diff --git a/body/graduate/content.tex b/body/graduate/content.tex index 618c8883..ddbf254f 100644 --- a/body/graduate/content.tex +++ b/body/graduate/content.tex @@ -1,103 +1,10 @@ -\chapter{关于本模板} - -本模板根据浙江大学研究生院编写的《浙江大学研究生学位论文编写规则》~\cite{zjugradthesisrules}， -在原有的 zjuthesis 模板~\cite{zjuthesis}基础上开发而来。 - -本模板的本科生版本\cite{zjuthesisrules}得到了浙江大学本科生院老师的支持与审核， -已经在本科生院网上公示。 -但当前的研究生版本并未经过研究生院老师的审核， -同学们使用时要注意对照模板与要求， -切不可盲目使用。 - -作者本人并未编写过浙江大学研究生毕业论文， -所以不清楚具体要求。 -如果有热心同学愿意帮忙， -可以替我联系相关老师，我会配合审核并修改代码。 - -\section{Overleaf 使用注意事项} - -如果你在Overleaf上编译本模板，请注意如下事项： - -\begin{itemize} - \item 删除根目录的 ``.latexmkrc'' 文件，否则编译失败且不报任何错误 - \item 字体有版权所以本模板不能附带字体，请务必手动上传字体文件，并在各个专业模板下手动指定字体。 - 具体方法参照 GitHub 主页的说明。 - \item 当前的Overleaf默认使用TexLive 2017进行编译，但一些伪粗体复制乱码的问题需要TexLive 2019版本来解决。 - 所以各位同学可以在Overleaf上编写论文时务必切换到TexLive 2019或更新版本来编译，以免产生查重相关问题。 - 具体说明参照 GitHub 主页。 -\end{itemize} - - -\section{节标题} - -我们可以用includegraphics来插入现有的jpg等格式的图片， -如\autoref{fig:zju-logo}所示。 - -\begin{figure}[htbp] - \centering - \includegraphics[width=.3\linewidth]{logo/zju} - \caption{\label{fig:zju-logo}浙江大学LOGO} -\end{figure} - - -\subsection{小节标题} - - -\par 如\autoref{tab:sample}所示，这是一张自动调节列宽的表格。 - -\begin{table}[htbp] - \caption{\label{tab:sample}自动调节列宽的表格} - \begin{tabularx}{\linewidth}{c|X<{\centering}} - \hline - 第一列 & 第二列 \\ \hline - xxx & xxx \\ \hline - xxx & xxx \\ \hline - xxx & xxx \\ \hline - \end{tabularx} -\end{table} - - -\par 如\autoref{equ:sample}，这是一个公式 - -\begin{equation} - \label{equ:sample} - A=\overbrace{(a+b+c)+\underbrace{i(d+e+f)}_{\text{虚数}}}^{\text{复数}} -\end{equation} - -\chapter{另一章} - - -\begin{figure}[htbp] - \centering - \includegraphics[width=.3\linewidth]{example-image-a} - \caption{\label{fig:fig-placeholder}图片占位符} -\end{figure} - -\chapter{再一章} - -\par 如\autoref{alg:sample}，这是一个算法 - -\begin{algorithm}[H] - \begin{algorithmic} % enter the algorithmic environment - \REQUIRE $n \geq 0 \vee x \neq 0$ - \ENSURE $y = x^n$ - \STATE $y \Leftarrow 1$ - \IF{$n < 0$} - \STATE $X \Leftarrow 1 / x$ - \STATE $N \Leftarrow -n$ - \ELSE - \STATE $X \Leftarrow x$ - \STATE $N \Leftarrow n$ - \ENDIF - \WHILE{$N \neq 0$} - \IF{$N$ is even} - \STATE $X \Leftarrow X \times X$ - \STATE $N \Leftarrow N / 2$ - \ELSE[$N$ is odd] - \STATE $y \Leftarrow y \times X$ - \STATE $N \Leftarrow N - 1$ - \ENDIF - \ENDWHILE - \end{algorithmic} - \caption{\label{alg:sample}算法样例} -\end{algorithm} \ No newline at end of file +\chapter{绪论} +\input{body/主体内容/1绪论部分} +\chapter{研究区域与数据处理} +\input{body/主体内容/2研究区域与数据处理} +\chapter{基于机器学习算法的\texorpdfstring{$p\rm CO_2$}{}反演模型建立与分析} +\input{body/主体内容/3基于机器学习算法的pCO2反演模型建立与分析} +\chapter{南大洋\texorpdfstring{$p\rm CO_2$}{}和碳汇的时空变化} +\input{body/主体内容/4南大洋碳汇变化} +\chapter{结论与展望} +\input{body/主体内容/5结论与展望} diff --git a/body/ref.bib b/body/ref.bib index 937ec0a1..2077e547 100644 --- a/body/ref.bib +++ b/body/ref.bib @@ -1,4 +1,1157 @@ % use `texdoc biblatex` to get help +@article{wu2023controversial, + title={The controversial Southern Ocean air-sea CO2 flux in the era of autonomous ocean observations}, + author={Wu, Yingxu and Qi, Di}, + journal={Science Bulletin}, + volume={68}, + number={21}, + pages={2519--2522}, + year={2023} +} +@article{arteaga2020seasonal, + title={Seasonal modulation of phytoplankton biomass in the Southern Ocean}, + author={Arteaga, Lionel A and Boss, Emmanuel and Behrenfeld, Michael J and Westberry, Toby K and Sarmiento, Jorge L}, + journal={Nature Communications}, + volume={11}, + number={1}, + pages={5364}, + year={2020}, + publisher={Nature Publishing Group UK London} +} +@article{weiss1974carbon, + title={Carbon dioxide in water and seawater: the solubility of a non-ideal gas}, + author={Weiss, R\_F}, + journal={Marine chemistry}, + volume={2}, + number={3}, + pages={203--215}, + year={1974}, + publisher={Elsevier} +} +@article{uchida2019southern, + title={Southern Ocean phytoplankton blooms observed by biogeochemical floats}, + author={Uchida, Takaya and Balwada, Dhruv and Abernathey, Ryan and Prend, Channing J and Boss, Emmanuel and Gille, Sarah T}, + journal={Journal of Geophysical Research: Oceans}, + volume={124}, + number={11}, + pages={7328--7343}, + year={2019}, + publisher={Wiley Online Library} +} +@article{behrenfeld2019global, + title={Global satellite-observed daily vertical migrations of ocean animals}, + author={Behrenfeld, Michael J and Gaube, Peter and Della Penna, Alice and O’malley, Robert T and Burt, William J and Hu, Yongxiang and Bontempi, Paula S and Steinberg, Deborah K and Boss, Emmanuel S and Siegel, David A and others}, + journal={Nature}, + volume={576}, + number={7786}, + pages={257--261}, + year={2019}, + publisher={Nature Publishing Group UK London} +} +%SST +@article{hu2009building, + title={Building an automated integrated observing system to detect sea surface temperature anomaly events in the Florida Keys}, + author={Hu, Chuanmin and Muller-Karger, Frank and Murch, Brock and Myhre, Douglas and Taylor, Judd and Luerssen, Remy and Moses, Christopher and Zhang, Caiyun and Gramer, Lew and Hendee, James}, + journal={IEEE Transactions on Geoscience and Remote Sensing}, + volume={47}, + number={6}, + pages={1607--1620}, + year={2009}, + publisher={IEEE} +} +%xco2 +@misc{dlugokencky2021atmospheric, + title={Atmospheric carbon dioxide dry air mole fractions from the NOAA GML carbon cycle cooperative global air sampling network, 1968--2019}, + author={Dlugokencky, EJ and Mund, JW and Crotwell, AM and Crotwell, MJ and Thoning, KW}, + year={2021}, + publisher={Version} +} +@article{wanninkhof2014relationship, + title={Relationship between wind speed and gas exchange over the ocean revisited}, + author={Wanninkhof, Rik}, + journal={Limnology and Oceanography: Methods}, + volume={12}, + number={6}, + pages={351--362}, + year={2014}, + publisher={Wiley Online Library} +} + +% bbp +@article{stephens2002cloudsat, + title={The CloudSat mission and the A-Train: A new dimension of space-based observations of clouds and precipitation}, + author={Stephens, Graeme L and Vane, Deborah G and Boain, Ronald J and Mace, Gerald G and Sassen, Kenneth and Wang, Zhien and Illingworth, Anthony J and O'connor, Ewan J and Rossow, William B and Durden, Stephen L and others}, + journal={Bulletin of the American Meteorological Society}, + volume={83}, + number={12}, + pages={1771--1790}, + year={2002}, + publisher={American Meteorological Society} +} +@inproceedings{winker2003accounting, + title={Accounting for multiple scattering in retrievals from space lidar}, + author={Winker, David M}, + booktitle={12th International Workshop on Lidar Multiple Scattering Experiments}, + volume={5059}, + pages={128--139}, + year={2003}, + organization={SPIE} +} + + +%研究现状 +@article{nakaoka2013estimating, + title={Estimating temporal and spatial variation of ocean surface pCO2 in the North Pacific using a self-organizing map neural network technique}, + author={Nakaoka, S-i and Telszewski, M and Nojiri, Y and Yasunaka, S and Miyazaki, C and Mukai, H and Usui, N}, + journal={Biogeosciences}, + volume={10}, + number={9}, + pages={6093--6106}, + year={2013}, + publisher={Copernicus GmbH} +} +@article{gregor2017empirical, + title={Empirical methods for the estimation of Southern Ocean CO 2: support vector and random forest regression}, + author={Gregor, Luke and Kok, Schalk and Monteiro, Pedro}, + journal={Biogeosciences}, + volume={14}, + number={23}, + pages={5551--5569}, + year={2017}, + publisher={Copernicus GmbH} +} +@article{zhang2022carbon, + title={Carbon Air--Sea Flux in the Arctic Ocean from CALIPSO from 2007 to 2020}, + author={Zhang, Siqi and Chen, Peng and Zhang, Zhenhua and Pan, Delu}, + journal={Remote Sensing}, + volume={14}, + number={24}, + pages={6196}, + year={2022}, + publisher={MDPI} +} + +@article{gray2018autonomous, + title={Autonomous biogeochemical floats detect significant carbon dioxide outgassing in the high-latitude Southern Ocean}, + author={Gray, Alison R and Johnson, Kenneth S and Bushinsky, Seth M and Riser, Stephen C and Russell, Joellen L and Talley, Lynne D and Wanninkhof, Rik and Williams, Nancy L and Sarmiento, Jorge L}, + journal={Geophysical Research Letters}, + volume={45}, + number={17}, + pages={9049--9057}, + year={2018}, + publisher={Wiley Online Library} +} +@article{bushinsky2019reassessing, + title={Reassessing Southern Ocean air-sea CO2 flux estimates with the addition of biogeochemical float observations}, + author={Bushinsky, Seth M and Landschutzer, Peter and Rodenbeck, Christian and Gray, Alison R and Baker, David and Mazloff, Matthew R and Resplandy, Laure and Johnson, Kenneth S and Sarmiento, Jorge L}, + journal={Global Biogeochemical Cycles}, + volume={33}, + number={11}, + pages={1370--1388}, + year={2019}, + publisher={Wiley Online Library} +} +@article{mackay2022improved, + title={Improved winter data coverage of the Southern Ocean CO2 sink from extrapolation of summertime observations}, + author={Mackay, Neill and Watson, Andrew J and Suntharalingam, Parvada and Chen, Zhaohui and Landsch{\"u}tzer, Peter}, + journal={Communications Earth \& Environment}, + volume={3}, + number={1}, + pages={265}, + year={2022}, + publisher={Nature Publishing Group UK London} +} + +@article{fay2018utilizing, + title={Utilizing the Drake Passage Time-series to understand variability and change in subpolar Southern Ocean pCO2}, + author={Fay, Amanda R and Lovenduski, Nicole S and McKinley, Galen A and Munro, David R and Sweeney, Colm and Gray, Alison R and Landsch{\"u}tzer, Peter and Stephens, Britton B and Takahashi, Taro and Williams, Nancy}, + journal={Biogeosciences}, + volume={15}, + number={12}, + pages={3841--3855}, + year={2018}, + publisher={Copernicus GmbH} +} + + +@article{brown2019enhanced, + title={Enhanced oceanic CO2 uptake along the rapidly changing West Antarctic Peninsula}, + author={Brown, Michael S and Munro, David R and Feehan, Colette J and Sweeney, Colm and Ducklow, Hugh W and Schofield, Oscar M}, + journal={Nature Climate Change}, + volume={9}, + number={9}, + pages={678--683}, + year={2019}, + publisher={Nature Publishing Group UK London} +} +@article{mongwe2016seasonal, + title={The seasonal cycle as a mode to diagnose biases in modelled CO2 fluxes in the Southern Ocean}, + author={Mongwe, N Precious and Chang, Nicolette and Monteiro, Pedro MS}, + journal={Ocean Modelling}, + volume={106}, + pages={90--103}, + year={2016}, + publisher={Elsevier} +} + +@article{mongwe2018seasonal, + title={The seasonal cycle of pCO2 and CO2 fluxes in the Southern Ocean: diagnosing anomalies in CMIP5 Earth system models}, + author={Mongwe, N Precious and Vichi, Marcello and Monteiro, Pedro MS}, + journal={Biogeosciences}, + volume={15}, + number={9}, + pages={2851--2872}, + year={2018}, + publisher={Copernicus Publications G{\"o}ttingen, Germany} +} + +@article{kessler2016southern, + title={The Southern Ocean as a constraint to reduce uncertainty in future ocean carbon sinks}, + author={Kessler, A and Tjiputra, J}, + journal={Earth System Dynamics}, + volume={7}, + number={2}, + pages={295--312}, + year={2016}, + publisher={Copernicus Publications G{\"o}ttingen, Germany} +} + +@article{long2021strong, + title={Strong Southern Ocean carbon uptake evident in airborne observations}, + author={Long, Matthew C and Stephens, Britton B and McKain, Kathryn and Sweeney, Colm and Keeling, Ralph F and Kort, Eric A and Morgan, Eric J and Bent, Jonathan D and Chandra, Naveen and Chevallier, Frederic and others}, + journal={Science}, + volume={374}, + number={6572}, + pages={1275--1280}, + year={2021}, + publisher={American Association for the Advancement of Science} +} + + +@article{landschutzer2016decadal, + title={Decadal variations and trends of the global ocean carbon sink}, + author={Landsch{\"u}tzer, Peter and Gruber, Nicolas and Bakker, Dorothee CE}, + journal={Global Biogeochemical Cycles}, + volume={30}, + number={10}, + pages={1396--1417}, + year={2016}, + publisher={Wiley Online Library} +} +@article{guha2022role, + title={Role of surface CO2 sources and wind transport on atmospheric CO2 variability over the Bay of Bengal during Southwest Monsoon-using mixing ratio, carbon isotope ratio and model simulated wind field}, + author={Guha, Tania and Ghosh, Subhomoy and Raghava, Yakkala Yagnesh and Bhat, Ganapati Shankar and Ghosh, Prosenjit and Tiwari, Yogesh and Kumar, Kunchala Ravi}, + year={2022} +} + +@article{fay2014global, + title={Global open-ocean biomes: mean and temporal variability}, + author={Fay, AR and McKinley, GA}, + journal={Earth System Science Data}, + volume={6}, + number={2}, + pages={273--284}, + year={2014}, + publisher={Copernicus Publications G{\"o}ttingen, Germany} +} +@article{mao2023reconstructing, + title={Reconstructing Ocean Subsurface Temperature and Salinity from Sea Surface Information Based on Dual Path Convolutional Neural Networks}, + author={Mao, Kai and Liu, Chang and Zhang, Shaoqing and Gao, Feng}, + journal={Journal of Marine Science and Engineering}, + volume={11}, + number={5}, + pages={1030}, + year={2023}, + publisher={MDPI} +} +@article{le2019estimating, + title={Estimating summer sea surface pCO2 on a river-dominated continental shelf using a satellite-based semi-mechanistic model}, + author={Le, Chengfeng and Gao, Yiyang and Cai, Wei-Jun and Lehrter, John C and Bai, Yan and Jiang, Zong-Pei}, + journal={Remote Sensing of Environment}, + volume={225}, + pages={115--126}, + year={2019}, + publisher={Elsevier} +} +@article{bai2015mechanistic, + title={A mechanistic semi-analytical method for remotely sensing sea surface pCO2 in river-dominated coastal oceans: A case study from the East China Sea}, + author={Bai, Yan and Cai, Wei-Jun and He, Xianqiang and Zhai, Weidong and Pan, Delu and Dai, Minhan and Yu, Peisong}, + journal={Journal of Geophysical Research: Oceans}, + volume={120}, + number={3}, + pages={2331--2349}, + year={2015}, + publisher={Wiley Online Library} +} +@article{chen2017estimating, + title={Estimating surface pCO2 in the northern Gulf of Mexico: Which remote sensing model to use?}, + author={Chen, Shuangling and Hu, Chuanmin and Cai, Wei-Jun and Yang, Bo}, + journal={Continental Shelf Research}, + volume={151}, + pages={94--110}, + year={2017}, + publisher={Elsevier} +} + +@article{evans2015sea, + title={Sea-air CO2 exchange in the western Arctic coastal ocean}, + author={Evans, Wiley and Mathis, Jeremy T and Cross, Jessica N and Bates, Nicholas R and Frey, Karen E and Else, Brent GT and Papkyriakou, Tim N and DeGrandpre, Mike D and Islam, Fakhrul and Cai, Wei-Jun and others}, + journal={Global Biogeochemical Cycles}, + volume={29}, + number={8}, + pages={1190--1209}, + year={2015}, + publisher={Wiley Online Library} +} + +%Jena-MLS +@article{rodenbeck2014interannual, + title={Interannual sea--air CO2 flux variability from an observation-driven ocean mixed-layer scheme}, + author={R{\"o}denbeck, Christian and Bakker, Dorothee CE and Metzl, Nicolas and Olsen, Are and Sabine, Chris and Cassar, Nicolas and Reum, Friedemann and Keeling, Ralph F and Heimann, Martin}, + journal={Biogeosciences}, + volume={11}, + number={17}, + pages={4599--4613}, + year={2014}, + publisher={Copernicus GmbH} +} + +@article{MPI_SOMFFN, + title={Recent variability of the global ocean carbon sink}, + author={Landsch{\"u}tzer, Peter and Gruber, Nicolas and Bakker, Dorothee CE and Schuster, Ute}, + journal={Global Biogeochemical Cycles}, + volume={28}, + number={9}, + pages={927--949}, + year={2014}, + publisher={Wiley Online Library} +} + +@article{LSCE_FFNN, + title={LSCE-FFNN-v1: a two-step neural network model for the reconstruction of surface ocean pCO2 over the global ocean}, + author={Denvil-Sommer, Anna and Gehlen, Marion and Vrac, Mathieu and Mejia, Carlos}, + journal={Geoscientific Model Development}, + volume={12}, + number={5}, + pages={2091--2105}, + year={2019}, + publisher={Copernicus GmbH} +} +@article{CSIR_ML6, + title={A comparative assessment of the uncertainties of global surface ocean CO2 estimates using a machine-learning ensemble (CSIR-ML6 version 2019a)--have we hit the wall?