, 卫星数据还存在系统性偏差[27, 33, 35, 42]。对SCIAMACHY数据来说, 这种系统性偏差与地理纬度和季节有关[27]。在Bergamaschi等[43]中, 经系统性偏差校正后的 SCIAMACHY数据误差由3部分组成：

式中： 是与传感器信噪比有关的误差, 在传感器状态良好的情况下（2005年11月之前）约为17× 10-9 [34]; 是1° × 1° 范围内每个卫星数据栅格（30 km× 60 km）3小时平均数据的统计标准差; 是数据系统性校正处理未能涵盖的偏差余残量。Bergamaschi等[27]认为SCIAMACHY卫星数据的不确定性约为测定值的1.5%（0.5%~2%）。GOSAT数据的质量相对更高些, 与TCCON的测定数据相比, GOSAT数据误差界于1.1× 10-9~17.9× 10-9 [32]。

3.3甲烷排放的先验估计及其不确定性

基于数据同化技术的大气化学传输反向模拟, 其目的在于利用大气甲烷浓度观测数据蕴含的信息来降低甲烷排放估计的不确定性（公式3）。因此, 如何量化甲烷先验估计的不确定性（误差协方差矩阵B）是实施这一模拟的先决条件。在全球尺度的甲烷排放反向模拟研究中, 先验的排放源估计多来自基于IPCC清单方法以及各种其他模型的“ 自下而上” 计算结果[44~51]。由于甲烷排放, 特别是陆地生态系统排放, 涉及到的相关过程非常复杂, 关于源强度的估计一直存在很大的不确定性。Bousquet等[41]在分析2006— 2008年间大气甲烷浓度变化的排放源因素时, 认为先验的甲烷排放源估计的不确定性（估计误差的统计学方差）是其排放量的100%~150%。与R矩阵的构建相类似, 在反向模拟时, 不同研究对B矩阵的构建也多是经验性的且差别很大。Bergamaschi等[43]在把全球进行大致分区后, 各排放源在每个格点上甲烷排放不确定性设置为其排放量的50%~100%, 其中“ 水稻和湿地” 和“ 生物质燃烧” 设置为100%, 其余的排放源设置为50%; 在Fraser等[35]的研究中, 这一比例针对不同的排放源分别设为50%（自然湿地、稻田和生物质燃烧等有明显季节变化的排放源）、25%（无明显季节变化的陆地排放源）和1%（海洋源）; 而在Bergamaschi等[27]的研究中, 反刍动物、自然湿地和生物质燃烧的排放不确定性分别被设为30%, 80%和80%, 其他源的排放不确定性为50%。但是与R不同, B的非对角元素（协方差）在大多数研究中并不为零。不同分区甲烷排放之间的协相关被描述为距离的函数（例如高斯函数）, 其特征距离从500~1 000 km[18, 23, 34, 41]到4 000~20 000 km[22]不等。排放源的时间相关性（逐月排放之间）的处理与空间相关性的处理方式类似, 特征时间设为9.5个月[23, 43, 53]或3个月[34]。各个研究者在构建B矩阵时, 对排放源误差的空间相关性和时间相关性是否都予以考虑的问题上并未取得一致, 有些研究只考虑空间相关性, 而另一些研究则仅考虑时间相关性。比较一致的是, 不同排放源之间的相关性在所有研究中都设为0。

大气甲烷浓度变化包含了地面源排放时间变化和空间分布的信息。Fung 等[28]利用一个CTM模式对7个不同排放情景下的甲烷传输进行模拟, 并将模拟结果与站点测定数据对比, 选出与站点测定数据相合度最好的排放情景作为后验估计（表1）。这种正向模拟的结果高度依赖排放情景的设置, 带有很大的主观性。以贝叶斯统计理论为基础的反向CTM模拟在技术框架方面消除了主观因素的影响, 但是在反向模拟的实现过程中, 经验性的因素仍然存在, 例如x和y矢量的构成、R和B矩阵的量化以及CTM的初始化等。虽然在各个研究的敏感性试验中均显示这些主观因素对后验估计的影响并不是实质性的[21, 23, 41, 53], 但从表1的结果对比可以看出, 后验估计对先验估计还是有很大的依赖性。例如自然湿地的排放, 除了Wang等[21]的研究之外, 先验估计的排放为230~270 Tg/a时, 后验估计为230~240 Tg/a; 而先验估计为151~175时, 后验估计为145~183 Tg/a。

