使用卫星输入数据,从COARE气体传输模型中导出二氧化碳气体传输速率的不确定性传播分析

1、地球物理学研究期刊:海洋研究论文10.1002/2013JC009271关键点:COAREG使用卫星输入测定二氧化碳气体传输的不确定性卫星导出的风速的不确定性是气体转移的主导因素在低风速时, Ta的不确定性会影响气体传输的不确定性通信:D.L. Jackson，Darren.L.J引用：Jackson，D.L和G.A.Wick(2014),使用卫星输入，从COARE气体传输模型中导出二氧化碳气体传输速率的不确定性传播分析，J，Geophys.Res.海洋119，1828-1842，dol：10.1002/2013JC009271收件：2013年7月11日接收：201

2、4年1月22日网络接收论文：2014年1月28 日网络发布：2014年3月13日使用卫星输入，从COARE气体传输模型中导出二氧化碳气体传输速率的不确定性传播分析Darren L.Jackson 和Gary A.Wick美国科罗拉多环境科学合作机构；博尔德科罗拉多大学和美国国家海洋和大气管理局地球系统研究实验室摘要：不确定性方法的普及发展壮大，以此将气体转移的不稳定性称为运用国家海洋和大气管理局的海洋大气耦合响应实验（NOAA-COARE）气体转移模型（COAREG）。这个不确定性模型估计，在引起二氧化碳气体转移速度上，卫星输入至COAREG不确定性的影响大小。模型的影响，10m温度，10m比

3、湿度，10m风速，海洋表面温度，长波和短波的地表通量是要去调查的。九年时间，气体转移速度及其不确定性已经被构造和分析。我们发现气候平均转移速度有少于15%的标准差。这些输入的不确定性的时空变化是存在的，并且百分比的不一致说明了每次输入是由风速的不确定性所主导的。空气温度和风速之间的协方差的不确定性，和在低风速情况下10m空气温度的不确定性被发现是意义重大的。此外，空气温度不确定性影响气体转移的不确定性的可能性，在气温超过海面温度的地区，是最大的。在COAREG中浮力驱动的转移在这些条件下，提高了气体转移速度的不确定性。这些条件最典型地出现在美国东南部延近赤道地区，北太平洋和北大西洋。1介绍明白

4、二氧化碳气体在大洋面熔解出的产物的不确定性，对关于大气气候变化的研究是至关重要的。二氧化碳和其他气体在全球海洋上方的摄入，不仅仅取决于大气海洋界面的气体浓度，还由其转移速度所决定，这是在此界面时对气体转移速度的描述。只对风进行观察而测定K的经验法i.e.,Wanninkhof,1992;Ho et al.,2011;Edson et al.,2011，已经笼统地评定了不确定性，通过使用从经验得来的符合这种关系的误差。然而，Jackson et al.2012把更基于物理学的COAREG气体转移模型Fairall et al.,2000;Hare et al.,2004;Edson et al.

5、,2011;Fairall et al.,2012通过摄取一些卫星观察到的大气和海洋的参数作为模型的输入, 应用于测定K。由于每一种输入恢复后，都有其自己的不确定性，我们就利用一种不确定性模型的传播，在这个基于这些输入的不确定性研究中，探索测定K的不确定性。气体在洋面的流出的测定取决于一种气体在洋面梯度以及气体转移速度的不稳定性，这种速度是一气体在表面进行交换时对阻力的估计。由于两种气体在海洋和大气层之间交换是非线性过程，K是很难去测量的。对于二氧化碳，这种交换对许多因素是很敏感的，诸如：风速，波的阻断及泡沫的生成，表面活化剂，和浮力效应。用经验法来直接测定K，使用双示踪法i.e.Nighti

6、ngale et al.,2000;Ho et al.,2011，高压气体贮罐 和自然碳- 14的数据Wanninkhof,1992, 以及直接漩涡相关测量法Wanninkhof and McGillis ,1999;McGillis et al.,2001,2004;Edson et al.,2011。尽管发现在风速和K的易变性之间有很高度的关联，K的易变性仍然存在显著的不确定性，这可能是由波龄，范围，泡沫，波浪破碎，稳定性以及表面活性剂Frew et al.,1990;Woolf,1997,2005;Jeffery et al.,2007引起的。为了回答提出的疑难，从经验法中推导K， Fa