}, + author={Gregor, Luke and Lebehot, Alice D and Kok, Schalk and Scheel Monteiro, Pedro M}, + journal={Geoscientific Model Development}, + volume={12}, + number={12}, + pages={5113--5136}, + year={2019}, + publisher={Copernicus GmbH} +} + +@article{zeng2017evaluation, + title={Evaluation of three machine learning models for surface ocean CO2 mapping}, + author={Zeng, Jiye and Matsunaga, Tsuneo and Saigusa, Nobuko and Shirai, Tomoko and Nakaoka, Shin-ichiro and Tan, Zheng-Hong}, + journal={Ocean Science}, + volume={13}, + number={2}, + pages={303--313}, + year={2017}, + publisher={Copernicus GmbH} +} + +@article{valsala2021observing, + title={An observing system simulation experiment for Indian Ocean surface pCO2 measurements}, + author={Valsala, Vinu and Sreeush, Mohanan Geethalekshmi and Anju, M and Sreenivas, Pentakota and Tiwari, Yogesh K and Chakraborty, Kunal and Sijikumar, S}, + journal={Progress in Oceanography}, + volume={194}, + pages={102570}, + year={2021}, + publisher={Elsevier} +} + +% 大西洋区域？？？ + +@article{wangxinyi, + title={高分辨率海水表层二氧化碳分压重构}, + author={王馨仪 and 吴楚仪 and 吴森森 and 陈奕君 and 杜震洪}, + journal={海洋学报}, + volume={45}, + number={3}, + pages={147--158}, + year={2023}, + publisher={海洋学报} +} + + +@article{tu2021increase, + title={Increase in CO2 uptake capacity in the Arctic Chukchi Sea during summer revealed by satellite-based estimation}, + author={Tu, Zebin and Le, Chengfeng and Bai, Yan and Jiang, Zongpei and Wu, Yingxu and Ouyang, Zhangxian and Cai, Wei-Jun and Qi, Di}, + journal={Geophysical Research Letters}, + volume={48}, + number={15}, + pages={e2021GL093844}, + year={2021}, + publisher={Wiley Online Library} +} + +@article{lenton2013sea, + title={Sea--air CO 2 fluxes in the Southern Ocean for the period 1990--2009}, + author={Lenton, Andrew and Tilbrook, Bronte and Law, Rachel M and Bakker, D and Doney, Scott C and Gruber, Nicolas and Ishii, Masao and Hoppema, Mario and Lovenduski, Nicole S and Matear, Richard J and others}, + journal={Biogeosciences}, + volume={10}, + number={6}, + pages={4037--4054}, + year={2013}, + publisher={Copernicus GmbH} +} +@article{majkut2014observing, + title={An observing system simulation for Southern Ocean carbon dioxide uptake}, + author={Majkut, Joseph D and Carter, Brendan R and Fr{\"o}licher, Thomas L and Dufour, Carolina O and Rodgers, Keith B and Sarmiento, Jorge L}, + journal={Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences}, + volume={372}, + number={2019}, + pages={20130046}, + year={2014}, + publisher={The Royal Society Publishing} +} +@article{seferian2012water, + title={Water mass analysis of effect of climate change on air--sea CO2 fluxes: The Southern Ocean}, + author={S{\'e}f{\'e}rian, Roland and Iudicone, Daniele and Bopp, Laurent and Roy, Tilla and Madec, Gurvan}, + journal={Journal of Climate}, + volume={25}, + number={11}, + pages={3894--3908}, + year={2012}, + publisher={American Meteorological Society} +} +@article{sokolov2009circumpolar, + title={Circumpolar structure and distribution of the Antarctic Circumpolar Current fronts: 1. Mean circumpolar paths}, + author={Sokolov, Serguei and Rintoul, Stephen R}, + journal={Journal of Geophysical Research: Oceans}, + volume={114}, + number={C11}, + year={2009}, + publisher={Wiley Online Library} +} + + +@article{stamell2020strengths, + title={Strengths and weaknesses of three Machine Learning methods for pCO2 interpolation}, + author={Stamell, Jake and Rustagi, Rea R and Gloege, Lucas and McKinley, Galen A}, + journal={Geoscientific Model Development Discussions}, + pages={1--25}, + year={2020}, + publisher={Copernicus GmbH} +} + +@Article{Wanninkhof_2013, +AUTHOR = {Wanninkhof, R. and Park, G.-H. and Takahashi, T. and Sweeney, C. and Feely, R. and Nojiri, Y. and Gruber, N. and Doney, S. C. and McKinley, G. A. and Lenton, A. and Le Qu\'er\'e, C. and Heinze, C. and Schwinger, J. and Graven, H. and Khatiwala, S.}, +TITLE = {Global ocean carbon uptake: magnitude, variability and trends}, +JOURNAL = {Biogeosciences}, +VOLUME = {10}, +YEAR = {2013}, +NUMBER = {3}, +PAGES = {1983--2000}, +URL = {https://bg.copernicus.org/articles/10/1983/2013/}, +DOI = {10.5194/bg-10-1983-2013} +} + +@Article{odenbeck_2015_databased, +AUTHOR = {R\"odenbeck, C. and Bakker, D. C. E. and Gruber, N. and Iida, Y. and Jacobson, A. R. and Jones, S. and Landsch\"utzer, P. and Metzl, N. and Nakaoka, S. and Olsen, A. and Park, G.-H. and Peylin, P. and Rodgers, K. B. and Sasse, T. P. and Schuster, U. and Shutler, J. D. and Valsala, V. and Wanninkhof, R. and Zeng, J.}, +TITLE = {Data-based estimates of the ocean carbon sink variability –first results of the Surface Ocean pCO2 Mapping intercomparison (SOCOM)}, +JOURNAL = {Biogeosciences}, +VOLUME = {12}, +YEAR = {2015}, +NUMBER = {23}, +PAGES = {7251--7278}, +URL = {https://bg.copernicus.org/articles/12/7251/2015/}, +DOI = {10.5194/bg-12-7251-2015} +} + +@article{takahashi1997global, + title={Global air-sea flux of CO2: An estimate based on measurements of sea--air pCO2 difference}, + author={Takahashi, Taro and Feely, Richard A and Weiss, Ray F and Wanninkhof, Rik H and Chipman, David W and Sutherland, Stewart C and Takahashi, Timothy T}, + journal={Proceedings of the National Academy of Sciences}, + volume={94}, + number={16}, + pages={8292--8299}, + year={1997}, + publisher={National Acad Sciences} +} +@article{takahashi1999net, + title={Net sea-air CO2 flux over the global oceans: An improved estimate based on the sea-air pCO2 difference}, + author={Takahashi, T and Wanninkhof, WH and Feely, RA and Weiss, RF and Chipman, DW and Bates, NR and Olafsson, John and Sabine, CL and Sutherland, SG}, + year={1999}, + publisher={Center for Global Environmental Research, National Institute for~…} +} + +@article{takahashi2002global, + title={Global sea--air CO2 flux based on climatological surface ocean pCO2, and seasonal biological and temperature effects}, + author={Takahashi, Taro and Sutherland, Stewart C and Sweeney, Colm and Poisson, Alain and Metzl, Nicolas and Tilbrook, Bronte and Bates, Nicolas and Wanninkhof, Rik and Feely, Richard A and Sabine, Christopher and others}, + journal={Deep Sea Research Part II: Topical Studies in Oceanography}, + volume={49}, + number={9-10}, + pages={1601--1622}, + year={2002}, + publisher={Elsevier} +} +@article{park2010variability, + title={Variability of global net sea--air CO2 fluxes over the last three decades using empirical relationships}, + author={Park, Geun-Ha and Wanninkhof, RIK and Doney, Scott and Takahashi, Taro and Lee, Kitack and Feely, Richard and Sabine, Christopher and Trin~ anes, Joaquin and Lima, Ivan}, + journal={Tellus B: Chemical and Physical Meteorology}, + volume={62}, + number={5}, + pages={352--368}, + year={2010}, + publisher={Taylor \& Francis} +} +@article{abou2018xgboost, + title={XGBoost and LGBM for Porto Seguro’s Kaggle challenge: A comparison}, + author={Abou Omar, Kamil Belkhayat}, + journal={Preprint Semester Project}, + year={2018} +} + +@article{dhaliwal2018effective, + title={Effective intrusion detection system using XGBoost}, + author={Dhaliwal, Sukhpreet Singh and Nahid, Abdullah-Al and Abbas, Robert}, + journal={Information}, + volume={9}, + number={7}, + pages={149}, + year={2018}, + publisher={MDPI} +} +@article{gloege2022improved, + title={Improved quantification of ocean carbon uptake by using machine learning to merge global models and pCO2 data}, + author={Gloege, Lucas and Yan, Monica and Zheng, Tian and McKinley, Galen A}, + journal={Journal of Advances in Modeling Earth Systems}, + volume={14}, + number={2}, + pages={e2021MS002620}, + year={2022}, + publisher={Wiley Online Library} +} +@article{joshi2022modeling, + title={Modeling the sea-surface pCO2 of the central Bay of Bengal region using machine learning algorithms}, + author={Joshi, AP and Kumar, V and Warrior, HV}, + journal={Ocean Modelling}, + volume={178}, + pages={102094}, + year={2022}, + publisher={Elsevier} +} +@article{song2023construction, + title={Construction of a high spatiotemporal resolution dataset of satellite-derived pCO2 and air-sea CO2 flux in the South China Sea (2003-2019)}, + author={Song, Zigeng and Yu, Shujie and Bai, Yan and Guo, Xianghui and He, Xianqiang and Zhai, Weidong and Dai, Minhan}, + journal={IEEE Transactions on Geoscience and Remote Sensing}, + year={2023}, + publisher={IEEE} +} +@article{CHEN2019203, +title = {A machine learning approach to estimate surface ocean pCO2 from satellite measurements}, +journal = {Remote Sensing of Environment}, +volume = {228}, +pages = {203-226}, +year = {2019}, +issn = {0034-4257}, +doi = {https://doi.org/10.1016/j.rse.2019.04.019}, +url = {https://www.sciencedirect.com/science/article/pii/S0034425719301646}, +author = {Shuangling Chen and Chuanmin Hu and Brian B. Barnes and Rik Wanninkhof and Wei-Jun Cai and Leticia Barbero and Denis Pierrot}, +} + + +@article{zeng2014global, + title={A global surface ocean fCO2 climatology based on a feed-forward neural network}, + author={Zeng, J and Nojiri, Y and Landsch{\"u}tzer, P and Telszewski, M and Nakaoka, S-I}, + journal={Journal of Atmospheric and Oceanic Technology}, + volume={31}, + number={8}, + pages={1838--1849}, + year={2014} +} +@article{zeng2022surface, + title={Surface ocean CO2 concentration and air-sea flux estimate by machine learning with modelled variable trends}, + author={Zeng, Jiye and Iida, Yosuke and Matsunaga, Tsuneo and Shirai, Tomoko}, + journal={Frontiers in Marine Science}, + volume={9}, + pages={989233}, + year={2022}, + publisher={Frontiers Media SA} +} + +@article{zhongguorong, + title={基于广义回归神经网络的全球表层海水 1°×1° 二氧化碳分压数据推演}, + author={钟国荣 and 李学刚 and 曲宝晓 and 王彦俊 and 袁华茂 and 宋金明}, + journal={海洋学报}, + volume={42}, + number={10}, + pages={70--79}, + year={2020}, + publisher={海洋学报} +} + + +% 1. 绪论 部分 +@article{ HBHH201803001, +author = { 马毅 and 张杰 and 张靖宇 and 张震 and 王锦锦 }, +title = {浅海水深光学遥感研究进展}, +journal = {海洋科学进展}, +volume = {36}, +number = {331-351}, +year = {2018}, +issn = {1671-6647}, +} + + @article{CALIPSO_2009, + title={Overview of the CALIPSO Mission and CALIOP Data Processing Algorithms}, + url={http://dx.doi.org/10.1175/2009jtecha1281.1}, + DOI={10.1175/2009jtecha1281.1}, + journal={Journal of Atmospheric and Oceanic Technology}, + author={Winker, David M. and Vaughan, Mark A. and Omar, Ali and Hu, Yongxiang and Powell, Kathleen A. and Liu, Zhaoyan and Hunt, William H. and Young, Stuart A.}, + year={2009}, + month={11}, + pages={2310–2323}, + language={en-US} + } + + @article{bbp_Annual_2017, + title={Annual boom–bust cycles of polar phytoplankton biomass revealed by space-based lidar}, + volume={10}, + url={http://dx.doi.org/10.1038/ngeo2861}, + DOI={10.1038/ngeo2861}, + number={2}, + journal={Nature Geoscience}, + author={Behrenfeld, Michael J. and Hu, Yongxiang and O’Malley, Robert T. and Boss, Emmanuel S. and Hostetler, Chris A. and Siegel, David A. and Sarmiento, Jorge L. and Schulien, Jennifer and Hair, Johnathan W. and Lu, Xiaomei and Rodier, Sharon and Scarino, Amy Jo}, + year={2017}, + month={2}, + pages={118–122}, + language={en-US} + } + + + +@article{clargo2015rapid, + title={Rapid increase of observed DIC and pCO2 in the surface waters of the North Sea in the 2001-2011 decade ascribed to climate change superimposed by biological processes}, + author={Clargo, Nicola M and Salt, Lesley A and Thomas, Helmuth and De Baar, Hein JW}, + journal={Marine Chemistry}, + volume={177}, + pages={566--581}, + year={2015}, + publisher={Elsevier} +} + +@article{ 周洁_2014, +author = { 周洁 and 余克服 and 施祺 }, +title = {pCO2增加引起的海洋酸化对造礁珊瑚光合效率的影响}, +journal = {海洋与湖沼}, +volume = {45}, +number = {39-51}, +year = {2014}, +issn = {0029-814X}, +} + + +@conference{ 陈鑫2012, +author = { 陈鑫 and 宋金明 and 李学刚and 袁华茂 and 李宁 and 段丽琴 }, +title = {从典型pCO2高/低值海区特征剖析海洋中CO2体系的影响机制}, +booktitle = {中国海洋湖沼学会第十次全国会员代表大会暨学术研讨会论文集}, +year = {2012}, +pages = {28-29}, +publisher = {中国科学院海洋研究所生态与环境科学重点实验室;中国科学院大学;} +} + +@article{lefevre2002estimating, + title={Estimating pCO2 from sea surface temperatures in the Atlantic gyres}, + author={Lef{\`e}vre, Nathalie and Taylor, Arnold}, + journal={Deep Sea Research Part I: Oceanographic Research Papers}, + volume={49}, + number={3}, + pages={539--554}, + year={2002}, + publisher={Elsevier} +} + + +@article{ 海水酸化对海洋生物影响的研究进展, +author = { 孙珮琦 and 杨济淞 and 秦玉雪 and 崔久儒 and 薛佳欣 and 陈雷 }, +title = {海水酸化对海洋生物影响的研究进展}, +journal = {中南农业科技}, +volume = {44}, +number = {231-236}, +year = {2023}, +issn = {2097-2083}, +} + +@mastersthesis { 升温耦合酸化对大型海藻灾害种氮响应与吸收机制研究, +author = { 陈江 }, +title = {升温耦合酸化对大型海藻灾害种氮响应与吸收机制研究}, +school = {江苏海洋大学}, +year = {2022} +} + + +@mastersthesis { 苏茜2017, +author = { 苏茜 }, +title = {海水二氧化碳分压、pH及氮源的变动对三角褐指藻和假微型海链藻的影响}, +school = {厦门大学}, +year = {2017} +} + + +@article{2021Global, + title={Global Carbon Budget 2021}, + author={ Friedlingstein, Pierre and Jones, Matthew and Osullivan, Michael and Zeng, Jiye }, + year={2021}, +} + +@article{陈立奇2004北极地区碳循环研究意义和展望, + title={北极地区碳循环研究意义和展望}, + author={陈立奇 and 高众勇 and 杨绪林 and 詹力杨}, + journal={极地研究}, + volume={16}, + number={3}, + pages={171}, + year={2004} +} + +@article{khatiwala2009reconstruction, + title={Reconstruction of the history of anthropogenic CO2 concentrations in the ocean}, + author={Khatiwala, Samar and Primeau, Francois and Hall, T}, + journal={Nature}, + volume={462}, + number={7271}, + pages={346--349}, + year={2009}, + publisher={Nature Publishing Group UK London} +} + +@article{devries2014oceanic, + title={The oceanic anthropogenic CO2 sink: Storage, air-sea fluxes, and transports over the industrial era}, + author={DeVries, Tim}, + journal={Global Biogeochemical Cycles}, + volume={28}, + number={7}, + pages={631--647}, + year={2014}, + publisher={Wiley Online Library} +} + +@article{hauck2013seasonally, + title={Seasonally different carbon flux changes in the Southern Ocean in response to the southern annular mode}, + author={Hauck, Judith and V{\"o}lker, Christoph and Wang, Tingting and Hoppema, Mario and Losch, Martin and Wolf-Gladrow, Dieter A}, + journal={Global Biogeochemical Cycles}, + volume={27}, + number={4}, + pages={1236--1245}, + year={2013}, + publisher={Wiley Online Library} +} + +@Article{Global_Carbon_Budget_2022, +AUTHOR = {Friedlingstein, P. and O'Sullivan, M. and Jones, M. W. and Andrew, R. M. and Gregor, L. and Hauck, J. and Le Qu\'er\'e, C. and Luijkx, I. T. and Olsen, A. and Peters, G. P. and Peters, W. and Pongratz, J. and Schwingshackl, C. and Sitch, S. and Canadell, J. G. and Ciais, P. and Jackson, R. B. and Alin, S. R. and Alkama, R. and Arneth, A. and Arora, V. K. and Bates, N. R. and Becker, M. and Bellouin, N. and Bittig, H. C. and Bopp, L. and Chevallier, F. and Chini, L. P. and Cronin, M. and Evans, W. and Falk, S. and Feely, R. A. and Gasser, T. and Gehlen, M. and Gkritzalis, T. and Gloege, L. and Grassi, G. and Gruber, N. and G\"urses, \"O. and Harris, I. and Hefner, M. and Houghton, R. A. and Hurtt, G. C. and Iida, Y. and Ilyina, T. and Jain, A. K. and Jersild, A. and Kadono, K. and Kato, E. and Kennedy, D. and Klein Goldewijk, K. and Knauer, J. and Korsbakken, J. I. and Landsch\"utzer, P. and Lef\`evre, N. and Lindsay, K. and Liu, J. and Liu, Z. and Marland, G. and Mayot, N. and McGrath, M. J. and Metzl, N. and Monacci, N. M. and Munro, D. R. and Nakaoka, S.-I. and Niwa, Y. and O'Brien, K. and Ono, T. and Palmer, P. I. and Pan, N. and Pierrot, D. and Pocock, K. and Poulter, B. and Resplandy, L. and Robertson, E. and R\"odenbeck, C. and Rodriguez, C. and Rosan, T. M. and Schwinger, J. and S\'ef\'erian, R. and Shutler, J. D. and Skjelvan, I. and Steinhoff, T. and Sun, Q. and Sutton, A. J. and Sweeney, C. and Takao, S. and Tanhua, T. and Tans, P. P. and Tian, X. and Tian, H. and Tilbrook, B. and Tsujino, H. and Tubiello, F. and van der Werf, G. R. and Walker, A. P. and Wanninkhof, R. and Whitehead, C. and Willstrand Wranne, A. and Wright, R. and Yuan, W. and Yue, C. and Yue, X. and Zaehle, S. and Zeng, J. and Zheng, B.