表1 全球甲烷排放源(Tg/a)的先验估计及其反向模拟结果对比
3.4模式误差对反向模拟的影响

CTM模式包含了对气体在大气中传输扩散的物理过程和气体在大气中发生的化学反应过程的模拟。由于这些过程和机制的复杂性, CTM模式不可避免地存在模拟误差。Locatelli等[18]通过模拟试验的方法对比分析了10个参与TransCom-CH4计划的CTM模式在反向模拟甲烷排放源方面的误差。这一对比研究显示, 在全球尺度上, 模式模拟精度差异可导致地面源排放偏差27 Tg/a, 约占全球年甲烷排放通量的5%。在更小的尺度上, 模式模拟精度导致的偏差更为显著且呈现出区域差异性。在北美洲和欧亚大陆北部地区, 模式精度导致的排放源偏差分别为36 Tg/a和7 Tg/a, 分别占其排放总量的23%和48%。而在CTM模式的栅格尺度上, 这一比例可高达150%。除了模式精度之外, 模式误差还包括由于气象驱动场误差引起的模拟不确定性。在甲烷排放的反向模拟中, 模式误差作为y矢量空间数据不确定性的组成部分被集成到R矩阵中（公式5）。但在量化R矩阵时, 目前并未区分模式误差与其他误差要素的各自贡献[20, 29]。

大气甲烷浓度变化是排放源和吸收汇共同作用的结果。除了陆地土壤对甲烷的吸收氧化外, 绝大部分甲烷在大气中被氧化并最终生成CO2。决定甲烷氧化速率的首先是OH化合物的浓度。Bousquet等 [52]研究了1980— 2000年大气OH浓度的变化情况, 其结果表明全球OH浓度在（8.0~11.8）× 105/cm3之间波动变化并呈轻微的下降趋势, 平均（9.8± 0.9）× 105 /cm3。这一结果与其他研究[2, 14, 54]相比略低但具有较好的相合度。反向模拟甲烷排放时, 大气OH浓度通常用MCF(CH3CCl3, methyl-chloroform, 在大气中的平均寿命约5年)测定数据来校准[10, 14, 20, 54]。

4大气甲烷浓度变化及其排放源因素分析

近20年观测所得的大气甲烷浓度的变化如图1所示。从约1990年开始, 大气甲烷增长速率一直在下降。从1999— 2006年, 全球平均大气甲烷浓度基本均衡; 从2007年开始又恢复增长; 在这种长时间变化的基础上, 还存在较短期的大幅度波动, 包括1991— 1993以及1997— 1999 2个时间段最为显著[8, 55]（图1）。

图1 全球甲烷浓度及其增长速率随时间的变化[8]Fig. 1 Temporal changes of the global atmospheric CH4 concentration and its inter-annual rate[8]

Wang等 [21]运用GEOS-CHEM模式, 在综合考虑排放源和大气OH浓度年际变化等的情况下, 模拟并分析了1988— 1997年间全球大气甲烷浓度变化格局及其源汇因素。这一模拟再现了1988— 1997年间大气甲烷浓度增长速率的呈下降趋势, 并且认为其原因在于前苏联解体导致经济崩溃引起的甲烷排放减少以及大气OH浓度增加。该研究同时还指出, IPCC清单高估了全球畜牧业、化石燃料、废弃物处理的排放, 而稻田的甲烷排放被过分低估了。而发生于1992— 1993间的大气甲烷浓度增速异常则是由于全球湿地排放的波动变化和皮纳图博火山（Mount Pinatubo）爆发导致的大气OH浓度异常所致。后续的研究将1997— 1998年之间大气甲烷浓度大幅波动的成因也归因于全球湿地甲烷排放的变化[28]。更长时间（15~20年）的模式反向模拟研究得出的结论同样认为大气甲烷浓度的波动变化主要是由湿地排放的年际波动变化导致的[7, 55]。通过引入一个湿地生态系统模型, Bousquet等[41]结合大气甲烷传输模式及数据同化技术, 得出结论认为, 热带地区的甲烷排放变化占当期全球甲烷排放距平的60%~80%, 其中多达2/3也源于湿地排放, 欧亚大陆中纬度地区的排放变化也不可忽视。但是关于全球湿地甲烷排放总量的估计, 基于CTM反向模拟的结果和湿地生态系统模型模拟结果只在2006— 2008年间的2008年度相合度较好, 另外的2个年份则差别较大。

