海洋生物地球化学模拟与数据同化
Richard J. Matear和E. Jones
将生物地球化学纳入全球海洋数据同化实验系统是一个令人兴奋的机遇,同时也面临重大挑战。为了帮助阐明这些挑战,我们回顾了海洋生物地球化学建模和生物地球化学数据同化的现有应用。生物地球化学数据同化的挑战来自于生物地球化学模型的大模型误差、全球数据同化系统的计算需求以及生物地球化学状态变量之间的强非线性。我们利用海洋状态估计问题概述了一种将生物地球化学数据同化添加到全球海洋数据同化实验系统的方法。该方法允许生物地球化学模型参数在空间和时间上发生变化,从而使数据同化系统能够跟踪观测到的生物地球化学场。该方法是基于解决生物地球化学数据同化的挑战,以改善生物地球化学场的状态估计和基础生物地球化学模型。
12.1介绍
海洋生物地球化学(BGC)建模是帮助我们了解负责养分和碳之间转移的生化过程的关键方法<一个title="无机和有机gydF4y2Ba" href="//www.zandimusic.com/wastewater-treatment-3/inorganic-substances.html">无机和有机池。量化这些生化过程对于理解海洋、空气和海洋中的碳循环至关重要<一个title="海交换gydF4y2Ba" href="//www.zandimusic.com/atmospheric-sciences/airsea-exchange-and-ocean-mixing-at-the-diurnal-and-intraseasonal-scales.html">海交换气候变化和变化对海洋生态系统的影响,以及海洋物理学raybet雷竞技最新和海洋生物学之间的联系。
CSIRO财富来自海洋国家研究旗舰,CSIRO海洋和大气研究,霍巴特,澳大利亚电子邮件:<一个href="//www.zandimusic.com/cdn-cgi/l/email-protection">(电子邮件保护)
A.席勒、G. B.布拉辛顿主编,<一个title="操作海洋学gydF4y2Ba" href="//www.zandimusic.com/oceanography/overview-global-operational-oceanography-systems.html">操作海洋学在21世纪,295人
DOI 10.1007/978-94-007-0332-2_12,©施普林格Science+Business Media B.V. 2011
数据同化是推进海洋生物地球化学研究的一个令人兴奋的新工具。物理和生物地球化学数据同化耦合是全球海洋数据同化实验(GODAE)的自然演变。数据同化将模式与一系列不同的观测资料融合在一起,以便对海洋的物理和生物状况提供更加一致的看法。将GODAE的工作扩展到包括BGC数据同化,为扩大对使用海洋数据同化产品感兴趣的研究人员提供了一个令人兴奋的机会,Brasseur等人(2009)提供了数据同化BGC应用的摘要。然而,交付这些新的BGC数据同化产品并不是一项简单的任务。在这里,我们将重点讨论利用现有的物理海洋数据同化系统来包括BGC数据同化的挑战。为了帮助确定本讨论的背景,我们将首先简要回顾可纳入GODAE数据同化系统的生物地球化学模型的基本组成部分。其次,我们将简要讨论以前的BGC数据同化工作。最后,我们讨论了扩展现有的GODAE数据同化系统以包括生物地球化学模型以提供生物地球化学数据产品的挑战。由于GODAE数据同化系统已经需要大量的计算资源,这些任务将需要大量的计算资源,而向这些系统添加BGC只会进一步增加这些需求。 Therefore, computational constraints will also be a factor to achieving BGC data assimilation.
12.2生物地球化学建模
海洋生物区系在海洋营养和碳循环中起着重要作用。我们对预测海洋生物地球化学模型的兴趣来自于需要更好地理解、量化并最终预测海洋在全球碳循环中的作用以及海洋中碳循环所涉及的生物过程。在这里,我将重点介绍涉及碳和养分循环的BGC模型,并将其与海洋生态系统的最低营养水平联系起来。这显然不是BGC建模的唯一应用,其他应用包括有害藻类大量繁殖的预测(Franks 1997),对海洋食物网的定量理解(Brown et al. 2010),以及海洋硫排放对海洋环境的可能影响<一个title="云的形成gydF4y2Ba" href="//www.zandimusic.com/snow/cloud-formation-and-precipitation.html">云的形成凝结核(Gabric et al. 1998)。为了阐明BGC建模所代表的内容,我们选择讨论一个描述BGC模型的简单模型<一个title="氮循环gydF4y2Ba" href="//www.zandimusic.com/wastewater-treatment-3/nitrogen-cycle.html">氮循环以及它与海洋生态系统最低营养水平的联系。在该模型中捕获的关键过程是氮的生物吸收以及随后将有机物再矿化回无机形式。示例BGC模型基于应用于塔斯马尼亚岛南部富含大量营养物质的地区以调查浮游植物动态的模型(Kidston et al. 2010)。BGC模型可以很容易地扩展到碳和其他营养物质,但即使以简单的形式,它也可以提供有用的BGC数据产品,如支撑整个海洋生态系统的初级生产力(Brown et al. 2010)。
BGC模型自然垂直细分为两个领域:<一个title="光带gydF4y2Ba" href="//www.zandimusic.com/antarctic-sector/info-vsi.html">光带在光照充足的地方,浮游植物可以进行光合作用,而在没有光合作用的更深的无光带。对于示例BGC模型,重点是光带,其中我们的4个BGC状态变量硝酸盐(N)、浮游植物(P)、浮游动物(Z)和碎屑(D)的演化由以下方程描述。为了完整起见,这里列出了方程,更多细节请参阅Kidston et al.(2010)。下面的模型方程描述了混合层中BGC状态变量在mmol N/m3中的演化,其中M为混合层深度,表12.1总结了BGC模型参数。
dt米
- = Y1G(P, Z) - y2z -±zz2 - ^Z (12.2)
dt dD (m + h+(t)) (1_3) - wD—D (12.3)
dz米
- = ixdD + Y2Z + ixpP J (t M, N) P +——(没有- N) (12.4)
dt米
表12.1 0D BGC模型参数这些数值来自塔斯马尼亚岛南部亚南极带P1站点的优化。(Kidston et al. 2010)
参数
象征
价值
单位
浮游植物模型参数
P-I曲线的初始斜率
一个
0.256
普通人每天/ (W m - 2)
票面价值
0.43
-
由于水造成的光衰减
k w
0.04
m - 1
一个
0.27
普通人每天
最大生长速率参数
b
1.066
-
c
1.0
颈- 1
N吸收饱和常数的一半
k
0.7
更易与N / m3
浮游植物死亡
副总裁
0.01
普通人每天
浮游动物模型参数
同化效率
易
0.925
-
最大放牧率
g
1.575
普通人每天
猎物捕获率
年代
1.6
(更易与N / m - 2)
1普通人
二次死亡
VZ
0.34
(更易与N / m3)
1普通人
排泄
Y2
0.01旅级战斗队
普通人每天
碎屑模型参数
Remineralisation率
Vd
0.048旅级战斗队
普通人每天
下沉的速度
WD
18.0
米/天
浮游植物公式12.1包括浮游植物生长(J(M, t, N)P),浮游动物放牧造成的损失(G(P, Z))和浮游植物死亡率(^pP),以及海洋物理造成的变化(12.1式的最后一项)。海洋物理包括了混合层深度(M)随时间加深时P的稀释(h+(t) = min(0, dM)),而M变浅对P没有影响,因为没有新的水加入。海洋物理术语中的m表示浮游植物从混合层垂直扩散损失。
浮游植物生长的主要环境驱动因素是温度(T)、光照水平(I)和硝酸盐浓度(N),其生长速率由下式给出。
24米
J (M, t) = - if-JmaxaI (Z t) 1/2 dzdt (12.6)
(,) 24W) (Jmax + [a I (Z, t)]2)1/2 ' '
I(z, t) = PAR I(0, t)e-k™z (12.7)
