引用本文
居为民, 方红亮, 田向军, 江飞, 占文凤, 刘洋, 王正兴, 何剑锋, 王绍强, 彭书时, 张永光, 周艳莲, 贾炳浩, 杨东旭, 符瑜, 李荣, 柳竟先, 王海鲲, 李贵才, 陈卓奇. 基于多源卫星遥感的高分辨率全球碳同化系统研究.地球科学进展, 2016, 31(11): 1105-1110
Ju Weimin, Fang Hongliang, Tian Xiangjun, Jiang Fei, Zhan Wenfeng, Liu Yang, Wang Zhengxing, He Jianfeng, Wang Shaoqiang, Peng Shushi, Zhang Yongguang, Zhou Yanlian, Jia Binghao, Yang Dongxu, Fu Yu, Li Rong, Liu Jingxian, Wang Haikun, Li Guicai, Chen Zhuoqi. Study on the Global Carbon Assimilation System Based on Multisource Remote Sensing Data. Advances in Earth Science, 2016, 31(11): 1105-1110  
Doi:10.11867/j.issn.1001-8166.2016.11.1105
Permissions
Copyright©2016, 地球科学进展 编辑部
基于多源卫星遥感的高分辨率全球碳同化系统研究
居为民1, 方红亮2, 田向军3, 江飞1, 占文凤1, 刘洋2, 王正兴2, 何剑锋2, 王绍强2, 彭书时4, 张永光1, 周艳莲5, 贾炳浩3, 杨东旭3, 符瑜3, 李荣3, 柳竟先6, 王海鲲7, 李贵才8, 陈卓奇9
1.江苏省地理信息技术重点实验室,南京大学国际地球系统科学研究所,江苏 南京 210023
2.中国科学院地理科学与资源研究所,北京 100101
3.中国科学院大气物理研究所,北京 100029
4.北京大学城市与环境科学学院,北京 100871
5.南京大学地理与海洋科学科学学院,江苏 南京 210023
6.南京大学大气科学学院,江苏 南京 210023
7.南京大学环境学院,江苏 南京 210023
8.国家卫星气象中心,北京 100081
9.北京师范大学全球变化与地球系统科学学院,北京 100875

作者简介:居为民(1963-),男,江苏海安人,教授,主要从事全球变化研究.E-mail:juweimin@nju.edu.cn

基金:国家重点研发计划项目“基于多源卫星遥感的高分辨率全球碳同化系统研究”(编号:2016YFA0600200)资助
摘要

2016年4月签署的“巴黎协定”的目标是到21世纪下半叶全球人为碳排放与生态系统碳汇持平,为了实现这一目标需要精确计量全球不同地区的碳通量,而全球碳同化系统是有效的技术手段。为此,国家科学技术部在“十三五”期间部署的国家重点研发计划“全球变化及应对”专项资助了“基于多源卫星遥感的高分辨率全球碳同化系统研究”项目。将发展生物圈和大气圈关键参数多源遥感协同反演技术体系、多源卫星与地面观测数据联合碳同化算法,进而建立耦合生态系统模型的高分辨率全球碳同化系统,联合同化多源观测数据,优化生态系统模型关键参数、光合和呼吸碳通量、重点区域人为源碳通量,定量揭示全球陆地生态系统和重点区域人为源碳通量时空格局、生态系统碳源汇驱动机制,为全球变化与应对专项目标的实现和国家决策提供技术与数据支持。