Kirschke等[56]构建了近30年的全球甲烷的源与汇的收支, 结合化学传输模式, 生态系统模式, 气候化学模式以及各种人为源排放清单, 通过敏感性对比模拟试验, 得出的初步结论认为：在1999— 2006年这段时间内, 大气甲烷浓度基本保持稳定的潜在的成因是化石燃料的排放保持稳定或有所减少, 而微生物性源的排放则是由稳定变为增加。同时, 这种增加是自2006年之后大气甲烷浓度再次增加的主要原因。然而2种源的相对贡献仍然不能确定。针对2006年以来大气甲烷浓度恢复上升的探讨, Bergamaschi等[53]利用TM5模式以及4D-Var数据同化技术, 结合SCIAMACHY卫星观测数据和地面高频率准连续观测数据（NOAA ESRL）, 模拟估计了21世纪最初10年的全球甲烷排放。结果表明, 2007— 2010年期间的甲烷年排放量, 与2003— 2005年间的相比, 每年多排16~20 Tg。并且排放增量大多数是由热带地区（9~14 Tg）和北半球中纬度地区（6~8 Tg）所贡献, 而高纬度带地区, 其排放量并没有很明显的变化趋势。鉴于湿地甲烷排放的重要性, 除了“ 自上而下” 的反向模拟外, 进一步发展具有更好适应性的地球生物化学模型[57, 58]来模拟湿地甲烷排放及其时空分布格局有利于降低先验估计的不确定性, 再结合反向模拟, 是未来湿地甲烷研究的主要方向之一。

除了全球尺度的研究外, 区域尺度的甲烷排放源反算更具有实用性。Bergamaschi 等[59]运用带有四维变分技术的反算模式, 结合欧洲监测站的连续观测数据以及来自NOAA/ESRL的全球试剂瓶取样数据, 分析了欧洲的甲烷排放, 结果显示, 来自欧洲西北部人为源的甲烷排放量, 比EDGARv4.0清单高21%：比其向联合国气候变化框架国际公约所报告要高40%。Fraser等[13]研究了澳大利亚2005— 2008年的甲烷收支, 发现不同的地点, 其上空甲烷浓度影响的主导因子是不同的。以达尔文市为例, 来自南亚的甲烷的长途运输是本地甲烷浓度变化最主要的影响因子, 占比约达到25%。而在Cape Ferguson, 由反刍动物所带来的本地排放源, 则是其大气甲烷浓度变化的主要影响因子, 占比约达20%。在中国, Zhang等[60] 的模拟分析显示, 外部排放源对西部地区大气甲烷浓度的影响达到85%, 而对中国东部地区大气甲烷浓度的影响则主要是内部源, 包括煤矿的开采、家畜、废弃物等。

5 结论

甲烷是大气中主要温室气体之一, 但是目前对于甲烷的观测和模拟数据还有较大不确定性, 对甲烷源汇以及变化趋势的认识还不是非常全面和确定。基于数据同化技术的大气化学传输模式反向模拟有利于融合大气甲烷浓度变化测定数据, 从而降低甲烷排放估计的不确定性。虽然这种反向模拟有坚实的统计学理论基础, 但是在量化先验排放和大气甲烷浓度测定数据的不确定性时, 经验性的处理仍然是其主要方式。卫星数据的应用缓解了大气甲烷浓度测定数据空间覆盖度不足的问题, 结合数据同化技术的进步, 大气化学传输模式的反向模拟效率得以有效提高。在对全球大气甲烷浓度变化及其驱动因素分析方面, 反向模拟确认了湿地甲烷排放对大气甲烷浓度年际波动的决定性作用。区域尺度上, “ 自上而下” 的反向模拟修正了国家及区域甲烷排放清单的偏差, 是实现国家清单报告“ 三可” 的潜在选项。

The authors have declared that no competing interests exist.