光的水平是受日变化的影响<一个title="入射太阳辐射gydF4y2Ba" href="//www.zandimusic.com/surface-temperature/distribution-of-incident-solar-radiation.html">入射太阳辐射在<一个title="海洋表面gydF4y2Ba" href="//www.zandimusic.com/earth-surface-2/ocean-circulation.html">海洋表面(I(0, t)),可用于光合作用的太阳辐射的比例(PAR),混合层的深度,和外部-
-光随深度的kz变化(e w)。在这些方程中,Jmx是无限光和N下浮游植物的最大生长,在低硝酸盐浓度下会降低。
浮游动物方程12.2代表了浮游植物放牧导致的生长(G(P, Z))和浮游动物排泄导致的损失(y2Z)和死亡率(^Z2)和海洋物理(上一项)之间的平衡。浮游动物对浮游植物的掠食由下面的方程P2表示
G(P, Z) = S ^ n2 P (12.9)
只有一小部分的食草浮游植物(yt)直接进入浮游动物的生长,而其余的转移到碎屑。
对于碎屑(Eq. 12.3),有来自浮游植物死亡率、浮游动物放牧和死亡率的输入,而碎屑分解(pPp)和下沉(wDdDD)则提供损失。P方程的最后一项表示海洋物理,与式12.1相同。碎屑沉降项从模型域“输出”氮。碎屑沉入海洋,随后分解成无机形式(硝酸盐),形成了硝酸盐的垂直梯度,随着深度的增加。
对于硝酸盐(Eq. 12.4),浮游植物摄取提供了损失,碎屑矿化提供了一个来源,由于海洋物理项(I^+L+M [No - N]),通过指定混合层以下的硝酸盐浓度(No)将硝酸盐重新供应回域。向上层海洋提供地下水的物理过程是浮游植物生长提供硝酸盐的重要过程,是连接物理系统和生物系统的重要环节。
简单的BGC模型可以扩展到包括多种营养素(例如碳、碱度、铁、磷酸盐)、浮游植物(例如大小和功能依赖)、浮游动物和碎屑状态变量(例如Vichi et al. 2007)。附加的BGC状态变量增加了模型的复杂性,并引入了必须指定的附加模型参数。因此,在模型复杂性和可用于约束BGC模型的信息之间存在一种妥协(Matear 1995)。此外,BGC模型中的参数化通常依赖于与海洋物理模型不同的经验关系<一个title="控制方程gydF4y2Ba" href="//www.zandimusic.com/energy-balance/governing-equations-for-glacier-dynamics.html">控制方程有很强的理论联系(如Navier-Stokes方程)。因此,使用简单和复杂的生物模型之间的权衡归结为一个人试图解决的问题。
简单的BGC模型只表示发生在混合层的进程,其中字段混合良好,系统可以配置为0D系统。BGC模型中唯一包含的物理过程是由于混合层加深引起的硝酸盐的垂直供给以及混合层与深水之间的垂直混合。如果有人想把这个BGC模型纳入GODAE系统,就需要明确地解析垂直维度(例如,Schartau和Oschlies 2003a),并将BGC状态变量与海洋环流耦合起来(例如,Oschlies和Schartau 2005)。在这种构造中,BGC状态变量的演变将受到上述生物过程和将BGC状态变量在海洋周围运输的海洋动力学的影响。
尽管三维BGC模型将物理和生化过程耦合起来,以演变BGC状态变量,但重要的是要注意,在光区内,生物转化通常比物理影响大得多(例如,浮游植物在几天内翻倍,而在全球海洋模型中,海洋平流更像几周)。因此,在每日时间尺度上的光带内,有可能专注于生化过程。在许多例子中,BGC模型只应用于垂直维度,只关注发生在混合层中的流程。在高流量区域,水平平流可以运输生物池,生物过程对物理的主导作用失效,这在叶绿素a的海洋彩色图像中明显可见,其中叶绿素a的螺旋性质证明了海洋动力学的重要性(图12.1)。在光区以下,在光区中,物理和生物过程对BGC状态变量的演化都很重要,通常不可能忽视其中任何一个过程(图12.2)。
五月四日
日志。O-E m. 0"£113.0°E 115.0*E U7.0°E
图12.1 A 1天<一个title="SeaWiFSgydF4y2Ba" href="//www.zandimusic.com/aquatic-ecosystems/seawifs-global-biosphere.html">SeaWiFS2000年5月4日西澳大利亚海面叶绿素a (mg Chla/m3)的海洋彩色图像。等高线表示<一个title="海面高度异常gydF4y2Ba" href="//www.zandimusic.com/oceanography/altimeter-sea-surface-height.html">海面高度异常(SSHA)字段。注意这两个<一个title="anti-cyclonicgydF4y2Ba" href="//www.zandimusic.com/global-climate-2/anticyclones.html">anti-cyclonic涡(负SSHA封闭等值线)与陆架连接,将高叶绿素a水输送到近海。(Moore et al. 2007)
日志。O-E m. 0"£113.0°E 115.0*E U7.0°E
图12.1 2000年5月4日西澳大利亚的1日SeaWiFS海洋表面叶绿素A (mg Chla/m3)彩色图像。等高线表示同一时期的海面高度异常(SSHA)场。注意这两个<一个title="anti-cyclonicgydF4y2Ba" href="//www.zandimusic.com/global-climate-2/anticyclones.html">anti-cyclonic涡(负SSHA封闭等值线)与陆架连接,将高叶绿素a水输送到近海。(Moore et al. 2007)
13日12
13日12
150 200天自1月1日
浮游植物浮游动物碎屑
50 100 150 200
1月1日起
图12.2对于表12.1所示的模型参数值,SAZ-Sense P1站点0D BGC模型的4个状态变量的季节演化。上:硝酸盐浓度,下:浮游植物、浮游动物和碎屑浓度,单位为mmol N/m3
12.3生物地球化学数据同化
数据同化的应用分为两类问题:1.数据同化。2.参数估计;状态估计。这两种方法反映了如何将BGC模型与观测结果融合在一起的不同理念,两者都提供了有用但不同的信息。在这两种方法中,都使用数据来约束状态变量的演化,但在参数估计中,修改模型参数以适应约束,而在状态估计中,修改状态变量以适应观测值。状态估计方法通常构成GODAE物理数据同化的基础,通过这种努力提供海洋预测或随时间变化的三维海洋物理状态的再分析产品。然而,BGC数据同化的研究主要集中在参数估计的数据同化上。虽然对这两种方法的完整描述超出了本文的范围,但以下是对这两种数据同化方法应用的简要总结。
12.3.1参数估计
第12.2节中讨论的简单BGC模型的一个明显特征是必须指定大量的模型参数来模拟BGC。这些参数的设置可以部分地通过观测来完成,但对于许多参数没有直接的观测估计。此外,即使是更可观察到的参数,如控制浮游植物生长的参数(例如a和Jmax),仍然存在很大的不确定性,因为参数值要么随时间变化,要么随个体确定的值变化<一个title="浮游植物物种gydF4y2Ba" href="//www.zandimusic.com/antarctic-sector/phytoplankton.html">浮游植物物种可能不适用于整个生态系统。由于无法直接指定所有模型参数,人们不得不通过调整模型来重现观测结果来确定参数值。这是一种乏味且耗时的方法。数据同化的吸引力在于,它提供了一种方法,可以生成一组反映观测结果的模型参数,确定鲜为人知的参数的值,并深入了解哪些参数受到模型的约束(Kidston et al. 2010;Schartau和Oschlies 2003b)。
现在有一长串的研究使用数据同化方法来估计生态系统模型的模型参数(见Gregg et al. 2009年的这些研究列表)。甚至有一个网页设置,以探讨一套不同的BGC模型的参数估计在许多不同的网站(<一个href="http://www.ccpo.odu">http://www.ccpo.odu.edu/marjy/Testbed/Workshop1.html)。
最近的一项模型比较研究强调了使用BGC模型的一些问题(Friedrichs et al. 2007)。在他们的研究中,他们评估了12种不同复杂程度的BGC模型的能力,以适应来自两个不同地点的观测。