}, +TITLE = {Global Carbon Budget 2022}, +JOURNAL = {Earth System Science Data}, +VOLUME = {14}, +YEAR = {2022}, +NUMBER = {11}, +PAGES = {4811--4900}, +URL = {https://essd.copernicus.org/articles/14/4811/2022/}, +DOI = {10.5194/essd-14-4811-2022} +} + +@article{landschutzer2015reinvigoration, + title={The reinvigoration of the Southern Ocean carbon sink}, + author={Landsch{\"u}tzer, Peter and Gruber, Nicolas and Haumann, F Alexander and R{\"o}denbeck, Christian and Bakker, Dorothee CE and Van Heuven, Steven and Hoppema, Mario and Metzl, Nicolas and Sweeney, Colm and Takahashi, Taro and others}, + journal={Science}, + volume={349}, + number={6253}, + pages={1221--1224}, + year={2015}, + publisher={American Association for the Advancement of Science} +} + +%线性模型 + @article{JMA_MLR, + title={Global trends of ocean CO2 sink and ocean acidification: an observation-based reconstruction of surface ocean inorganic carbon variables}, + url={http://dx.doi.org/10.1007/s10872-020-00571-5}, + DOI={10.1007/s10872-020-00571-5}, + journal={Journal of Oceanography}, + author={Iida, Yosuke and Takatani, Yusuke and Kojima, Atsushi and Ishii, Masao}, + year={2021}, + month={4}, + pages={323–358}, + language={en-US} + } + +%线性回归 +@article{Multiple_Linear_Regression, + title={A Multiple Linear Regression of pCO2 against Sea Surface Temperature, Salinity, and Chlorophyll a at Station BATS and its Potential for Estimate pCO2 from Satellite Data}, + author={ Jr, Lee Smalls and Reid, My Asia }, +} + +%经验算法， +@article{empirical_estimate, +author = {McNeil, Ben I. and Metzl, Nicolas and Key, Robert M. and Matear, Richard J. and Corbiere, Antoine}, +title = {An empirical estimate of the Southern Ocean air-sea CO2 flux}, +journal = {Global Biogeochemical Cycles}, +volume = {21}, +number = {3}, +pages = {}, +doi = {https://doi.org/10.1029/2007GB002991}, +url = {https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/2007GB002991}, +eprint = {https://agupubs.onlinelibrary.wiley.com/doi/pdf/10.1029/2007GB002991}, +year = {2007} +} + + +% 神经网络 +@article{friedrich2009neural, + title={Neural network-based estimates of North Atlantic surface pCO2 from satellite data: A methodological study}, + author={Friedrich, Tobias and Oschlies, Andreas}, + journal={Journal of Geophysical Research: Oceans}, + volume={114}, + number={C3}, + year={2009}, + publisher={Wiley Online Library} +} +% 神经网络 +@article{ HYFZ202306005, +author = { 高宇 and 李爽 and 郝鹏 and 宋金宝 }, +title = {基于ST-ConvLSTM的南海海表面CO2分压的空间和时间序列预测}, +journal = {海洋与湖沼}, +volume = {54}, +number = {1573-1585}, +year = {2023}, +issn = {0029-814X}, +} + + @article{machine_learning_chen_2019, + title={A machine learning approach to estimate surface ocean pCO2 from satellite measurements}, + volume={228}, + url={http://dx.doi.org/10.1016/j.rse.2019.04.019}, + DOI={10.1016/j.rse.2019.04.019}, + journal={Remote Sensing of Environment}, + author={Chen, Shuangling and Hu, Chuanmin and Barnes, Brian B. and Wanninkhof, Rik and Cai, Wei-Jun and Barbero, Leticia and Pierrot, Denis}, + year={2019}, + month={7}, + pages={203–226}, + language={en-US} + } + + @article{machine_learning_Bennington_2022, + title={Explicit Physical Knowledge in Machine Learning for Ocean Carbon Flux Reconstruction: The pCO2-Residual Method}, + volume={14}, + url={http://dx.doi.org/10.1029/2021ms002960}, + DOI={10.1029/2021ms002960}, + number={10}, + journal={Journal of Advances in Modeling Earth Systems}, + author={Bennington, Val and Galjanic, Tomislav and McKinley, Galen A.}, + year={2022}, + month={10}, + language={en-US} + } + +% 大气-海洋耦合模型， + @article{Matear_Hirst_2012, + title={Climate change feedback on the future oceanic CO2 uptake}, + volume={51}, + url={http://dx.doi.org/10.3402/tellusb.v51i3.16472}, + DOI={10.3402/tellusb.v51i3.16472}, + number={3}, + journal={Tellus B: Chemical and Physical Meteorology}, + author={Matear, Richard J. and Hirst, Anthony C.}, + year={2012}, + month={12}, + pages={722}, + language={en-US} + } + +%socat引用 +@article{socat2016, + title={A multi-decade record of high-quality fCO2 data in version 3 of the Surface Ocean CO2 Atlas (SOCAT)}, + author={ Bakker, Dorothee C. E. and Pfeil, Benjamin and Landa, Camilla S. and Metzl, Nicolas and Xu, Suqing }, + journal={Earth System Science Data}, + volume={8}, + number={2}, + pages={383-413}, + year={2016}, +} + + + +%插值 +@article{2012Spatio, + title={Spatio-temporal Variability in Surface Ocean pCO2 Inferred from Observations}, + author={ Jones, Steve }, + journal={Spatio-temporal Variability inSurface Ocean pCO2 Inferred fromObservations}, + year={2012}, +} + + + @inbook{Garbe_2014, + title={Transfer Across the Air-Sea Interface}, + url={http://dx.doi.org/10.1007/978-3-642-25643-1\_2}, + DOI={10.1007/978-3-642-25643-1\_2}, + booktitle={Ocean-Atmosphere Interactions of Gases and Particles,Springer Earth System Sciences}, + author={Garbe, Christoph S. and Rutgersson, Anna and Boutin, Jacqueline and de Leeuw, Gerrit and Delille, Bruno and Fairall, Christopher W. and Gruber, Nicolas and Hare, Jeffrey and Ho, David T. and Johnson, Martin T. and Nightingale, Philip D. and Pettersson, Heidi and Piskozub, Jacek and Sahlée, Erik and Tsai, Wu-ting and Ward, Brian and Woolf, David K. and Zappa, Christopher J.}, + year={2014}, + month={1}, + pages={55–112}, + language={en-US} + } + + @unpublished{Harmonization_2021, + title={Harmonization of global surface ocean pCO2 mapped products and their flux calculations; an improved estimate of the ocean carbon sink}, + url={http://dx.doi.org/10.5194/essd-2021-16}, + DOI={10.5194/essd-2021-16}, + author={Fay, Amanda R. and Gregor, Luke and Landschützer, Peter and McKinley, Galen A. and Gruber, Nicolas and Gehlen, Marion and Iida, Yosuke and Laruelle, Goulven G. and Rödenbeck, Christian and Zeng, Jiye}, + year={2021}, + month={3}, + language={en-US} + } + + + + +@article{2016XGBoost, + title={XGBoost: A Scalable Tree Boosting System}, + author={ Chen, Tianqi and Guestrin, Carlos }, + journal={ACM}, + year={2016}, +} + + @article{Atlas_Hoffman_Ardizzone_Leidner_Jusem_Smith_Gombos_2011, + title={A Cross-calibrated, Multiplatform Ocean Surface Wind Velocity Product for Meteorological and Oceanographic Applications}, + volume={92}, + url={http://dx.doi.org/10.1175/2010bams2946.1}, + DOI={10.1175/2010bams2946.1}, + number={2}, + journal={Bulletin of the American Meteorological Society}, + author={Atlas, Robert and Hoffman, Ross N. and Ardizzone, Joseph and Leidner, S. Mark and Jusem, Juan Carlos and Smith, Deborah K. and Gombos, Daniel}, + year={2011}, + month={2}, + pages={157–174}, + language={en-US} + } + + +@article{Khatiwala_Primeau_Hall_2009, +title={Reconstruction of the history of anthropogenic CO2 concentrations in the ocean}, +volume={462}, +url={http://dx.doi.org/10.1038/nature08526}, +DOI={10.1038/nature08526}, +number={7271}, +journal={Nature}, +author={Khatiwala, S. and Primeau, F. and Hall, T.}, +year={2009}, month={11}, pages={346–349}, +language={en-US} } + +@article{2013Space, + title={Space-based lidar measurements of global ocean carbon stocks}, + author={ Behrenfeld, Michael J. and Hu, Yongxiang and Hostetler, Chris A. and Dall"Olmo, Giorgio and Rodier, Sharon D. and Hair, John W. and Trepte, Charles R. }, + journal={Geophysical Research Letters}, + volume={40}, + number={16}, + pages={4355-4360}, + year={2013}, +} + +@article{2014Global, + title={Global open-ocean biomes: mean and temporal variability}, + author={ Fay, A. R. and Mckinley, G. A. }, + journal={Earth System Science Data,6,2(2014-08-21)}, + volume={6}, + number={1}, + pages={107-128}, + year={2014}, +} + + +@article{ DXJZ201204005, +author = {马浩 and 王召民 and 史久新 }, +title = {南大洋物理过程在全球气候系统中的作用}, +journal = {地球科学进展}, +volume = {27}, +number = {398-412}, +year = {2012}, +issn = {1001-8166}, +} + + + +@article{2023Trends, + title={Trends and variability in the ocean carbon sink}, + author={ Gruber, N. and Bakker, D. and Devries, T. and Gregor, L. and Hauck, J. and P. Landschützer and Mckinley, G. and J. Müller}, + journal={Nature Reviews Earth & Environment}, + volume={4}, + pages={119 - 134}, + year={2023}, +} + +@article{JDYZ200901008, + author = {孙恒 and 高众勇}, + title = {南大洋海-气CO2通量研究进展}, + journal = {极地研究}, + volume = {21}, + number = {60-68}, + year = {2009}, + issn = {1007-7073}, + doi ={} + } + + +@article{JDYZ201604013, + author = {陈静 and 陆志波}, + title = {1979—2013年南大洋海冰变化特征及与典型气候变化因子的相关性分析}, + journal = {极地研究}, + volume = {28}, + number = {539-547}, + year = {2016}, + issn = {1007-7073}, + doi ={10.13679/j.jdyj.2016.4.539} + } + + +@article{JDYZ201603011, + author = {肖钲霖 and 高众勇 and 孙恒}, + title = {南大洋表层海水酸化研究进展}, + journal = {极地研究}, + volume = {28}, + number = {390-399}, + year = {2016}, + issn = {1007-7073}, + doi ={10.13679/j.jdyj.2016.3.390} + } + +@article{SJKF200204011, + author = {高众勇 and 陈立奇}, + title = {南大洋碳循环研究进展}, + journal = {世界科技研究与发展}, + volume = {}, + number = {41-48}, + year = {2002}, + issn = {1006-6055}, + doi ={10.16507/j.issn.1006-6055.2002.04.012} + } + +@article{JDYZ200702007, + author = {许苏清 , 陈立奇}, + title = {利用卫星数据估算南大洋海-气CO2通量的展望}, + journal = {极地研究}, + volume = {}, + number = {151-157}, + year = {2007}, + issn = {1007-7073}, + doi ={} + } + + + @article{2008_nature_carbon, + title={High-resolution carbon dioxide concentration record 650,000–800,000 years before present}, + url={http://dx.doi.org/10.1038/nature06949}, + DOI={10.1038/nature06949}, + journal={Nature}, + author={Lüthi, Dieter and Le Floch, Martine and Bereiter, Bernhard and Blunier, Thomas and Barnola, Jean-Marc and Siegenthaler, Urs and Raynaud, Dominique and Jouzel, Jean and Fischer, Hubertus and Kawamura, Kenji and Stocker, Thomas F.}, + year={2008}, + month={5}, + pages={379–382}, + language={en-US} + } + + +@article{budget2023global, + title={Global Carbon Budget 2023}, + author={Budget, Global Carbon}, + year={2023}, + publisher={GCB: Global Carbon Budget} +} + + +@article{lan2024trends, + author = {Lan, X. and Tans, P. and Thoning, K. W.}, + title = {Trends in globally-averaged {CO2} determined from {NOAA} Global Monitoring Laboratory measurements}, + journal = {}, + year = {2024}, + note = {Version 2024-01}, + url = {https://doi.org/10.15138/9N0H-ZH07}, + doi = {10.15138/9N0H-ZH07} +} + + + @article{Sabine_2004, + title={The Oceanic Sink for Anthropogenic CO2}, + url={http://dx.doi.org/10.1126/science.1097403}, + DOI={10.1126/science.1097403}, + journal={Science}, + author={Sabine, Christopher L. and Feely, Richard A. and Gruber, Nicolas and Key, Robert M. and Lee, Kitack and Bullister, John L. and Wanninkhof, Rik and Wong, C. S. and Wallace, Douglas W. R. and Tilbrook, Bronte and Millero, Frank J. and Peng, Tsung-Hung and Kozyr, Alexander and Ono, Tsueno and Rios, Aida F.}, + year={2004}, + month=Jul, + pages={367–371}, + language={en-US} + } + + @article{RASOOL_DE_BERGH_1970, + title={The Runaway Greenhouse and the Accumulation of CO2 in the Venus Atmosphere}, + volume={226}, + url={http://dx.doi.org/10.1038/2261037a0}, + DOI={10.1038/2261037a0}, + number={5250}, + journal={Nature}, + author={RASOOL, S. I. and DE BERGH, C.}, + year={1970}, + month={6}, + pages={1037–1039}, + language={en-US} + } + + + +@article{Haines_2003, + title={Climate change 2001: the scientific basis. Contribution of Working Group 1 to the Third Assessment report of the Intergovernmental Panel on Climate Change [Book review]}, + author={Haines, Andy}, + year={2003}, + month={1}, + language={en-US} + } + + + + +% 2. 研究区域内容 + + +@article{ JDYZ200103003, +author = { 高众勇，陈立奇，王伟强 }, +title = {南大洋二氧化碳源汇分布及其海-气通量研究}, +journal = {极地研究}, +number = {175-186}, +year = {2001}, +issn = {1007-7073}, +} + +@article{ZKJZ200907010, + author = {许苏清 and 陈立奇}, + title = {利用卫星数据分析南大洋夏季表层水叶绿素和温盐年际分布特征}, + journal = {自然科学进展}, + volume = {19}, + number = {760-767}, + year = {2009}, + issn = {1002-008X}, + doi ={} + } + +@article{DXJZ200301019, +author = {陈立奇}, +title = {南极地区与全球变化集成研究展望}, +journal = {地球科学进展}, +volume = {}, +number = {133-137}, +year = {2003}, +issn = {1001-8166}, +doi ={} +} + @www{zjuthesisrules, title = {浙江大学本科生毕业论文（设计）编写规则}, author = {浙江大学本科生院}, @@ -21,5 +1174,5 @@ @www{zjugradthesisrules title = {浙江大学研究生学位论文编写规则}, author = {浙江大学研究生院}, year = {2008}, - url = {http://grs.zju.edu.cn/redir.php?catalog_id=10038&object_id=12877}, + url = {http://grs.zju.edu.cn/redir.php?catalog\_id=10038&object\_id=12877}, } \ No newline at end of file diff --git "a/body/\344\270\273\344\275\223\345\206\205\345\256\271/1\347\273\252\350\256\272\351\203\250\345\210\206.tex" "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/1\347\273\252\350\256\272\351\203\250\345\210\206.tex" new file mode 100644 index 00000000..d2de47bd --- /dev/null +++ "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/1\347\273\252\350\256\272\351\203\250\345\210\206.tex" @@ -0,0 +1,143 @@ +\section{研究背景与意义} +\subsection{研究背景} +全球变暖是我们当下最关注的热点之一，自农业变革和工业革命以来，人们对能源的需求持续增长，大量化石燃料被消耗，导致大气中温室气体含量大幅上升，研究表明$\rm CO_2$浓度已增加40\%，空气中$\rm CO_2$浓度从1750年的278ppm（1ppm等于百万分之一）增加到2023年10月的418.64ppm，并且以每年0.4\%的速度增加\cite{lan2024trends,JDYZ200103003}。这种温室气体的增加将加速全球变暖的进程，可能导致冰川融化、海平面上升、极端天气事件增加和生物多样性丧失，对地球生态系统、气候以及人类生活将产生深远影响\cite{陈立奇2004北极地区碳循环研究意义和展望,RASOOL_DE_BERGH_1970,Haines_2003,苏茜2017,ZKJZ200907010}。因此，深入研究碳循环变化显得尤为重要。 + +海洋在全球碳循环中发挥着关键作用，是最大的非地质性碳储存库，其储存量比大气多50倍，比生物圈多20倍\cite{陈立奇2004北极地区碳循环研究意义和展望,SJKF200204011}。当前的研究估计显示，1800年到1994年间全球海洋每年吸收的$\rm CO_2$净通量约为1.5$\pm$0.5Pg（1Pg= $10^{15}$g），且全球海洋吸收的人为排放的$\rm CO_2$总量约为118$\pm$19亿吨，占化石燃料和机械制造排放总量的48\%\cite{Sabine_2004}。海洋在缓解全球气候变化方面发挥了重要作用\cite{DXJZ201204005}，但是海洋吸收$\rm CO_2$的过程也带来了一些问题，比如当$\rm CO_2$溶解在海水中，会生成碳酸并电离出氢离子，使海水变酸，pH值降低，这对海洋生物造成了威胁，对整个生态环境也造成了影响\cite{海水酸化对海洋生物影响的研究进展,升温耦合酸化对大型海藻灾害种氮响应与吸收机制研究,苏茜2017,JDYZ201603011}。 + +因此了解海洋碳循环的过程十分重要，能够帮助我们更好地研究全球碳循环过程和气候变化，为制定应对气候变化的政策和措施提供科学依据。 + +\subsection{南大洋中\texorpdfstring{$p\mathrm{CO_2}$}{}的研究意义} +海洋与大气间的$\rm CO_2$交换受到多种因素的影响，其中包括热力效应、物理混合、生物活动和气体交换等\cite{clargo2015rapid,周洁_2014,陈鑫2012,lefevre2002estimating}。为了更准确地评估海-气$\rm CO_2$交换的强度，需要分别关注海洋表面和大气中的$\rm CO_2$分压（$p\rm CO_2$, partial pressure of $\rm CO_2$）。该参数表示单位体积的流体中$\rm CO_2$气体的浓度，一般以压力单位$\rm \mu atm$（1 $\rm \mu atm$ 为百万分之一标准大气压）表示。大气中的$p\rm CO_2$一般用$p\rm CO_2^{air}$（$p\rm CO_2$ in the atmosphere）表示，其值与人类活动息息相关；海洋表面的$p\rm CO_2$ 一般用$p\rm CO_2^{sea}$（$p\rm CO_2$ in the sea）表示，本文中无特殊说明，$p\rm CO_2$ 即指海表的$p\rm CO_2$ 。 + +$\rm CO_2$分压差（$\Delta p\rm CO_2$）是评判海洋吸收$\mathrm{CO_2}$还是排放$\mathrm{CO_2}$的重要参考，其计算公式为$\Delta \mathit{p}\rm{CO_2} = \mathit{p}\rm{CO_2^{sea}} - \mathit{p}\rm{CO_2^{air}}$，若$\Delta p \rm{CO_2}>0 $，即$p\rm CO_2^{sea}$ > $p\rm CO_2^{air}$，海洋中的$\rm CO_2$分压大于大气中的$\rm CO_2$分压，海洋向大气中放出$\rm CO_2$，我们一般称之为$\rm CO_2$ 的“源”，反之，称为$\rm CO_2$的“汇”。海-气$\rm CO_2$通量（$\mathrm{CO_2}$\ $flux$）是用于衡量海-气$\rm CO_2$交换大小的物理量，定义为单位时间单位面积上海洋界面和大气$\rm CO_2$的净交换量。 $\Delta p \rm CO_2$结合海-气交换系数可进一步计算得到$\rm CO_2$通量。根据Global carbon budget 2023的估算\cite{budget2023global}，在2013-2023年的十年间平均海洋$\rm CO_2$汇约为2.9$\pm$ 0.4$\rm GtC yr^{-1}$,占据了$\rm CO_2$总排放量的26\%\cite{budget2023global}。海表$p\rm CO_2$的地理和季节变化显著超过大气中$p\rm CO_2$的变化，因此，海-气$\rm CO_2$输送通量的规模和方向主要受海表$p\rm CO_2$的影响，其也是多年来研究的重点。通过对$p\rm CO_2$ 的监测和分析，可以了解海洋中$\rm CO_2$的分布和变化趋势，进而研究海洋碳循环的过程和机制。因此，准确地估算和预测海洋碳通量需要准确的$p\rm CO_2$数据,再通过分析海洋中$p\rm CO_2$的空间分布和变化趋势，我们可以揭示海洋对$\rm CO_2$的吸收和释放过程，进而预测和评估海洋对全球碳循环的影响。 + +近些年的研究结果表明\cite{khatiwala2009reconstruction,devries2014oceanic}，南大洋是全球海域中重要的碳汇区域，其占据了全球海洋面积的25\%却能够吸收占据全球海域吸收总量的40\%以上的人为$\rm CO_2$。海洋生物化学模式和基于观测的结果\cite{hauck2013seasonally}均表明，20世纪90年代，由于西风的增强以及富含碳和营养的深层水上涌加剧南大洋碳汇增长停滞，21世纪初的南大洋碳汇出现复兴迹象，到2012年，南大洋已经恢复了基于大气$\rm CO_2$预测的强度\cite{landschutzer2015reinvigoration}。作为一个重要的碳汇，南大洋在调节海洋与大气中的$\rm CO_2$交换中发挥着关键的作用，但是由于极地高纬度地区实测数据的有限和分布的稀缺，基于海表观测的数据和大气反演的结果显示仍然存在不确定性\cite{Global_Carbon_Budget_2022}，因此更加清晰的南大洋碳汇变化趋势对于全球气候变化来说显得十分重要。 + +% \subsection{使用遥感数据反演南大洋中$\rm CO_2$分压的意义} +\subsection{使用遥感数据反演南大洋中 \texorpdfstring{$p\mathrm{CO_2}$}{}的意义} +传统的海表$p\rm CO_2$数据通常通过特定设备进行测量，例如定位在海洋和大气中的监测站可以定期测量。但是，由于监测站的数量和分布有限，无法全面了解海域$p\rm CO_2$的分布情况。另一种常见方法是通过船舶和飞机观测，科研船和气象飞机携带的$\rm CO_2$浓度监测设备可以获得不同地点和高度的$p\rm CO_2$数据。这些数据对于理解大气和海洋中$p\rm CO_2$的分布和变化非常有价值，但这种实地测量受到气候、出海周期、出海成本等因素的影响，而且航行测量只能获得船只路径一定范围内的数据，同样无法完全掌握某一时刻全海域的海表$p\rm CO_2$分布。由于船舶测量数据的局限性，从2014年开始，作为SOCCOM项目（the Southern Ocean Carbon and Climate Observations and Modeling Project）的一部分，生物地球化学剖面浮标（BGC-Argo）开始被部署在远洋地区。