|
通常采用海-氣界面CO2凈通量，來表征海洋是吸收還是釋放CO2(碳源匯)。國(guó)際上主要采用海水和大氣的CO2分壓差與海-氣界面CO2氣體交換速率的乘積計(jì)算海-氣CO2通量。海-氣CO2通量的遙感估算方法，與基于現(xiàn)場(chǎng)觀測(cè)數(shù)據(jù)（包括斷面、浮標(biāo)和走航監(jiān)測(cè)等）采用同樣的計(jì)算公式，但計(jì)算參數(shù)的數(shù)據(jù)來源主要是遙感及模式數(shù)據(jù)產(chǎn)品。例如：大氣CO2濃度可采用全球CO2本底站觀測(cè)數(shù)據(jù)或大氣環(huán)流模式CO2濃度數(shù)據(jù)，也可以通過衛(wèi)星進(jìn)行觀測(cè)。美國(guó)航空航天局（NASA）、歐空局（ESA）、日本航天局（JAXA）都發(fā)射了二氧化碳衛(wèi)星（NASA: OCO, OCO-2; ESA: SCIAMACHY, CarbonSat; JAXA: GOSAT等），中國(guó)碳衛(wèi)星也于2016年12月成功發(fā)射。海-氣界面CO2氣體交換速率，通常表示為風(fēng)速和波高等的函數(shù)，可使用遙感風(fēng)速及有效波高等數(shù)據(jù)進(jìn)行反演。海水CO2分壓（pCO2）與水體生物地球化學(xué)環(huán)境密切相關(guān)，存在很大的時(shí)空變異，其遙感反演難度較大，是目前海-氣CO2通量遙感估算的難點(diǎn)。
海水CO2分壓（pCO2）遙感反演
海水pCO2是指氣液平衡狀態(tài)下CO2氣體的分壓，它是海水碳酸鹽系統(tǒng)中碳的一種形態(tài)，受控于水體碳酸根（CO3-2）、碳酸氫根（HCO3-1）及氫離子（H＋）的化學(xué)平衡作用。
由于海水pCO2無法通過遙感輻亮度直接反演，需要使用替代參量（proxy）進(jìn)行表征。大多數(shù)的海水pCO2遙感反演算法主要基于pCO2和遙感可獲取參數(shù)（如溫度和葉綠素等）之間的線性或者多元回歸關(guān)系獲得。也有研究人員利用更復(fù)雜的數(shù)學(xué)方法建立pCO2的統(tǒng)計(jì)模型等。這些統(tǒng)計(jì)類算法在其特定的研究區(qū)域均獲得了良好的效果，但依賴于建模樣本的季節(jié)、區(qū)域代表性和樣本量，而且在復(fù)雜的邊緣海區(qū)域很難獲得具有顯著意義的統(tǒng)計(jì)模型。
海水pCO2反演的另一種途徑是基于控制機(jī)制解析的方法。Bai et al. (2015)提出了基于控制機(jī)制分析的海水pCO2半解析遙感模型（“Mechanistic-based Semi-Analytic-Algorithm” (MeSAA-pCO2)）。模型思路為: 首先理清研究海區(qū)海水pCO2的主要控制因子，如熱力學(xué)作用、不同碳酸鹽含量水團(tuán)的混合作用、生物作用、海-氣CO2通量的影響等，然后將總的pCO2變化分解為各主控因子引起變化量的疊加；其中利用遙感數(shù)據(jù)，建立各控制因子（機(jī)制）的解析或者半解析遙感量化模型是該算法的關(guān)鍵。MeSAA-pCO2模型目前已成功實(shí)現(xiàn)了長(zhǎng)江沖淡水影響的東海海區(qū)(Bai et al., 2015)和海盆過程主導(dǎo)的白令海海水pCO2的遙感反演(Song et al., 2016)。MeSAA- pCO2模型不僅考慮了陸源的貢獻(xiàn)，且通過主控控制因子的累加實(shí)現(xiàn)同一種模型在全海域的應(yīng)用，克服了斑塊問題，可在不同邊緣海系統(tǒng)拓展，具有較好的應(yīng)用前景。
部分代表性文章：
1. Bai, Y., Cai, W., He, X., Zhai, W., Pan, D., Dai, M., & Yu, P. (2015). A mechanistic semi‐analytical method for remotely sensing sea surface pCO2 in river‐dominated coastal oceans: A case study from the East China Sea. Journal of Geophysical Research, 120(3), 2331-2349.
2. Chen, C. T. A., Huang, T. H., Chen, Y. C., Bai, Y., He, X., & Kang, Y. (2013). Air-sea exchanges of CO2 in the world's coastal seas. Biogeosciences,10,10(2013-10-15), 10(10), 6509-6544.
3. Chen, C. T. A., Huang, T. H., Fu, Y. H., Bai, Y., & He, X. (2012). Strong sources of CO? in upper estuaries become sinks of CO? in large river plumes. Current Opinion in Environmental Sustainability, 4(2), 179-185.
4. Le, C. , Gao, Y. , Cai, W. J. , Lehrter, J. C. , Bai, Y. , & Jiang, Z. P. . (2019). Estimating summer sea surface pco2 on a river-dominated continental shelf using a satellite-based semi-mechanistic model. Remote Sensing of Environment, 225, 115-126. 5. Song, X., Bai, Y., Cai, W. J., Chen, C. T., Pan, D., He, X., & Zhu, Q. (2015). Remote Sensing of Sea Surface pCO2 in the Bering Sea in Summer Based on a Mechanistic Semi-Analytical Algorithm (MeSAA). Remote Sensing, 8(7), 558.
6. Yu, T., Pan, D., Bai, Y., He, Y., Li, D., & Liang, C. (2016). A quantitative evaluation of the factors influencing the air-sea carbon dioxide transfer velocity. Acta Oceanologica Sinica, 35(11), 68-78.
7. 呂航宇，白雁，李騫，等. 夏季珠江口海域海水CO2分壓的衛(wèi)星遙感反演［J］. 海洋學(xué)研究, 2018,36(2):1-11, doi:10.3969/j.issn.1001-909X.2018.02.001
|
|
|