关键词: 协同反演; 联合同化; 碳同化系统; 时空格局
中图分类号:P963 文献标志码:A 文章编号:1001-8166(2016)11-1105-06
Study on the Global Carbon Assimilation System Based on Multisource Remote Sensing Data
Ju Weimin1, Fang Hongliang2, Tian Xiangjun3, Jiang Fei1, Zhan Wenfeng1, Liu Yang2, Wang Zhengxing2, He Jianfeng2, Wang Shaoqiang2, Peng Shushi4, Zhang Yongguang1, Zhou Yanlian5, Jia Binghao3, Yang Dongxu3, Fu Yu3, Li Rong3, Liu Jingxian6, Wang Haikun7, Li Guicai8, Chen Zhuoqi9
1.Jiangsu Provincial Key Laboratory of Geographic Information Science and Technology, International Institute for Earth System Sciences, Nanjing University, Nanjing 210023, China
2.Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
3.Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China
4.College of Urban and Environmental Sciences, Peking University, Beijing 100871, China
5.School of Geographic and Oceanographic, Nanjing University, Nanjing 210023, China
6.School of Atmospheric Sciences, Nanjing University, Nanjing 210023, China
7.School of the Environment, Nanjing University, Nanjing 210023, China
8. National Satellite Meteorological Centre, Beijing 100081, China
9.College of Global Change and Earth System Science, Beijing Normal University, Beijing 100875, China

First author:Ju Weimin(1963-), male, Haian County, Jiangsu Province, Professor. Research areas include global change.E-mail:juweimin@nju.edu.cn

Fund:Project supported by the National Key Research and Development Program of China“Study on the global carbon assimilation system based on multisource remote sensing data under the national key research and development programs for global change and adaptation”(No.2016YFA0600200)
Abstract

The Paris agreement signed in April, 2016 aims to balance global anthropogenic carbon emissions and terrestrial carbon sinks by the middle of the 21st century. To fulfill this goal, it is necessary to calculate carbon fluxes of different regions reliably. The global carbon assimilation system is an effective technique for achieving this goal. The Ministry of Science and Technology of China supports the project entitled as study on the global carbon assimilation system based on multisource remote sensing data through the national key research and development programs for global change and adaptation during the thirteen-five period. This project will develop synergic inversion techniques for retrieving key parameters of biological and atmospheric cycles and for assimilating multisource remote sensing and ground based data. Then, the high resolution global carbon assimilation system coupled with an ecological model will be constructed. This system is able to assimilate jointly multisource observation data and to optimize key model parameters, photosynthesis and respiration carbon fluxes of global terrestrial ecosystems, and anthropogenic carbon emission fluxes of key regions. This system will be used to study quantitatively the spatial and temporal patterns of carbon fluxes of global terrestrial ecosystems and anthropogenic carbon emission fluxes of key regions and to identify the mechanisms driving the global terrestrial carbon sinks and sources. The outputs of this study will be helpful for the fulfillment of the key research and development programs for global change and adaptation and provide valuable data and technical support for the decision-making in China.

Keyword: Synergic Inversion; Joint Assimilation; Carbon Assimilation System; Spatial and temporal patterns.
1 引 言

人类活动大量排放的二氧化碳(CO2)、甲烷(CH4)、氧化亚氮(N2O)等温室气体是造成近50年全球变暖的主要原因[1]。因此, 减少温室气体排放、增强生态系统碳汇功能是人类减缓和适应全球气候变化的重要途径, 也是国际社会保护地球系统的共同责任和义务。2016年4月签署的“ 巴黎协定” 目标是尽快不再继续增加温室气体排放, 到21世纪下半叶人为碳排放量与生态系统碳汇持平。我国政府承诺, 中国CO2排放在2030年左右达到峰值并努力尽早达峰, 建设全国碳交易市场, 大幅增加森林碳汇。落实这些举措迫切需要精准监测中国和全球不同地区人为源和陆地生态系统碳通量, 全球碳同化系统是实现这一目标的技术途径。

国家重点研发计划项目“ 基于多源卫星遥感的高分辨率全球碳同化系统研究” 将建立一套耦合生态系统模型, 能够利用地面和卫星遥感数据同时优化生态系统模型关键参数、光合和呼吸碳通量、重点区域人为源碳通量的高分辨率全球碳同化系统。同时, 利用建立的同化系统, 定量揭示全球陆地生态系统和重点区域人为源碳通量时空格局、生态系统碳源汇驱动机制。