7、irall et al.2000,开创了COAREG模型，它描述了混乱的由分子组成的过程，表面重建效果及用参数表示泡沫和碎波效果。Hare et al.2004合并了来自GasEx-98和GasEx-01实验的直接漩涡相关气体通量数据，来评估COAREG及二氧化碳转移速度的效力。Edson et al.2011 使用南海GasEx（SO-GasEx）直接漩涡相关气体通量数据，扩大了这成就。并且，Jackson et al.2012建立了一个方法，引进卫星输入到COAREG中，而非船舶输入，在COAREG中扩大了K值的接受范围并且远远超过了由船舶观测所带来的局限性。然而，这种剔除风速作为有效参数

8、的检测手段可能会影响转移速度和它们的误差。之前对K不确定性的估计，通常被限制于将船舶检测和各种各样由风速和Ki.e.McGillis et al.,2001;Ho etal.,2012;Edson et al.,2011之间衍生出来的经验关系相比较。不确定性的焦点着重于研究测量风速和气体变动误差值。将卫星的输出数据应用于COAREGJackson et al.,2012来计算K，得到了一个新方法：凭借K值来决定不稳定性并且，并突出强调了受影响的参数，排除获取K值因风速而产生的误差。除了减少依赖对风速以外，并且取得足够充分的理论实践基础，我们就可以有效的理解哪里是可以改进的。因此,这个研究通过不

9、确定性模型的传播,探察了在各个大气层和海洋输入的不确定性对K的影响。本实验中，K本身的不确定性不作考虑。2数据 这个不确定性模型利用几个卫星数据集，从COAREG气体转移模型中测定气体转移速度的不确定性。这些卫星的输出数据被用于COAREG接受气体转移速度：10m风速，10m空气温度，洋面温度，10m比湿度，及表面的净长波辐射数据。所有的数据集涵盖了1999至2007年这个时期的所有数据。除了1°分辨率的受辐射曲域以外，所有的数据域被分割于0.25°空间分辨率。格子数据域的时间分辨率是3小时，每日平均分配，洋面温度的数据除外。注意，卫星监控中导出即时所拍摄下来的风的结果，温

10、度以及湿度，并且以3小时为间隔时间绘制成格子地图。这些3小时格子地图包含了丢失数据，以及纬度50°以北的一些因为重叠的卫星轨道而重复观测的地区。10m风速观测数据来自第7代遥感系统的样本网格数据集。洋面温度数据源于Reynolds et al.2007。辐射数据采集自全球能源和水循环试验（GEWEX）表面辐射预算（SRB）项目。10m湿度数据（Qa）检索自Jackson et al.2009，10m空气温度（Ta）数据得自Jackson et al.2006的一个改良版本。Jackson和Wicl2010检索到，洋面温度数据正如下面所描述的一样。通过将这些卫星输出数据应用到COARE

11、GJackson et al.得到气体转移数据。当确定Ta就会在气体转移不确定性上显示其重大的影响，研究人员展示了一个数据接收的简要描述版本。升级版的Ta获取方式包含了一个两步骤的方法，与Jackson et al.2006描述的方法相似，在扫描数据反馈至卫星时把5个微波通道合并。然后，紧随着来自Ts-Ta的修正（这里的Ts为洋面温度），依据实践经验对Ta进行数值调整。调整值在改进卫星热量变动等式被发现。新的Ta运算公式（不包括Ts-Ta矫正）为：这里Tb是开尔文特殊传感器微波成像仪（SSM/I）的亮温度，SSM成像仪/音响器（SSMIS）以19，22和37GHz的频率垂直地两极分化，AMSU

12、-A则是以52.8和53.6GHz的频率。系数是由Jackson et al.2006提出的方法决定的，运用从Jackson et al.2009之前提出的一套研究设备观测数据的多元回归。这2580个匹配的观测数据，得到了检索均方根（RMS）1.85的偏差。在比较在船舶和卫星监测之间同步的Ts-Ta的偏差之后，应用于船载自动气象及海洋学系统（SAMOS）Smith et al.,2012修正中。日平均卫星Ts数据源自Reynolds et al.2007。Reynolds的Ts数据的先进型极高分辨辐射仪（AVHRR）唯一版本来保持在1999-2007这个时间段的连贯性。搭配来自P/V Atla