他们表明,当在一个地点校准时,所有模型都表现得同样好,但只有具有多个浮游生物状态变量的模型才能在两个地点具有相同的模型参数。该研究强调了模型参数的空间变异性以解释不同的生态状况的必要性。因此,对于所包含的生态系统组成部分,如整个海洋的浮游植物,不存在一组独特的模型参数,模型参数的灵活性需要纳入模型应用中。
生物模型的不确定性不仅存在于模型参数中,还延伸到用于描述生物系统的方程的选择(Franks 2009)。参数和模型公式的不确定性在BGC建模中引入了较大的模型误差,这有利于探索参数空间、模型复杂性和模型公式的参数估计研究(例如Matear 1995)。解决所有这三个问题的能力证明了BGC数据同化的参数估计方法的价值。此外,参数估计可以深入了解哪些观测数据对于构建和约束更现实的模型至关重要,并确定再现观测数据所需的关键模型参数(Kidston et al. 2010)。后一种结果提供了一种方便的方法来识别关键模型参数的子集,这些参数捕获了生物系统的关键观察动力学,然后探索这些参数如何影响系统的动力学(例如Friedrichs等,2006)。
关于参数估计方法需要注意的一个重要方面是,可能会估计出不现实的参数值,因为重要的过程被排除在模型公式之外(这些被称为模型中的结构错误)。因此,所估算的模型参数值必须进行生态评估并认为合理,否则所制定的模型存在结构误差。
12.3.2海况估计
状态估计数据同化的吸引力在于,它提供了一种将物理和生物观测纳入数值模型的方法,以获得与观测动态一致的BGC场的演化,并提供了一种在空间和时间上扩展观测的工具(Lee et al. 2009)。状态估计的应用是通过修正海洋状态来克服模型中的局限性,从而产生更真实的海洋状态演变(Natvik和Evensen 2003a)。该方法提供了一种限制模式误差(参数、公式、初始化和强制)影响的方法,以更好地预测和预测海洋状态。
Gregg(2008)的研究对连续BGC数据同化研究进行了很好的回顾,我在这里简要总结一下。毫不奇怪,这些研究的重点是将海洋颜色表面叶绿素a浓度同化到其BGC模型中,因为该数据产品提供了海洋生物系统的最佳空间和时间数据。
序列数据同化的第一个例子直接将CZCS叶绿素插入美国东南海岸的三维模型(Ishizaka 1990)。他们立即改进了叶绿素模拟,但这些改进只持续了几天,模型模拟就偏离了观测结果。模型模拟与观测的差异反映了生物模型中高估叶绿素a的偏差。纠正这种偏差对于获得更好和更持久的状态估计结果至关重要。最近,集成卡尔曼滤波器(EnKF)已被用于将SeaWiFS海洋颜色叶绿素a数据同化到三维北大西洋模型中(Natvik和Evensen 2003 a, b)。他们表明,EnKF更新后的海洋状态与观测到的浮游植物和硝酸盐浓度一致。然而,该研究并未显示与未同化数据的任何比较,从而对BGC状态估计的影响进行定量评估(Gregg et al. 2009)。随后,Gregg(2008)使用条件松弛分析方法(CRAM)将多年的seaifs数据连续同化为3D BGC模型。毫不奇怪,他们提高了表面叶绿素a的估计,因为这是被同化的状态变量。通过观察数据同化对模拟深度综合初级生产的影响,进行了更独立的评估,结果显示,与叶绿素A的改善相比,数据同化的改善要温和得多。
最近,Hemmings等人(2008)提出了一种氮平衡方案,目的是同化海洋颜色叶绿素a,以提高对海水二氧化碳分压的估计。他们在北大西洋的两个地点(北纬30度和北纬50度)进行了一维模拟,以评估他们的方案的性能。该方案利用叶绿素a和其他生物状态变量之间的协方差,其计算成本是多变量EnKF方案的一小部分。为此,Hemmings等人(2008)使用一维模型模拟和不同的模型参数来提取模拟叶绿素a和其他生物变量之间的关系。然后,该信息用于将同化叶绿素a的数据投射到所有生物状态变量上。他们表明,在只更新浮游植物和DIC的情况下,氮平衡方法改善了海洋二氧化碳分压模拟。在30N时,表面pCO2的RMS误差降低了50%以上(4 ^ atm到小于2 ^ atm)。而在50N时,表面pCO2 RMS误差几乎没有改善,但磁场偏差从-2 ^ atm减小到几乎为零。
目前,状态估计的应用仅限于利用遥感海洋颜色叶绿素a,要将这一信息从海洋表面扩展到海洋内部,需要耦合的生物-物理模型。此外,许多彩色图像被云层损坏,填补这些数据空白是状态估计的另一个明显结果。最后,我们最感兴趣的领域很可能没有得到充分的观察,无法提供所需的空间和时间覆盖(例如二氧化碳分压)。对于这些情况,数据同化提供了利用现有观测来生成感兴趣的领域的工具。
12.4在GODAE系统中添加BGC数据同化的挑战
12.4.1背景
全球海洋数据同化实验(GODAE)的构想是提供三维描绘<一个title="全球海洋环流gydF4y2Ba" href="//www.zandimusic.com/earth-surface-2/ocean-circulation.html">全球海洋环流通过与物理场和动力学约束相一致的数据同化,获得涡流分辨率(Lee et al. 2009)。将GODAE状态估计扩展到BGC字段是利用GODAE工作来提供与物理和生物信息一致的BGC状态估计的自然进化(Brasseur et al. 2009)。
GODAE的工作涉及三个方面:(1)中尺度海洋分析和预测,(2)季节-年际预测的初始化,以及(3)状态估计(再分析)产品(Lee et al. 2009)。在讨论将BGC纳入GODAE工作的问题时,重点是如何修改状态估计问题。不同的研究小组应用了一系列同化方法来估计海洋状态,从伴随方法到顺序方法。
的<一个title="伴随方法gydF4y2Ba" href="//www.zandimusic.com/oceanography/adjoint-data-assimilation-methods.html">伴随方法(例如,来自日本的MOVE和ECCO组(www.ecco-group.org)) (Lee等人,2009)类似于前面讨论的参数估计方法,但实现了这样的海洋状态,不仅通过优化模型参数,而且通过优化海洋初始状态和表面强迫等控制变量来获得。虽然基于伴随的估计产品具有与物理模型方程一致的特点,但它们需要制定“伴随模型”来进行数据同化。偶对物理生物模型的伴随发展是可能的(例如Matear和Holloway 1995;Schlitzer 2002),但这不是一项微不足道的任务。由于这个原因,期望第一个GODAE系统包含基于顺序数据同化方法的BGC更为现实,下面讨论的重点是如何将BGC纳入这种类型的数据同化系统。
由各个海洋再分析小组(例如澳大利亚的Bluelink (Oke et al. 2008))实施的顺序方法;来自英国的泡沫(Martin et al. 2007);来自法国的Mercator (Brasseur et al. 2005))通常比伴随方法计算更有效。序贯方法通过对海洋状态应用统计修正,使估计状态偏离基础物理模型的精确解。这样的修正就像热、盐和动量的内部源/汇。有兴趣的读者应该阅读Zaron(这一期),以获得更全面的顺序数据同化介绍。要应用顺序数据同化,需要了解一个状态变量的观测结果如何投射到当时的其他状态变量上,这包括所有模型网格点的所有状态变量。该信息被称为多变量背景误差协方差(BECs),是根据未同化模型中状态变量演化中的异常计算得出的。在实践中,BECs的估计值要么来自具有不同状态变量初始值的模拟集合(Brasseur et al. 2005),要么来自仅一个模拟的多年运行(Oke et al. 2008)。使用BECs的好处是:它们反映了不同区域海洋环流的长度尺度和各向异性。 They provide the information on the covariances between different state variables in a dynamically consistent way (we use the term dynamically consistent to describe an ocean state that can be generated by the model). Finally they are easily generalized to assimilate different observation types in a single step. Therefore, one might expect the approach could easily be generalized to include BGC information. There have been a number of attempts to do this (Natvik and Evensen 2003a, b).