参考文献
[1] Kiehl J T, Trenberth K E. Earth’s annual global mean energy budget[J]. Bulletin of the American Meteorological Society, 1997, 78(2): 197-208. [本文引用:1] [JCR: 11.574]
[2] IPCC. Climate Change 2000: Special Report on Emissions Scenarios[M]. Chadwick M, Parikh J, eds. Cambridge, UK and New York, USA: Cambridge University Press, 2000. [本文引用:3]
[3] Hansen J E, Lacis A A. Sun and dust versus greenhouse gases: An assessment of their relative roles in global climate change[J]. Nature, 1990, 346(6 286): 713-719. [本文引用:1] [JCR: 42.351]
[4] IPCC. Climate Change 2007: The Physical Science Basis[M]. Boonpragob K, Giorgi F, Jallow B P, et al, eds. Cambridge, UK and New York, USA: Cambridge University Press, 2007. [本文引用:3]
[5] IPCC. Climate Change 2013: The Physical Science Basis[M]. Joussaume S, Penner J, Tangang F, et al, eds. Cambridge, UK and New York, USA: Cambridge University Press, 2013. [本文引用:4]
[6] Lelieveld J, Crutzen P J, Dentener F J. Changing concentration, lifetime and climate forcing of atmospheric methane[J]. Tellus B, 1998, 50(2): 128-150. [本文引用:1]
[7] Bousquet P, Ciais P, Miller J B, et al. Contribution of anthropogenic and natural sources to atmospheric methane variability[J]. Nature, 2006, 443(7 110) : 439-443. [本文引用:4] [JCR: 42.351]
[8] Dlugokencky E J, Nisbet E G, Fisher R, et al. Global atmospheric methane: Budget, changes and dangers[J]. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 2011, 369(1 943): 2 058-2 072. [本文引用:2] [JCR: 2.864]
[9] Li Yuhong, Zhan Liyang, Chen Liqi. Advances in the study of methane in the Arctic Ocean[J]. Advances in Earth Science, 2014, 29(12): 1 355-1 361.
[李玉红, 詹力扬, 陈立奇. 北冰洋CH4研究进展[J]. 地球科学进展, 2014, 29(12): 1 355-1 361. ] [本文引用:1] [CJCR: 1.16]
[10] Hein R, Crutzen P J, Heimann M. An inverse modeling approach to investigate the global atmospheric methane cycle[J]. Global Biogeochemistry Cycles, 1997, 11(1): 53-76. [本文引用:9]
[11] Patra P K, Houweling S, Krol M, et al. TransCom model simulations of CH4 and related species: Linking transport, surface flux and chemical loss with CH4 variability in the troposphere and lower stratosphere[J]. Atmospheric Chemistry and Physics, 2011, 11: 12 813-12 837. [本文引用:2] [JCR: 5.298]
[12] Pickett-Heaps C A, Jacob D J, Wecht K J. Magnitude and seasonality of wetland methane emissions from the Hudson Bay Lowland s (Canada)[J]. Atmospheric Chemistry and Physics, 2011, 11: 3 773-3 779. [本文引用:1] [JCR: 5.298]
[13] Fraser A, Miller C C, Palmer P I, et al. The Australian methane budget: Interpreting surface and train-borne measurements using a chemistry transport model[J]. Journal of Geophysical Research, 2011, 116: D20306, doi: DOI:10.1029/2011JD015964. [本文引用:2]
[14] Krol M C, Lelieveld J, Oram D E, et al. Continuing emissions of methyl chloroform from Europe[J]. Nature, 2003, 421(6 919): 131-135. [本文引用:3] [JCR: 42.351]
[15] Gent P R, Yeager S G, Neale R B, et al. Improvements in a half degree atmosphere/land version of the CCSM[J]. Climate Dynamics, 2009, 79: 25-58. [本文引用:1] [JCR: 4.619]
[16] Chipperfield M P. New version of the TOMCAT/SLIMCAT offline chemical transport model: Intercomparison of stratospheric tracer experiments[J]. Quarterly Journal of the Royal Meteorological Society, 2006, 132: 1 179-1 203. [本文引用:1] [JCR: 5.131]