13、ntis 4年的数据（2006-2009）和来自RSV Aurora Australis(2008-2009)两年的数据。R/V Atlantis提供了在北美周围的沿海海水作为主要观察数据，同时RSS Aurora Australis提供了澳大利亚和南极洲之间高纬度地区的观测数据。图形1给出了Ts-Ta在卫星和船舶观测关系散布图，与其在一起的曲线代表着最适合使用多项式关系在此，Ts-Ta是洋面温度和空气温度在摄氏度的卫星偏差，是校正值。Reynolds Ts减去，来计算校正的Ta。校正的Ta RMS的偏差从未校正过的算法得出的1.85显著下降至1.18。这个新数值1.18用于传播不确定性估算。

14、对于其他参数（U，Ts盒、和Qa），输入的误差从过去发表的结果中得来。U的不确定性被假设为 ，是由Mears et al.2001在对比SSM/I风速和观测浮标数据时测定的随机误差的估算。Ts不确定性被估测为 0.5K，这是 Reynolds et al.2007给出的随机误差的 最大极限值。Qa不确定性被 Jackson et al2009提出为1.36g/kg。Ta 和Qa两种方法都应用了系统性偏差不确定性校正，它基于地区的不确定性区别，被发现于卫星检索和 船舶观测之间。在这里报告的一切不确定性都是随机检索不确定性。由于缺少足够的所有参数所需的表面数据，在这个研究中未能试图估算这些输入不确

15、定性的地区差异。3.模型 这个部分描述了不确定性模型的传递，用来估算K的不确定性。给出了一个详细的说明，关于这个模型是如何执行的，以及在模型上不同术语的影响。3.1卫星输入不确定性气体在海洋和空气间的转移可以用其最简单的形式来说明： FkX (3)在这里，F代表气体流出，k代表传输速率，X代表气体在临近洋面的水中和大气层中的浓度差。Fairall et al.2000提供了最初的基于物理原理的COAREG气体流出模型的说明，这个模型在这个研究中就讨论过了。这个模型使用湍流尺度理论来匹配大气和水侧层，这样抑制湍流漩涡就通过粘性耗散来执行。Jackson et al.2012给出了一个更详细的关于

16、模型和相关联的卫星输入的说明。通过想出一个标准传递不确定性模型，解释了来自COAREG输入数据的不确定性。这个模型假设COAREG里K的变化可以表达为模型的每一个输入参数不确定性的总数，使用公式：在这里和代表U,Ts，Ta和Qa的方差。 是条件的集合，包含了输入术语间的协方差，定义了术语x和y之间的方差，同时，协方差被定义为。向下长波 和短波辐射 术语的记录不被包括在内。这些术语被忽视了，因为包括和的k的导数是很小的，并且对在目前的COAREG版本中的的影响可忽略不计。（4）中的导数从COAREG中通过在模型输入中添加干扰并用数字计算，反应在结果输出上有有限的出入。输出结果间隔被用来用来测定（

17、4）中部分导数，Qa为1.0g/kg, Ta和Ts为 ，U为。短波辐射被设定为，假设在夜间的环境下；然而，几乎没有在导数上发现灵敏性，甚至在白天的变化中也没有。这种不灵敏性有可能是由于没有援引模型中的暖层计算。即使长波辐射变异对导数影响很小，这个变量依然被作为导数计算中独立的变量保留下来。由于（4）中所得U，Ta，Ts和Qa的导数体现了相关不确定性的重要性，有必要对其进行复核以确认。图片2给出了这些术语的等值线图，它们被绘成U和Ts-Ta的函数，因为这些参数稍后的测试中也被发现会对产生最有意义的影响。由一系列Ts介于和，Ta排列介于 到，和Qa规定的排列，构造出这张图，相对湿度被固定在80，R

