Дайджест за август 2025 г.: обзор последних исследований в области газообмена между поверхностью и атмосферой

Новости проекта

Американские исследователи оптимизировали методы измерения атмосферного метана и закиси азота с помощью инфракрасной спектроскопии

Атмосферный метан (CH4) и закись азота (N2O) являются мощными парниковыми газами, оказывающими значительное воздействие на изменение климата. Точное измерение их содержания в атмосфере необходимо для понимания их источников, поглотителей и воздействия деятельности человека на атмосферу. Наземные инфракрасные наблюдения с преобразованием Фурье высокого разрешения (FTIR), используемые в рамках совместных международных инициатив, таких как Рабочая группа по инфракрасному излучению (IRWG) в рамках Сети обнаружения изменений состава атмосферы (NDACC), играют жизненно важную роль в определении содержания этих газов в атмосфере. Общесетевые согласованные информационные продукты основаны на последовательных наблюдениях и результатах поиска. Последние разработки в области спектроскопии, априорных данных, программного обеспечения и методов поиска подчеркивают необходимость пересмотра существующих стратегий поиска для всех видов NDACC/IRWG. В этом исследовании рассматриваются различные стратегии поиска CH4 и N2O с использованием ИК-изображений высокого разрешения, полученных в Боулдере, штат Колорадо, и сравниваются с уникальными измерениями, полученными с воздуха на месте. Первоначально основное внимание уделялось характеристике различий в результатах поиска в базах данных спектроскопии. Хотя определить наилучшие результаты исключительно на основе спектроскопии довольно сложно, поскольку они дают схожие результаты, заметные различия в форме профиля и его величине подчеркивают важность независимой проверки. В частности, когда для оценки вертикальных распределений и смещений в частичных столбцах используются многолетние независимые измерения профиля близлежащего воздушного судна и профиля самолета на месте, они показывают отличное соответствие относительных различий с данными ИК-спектроскопии и, таким образом, повышают уверенность в оценке. Представлены окончательные оптимизированные результаты поиска для CH4 и N2O, включающие результаты количественной подгонки и сравнения вертикальных профилей, а также частичных и полных столбцов. Мы обнаружили, что использование априорных профилей с использованием новейших методов моделирования климатической модели сообщества в целом (WACCM) повышает точность по сравнению с профилями in situ. В то время как спектроскопическая база данных HITRAN 2020 эффективна для N2O, ATM 2020 обеспечивает лучшие результаты для CH4, при этом небольшое улучшение наблюдается в сочетании со списком линейки водяных паров Немецкого аэрокосмического центра (DLR).; однако это улучшение может зависеть от конкретного сайта. Что касается регуляризации, то как оценка Тихонова первого порядка, так и оптимальная оценка дают сопоставимые результаты, при условии, что степени свободы подогнанного профиля остаются в диапазоне от 2 до 2,5. Соответственно, сравнение результатов профиля дает погрешности (-0,08±0,38)% и (0,89±0,28)% для тропосферного и стратосферного слоев CH4 относительно воздушного ядра, соответственно, принимая во внимание, что они дают погрешность в (0,39±0,42)% для сравнения воздушных судов в тропосфере. Для N2O смещение в тропосфере с использованием измерений с самолета составляет приблизительно (0,18±0,2)%. Приведены оценки неопределенности, объединяющие случайные и систематические источники. Случайные ошибки, в основном связанные с неопределенностями температурного профиля и шумом измерений, преобладают в тропосфере для обоих газов, при этом случайная ошибка поиска составляет 0,5%. Систематические ошибки в основном связаны с параметрами спектральных линий, полученными на основе данных HITRAN, в основном с интенсивностью линий и полушириной, увеличенной из-за воздействия воздуха. Эти результаты способствуют углублению нашего понимания состава атмосферы и будут способствовать совершенствованию согласованного подхода для всех объектов IRWG/NDACC.

Исследование опубликовано в Atmospheric Measurement Techniques.