[17] Corbin K D, Law R M. Extending Atmospheric CO2 and Tracer Capabilities in ACCESS[R]. CAWCR Technical Report No. 35, The Centre for Australian Weather and Climate Research, Aspendale, 2011. [本文引用:1]
[18] Locatelli R, Bergamaschi P, Chevallier F, et al. Impact of transport model errors on the global and regional methane emissions estimated by inverse modeling[J]. Atmospheric Chemistry and Physics, 2013, 13: 9 917-9 937. [本文引用:7] [JCR: 5.298]
[19] Bergamaschi P, Krol M, Dentener F, et al. Inverse modelling of national and European CH4 emissions using the atmospheric zoom model TM5[J]. Atmospheric Chemistry and Physics, 2005, 5: 2 431-2 460. [本文引用:5]
[20] Houweling S, Kaminski T, Dentener F, et al. Inverse modeling of methane sources and sinks using the adjoint of a global transport model[J]. Journal of Geophysical Research, 1999, 104(D21): 26 137-26 160. [本文引用:4]
[21] Wang J S, Logan J A, McElroy M B, et al. A 3-D model analysis of the slowdown and interannual variability in the methane growth rate from1988 to 1997[J]. Global Biogeochemistry Cycles, 2004, 18: GB3011, doi: DOI:10.1029/2003GB002180. [本文引用:5]
[22] Meirink J F, Bergamaschi P, Krol M C. Four-dimensional variational data assimilation for inverse modeling of atmospheric methane emissions: Method and comparison with synthesis inversion[J]. Atmospheric Chemistry and Physics, 2008, 8: 6 341-6 353. [本文引用:5] [JCR: 5.298]
[23] Meirink J F, Bergamaschi P, Frankenberg C, et al. Four-dimensional variational data assimilation for inverse modeling of atmospheric methane emissions: Analysis of SCIAMACHY observations[J]. Journal of Geophysical Research, 2008, 113, D17301, doi: DOI:10.1029/2007JD009740. [本文引用:7]
[24] Heimann M, Kaminski T. Inverse modeling approaches to infer surface trace gas fluxes from observed atmospheric mixing ratios, Approaches to scaling of trace gas fluxes in ecosystems[C]∥Bouwman A F, ed. Approaches to Scaling of Trace Gas Fluxes in Ecosystems. Amsterdam: Elsevier, 1999: 275-295. [本文引用:1]
[25] Enting I G. Green’s function methods of tracer inversion[C]∥Kasibhatla P, Heimann M, Rayner P, et al, eds. Inverse Methods in Global Biogeochemical Cycles. Washington DC: American Geophysical Union, 2000: 19-31. [本文引用:1]
[26] Enting I G. Inverse Problems in Atmospheric Constituent Transport[M]. New York: Cambridge University Press, 2002. [本文引用:1]
[27] Bergamaschi P, Frankenberg C, Meirink J F, et al. Satellite chartography of atmospheric methane from SCIAMACHY on board ENVISAT: 2. Evaluation based on inverse model simulations[J]. Journal of Geophysical Research, 2007, 112: D02304, doi: DOI:10.1029/2006JD007268. [本文引用:7]
[28] Fung I, John J, Lerner J, et al. Three-dimensional model synthesis of the global methane cycle[J]. Journal of Geophysical Research, 1991, 96(D7): 13 033-13 065. [本文引用:3]
[29] Chen Y H, Prinn R G. Estimation of atmospheric methane emissions between 1996 and 2001 using a three-dimensional global chemical transport model[J]. Journal of Geophysical Research, 2006, 111: D10307, doi: DOI:10.1029/2005JD006058. [本文引用:4]
[30] Frankenberg C, Meirink J F, van Weele M, et al. Assessing methane emissions from global space-borne observations[J]. Science, 2005, 308(5 724): 1 010-1 014. [本文引用:1]
[31] Frankenberg C, Platt U, Wagner T. Iterative maximum a posteriori (IMAP)-DOAS for retrieval of strongly absorbing trace gases: Model studies for CH4 and CO2 retrieval from near infrared spectra of SCIAMACHY onboard ENVISAT[J]. Atmospheric Chemistry and Physics, 2005, 5: 9-22. [本文引用:1] [JCR: 5.298]