2 国内外研究进展

美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)于2007年建成了全球第一个面向业务运行的全球碳同化系统(Carbon Tracker, CT), 该系统采用嵌套式大气输送模式(北美地区1° × 1° , 其他地区3° × 2° ), 同化全球地面和飞机CO2浓度观测数据, 优化每周的全球生态系统碳通量[2]。各国研究人员先后移植了该系统, 分别建立了以欧洲(CT-Europe)[3]、亚洲(CT-Asia)、澳洲(CT-Australasia)和中国(CT-China)[4]为中心的CT系统。CT系统采用集合卡尔曼滤波 (EnKF)方法, 理论上一个同化窗口只能同化一个时次、同一种观测资料, 难以有效利用多源、多频次观测数据的丰富信息; 另一方面, CT系统忽略大气CO2浓度初始误差对优化结果的影响, 模拟的CO2浓度误差随着大气传输模式的向前积分不断累积, 增大结果的不确定性。

联合同化卫星和地面大气CO2浓度、站点通量数据、遥感地表参数等数据是全球碳同化系统的发展趋势。CO2浓度观测数据的稀疏性限制了全球碳同化系统的空间分辨率和结果不确定性的降低, 若强行提高系统空间分辨率, 结果的不确定性必然会上升。为弥补地面CO2观测数据的不足, 日本和美国先后发射了GOSAT和OCO-2碳卫星, 监测全球大气CO2浓度的变化[5], 应用于优化地表碳通量的计算结果[6, 7]。与此同时, 若将其他观测数据引入碳同化系统, 可进一步提升其同化效果。法国、英国和德国科学家开发了全球碳循环数据同化系统(Carbon Cycle Data Assimilation System, CCDAS), 联合同化站点通量、遥感地表参数和CO2浓度等数据, 优化生态系统模型参数和碳通量, 鉴别生态模型误差特征[8, 9]。日光诱导叶绿素荧光(Sun-Induced chlorophyll Florescence, SIF)与光合作用紧密耦合[10, 11], 其遥感数据开始应用于全球碳同化系统, 以同时优化生态系统光合和呼吸碳通量[12]。

同时优化生态系统和人为源碳通量是全球科学家们力图解决的重要科学问题。现有的全球碳同化系统假设人为源碳通量无误差, 仅优化生态系统碳通量。事实上, 人为源碳通量是基于能源消耗统计数据和排放因子估算的, 不可避免地存在较大误差, 科学家们将生态系统和人为源碳通量的同时优化作为全球碳同化系统建设和应用的新目标。基于CCDAS, 欧洲科学家们已经在这方面进行了初步探讨。

我国在全球碳同化领域的研究起步较晚, 但近年来发展迅速。2010年在全球变化重大科学计划项目支持下, 南京大学和北京师范大学开展了这方面的研究, 合作开发了具有自主知识产权的全球碳同化系统GCAS(Global Carbon Assimilation System)[13, 14], 并建立了基于GEOS-Chem模式的四维变分卫星资料全球碳同化系统。GCAS系统与欧美的CT不同之处在于, GCAS采用了多个模型的陆地生态系统先验碳通量, 还将大气CO2浓度作为一个状态变量进行优化。在中国科学院先导专项和国家高技术研究发展计划(863项目)支持下, 中国科学院大气物理研究所基于先进的集合四维变分同化方法POD-4DVar自主建成了全球碳同化系统Tan-Tracker[15, 16]。该系统面向我国碳卫星TanSat设计, 可同化卫星和地面CO2浓度观测数据, 其空间分辨率为2° × 2.5° , 采用4D滑动采样提高计算效率。该单位还建立了高分辨率(64 km× 64 km)的区域碳同化系统CFI-CMAQ, 可在中国区域同化卫星观测数据, 优化生态系统碳通量。但这些系统没有与生态模型耦合, 无法同时有效优化生态系统光合和呼吸碳通量。