18、被固定在 。在这些约束下，Qa有一个最小值25.5g/kg，从8.4到11.6g/kg排列，作为这些图片的范围的平均值。图片2a 显示了当Ts-Ta接近0时，因Ta达到顶峰而产生的不确定性，并且当Ts-Ta0时，高风速达到了最大。图片2b显示了由于U而产生了不确定性的更大值，而且不确定性是U的强函数。然而 是这里显示的最大等高线，当风速达到时，数值可达到 。很明显，在大多数情况下，风速的不确定性主导了。图片2c显示了由Ts而产生的不确定性和Ta有着相类似的结构，除了在横坐标轴约等于5时因为Ta而反映出来奇异点（不确定性反而小于Ts）。这个差别缘于对Ts更低的不确定性假设。图片2d中由Qa而来的

19、不确定性，在Ts-Ta接近0的时候，展现了有趣的结构，但是其不确定性按照数量级依次小于Ts。图片3比较了因为Ta产生的，相对于由U而来的不确定性。然而由U而来的不确定性控制了大部分风速和Ts-Ta值，这个图片显示了当风速接近于0，并且Ts-Ta0时，由Ta而来的不确定性拥有最大的影响。当 和Ts-Ta接近0时，它也显示出超过10的更大的影响。当风速很明显是影响的主要因素时，低风速时Ta不确定性会影响。 因为执行数据检索时，输入参数共用常见的卫星辐射数据或其他卫星数据，输出数据之间的协方差可能会影响计算不确定性模型传递中的不确定性。每个网格单元协方差通过每年每日平均的空间分辨率数据计算出来。协调

20、分析被用来决定和移除每一个格子单元中时间序列的季节周期。通过每个网格点异常数据集计算协方差，如果时间序列有至少33时间序列和有效数据聚集在一起，这样就会有足够的观测数据集来导出季节周期。图片4显示了在1999计算的（5）和（6）中所有6个协方差术语的示意图。图片4a和4b显示了一个相似的结构，和有唯一的正值，最大值出现在中间纬度区域。靠近洋面的相关适度是不变的，因此，空气温度的改变会积极与比湿度相联系。Ts和Ta之间的正协方差有可能与表面的感热通量相关。这两个参数之间的相互关系可能也归因于在Ta检索中Ts-Ta的调整，Ta检索是第二部分所讨论过的。图片4c和4d显示了和的主要负协方差，可假定是

21、因为更高的风速趋于蒸发洋面的水，会产生冷却效应。图片4e显示了的正负协方差。可能预期到更高的风与更大的Qa（正协方差）极少有关联，归因于洋面上的蒸发，但是有些区域显示出负协方差。图片4f显示出Ts和Qa之间的关联。我们发现所有的这些协方差字段的年际间的变化性是很小的。 图片5中给出了使用这些协方差术语的空间模式。空间模式保持一致，但是标志更改为和，因为这些导数是负的。最大的数值包括术语和一个风速的导数。注意，三个术语包括这个导数几乎按照数量级比其他三个术语更大。因为U是中间纬度中最大的，所以数值是这些区域中最大的。图片6a显示了一个直方图，关于每个协方差术语的归一化频率，使用1999年七月的数

22、据。在这个直方图分析中，和是主导术语，而且对正值起最大的作用，对负值起最大的作用。在输入值之间存在负相关或者在k与一个输入参数间存在负导数的关系，在这样的情况下，负值用于减少不确定性。图片6b显示了在全部的协方差中的大多数不确定性都在全部不确定性的10，而最常见值通常是负的。通过协方差术语减少所有卫星输出因为人工参与而缺乏独立性，尤其是U和Ts之间。全球协方差不确定性的平均效应大约是总体不确定的的5，这个值在9年的时间段里基本保持恒定。 3.2.COAREG模型不确定性气象和海洋的输入至COAREG的不确定性是不确定性的一个重要来源；然而，传输速率不确定性会从其他来源得来，也包含在这个模型中，

23、或者不在这个模型表现出来。Jackson et al.2012第一个测试了COAREG卫星导出检索K的不确定性，通过将它们和导出自船舶观测和协方差导出传输速度同级的COAREG检索相比较。偏差和方根在船舶导出的COAREG数据中的误差只比卫星导出的COAREG数据稍微小一点，6.32 和14.02cm的RMS误差证明了在卫星导出COAREG检索和船舶观测之间存在很好的一致性。在模型内部形成的的参数化的不确定性是另一种不确定性的来源。例如，在现在气体传输的泡沫介导增强的当前参数化中存在不确定性。用来描绘这种增强特性的白浪参数化，只从现在的模型中的风速中测定。Woolf2005论述了其他白浪参数化