Китайские ученые доказали эффективность кратковременных наводнений для снижения выбросов CH₄ при выращивании риса

Рисом питается более 50% населения земного шара, что приводит к значительным выбросам парниковых газов (ПГ). Кратковременные наводнения (КВН) признаны эффективным методом стабилизации урожайности риса, экономии воды и сокращения выбросов ПГ с рисовых полей. Однако воздействие КВН на чистое поглощение углерода (NCS, определяемое как общий эквивалент парниковых газов в биомассе экосистемы) на рисовых полях, включая CH4, N2O, фотосинтетический углерод, связанное с урожайностью сельскохозяйственных культур, и поглощение органического углерода в почве (SOC), редко поддается всесторонней количественной оценке. Это ограничение препятствует полному пониманию общих процессов, посредством которых КВН влияет на NCS. В этом исследовании был проведен метаанализ 1075 пар данных из 72 исследований по всему миру, чтобы количественно оценить влияние КВН на компоненты, эквивалентные выбросам парниковых газов, и его общие преимущества для NCS. Результаты показали, что по сравнению с непрерывным затоплением (ПЗ), КВН значительно увеличил среднее значение NCS за вегетационный период на 4615 кгCO2-экв·га−1 (95% ДИ: с 468 до 8761, p = 0,031). В частности, КВН значительно сократило выбросы CH4 на 45,72% и значительно увеличила выбросы N2O на 35,77%, при незначительном увеличении выбросов CO2 и итога на 3,16%, соответственно. Значение ΔSOC (изменения концентрации SOC до и после вегетационного периода) значительно снизилось, средняя величина эффекта разницы составила -0,36 (95%-ДИ: от -0,70 до -0,02), что указывает на меньшие изменения SOC для КВН. Для изучения влияния климатических условий и свойств почвы, а также методов управления на компоненты, эквивалентные выбросам парниковых газов, были использованы методы мета-регрессии и случайного анализа значимости лесов. Внедрение регулируемого орошения с соответствующим ограничением общего расхода воды могло бы обеспечить беспроигрышную ситуацию в виде повышения урожайности риса при одновременном снижении ПГП и Y-ПГП. В этом исследовании было проведено дальнейшее количественное определение воздействия КВН на все компоненты эквивалента выбросов парниковых газов и преимуществ NCS на рисовых полях, что послужило руководством для практики управления ирригацией для достижения целей в области двойного выброса углерода.

Исследование опубликовано в журнале Global Change Biology.

Индийские исследователи применили гибридную модель ANFIS-SO для прогнозирования выбросов CO₂ до 2040 года

Реальный метод прогнозирования выбросов углерода может помочь в разработке стратегии минимизации выбросов углерода, которая имеет решающее значение в условиях ограниченного использования CO2 для предотвращения глобального потепления. Индия является одной из стран с растущей экономикой, что привело к увеличению выбросов углерода в результате использования ископаемого топлива. Продолжая тему, в данном исследовании предлагается усовершенствованный метод машинного обучения под названием Adaptive Neuro-Fuzzy Inference System-Snake Optimizer (ANFIS-SO), позволяющий прогнозировать и анализировать взаимосвязи между использованием энергии, сельским хозяйством, землепользованием, промышленными процессами, отходами и выбросами CO2 в Индии. Предлагаемая модель оценивается с использованием базы данных о выбросах в Индии (база данных Всемирного банка) за период с 2000 по 2021 год. Эффективность метода ANFIS-SO сравнивается с моделями ANFIS, ANFIS-CESBAS и ANFIS-RSA с использованием известных статистических критериев. Согласно экспериментальным результатам, модель ANFIS-SO превосходит другие модели по таким статистическим показателям, как средняя абсолютная процентная ошибка (0,0136), среднеквадратическая ошибка (0,0329), среднеквадратическая относительная ошибка (0,0183), средняя абсолютная ошибка (0,0209) и коэффициент детерминации (0,9919). Более того, обученная модель ANFIS-SO используется для оценки предполагаемых выбросов CO2 в Индии до 2040 года. Предлагаемая модель прогнозирования может стать мощным инструментом для системы управления атмосферой, которая является очень нестабильной, сложной и нелинейной. Индия может применить эти стратегии прогнозирования для минимизации выбросов углекислого газа, чтобы предотвратить проведение единой политики, ограничивающей экономический рост в бедных районах.