与此同时, 中国气象科学研究院和中国科学院地理科学与资源研究所先后全套引进了美国NOAA的CT, 将嵌套区域(1° × 1° )由北美移到了中国区域, 加入了中国及周边地区更多的CO2观测数据, 开展了中国和东亚地区生态系统碳通量优化研究, 但并没有改进CT同化算法的不足。这2套系统分别命名为CarbonTracker-China[17]和CarbonTracker-China-CAS。

虽然我国的碳同化系统研究和应用取得了显著的进展, 但在多源数据同化能力和优化产品方面与国际先进水平相比还有一定差距。因此, 迫切需要在已有研究的基础上, 自主发展能同化多源遥感和地面观测数据的新一代高分辨率全球碳同化系统, 同时优化生态系统模型参数、光合与呼吸碳通量、重点区域人为源碳通量。

3 关键问题
3.1 关键科学问题

近30年来全球陆地生态系统碳汇呈增加趋势, 但其时空格局及驱动机制尚不清楚; 同时, 不同来源的人为源碳排放清单存在较大的差异。这导致全球不同地区碳通量估算结果存在较大的不确定性, 而多源数据同化是解决这一问题的有效技术。如何构建全球碳同化系统, 同化多源遥感和地面数据, 辨识全球陆地生态系统和重点区域人为源碳通量时空格局, 定量揭示陆地生态系统碳源汇驱动机制是本项目拟解决的关键科学问题。

3.2 关键技术问题

需要解决的主要技术问题包括:① 如何进行植被叶绿素含量和叶面积指数等参数的遥感协同反演, 提高数据精度、降低模型结果不确定性; ② 如何实现冠层荧光和叶绿素含量等新的多源地表遥感信息、卫星与地基CO2浓度等数据的联合同化, 同步优化模型参数、生态系统光合与呼吸碳通量; ③ 如何构建高分辨率的全球碳同化系统, 以充分利用遥感等多源信息优化区分生态系统和人为源碳通量。

4 研究内容

针对以上拟解决的关键科学与技术问题, 主要从以下4个方面进行研究:① 生物圈碳循环关键参数遥感协同反演方法与全球数据生成; ② 生态系统模型与遥感地表数据同化; ③ 多源卫星与地面观测数据联合碳同化技术; ④ 高分辨率全球碳同化系统构建与应用。

4.1 生成满足全球碳同化系统所需的全球遥感地表参数

(1) 植被参数(叶绿素、叶面积指数和聚集度指数等)多源遥感协同反演与全球数据生成

建立基于多源光学卫星遥感数据反演植被叶片叶绿素含量、叶面积指数和聚集度指数的协同反演模型; 研究利用不同传感器遥感数据生成长时间序列数据产品的方法, 生成满足全球碳同化系统所需的数据产品, 并进行验证。

(2) 遥感地表温度产品时空拓展及优化

研究利用高分辨率空气温度和遥感地表温度瞬时观测重建日内逐时地表温度的方法, 生成更加符合物理意义的不同时间尺度的地表温度产品; 利用地面站点观测数据对生成的温度产品进行验证, 评价其不确定性。

(3) 多源卫星土壤湿度产品融合

研究利用SMAP, SMOS, ASCAT和AMSR等微波传感器数据生成的土壤湿度数据产品特征, 建立不同传感器土壤湿度数据产品融合算法, 生成全球长时间序列、时空连续的土壤湿度数据。

4.2 发展陆地生态系统模型同化全球遥感地表参数的方法

(1) 面向全球碳同化系统的冠层荧光模型开发

以BPES模型为基础建立叶片尺度荧光和光合耦合模型; 研究适用于不同生态系统类型(森林、农田和草地)的荧光多次散射模拟方法, 建立具有较高计算效率的冠层荧光模型, 并利用典型生态系统的冠层荧光观测数据进行验证。

(2) 遥感信息与生态模型融合及参数优化

研究BEPS生态系统模型同化遥感叶绿素含量数据的方法及其对陆地生态系统碳通量模拟的影响; 利用遥感地表温度和湿度以及站点碳通量等数据优化BEPS模型与能量和水分循环以及呼吸碳通量有关的模型参数。