24、，同样包含波形高度，那很可能会提高海洋情况的特性描述 。在高风速时，波形高度对白浪部分的敏感性非常大，因此，在高风速时，只测风速的模型存在更大不确定性。一些例如表面活性剂则在模型中不直接考虑。表面活性剂用来抑制大气海洋界面气体交换。Asher1997和Tsai，Liu2003证明了在全部二氧化碳流出中的高度不确定性，同时Asher1997指出由于在低风速的热带地区脱气的下降，可能会增加海洋二氧化碳。然而，Tsai 和Liu2003提出，海洋的二氧化碳下降了20%到50%。 有了表面活化剂对气体传输的影响的特征描述，这些研究强调了不确定性的高水平。然而在这个研究中，没有解释这些不确定性，量化这些

25、效应会提供更好的k 的系统随机不确定性的估算。4.传输速率气候学和不确定性九年时间（1999-2007），通过（1）中的不确定模型的传递，测定出气体传输速率和它们的不确定性，从COAREG模型中计算出来。在低风速条件下的不确定性同样被分析来研究不确定性，这不确定性归因于Ts，Ta和Qa的卫星输入。4.1 气候学图片7a-7c给出了这九年的气候学，关于和每个网格累积的观测数据的数字。这个k气候学显示在北半球风暴路径区域不同的顶峰和一条绕过南大洋的纬度带。这些地区和气候上高风速的地区一致。平均不确定性示意图的空间图表遵循着图片7a的传输速率图表。观测数据的数字表明了更多在中纬度地区的观测数据，除了

26、海上浮冰妨碍k检索的极地地区。用于输入，风，温度和湿度数据的极轨卫星，在热带地区得到更少的观测数据，因为卫星截幅在更高的纬度重叠。降雨地区也被排除在列，因此在热带辐合区的观测数据就减少了。k的季节性变化是意义重大的，因为它们和改变表面风速模式高度相关。图片8给出了九年中，1月-7月的平均值k，关于k 的百分数，和当N是观测数据时，定义为的标准误差。在北半球中纬度风暴路径地区，平均值k在一月达到顶峰，数值达到150cm/h。在七月，随着与东半球相关的更高的风速，南大洋产生了最大的传输速率。在印度洋，尤其是沿海的东非和阿拉伯半岛，同样也发现了高数值。关于1月和7月（未显示）的绝对不确定性示意图的图

27、表与在图片8a和8b显示的它们各自的平均值示意图相似。 然而，关于平均值的百分比不确定性表明，有更低平均值k 的地区被气体传输检索输入的不确定性影响更多。不确定性百分比在最高平均值地区为10-20%，但是在最低k平均值的地区则是40-50%。通过标准差百分比这个统计量度我们认为k是正确的平均值。在有更多观测数据的中纬度，这个误差对于1月和7月都是最小的，并且和k值升高的地区有很大关联。最高的地区是在15%上下，位于西太平洋，印度洋和南太平洋辐合区的热带对流层。每年传输速率和已给月份的不确定性百分比示意图的变化都很小；然而，当考虑到只有1个月数据时，更小的样本大小的确使标准误差的百分比近乎翻倍。

28、 下一步则是测试个别输入参数对于总体不确定性的影响。（4）中的前四个条件说明了每个输入对总方差解析的影响，而说明了来自所有协方差条件的方差解析。图片9给出了示意图，关于来自U,Ta ,Ts和的不确定性影响。Qa不包含在这个图中，因为最高百分比是0.2%。为了减少百分比方差，每个条件通过假设 是正定的，并通过这些正定值假设总体不确定性来测定这个方差。在这些条件里，U导致了最大量的不确定性，则是第二大条件。图片9b显示，在东热带太平洋和非洲西海沿岸，Ta的影响最大 。Ts不确定性影响的空间格局类似于Ta图，但在峰值区域影响更小些。 图案是由协方差图案主导的，它的协方差图案显示在图5d中。 这两个条