现在,我们将使用简单的BGC模型(一种教学工具)来探讨这些问题,以评估BECs是否为BGC状态估计数据同化提供了合适的途径。
12.4.2可能存在的问题及解决办法
生物地球化学状态估计的一个关键数据集是海洋颜色叶绿素A,因此下面的讨论将集中于浮游植物浓度的限制如何影响BGC状态变量。使用BECs是实现BGC数据同化的一种明显方法,但是BGC模型的不确定性和偏差会对估计的BECs和由此产生的数据同化状态估计产生巨大影响。对于三维BGC建模,BECs的计算提出了一个挑战,因为控制状态变量之间流动的生化过程是不确定的。这种不确定性表现在模型参数的不确定性、模型参数随时间的演化、模型制定的不确定性以及模型结构中的误差(即模型简化和缺失过程)。使用集成方法(例如EnKF)捕获这种不确定性对于3D BGC模型来说是需要计算的,因为很难包含足够数量的集成成员来解释所有BGC模型的不确定性。EnOI方法(Brassington et al. 2007)通过使用非同化海洋模型运行9年产生的统计数据,为物理状态变量提供了更有效的BECs计算。虽然三维BGC模型可以进行计算,但用这种方法计算的BECs不是时变的,这可能不适用于BGC状态变量,因为它们的当前状态,例如,浮游植物是否在生长,会改变BECs (Hemmings et al. 2008)。
目前GODAE系统在三维海洋环流模式内生成BECs在计算上还不可行,但是如果我们主要对光带中的BGC感兴趣,则有可能将三维BGC模型视为域内每个海洋表面格点的一组0D混合层表示。混合层中BGC场的演化通常由BGC过程控制,应用这种域分解通常是一个合理的假设。这种方法的例子包括前一节中提到的大多数参数估计研究。从海洋动力学的角度来看,驱动BGC场的关键物理过程是光带养分的垂直供给和光带中光的可用性。这两个过程都被合并到前面介绍的简单BGC模型中。
0D BGC模型需要的关键物理信息是垂直速度、垂直混合速率以及混合层深度和温度的时间演化。这些已经是由GODAE数据同化系统生成的标准状态变量,因此它们可用于我们的0D BGC模型。对于BGC数据同化,考虑到这些物理产品对BGC模型行为的重要性,需要对它们进行额外的评估,但这最好通过改进物理数据同化系统来实现。随着Argo温度和盐度剖面数量的迅速增加,观测信息为评价这些场和改进它们的物理数据同化系统提供了一条明确的前进道路。
通过将BECs的计算集中在光带的0D BGC模型上,从模拟集合中生成BECs在计算上是可行的。但是BECs应该是什么样的呢?考虑到BGC模型的非线性,我们期望BGC状态变量之间存在复杂的关系。Hemmings等人(2008)的氮平衡方法是基于发展不同BGC状态变量之间的机制联系。虽然他们讨论了BECs的复杂性和时间依赖性,但用我们简单的0-D BGC模型来回顾这个问题是有指导意义的。
12.4.3基于BECs的BGC数据同化试验
使用第12.3节中描述的BGC模型来探究BGC状态变量之间的关系。为了计算BECs,我们在1月1日对这些状态变量的初始条件进行100次随机扰动。对初始状态的扰动为高斯分布,标准差为0.01 mmol N/m3,且正确的均值为零,以确保氮守恒。模拟发生在浮游植物的生长阶段,揭示了BGC模型及其BECs的几个重要特征。初始BGC状态变量的随机扰动不会引起BGC状态变量轨迹的长期变化,所有扰动都返回到未扰动模型的原始轨迹,电子折叠时间尺度约为25天(图12.3)。这反映了BGC状态变量遵循与未同化模型相同的轨迹的偏差。如果我们在处理顺序数据同化之前首先使用数据同化来估计观测数据中的模型参数,则模型行为中的偏差可能会减少。然而,我们永远不会期望在模型域中解释所有的模型偏差,而且我们希望数据同化能够帮助纠正这些缺陷,从而产生更真实的模型行为。扰动BGC状态变量的衰减涉及一个阻尼振荡,它反映了初始扰动的不平衡性质。对于像我们的0D BGC模型这样的非线性模型,当状态变量更新时,通常会生成一个不平衡状态,这将产生-
b 1月1日起的天数
图12.3对于SAZ-Sense P1位点的0D BGC模型:a为1月1日随机扰动初始值±0.01 mmol N/m3得到的100个模拟集合生成的BGC状态变量异常的标准差。b只演化一个集成成员的BGC状态变量异常。BGC状态变量中的异常被定义为状态变量与图12.2中给出的解之间的差异
b 1月1日起的天数
图12.3对于SAZ-Sense P1位点的0D BGC模型:a为1月1日随机扰动初始值±0.01 mmol N/m3得到的100个模拟集合生成的BGC状态变量异常的标准差。b只演化一个集成成员的BGC状态变量异常。BGC状态变量中的异常被定义为状态变量与图12.2中给出的解之间的差异
在模型中产生不期望的反应,应避免这种情况。模拟的浮游植物(P)与其他状态变量之间的关系也很复杂(图12.4),与硝酸盐(N)有明显的负相关关系,与浮游动物(Z)和碎屑(D)没有明显的负相关关系(图中未显示)。浮游植物与硝酸盐的负相关关系是一种浮游植物生长依赖反应,更多的浮游植物等于更大的浮游植物生长,增加硝酸盐的吸收和降低硝酸盐的浓度,反之亦然。然而,浮游植物-浮游动物-浮游动物的关系似乎没有揭示出任何模式。P和Z之间的联系在我们绘制100每-的相图时变得更加清晰
0.012 -
!E
0.0080.004 -0.000
"^"如果" rf- " fr. "
-
啊! |
我*»<
-
CL
- 0.008- 0.012
x *
-
-。
1 1 1 1 1 1 1 008 - .004 0.000 0.004
0.008
一个
1 1 1 1 1 1 1 1 1 1 1
1
0.012
-
到£
0.008
X X * X X *
-
Se
0.004
xX xX " x *
- 0.008 - 0.012
x * xX“xX«”x«
x
- - - - - -
- 0.02 - 0.01 0.00 0.01 0.02 b浮游动物异常(mmol N / m3)
- 0.02 - 0.01 0.00 0.01 0.02 b浮游动物异常(mmol N / m3)
图12.4 1月7日100成员集合模拟的浮游植物浓度异常与硝酸盐浓度异常(a)和浮游动物浓度异常(b)之间的关系。BGC状态变量中的异常被定义为状态变量与图12.2中给出的解之间的差异
湍流(图12.5)。由于Z响应对P扰动的滞后,我们忽略了两个状态变量之间的强联系。P和Z之间的滞后造成了BGC模型对随机扰动的不平衡响应,这在我们的模型模拟中导致了极限环。捕捉Z到P之间的这种随时间变化的联系并非易事,而且它将依赖于模型参数值的选择和摄动之前的BGC状态。
对于上面讨论的所有问题,使用BECs进行BGC数据同化是复杂的,并且不是处理BGC状态估计的有吸引力的方法。我们应该怎么做呢?
通过将磷浓度增加0.01 mmol N/m3的模拟,观察系统如何演变,可以帮助我们开发一个ap
- 0.02 - 0.01 0.00 0.01 0.02浮游动物异常(mmol / m3)
图12.5初始化后50天模拟集合中浮游植物和浮游动物异常浓度的相位关系。每个星号代表一天,线代表一个集合成员。BGC状态变量中的异常被定义为状态变量与图12.2中给出的解之间的差异
- 0.02 - 0.01 0.00 0.01 0.02浮游动物异常(mmol / m3)
图12.5初始化后50天模拟集合中浮游植物和浮游动物异常浓度的相位关系。每个星号代表一天,线代表一个集合成员。BGC状态变量中的异常被定义为状态变量与图12.2中给出的解之间的差异
从而更有效地利用P观测值。这个模拟类似于BGC模型模拟低估P的情况,我们希望模型的行为更接近观测值。在这种状态扰动下,几天内扰动的浮游植物浓度迅速恢复到轻推前的值,同化几乎没有得到什么,除了我们产生了一个不平衡扰动,它在BGC状态变量中产生了一个振荡,并持续了许多天(图12.6a)。状态更新的不平衡性质在未直接同化的领域中最为明显,例如Z显示出比P大得多的变异性,如果没有持续的数据同化,我们将无法保持现实的P,并且将继续在其他BGC状态变量中产生虚假行为。然而,对于这个硝酸盐总是过量的地点(图12.2),控制磷的更直接的方法是通过放牧损失磷。通过减少10%的放牧(图12.6b),实现了更持久的浮游植物响应,其他BGC状态变量的响应缺乏虚假的可变性,因为BGC状态的变化是平衡的。基于放牧参数的不确定性,这种BGC模型的修正是合理的。
对掠食的修正是通过改变基础方程来纠正模型对P的低估,而不仅仅是改变P来反映观测结果。改变掠食速率会改变模型模拟的轨迹,导致P、Z、D持续增加,N持续减少(图12.6b)。BGC状态变量变化的持久性是一个可取的特征,因为它表明“同化”P可以对模型模拟产生持久的影响,从而避免数据同化仅对BGC状态演化提供短期改进的情况(例如Ishizaka 1990)。
0.01
0.008
0.006
0.004
0.002
0.002
0.004
0.06
0.05
1
z
0.04
O
E
£
0.03
n
o
类风湿性关节炎
■你
0.02
n
e
c
n
o o
0.01
>。
类风湿性关节炎
E o
0
n
<
- 0.01
- 0.02
10 15 20 25自1月1日起
10 15 20 25
1月1日起
图12.6除浮游植物浓度0.01 mmol N/m3外,状态变量异常的0D BGC模型演化。b浮游动物对浮游植物的掠食率降低10%时的状态变量异常。两图中BGC状态变量异常用硝酸盐(深蓝色)、浮游植物(青色)、浮游动物(黄色)和碎屑(红色)表示,单位均为mmol N/m3。BGC状态变量中的异常被定义为状态变量与图12.2中给出的解之间的差异
现在我接受这是一个人为的例子,其中模型有明显的偏差,但这可能总是预期的模型参数和公式的不确定性。在之前的双胞胎实验中,顺序数据同化被应用于BGC状态变量并被判断为成功,但必须强调的是,模型生成的观测数据用于数据同化,因此它们相对于用于数据同化的模型是无偏的(Eknes和Evensen 2002)。因此,在他们对数据同化成功的评估中,模型偏差的影响被忽略了,这在现实世界的应用中不是这样的。
这个简单的例子强调了扰动模型参数的好处,Dowd (2007);Mattern等人(2010);Jones等人(2010)都提供了更广泛的例子,说明如何扰动底层模型参数来再现BGC场的观测状态演化。这些平衡方法(即只改变模型参数)在模型状态下同时提供参数估计,而不假设模型参数在时间上是常数。利用时间演化参数值来改变BGC状态变量以拟合观测值具有生态学意义,因为我们期望控制这些参数值的生物过程在空间和时间上都是变化的。理想情况下,对于GODAE BGC数据同化,我们希望像Dowd(2007)的1D研究那样,进行不同模型参数的集成;Mattern等人(2010);Jones等人(2010)进入3D BGC模型,但运行多个BGC模型的计算开销是不可能的。因此,我们需要将潜在的参数减少到一个参数集。也许我们可以对模型参数如何在时间和空间上演化做出一些生态上站得住的选择,以符合模型参数不确定性和观测中的不确定性。
12.4.4建议的BGC状态估计的顺序数据同化
在前一节中,我讨论了为BGC字段应用状态估计时的几个问题。现在我想提出一种将BGC合并到GODAE系统状态估计中的方法。以下是进行顺序BGC状态估计的建议步骤序列,也在图12.7中概述。
1.将观测到的遥感海洋颜色叶绿素a浓度转换为表面浮游植物浓度的估估,为BGC数据同化提供观测约束。注意,另一种替代方法是将叶绿素a作为BGC模型的状态变量,并在BGC模型中包括浮游植物N:叶绿素a比率的公式(例如Hemmings等人(2008))。
2.利用从浮游植物观测得来的季节气候学,对三维BGC模式的0D BGC表示进行参数估计
PD1(观察)Pi (4)
继续阅读:<一个href="//www.zandimusic.com/oceanography/xa-xb-axx-vyy-xb136.html">Xa Xb aXX Vyy Xb136
这篇文章有用吗?