(3) 全球陆地生态系统碳通量模拟与不确定性分析

利用生成的长时间序列植被参数遥感数据驱动经过参数优化的BEPS模型, 模拟全球陆地生态系统碳通量及其相关过程, 结合TRENDY和MsTMIP 国际模型比较项目的结果, 分析陆地生态系统碳通量及其关键过程的不确定性; 定量评估不同因子对全球陆地生态系统碳通量变化的贡献。

4.3 发展多源卫星与地面观测数据联合碳同化技术

(1) 大气CO2柱浓度高精度遥感协同反演方法及数据生成

研究高精度、快速矢量辐射计算方法; 分析气溶胶参数不确定性对CO2柱浓度反演的影响; 研究CO2柱浓度反演利用气溶胶观测资料作为先验信息的方法; 建立高精度CO2柱浓度反演算法, 并利用观测数据进行验证。

(2) 多源卫星和地面CO2浓度观测数据的联合同化技术

研究建立基于非线性最小二乘最优迭代集合四维变分同化方法(NLS-4DVar)的碳同化方法; 分析不同碳卫星CO2柱浓度和地面CO2浓度数据的特征, 构建适应于多卫星CO2柱浓度和地面CO2浓度数据的联合同化算法。

(3) 多生态模型结果的集成与评价

研究利用贝叶斯模型平均(BMA)集合预报方法对多模型结果进行集成的方法, 定量评价陆地生态系统先验碳通量对全球碳同化系统优化结果的影响; 利用CO2 浓度信息评价生态系统模型在不同区域和不同季节的不确定性。

4.4 建立高分辨率全球碳同化系统, 并开展应用研究

(1) 重点区域人为源碳通量的优化技术研究

研究利用人为源和生态系统碳通量在空间分布格局的差异同时优化人为源和生态系统碳通量的方法; 发展联合同化卫星和地面CO2等多源观测数据优化重点区域人为源碳通量的方法, 评价重点区域人为源碳通量优化的效果。

(2) 生态系统模型关键参数、生态系统光合与呼吸碳通量优化技术研究

分析BEPS模型中光合关键参数Vcmax和呼吸关键参数Q10在全球不同区域的变化特征, 建立背景误差协方差矩阵; 研究利用荧光遥感和大气CO2浓度数据优化Vcmax和Q10进而优化生态系统光合和呼吸碳通量的方法, 评估优化后的参数和碳通量的不确定性。

(3) 高分辨率全球碳同化系统的构建与示范应用

研究多源输入数据的自动化获取与管理、输入和输出数据的质量控制和标准化方法; 构建面向业务运行、可同化多源卫星遥感与地面观测数据、耦合生态系统模型的高分辨率全球碳同化系统, 并进行示范运行。

(4) 碳通量时空格局及驱动机制研究

基于全球碳同化系统的优化结果, 分析2010— 2019年全球重点区域人为源碳通量的时空变化特征; 鉴别2010— 2019年全球不同区域生态系统光合与呼吸碳通量的时空变化特征, 并结合遥感和生态模型模拟试验结果定量评价不同因子对全球陆地生态系统碳通量变化的驱动作用。

5 预期效益
5.1 面向业务运行的全球碳同化系统

① 可联合同化多源卫星和地面观测数据, 优化模型参数、全球生态系统光合与呼吸碳通量、重点区域人为源碳通量; ② 运行的空间分辨率为全球1° × 1° , 时间分辨率为小时; ③ 系统的输出包括优化后的全球陆地生态系统光合和呼吸碳通量(1° × 1° )以及不同区域不同生态系统的最大羧化速率Vcmax和呼吸温度敏感系数Q10; 优化的东亚、北美和欧洲等重点地区人为源碳通量(1° × 1° ); ④ 优化的全球大气CO2浓度年增长率与观测的全球平均CO2浓度年增长率差别平均小于0.1× 10-6, 优化的全球大气CO2柱浓度与TCCON CO2柱浓度观测数据对比, 全球年平均差别小于0.2× 10-6。