浮标阵列可以提供不受时间限制的实测数据，从而提供关于海表$p\rm CO_2$以及其他多种物理化学变量的信息。然而，近年的研究结果显示\cite{wu2023controversial}，由浮标测量得到的数据多次被证明存在高估现象。因此，合理利用船舶航行实测数据，成为研究$p\rm CO_2$变化的主要途径。 + +无法通过实际测量完整获取整个海域的时间和空间$p\rm CO_2$变化和分布，这是以前研究中推测海-气$\rm CO_2$通量误差的重要来源。然而，遥感技术可以解决这个问题，海洋卫星遥感技术的监测有很多优势： +\ding{172} 覆盖范围广：与实地测量相比，遥感数据可以覆盖大多数的海洋和陆地地区，实现大规模监测。 +\ding{173}实时性高：海洋卫星遥感技术可以提供实时的观测数据，部分卫星能够在短时间内完成地球测量，及时发现环境问题。 +\ding{174} 高时空分辨率：卫星遥感技术的发展，不仅可以提供不同时间尺度的图像数据，还能提供高分辨率的图像，例如MODIS（Moderate-Resolution Imaging Spectroradiometer）卫星，可以获取4km分辨率的叶绿素（chlorophyll a concentration, Chl-a）图像。 +\ding{175} 非实地测量：无需人工抵达现场，可以减少不必要的海上成本，从而减少大量的人力和物力消耗。 +因此，利用遥感数据研究海表$p\rm CO_2$，可以在空间和时间尺度上全面覆盖，更有效地且准确地量化海洋碳通量的时空分布和变化趋势。 + +由于卫星对物理变量的观测能力有限，且海表$p\rm CO_2$受多方面因素影响，因此直接利用卫星获取$p\rm CO_2$存在一定难度。过去的研究通过建立基于回归模型\cite{JMA_MLR,Multiple_Linear_Regression,empirical_estimate}或生物地球模型\cite{Matear_Hirst_2012}的遥感数据与海表$p\rm CO_2$的关系，使得利用卫星数据研究$p\rm CO_2$成为可能。此外，不同的插值方法\cite{2012Spatio}、机器学习\cite{machine_learning_chen_2019,machine_learning_Bennington_2022}和神经网络\cite{friedrich2009neural,HYFZ202306005}等方法在模型建立中也得到了广泛应用，并取得了良好的效果，使得我们有可能精准地获得大规模的连续$p\rm CO_2$时空变化数据。 + +\subsection{结合主动遥感数据研究\texorpdfstring{$p\rm CO_2$}{}的意义} +结合遥感数据研究$p\rm CO_2$是目前业界的主流方法，且拥有着数据源丰富且成本较低、覆盖范围广、时效性强等特点的被动光学遥感数据被大规模的应用到模型中，如来自MODIS/Aqua的叶绿素数据，海表温度（sea surface temperature，SST）数据等\cite{HBHH201803001}。但是在极地地区被动遥感有着固有的缺陷，其观测能力受到制约，如极地地区持久的云层覆盖、长时间的极昼和低太阳天顶角等原因\cite{2013Space,bbp_Annual_2017}，导致了极地地区冬季数据的缺失，尤其是南极冬季高纬度地区的叶绿素数据。然而在众多机器学习等模型中，叶绿素被认为是用来表征生物过程对$p\rm CO_2$影响的物理量，在多个地区已被证明是主导$p\rm CO_2$变化的物理量\cite{tu2021increase,brown2019enhanced}。且在以往的研究中多数以低值替代\cite{CSIR_ML6,gregor2017empirical,LSCE_FFNN}或在模型中忽视该变量\cite{JMA_MLR,MPI_SOMFFN}，这些假设也对南大洋碳汇的估算带来了误差。 + +而主动遥感技术具有解决该问题的潜力，比如搭载在CALIPSO（Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observations）卫星上的云—气溶胶偏振激光雷达CALIOP（CloudAerosol Lidar with Orthogonal Polarization）拥有高度的灵敏度和垂直分辨率，能够实时、连续、快速、长期且精确地探测全球范围内的薄云层（特别是卷云）和气溶胶层的众多参数和信息，相较于被动遥感，其优势在于能够昼夜采样、在低太阳角下进行观测、能够透过气溶胶和薄云层并且能够提供生态系统垂直结构的信息等\cite{CALIPSO_2009}。且2013年Behrenfeld等人\cite{2013Space}利用基于CALIOP的$b_{bp}$（retrieving particulate backscattering）数据计算了全球浮游植物生物量（Phytoplankton Carbon，$C_{phyto}$）和 悬浮颗粒有机碳（Particulate Organic Carbon，POC），发现他们有着相似的全球分布和相似的季节变化趋势，这给我们利用主动遥感数据提供了新的思路：基于CALIOP的$b_{bp}$数据完全可以用于代替叶绿素来量化生物过程对$p\rm CO_2$的影响。 + +主动遥感数据与被动遥感数据的结合使用，可以弥补被动遥感的缺点以减小估测的不确定性，提高研究的精度和可靠性，将有助于我们更好地理解南大洋的环境特征，并为气候变化的研究提供更丰富、更准确的数据支持。 + + +\section{国内外研究现状} +过去，我们对海-气$\rm CO_2$交换的变化和趋势的信息大部分是基于生物地球化学过程模式或大气$\rm CO_2$反演的，但这些方法的不确定性被证明很大\cite{Wanninkhof_2013}。目前，主流的方法是利用海表和大气的$p\rm CO_2$差值，结合海-气界面的气体传输参数能够直接地量化海-气$\rm CO_2$通量。大气中$p\rm CO_2$相对稳定，因此海表的$p\rm CO_2$一直是研究的重点。根据海表$\rm CO_2$地图集SOCAT\cite{socat2016}（The Surface Ocean $\rm CO_2$ Atlas）的统计信息，近年来基于走航和传感器的海表$p\rm CO_2$实测数据在逐年增加，为海表$p\rm CO_2$的研究提供了强大的数据支持。然而，船舶或固定传感器的观测只能覆盖全球海表面$p\rm CO_2$的一小部分。为了获得更大面积和时间连续的海表$p\rm CO_2$数据，大多数研究都是基于实测数据对未直接观测的地区进行外推预测。海表$p\rm CO_2$的外推方法主要有两种：基于实测数据的传统方法和基于卫星遥感数据的回归方法。 + +\subsection{基于实测数据的传统方法研究海表\texorpdfstring{$p\rm CO_2$}{}研究进展} +多年实测数据的积累为海表$p\rm CO_2$的研究提供了重要信息。基于这些实测数据，传统方法的运用使我们对海洋$p\rm CO_2$的全球分布有了更清晰的认识和理解。这些传统方法包括基于实测数据的插值方法\cite{takahashi1997global,takahashi1999net,takahashi2002global}，基于生物化学模型的模拟方法\cite{rodenbeck2014interannual}，以及半分析方法\cite{le2019estimating,bai2015mechanistic,chen2017estimating}等。 + +例如，Takahashi等人\cite{takahashi1997global}在1997年将25万条海表和大气$p\rm CO_2$差值测量数据应用于全球海洋，利用基于横向平流-扩散输运方程的插值方法构建了4°×5°的Δ$p\rm CO_2$全球月平均分布，基于此计算出海-气$\rm CO_2$净通量，发现全球海洋对$\rm CO_2$的年净吸收通量的估计范围为0.60至1.34 $\rm Gt \, C\, yr^{-1}$。随着$p\rm CO_2$实测数据的累计，他们分别在1999年\cite{takahashi1999net}和2002年\cite{takahashi2002global}进行了更新,在2002年\cite{takahashi2002global}他们基于1956-1959年间94万条实测数据并以1995年为参考年份，使用相似的方法最终得到了全球吸收$\rm CO_2$通量约为2.2$\rm Pg\, C\, yr^{-1}$。实测数据量的增加使得量化海-气$\rm CO_2$交换的时空变化的结果也越来越精确，区域型的分析模型也崭露头角，例如，Evans等人\cite{evans2015sea}使用了插值方法扩大了楚科奇陆架上$p\rm CO_2$的时空覆盖范围。也有结合一些生物地球模型进行研究的方法，例如Rödenbeck等人\cite{rodenbeck2014interannual}基于数据驱动的混合层生物地球化学诊断方案来进行时空插值，将海-气$\rm CO_2$交换与海洋内部溶解无机碳（dissolved inorganic carbon, DIC）源和汇联系起来，并发现热带太平洋地区变化率高与厄尔尼诺现象密切相关。此外，基于实测数据与遥感数据结合的半分析方法也多次被应用。例如，乐成峰等人\cite{le2019estimating}在2019年利用Chl-a、SSS、SST等卫星产品建立了一种半分析模型用于估算夏季河流主导的路易斯安那大陆架海表$p\rm CO_2$，结果表明半分析机制能够有效地区分物理和生物对$p\rm CO_2$变化的影响。同样，白雁等人\cite{bai2015mechanistic}在研究东海水域利用SSS来表征海洋水体和河流水体的混合比例，最终确定了适用于中国东海海域的半分析模型。 + +传统方法高度依赖实测数据，并重视生物化学过程与机理的研究。然而，在一些环境复杂的地区，如环境恶劣极地地区和情况多变的近岸地区，这种方法往往难以取得良好效果。相较之下，能够提供更高精度的回归方法在这些方面取得了不错的成果。 + +\subsection{基于卫星遥感数据的回归方法研究海表\texorpdfstring{$p\rm CO_2$}{}研究进展} +实测数据在时空覆盖率上的不足是获取连续时空海表$p\rm CO_2$变化的一大挑战。然而，卫星遥感技术能够瞬时获取大面积图像，从而有能力解决这一问题。尽管海洋卫星不能直接测量海表$p\rm CO_2$，但它提供了多个与$p\rm CO_2$相关的参数数据，如SST、Chl-a、MLD等等。我们可以建立多个变量与$p\rm CO_2$的回归关系，依据该关系进行反演推导海表$p\rm CO_2$，这也是目前最常用的方法。在目前所有的回归方法中大致可以分为两类，即线性回归模型和非线性回归模型。 + +线性回归模型将$p\rm CO_2$表示为多个驱动变量的线性组合，调整各个变量的系数以获取最接近真实的变化关系。比如Geun-Ha Park等人\cite{park2010variability}在2009年通过建立气候态海表$p\rm CO_2$与SST、SSS和海表风速（wind）之间的线性关系，获取了1982-2007年间的分辨率为4°×5°海-气$\rm CO_2$通量全球分布，得出26年间平均值为-1.48$\rm Pg \, C\, yr^{-1}$（负号表示吸收$\rm CO_2$），年际变化为±0.14$\rm Pg \, C\, yr^{-1}$。但是结果发现模型在非海温占主导地位的区域效果不理想，在南大洋等区域可能存在低估现象。Yosuke Iida等人\cite{JMA_MLR}在2019年提出的JMA-MLR模型则使用到多个驱动变量，除了SST外，还在模型中引入了Chl-a、SSS、MLD等，利用这些变量建立多元线性回归模型来推导总碱度（Total alkalinity，TA）和DIC之间的关系，并继续推导出1993–2018年间的月平均海表$p\rm CO_2$和pH等变量，结合大气$\rm CO_2$获得1°×1°的每月$\rm CO_2$通量，得出年平均海-气$\rm CO_2$交换通量为-2.0±0.5$\rm Pg \, C\, yr^{-1}$。 + +非线性模型则是在各种机器学习等技术的出现后蓬勃发展，目前用于海面$p\rm CO_2$研究的非线性回归技术主要分为非神经网络和神经网络两大类，非神经网络类的算法基于统计学的数值关系，譬如决策树\cite{CHEN2019203,tu2021increase}、贝叶斯决策\cite{valsala2021observing}、支持向量机\cite{zeng2017evaluation}、梯度提升算法\cite{wangxinyi,CSIR_ML6}等，而神经网络的算法则是模仿生物神经网络的运作机制，基于神经元模型的学习算法，比较代表性的算法有自组织映射算法\cite{MPI_SOMFFN}、前馈神经网络\cite{LSCE_FFNN,zeng2014global}、卷积神经网络\cite{mao2023reconstructing}等。比如Chen等人\cite{CHEN2019203}利用16年的$p\rm CO_2$数据作为目标变量，将SST、SSS、Chl-a等作为输入数据使用多种机器学习算法对本封闭海域墨西哥湾进行预测，结果表明随机森林算法表现良好，在开放水域的RMSE在10μatm以内，沿海和河流为主的水域中其RMSE在25μatm之内。 +Zeng等人\cite{zeng2014global}在2014年利用前馈神经网络算法在1°×1°的空间分辨率上创建了海表$\rm CO_2$溢度（$\mathrm{CO_2} \ fugacity$, $f\rm CO_2$）的月平均气候态数据，得出全球平均$f\rm CO_2$的年际增长率为1.50μatm yr$^{-1}$；随着算法的更新，又在2022年\cite{zeng2022surface}提出了一种使用机器学习来矫正因大气$\rm CO_2$变化带来的海洋$\rm CO_2$影响，同时进行数据归一化的方法，其中使用到了三种机器学习算法：随机森林、梯度提升、前缀神经网络，他们的平均$ R^2$分别为0.70、0.69、0.62。 +钟国荣等人\cite{zhongguorong}则运用广义回归神经网络的方法构建了$p\rm CO_2$与经纬度、时间、SST、SSS和Chl-a等属性之间的非线性关系，呈现了1998−2018年间全球1°×1°经纬度的$p\rm CO_2$数据集，结果显示标准误差为16.93μatm，平均相对误差为 2.97\%。 + +在意识到全球作为整体研究存在着研究瓶颈，聚类分析开始应用，常见的聚类方法包括自组织地图集（Self-Organization Map, SOM)\cite{nakaoka2013estimating,landschutzer2016decadal,MPI_SOMFFN}、地理阻塞\cite{JMA_MLR}、K-means\cite{guha2022role,CSIR_ML6}和$\rm CO_2$ biomes聚类\cite{LSCE_FFNN,,CSIR_ML6}等。Landschützer等人\cite{MPI_SOMFFN}是聚类分析中的先行者，他们第一步使用了SOM进行聚类，第二步则是使用了不同的回归方法来预测。Luke Gregor等人\cite{CSIR_ML6}也意识到所有的方法都在试图突破一个瓶颈：最小的均方根误差，基于此思想，他们首先将所有海洋按照Fay等人\cite{fay2014global}提出的生物模型聚类分析，对每一类使用了四种机器学习方法建立模型，最终选择RMSE最小的一个模型，最终构建出全球$p\rm CO_2$地图集。 + +虽然这种聚类分析在细化区域差异的同时，但也因此带来了由于数据稀缺导致的建模问题。总的来说，随着实测数据的积累和机器学习等技术的发展，全球海洋$p\rm CO_2$的研究正在朝着时空分辨率更精细、模型更普适且准确的方向发展。在此过程中，我们看到了许多效果较为优秀的研究，这些研究大大推动了该领域的发展。然而，对于一些情况较为复杂的地区，比如极地地区，其具有的特殊性可能使得我们需要更加关注并深入研究。 + +\subsection{极地地区海表\texorpdfstring{$p\rm CO_2$}{}研究进展} +在开阔海域中，海洋遥感卫星受环境影响较小，且实测数据的时空分布密度较大。因此，开阔水域的模型拟合结果通常都有着不错的效果。然而，对于极地地区，情况就大不相同。传统的被动海洋遥感卫星在这些地区受到许多限制。首先，太阳天顶角在极地地区的影响会导致被动遥感成像受限。由于在极地地区，太阳高度角通常较高，太阳光线需要通过更长的大气路径才能到达地面，这影响了遥感卫星对地面的观测。其次，极地地区的云层和薄雾使光线难以透过。冬季的极地天气更加严酷，云层和雾气更严重，这增加了遥感卫星对地面观测的困难。同时，极地地区严寒的气候条件和冰雪覆盖的地面也给遥感卫星的地面观测带来了挑战。例如，地面的冰雪覆盖会改变地表的反射率，使遥感卫星的观测数据难以准确反映出地面的实际情况。其中，Chl-a数据在冬季南北两极就存在着严重的数据缺失现象，Chl-a数据作为表征生物过程对$p\rm CO_2$变化影响的变量，在多数地区模型中表现出重要作用。比如，Tu等人\cite{tu2021increase}在研究夏季北极楚科奇海域$p\rm CO_2$的变化时就发现Chl-a在过程中占主导作用，Brown等人\cite{brown2019enhanced}在研究南极西部半岛时发现浮游植物生物量增加导致了夏季海洋$\rm CO_2$吸收率增加了近5倍。另外，极地地区冬季恶劣的气候条件给船只测量带来了巨大的挑战，因而冬季极地地区严重缺少实测数据，这也给研究极地地区的$p\rm CO_2$带来了困扰。 + +尽管如此，有不少科研工作者提出了自己的解决方案。生物地球模式\cite{mongwe2016seasonal,mongwe2018seasonal,kessler2016southern}是重要的参考，但是一直以来南大洋是模式中表现最差的的区域，比如Mongwe等人\cite{mongwe2018seasonal}发现基于第五代的耦合模式对比项目（Coupled Model Intercomparison Project version 5, CMIP5）中的10种地球系统模式在南大洋区域存在与实测数据存在不一致的情况。在基于回归方法的研究中，对Chl-a的处理策略可以分为两大类，一是假设低浓度的Chl-a值或是气候态值来替代这缺失的部分，比如CSIR-ML6产品\cite{CSIR_ML6}在建模时假设了0.1±0.03$\rm mg m^{-3}$，LSCE-FFNN产品\cite{LSCE_FFNN}则在训练时假设了log(Chl-a)=0来填补，NIES-FNN产品\cite{zeng2014global}是使用了气候态的Chl-a数据，而在其2022年的更新版本NIES-ML3产品\cite{zeng2022surface}中则是选择了观测值的最小值来填补。另一种则是在建模时该地区模型中忽略掉Chl-a带来的影响，比如JMA-MLR产品\cite{JMA_MLR}在冬季南大洋区域中线性拟合时则是没有使用到Chl-a，MPI-SOMFFN产品\cite{MPI_SOMFFN}则是使用了剩下的几个变量来建模。虽然这些方法能够填补数据上的空白，但是从结果来看，南大洋这区域的效果都不尽人意，比如CSIR-ML6产品\cite{CSIR_ML6}中就提到，多种回归方法在南大洋等地区差异太大，无法可靠地抓取年际变化趋势，LSCE-FFNN产品\cite{LSCE_FFNN}在验证集中的$\rm R^2$仅为0.58，MPI-SOMFNN模型\cite{MPI_SOMFFN}的效果中也能看到南大洋地区效果不理想。 + +另外，也有一些研究尝试着使用新的测量方法以获取突破。例如，SOCCOM项目中部署的生物地球化学剖面浮标能够实现自动监测。Alison等人\cite{gray2018autonomous}使用了2014-2017年的浮标测量数据对南大洋海气$\rm CO_2$通量进行重新估算，发现南极峰以南释放$\rm CO_2$的现象更为明显。Bushinsky等人\cite{bushinsky2019reassessing}结合了来自SOCAT数据集的船舶测量数据和3.5年的浮标测量数据，发现仅从船舶估计的南大洋年平均吸收量为-1.14$\rm P \, g \, C \, yr^{-1}$，而加入浮标数据加权分析后，吸收量明显较低，为-0.35$\rm P \, g \, C \, yr^{-1}$，这表明浮标测量数据可能高估了南大洋的放气现象。Long等人\cite{long2021strong}利用了9个飞机项目的观测资料和来自地面站点的观测资料进一步证明了这一点。他们将$\rm CO_2$通量与大气输送模式中的水平、垂直大气$\rm CO_2$梯度联系起来，提供了可靠的通量约束。 计算结果显示，45S°以南地区的$\rm CO_2$通量为-0.53±0.23$\rm P\, g\, C\, yr^{-1}$，这与大气反演结果相接近，比基于浮标观测的结果大。后续的研究\cite{wu2023controversial}表明，当前的浮标数据的精确性可能需要进一步验证。还有一些较为新颖的方法，例如使用夏季观测数据来推导冬季\cite{mackay2022improved}，或者用冬季数据较为丰富的德雷克海峡的时间序列来估算整个南大洋$p\rm CO_2$的变化\cite{fay2018utilizing}等等。这些方法在一定程度上填补了冬季数据的缺失，但是，方法都相对复杂，并且其适用性有限，不可能完全替代实际的冬季观测数据，但还需要更多的研究来提高其准确性和可靠性。 + +然而，随着主动遥感卫星的出现，我们有了新的解决此问题的思路。主动遥感卫星可以补充被动遥感缺失的数据，比如搭载在CALIPSO卫星上云-气溶胶偏振激光雷达CALIOP能够持续地提供冬季的测量$b_{bp}$数据，Behrenfeld等人\cite{bbp_Annual_2017}发现了$b_{bp}$与浮游植物生物量的关系，Zhang等人\cite{zhang2022carbon}在北极区域使用了CALIOPSO的$b_{bp}$数据，基于$b_{bp}$数据来计算推导出冬季的Chl-a数据，通过这种方法填补冬季观测空白区域，这种新颖的方法为我们的研究提供了新的视角和可能性。 +%-------------------------------------------------------------------------------------------------------------- +%-------------------------------------------------------------------------------------------------------------- +%-------------------------------------------------------------------------------------------------------------- +%-------------------------------------------------------------------------------------------------------------- +%-------------------------------------------------------------------------------------------------------------- +%-------------------------------------------------------------------------------------------------------------- +\section{研究思路及内容} +\subsection{研究目标和内容} +本文以南大洋为研究区域，以区域内的$p\rm CO_2$为研究目标。主要研究该区域$p\rm CO_2$的时间空间分布变化情况，探究$p\rm CO_2$的变化趋势，并分析使用不同的Chl-a处理策略下对碳汇吸收量估测的影响。我们首先将CALIPSO卫星的$b_{bp}$数据进行映射处理，并选择合适的插值算法填补空白观测区域，并将$b_{bp}$分布与MODIS卫星的Chl-a分布进行对比，以验证两者分布差异，从而判断$b_{bp}$能否代替Chl-a用于模型表征生物过程作用的输入量。接着进行训练数据集的构建，实测$p\rm CO_2$数据需要进行去重和平滑处理，并与相应位置和相近时间的月平均$b_{bp}$、SST、SSS、MLD、Wind、$x\rm CO_2$遥感数据进行匹配。基于这些匹配结果，我们建立了基于不同机器学习的模型，并根据相应的评价尺度和独立验证数据来对比模型表现，以选择最优模型反演南大洋的月平均$p\rm CO_2$数据，并对时间和空间分布特征进行分析。最后，我们结合气体传输等参数来计算$\rm CO_2$通量，以评估南大洋碳汇时空分布和变化趋势，同时选择了使用不同Chl-a处理策略的$p\rm CO_2$产品对比分析，并分析在不同处理策略下的碳汇时空差异。本文的研究内容可以大致分为以下几个部分： + +（1）适用于该研究区域内连续时间的 $p\rm CO_2$反演模型的建立和误差分析 + +本文试图将主动遥感CALIPSO卫星的bbp数据作为表征生物过程的输入量加入模型中，以实现构建南大洋研究区域内连续时间$p\rm CO_2$反演模型； +同时综合比较多种算法在研究区域内反演$p\rm CO_2$的性能表现，最终选择性能最优模型。使用独立航次来验证模型的外推、泛化能力，并在模型的输入参数中添加一定的不确定值进行模型灵敏度测试，以检验模型的稳定性。 + +（2）研究区域内连续时间$p\rm CO_2$变化情况，以及南大洋对$\rm CO_2$的吸收情况 + +我们将使用最优模型来反演研究时间内南大洋的$p\rm CO_2$，并总结并分析出$p\rm CO_2$的时空变化特征。然后，我们将计算出研究区域内的$\rm CO_2$通量，并分析整个研究区域的吸碳能力的变化。 + +（3）研究不同Chl-a处理策略下$\rm CO_2$通量的差异及原因 + +本研究详细统计了各种不同产品所提供的$p\rm CO_2$数据，并根据这些数据计算出了$\rm CO_2$的通量结果。不仅对比了这些结果之间的差异，还深入分析了可能导致这些差异的原因。这一过程旨在理解不同处理策略在反演$p\rm CO_2$时的优劣，有助于我们更好地理解如何改进我们当前的数据处理方法以便我们能够更好地理解和预测气候变化的影响。 + +\subsection{文章拟解决的问题} +（1）填补空缺的Chl-a观测数据，构建适用于研究区域内连续时间的$p\rm CO_2$反演模型 + +本研究找到一种能够表征生物过程的变量$b_{bp}$，并尝试使用该变量进行插值分析来代替在建模中常常用来表征生物过程的变量——叶绿素a浓度（Chl-a），从而能够实现空白的填补。本文对比不同的机器学习算法，通过输入$b_{bp}$、SST、MLD、SSS、wind和$x\rm CO_2$等参数，建立了精确、稳定且具有一定外推能力的反演模型，由于不同海域之间的主导因子可能存在差异，区域性算法可能会更加适用。 + +（2）分析研究区域内碳吸收排放能力的变化 + +海洋吸收碳的能力受到了多方面的影响，可以通过计算海-气交换通量来估计其变化，结合已经反演出的$p\rm CO_2$和大气$\rm CO_2$摩尔分数、气体交换系数和海冰等数据可以计算得到海-气$\rm CO_2$的时空分布，进而分析碳吸收变化趋势。 + +（3）研究不同Chl-a处理策略下的差异及讨论 + +以前的研究提出使用低值替代等方法，不符实际的值最终都会对海-气$\rm CO_2$交换产生一定的影响，考虑到其他产品在计算海-气交换通量时使用了不同的风速等数据产品，造成结果上的误差，本文仅使用产品中提供的$p\rm CO_2$进行计算，确保最后结果的可比较性，排除其他变量不一致导致的干扰。最后，对结果进行分析总结。 + +\subsection{文章的技术路线和流程} +如图\ref{fig:fig-1.1}所示，本文的具体过程包括一下几个步骤： +\begin{figure}[htbp] + \centering + \includegraphics[width=\linewidth]{figure/论文框架.png} + \bicaption{\label{fig:fig-1.1}本文研究路线图}{ The technical route of this research} + % \caption{\label{fig:fig-1.1}The technical route of this research} +\end{figure} + +（1）整理预处理来自SOCAT数据集的$f\rm CO_2$数据，包括去重、去极值等处理，并将$f\rm CO_2$转化成$p\rm CO_2$； + +（2）对基于CALIPSO的$b_{bp}$数据进行线性插值处理，并对比Chl-a的分布和趋势，以确保月平均$b_{bp}$数据可用于添加入模型；根据$p\rm CO_2$的信息匹配月平均$b_{bp}$数据、SST、SSS、MLD、wind、$x\rm CO_2$数据等构建出训练数据集； + +（3）对比不同的算法在研究区域中反演$p\rm CO_2$的性能，选择性能最优的模型进行后续验证和反演； + +（4）对选取的模型进行独立数据验证，以确保有把握进行外推；对选择的模型输入变化的输入量进行敏感度分析，以确保模型的稳定性； + +（5）根据验证过且可靠的模型来反演出2008年-2017年的研究区域内$p\rm CO_2$，总结时间空间分布情况并统计分析$p\rm CO_2$变化趋势； + +（6）根据$p\rm CO_2$进一步计算并分析$\rm CO_2$通量，分析变化趋势； + +（7）与现有的已发布的多个$p\rm CO_2$产品进行比较，并分析可能导致差异的原因。 +% ——--------------------------------------------------------------------------------------------------------- +% ——--------------------------------------------------------------------------------------------------------- +% ——--------------------------------------------------------------------------------------------------------- +% ——--------------------------------------------------------------------------------------------------------- +% ——--------------------------------------------------------------------------------------------------------- +% ——--------------------------------------------------------------------------------------------------------- +\section{论文框架} +全文主要分为五个章节，各个章节的内容如下： + +第一章 先从宏观角度阐述本研究的背景和意义，明确强调了南大洋吸碳能力对海洋碳循环的重要性。详细介绍了使用遥感手段研究$p\rm CO_2$的进步性，以及结合主动遥感数据研究的前瞻性。接下来，总结了国内外的研究进展，从基于实测数据的传统方法和基于遥感数据的回归方法两个角度，总结了当前研究$p\rm CO_2$的常用方法。并比较了极地和开阔水域的研究难度，特别强调了南大洋区域的特殊性以及在冬季缺失数据问题，并提出基于CALIPSO的$b_{bp}$可能是一种解决方案。最后，提出了本研究的目标、研究内容和关键问题，并规划了研究的主要路径和框架。 + +第二章主要是针对研究区域和研究中所用数据的介绍及预处理，首先介绍了南大洋区域的定义、以及各个区域的生物化学特征；其次对基于走航的SOCAT V2023 $p\rm CO_2$数据集处理过程；接着对建模以及后续计算所用到的环境变量（$b_{bp}$、SST、SSS、MLD、wind、$x\rm CO_2$等）进行了一一介绍，一些数据还需要进一步处理才能被使用，对处理过程也进行了详细的介绍。 + +第三章主要介绍了模型建立的具体过程以及模型验证的方法。根据实测数据的信息与多个输入量之间匹配，构建了本研究使用的$p\rm CO_2$数据集；建模时使用多个机器学习算法训练模型，选择合适的评价指标进行模型性能评估，最终选择效果最优的XGB-$p\mathrm{CO_2}$模型；为了进一步测试模型的准确性，使用了独立数据进行验证，以确保其准确性以及外推能力，同时，需要对模型进行输入量敏感性分析，以确保模型的稳健性和鲁棒性。 + +第四章主要介绍了本文的实验结果分析和多产品对比结果。首先，根据得到的XGB-$p\mathrm{CO_2}$模型反演出2008年到2016年的南大洋$p\rm CO_2$时空分布和时间序列，基于该结果，根据公式继续计算海-气$\rm CO_2$通量以估算南大洋$\rm CO_2$吸收大小，并分析变化趋势。目前针对冬季叶绿素缺失问题业界有着不同的处理策略，这里结合了几种不同处理策略下的$p\mathrm{CO_2}$产品计算$\rm CO_2$通量，对比分析差异并分析可能存在的原因，发现产品大多数存在着低估冬季南大洋$\mathrm{CO_2}$吸收的现象。 + +第五章总结了本研究所得出的主要结论，同时提出了本论文中的主要创新点和当前研究的不足之处，以及需要进一步解决的问题，最后展望了本研究后续可能得工作内容和方向。 \ No newline at end of file diff --git "a/body/\344\270\273\344\275\223\345\206\205\345\256\271/2\347\240\224\347\251\266\345\214\272\345\237\237\344\270\216\346\225\260\346\215\256\345\244\204\347\220\206.tex" "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/2\347\240\224\347\251\266\345\214\272\345\237\237\344\270\216\346\225\260\346\215\256\345\244\204\347\220\206.tex" new file mode 100644 index 00000000..a9b79f3c --- /dev/null +++ "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/2\347\240\224\347\251\266\345\214\272\345\237\237\344\270\216\346\225\260\346\215\256\345\244\204\347\220\206.tex" @@ -0,0 +1,166 @@ + +% 主要写：研究区域与数据处理 +\section{研究区域} +\subsection{研究区域介绍} +\begin{figure}[H] + \centering + \includegraphics[width=\linewidth]{figure/第二章用图/图2.1-1.jpg} + \bicaption{\label{fig:fig-2.1}本文研究区域示意图（a）等经纬度投影；(b)极地投影}{The schematic diagram of the study area in this article (a) employs an Equal Latitude and Longitude Projection; (b) Polar Projection.} +\end{figure} +南大洋因其特殊的地理位置和在海洋生态、气候系统中的重要作用而受到人们的关注\cite{DXJZ201204005,JDYZ200901008,JDYZ200103003}。南大洋的定义在近年来的多数研究并不一致，比如Lenton等人\cite{lenton2013sea}、Majkut等人\cite{majkut2014observing}定义为44°S以南，但是最近的一些研究\cite{seferian2012water,sokolov2009circumpolar}强调了由于地理边界的不同而导致的变差，因为不同的边界会使得模型无法描述不同的区域情况，比如南极峰移动的影响以及季节变化等。