[32] Parker R, Boesch H, Cogan A, et al. Methane observations from the greenhouse gases observing SATellite: Comparison to ground—Based TCCON data and model calculations[J]. Geophysical Research Letters, 2011, 38: L15807, doi: DOI:10.1029/2011GL047871. [本文引用:1] [JCR: 4.456]
[33] Schneising O, Bergamaschi P, Bovensmann H, et al. Atmospheric greenhouse gases retrieved from SCIAMACHY: Comparison to ground-based FTS measurements and model results[J]. Atmospheric Chemistry and Physics, 2012, 12: 1 527-1 540. [本文引用:2] [JCR: 5.298]
[34] Houweling S, Krol M, Bergamaschi P, et al. A multi-year methane inversion using SCIAMACHY, accounting for systematic errors using TCCON measurements[J]. Atmospheric Chemistry and Physics, 2014, 14: 3 991-4 012. [本文引用:4] [JCR: 5.298]
[35] Fraser A, Palmer P I, Feng L, et al. Estimating regional methane surface fluxes: The relative importance of surface and GOSAT mole fraction measurements[J]. Atmospheric Chemistry and Physics, 2013, 13: 5 697-5 713. [本文引用:4] [JCR: 5.298]
[36] Fisher M, Courtier P. Estimating the Covariance Matrices of Analysis and Forecast Error in Variational Data Assimilation[R]. ECMWF, UK, Technical Memorand um No. 220, 1995. [本文引用:1]
[37] Dlugokencky E J, Steele L P, Lang P M, et al. The growth rate and distribution of atmospheric methane[J]. Journal of Geophysical Research, 1994, 99(8): 17 021-17 044. [本文引用:1]
[38] Dlugokencky E J, Houweling S, Bruhwiler L, et al. Atmospheric methane levels off: Temporary pause or a new steady-state?[J]. Geophysical Research Letters, 2003, 30(19), doi: DOI:10.1029/2003GL018126. [本文引用:1] [JCR: 4.456]
[39] Wunch D, Toon G C, Blavier J L, et al. The Total Carbon Column Observing Network (TCCON)[J]. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 2011, 369(1 943): 2 087-2 112. [本文引用:1] [JCR: 2.864]
[40] Deutscher N M, Grifith D W T, Bryant G W, et al. Total column CO2 measurements at Darwin, Australia-Site description and calibration against in situ aircraft profiles[J]. Atmospheric Measurement Techniques, 2010, 3(4): 947-958. [本文引用:1] [JCR: 3.206]
[41] Bousquet P, Ringeval B, Pison I, et al. Source attribution of the changes in atmospheric methane for 2006-2008[J]. Atmospheric Chemistry and Physics, 2011, 11: 3 689-3 700. [本文引用:5] [JCR: 5.298]
[42] Frankenberg C, Meirink J F, Bergamaschi P, et al. Satellite chartography of atmospheric methane from SCIAMACHY on board ENVISAT: Analysis of the years 2003 and 2004[J]. Journal of Geophysical Research, 2006, 111: D07303, doi: DOI:10.1029/2005JD006235. [本文引用:1]
[43] Bergamaschi P, Frankenberg C, Meirink J F, et al. Inverse modeling of global and regional CH4 emissions using SCIAMACHY satellite retrievals[J]. Journal of Geophysical Research, 2009, 114: D22301, doi: DOI:10.1029/2009JD012287. [本文引用:3]
[44] Klaassen G, Amann M, Berglund C, et al. The Extension of the RAINS Model to Greenhouse Gases[R]. International Institute for Applied Systems Analysis, IIASA Interim Report IR-04-015, 2004. [本文引用:1]
[45] Matthews E, Fung I. Methane emissions from natural wetland s: Global distribution, area, and environmental characteristics of sources[J]. Global Biogeochemistry Cycles, 1987, 1: 61-86. [本文引用:1]