Richard J. Matear和E. Jones 将生物地球化学纳入全球海洋数据同化实验系统是一个令人兴奋的机遇,同时也面临重大挑战。为了帮助阐明这些挑战,我们回顾了海洋生物地球化学建模和生物地球化学数据同化的现有应用。生物地球化学数据同化的挑战来自于生物地球化学模型的大模型误差、全球数据同化系统的计算需求以及生物地球化学状态变量之间的强非线性。我们利用海洋状态估计问题概述了一种将生物地球化学数据同化添加到全球海洋数据同化实验系统的方法。该方法允许生物地球化学模型参数在空间和时间上发生变化,从而使数据同化系统能够跟踪观测到的生物地球化学场。该方法是基于解决生物地球化学数据同化的挑战,以改善生物地球化学场的状态估计和基础生物地球化学模型。 海洋生物地球化学(BGC)建模是帮助我们了解负责养分和碳之间转移的生化过程的关键方法<一个title="无机和有机gydF4y2Ba" href="//www.zandimusic.com/wastewater-treatment-3/inorganic-substances.html">无机和有机 CSIRO财富来自海洋国家研究旗舰,CSIRO海洋和大气研究,霍巴特,澳大利亚电子邮件:<一个href="//www.zandimusic.com/cdn-cgi/l/email-protection">(电子邮件保护) A.席勒、G. B.布拉辛顿主编,<一个title="操作海洋学gydF4y2Ba" href="//www.zandimusic.com/oceanography/overview-global-operational-oceanography-systems.html">操作海洋学 DOI 10.1007/978-94-007-0332-2_12,©施普林格Science+Business Media B.V. 2011 数据同化是推进海洋生物地球化学研究的一个令人兴奋的新工具。物理和生物地球化学数据同化耦合是全球海洋数据同化实验(GODAE)的自然演变。数据同化将模式与一系列不同的观测资料融合在一起,以便对海洋的物理和生物状况提供更加一致的看法。将GODAE的工作扩展到包括BGC数据同化,为扩大对使用海洋数据同化产品感兴趣的研究人员提供了一个令人兴奋的机会,Brasseur等人(2009)提供了数据同化BGC应用的摘要。然而,交付这些新的BGC数据同化产品并不是一项简单的任务。在这里,我们将重点讨论利用现有的物理海洋数据同化系统来包括BGC数据同化的挑战。为了帮助确定本讨论的背景,我们将首先简要回顾可纳入GODAE数据同化系统的生物地球化学模型的基本组成部分。其次,我们将简要讨论以前的BGC数据同化工作。最后,我们讨论了扩展现有的GODAE数据同化系统以包括生物地球化学模型以提供生物地球化学数据产品的挑战。由于GODAE数据同化系统已经需要大量的计算资源,这些任务将需要大量的计算资源,而向这些系统添加BGC只会进一步增加这些需求。 Therefore, computational constraints will also be a factor to achieving BGC data assimilation. 海洋生物区系在海洋营养和碳循环中起着重要作用。我们对预测海洋生物地球化学模型的兴趣来自于需要更好地理解、量化并最终预测海洋在全球碳循环中的作用以及海洋中碳循环所涉及的生物过程。在这里,我将重点介绍涉及碳和养分循环的BGC模型,并将其与海洋生态系统的最低营养水平联系起来。这显然不是BGC建模的唯一应用,其他应用包括有害藻类大量繁殖的预测(Franks 1997),对海洋食物网的定量理解(Brown et al. 2010),以及海洋硫排放对海洋环境的可能影响<一个title="云的形成gydF4y2Ba" href="//www.zandimusic.com/snow/cloud-formation-and-precipitation.html">云的形成 BGC模型自然垂直细分为两个领域:<一个title="光带gydF4y2Ba" href="//www.zandimusic.com/antarctic-sector/info-vsi.html">光带 dt米 - = Y1G(P, Z) - y2z -±zz2 - ^Z (12.2) dt dD (m + h+(t)) (1_3) - wD—D (12.3) dz米 - = ixdD + Y2Z + ixpP J (t M, N) P +——(没有- N) (12.4) dt米 参数 象征 价值 单位 浮游植物模型参数 P-I曲线的初始斜率 一个 0.256 普通人每天/ (W m - 2) 票面价值 0.43 - 由于水造成的光衰减 k w 0.04 m - 1 一个 0.27 普通人每天 最大生长速率参数 b 1.066 - c 1.0 颈- 1 N吸收饱和常数的一半 k 0.7 更易与N / m3 浮游植物死亡 副总裁 0.01 普通人每天 浮游动物模型参数 同化效率 易 0.925 - 最大放牧率 g 1.575 普通人每天 猎物捕获率 年代 1.6 (更易与N / m - 2) 1普通人 二次死亡 VZ 0.34 (更易与N / m3) 1普通人 排泄 Y2 0.01旅级战斗队 普通人每天 碎屑模型参数 Remineralisation率 Vd 0.048旅级战斗队 普通人每天 下沉的速度 WD 18.0 米/天 浮游植物公式12.1包括浮游植物生长(J(M, t, N)P),浮游动物放牧造成的损失(G(P, Z))和浮游植物死亡率(^pP),以及海洋物理造成的变化(12.1式的最后一项)。海洋物理包括了混合层深度(M)随时间加深时P的稀释(h+(t) = min(0, dM)),而M变浅对P没有影响,因为没有新的水加入。海洋物理术语中的m表示浮游植物从混合层垂直扩散损失。 浮游植物生长的主要环境驱动因素是温度(T)、光照水平(I)和硝酸盐浓度(N),其生长速率由下式给出。 24米 J (M, t) = - if-JmaxaI (Z t) 1/2 dzdt (12.6) (,) 24W) (Jmax + [a I (Z, t)]2)1/2 ' ' I(z, t) = PAR I(0, t)e-k™z (12.7) 光的水平是受日变化的影响<一个title="入射太阳辐射gydF4y2Ba" href="//www.zandimusic.com/surface-temperature/distribution-of-incident-solar-radiation.html">入射太阳辐射 -光随深度的kz变化(e w)。在这些方程中,Jmx是无限光和N下浮游植物的最大生长,在低硝酸盐浓度下会降低。 浮游动物方程12.2代表了浮游植物放牧导致的生长(G(P, Z))和浮游动物排泄导致的损失(y2Z)和死亡率(^Z2)和海洋物理(上一项)之间的平衡。浮游动物对浮游植物的掠食由下面的方程P2表示 G(P, Z) = S ^ n2 P (12.9) 只有一小部分的食草浮游植物(yt)直接进入浮游动物的生长,而其余的转移到碎屑。 对于碎屑(Eq. 12.3),有来自浮游植物死亡率、浮游动物放牧和死亡率的输入,而碎屑分解(pPp)和下沉(wDdDD)则提供损失。P方程的最后一项表示海洋物理,与式12.1相同。碎屑沉降项从模型域“输出”氮。碎屑沉入海洋,随后分解成无机形式(硝酸盐),形成了硝酸盐的垂直梯度,随着深度的增加。 对于硝酸盐(Eq. 12.4),浮游植物摄取提供了损失,碎屑矿化提供了一个来源,由于海洋物理项(I^+L+M [No - N]),通过指定混合层以下的硝酸盐浓度(No)将硝酸盐重新供应回域。向上层海洋提供地下水的物理过程是浮游植物生长提供硝酸盐的重要过程,是连接物理系统和生物系统的重要环节。 简单的BGC模型可以扩展到包括多种营养素(例如碳、碱度、铁、磷酸盐)、浮游植物(例如大小和功能依赖)、浮游动物和碎屑状态变量(例如Vichi et al. 2007)。附加的BGC状态变量增加了模型的复杂性,并引入了必须指定的附加模型参数。因此,在模型复杂性和可用于约束BGC模型的信息之间存在一种妥协(Matear 1995)。