再结合实测数据的部分情况（见\autoref{fig:SOCAT分布}-(a)），本研究最终定义南大洋为35°S以南的海域，如\autoref{fig:fig-2.1}-(a)所示红色框线所示，其展示了南大洋的地理位置。\autoref{fig:fig-2.1}-(b)所示，南大洋环绕南极大陆，包括罗斯海(Ross Sea)、威德尔海 (Weddell Sea)、阿蒙森海(Amundsen Sea)、别林斯高晋海(Belingshausen Sea)等以及南印度洋、南太平洋、南大西洋的部分地区，占全球海洋面积的15\%至20\%，是世界上唯一一个未被大陆分割的大洋。 + +南大洋是世界上最大的碳汇地区之一，全球海洋每年从空气中吸收大约2.7±0.3Pg的碳，南大洋吸收的碳约为1 PgC，吸收人为排放的$\rm CO_2$的比例达到40\%\cite{khatiwala2009reconstruction,devries2014oceanic}。南大洋不仅大量吸收大气中的$\rm CO_2$，其深层水域还储存了大量的溶解有机碳和沉积有机碳\cite{JDYZ200103003}，这些过程有助于维持全球碳平衡，减缓大气中$\rm CO_2$浓度的增加。然而由于缺少观测数据，在连续时间维度上衡量南大洋吸收$\rm CO_2$能力都存在着很大的不确定性。 + +\subsection{研究区域特征分析} +\begin{figure}[htbp] + \centering + \includegraphics[width=\linewidth]{figure/第二章用图/图2.2-生物分区.jpg} + \bicaption{\label{fig:生物分区} (a) Fay等人\cite{fay2014global}提出的生物群落全球分区示意图；(b) Fay等人\cite{fay2014global}提出的生物群落南大洋分区示意图}{ + (a) Schematic diagram of global biomes map proposed by Fay et al.\cite{fay2014global}; +(b) Schematic diagram of Southern Ocean biomes map proposed by Fay et al.\cite{fay2014global} + } +\end{figure} + +Fay等人\cite{fay2014global}运用多种参数，如海表面温度（SST）、春夏叶绿素a（Chl-a）浓度、冰浓度以及最大混合层深度（MLD）等，对全球的海洋生物群落进行了分类，如图（1）所示，为全球生物群落划分，不同颜色代表了不同的生物群落区。在研究区域被大致划分为四个主要的生物群落：亚热带永久分层生物群系(subtropical permanently stratified biome, STPS)、亚热带季节性分层生物群系(subtropical seasonally stratified biome,STSS)、亚极地季节性分层生物群系( subpolar seasonally stratified biome, SPSS)和冰层生物群系(ice biome, ICE)。这四个群落各自代表了南大洋中不同的生态区域，每个生态区域都有其独特的生物化学特性。划分条件详见\autoref{tab:biomes分区表}。 + +南大洋的碳汇变化存在较大的争议，主要原因是南大洋的数据不足和遥感数据的冬季缺失。另外，冬季的被动遥感数据受到太阳天顶角、云层和冰的影响，不能发挥最大效用，如图c所示的多年冬季平均叶绿素，在SPSS和ICE区域存在数据缺失，而STSS和STPS区域的数据覆盖率相对较高。对于ICE区域，由于冬季冰层覆盖率较高，碳汇交换受到限制；而SPSS区域，几乎占据了整个南大洋一半的面积，该区域的碳汇变化趋势存在较大不确定性。基于MODIS卫星Chl-a覆盖情况以及各个区域特征，在本文中我们将STSS和STPS区域视为低纬度区域，将SPSS和ICE区域视为高纬度区域。 + +\begin{table}[htbp] +\bicaption{\label{tab:biomes分区表}Fay等人\cite{fay2014global}划分生物群落的标准}{Fay et al.\cite{fay2014global} Criteria for classifying biomes} +\begin{tabularx}{\textwidth}{XXXXX} +\toprule +Biomes & SST(°C) & Chl-a(mg\ m$^{-3}$) & Max MLD(m) & 备注 \\ +\midrule +STPS & x\textgreater{}=8 & x\textless{}0.25 & x\textless{}=150 & \\ +STSS & x\textgreater{}=8 & x\textgreater{}=0.16 & x\textgreater{}150 & Chl-a 或 max MLD \\ +SPSS & x\textless{}8 & & & \\ +ICE & & & & 海冰浓度\textgreater{}=0.5 \\ +\bottomrule +\end{tabularx} +\end{table} + +\section{数据介绍与处理} +\subsection{\texorpdfstring{$p\mathrm{CO_2}$}{}实测数据介绍与处理} +\subsubsection{实测数据介绍} +\begin{figure}[htbp] + \centering + \includegraphics[width=\linewidth]{figure/第二章用图/SOCAT分布图.jpg} + \bicaption{\label{fig:SOCAT分布} (a)南大洋实测数据（2008.01-2016.12）分布图；(b) 不同月份$p\mathrm{CO_2}$实测数据统计图；(c)(d)(e)(f)分别为南大洋春（8,9,10）、夏（11,12,1）、秋（2,3,4）、冬（5,6,7）四个季节实测$p\mathrm{CO_2}$分布图}{(a) Distribution Map of Observed Data in the Southern Ocean (2008.01-2016.12); +(b) Statistical Chart of Observed $p\mathrm{CO_2}$ Data in Different Months; +(c), (d), (e), (f) are respectively the distribution maps of observed $p\mathrm{CO_2}$ in the Southern Ocean during spring (8, 9, 10), summer (11, 12, 1), autumn (2, 3, 4), and winter (5, 6, 7).} +\end{figure} + +在本次研究中，我们选择的实测走航$p\rm CO_2$数据来源于海表$\rm CO_2$地图集（The Surface Ocean $\rm CO_2$ Atlas, SOCAT V 2023, \url{https://socat.info/}）\cite{socat2016}。这是一个包含来自十多个国家的船舶、系泊和自主水面测量仪器的二氧化碳溢度（sea surface fugacity of $\rm CO_2$，$f\rm CO_2$）实测数据集，SOCAT v2023版本包含了1957至2023年间全球海洋和沿海海域的3560万次观测和720万次传感器观测数据，其中南大洋区域约有745万条数据记录。该数据集对测量结果进行了质量控制，SOCAT v2023版本中的3560万次$f\rm CO_2$测量精度优于5μatm，$f\rm CO_2$传感器数据精度为5至10μatm。\cite{socat2016} + +该数据集的$f\rm CO_2$测量值以及合成产品是衡量海洋吸收$\rm CO_2$量的关键，为我们了解气候变化以及制定政策提供了重要的信息，已经在$p\rm CO_2$领域的研究中多次被使用\cite{CSIR_ML6,MPI_SOMFFN}。其在研究区间的分布如\autoref{fig:SOCAT分布}-(a)所示，走航数据基本覆盖了整个研究区域。但仍有不足之处，如\autoref{fig:SOCAT分布}-(b)所示，其数量分布存在明显的季节差异，受航行环境影响，夏秋季节的航次数据较多（\autoref{fig:SOCAT分布}-(d),(e)），而春冬季节的数据较少（\autoref{fig:SOCAT分布}-(c),(f)）；且空间分布的密度不同，德雷克海峡区域的航次最多，而受到出海成本、条件的限制，60°S以南的海域分布较少。 + +\subsubsection{实测数据预处理} +% （2）实测数据预处理 +SOCAT V2023数据集中给出的$f\rm CO_2$需要通过如下公式转换成$p\rm CO_2$数据: +\begin{equation} + \label{equ:pCO2} + p\mathrm{CO_2} = \mathrm{fCO_2} \cdot exp(P_{atm}^{surf} \cdot \frac{B + 2\cdot \delta}{R \cdot T})^{-1} +\end{equation} +公式中，$P_{atm}^{surf}$是海表面大气压，单位为Pa，T是海表面绝对温度，单位为K，R是气体常数，为8.314J/(K·mol)，而B和$\delta$是矫正系数，单位为$m^3/mol$，分别通过公式\autoref{equ:B},\autoref{equ:delta}计算得到。 +\begin{equation} + \label{equ:B} + B= (-1636.75 + 12.0408\cdot T - 3.27957 \times 10^{-2}\cdot T^2 +3.165\times 10^{-5}\cdot T^{3})\times 10^{-6} +\end{equation} + +\begin{equation} + \label{equ:delta} + \delta = (57.7 - 0.118\cdot T)\times 10^{-6} +\end{equation} + +处理过程中，我们只使用了QCflag为A-D的数据，为了防止数据冗余且方便与环境变量数据进行匹配，我们将每条航次分开处理，每条数据根据\autoref{equ:pCO2}计算得到$p\rm CO_2$后，将按照经纬度映射到0.25°×0.25°的网格中，如果网格中的一个像素对应有多条数据记录，则取多条数据的平均值。考虑到南大洋地区环境等条件带来的测量误差以及映射方法中导致相邻像素单元中出差$p\rm CO_2$差距过大的现象，最后使用3×3的网格取平均值进行平滑处理，如\autoref{fig:平滑pCO2}所示，是航次号为：33RO20131223的平滑处理效果。 +\begin{figure}[htbp] + \centering + \includegraphics[width=\linewidth]{figure/第二章用图/平滑pCO2.jpg} + \bicaption{\label{fig:平滑pCO2}航次号为：33RO20131223的平滑处理效果 }{The smoothing effect of the NO. 33RO20131223 cruise} +\end{figure} + +% \subsection{遥感数据介绍与处理} +\subsection{CALIPSO卫星介绍与数据处理} +\subsubsection{CALIPSO卫星以及CALIOP传感器介绍} +\begin{figure}[htbp] + \centering + \includegraphics[width=\linewidth]{figure/第二章用图/图2-CALIPSO.jpg} + \bicaption{\label{fig:CALIPSO卫星} (a) A-train地球观测传感器及其成员\cite{stephens2002cloudsat}；(b) CALIOP传感器成像示意图\cite{CALIPSO_2009}}{ + (a) The concept of the A-Train constellation and its members\cite{stephens2002cloudsat}; + (b) Schematic diagram of CALIOP sensor imaging\cite{CALIPSO_2009} + } +\end{figure} + +云气溶胶激光雷达和红外探路卫星观测（the Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observation, CALIPSO）卫星是由美国国家航空航天局（National Aeronautics and Space Administration, NASA）和法国国家空间研究中心（the Centre National d’Etudes Spatiales, CNES）合作研发。\cite{winker2003accounting,CALIPSO_2009}其作为地球系统科学探路者项目（Earth System Science Pathfinder, ESSP）的一部分，于2006年发射，是A-train地球观测传感器套件的一部分（如\autoref{fig:CALIPSO卫星}-(a)），其目标是填补我们在观测气溶胶和云层全球分布和特性方面的现有空白。\cite{CALIPSO_2009,winker2003accounting}A-train系列卫星在705公里的太阳同步极地轨道上，绕行周期为16天，在每日当地时间约01:30和13:30分别过境一次，轨道间距大约为1.55°，轨道倾角为98.2°，提供了82°N到82°S的全球覆盖。\cite{stephens2002cloudsat,CALIPSO_2009} + +CALIPSO卫星上携带的主要仪器是云—气溶胶正交偏振激光雷达（the Cloud-Aerosol Lidar with Orthogonal Polarization, CALIOP），是第一个提供全球大气测量的偏振激光雷达，为科学界提供了新的观测能力。CALIOP是一种双波长偏振激光雷达，拥有波长为532nm和1064nm两个通道（如\autoref{fig:CALIPSO卫星}-(b)），能够不间断地收集82°N和82°S之间气溶胶和云在两个波段上的衰减散射以及波长532nm极化后向散射。\cite{CALIPSO_2009}同时它在大气中的垂直采样率为30m，但是由于532nm波段在水中的折射率增加了1.32倍，因此垂直采样分辨率降低到22.5m。它在大气中的垂直采样频率为30m，但由于532nm波段在水中的折射率增加了1.32倍，因此垂直采样分辨率被调整到22.5m。CALIPSO还配备了两种被动传感器：一是宽视场相机，这是一种基于电荷耦合器件的可见光传感器，其在距离卫星下方2.5公里的范围内的像素空间分辨率为125米，在两侧延伸至30公里的带状区域内，其余像素的空间分辨率为1000米。二是红外成像辐射计，它是一种三通道设备，其空间分辨率为1公里，波段为61公里。这两种传感器都以激光雷达的足迹为中心，为我们提供了周边大气的视图。 + +相较而言，CALIOP激光雷达具有无可比拟的优势。它可以发射自己的激光，无需受太阳光的限制，能在白天和黑夜都能工作。此外，雷达是唯一能提供高分辨率的气溶胶剖面的技术，即使在明亮的地表如荒漠、雪层或明亮的云层上，也能实现气溶胶的观测。激光雷达能穿透高亮的薄云层，绘制出大气的大部分轮廓。还可以通过测量后向散射的去极化信号，提供垂直分辨率的冰水相位测量。\cite{CALIPSO_2009,winker2003accounting}因此，它在弥补被动遥感的缺陷方面具有优势，即使在冬季极地地区也能发挥重要作用。 + +\subsubsection{CALIPSO卫星数据及处理} +\begin{figure}[htbp] + \centering + \includegraphics[width=\linewidth]{figure/第二章用图/图2-bbp处理.jpg} + \bicaption{\label{fig:bbp处理} (a) 原始$b_{bp}$数据分布图（2011年2月）；(b) 二维线性插值后得到的$b_{bp}$分布图}{ + (a) Distribution plot of raw $b_{bp}$ data (February 2011); + (b) Distribution plot of $b_{bp}$ data after 2D linear interpolation + } +\end{figure} + +颗粒后向散射系数（subsurface particulate backscatter coefficients, $b_{bp}$）描述颗粒在受到入射光线激发后向相反方向散射的强度，其对于了解海洋生态具有重要作用。由于海表面反射的信号污染，从CALIOP获取$b_{bp}$数据具有一定的挑战性，但CALIOP的交叉极化通道测量到的信号几乎完全是由于颗粒物质的反向散射，Berenfired等人\cite{2013Space}基于海表以下柱积分下通量后向散射的交叉极化分量$\beta _ w$来反演得到$b_{bp}$值，且与现场评估的结果表明了基于CALIOP计算得到的$b_{bp}$值的正确性。 + +$b_{bp}$数据主要来自于CALIOP的532nm极化波长，其提供了白天和夜间观测的数据（\url{http://orca.science.oregonstate.edu/lidar_nature_2019.php}）\cite{behrenfeld2019global}，本文中使用了白天和夜间的数据，考虑到数据量的大小以及最后插值的效果，我们将$b_{bp}$白天和夜间观测得到的数据进行合并，然后按照年月平均到一个0.25°×0.25°的网格中，若同个网格中个一个像素若有多个值则计算平均值，接着使用二维线性插值的方法来填补上少量的观测空白区域，如\autoref{fig:bbp处理}所示，(a)图为2011年2月观测数据平均后的结果，(b)图为使用插值方法填充得到的$b_{bp}$分布图。按照此方法最终获取到2008年-2016年每月的0.25°×0.25°$b_{bp}$插值结果。 + +\subsection{MODIS 卫星遥感数据} +中等分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer, MODIS）是搭载在美国对地卫星（Earth Observation System, EOS）系列卫星 Terra 和 Aqua 卫星上的传感器。这两颗太阳同步极轨卫星于 2002 年 5 月发射，是EOS中用于观测全球生物和物理过程的重要工具。TERRA卫星于1999年12月18日发射成功，为上午星，从北向南于地方时10:30左右通过赤道。而AQUA卫星于2002年5月4日发射成功，为下午星，从南向北于地方时13:30左右通过赤道。这两颗卫星相互配合，每1\~2天可重复观测整个地球表面，获取丰富的数据。MODIS传感器数据获取快且覆盖范围广，如\autoref{tab:MODIS卫星波段}，光谱范围从0.4微米（可见光）到14.4微米（热红外），实现全光谱覆盖。其能够提供36个波段的观测数据，如表所示，其中的 7 个波段被广泛且较为频繁地应用于海洋水色遥感，比如叶绿素、悬浮物等。其数据空间分辨率为250m~1000m，扫描宽度达2330公里。 + +\begin{table}[htbp] +\centering % 居中表格 +\bicaption{\label{tab:MODIS卫星波段}MODIS卫星波段设置}{the Settings of MODIS satellite band} +\begin{tabularx}{\textwidth}{>{\centering\arraybackslash}p{1cm}>{\centering\arraybackslash}p{1.7cm}>{\centering\arraybackslash}p{1.7cm}*{3}{>{\centering\arraybackslash}X}} + % \textwidth让表格宽度等于页面宽度*，{6}{X}表示6列，每列都是X类型（可伸缩） +\toprule % 使用booktabs包提供的更好看的表头线条 +波段 & 波段范围 & 中心波长 & 波段宽度 & 饱和辐亮度 & 主要应用 \\ +\midrule % 使用booktabs包提供的表身线条 +8 & 204--420 & 412 & 15 & 44.9 & 叶绿素 \\ +9 & 438--448 & 443 & 15 & 41.9 & 叶绿素最大吸收 \\ +10 & 483--493 & 488 & 10 & 32.1 & 叶绿素其他色素 \\ +11 & 526--536 & 531 & 10 & 27.9 & 叶绿素 \\ +12 & 546--556 & 551 & 10 & 21.0 & 叶绿素、悬浮物 \\ +13 & 662--672 & 667 & 10 & 9.5 & 沉淀物、大气层 \\ +14 & 673--683 & 678 & 10 & 8.7 & 大气校正、荧光基线 \\ +\bottomrule % 使用booktabs包提供的表尾线条 +\end{tabularx} +\end{table} + +海表面温度（Sea Surface Temperature, SST）与$p\mathrm{CO_2}$之间有着十分紧密的联系，一般来说，SST升高会会加大$\mathrm{CO_2}$在水中的溶解度，会致使更多的$\mathrm{CO_2}$溶于海水中。当然，任何一个变量变化都会引起其他环境变量的变化，比如SST的升高会影响水中的生物活动，从而改变$p\mathrm{CO_2}$浓度。本研究中使用到的SST数据来自于美 国 国 家 航 空 航 天 局 (National Aeronautics and Space Administration, NASA) 海 洋 水 色 处 理 中 心 (Goddard Space Flight Center, GSFC, \url{http://oceancolor.gsfc.nasa.gov/})，是来自于MODIS遥感L3级月平均、8天平均数据产品，空间分辨率为 4 km×4 km （0.0416°×0.0416°）的等距柱面圆柱投影栅格数据。另外，SOCAT数据集中也提供了SST的实测数据以供使用。 + +叶绿素a浓度数据（chlorophyll-a concentration, Chl-a）作为表征生物过程对$p\mathrm{CO_2}$影响的变量，在多数研究中已被证明占有主导地位\cite{brown2019enhanced,tu2021increase}。其作为植物进行光合作用的关键色素，其浓度能够反映水生生物，特别是浮游植物的生长状况，因此在叶绿素浓度较高的区域，通常会发现$p\mathrm{CO_2}$的浓度相对较低。本研究中主要使用到的Chl-a数据与SST一样来自于MODIS卫星数据L3级月平均产品。 + +\subsection{混合层深度数据} +海水混合层深度(Mixed Layer Depth, MLD)是指海洋上层密度相对比较均匀的海水深度，混合层主要是由辐射、风力搅拌、降水等大气场强迫作用造成的海水对流混合，从而形成了在垂直方向上温度、盐度、密度近似均匀的分布。MLD与$p\mathrm{CO_2}$之间存在复杂的关系，首先，MLD决定了海表面与大气之间气体交换能力的强弱，其次，MLD能够反映出海洋动力过程的强弱，此外，MLD还受到季节、气候等多种因素的影响，这与$p\mathrm{CO_2}$变化也有一定的联系。 + +本研究中所使用到的MLD来自于美国全球海洋数据同化实验室中建立的混合坐标海洋模型（HYbrid Coordinate Ocean Model, HYCOM, \url{https://hycom.org/}）中的海水混合层深度（\url{http://www.science.oregonstate.edu/ocean.productivity/}），它是根据HYCOM中的温度、盐度和压强等变量计算出的，其提供了1997-2022年间的、空间分辨率为0.082°×0.082°（9Km）、8天和月平均时间分辨率的MLD数据，在该数据集中，MLD定义为大于表层海水密度0.125Kg m$^{-3}$ 的海水深度。 + + +\subsection{海表面盐度数据} +海表面盐度（Sea Surface Salinity, SSS）会影响海水的密度，当SSS升高时，海水密度会增大，从而影响$\mathrm{CO_2}$在海水中的溶解度，另外，SSS对于海洋生物生存环境也有着至关重要的影响，从而间接地影响$p\mathrm{CO_2}$大小。本文中使用到的SSS数据来自于欧洲哥白尼海洋全球再分析产品（Copernicus Marine Global Reanalysis Product, \url{https://data.marine.copernicus.eu/products}）。它是由哥白尼海洋环境监测服务创建的，只在充分了解全球海洋情况，并且提供了1/12°的涡分解的全球海洋模拟。其中的全球海洋物理再分析产品（Global Ocean Physics Reanalysis,\url{https://data.marine.copernicus.eu/product/GLOBAL\_MULTIYEAR\_PHY\_001\_030/description}）是基于实时全球预报CMEMS系统，使用了降阶卡尔曼滤波对观测结果进行同化，使用了3D-VAR方法为温度和盐度的大尺度偏差提供校正。本研究中使用了其提供的1993年至今的空间分辨率为0.083° × 0.083°的月平均、日平均SSS数据。 + + +\subsection{海表面风速数据} +海表面风速主要影响海洋表面的动力学过程。在一般情况下，海表面风速的增大可能会促进海水的垂直混合，使得海水中的$\rm CO_2$更容易与大气进行交换。但这种交换过程还会受到海水的温度、盐度等其他因素的影响，因此海表面风速和海表$p\mathrm{CO_2}$之间的关系并不是简单的线性关系。因此，在构建模型时需要将风速纳入考虑范围，以提高模型的准确性和预测能力。 + +本研究中使用的风速数据来自于CCMP v2(Cross-Calibrated Multi-Platform, \url{https://data.remss.com/ccmp/v02.0/})数据产品，它是一个结合交叉校准的卫星微波风数据和仪器观测数据，并且使用了变分分析方法(Variational Analysis Method, VAM)生成0.25°×0.25°分辨率的月平均三级再分析数据产品。遥感系统（Remote Sensing System, RSS）提供了交叉校准多平台，可以用来下载星载被动和主动微波获取的卫星风速数据，CCMP数据集在亮度温度水平上相互校准，并且使用了应用了准确的海面发射率模型和辐射传输方程来推导海面风以达到校准精度0.2摄氏度以内。其与多个微波辐射计平台（包括SSMI、SSM/I、SSMIS、AMSR、TMI、WindSat和GM等）的风速反演结果高度一致，VAM将RSS仪器数据与系泊浮标测量数据和风场的初始估计相结合，证实了测量结果是一致的，误差在0.8ms$^{-1}$以内。CCMP产品覆盖了南纬79°到北纬79°，且CCMP v2 数据集只提供了1987.1-2019.4时间段内的月平均数据，而2019年4月之后则需要从每日4次的风场数据中计算得出。 + +\subsection{大气\texorpdfstring{$\mathrm{CO_2}$}{}摩尔分数以及大气\texorpdfstring{$p\mathrm{CO_2}$}{}数据} +大气$p\mathrm{CO_2}$与海表$p\mathrm{CO_2}$大小决定着海水吸收还是排放$\mathrm{CO_2}$，这对海洋碳循环有着十分重要意义。而大气$p\mathrm{CO_2}$可以使用大气中$\mathrm{CO_2}$摩尔分数（$x\rm CO_2$）计算出来，它是指在大气中$\mathrm{CO_2}$分子的数量与总气体分子数之比。它通常用于表示大气中$\mathrm{CO_2}$的浓度，本研究中使用的$x\rm CO_2$数据来源于美国国家海洋和大气管理局（National Oceanic and Atmospheric Administration, NOAA）温室气体海洋边界层（ Marine Boundary Layer, MBL, \url{https://gml.noaa.gov/ccgg/mbl/}）数据库。MBL数据站点通常位于远洋地域，只有盛行的陆上风，而且不包括来自高海拔、受人类活动影响的站点测量结果，其提供了全球$\mathrm{CO_2}$增加的最低噪声表示。 + +而大气$p\mathrm{CO_2}$可以根据公式计算得出： +$$ +p\mathrm{CO_2^{air}} =x\mathrm{CO_2}\times (P_{sea-level}-P_{water}) +$$ + +其中，$P_{sea-level}$和$P_{water}$分别为海平面、水蒸气气压，单位均为帕（Pa），本研究中使用到的$P_{sea-level}$数据是来自于NCEP再分析模型II产品（NCEP-DOE Reanalysis 2, \url{https://psl.noaa.gov/data/gridded/data.ncep.reanalysis2.html}）。NCEP-DOE数据中使用了最先进的分析-预测系统，并使用了1979-2022年的数据进行数据同化，具有较高的准确性。而$P_{water}$是根据$P_{sea-level}$和SST计算得出。 + +\subsection{海冰浓度数据} +本研究中使用的海冰浓度数据主要来源于欧洲哥白尼海洋全球再分析产品（Copernicus Marine Global Reanalysis Product, \url{https://data.marine.copernicus.eu/products}） diff --git "a/body/\344\270\273\344\275\223\345\206\205\345\256\271/3\345\237\272\344\272\216\346\234\272\345\231\250\345\255\246\344\271\240\347\256\227\346\263\225\347\232\204pCO2\345\217\215\346\274\224\346\250\241\345\236\213\345\273\272\347\253\213\344\270\216\345\210\206\346\236\220.tex" "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/3\345\237\272\344\272\216\346\234\272\345\231\250\345\255\246\344\271\240\347\256\227\346\263\225\347\232\204pCO2\345\217\215\346\274\224\346\250\241\345\236\213\345\273\272\347\253\213\344\270\216\345\210\206\346\236\220.tex" new file mode 100644 index 00000000..39d5e679 --- /dev/null +++ "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/3\345\237\272\344\272\216\346\234\272\345\231\250\345\255\246\344\271\240\347\256\227\346\263\225\347\232\204pCO2\345\217\215\346\274\224\346\250\241\345\236\213\345\273\272\347\253\213\344\270\216\345\210\206\346\236\220.tex" @@ -0,0 +1,283 @@ +\section{训练数据集的构建} +\subsection{\texorpdfstring{$b_{bp}$}{}线性插值结果} +\begin{figure}[htbp] + \centering + \includegraphics[width=\linewidth]{figure/第三章用图/图3.1.jpg} + \bicaption{\label{fig:bbp和叶绿素}Chl-a和插值后的$b_{bp}$月平均分布}{Monthly average distribution map of Chl-a and $b_{bp}$} +\end{figure} +%考虑到$b_{bp}$的成像特点，我们将其进行二维线性插值到0.25°×0.25°空间分辨率，结合其数据产品的数量与质量，我们使用了每月的白天、夜间的数据，根据经纬度信息映射到网格中，网格个若有多个值则计算平均值，在这些平均值的基础进行二维线性插值，这样最终得到了2008年1月~2016年12月的月平均$b_{bp}$数据。 + +如\autoref{fig:bbp和叶绿素}是Chl-a和插值后的$b_{bp}$数据（插值过程参考第2.2小节）在研究区间内月平均分布图，这些数据为我们的研究提供了基础和依据。从图中可以清楚地看出，作为能够表征生物过程的两种变量$b_{bp}$和Chl-a，两者在空间分布特征上相近，高值基本都是分布在春季的亚热带季节性分层生物群系区域（STSS），这可能与这个季节生物活动的增加有关。Behrenfeld等人\cite{2013Space}发现基于$b_{bp}$得出的浮游植物生物量与海洋生物生态具有一致性的位置分布和季节变化，其在极地地区的研究也证明了这一点\cite{bbp_Annual_2017}。而我们的插值结果进一步印证了Berenfled等人\cite{2013Space,bbp_Annual_2017}的研究结果的正确性，表明$b_{bp}$完全可以用于表征生物泵的作用。 + +相较而言，MODIS卫星在冬季的观测能力有限，Chl-a的冬季高纬度数据在观测结果中明显缺失（5，6，7月），而基于CLIPSO卫星的$b_{bp}$数据能够实现冬季高纬度数据的测量（82°N$\sim$82°S），我们使用插值结果填补上该区域，从而实现缺失数据的补充，提供更全面的数据支持，使我们能够更准确地理解和分析南大洋$p\mathrm{CO_2}$连续季节的变化。 + +\subsection{训练数据集的构建} +\begin{table}[htbp] +\centering +\bicaption{\label{tab:数据集}数据集中包含的变量信息}{The variable information contained in the data set} +\begin{tabularx}{\textwidth}{>{\centering\arraybackslash}p{1.5cm}>{\centering\arraybackslash}p{2.5cm} *{3}{>{\centering\arraybackslash}X}} +\toprule +变量 & 数据源 & 时间分辨率 & 空间分辨率 & 处理方式 \\ \midrule +$p\mathrm{CO_2}$ & SOCAT & / & / & / \\ +$b_{bp}$ & CALISOP & 每月 & 0.25°×0.25° & 线性插值 \\ +SST & Aqua & 月平均 & 4km & 重采样 \\ +MLD & HYCOM & 月平均 & 9km & 重采样 \\ +SSS & EUO & 月平均 & 9km & 重采样 \\ +wind & CCMP & 月平均 & 0.25°×0.25° & / \\ +xCO2 & MBL & 1天 & / & / \\ \bottomrule +\end{tabularx} +\end{table} + +根据\autoref{equ:pCO2}将SOCAT V2023数据集中的$f\mathrm{CO_2}$修正后得到$p\mathrm{CO_2}$的观测样本后，将观测数据集网格化到0.25°×0.25°的网格中。为了减小误差，将每个航次分开进行处理，由于同一航次内$p\mathrm{CO_2}$采样点相对来说比较接近，显著小于卫星遥感及再分析数据的0.25°×0.25°空间分辨率（约25km×25km），因此，如果在相同的网格中有多条记录，则选择网格中的中值作为有效数据，以确保一组变量数据对应唯一$p\mathrm{CO_2}$值。