5.2 高分辨率全球碳同化系统构建和数据产品生成主要算法

① 可同化多源卫星和地面观测数据的联合同化算法NLS-4DVar; ② 植被叶绿素含量、叶面积指数和聚集度指数遥感协同反演算法; ③ 具有较高计算效率、可应用于全球碳同化系统的冠层荧光模型; ④ BEPS模型同化遥感植被叶绿素含量的方法; ⑤ 基于GOSAT和OCO-2数据反演大气CO2柱浓度数据的算法; ⑥ 地表温度时空拓展和不同传感器土壤湿度数据融合算法。

5.3 满足全球碳同化系统需求的数据集

① 2002— 2011年和2015— 2019年全球植被叶绿素含量产品; ② 优化的2000— 2019年全球LAI和产品; ③ 优化的2003— 2019年全球聚集度指数产品; ④ 2010— 2019年全球土壤湿度和全球地表温度产品; ⑤ 基于2010— 2019年的 GOSAT和OCO-2数据的CO2柱浓度数据; ⑥2002— 2011年和2015— 2019年全球Vcmax分布图; ⑦ BEPS模型模拟的1982— 2019年全球生态系统碳通量; ⑧ 优化的2010— 2019年全球生态系统碳通量和重点区域(东亚、北美、欧洲等)人为源碳通量。

6 结语

该项目将以我国自主建立的GCAS和Tan-Tracker全球碳同化系统为基础, 优势互补, 借鉴国际同行的先进经验, 建立生物圈和大气圈关键参数多源遥感协同反演技术体系, 发展多源遥感地表参数、卫星和地面CO2等浓度联合同化算法, 构建面向业务运行的高分辨率全球碳同化系统, 实现同时优化模型参数、全球生态系统光合与呼吸碳通量、重点区域人为源碳通量, 定量揭示生态系统碳源汇的驱动机制。

构建的全球碳同化系统、发展的生物圈和大气圈参数遥感反演方法将有助于提升我国全球变化综合观测和数据同化的能力; 优化的全球陆地生态系统和重点区域人为源碳通量可为全球变化事实、关键过程和动力学机制等方面的研究提供有益参考, 支撑国家参与国际气候变化谈判、履行气候变化公约、落实应对气候变化举措和开展国内外碳交易, 也有助于推动中国和国际社会共同走绿色低碳发展道路。

全球碳同化系统研究是一个多学科交叉的系统工程, 涉及遥感、生态、大气、数学、计算机等多个学科专业, 该项目的实施将培养一批具有国际视野的数据同化、定量遥感和碳循环研究等方面的优秀人才, 推动我国地球系统科学的进步, 为国家重点研发计划“ 全球变化及应对” 专项总体目标的实现做出贡献。

The authors have declared that no competing interests exist.