此外,BGC模型中的参数化通常依赖于与海洋物理模型不同的经验关系<一个title="控制方程gydF4y2Ba" href="//www.zandimusic.com/energy-balance/governing-equations-for-glacier-dynamics.html">控制方程 简单的BGC模型只表示发生在混合层的进程,其中字段混合良好,系统可以配置为0D系统。BGC模型中唯一包含的物理过程是由于混合层加深引起的硝酸盐的垂直供给以及混合层与深水之间的垂直混合。如果有人想把这个BGC模型纳入GODAE系统,就需要明确地解析垂直维度(例如,Schartau和Oschlies 2003a),并将BGC状态变量与海洋环流耦合起来(例如,Oschlies和Schartau 2005)。在这种构造中,BGC状态变量的演变将受到上述生物过程和将BGC状态变量在海洋周围运输的海洋动力学的影响。 尽管三维BGC模型将物理和生化过程耦合起来,以演变BGC状态变量,但重要的是要注意,在光区内,生物转化通常比物理影响大得多(例如,浮游植物在几天内翻倍,而在全球海洋模型中,海洋平流更像几周)。因此,在每日时间尺度上的光带内,有可能专注于生化过程。在许多例子中,BGC模型只应用于垂直维度,只关注发生在混合层中的流程。在高流量区域,水平平流可以运输生物池,生物过程对物理的主导作用失效,这在叶绿素a的海洋彩色图像中明显可见,其中叶绿素a的螺旋性质证明了海洋动力学的重要性(图12.1)。在光区以下,在光区中,物理和生物过程对BGC状态变量的演化都很重要,通常不可能忽视其中任何一个过程(图12.2)。 五月四日 日志。O-E m. 0"£113.0°E 115.0*E U7.0°E 图12.1 A 1天<一个title="SeaWiFSgydF4y2Ba" href="//www.zandimusic.com/aquatic-ecosystems/seawifs-global-biosphere.html">SeaWiFS 日志。O-E m. 0"£113.0°E 115.0*E U7.0°E 图12.1 2000年5月4日西澳大利亚的1日SeaWiFS海洋表面叶绿素A (mg Chla/m3)彩色图像。等高线表示同一时期的海面高度异常(SSHA)场。注意这两个<一个title="anti-cyclonicgydF4y2Ba" href="//www.zandimusic.com/global-climate-2/anticyclones.html">anti-cyclonic 13日12 13日12 150 200天自1月1日 浮游植物浮游动物碎屑 50 100 150 200 1月1日起 图12.2对于表12.1所示的模型参数值,SAZ-Sense P1站点0D BGC模型的4个状态变量的季节演化。上:硝酸盐浓度,下:浮游植物、浮游动物和碎屑浓度,单位为mmol N/m3 12.3生物地球化学数据同化 数据同化的应用分为两类问题:1.数据同化。2.参数估计;状态估计。这两种方法反映了如何将BGC模型与观测结果融合在一起的不同理念,两者都提供了有用但不同的信息。在这两种方法中,都使用数据来约束状态变量的演化,但在参数估计中,修改模型参数以适应约束,而在状态估计中,修改状态变量以适应观测值。状态估计方法通常构成GODAE物理数据同化的基础,通过这种努力提供海洋预测或随时间变化的三维海洋物理状态的再分析产品。然而,BGC数据同化的研究主要集中在参数估计的数据同化上。虽然对这两种方法的完整描述超出了本文的范围,但以下是对这两种数据同化方法应用的简要总结。 第12.2节中讨论的简单BGC模型的一个明显特征是必须指定大量的模型参数来模拟BGC。这些参数的设置可以部分地通过观测来完成,但对于许多参数没有直接的观测估计。此外,即使是更可观察到的参数,如控制浮游植物生长的参数(例如a和Jmax),仍然存在很大的不确定性,因为参数值要么随时间变化,要么随个体确定的值变化<一个title="浮游植物物种gydF4y2Ba" href="//www.zandimusic.com/antarctic-sector/phytoplankton.html">浮游植物物种 现在有一长串的研究使用数据同化方法来估计生态系统模型的模型参数(见Gregg et al. 2009年的这些研究列表)。甚至有一个网页设置,以探讨一套不同的BGC模型的参数估计在许多不同的网站(<一个href="http://www.ccpo.odu">http://www.ccpo.odu 最近的一项模型比较研究强调了使用BGC模型的一些问题(Friedrichs et al. 2007)。在他们的研究中,他们评估了12种不同复杂程度的BGC模型的能力,以适应来自两个不同地点的观测。 他们表明,当在一个地点校准时,所有模型都表现得同样好,但只有具有多个浮游生物状态变量的模型才能在两个地点具有相同的模型参数。该研究强调了模型参数的空间变异性以解释不同的生态状况的必要性。因此,对于所包含的生态系统组成部分,如整个海洋的浮游植物,不存在一组独特的模型参数,模型参数的灵活性需要纳入模型应用中。 生物模型的不确定性不仅存在于模型参数中,还延伸到用于描述生物系统的方程的选择(Franks 2009)。参数和模型公式的不确定性在BGC建模中引入了较大的模型误差,这有利于探索参数空间、模型复杂性和模型公式的参数估计研究(例如Matear 1995)。解决所有这三个问题的能力证明了BGC数据同化的参数估计方法的价值。此外,参数估计可以深入了解哪些观测数据对于构建和约束更现实的模型至关重要,并确定再现观测数据所需的关键模型参数(Kidston et al. 2010)。后一种结果提供了一种方便的方法来识别关键模型参数的子集,这些参数捕获了生物系统的关键观察动力学,然后探索这些参数如何影响系统的动力学(例如Friedrichs等,2006)。 关于参数估计方法需要注意的一个重要方面是,可能会估计出不现实的参数值,因为重要的过程被排除在模型公式之外(这些被称为模型中的结构错误)。因此,所估算的模型参数值必须进行生态评估并认为合理,否则所制定的模型存在结构误差。 状态估计数据同化的吸引力在于,它提供了一种将物理和生物观测纳入数值模型的方法,以获得与观测动态一致的BGC场的演化,并提供了一种在空间和时间上扩展观测的工具(Lee et al. 2009)。状态估计的应用是通过修正海洋状态来克服模型中的局限性,从而产生更真实的海洋状态演变(Natvik和Evensen 2003a)。该方法提供了一种限制模式误差(参数、公式、初始化和强制)影响的方法,以更好地预测和预测海洋状态。 Gregg(2008)的研究对连续BGC数据同化研究进行了很好的回顾,我在这里简要总结一下。毫不奇怪,这些研究的重点是将海洋颜色表面叶绿素a浓度同化到其BGC模型中,因为该数据产品提供了海洋生物系统的最佳空间和时间数据。 序列数据同化的第一个例子直接将CZCS叶绿素插入美国东南海岸的三维模型(Ishizaka 1990)。他们立即改进了叶绿素模拟,但这些改进只持续了几天,模型模拟就偏离了观测结果。模型模拟与观测的差异反映了生物模型中高估叶绿素a的偏差。纠正这种偏差对于获得更好和更持久的状态估计结果至关重要。最近,集成卡尔曼滤波器(EnKF)已被用于将SeaWiFS海洋颜色叶绿素a数据同化到三维北大西洋模型中(Natvik和Evensen 2003 a, b)。他们表明,EnKF更新后的海洋状态与观测到的浮游植物和硝酸盐浓度一致。然而,该研究并未显示与未同化数据的任何比较,从而对BGC状态估计的影响进行定量评估(Gregg et al. 2009)。随后,Gregg(2008)使用条件松弛分析方法(CRAM)将多年的seaifs数据连续同化为3D BGC模型。毫不奇怪,他们提高了表面叶绿素a的估计,因为这是被同化的状态变量。通过观察数据同化对模拟深度综合初级生产的影响,进行了更独立的评估,结果显示,与叶绿素A的改善相比,数据同化的改善要温和得多。 最近,Hemmings等人(2008)提出了一种氮平衡方案,目的是同化海洋颜色叶绿素a,以提高对海水二氧化碳分压的估计。他们在北大西洋的两个地点(北纬30度和北纬50度)进行了一维模拟,以评估他们的方案的性能。