[46] van der Werf G R, Rand erson J T, Collatz G J, et al. Continental-scale partitioning of fire emissions during the 1997 to 2001 El Niño/La Niña period[J]. Science, 2004, 303: 73-76. [本文引用:1]
[47] Walter B P, Heimann M, Matthews E. Modeling modern methane emissions from natural wetland s: 1. Model description and results[J]. Journal of Geophysical Research, 2001, 106: 34 189-34 206. [本文引用:1]
[48] Olivier J, Bouwman A, Maas C, et al. Description of EDGAR Version 2. 0: A Set of Global Emission Inventories of Greenhouse Gases and Ozone-depleting Substances for All Anthropogenic and Most Natural Sources on a Per Country Basis and on 1°×1° Grid[R]. National Institute for Public Health and the Environment (RIVM), Report No. 771060 002/TNO-MEP Report No. R96/119, 1996. [本文引用:1]
[49] Sand erson M G. Biomass of termites and their emissions of methane and carbon dioxide: A global database[J]. Global Biogeochemistry Cycles, 1996, 10: 543-557. [本文引用:1]
[50] Ridgwell A J, Marshall S J, Gregson K. Consumption of atmospheric methane by soils: A process-based model[J]. Global Biogeochemistry Cycles, 1999, 13(1): 59-70. [本文引用:1]
[51] Curry C L. Modeling the soil consumption of atmospheric methane at the global scale[J]. Global Biogeochemistry Cycles, 2007, 21(4): GB4012-1-15, doi: DOI:10.1029/2006GB002818. [本文引用:1]
[52] Bergamaschi P, Houweling S, Segers A, et al. Atmospheric CH4 in the first decade of the 21st century: Inverse modeling analysis using SCIAMACHY satellite retrievals and NOAA surface measurements[J]. Journal of Geophysical Research: Atmospheres, 2013, 118: 7 350-7 369, doi: DOI:10.1002/jgrd.50480. [本文引用:1]
[53] Bousquet P, Hauglustaine D A, Peylin P, et al. Two decades of OH variability as inferred by an inversion of atmospheric transport and chemistry of methyl chloroform[J]. Atmospheric Chemistry and Physics, 2005, 5: 2 635-2 656. [本文引用:3] [JCR: 5.298]
[54] Prinn R G, Huang J, Weiss R F, et al. Evidence for substantial variations of atmospheric hydroxyl radicals in the past two decades[J]. Science, 2001, 293(5 532): 1 048-1 048. [本文引用:2]
[55] Pison I, Ringeval B, Bousquet P, et al. Stable atmospheric methane in the 2000s key-role of emissions from natural wetland s[J]. Atmospheric Chemistry and Physics, 2013, 13: 11 609-11 623. [本文引用:2] [JCR: 5.298]
[56] Kirschke S, Bousquet P, Ciais P, et al. Three decades of global methane sources and sinks[J]. Nature Geoscience, 2013, 6: 813-823. [本文引用:1] [JCR: 11.668]
[57] Ringeval B, Noblet-Ducoudre N, Ciais P, et al. An attempt to quantify the impact of changes in wetland extenton methane emissions at the seasonal and interannual time scales[J]. Global Biogeochemistry Cycles, 2010, 24: GB2003, doi: DOI:10.1029/2008GB003354. [本文引用:1]
[58] Li T T, Huang Y, Zhang W, et al. CH4MODwetland : A biogeophysical model for simulating methane emission from natural wetland s[J]. Ecological Modelling, 2009, 221: 666-680. [本文引用:1] [JCR: 2.326]
[59] Bergamaschi P, Krol M, Meirink J F, et al. Inverse modeling of European CH4 emissions 2001-2006[J]. Journal of Geophysical Research, 2010, 115: D22309, doi: DOI:10.1029/2010JD014180. [本文引用:1]
[60] Zhang D Y, Liao H, Wang Y S. Simulated spatial distribution and seasonal variation of atmospheric methane over China: Contributions from key sources[J]. Advances in Atmospheric Sciences, 2014, 31: 283-292. [本文引用:1] [JCR: 1.459] [CJCR: 1.057]