最后得到约9万条数据，$p\mathrm{CO_2}$数据范围从56μatm到550μatm。 + +由于遥感数据和再分析数据以及插值结果在空间分辨率上存在差异，我们将所有的数据产品空间分辨率统一到0.25°×0.25°。这里使用了基于Python的CV库中的resize函数实现重采样。根据观测数据集中每条数据的位置和时间信息匹配对应的环境变量值（包括：月平均$b_{bp}$，月平均SST，月平均MLD，月平均SSS，月平均wind，月平均$x\mathrm{CO_2}$），如\autoref{tab:数据集}总结了各个环境变量的来源和处理过程。考虑到遥感数据受到云雾等噪声的影响，我们在匹配环境变量时，使用了3×3的网格均值用作最后匹配值。模型要求保证输入变量非空，排除某些环境变量未匹配到的数据记录后，最终得到包含88890条数据的训练数据集合。 + +\section{模型建立与结果分析} +\subsection{建模过程与算法评估指标} +\subsubsection{算法评估指标} +在回归类型的机器学习过程中，通常需要评估指标来评估预测值和真实值之间的拟合关系，从而量化模型的性能。在本研究中选择了比较常见的决定系数(Coefficient of Determination, $\mathrm{R^2}$)、均方根误差（Root Mean Squared Error, RMSE）、平均绝对误差（Mean Absolute Error, MAE）来量化。 + +$\mathrm{R^2}$，也称为拟合优度（Goodness of Fit），能够表示模型预测值与真实值之间的相关程度，它衡量了模型对数据拟合的好坏。对于实际测量值{$y_1,y_2,y_3...y_n$}和预测估计值{$x_1,x_2,x_3...x_n$}，相关系数$\mathrm{R^2}$为： +\begin{equation} + \label{equ:R2} +\mathrm{R^2}=\frac{\sum\limits_{i=1}\limits^{n}\left(\widehat{y_i}-\bar{y_i}\right)^2}{\sum\limits_{i=1}\limits^{n}\left(y_i-\bar{y_i}\right)^2}=1-\frac{\sum\limits_{i=1}\limits^{n}\left(y_i-\widehat{y_i}\right)^2}{\sum\limits_{i=1}\limits^{n}\left(y_i-\bar{y_i}\right)^2} +\end{equation} +% \begin{equation} +% \label{equ:sample} +% A=\overbrace{(a+b+c)+\underbrace{i(d+e+f)}_{\text{虚数}}}^{\text{复数}} +% \end{equation} + +\autoref{equ:R2}中，$\bar{y_i}$表示测量值平均值，$\widehat{y_i}$表示$x_i y_i$的回归方程，即 $\widehat{y_i}=\widehat{a}+\widehat{b} x_i$ ，且由最小二乘法得： +\begin{equation} + \label{equ:R2-b} +\widehat{b}=\frac{\sum \limits_{i=1}\limits^{n} x_iy_i-n\bar{x_i}\bar{y_i}}{\sum \limits_{i=1}\limits^{n}x_i^2-n\bar{p_i}} +\end{equation} +\begin{equation} + \label{equ:R2-a} + \widehat{a}=\bar{y}_i-\widehat{b}\bar{p_i} +\end{equation} + +$\mathrm{R^2}$的值越接近1，说明模型的预测效果越好；如果$\mathrm{R^2}$为负值，则表示模型比随机猜测还差。RMSE，也称为标准误差，其计算公式为： +\begin{equation} + \label{equ:RMSE} + RMSE=\sqrt{\frac{\sum\limits_{i=1}\limits^{n}\left(y_i-p_i\right)^2}{n}} +\end{equation} +RMSE对预测值中的大误差（离群点）非常敏感，因为误差在平方后会被放大。因此，RMSE能够很好地反映模型对极端值的处理能力。 +MAE表示预测值和观测值之间绝对误差的平均值，衡量了模型预测值与真实值之间的平均偏差。与RMSE相比，MAE对离群点的敏感性较低，因为它没有将误差平方。因此，当数据中存在离群点时，MAE可能是一个更稳健的评估指标。 +\begin{equation} + \label{equ:MAE} + MAE = \frac{1}{n}\sum\limits_{i=1}\limits^{n}|x_i-y_i| +\end{equation} + +\subsubsection{XGBoost算法介绍} +极限梯度提升(eXtreme Gradient Boosting, XGBoost)算法在各类数据科学和机器学习竞赛中取得了显著的成绩，包括 Kaggle，KDDCup，和ACM RecSys等\cite{abou2018xgboost,dhaliwal2018effective}。且在多数的$p\mathrm{CO_2}$反演算法研究中，均表明能够实现准确的预测\cite{stamell2020strengths,joshi2022modeling,song2023construction,gloege2022improved}，比如L. Gloege等人\cite{gloege2022improved}利用SST、MLD、xCO2等数据，基于XGBoost算法构造出全球1982-2018年的全球碳汇产品，结果显示对比其他产品，其能够更好地贴合独立观测数据。本研究主要也应用了XGBoost算法用于建立反演模型，这里对其原理及其优点进行介绍。 + +XGBoost算法是在2016年\cite{2016XGBoost}由Chen和Guestrin基于梯度提升决策树(Gradient Boosting Decision Tree, GBDT)算法提出的改进的Boosting算法。GBDT算法采用梯度下降的思想不断迭代模型，每一次迭代需要生成一颗新的树，以生成的所有的树为基础，朝着最小给定目标函数方向前进。XGBoost算法利用了CPU的多线程特点进行并行计算，同时运用集成学习的方法将多个弱学习器集成到一个强学习器，在目标函数上引入泰勒公式来近似和拟合目标函数，在过程中加入正则化目标项来控制模型的复杂度来防止过拟合。其模型原理如下：对于给定的包含有m个特征的n条数据的样本集${x_1,x_2,…,x_n}(x=n),x_i\in R^m$ ；XGBoost算法利用m个特征生成多个树基模型，且每一个基模型利用上一个基模型的残差以提高决策效果，通过下式进行预测： + +\begin{equation} + \label{equ:xgb-1} + \widehat{y_i}= \sum _{i=1}^{N}f_k(x_i),f_k\in F +\end{equation} +式中，$y_i$是模型的预测值，N是树模型的数量，$f_k$表示第k个树模型，F表示所有的回归树。在XGBoost算法的每一次迭代过程中，都会将一个新的函数添加到模型中，一个的函数对应一棵树，新生成的树则会拟合上次预测的残差，迭代过程如下： + +\begin{equation} + \label{equ:xgb-2} + \left\{ + \begin{aligned} + \widehat{y_i}^{(0)} &= 0\\ + f_1(x_i) &= \widehat{y_i}^{(1)} = \widehat{y_i}^{(0)} + f_1(x_i) \\ + \widehat{y_i}^{(t)} &= \widehat{y_i}^{(t-1)} + f_t(x_i) + \end{aligned} + \right. +\end{equation} + +XGBoost算法为了预测更加精准并且增大泛化能力，在目标函数中增加了损失函数和正则项，其中损失函数用来调整训练函数，正则项用来简化模型，以防止过拟合。如下式： + +\begin{equation} + \label{equ:xgb-3} + L(O)=\sum_{i=1}^nL(y_i,\widehat{y_i}^{(t-1)}+f_t(x_i))+\sum_k \Omega(f_k) +\end{equation} + +其中，$y_i$是真实值，L(0)是目标函数，第二项是损失函数，其中，$\widehat{y_i}^{(t-1)}$表示保留前面t-1轮的模型预测，$f_t(x_i)$表示一个新的函数。最后一项是正则项。XGBoost算法将损失函数通过Taylor公式展开来逼近真实值，如下式： +\begin{equation} + \label{equ:xgb-4} + L(y_i,\widehat{y_i}^{(t-1)} +f_t(x_i)) = L(y_i,\widehat{y_i}^{(t-1)})+g_if_i(x_i)+\frac{1}{2}h_if_t^2(x_i) +\end{equation} + +于是目标函数近似为下式： +\begin{equation} + \label{equ:xgb-5} + L\left(O\right)=\sum_{i=1}^{n}\left[L\left(y_i,\widehat{{y_i}^{\left(t-1\right)}}\right)+g_if_i\left(x_i\right)+\frac{1}{2}h_if_t^2\left(x_i\right)\right]+\sum_{k}{\Omega\left(f_k\right)\ } +\end{equation} + +\subsubsection{模型训练过程} +在机器学习中，为了得到一个性能优秀的模型，数据集通常被分为了三个部分，即训练集、验证集和独立测试集。分析数据我们发现，在同一个航次内$p\mathrm{CO_2}$数值较为相近且连续；如果直接从整体的数据集中随机抽取作为独立测试集合，则这部分数据可能会被模型“记住”。为了更好地测试模型的外推能力和泛化能力，我们从全部的航次中随机抽取出了50条航次的实测数据，约6623条数据记录作为独立测试集用，确保这些航次的数据没被被模型学习到。剩下的部分则先通过网格算法来进行超参数寻优，参数确定之后，我们继续进一步验证模型的准确性和稳定性，即将数据集分成两部分，其中70\%用于训练，30\%用于验证，过程中使用了三次交叉验证来测试模型的准确性和稳定性。 + +\subsubsection{网格搜索算法优化} +为了发挥出XGBoost算法的最好效果，需要调整一系列的参数，其中主要有通用参数、辅助参数以及任务参数。通用参数用来确定算法中选择的上升模型类别，比如booster参数，可设置为gbtree（树形模型）或者gblinear（线性模型），nthread用于设置线程数，默认为最大可用线程数；辅助参数则取决于所选用的上升模型，比如上升模型确定为树形模型时，可通过设置max\_depth设置每棵树的最大深度，值越大，越容易过拟合，设置subsample值可设定 每棵树训练时使用的样本比例，样本权重（subsample）控制每棵树训练时使用的样本比例，较小的样本权重可以提高模型的泛化能力，eta学习率决定每次迭代中新树的权重，较小的学习率可以使模型更加稳定，但可能需要更多的迭代次数；任务参数定义学习任务和相应的学习目标，objective: 定义学习任务和相应的学习目标，eval\_metric: 评估指标，用于验证模型的性能。参数的具体指标可以参考\url{https://xgboost.readthedocs.io/en/stable/parameter.html}。 + +\begin{table}[htbp] +\centering +\bicaption{\label{tab:网格优化算法}网格优化算法中的参数、步长和最优参数}{Parameters and optimal parameters set by the grid search algorithm} +\begin{tabularx}{\textwidth}{>{\centering\arraybackslash}p{5cm}>{\centering\arraybackslash}p{4cm}>{\centering\arraybackslash}X} +\toprule +超参数 & 范围 &最优值 \\ +\midrule +n\_estimators & 500-2000(步长 =100) & 1700 \\ +learning\_rate & 0.01-0.2(步长 =0.01) & 0.02 \\ +max\_depth & 5-15(步长 =1) & 9 \\ +gamma & 0-1.0(步长 =0.1) & 0.05 \\ +subsample & 0.7-1.0(步长 =0.1) & 0.8 \\ +alpha & 0-0.1 (步长 =0.01) & 0.05 \\ +min\_child\_weight & 1-10(步长 =1) & 6 \\ +colsample\_bytree & 0.5-1.0(步长 =0.1) & 0.8 \\ +\bottomrule +\end{tabularx} +\end{table} +为了提高模型训练的效率和精度，我们使用网格搜索进行优化，并以决定系数$\mathrm{R^2}$作为评价标准。网格搜索算法可以被自动化地应用到机器学习流水线中，使得模型训练的过程更加高效、自动化。另外，我们在过程中设置了K折交叉验证（K=5），能够将数据集划分为训练集和验证集的5个不同子集，并且多次训练模型，每次使用不同的子集作为验证集，从而得到模型性能的稳健估计。过程中设置的各参数范围、寻优步长和最优参数详见\autoref{tab:网格优化算法}。 + +%--------------------------------------------------------------- +%--------------------------------------------------------------- +%--------------------------------------------------------------- +%--------------------------------------------------------------- + +\subsection{模型表现及不同算法间的比较} +\subsubsection{基于XGBoost算法模型表现} + +\begin{table}[htbp] +\centering +\bicaption{\label{tab:三次交叉验证结果}三次交叉验证结果}{Results of three cross-validations} +\begin{tabularx}{\textwidth}{>{\centering\arraybackslash}p{1.5cm}>{\centering\arraybackslash}p{1.5cm} *{3}{>{\centering\arraybackslash}X}} +\toprule +集合 & 序号 & RMSE($\mu atm$) & MAE($\mu atm$) & $\mathrm{R^2}$ \\ \midrule + & 1 & 2.15 & 1.45 & 0.99 \\ +训练 & 2 & 2.89 & 1.79 &0.99 \\ + & 3 & 2.34 & 1.64 & 0.99 \\ + & 平均 & 2.46±0.31 & 1.62±0.13 & 0.99±0.00 \\ \midrule + & 1 & 13.47 & 8.21 & 0.82 \\ +验证 & 2 & 14.51 & 9.10 & 0.83 \\ + & 3 & 14.67 & 8.56 & 0.82 \\ + & 平均 & 13.88±0.60 & 8.62±0.43 & 0.82±0.0058 \\ \bottomrule +\end{tabularx} +\end{table} +\autoref{tab:三次交叉验证结果}展示了网格搜索算法寻优后得到的XGBoost算法模型三次交叉验证结果，过程中已经确保了每次使用的训练集和验证集不相同。模型的结果表明，该算法能够非常精确地进行预测和拟合。三次交叉验证的训练集合中，RMSE为2.46±0.31 μatm，MAE为1.62±0.13，$\mathrm{R^2}$为0.99±0.00；在验证集的表现中，RMSE为13.88±0.60 μatm，MAE为8.62±0.43μatm，$\mathrm{R^2}$为0.82±0.0058。三次验证结果中最优成绩如\autoref{fig:fig-3.2}所示，在训练集中，有52861条数据，模型表现良好，RMSE仅为2.15，MAE为1.45，$\mathrm{R^2}$为0.99；在验证集的22655条数据中，模型的RMSE为13.47，MAE为8.21，R2为0.82。且验证集和训练集中的大多数点均处于反演 $p\mathrm{CO_2}$ 和实测 $p\mathrm{CO_2}$ 的 1：1 等位线附近，说明验证集数据对于XGBoost算法所建立的模型仍具有较为优异的结果，通过XGBoost算法在南大洋地区反演 $p\mathrm{CO_2}$ 可以取得准确且可靠的效果。后续的反演使用的模型则是基于最优一次训练结果。 + +\begin{figure}[htbp] + \centering + \includegraphics[width=\linewidth]{figure/第三章用图/图3.2.jpg} + \bicaption{\label{fig:fig-3.2}(a)模型训练集结果和(b)验证集结果}{(a) Model training set results and (b) validation results} +\end{figure} + +\subsubsection{不同算法间的表现} +\begin{table}[htbp] +\centering +\bicaption{\label{tab:不同算法}不同算法结果的对比（验证集对比结果）}{Comparison of different algorithm results} + \begin{tabularx}{\textwidth}{>{\centering\arraybackslash}X m{2cm} m{2cm} m{2cm}} + \toprule + 算法 & RMSE($\mu atm$) & MAE($\mu atm$) & $\mathrm{R^2}$ \\ \midrule + 线性回归 & 27.82 & 23.23 & 0.41 \\ + k 邻近算法 & 27.82 & 27.82 & 0.56 \\ + 前向神经网络 & 19.48 & 20.18 & 0.76 \\ + 回归树 & 20.98 & 19.22 &0.70 \\ + 支持向量机-高斯核函数 & 21.11 & 17.37 & 0.67 \\ + 支持向量机-线性核函数 & 20.59 & 18.39 & 0.68 \\ + 随机森林 & 18.53 & 21.68 & 0.70 \\ + Bagging回归 & 17.02 &18.88 &0.74\\ + 自适应增强算法 &19.23 & 18.48 &0.73 \\ + 梯度提升树算法 & 17.54 &17.19 & 0.71 \\ + \bottomrule + \end{tabularx} +\end{table} + +本小节旨在探究南大洋海表$p\mathrm{CO_2}$反演过程中不同机器学习算法的应用效果。我们对比了几种常见的回归类型的机器学习算法，包括k邻近算法、支持向量机(SVM)、神经网络，以及集成学习算法（如随机森林、自适应增强算法、梯度提升树算法和Bagging回归）等基本方法。为了确保结果的可比较性，我们采用了一致的方法。具体而言，我们将数据集按照3.1小节的建议进行训练集和验证集的划分。首先，我们对需要调优的几种算法均采用网格搜索算法对模型参数进行优化。然后，通过三次交叉验证来验证模型的准确性和稳定性，最终使用验证集计算RMSE（均方根误差）、MAE（平均绝对误差）和$\mathrm{R^2}$（决定系数）等关键统计指标，评估各算法对该数据集的验证效果。 + +各个算法三次交叉验证的最优结果如\autoref{tab:不同产品对比}所示，这些算法结果表明，多个学习器组合成的集成学习方法的表现要优于单个学习器；传统的线性回归模型在这里表现很差，RMSE、$\mathrm{R^2}$均为所有算法中最高的，拟合效果较差，难以应用在情况较为复杂的南大洋地区。基于树型学习器的多种算法效果均表现良好，他们的$\mathrm{R^2}$均超过了0.7，且RMSE均均小于20μatm。 +另外在上述的集成算法中，Bagging回归和梯度提升算法均取得了不错的效果，效果略低于XGBoost算法。结合所有算法的结果，XGBoost算法的效果最为突出，三个指标均比其他算法好，具有较高的准确度，因此本研究最终采用XGBoost算法反演南大洋海表$p\mathrm{CO_2}$。 + +\subsection{模型独立验证结果与敏感度分析} +\subsubsection{模型独立验证结果} +\begin{figure}[htbp] + \centering + \includegraphics[width=\linewidth]{figure/第三章用图/图3.3.jpg} + \bicaption{\label{fig:独立验证} + (a) 随机抽取的50条走航数据的现场海面$p\mathrm{CO_2}$与XGBoost模型预测的海表$p\mathrm{CO_2}$的比较；(b) 随机抽取的50条走航数据的分布以及残差(观测值-预测值)情况} + {(a) the comparison between in-situ sea surface $p\mathrm{CO_2}$ and sea surface $p\mathrm{CO_2}$ predicted by the XGB-model for the 50 randomly selected cruises; (b) distribution of randomly selected 50 cruises and their residuals.} +\end{figure} + +在训练过程中我们预留了五十条走航数据没有参与训练过程，用作独立测试集，此举可用于验证模型的外推能力。这50条随机抽选的航次分布情况如\autoref{fig:独立验证}-(b)所示，基本覆盖了南大洋的各个区域。 \autoref{fig:独立验证}-(a)中我们能看到模型能够很好地拟合，且能够抓住变化趋势。从数据角度来看，RMSE为18.40μatm，MAE为12.88μatm，$\rm R^2$为0.52，说明模型you较好的拟合效果。\autoref{fig:独立验证}-(b)为残差图，可以看到除去东经160°，南纬35°的近岸地区误差较大外，模型误差较小，说明该模型完全有把握地预测南大洋$p\mathrm{CO_2}$时空变化。 + +\subsubsection{敏感性验证} +\begin{table}[htbp] +\centering +\bicaption{\label{tab:敏感性统计}模型对每个输入变量不确定性的敏感性统计}{Model sensitivity statistics to uncertainty in each input variable} +\begin{tabularx}{\textwidth}{>{\centering\arraybackslash}p{2cm} >{\centering\arraybackslash}p{3cm} >{\centering\arraybackslash}p{3cm} >{\centering\arraybackslash}p{1.5cm} >{\centering\arraybackslash}p{1.5cm} >{\centering\arraybackslash}p{1.5cm}} +\toprule +变量 & 输入范围 & 调整 & RMSE & MAE & $\rm R^2$ \\ \midrule +\multirow{2}{*}{$b_{bp}$} & \multirow{2}{*}{-0.0031$\sim$0.023} & +20\% & 14.16 & 8.59 & 0.80 \\ + & & -20\% & 14.13 & 8.57 & 0.80 \\ +\multirow{2}{*}{SST} & \multirow{2}{*}{-1.80$\sim$25.10} & +1°C & 14.13 & 8.56 & 0.80 \\ + & & -1°C & 14.12 & 8.57 & 0.80 \\ +\multirow{2}{*}{MLD} & \multirow{2}{*}{8.75$\sim$400.00} & +20\% & 14.13 & 8.57 & 0.80 \\ + & & -20\% & 14.13 & 8.57 & 0.80 \\ +\multirow{2}{*}{SSS} & \multirow{2}{*}{3.87$\sim$36.97} & +20\% & 14.13 & 8.58 & 0.80 \\ + & & -20\% & 14.13 & 8.58 & 0.80 \\ +\multirow{2}{*}{wind} & \multirow{2}{*}{2.42$\sim$15.28} & +20\% & 14.13 & 8.58 & 0.80 \\ + & & -20\% & 14.13 & 8.58 & 0.80 \\ +\multirow{2}{*}{$x\mathrm{CO_2}$} & \multirow{2}{*}{381.75$\sim$402.02} & +0.0073ppm & 14.13 & 8.57 & 0.80 \\ + & & -0.0073ppm & 14.13 & 8.57 & 0.80 \\ \bottomrule +\end{tabularx} +\end{table} + +在进行模型分析的过程中，我们必须认识到每个输入变量都存在一定的测量不确定性。这种不确定性无疑会对$p\mathrm{CO_2}$的反演结果产生影响。为了更深入地理解这种影响以及模型对输入变量不确定性的敏感度，本小节将采取一种实验性的方法，即通过在输入变量中添加噪声来更好地理解模型对输入变量不确定性的反应，从而改进我们的模型，也有助于我们评估模型的稳健性，并为进一步的模型改进提供依据。 +\begin{figure}[htbp] + \centering + \includegraphics[width=\linewidth]{figure/第三章用图/图3-敏感度分析.jpg} + \bicaption{\label{fig:fig-敏感度分析}各个变量敏感度分析验证集结果，横轴为实测$p\mathrm{CO_2}$，纵轴为预测$p\mathrm{CO_2}$}{Sensitivity analysis of various variables, validation set results. The X-axis represents observed $p\mathrm{CO_2}$, while the Y-axis represents predicted $p\mathrm{CO_2}$. } +\end{figure} + +相关研究表明，来自MODIS卫星的SST数据通常存在着±1°C的不确定性\cite{hu2009building}，对于$x\mathrm{CO_2}$数据其观测站点的不确定度约在±0.073ppm\cite{dlugokencky2021atmospheric}，而其他的数据产品通常取±20\%的不确定性。通过对变量添加不确定度噪声之后，结果如\autoref{fig:fig-敏感度分析}所示，总的来说，模型对于噪声的输入变化很小，说明了模型足够稳健。其中，模型对以$b_{bp}$为代表的生物泵作用最为敏感，而对于其他输入环境变量而言，模型则不敏感。 + +%=================================================================================== +%=================================================================================== +%=================================================================================== +%=================================================================================== +%=================================================================================== + +\section{本章小结} + +本章节主要讲述了基于机器学习算法建立$p\mathrm{CO_2}$反演模型的过程，包括建模步骤及模型性能表现情况。本章节包含两个主要部分：一是训练前数据集的构建，二是模型的建立和验证。 + +在第一部分，首先介绍了本研究中使用的$b_{bp}$插值结果，作为能够表征浮游植物生物量变化的变量，其地理、时间分布情况与Chl-a类似，同时可以补充冬季数据。因此，我们将其加入模型中，确保模型能学习到生物过程对$p\mathrm{CO_2}$的影响。此外，我们还介绍了训练过程中构建的数据集，包含$p\mathrm{CO_2}$、$b_{bp}$、SST、SSS、wind、$x\mathrm{CO_2}$、MLD等变量，各个变量的空间分辨率都统一到了0.25°×0.25°。除去未匹配到环境变量数据的记录后，总共得到了82,139条有效数据。 + +在第二部分，我们首先详细介绍了如何建立模型，包括在机器学习回归问题中常用的评估指标和XGBoost算法的详细原理。接着，我们详述了训练过程，包括我们如何通过航次划分数据进行独立测试，以及剩余部分数据如何通过网格搜索算法进行优化。我们使用了70\%的数据进行模型训练，30\%用于验证，同时进行了三次交叉验证，以监测模型的准确性和稳定性。在XGBoost算法训练过程中，我们使用了网格搜索算法进行参数优化，并详细介绍了这个过程。在第二部分的第二小节中，我们对XGBoost模型的训练结果进行了详述，同时也比较了多种常见的机器学习方法。结果表明，XGBoost算法在本研究中的性能最优，最适合用于南大洋$p\mathrm{CO_2}$的反演。在第三小节中，我们对模型的外推能力以及泛化能力进行了分析，使用了独立验证数据集和敏感性分析方法进行验证。结果表明，该模型具有实现$p\mathrm{CO_2}$反演的能力，且模型稳定性良好，能够应对输入变量异常的情况。 + +综上，我们建立了一个能够准确且可靠地用于南大洋$p\mathrm{CO_2}$反演的模型。 + + + + + + + + + + + + + + + + + + + + + + + + + + + + + diff --git "a/body/\344\270\273\344\275\223\345\206\205\345\256\271/4\345\215\227\345\244\247\346\264\213\347\242\263\346\261\207\345\217\230\345\214\226.tex" "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/4\345\215\227\345\244\247\346\264\213\347\242\263\346\261\207\345\217\230\345\214\226.tex" new file mode 100644 index 00000000..8fb75b74 --- /dev/null +++ "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/4\345\215\227\345\244\247\346\264\213\347\242\263\346\261\207\345\217\230\345\214\226.tex" @@ -0,0 +1,151 @@ +\section{相关产品介绍及精度对比} +\subsection{\texorpdfstring{$p\mathrm{CO_2}$ }{}产品介绍} +\begin{table}[h] +\centering +\bicaption{\label{tab:不同产品对比}不同$p\mathrm{CO_2}$产品的对比}{Comparison of different $p\mathrm{CO_2}$ products} +\begin{tabular}{M{0.18\textwidth} M{0.12\textwidth} M{0.23\textwidth} M{0.15\textwidth} M{0.15\textwidth}} +\toprule % 使用booktabs宏包的\toprule命令生成更好的表格顶部线条 +产品 & 时间区域 & \multicolumn{1}{c}{输入变量} & 回归方法 & 处理策略 \\ \midrule % 使用\midrule命令生成更好的表格中间线条 +CSIR-ML6 & 1980-2020 & \begin{tabular}[c]{@{}p{\dimexpr0.23\textwidth-2\tabcolsep\relax}@{}}SST, Chl-a, MLD\end{tabular} & 机器学习 & 低值替代 \\ +MPI-SOMFFN & 1998-2020 & \begin{tabular}[c]{@{}p{\dimexpr0.23\textwidth-2\tabcolsep\relax}@{}}SST, SSS, MLD, Chl-a, $x\mathrm{CO_2}$\end{tabular} & 神经网络 & 忽略Chl-a \\ +LSCE-FNN & 2001-2016 & \begin{tabular}[c]{@{}p{\dimexpr0.23\textwidth-2\tabcolsep\relax}@{}}SSS, SST, MLD, Chl-a, $x\mathrm{CO_2}$, SSH\end{tabular} & 神经网络 & 低值替代 \\ +JAM-MLR & 1993–2018 & \begin{tabular}[c]{@{}p{\dimexpr0.23\textwidth-2\tabcolsep\relax}@{}}SST, SSS, MLD, SSDH, Chl-a\end{tabular} & 线性回归 & 忽略Chl-a \\ +% NIES-FNN & 1990-2018 & \begin{tabular}[c]{@{}p{\dimexpr0.23\textwidth-2\tabcolsep\relax}@{}}Mon, LAT, LON, SST, SSS, Chl-a\end{tabular} & 神经网络 & 低值替代 \\ +% NIES3 & 1980-2020 & \begin{tabular}[c]{@{}p{\dimexpr0.23\textwidth-2\tabcolsep\relax}@{}}SST, SST anomaly, SSS, Chl-a, MLD, LAT, LON, year\end{tabular} & 机器学习 & 低值替代 \\ +\bottomrule % 使用\bottomrule命令生成更好的表格底部线条 +\end{tabular} +\end{table} + +在1.3小节中，我们介绍了一些关于全球$p\mathrm{CO_2}$的研究进展，这些研究都取得了不错的研究成果，为我们初步理解全球$p\mathrm{CO_2}$的时空变化提供了帮助。然而大部分研究都提到，南大洋地区存在很大的分歧或不确定性\cite{CSIR_ML6,MPI_SOMFFN,socat2016}。我们分析这可能是由于冬季叶绿素数据缺失引起的，因此，我们选择了SOCCOM项目中收录的多种机器学习方法的产品进行对比。这些产品有着较多的共性，比如：都是以SOCAT数据集中提供的$p\mathrm{CO_2}$为目标变量，同时也使用了相似的输入变量，并都采用了回归方法。