该方案利用叶绿素a和其他生物状态变量之间的协方差,其计算成本是多变量EnKF方案的一小部分。为此,Hemmings等人(2008)使用一维模型模拟和不同的模型参数来提取模拟叶绿素a和其他生物变量之间的关系。然后,该信息用于将同化叶绿素a的数据投射到所有生物状态变量上。他们表明,在只更新浮游植物和DIC的情况下,氮平衡方法改善了海洋二氧化碳分压模拟。在30N时,表面pCO2的RMS误差降低了50%以上(4 ^ atm到小于2 ^ atm)。而在50N时,表面pCO2 RMS误差几乎没有改善,但磁场偏差从-2 ^ atm减小到几乎为零。 目前,状态估计的应用仅限于利用遥感海洋颜色叶绿素a,要将这一信息从海洋表面扩展到海洋内部,需要耦合的生物-物理模型。此外,许多彩色图像被云层损坏,填补这些数据空白是状态估计的另一个明显结果。最后,我们最感兴趣的领域很可能没有得到充分的观察,无法提供所需的空间和时间覆盖(例如二氧化碳分压)。对于这些情况,数据同化提供了利用现有观测来生成感兴趣的领域的工具。 12.4在GODAE系统中添加BGC数据同化的挑战 全球海洋数据同化实验(GODAE)的构想是提供三维描绘<一个title="全球海洋环流gydF4y2Ba" href="//www.zandimusic.com/earth-surface-2/ocean-circulation.html">全球海洋环流 GODAE的工作涉及三个方面:(1)中尺度海洋分析和预测,(2)季节-年际预测的初始化,以及(3)状态估计(再分析)产品(Lee et al. 2009)。在讨论将BGC纳入GODAE工作的问题时,重点是如何修改状态估计问题。不同的研究小组应用了一系列同化方法来估计海洋状态,从伴随方法到顺序方法。 的<一个title="伴随方法gydF4y2Ba" href="//www.zandimusic.com/oceanography/adjoint-data-assimilation-methods.html">伴随方法 由各个海洋再分析小组(例如澳大利亚的Bluelink (Oke et al. 2008))实施的顺序方法;来自英国的泡沫(Martin et al. 2007);来自法国的Mercator (Brasseur et al. 2005))通常比伴随方法计算更有效。序贯方法通过对海洋状态应用统计修正,使估计状态偏离基础物理模型的精确解。这样的修正就像热、盐和动量的内部源/汇。有兴趣的读者应该阅读Zaron(这一期),以获得更全面的顺序数据同化介绍。要应用顺序数据同化,需要了解一个状态变量的观测结果如何投射到当时的其他状态变量上,这包括所有模型网格点的所有状态变量。该信息被称为多变量背景误差协方差(BECs),是根据未同化模型中状态变量演化中的异常计算得出的。在实践中,BECs的估计值要么来自具有不同状态变量初始值的模拟集合(Brasseur et al. 2005),要么来自仅一个模拟的多年运行(Oke et al. 2008)。使用BECs的好处是:它们反映了不同区域海洋环流的长度尺度和各向异性。 They provide the information on the covariances between different state variables in a dynamically consistent way (we use the term dynamically consistent to describe an ocean state that can be generated by the model). Finally they are easily generalized to assimilate different observation types in a single step. Therefore, one might expect the approach could easily be generalized to include BGC information. There have been a number of attempts to do this (Natvik and Evensen 2003a, b). 现在,我们将使用简单的BGC模型(一种教学工具)来探讨这些问题,以评估BECs是否为BGC状态估计数据同化提供了合适的途径。 生物地球化学状态估计的一个关键数据集是海洋颜色叶绿素A,因此下面的讨论将集中于浮游植物浓度的限制如何影响BGC状态变量。使用BECs是实现BGC数据同化的一种明显方法,但是BGC模型的不确定性和偏差会对估计的BECs和由此产生的数据同化状态估计产生巨大影响。对于三维BGC建模,BECs的计算提出了一个挑战,因为控制状态变量之间流动的生化过程是不确定的。这种不确定性表现在模型参数的不确定性、模型参数随时间的演化、模型制定的不确定性以及模型结构中的误差(即模型简化和缺失过程)。使用集成方法(例如EnKF)捕获这种不确定性对于3D BGC模型来说是需要计算的,因为很难包含足够数量的集成成员来解释所有BGC模型的不确定性。EnOI方法(Brassington et al. 2007)通过使用非同化海洋模型运行9年产生的统计数据,为物理状态变量提供了更有效的BECs计算。虽然三维BGC模型可以进行计算,但用这种方法计算的BECs不是时变的,这可能不适用于BGC状态变量,因为它们的当前状态,例如,浮游植物是否在生长,会改变BECs (Hemmings et al. 2008)。 目前GODAE系统在三维海洋环流模式内生成BECs在计算上还不可行,但是如果我们主要对光带中的BGC感兴趣,则有可能将三维BGC模型视为域内每个海洋表面格点的一组0D混合层表示。混合层中BGC场的演化通常由BGC过程控制,应用这种域分解通常是一个合理的假设。这种方法的例子包括前一节中提到的大多数参数估计研究。从海洋动力学的角度来看,驱动BGC场的关键物理过程是光带养分的垂直供给和光带中光的可用性。这两个过程都被合并到前面介绍的简单BGC模型中。 0D BGC模型需要的关键物理信息是垂直速度、垂直混合速率以及混合层深度和温度的时间演化。这些已经是由GODAE数据同化系统生成的标准状态变量,因此它们可用于我们的0D BGC模型。对于BGC数据同化,考虑到这些物理产品对BGC模型行为的重要性,需要对它们进行额外的评估,但这最好通过改进物理数据同化系统来实现。随着Argo温度和盐度剖面数量的迅速增加,观测信息为评价这些场和改进它们的物理数据同化系统提供了一条明确的前进道路。 通过将BECs的计算集中在光带的0D BGC模型上,从模拟集合中生成BECs在计算上是可行的。但是BECs应该是什么样的呢?考虑到BGC模型的非线性,我们期望BGC状态变量之间存在复杂的关系。Hemmings等人(2008)的氮平衡方法是基于发展不同BGC状态变量之间的机制联系。虽然他们讨论了BECs的复杂性和时间依赖性,但用我们简单的0-D BGC模型来回顾这个问题是有指导意义的。 使用第12.3节中描述的BGC模型来探究BGC状态变量之间的关系。为了计算BECs,我们在1月1日对这些状态变量的初始条件进行100次随机扰动。对初始状态的扰动为高斯分布,标准差为0.01 mmol N/m3,且正确的均值为零,以确保氮守恒。模拟发生在浮游植物的生长阶段,揭示了BGC模型及其BECs的几个重要特征。初始BGC状态变量的随机扰动不会引起BGC状态变量轨迹的长期变化,所有扰动都返回到未扰动模型的原始轨迹,电子折叠时间尺度约为25天(图12.3)。这反映了BGC状态变量遵循与未同化模型相同的轨迹的偏差。如果我们在处理顺序数据同化之前首先使用数据同化来估计观测数据中的模型参数,则模型行为中的偏差可能会减少。然而,我们永远不会期望在模型域中解释所有的模型偏差,而且我们希望数据同化能够帮助纠正这些缺陷,从而产生更真实的模型行为。扰动BGC状态变量的衰减涉及一个阻尼振荡,它反映了初始扰动的不平衡性质。对于像我们的0D BGC模型这样的非线性模型,当状态变量更新时,通常会生成一个不平衡状态,这将产生- b 1月1日起的天数 图12.3对于SAZ-Sense P1位点的0D BGC模型:a为1月1日随机扰动初始值±0.01 mmol N/m3得到的100个模拟集合生成的BGC状态变量异常的标准差。