Исследование опубликовано в журнале Theoretical and Applied Climatology.

Финские ученые сравнили методы заполнения пробелов в данных EC и оценили неопределённость балансов CO₂ в лесных экосистемах

Измерения потоков углекислого газа (CO2) с использованием пульсационных измерений (EC) обычно используются для определения баланса CO2 в экосистемах. Однако сравнения между экспериментальными обработками, экологическим контролем или местами проведения измерений не имеют смысла без надлежащих оценок неопределенности балансов. Мы изучили, как случайные и систематические ошибки зависят от количества пропущенных данных и соответствуют ли оценки неопределенности, полученные с помощью популярных методов заполнения пробелов, включая методы машинного обучения на основе дерева, нейронные сети и выборку с предельным распределением (MDS), этим ошибкам. Используя синтетические данные, созданные для европейских лесных участков, мы обнаружили, что когда доля отсутствующих данных увеличилась с 30% до 90%, случайная неопределенность, связанная с заполнением пробелов (2σ, вычисленная по наблюдаемым ошибкам модели), увеличилась примерно с 10 гСм м-2 год-1 до 25-75 гСм м-2 год-1 в зависимости от места установки и способа заполнения зазоров. Ансамбли нейронных сетей (глубокие ансамбли) имели меньшие случайные ошибки, чем стандартный метод заполнения пробелов пульсационных измерений, а также давали улучшенные оценки неопределенности для балансов CO2. Длительные промежутки времени, продолжительностью до одного месяца, вызывали случайную погрешность, в основном менее 50 гСм м-2 год-1; однако длительный промежуток времени в сухой и теплый период, который был неадекватно представлен в измерениях, вызывал случайную погрешность до 99 гСм м-2 год-1. Глубокие ансамбли также дали хорошо выверенные оценки неопределенности для длительных промежутков, за исключением наиболее сложных случаев, когда длительные промежутки возникали в периоды активных изменений в экосистеме. Оценки неопределенности, полученные для длительных промежутков, были явно слишком малы. Методы машинного обучения на основе дерева дают хорошо выверенные оценки неопределенности для краткосрочных потоков, но не для балансов, и, в отличие от глубоких ансамблей, не экстраполируются за пределы обучающих данных.

сокращать

Исследование опубликовано в журнале Agricultural and Forest Meteorology.

Американские учёные расширили возможности IMI 2.0 для анализа спутниковых наблюдений метана с высоким пространственным разрешением

Спутниковые наблюдения за атмосферным метаном являются мощным ресурсом для количественной оценки выбросов метана в любом регионе мира. Обратные методы, необходимые для определения выбросов на основе этих наблюдений, требуют высокого уровня научных и технических знаний, а также доступа к большим вычислительным ресурсам и ресурсам обработки данных. Интегрированная система инверсии метана (IMI) - это облачный вычислительный инструмент открытого доступа, предназначенный для исследователей и пользователей, не являющихся экспертами, для получения данных об общих выбросах метана по секторам во всем мире с разрешением до 0,25°×0,3125° (25 км×25 км) путем аналитической инверсии спутниковых наблюдений TROPOMI с описанием ошибок в закрытой форме. Здесь мы описываем IMI версии 2.0 с значительно расширенными возможностями по сравнению с исходной версией. Основные разработки включают в себя (i) новый комбинированный набор данных TROPOMI +GOSAT для повышения качества данных, (ii) ускорение построения матрицы Якоби на порядок, (iii) улучшенную характеристику ошибок за счет использования сверхнаблюдений, (iv) усовершенствованные методы определения начальных и граничных условий, (v) адаптивное пространственное разрешение, связанное с содержанием информации о наблюдениях, (vi) включение данных наблюдений из точечных источников в построение вектора состояния, (vii) возможность оптимизации OH в тропосфере (основного поглотителя метана), (viii) возможность глобальной инверсии, (ix) Опция фильтра Калмана для непрерывного мониторинга выбросов, (x) обновленные предыдущие кадастры выбросов по умолчанию, (xi) опция логарифмических функций плотности вероятности ошибок для характеристики выбросов, (xii) дополнительная визуализация выходных данных (отраслевые выбросы, временная изменчивость) и (xiii) контейнеризация для облегчения загрузки в локальные вычислительные системы оборудование и эксплуатация в рамках Американского центра по выбросам парниковых газов. В качестве демонстрации возможностей IMI 2.0 представлена ежегодная инверсия 2023 года с временным разрешением 28 сут. для основной территории США (CONUS).