29、件之间的协方差在中纬度地区更为显著，在中纬度高风速的地区,变大。其他涉及的covariance terms involving k/U have less impact since the derivatives of k with respect to Ts and Qa协方差条件的影响较小，因为关于Ts和Qa的k的衍生物很明显比和Ta的要小。因此，在总误差条件上的影响主要归因于k在COAREG中的敏感性，U和Ta及中纬度地区这两方面之间的相关性。 随着时间的推移，使用9年期间的示意图，测定气体传输不确定性的变异率，由此得到日常数据的百分比方差。 这种格式有效的检测出季节性和年际性的方差。如

30、图9所示，大部分的解析方差来自风速的数据。图10显示了U的百分比方差在中纬度地区，尤其是在北半球，有一个季节性的周期。在两个半球夏季的几个月里，在中纬度出现了更低的百分比。在靠近25° N和25 °S.的亚热带地区存在最高值。10 °N和10 °S之间的赤道地区存在稍小一点的U解析出的方差，而解析了几乎所有不由U导致的剩余的方差。图11给出了Ta百分比方差，并显示了夏季时期，它在中纬度地区的影响和在赤道附近的影响。 （未显示）显示了一个和图片11类似的条件，但更多强调的是中纬度地区，靠近赤道则影响更小。4.2 低风速情况下的不确定性因为风速很明显主导了k

31、的不确定性，并且之前也显示出风速主导了k的计算。i.e.,McGillis et al.,2001;Ho et l.,2006,它值得我们进一步探究，什么条件或地区对应了对K有显著影响的其他参数的集合。两个地点的选择，说明了U对传输速率不同程度的影响。对这两个地区实施了一个关于不确定性影响的详细的检测，在短时间内，从其他参数诸如Ta和Ts，测定显著的无风速时的影响。在95W和0N的位置1位于一个地区，它有来自Ta比大多数地区相对高的不确定性影响率,正如图片9b所示。位置2在120W和20S，这个地区备受风速不确定性的主导。图片12给出了通过U解析出的百分比方差，Ta三个小时对的检索，则作为风速

32、的函数。在低风速条件时，来自Ta的不确定性影响变得更加显著。通过风检索不确定性解析出，大多数位置2的观测数据具有90%或更多的不确定性。然而，位置1显示，因为，U解析出，观测数据中的一个有效值的方差少于90%，而与位置2相比，位置1中观测数据的一个有效值对Ta中的不确定性更加敏感。表格1总结了不确定性对每一个卫星输入的影响。位置1显示了平均百分比方差，Ta是 5.8%，而位置2只有0.80%。要注意，导致了约10%的方差，它又主要导致了U和Ta之间的协方差。那么，在低风速条件下，气体传输不确定性是以怎样的频率被Ta不确定性影响的呢？图片13a显示，对1999年定义的低风速情况下的百分比为。每个

33、网格有机会观测到热带地区和亚热带地区每一天代表性的数据，而由于过度使用SSM / I卫星轨道，所以还有更多的机会在极点附近进行观测。出现的最大百分比为，发生在沿着赤道的东太平洋,东大西洋,西太平洋暖池地区,美国中部的西部海岸线,南美和非洲。大约70 - 80%对风的观测数据在这个地区不到。这些高百分比地区更有可能得到，它是不被风速观测数据中的不确定性主导的。在南大洋和太平洋和大西洋的副热带高压地区发现了低百分比。这些地区只有约10%风的观测数据是低于的，而且风速不确定性控制了。图片12显示，对于位置1，当时，Ta输入参数中的不确定性在上有很显著的的影响。图片13b给出了观测数据的百分比，在此低风速情况下，Ta不确定性在总体不确定性中贡献了超过10%。在日本北部的北太平洋和南大洋海冰边界附近一些地区的最高百分比接近40%。有超过20%的地区就出现在北太平洋的广泛地区，沿着北美的东北海岸线，沿着东太平洋的赤道和南大洋一带。有趣的是,低风速比例较高的一些地区，Ta导致不确定性的观测数据的比例反而低这些地区分