b只演化一个集成成员的BGC状态变量异常。BGC状态变量中的异常被定义为状态变量与图12.2中给出的解之间的差异 b 1月1日起的天数 图12.3对于SAZ-Sense P1位点的0D BGC模型:a为1月1日随机扰动初始值±0.01 mmol N/m3得到的100个模拟集合生成的BGC状态变量异常的标准差。b只演化一个集成成员的BGC状态变量异常。BGC状态变量中的异常被定义为状态变量与图12.2中给出的解之间的差异 在模型中产生不期望的反应,应避免这种情况。模拟的浮游植物(P)与其他状态变量之间的关系也很复杂(图12.4),与硝酸盐(N)有明显的负相关关系,与浮游动物(Z)和碎屑(D)没有明显的负相关关系(图中未显示)。浮游植物与硝酸盐的负相关关系是一种浮游植物生长依赖反应,更多的浮游植物等于更大的浮游植物生长,增加硝酸盐的吸收和降低硝酸盐的浓度,反之亦然。然而,浮游植物-浮游动物-浮游动物的关系似乎没有揭示出任何模式。P和Z之间的联系在我们绘制100每-的相图时变得更加清晰 0.012 - !E 0.0080.004 -0.000 "^"如果" rf- " fr. " - 啊! | 我*»< - CL - 0.008- 0.012 x * - -。 1 1 1 1 1 1 1 008 - .004 0.000 0.004 0.008 一个 1 1 1 1 1 1 1 1 1 1 1 1 0.012 - 到£ 0.008 X X * X X * - Se 0.004 xX xX " x * - 0.008 - 0.012 x * xX“xX«”x« x - - - - - - - 0.02 - 0.01 0.00 0.01 0.02 b浮游动物异常(mmol N / m3) - 0.02 - 0.01 0.00 0.01 0.02 b浮游动物异常(mmol N / m3) 图12.4 1月7日100成员集合模拟的浮游植物浓度异常与硝酸盐浓度异常(a)和浮游动物浓度异常(b)之间的关系。BGC状态变量中的异常被定义为状态变量与图12.2中给出的解之间的差异 湍流(图12.5)。由于Z响应对P扰动的滞后,我们忽略了两个状态变量之间的强联系。P和Z之间的滞后造成了BGC模型对随机扰动的不平衡响应,这在我们的模型模拟中导致了极限环。捕捉Z到P之间的这种随时间变化的联系并非易事,而且它将依赖于模型参数值的选择和摄动之前的BGC状态。 对于上面讨论的所有问题,使用BECs进行BGC数据同化是复杂的,并且不是处理BGC状态估计的有吸引力的方法。我们应该怎么做呢? 通过将磷浓度增加0.01 mmol N/m3的模拟,观察系统如何演变,可以帮助我们开发一个ap - 0.02 - 0.01 0.00 0.01 0.02浮游动物异常(mmol / m3) 图12.5初始化后50天模拟集合中浮游植物和浮游动物异常浓度的相位关系。每个星号代表一天,线代表一个集合成员。BGC状态变量中的异常被定义为状态变量与图12.2中给出的解之间的差异 - 0.02 - 0.01 0.00 0.01 0.02浮游动物异常(mmol / m3) 图12.5初始化后50天模拟集合中浮游植物和浮游动物异常浓度的相位关系。每个星号代表一天,线代表一个集合成员。BGC状态变量中的异常被定义为状态变量与图12.2中给出的解之间的差异 从而更有效地利用P观测值。这个模拟类似于BGC模型模拟低估P的情况,我们希望模型的行为更接近观测值。在这种状态扰动下,几天内扰动的浮游植物浓度迅速恢复到轻推前的值,同化几乎没有得到什么,除了我们产生了一个不平衡扰动,它在BGC状态变量中产生了一个振荡,并持续了许多天(图12.6a)。状态更新的不平衡性质在未直接同化的领域中最为明显,例如Z显示出比P大得多的变异性,如果没有持续的数据同化,我们将无法保持现实的P,并且将继续在其他BGC状态变量中产生虚假行为。然而,对于这个硝酸盐总是过量的地点(图12.2),控制磷的更直接的方法是通过放牧损失磷。通过减少10%的放牧(图12.6b),实现了更持久的浮游植物响应,其他BGC状态变量的响应缺乏虚假的可变性,因为BGC状态的变化是平衡的。基于放牧参数的不确定性,这种BGC模型的修正是合理的。 对掠食的修正是通过改变基础方程来纠正模型对P的低估,而不仅仅是改变P来反映观测结果。改变掠食速率会改变模型模拟的轨迹,导致P、Z、D持续增加,N持续减少(图12.6b)。BGC状态变量变化的持久性是一个可取的特征,因为它表明“同化”P可以对模型模拟产生持久的影响,从而避免数据同化仅对BGC状态演化提供短期改进的情况(例如Ishizaka 1990)。 0.01 0.008 0.006 0.004 0.002 0.002 0.004 0.06 0.05 1 z 0.04 O E £ 0.03 n o 类风湿性关节炎 ■你 0.02 n e c n o o 0.01 >。 类风湿性关节炎 E o 0 n < - 0.01 - 0.02 10 15 20 25自1月1日起 10 15 20 25 1月1日起 图12.6除浮游植物浓度0.01 mmol N/m3外,状态变量异常的0D BGC模型演化。b浮游动物对浮游植物的掠食率降低10%时的状态变量异常。两图中BGC状态变量异常用硝酸盐(深蓝色)、浮游植物(青色)、浮游动物(黄色)和碎屑(红色)表示,单位均为mmol N/m3。BGC状态变量中的异常被定义为状态变量与图12.2中给出的解之间的差异 现在我接受这是一个人为的例子,其中模型有明显的偏差,但这可能总是预期的模型参数和公式的不确定性。在之前的双胞胎实验中,顺序数据同化被应用于BGC状态变量并被判断为成功,但必须强调的是,模型生成的观测数据用于数据同化,因此它们相对于用于数据同化的模型是无偏的(Eknes和Evensen 2002)。因此,在他们对数据同化成功的评估中,模型偏差的影响被忽略了,这在现实世界的应用中不是这样的。 这个简单的例子强调了扰动模型参数的好处,Dowd (2007);Mattern等人(2010);Jones等人(2010)都提供了更广泛的例子,说明如何扰动底层模型参数来再现BGC场的观测状态演化。这些平衡方法(即只改变模型参数)在模型状态下同时提供参数估计,而不假设模型参数在时间上是常数。利用时间演化参数值来改变BGC状态变量以拟合观测值具有生态学意义,因为我们期望控制这些参数值的生物过程在空间和时间上都是变化的。理想情况下,对于GODAE BGC数据同化,我们希望像Dowd(2007)的1D研究那样,进行不同模型参数的集成;Mattern等人(2010);Jones等人(2010)进入3D BGC模型,但运行多个BGC模型的计算开销是不可能的。因此,我们需要将潜在的参数减少到一个参数集。也许我们可以对模型参数如何在时间和空间上演化做出一些生态上站得住的选择,以符合模型参数不确定性和观测中的不确定性。 12.4.4建议的BGC状态估计的顺序数据同化 在前一节中,我讨论了为BGC字段应用状态估计时的几个问题。现在我想提出一种将BGC合并到GODAE系统状态估计中的方法。以下是进行顺序BGC状态估计的建议步骤序列,也在图12.7中概述。 1.将观测到的遥感海洋颜色叶绿素a浓度转换为表面浮游植物浓度的估估,为BGC数据同化提供观测约束。注意,另一种替代方法是将叶绿素a作为BGC模型的状态变量,并在BGC模型中包括浮游植物N:叶绿素a比率的公式(例如Hemmings等人(2008))。 2.利用从浮游植物观测得来的季节气候学,对三维BGC模式的0D BGC表示进行参数估计 PD1(观察)Pi (4) 继续阅读:<一个href="//www.zandimusic.com/oceanography/xa-xb-axx-vyy-xb136.html">Xa Xb aXX Vyy Xb136 这篇文章有用吗?12.1介绍
12.2生物地球化学建模
12.3.1参数估计
12.3.2海况估计
12.4.1背景
12.4.2可能存在的问题及解决办法
12.4.3基于BECs的BGC数据同化试验
读者的问题
-
Sagramor隧道
-
Sagramor隧道