Исследование опубликовано в журнале Geoscientific Model Development.

Учёные разработали модель комплексного управления выбросами углерода и азота в Китае

Углерод и азот являются центральными элементами глобальных биогеохимических циклов. Для эффективного управления выбросами углерода и азота в Китае мы разработали комплексную модель для количественной оценки их потоков, изучив их взаимодействие в 16 подсистемах, связанных с человеком и природой. В период с 1980 по 2020 год потери азота в Китае увеличились в 2,3 раза, а выбросы углекислого газа - в 6,5 раза. Комплексное управление выбросами углерода и азота обладает потенциалом для сокращения потерь азота в воздухе и воде на 74% и сокращения выбросов углерода в атмосферу на 91% к 2060 году. По сравнению с раздельным контролем выбросов углерода или азота, интегрированное управление обеспечивает дополнительное сокращение выбросов азота на 1,8 млн тонн и углерода на 26,5 млн тонн к 2060 году, что обеспечивает снижение удельных затрат на борьбу с выбросами на 37% и чистую общественную выгоду в размере 1384 млрд долларов США. Антропогенная деятельность значительно нарушила как углеродный, так и азотный циклы, что привело к очевидным экологическим последствиям. Успешное управление, направленное на минимизацию этих воздействий, имеет жизненно важное значение для сохранения устойчивости экологических сетей и человеческого общества.

Исследование опубликовано в журнале Science.

Китайские учёные показали роль микробных сообществ в связывании углеродного и азотного циклов и снижении выбросов N₂O

Влияние анаэробного окисления метана (AOM) в сочетании с денитрификацией на выделение промежуточного продукта денитрификации N2O остается малоизученным. В данной работе мы исследовали влияние AOM в сочетании со снижением содержания нитратов и нитритов на выбросы N2O из почвы и связанные с этим микробиологические взаимодействия. Мы показываем, что АОМ в сочетании с денитрификацией заметно сокращает выбросы N2O из почвы, при этом виды метанотрофных бактерий I типа сотрудничают с семействами Methylophilaceae и Gemmatimonadaceae, выполняя ключевую роль. Подавление выбросов N2O с помощью AOM в первую очередь связано с его ролью в обеспечении электронами и источниками углерода, что способствует полной денитрификации, осуществляемой ассоциированными бактериями. Кроме того, мы обнаружили различные стратегии взаимодействия микроорганизмов для снижения содержания нитратов и нитритов в сочетании с AOM. В то время как восстановление нитритов на начальных этапах требует как взаимодействия бактерий, так и внеклеточного переноса электронов, восстановление нитратов на начальном этапе в основном зависит только от метанотрофных бактерий. Эти результаты углубляют наше понимание взаимосвязи углеродно-азотного цикла и подчеркивают потенциал AOM в одновременном снижении выбросов как CH4, так и N2O. Сотрудничество микроорганизмов при денитрификации, связанной с AOM, препятствует выбросам N2O и связывает углеродный и азотный циклы.

Исследование опубликовано в журнале Science Advances.