参考文献
[1] Ciais P, Sabine C, Bala G, et al. Carbon and other biogeochemical cycles[C]∥Stocker T F, Qin D, Plattner G K, et al, eds. Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge, United Kingdom and New York: Cambridge University Press, 2013. [本文引用:1]
[2] Peters W, Jacobson A R, Sweeney C, et al. An atmospheric perspective on North American carbon dioxide exchange: CarbonTracker[J]. PNAS, 2007, 104(48): 18 925-18 930. [本文引用:1]
[3] Peters W, Krol M C, van der Werf G R, et al. Seven years of recent European net terrestrial carbon dioxide exchange constrained by atmospheric observations[J]. Global Change Biology, 2010, 16(4): 1 317-1 337. [本文引用:1]
[4] Zhang S, Zheng X, Chen J M, et al. A global carbon assimilation system using a modified ensemble Kalman filter[J]. Geoscientific Model Development, 2015, 8: 805-816, doi: DOI:10.5194/gmd-8-805-2015. [本文引用:1]
[5] Yang D, Liu Y, Cai Z, et al. An advanced carbon dioxide retrieval algorithm for satellite measurements and its application to GOSAT observations[J]. Chinese Science Bulletin, 2015, 60(23): 2 063-2 066. [本文引用:1]
[6] Chevallier F, Palmer P I, Feng L, et al. Toward robust and consistent regional CO2 flux estimates from in situ and spaceborne measurements of atmospheric CO2[J]. Geophysical Research Letters, 2014, 41: 1 065-1 070, doi: DOI:10.1002/2013GL058772. [本文引用:1]
[7] Houweling S, Baker D, Basu S, et al. An intercomparison of inverse models for estimating sources and sinks of CO2 using GOSAT measurements[J]. Journal of Geophysical Research—Atmopshere, 2015, 120: 5 253-5 266, doi: DOI:10.1002/2014JD022962. [本文引用:1]
[8] Kemp S, Scholze M, Ziehn T, et al. Limiting the parameter space in the Carbon Cycle Data Assimilation System (CCDAS)[J]. Geoscientific Model Development, 2014, 7: 1 609-1 619, doi: DOI:10.5194/gmd-7-1609-2014. [本文引用:1]
[9] Scholze M, Kaminski T, Knorr W, et al. Simultaneous assimilation of SMOS soil moisture and atmospheric CO2 in-situ observations to constrain the global terrestrial carbon cycle[J]. Remote Sensing of Environment, 2016, 180: 334-345, doi: DOI:10.1016/j.rse.2016.02.058. [本文引用:1]
[10] Parazoo N, Bowman K, Fisher J B, et al. Terrestrial gross primary production inferred from satellite fluorescence and vegetation models[J]. Global Change Biology, 2014, 20: 3 103-3 121, doi: DOI:10.1111/gcb.12652. [本文引用:1]
[11] Zhang Y G, Guanter L, Berry J A, et al. Estimation of vegetation photosynthetic capacity from space-based measurement of chlorophyll fluorescence for terrestrial biosphere models[J]. Global Change Biology, 2014, 20: 3 727-3 742, doi: DOI:10.1111/gcb.12664. [本文引用:1]
[12] Koffi E N, Rayner P J, Norton A J, et al. Investigating the usefulness of satellite-derived fluorescence data in inferring gross primary productivity within the carbon cycle data assimilation system[J]. Biogeosciences, 2015, 12: 4 067-4 084, doi: DOI:10.5194/bg-12-4067-2015. [本文引用:1]
[13] Zhang S, Yi X, Zheng X, et al. Global carbon assimilation system using a local ensemble Kalman filter with multiple ecosystem models[J]. Journal of Geophysical Research—Biogeosciences, 2014, 119, doi: DOI:10.1002/2014JG002792. [本文引用:1]
[14] Chen Jingming, Ju Weimin, Liu Ronggao, et al. Remote Sensing and Optimization Calculation Methods of Global Terrestrial Carbon Sinks[M]. Beijing: Science Press, 2015: 371.
[陈镜明, 居为民, 刘荣高, 等. 全球陆地碳汇的遥感和优化计算方法[M]. 北京: 科学出版社, 2015: 371. ] [本文引用:1]
[15] Tian X, Feng X. A non-linear least squares enhanced POD-4DVar algorithm for data assimilation[J]. Tellus A, 2015, 67, doi: DOI:10.3402/tellusa.v67.25340. [本文引用:1]
[16] Tian X, Xie Z, Liu Y, et al. A joint data assimilation system (Tan-Tracker) to simultaneously estimate surface CO2 fluxes and 3-D atmospheric CO2 concentrations from observations[J]. Atmospheric Chemistry and Physics, 2014, 14: 13 281-13 293, doi: DOI:10.5194/acp-14-13281-2014. [本文引用:1]
[17] Zhang H F, Chen B Z, van der Laan-Luijkx I T, et al. Net terrestrial CO2 exchange over China during 2001-2010 estimated with an ensemble data assimilation system for atmospheric CO2[J]. Journal of Geophysical Research—Atmosphere, 2014, 119(6): 3 500-3 515. [本文引用:1]