Международная группа исследователей изучила влияние методов обработки почвы на потери углерода и устойчивость агроэкосистем

Поскольку глобальный уровень выбросов CO2 в атмосферу быстро приближается к ключевому переломному моменту, существует настоятельная необходимость в реализации стратегий, направленных на изменение этой тенденции. Общепринятое понимание содержания углерода (C) на сельскохозяйственных полях включает: (H1) существенная потеря углерода происходит, когда естественная растительность превращается в сельскохозяйственные культуры, (H2) при современной практике концентрация углерода в почвах, как правило, достигает устойчивого уровня, и (H3) улучшенное управление или подбор культур могут увеличить запасы углерода в почве на более длительный срок. время. Существует значительная изменчивость, но исследования неизменно показывают большие потери углерода из сельскохозяйственных экосистем, что подтверждает H1. Хотя обычно принимаются устойчивые уровни содержания C (H2), измерение прироста или потери C в зрелых агроэкосистемах является сложной задачей. Усилия по увеличению запасов C в почве (H3) ограничены данными из-за разнообразия возможных методов, что усугубляется существенной изменчивостью результатов измерений содержания C в почве. В данном случае долгосрочные (7-17 лет) данные о потоках углерода в экосистеме, полученные с помощью различных систем земледелия, показали, что однолетние пропашные культуры с традиционной обработкой почвы (кукуруза и соя) являются значительными долгосрочными источниками углерода в атмосфере, создавая угрозу для H2. Кроме того, методы консервирующей обработки почвы снижают потери углерода по сравнению с обычной обработкой почвы, но при этом демонстрируют минимальные доказательства долгосрочного сохранения углерода в экосистеме даже по прошествии более 20 лет. Это указывает на то, что методы без обработки почвы снижают потери углерода, но подразумевают, что в почву не добавляется витамин С, что отрицательно сказывается на H3. Напротив, многолетние культуры Miscanthus × giganteus, Panicum virgatum и восстановленные высокотравные луга прерий накапливают углерод в масштабах экосистемы более эффективно, чем однолетние пропашные культуры с минимальной обработкой почвы. Многолетний анализ свидетельствует о значительном запасе углерода в экосистеме многолетними культурами, варьирующимися в зависимости от вида, начиная с первого года перехода. Эти результаты, хотя и относятся к одному региону, свидетельствуют о том, что предположения о стабильных уровнях содержания углерода и увеличении его запасов, основанные на методах консервации, применимы не ко всем и что для увеличения запасов углерода требуются значительные изменения агропрактики.

Исследование опубликовано в журнале Global Change Biology.

Французские учёные применили сверточные нейронные сети для количественной оценки шлейфов CO₂ на спутниковых снимках OCO-3

В этой статье представлена разработка и применение метода, основанного на глубоком обучении, для преобразования атмосферных выбросов CO2 от электростанций с использованием спутниковых снимков общего соотношения смешивания CO2 в атмосферном столбе (XCO2). Мы представляем комплексный метод сверточной нейронной сети (CNN), который обрабатывает спутниковые снимки XCO2 для получения оценок выбросов от электростанций, который устойчив к отсутствию данных на изображениях из-за облачности или частичной видимости шлейфа из-за ограниченной протяженности спутниковой полосы.

CNN прошел обучение и валидацию исключительно на основе результатов моделирования выбросов CO2 на восьми электростанциях в Германии в 2015 году. Оценка на основе этого синтетического набора данных показывает отличную производительность CNN с относительной погрешностью, близкой к 20%, на которую существенно влияет только значительный облачный покров. Затем метод применяется к 39 изображениям выбросов XCO2 с девяти электростанций, полученным с помощью орбитальной углеродной обсерватории-3 Snapshot Area Maps (OCO3 SAMs), и полученные прогнозы сравниваются со среднегодовыми данными о выбросах. Результаты очень многообещающие, они показывают, что относительная разница между прогнозируемыми и заявленными выбросами лишь немного превышает относительную погрешность, выявленную в результате экспериментов с синтетическими изображениями. Кроме того, анализ площади изображений, в которых инверсия на основе CNN извлекает информацию для количественной оценки выбросов, основанный на методах интегрированного градиента, демонстрирует, что CNN эффективно определяет местоположение шлейфов на изображениях OCO-3 SAM. Это исследование демонстрирует возможность применения нейронных сетей, обученных на синтетических наборах данных, для инверсии атмосферных шлейфов на реальных спутниковых снимках XCO2 и предоставляет инструменты для будущих применений.

Исследование опубликовано в журнале Geoscientific Model Development.