如\autoref{tab:不同产品对比}所示，列举的这些产品都以全球$p\mathrm{CO_2}$为研究对象，且都提供了月平均$p\mathrm{CO_2}$产品，但分辨率较低，仅为1°×1°。 + +虽然这些产品取得了不错的成果，但是他们在处理冬季高纬度Chl-a缺失问题上仍然存在着一些不完美，这些产品在处理该问题的策略大体上分为两类：一是使用假设值（低值）替代，如CSIR-ML6\cite{CSIR_ML6}、LSCE-FNN\cite{LSCE_FFNN}等产品，例如CSIR-ML6产品假设$log(\mathrm{Chl-a})=0$来填补缺失的叶绿素，LSCE-FNN产品则也是假设低值，且加上了一定的噪声；另一种策略是直接忽略叶绿素，如MPI-SOMFNN产品\cite{MPI_SOMFFN}和JMA-MLR产品\cite{JMA_MLR}在冬季无叶绿素的地区只使用剩余的环境变量进行回归拟合，这无疑会加剧冬季估算的不确定性。 +% 、NIES-FNN\cite{zeng2022surface}、NIES3\cite{zeng2014global};NIES3产品则是使用了气候态叶绿素来填补 + +这些假设方法与真实情况有差距，或多或少都对$p\mathrm{CO_2}$的准确反演造成了一定的干扰。并且考虑到各产品在计算$\mathrm{CO_2}$通量过程中可能使用了不同的风速、温度产品，为了更清晰地比较各产品的碳汇量区别，我们对各产品的$\mathrm{CO_2}$通量重新进行了计算。在此过程中，我们仅使用了各产品中的$p\mathrm{CO_2}$数据，确保了其他变量的一致性，以便进行最后的对比。 + +\subsection{独立航次精度对比} +\begin{figure}[htbp] + \centering + \includegraphics[width=\linewidth]{figure/第四章用图/精度对比.jpg} + \bicaption{\label{fig:精度对比}独立航次在不同数据产品中的精度对比} + {Precision comparison of independent voyage in different data products } +\end{figure} + +在进行模型精度验证时，我们预留了五十条航次的数据进行独立测试，这里我们同样对比了这些数据与各产品月平均数据的残差值，结果如\autoref{fig:精度对比}和\autoref{tab:精度对比}所示。结果表明，这五种产品的精度表现相近，RMSE均在18μatm附近，MAE均在13左右，$\mathrm{R^2}$均在0.5左右。 + +且高纬度地区的残差值与低纬度残差相近，说明模型能够用于高纬度的反演。另外，对比产品匹配的为1°×1°月平均$p\mathrm{CO_2}$产品，相对来说，我们产品的结果在空间分辨率上有所提升。 + +\begin{table}[htbp] +\centering +\bicaption{\label{tab:精度对比}独立航次在不同数据产品中的精度对比}{Precision comparison of independent voyage in different data products} +\begin{tabularx}{\textwidth}{@{}lcccccc@{}} +\toprule +区域 & 属性 & 本研究 & CSIR-ML6 & MPI-SOMFFN & LSCE-FFNN & JMA-MLR \\ \midrule +\multirow{4}{*}{南大洋} & N\# & 6623 & 6526 & 6594 & 6515 & 5003 \\ + & RMSE & 18.43 & 16.26 & 17.84 & 18.19 & 15.49 \\ + & MAE & 12.88 & 10.85 & 12.01 & 11.62 & 10.75 \\ + & R2 & 0.52 & 0.60 & 0.54 & 0.53 & 0.56 \\ \midrule +\multirow{4}{*}{低纬度} & N\# & 3033 & 2966 & 3013 & 2964 & 2056 \\ + & RMSE & 14.89 & 12.77 & 16.14 & 13.11 & 10.61 \\ + & MAE & 10.96 & 8.99 & 11.15 & 9.16 & 8.02 \\ + & R2 & 0.51 & 0.65 & 0.40 & 0.63 & 0.69 \\ \midrule +\multirow{4}{*}{高纬度} & N\# & 3590 & 3560 & 3581 & 3551 & 2947 \\ + & RMSE & 20.20 & 18.47 & 18.98 & 21.67 & 18.29 \\ + & MAE & 14.31 & 12.37 & 12.72 & 13.84 & 12.81 \\ + & R2 & 0.44 & 0.53 & 0.53 & 0.41 & 0.40 \\ \bottomrule +\end{tabularx} +\end{table} + +\section{南大洋\texorpdfstring{$p\mathrm{CO_2}$ }{}时空变化} +在第三章中，我们通过详细的研究和经历多次训练过程，成功地构建了一个能够可靠稳定地反演南大洋$p\mathrm{CO_2}$的XGBoost模型（XGB模型）。这个模型不仅准确度高，而且运行效率也相当出色。我们将利用这个模型，使用输入变量的月平均数据来反演出南大洋月平均$p\mathrm{CO_2}$分布情况。最终得到了2008年1月-2016年12月的月平均$p\mathrm{CO_2}$分布情况。如\autoref{fig:fig-4pCO2空间分布}所示，(a)图显示了本模型反演出的$p\mathrm{CO_2}$和其他产品在南大洋整个区域的月平均变化时间序列。同时，(b)和(c)图则分别展示了低纬度区域和高纬度区域情况，进一步揭示了南大洋中不同区域的$p\mathrm{CO_2}$分布和变化情况。 + +总的来说，研究时间内，南大洋的$p\mathrm{CO_2}$呈现了缓慢上升趋势和显著的季节变化特征。如\autoref{fig:fig-4pCO2时间变化}所示，月平均$p\mathrm{CO_2}$从2008年1月的354.45μatm增加到2016年12月的365.14μatm，南大洋的$p\mathrm{CO_2}$平均增加速率为1.88μatm yr$^{-1}$，而如\autoref{fig:fig-4pCO2时间变化}-(a)中的虚线所示，大气中$p\mathrm{CO_2}$的增加率为2.14μatm yr$^{-1}$，这说明南大洋的$\Delta p\mathrm{CO_2}$在增加，可推测出南大洋的碳汇也在增加。南大洋的$p\mathrm{CO_2}$季节特征尤为显著，所有产品都表现出一致的季节变化，夏季达到最低，冬季达到最高。值得注意的是，多数产品在冬季的最高值明显高于我们的结果。从低纬度（\autoref{fig:fig-4pCO2时间变化}-(b)）和高纬度（\autoref{fig:fig-4pCO2时间变化}-(c)）的时间序列图中可以看到，其他产品在低纬度的夏季和高纬度的冬季可能都存在高估的情况。 + +\begin{figure}[htbp] + \centering + \includegraphics[width=1.1\linewidth]{figure/第四章用图/图4-pCO2.jpg} + \bicaption{\label{fig:fig-4pCO2时间变化}(a)各产品中的南大洋月平均$p\mathrm{CO_2}$时间序列，(b)、(c)分别为低纬度和高纬度地区各产品月平均$p\mathrm{CO_2}$时间序列} + {(a) The monthly average $p\mathrm{CO_2}$ time series for each product in the Southern Ocean, and (b) and (c) are the monthly average $p\mathrm{CO_2}$ time series for each product at low and high latitudes, respectively} +\end{figure} + +如\autoref{fig:fig-4pCO2空间分布}所示，从$p\mathrm{CO_2}$空间分布情况来看，南大洋在夏秋季节有较为明显的分布特征，呈现为“双环结构”。即STSS区域和Ice区域是低值集中区，而SPSS区域是高值集中区，这可能是由于生物等因素的影响。然而，在春季和冬季，分布特性并不明显，具体表现为越往南，$p\mathrm{CO_2}$值越高。产品间对比可发现他们的数据覆盖面积存在差异，比如MPIS-SOMFFN产品能覆盖到全部非陆地区域，而其他产品则没有。这是由于各产品可能使用了不同的冰浓度产品和叶绿素处理策略，因此在计算flux时，我们统一了冰浓度产品以确保永久冰层区域不参与统计。其次，在春季和冬季，高纬度地区的$p\mathrm{CO_2}$值大小差异最为明显。 + +\begin{figure}[htbp] + \centering + \includegraphics[width=\linewidth]{figure/第四章用图/图4-pCO2分布.jpg} + \bicaption{\label{fig:fig-4pCO2空间分布}(a)各产品南大洋季节平均$p\mathrm{CO_2}$空间分布，(b)、(c)分别为低纬度和高纬度地区各产品季节平均$p\mathrm{CO_2}$空间分布} + {(a) the seasonal average $p\mathrm{CO_2}$spatial distribution of each product in the Southern Ocean, (b) and (c) are the seasonal average $p\mathrm{CO_2}$spatial distribution of each product in low and high latitudes, respectively} +\end{figure} + +\section{南大洋碳汇时空变化} +\subsection{南大洋海-气\texorpdfstring{$\mathrm{CO_2}$}{}通量的计算} +南大洋碳汇作为海洋生态系统的重要组成部分，通过吸收大气中的$\mathrm{CO_2}$，不仅能够减缓全球变暖的速度，还有助于维持海洋生态系统的稳定性和多样性。为了量化海洋吸收能力的强弱，我们量化了研究区域内的海-气$\mathrm{CO_2}$交换通量$\mathrm{CO_2}$\ $flux$来分析南大洋碳汇变化趋势。$\mathrm{CO_2}$\ $flux$的单位为$mmol \cdot m^{-2}day^{-1}$，计算公式为： +% $$ +% flux = k_w \times sol \times (p\mathrm{CO_2^{sea}}-p\mathrm{CO_2^{air}})\times (1-ice) +% $$ +\begin{equation} + \label{equ:flux-1} + flux = k_w \times sol \times (p\mathrm{CO_2^{sea}}-p\mathrm{CO_2^{air}})\times (1-ice) +\end{equation} +式中$K_w$是$\mathrm{CO_2}$气体传输速度，单位是$cm \ h^{-1}$，而$sol$是$\mathrm{CO_2}$在海水中的溶解度，单位为$mol\ m^{-3} \mu atm^{-1}$，主要受到了盐度、压强和温度的影响，这里计算过程参考了weiss等人\cite{weiss1974carbon}。其中$K_w$的计算公式参考了Wanninkhof等人\cite{wanninkhof2014relationship}的方法： +\begin{equation} + \label{equ:flux-2} + K_w=a\times\times\left(Sc/660\right)^{-0.5} +\end{equation} +$a$ 是气体传输规模系数，在Fay等人\cite{Harmonization_2021}的研究中提到，它来源于气体交换过程的研究，与大气和海洋中$^{14}C$的含量有关。因此使用不同的风速数产品，$a$的值选择是有差异的。$u^2$是第二瞬时平均风速，过程中我们使用的是CCMP数据产品，对应a值为0.251\cite{Harmonization_2021}。 +Sc为施密特数，其取决于表层海水的温度，其计算公式为： +\begin{equation} + \label{equ:flux-3} + S_c=2116.8-136.25\cdot T +4.7353\cdot T^2-0.092307 \cdot T^3+0.0007555\cdot T^4 +\end{equation} +最后考虑到季节性冰区的影响，最后$\mathrm{CO_2} flux$乘以权重（1-ice）以量化冰层对碳吸收的影响。 + +\subsection{南大洋碳汇时空特征} +\begin{figure}[htb] + \centering + \includegraphics[width=\linewidth]{figure/第四章用图/图4-flux时间变化.jpg} + \bicaption{\label{fig:fig-4flux时间变化}(a)各产品南大洋每月$\mathrm{CO_2}$ 通量时间序列，(b)、(c)分别为低纬度和高纬度地区各产品每月$\mathrm{CO_2}$ 通量时间序列} + {(a) The monthly $\mathrm{CO_2}$ flux time series for each product in the Southern Ocean, and (b) and (c) are the monthly $\mathrm{CO_2}$ flux time series for each product at low and high latitudes, respectively} +\end{figure} + +根据4.2.1小节的计算结果，我们得到了南大洋每月海气$\mathrm{CO_2}$交换通量的数据。如\autoref{fig:fig-4flux时间变化}所示，图(a)展示了整个南大洋区域的$\mathrm{CO_2}$吸收情况。可以看出，在研究期间南大洋一直在吸收$\mathrm{CO_2}$，并且每年以微弱的增幅增长，约为0.016Pg\ C\ yr$^{-1}$。图中还可以看出，南大洋在冬季的吸收量最少，这可能是温度影响了气体交换。根据图(b)和(c)，我们可以知道南大洋的主要碳汇区域仍然集中在低纬度的STPS和STSS区域，而高纬度区域则有较为明显的季节变化，在冬季吸收最少，并且有多个产品认为是碳源区域。从整个区域的年平均来看，南大洋的碳汇量约为1.37±0.04Pg\ C\ yr$^{-1}$；其中，低纬度地区约吸收了0.96±0.02Pg\ C\ yr$^{-1}$的$\mathrm{CO_2}$，高纬度地区约吸收了0.35±0.03Pg\ C\ yr$^{-1}$的$\mathrm{CO_2}$。 + +如\autoref{fig:fig-4flux空间变化}所示，从空间分布来看，STSS区域是南大洋吸收碳主要的区域。这可能由于富含碳的深层水的影响。从整个区域来看，只有春季和冬季靠近冰域的少数地区是$\mathrm{CO_2}$释放区，这与比较的产品和之前的研究一致，多数研究归结于深层富含营养的海水上涌所导致。与其他产品相比，可以明显地发现这些产品在该区域存在$\mathrm{CO_2}$排放高估的情况。 +\begin{figure}[htbp] + \centering + \includegraphics[width=\linewidth]{figure/第四章用图/图4-flux空间分布.jpg} + \bicaption{\label{fig:fig-4flux空间变化}(a)各产品南大洋每月$\mathrm{CO_2}$ flux 密度分布图，(b)、(c)分别为低纬度和高纬度地区各产品每月$\mathrm{CO_2}$ flux 密度分布图} + {(a) The monthly $\mathrm{CO_2}$ flux density distribution of each product in the Southern Ocean; (b) and (c) are the monthly $\mathrm{CO_2}$ flux density distribution of each product at low and high latitudes, respectively} +\end{figure} + +\section{南大洋高纬度地区碳汇差异原因分析} + +\begin{figure}[htbp] + \centering + \includegraphics[width=\linewidth]{figure/第四章用图/图4-冬季平均.jpg} + \bicaption{\label{fig:fig-4冬季平均}(a) 各产品冬季（5，6，7月）南大洋平均$\mathrm{CO_2}$通量（负数表示为$\mathrm{CO_2}$汇）；(b)和(c) 分别为低纬度区域和高纬度区域各产品冬季平均$\mathrm{CO_2}$通量。} + {(a) Average $\mathrm{CO_2}$ flux (negative number indicates $\mathrm{CO_2}$ absorption) in the Southern Ocean for each product during winter (May, June, July) (b) and (c) are the average $\mathrm{CO_2}$ fluxes for each product in the low-latitude and high-latitude regions, respectively, during winter.} +\end{figure} +在以往的研究中多次提到了南大洋区域可能存在着分歧或者较大的不确定性，在我们对比的几种产品中，也看到了类似的现象；我们统计了多年来南大洋海气$\mathrm{CO_2}$交换通量的平均值，如\autoref{fig:fig-4冬季平均}所示。 + +在对比的四种产品中，可以发现LSCE-FFNN产品计算得到的$\mathrm{CO_2}$ flux量吸收最低，其他产品都基本在-280 TgC winter$^{-1}$左右。在低纬度和高纬度的对比中，明显能够看到差异最大在高纬度地区，多种产品表现并不一致。其中CSIR-ML6、LSCE-FFNN、JMA-MLR产品均认为南大洋冬季地区为碳源，分别 15.1±4.23、27.1±1.68和 17.5±2.97 TgC winter$^{-1}$；而使用忽略Chl-a处理策略的MPI-SOMFFN产品结果很出乎意料，认为是碳汇，其计算得到的$\mathrm{CO_2}$ 通量为 -22.7±7.43TgC winter$^{-1}$。而我们的结果认为，南大洋冬季应该是为碳汇地区，其碳汇通量为-27.1 ± 8.81 Tg C。 + +与其他产品的对比，可以发现使用了假设方法的产品多数低估了南大洋冬季$\mathrm{CO_2}$的吸收能力，即高估了冬季南大洋高纬度的$p\mathrm{CO_2}$，从\autoref{fig:fig-4pCO2空间分布}可以看出，多数产品在近南极大陆附近高估。过去的研究和基于浮标数据的推算均表明，受到西风和富含营养和无机碳的深层水影响，南极峰（Antarctic front, AF）以南的地区应为碳源区。且在Long等人\cite{long2021strong}基于九条飞行数据发现南大洋45°S以南应该是更接近于吸收排放平衡的中性区域。Arteaga等人\cite{arteaga2020seasonal}和Uchida等人\cite{uchida2019southern}发现在接近南极洲附近的海域的早冬时期可能存在着浮游植物爆发的现象，这可能与各种产品的假设相违背，导致了最后的估测误差。再结合MPI-SOMFFN产品冬季碳汇分布图（\autoref{fig:fig-4flux空间变化}），发现其产品高纬度区域，特别是接近ICE区域均为强碳汇区，这与已知的事实相悖，对其产品的结果表示存疑。综上所述，排除不确定性较大的MPI-SOMFFN产品，多数产品均认为冬季区域为碳源区，低估了南大洋冬季的吸收能力。 + +\section{本章小结} + +本章一开始先介绍了目前的一些基于遥感回归方法的研究成果，并对每种产品进行介绍和分析。他们的成果对我们了解全球$p\mathrm{CO_2}$变化有着重要的作用，排除其他参数的影响，我们计算了这些产品的碳汇分布情况。接着利用第三章得到的模型进行反演南大洋月平均$p\mathrm{CO_2}$，能够发现南大洋的$p\mathrm{CO_2}$多年来以1.8μatm yr$^{-1}$的速度增长，但是略小于大气$p\mathrm{CO_2}$的增长速度（2.02 μatm yr$^{-1}$）,表明南大洋吸收$\mathrm{CO_2}$的量可能在逐渐增加；$p\mathrm{CO_2}$在空间和时间尺度上有着显著的特点，如春夏季节的“双环结构”，以及在夏季低、冬季高的季节性变化，这与众多产品结果表现一致，但是从空间部分上来看仍有一些地方存在差异，其中差异最为显著的是冬季高纬度区域。 + +接着，结合空气传输速度我们计算出了各个产品的的海-气$\mathrm{CO_2}$交换通量，用于探究不同Chl-a处理策略下南大洋碳汇的碳汇的差异。从结果可以看出，整个南大洋碳汇量在研究时间内以0.016PgC\ yr$^{-1}$的速度在逐渐增长，从总量上来看，整个区域年平均吸收1.37±0.04PgC yr$^{-1}$，其中低纬度是主要吸收区，吸收了约0.96±0.02PgC yr$^{-1}$；而高纬度地区吸收了约0.35±0.03PgC yr$^{-1}$。从各个产品的对比来看，多数产品在高纬度的差异最大，除了与现有研究结果相悖的MPI-SOMFFN产品外，大多数产品再该区域表现为高估了$p\mathrm{CO_2}$，最终导致了整个高纬度区域的碳汇量低估。 + +总的来说，我们利用了基于主动遥感卫星的CALIPSO卫星的$b_{bp}$数据得到的结果表明，南大洋在冬季高纬度地区为碳汇区域，然而近些年使用不同Chl-a处理策略的产品大多数低估了南大洋冬季的碳汇。 + + + + + + + + + + diff --git "a/body/\344\270\273\344\275\223\345\206\205\345\256\271/5\347\273\223\350\256\272\344\270\216\345\261\225\346\234\233.tex" "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/5\347\273\223\350\256\272\344\270\216\345\261\225\346\234\233.tex" new file mode 100644 index 00000000..54ffcbd4 --- /dev/null +++ "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/5\347\273\223\350\256\272\344\270\216\345\261\225\346\234\233.tex" @@ -0,0 +1,44 @@ +\section{结论} +本研究主要以南纬35°以南的南大洋为研究区域。首先，我们发现包括MODIS在内的多个传统被动遥感数据，特别是叶绿素数据，在冬季高纬度地区存在缺失值的现象，这给$p\mathrm{CO_2}$的准确反演带来了挑战。然而，主动卫星成像的特点可以弥补被动遥感的缺点。基于Berenfeld等人\cite{bbp_Annual_2017,chen2017estimating}的研究表明，来自CALIPSO主动卫星遥感的$b_{bp}$数据与浮游植物生物量之间存在关系，因此我们用$b_{bp}$数据代替叶绿素数据来表征生物过程，以此建立反演模型。我们通过输入包括$b_{bp}$，SST，SSS，MLD，wind和$x\mathrm{CO_2}$在内的六种变量，建立了一个能准确反演南大洋$p\mathrm{CO_2}$的XGBoost模型。我们使用了预留的50条航次实测数据做独立测试，并对输入变量进行敏感性分析，来证明该模型的鲁棒性以及泛化能力。 + +该XGB模型可以用于长期观察南大洋的$p\mathrm{CO_2}$水平。它成功地实现了从2008年1月到2016年12月的南大洋$p\mathrm{CO_2}$的时空分布图像的建立，以及对海-气$\mathrm{CO_2}$通量的计算和预测。通过比较多种机器学习产品，我们发现了存在的差异。最后我们得到了以下结论： + +（1）南大洋海表$p\mathrm{CO_2}$的时间与空间尺度的变化 + +从时间变化来看，南大洋海表$p\mathrm{CO_2}$有着显著的季节变化，一般来说，在夏季较低，而在冬季达到最大值；研究区间内，平均海表$p\mathrm{CO_2}$的年际增长率为1.88μatm yr$^{-1}$，略低于大气的2.14μatmyr$^{-1}$，说明南大洋吸碳能力在逐年增加，从空间分布来看，南大洋$p\mathrm{CO_2}$低值主要集中在35°S到50°S的低纬度区域，意味着这里是吸收碳的主要区域。 + +（2）南大洋地区碳吸收能力的变化趋势 + +通过计算二氧化碳通量，我们能够量化分析南大洋地区的碳吸收能力变化，我们的结果表明南大洋在研究区间内能够吸收±1.37±0.04PgC yr$^{-1}$，而低纬度的南大洋地区能够吸收-0.96±0.02PgC yr$^{-1}$，占据总吸收量的70\%，由冰区和亚极地生物群落组成的高纬度区域约吸收了0.35±0.03PgCyr$^{-1}$；且南大洋每年吸收量约以0.016PgC的趋势在增长。 + +（3）多数回归反演产品低估了南大洋的吸碳量 + +多年来，众多学者基于回归方法来反演海表$p\mathrm{CO_2}$，且取得了一些进展，他们在南大洋冬季或是使用低值或气候态叶绿素替代，或是忽略叶绿素的作用，这些做法对结果都产生了一些影响，我们选择了几种代表性的产品进行了对比，发现各种产品在冬季高纬度区域的差异较大，多数产品存在着低估生活过程的吸收作用，从而导致了高估$p\mathrm{CO_2}$，进而认为冬季南大洋区域的放碳现象。 + +\section{本研究的主要创新点} +（1）融合主动遥感数据研究 +该研究是通过集成主动遥感数据来进行的。这种研究方法的巨大价值在于，它通过将来自主动遥感的数据融合为模型中生物作用的学习变量，可以有效地解决极地地区被动遥感数据缺失的问题。相比于当前存在的且拥有连续时空分布的$p\mathrm{CO_2}$产品，这种方法能够提供更为准确和详细的信息。主动遥感卫星在冬季高纬度地区提供的是实测的遥感数据，这为我们进一步理解南大洋冬季碳汇变化趋势提供了极其重要的帮助。 + +（2）空间分辨率进一步提升 + +相较于其他的产品，我们的研究有着更为显著空间分辨优势。我们根据bbp数据进行了精细的分辨率调整，使得我们最后得到的$p\mathrm{CO_2}$产品数据分辨率得到了进一步的提升。这使得我们能够更为清晰地看到南大洋的时空变化趋势，为我们的进一步研究提供了宝贵的数据支持。 + +\section{本研究的不足与展望} +在本研究中，我们利用主动遥感数据和XGBoost算法建立了一个精度高、准确性强的南大洋海表$p\mathrm{CO_2}$反演模型。尽管该模型在算法对比和验证中显示出比以往的海表$p\mathrm{CO_2}$研究有显著改善，提供了南大洋地区碳吸收能力增加的定量证据，但仍存在一些不足和进一步研究的空间： + +（1）主动遥感数据的利用有限 + +本文试图将主动遥感数据应用于极地区域，但由于主动遥感本身的成像过程，其数量和分布仍具有局限性，例如成像数量、测量观测范围等。此外，由于CALIOPSO卫星的绕地时间较短，其能够测量到白天和夜晚的数据，而本研究未考虑到昼夜差异，以及海洋昼夜碳汇量的差异，这可能是未来研究的方向。同时，CALIOPSO卫星自2006年发射以来，时间跨度较小，随着运行时间的增加和测量数据的积累，其数据的应用将会越来越广泛。 + +（2）遥感数据精度可以进一步提升 + +本研究的数据匹配是以月平均数据进行的，反演计算得到的$p\mathrm{CO_2}$时空分辨率为每月0.25°。虽然这在一定程度上保证了数据的充足，但考虑到时间跨度较大，遥感数据和实测数据之间可能存在误差。未来可以通过更精确的遥感产品进行建模，以显著提高模型的精度。 + +（3）实测数据有限 + +虽然本研究从遥感实测数据角度填补了冬季高纬度的数据缺失，但缺乏该区域的实测数据进行验证，可能需要更多的方法或新的测量手段来进行补充。 + + + + + diff --git "a/body/\344\270\273\344\275\223\345\206\205\345\256\271/9\346\250\241\346\235\277\345\206\205\345\256\271.tex" "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/9\346\250\241\346\235\277\345\206\205\345\256\271.tex" new file mode 100644 index 00000000..80c72bf1 --- /dev/null +++ "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/9\346\250\241\346\235\277\345\206\205\345\256\271.tex" @@ -0,0 +1,104 @@ +本模板根据浙江大学研究生院编写的《浙江大学研究生学位论文编写规则》~\cite{zjugradthesisrules}， +在原有的 zjuthesis 模板~\cite{zjuthesis}基础上开发而来。 + +本模板的本科生版本\cite{zjuthesisrules}得到了浙江大学本科生院老师的支持与审核， +已经在本科生院网上公示。 +但当前的研究生版本并未经过研究生院老师的审核， +同学们使用时要注意对照模板与要求， +切不可盲目使用。 + +作者本人并未编写过浙江大学研究生毕业论文， +所以不清楚具体要求。 +如果有热心同学愿意帮忙， +可以替我联系相关老师，我会配合审核并修改代码。 + +\section{Overleaf 使用注意事项} + +如果你在Overleaf上编译本模板，请注意如下事项： + +\begin{itemize} + \item 删除根目录的 ``.latexmkrc'' 文件，否则编译失败且不报任何错误 + \item 字体有版权所以本模板不能附带字体，请务必手动上传字体文件，并在各个专业模板下手动指定字体。 + 具体方法参照 GitHub 主页的说明。 + \item 当前的Overleaf默认使用TexLive 2017进行编译，但一些伪粗体复制乱码的问题需要TexLive 2019版本来解决。 + 所以各位同学可以在Overleaf上编写论文时务必切换到TexLive 2019或更新版本来编译，以免产生查重相关问题。 + 具体说明参照 GitHub 主页。 +\end{itemize} + + +\section{节标题} + +我们可以用includegraphics来插入现有的jpg等格式的图片， +如\autoref{fig:zju-logo}所示。 + +\begin{figure}[htbp] + \centering + \includegraphics[width=.3\linewidth]{logo/zju} + \bicaption{浙江大学LOGO}{this is a zju logo.} + \label{fig:zju-logo} + % \caption[zh]{这是一个带有中文标题的图片示例} % 中文标题 + % \caption[en]{This is an example image with an English caption} % 英文标题 +\end{figure} + + +\subsection{小节标题} + + +\par 如\autoref{tab:sample}所示，这是一张自动调节列宽的表格。 + +\begin{table}[htbp] + \caption{\label{tab:sample}自动调节列宽的表格} + \begin{tabularx}{\linewidth}{c|X<{\centering}} + \hline + 第一列 & 第二列 \\ \hline + xxx & xxx \\ \hline + xxx & xxx \\ \hline + xxx & xxx \\ \hline + \end{tabularx} +\end{table} + + +\par 如\autoref{equ:sample}，这是一个公式 + +\begin{equation} + \label{equ:sample} + A=\overbrace{(a+b+c)+\underbrace{i(d+e+f)}_{\text{虚数}}}^{\text{复数}} +\end{equation} + +\chapter{另一章} + + +\begin{figure}[htbp] + \centering + \includegraphics[width=.3\linewidth]{图1-流程图} + \caption{\label{fig:fig-placeholder}图片占位符} +\end{figure} + +\chapter{再一章} + +\par 如\autoref{alg:sample}，这是一个算法 + +\begin{algorithm}[H] + \begin{algorithmic} % enter the algorithmic environment + \REQUIRE $n \geq 0 \vee x \neq 0$ + \ENSURE $y = x^n$ + \STATE $y \Leftarrow 1$ + \IF{$n < 0$} + \STATE $X \Leftarrow 1 / x$ + \STATE $N \Leftarrow -n$ + \ELSE + \STATE $X \Leftarrow x$ + \STATE $N \Leftarrow n$ + \ENDIF + \WHILE{$N \neq 0$} + \IF{$N$ is even} + \STATE $X \Leftarrow X \times X$ + \STATE $N \Leftarrow N / 2$ + \ELSE[$N$ is odd] + \STATE $y \Leftarrow y \times X$ + \STATE $N \Leftarrow N - 1$ + \ENDIF + \ENDWHILE + \end{algorithmic} + \caption{\label{alg:sample}算法样例} +\end{algorithm} \ No newline at end of file diff --git a/config/commands.tex b/config/commands.tex index e79c3049..728430e9 100644 --- a/config/commands.tex +++ b/config/commands.tex @@ -144,6 +144,18 @@ \markboth{#1}{#1} \chapter*{#1} } + + % 新定义的“居中”的chapternonum + \newcommand{\chapternonumcenter}[1] + { + \phantomsection + \addcontentsline{toc}{chapter}{#1} + \markboth{#1}{#1} + \begin{center} + \bfseries \zihao{3} #1 + \end{center} + \setcounter{chapter}{0} + } \newcommand{\sectionnonum}[1] { @@ -293,4 +305,6 @@ \newcommand{\changelocaltocdepth}[1]{% \addtocontents{toc}{\protect\setcounter{tocdepth}{#1}}% \setcounter{tocdepth}{#1}% -} \ No newline at end of file +} +% 定义新的列类型m{宽度}，使内容垂直居中 +\newcolumntype{M}[1]{>{\centering\arraybackslash}m{#1}} \ No newline at end of file diff --git a/config/packages.tex b/config/packages.tex index 5557af69..f655e613 100644 --- a/config/packages.tex +++ b/config/packages.tex @@ -33,3 +33,12 @@ \usepackage{booktabs} \usepackage[chapter]{algorithm} \usepackage{algorithmic} + +% 自己添加的包 +\usepackage{amsmath} +\usepackage{xeCJK} %时间：2024年1月30日 +\usepackage{pifont} +\usepackage{bicaption} +% \usepackage[breakurls]{hyperref} +\usepackage{array} +% \usepackage[strings]{underscore} \ No newline at end of file diff --git "a/figure/\345\233\2761-\346\265\201\347\250\213\345\233\276.jpg" "b/figure/\345\233\2761-\346\265\201\347\250\213\345\233\276.jpg" new file mode 100644 index 00000000..2b35ea5f Binary files /dev/null and "b/figure/\345\233\2761-\346\265\201\347\250\213\345\233\276.jpg" differ diff --git "a/figure/\347\254\254\344\270\211\347\253\240\347\224\250\345\233\276/\345\233\2763-\346\225\217\346\204\237\345\272\246\345\210\206\346\236\220.jpg" "b/figure/\347\254\254\344\270\211\347\253\240\347\224\250\345\233\276/\345\233\2763-\346\225\217\346\204\237\345\272\246\345\210\206\346\236\220.jpg" new file mode 100644 index 00000000..4e5502ef Binary files /dev/null and "b/figure/\347\254\254\344\270\211\347\253\240\347\224\250\345\233\276/\345\233\2763-\346\225\217\346\204\237\345\272\246\345\210\206\346\236\220.jpg" differ diff --git "a/figure/\347\254\254\344\270\211\347\253\240\347\224\250\345\233\276/\345\233\2763.1.jpg" "b/figure/\347\254\254\344\270\211\347\253\240\347\224\250\345\233\276/\345\233\2763.1.jpg" new file mode 100644 index 00000000..613224bc Binary files /dev/null and "b/figure/\347\254\254\344\270\211\347\253\240\347\224\250\345\233\276/\345\233\2763.1.jpg" differ diff --git "a/figure/\347\254\254\344\270\211\347\253\240\347\224\250\345\233\276/\345\233\2763.2.jpg" "b/figure/\347\254\254\344\270\211\347\253\240\347\224\250\345\233\276/\345\233\2763.2.jpg" new file mode 100644 index 00000000..e3b383c1 Binary files /dev/null and "b/figure/\347\254\254\344\270\211\347\253\240\347\224\250\345\233\276/\345\233\2763.2.jpg" differ diff --git "a/figure/\347\254\254\344\270\211\347\253\240\347\224\250\345\233\276/\345\233\2763.3.jpg" "b/figure/\347\254\254\344\270\211\347\253\240\347\224\250\345\233\276/\345\233\2763.3.jpg" new file mode 100644 index 00000000..ff4e8029 Binary files /dev/null and "b/figure/\347\254\254\344\270\211\347\253\240\347\224\250\345\233\276/\345\233\2763.3.jpg" differ diff --git "a/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/SOCAT\345\210\206\345\270\203\345\233\276.jpg" "b/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/SOCAT\345\210\206\345\270\203\345\233\276.jpg" new file mode 100644 index 00000000..af7d67ec Binary files /dev/null and "b/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/SOCAT\345\210\206\345\270\203\345\233\276.jpg" differ diff --git "a/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762-CALIPSO.jpg" "b/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762-CALIPSO.jpg" new file mode 100644 index 00000000..8957b886 Binary files /dev/null and "b/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762-CALIPSO.jpg" differ diff --git "a/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762-bbp\345\244\204\347\220\206.jpg" "b/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762-bbp\345\244\204\347\220\206.jpg" new file mode 100644 index 00000000..cf21667e Binary files /dev/null and "b/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762-bbp\345\244\204\347\220\206.jpg" differ diff --git "a/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762.1-1.jpg" "b/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762.1-1.jpg" new file mode 100644 index 00000000..21265b63 Binary files /dev/null and "b/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762.1-1.jpg" differ diff --git "a/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762.1.jpg" "b/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762.1.jpg" new file mode 100644 index 00000000..b38133d3 Binary files /dev/null and "b/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762.1.jpg" differ diff --git "a/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762.2-\347\224\237\347\211\251\345\210\206\345\214\272.jpg" "b/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762.2-\347\224\237\347\211\251\345\210\206\345\214\272.jpg" new file mode 100644 index 00000000..9764eaae Binary files /dev/null and "b/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762.2-\347\224\237\347\211\251\345\210\206\345\214\272.jpg" differ diff --git "a/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762.2.jpg" "b/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762.2.jpg" new file mode 100644 index 00000000..d86b5431 Binary files /dev/null and "b/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\233\2762.2.jpg" differ diff --git "a/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\271\263\346\273\221pCO2.jpg" "b/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\271\263\346\273\221pCO2.jpg" new file mode 100644 index 00000000..e0ffcd88 Binary files /dev/null and "b/figure/\347\254\254\344\272\214\347\253\240\347\224\250\345\233\276/\345\271\263\346\273\221pCO2.jpg" differ diff --git "a/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\345\233\2764-flux\346\227\266\351\227\264\345\217\230\345\214\226.jpg" "b/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\345\233\2764-flux\346\227\266\351\227\264\345\217\230\345\214\226.jpg" new file mode 100644 index 00000000..5d7c909b Binary files /dev/null and "b/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\345\233\2764-flux\346\227\266\351\227\264\345\217\230\345\214\226.jpg" differ diff --git "a/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\345\233\2764-flux\347\251\272\351\227\264\345\210\206\345\270\203.jpg" "b/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\345\233\2764-flux\347\251\272\351\227\264\345\210\206\345\270\203.jpg" new file mode 100644 index 00000000..b2fe6fae Binary files /dev/null and "b/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\345\233\2764-flux\347\251\272\351\227\264\345\210\206\345\270\203.jpg" differ diff --git "a/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\345\233\2764-pCO2.jpg" "b/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\345\233\2764-pCO2.jpg" new file mode 100644 index 00000000..200b800b Binary files /dev/null and "b/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\345\233\2764-pCO2.jpg" differ diff --git "a/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\345\233\2764-pCO2\345\210\206\345\270\203.jpg" "b/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\345\233\2764-pCO2\345\210\206\345\270\203.jpg" new file mode 100644 index 00000000..e0a0b68c Binary files /dev/null and "b/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\345\233\2764-pCO2\345\210\206\345\270\203.jpg" differ diff --git "a/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\345\233\2764-\345\206\254\345\255\243\345\271\263\345\235\207.jpg" "b/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\345\233\2764-\345\206\254\345\255\243\345\271\263\345\235\207.jpg" new file mode 100644 index 00000000..76e622f3 Binary files /dev/null and "b/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\345\233\2764-\345\206\254\345\255\243\345\271\263\345\235\207.jpg" differ diff --git "a/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\347\262\276\345\272\246\345\257\271\346\257\224.jpg" "b/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\347\262\276\345\272\246\345\257\271\346\257\224.jpg" new file mode 100644 index 00000000..e3258f85 Binary files /dev/null and "b/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/\347\262\276\345\272\246\345\257\271\346\257\224.jpg" differ diff --git "a/figure/\350\256\272\346\226\207\346\241\206\346\236\266.png" "b/figure/\350\256\272\346\226\207\346\241\206\346\236\266.png" new file mode 100644 index 00000000..dfce20e0 Binary files /dev/null and "b/figure/\350\256\272\346\226\207\346\241\206\346\236\266.png" differ diff --git a/page/graduate/abstract.tex b/page/graduate/abstract.tex index 99a27add..4dcc77ed 100644 --- a/page/graduate/abstract.tex +++ b/page/graduate/abstract.tex @@ -1,5 +1,42 @@ \cleardoublepage -\chapternonum{摘要} +%\chapternonum{摘要} +\chapternonumcenter{摘要} + +海洋在全球碳循环过程中扮演着关键角色，其中南大洋是全球海洋中最重要的碳汇之一。海表二氧化碳分压（partial pressure of $\mathrm{CO_2}$，$p\rm CO_2$）是指表层海水与大气中二氧化碳交换时的压强。通过计算海表与大气间的$p\mathrm{CO_2}$差值，我们可以估算出海洋吸收的碳量。目前，对南大洋$p\mathrm{CO_2}$领域的研究主要集中于建立回归模型的外推方法上，但由于受到太阳天顶角、薄云层和气溶胶等环境条件的影响，传统的被动遥感技术在南大洋高纬度冬季地区的应用受到限制，尤其是用于表征生物过程影响变量的叶绿素，从而导致了多数产品在南大洋的表现结果并不一致。因此，使用新的遥感数据来代替叶绿素对于准确理解南大洋区域$p\mathrm{CO_2}$的时空分布特征和年际变化趋势具有重要意义。 + +本研究选取了35°S以南的南大洋为研究区域，并提出使用CALIPSO卫星的主动遥感数据——颗粒物后向散射系数（Retrieving Particulate Backscattering, $b_{bp}$）作为替代叶绿素的输入变量，以构建一套适用于南大洋$p\mathrm{CO_2}$连续时间反演的模型。模型使用SOCAT V2023数据集的$p\mathrm{CO_2}$作为目标变量，同时以$b_{bp}$、海表温度、混合层深度、海表面盐度、风速和二氧化碳摩尔分数作为输入变量。模型表现出色，训练集的RMSE为2.15μatm，MAE为1.45μatm，$\mathrm{R^2}$为0.99；验证集的RMSE为13.47μatm，MAE为8.21μatm，$\mathrm{R^2}$为0.82。我们还通过使用预留的航次作为独立验证集，验证了模型在预测$p\mathrm{CO_2}$方面的准确性。对模型敏感度的分析显示，模型足够稳健，在不确定性范围内也能准确预测。与其他多种算法相比，我们的算法在精度上表现最优。 + +该模型成功地预测了2008年1月至2016年12月南大洋$p\mathrm{CO_2}$的时空分布，平均海表$p\mathrm{CO_2}$的年增长率为1.88μatm yr$^{-1}$，略低于大气的2.14μatm yr$^{-1}$，这表明南大洋的碳吸收能力正在逐年增加。在计算和预测海-气$\mathrm{CO_2}$通量时，结果显示南大洋在研究期间内能够吸收±1.37±0.04PgC yr$^{-1}$。根据高低纬度的差异，我们将南大洋分为高纬度区域和低纬度区域，低纬度的南大洋区域能够吸收-0.96±0.02PgC yr$^{-1}$，占总吸收量的70\%；高纬度区域约吸收了0.35±0.03PgC yr$^{-1}$。我们同时选择了多种基于回归方法的模型进行对比，发现大多数模型在南大洋冬季忽略了生物过程的作用，从而导致了南大洋高纬度区域碳吸收量的低估。 + +本研究展示了主动遥感技术在获取极地生物地球化学关键参数方面的巨大潜力。这一技术有效地解决了极地地区被动遥感数据缺失的问题，克服了传统遥感方法在数据收集上的局限性。此外，主动遥感还打破了极地地区研究的季节性限制，使得我们可以在全年无间断地收集和分析数据。这不仅丰富了我们对极地生态环境的理解，也为及时了解极地环境变化提供了可能。更重要的是，主动遥感技术为海洋界监测碳汇循环提供了强有力的工具，这对于全球碳循环研究、气候变化监测等领域具有重要意义。总体而言，主动遥感技术为极地地区的研究揭开了全新的篇章，其未来的应用前景与发展潜力无疑令人瞩目，值得我们深入探索与期待。 + +\textbf{关键词}：海表面二氧化碳分压；海洋遥感；主动遥感；极度梯度提升算法；颗粒物后向散射系数 \cleardoublepage -\chapternonum{Abstract} \ No newline at end of file +% \chapternonum{Abstract} +\chapternonumcenter{Abstract} +The oceans play a crucial role in the global carbon cycle, with the Southern Ocean being one of the most important carbon sinks worldwide. The partial pressure of carbon dioxide ($p\mathrm{CO_2}$) at the sea surface refers to the pressure exerted when carbon dioxide($\mathrm{CO_2}$) exchanges between the surface seawater and the atmosphere. By calculating the difference in $p\mathrm{CO_2}$ between the sea surface and the atmosphere, we can estimate the amount of carbon absorbed by the ocean. Currently, research on $p\mathrm{CO_2}$ in the Southern Ocean region mainly focuses on developing advanced regression models. Traditional passive remote sensing techniques are limited in their application in high-latitude winter areas of the Southern Ocean due to environmental factors such as solar zenith angle, thin cloud cover, and aerosols. Particularly, the performance of most products characterizing variables affected by biological processes, such as chlorophyll, is inconsistent in the Southern Ocean. Therefore, it is of great significance to use new remote sensing data instead of chlorophyll to accurately understand the spatial and temporal distribution characteristics and interannual variability trends of $p\mathrm{CO_2}$ in the Southern Ocean region. + +This study focuses on the Southern Ocean south of 35°S and proposes the use of active remote sensing data from the CALIOPSO satellite - Retrieving Particulate Backscattering ($b_{bp}$) as an alternative input variable to chlorophyll, to construct a model for continuous $p\mathrm{CO_2}$ inversion in the Southern Ocean. The model employs $p\mathrm{CO_2}$ data from the SOCAT V2023 dataset as the target variable, and utilizes $b_{bp}$, sea surface temperature, mixed layer depth, sea surface salinity, wind speed, and carbon dioxide molar fraction as input variables. The model demonstrates excellent performance, with RMSE of 2.15μatm and MAE of 1.45μatm, and an $\mathrm{R^2}$ of 0.99 for the training set; RMSE of 13.47 μatm, MAE of 8.21 μatm, and $\mathrm{R^2}$ of 0.82 for the validation set. Additionally, we validate the accuracy of the model in predicting $p\mathrm{CO_2}$ using reserved cruise data as an independent validation set. Sensitivity analysis of the model indicates robustness, as it accurately predicts even within uncertainty ranges. Compared to various other algorithms, our algorithm exhibits superior accuracy. + +The model successfully predicted the spatiotemporal distribution of $p\mathrm{CO_2}$ in the Southern Ocean from January 2008 to December 2016. The average annual growth rate of sea surface $p\mathrm{CO_2}$ was 1.88 μatm yr$^{-1}$, slightly lower than the atmospheric growth rate of 2.14 μatm yr$^{-1}$, indicating an increasing carbon uptake capacity in the Southern Ocean year by year. When calculating and predicting the sea-air $\mathrm{CO_2}$ flux, the results showed that the Southern Ocean was able to absorb -1.37±0.04 PgC yr$^{-1}$ during the study period. Based on differences between high and low latitudes, we divided the Southern Ocean into high-latitude and low-latitude regions. The low-latitude Southern Ocean region could absorb approximately -0.96±0.02 PgC yr$^{-1}$, accounting for 70\% of the total absorption, while the high-latitude region absorbed about -0.35±0.03 PgC yr$^{-1}$. We also compared various regression-based models and found that most models ignored the role of biological processes in the Southern Ocean winter, leading to an underestimation of carbon uptake in the high-latitude region of the Southern Ocean. + +This study demonstrates the significant potential of active remote sensing technology in acquiring key biogeochemical parameters in polar regions. This technology effectively addresses the problem of passive remote sensing data scarcity in polar regions and overcomes the limitations of traditional remote sensing methods in data collection. Moreover, active remote sensing breaks the seasonal constraints of polar region research, allowing us to collect and analyze data continuously throughout the year. This not only enriches our understanding of polar ecosystems but also enables timely monitoring of polar environmental changes. Importantly, active remote sensing technology provides a powerful tool for monitoring carbon sink cycling in the marine realm, which is of great significance for global carbon cycle research, climate change monitoring, and other fields. Overall, active remote sensing technology opens a new chapter in polar region research, and its future prospects and development potential are undoubtedly promising, deserving further exploration and anticipation. + +\textbf{Keywords}:Sea surface carbon dioxide partial pressure; ocean remote sensing; active remote sensing; extreme gradient boosting algorithm; particulate backscattering coefficient. + + + + + + + + + + + + + + + + diff --git a/page/graduate/acknowledgement.tex b/page/graduate/acknowledgement.tex index f46651b8..8bb17f98 100644 --- a/page/graduate/acknowledgement.tex +++ b/page/graduate/acknowledgement.tex @@ -1,2 +1,19 @@ \cleardoublepage -\chapternonum{致谢} \ No newline at end of file +% \chapternonum{致谢} +\chapternonumcenter{致谢} + +岁月匆匆，三年的硕士生涯犹如白驹过隙，转瞬间即将画上句点。回首这段充满挑战与收获的旅程，心中不禁涌起万千感慨。这三年里，我沐浴在知识的海洋中，汲取着智慧的甘霖，积累了宝贵的经验。这段时光，如同一颗璀璨的明珠，闪耀在我人生的长河中。它不仅丰富了我的内心世界，更为我未来的征程奠定了坚实的基础。在即将踏上新的征程之际，我想借此机会向所有支持、鼓励和帮助过我的人致以最诚挚的感谢。 + +这篇论文的诞生，我首先要感谢我的导师乐成峰教授。从研究方向选取到模型建立，从数据分析到结论推敲，乐老师一路上给予了很大的帮助。乐老师不仅在学术上有高超的造诣和深入独特的知识理解，是我科研路上的良师，也在生活中言传身教，为我树立了极好的典范。在学术上他严谨治学、精益求精，对待每一个研究课题都充满了热情和执着。他总是鼓励我独立思考，勇于探索未知领域，让我在科研的道路上不断进步。而在生活中，他同样是我学习的榜样。他热爱生活、热爱体育运动，不仅自己积极参与，还常常鼓励我锻炼身体。乐老师在我困难时期伸出的援手，以及用自身成长经历给予的指引，都成为我人生中宝贵的财富。师恩如山，铭记于心。在此，我衷心祝愿乐老师在学术研究的道路上不断攀登新的高峰，取得更加辉煌的成就。您的教诲与恩情，我将永远铭记在心，并以此为动力，不断前行，追求更高的境界。 + +我要感谢我的朋友，那些热情而有趣的同门们，他们如同明亮的星光，在我乏味的科研生活中闪烁着耀眼的光芒。我们相互支持，相互鼓励，共同走过了科研探索的曲折与艰辛。无论是深夜的实验室灯光下还是课后的饭局上，那些与你们的讨论与笑声，仿佛成了我生活中最美妙的乐章。幽默风趣的何烁师兄，他的笑声常常在疲惫的研究时刻给予我勇气与力量，成为了我们团队的定心针；专注认真的张珂师姐，她的热情与坚持激励着我不断向前；博学多识的吴铭师兄，与他的交流中，我收获了许多新的思想火花和见解，如同拨云见日；见识渊博的邓培芳师姐，为我带来了无尽的启发与指导；自律严谨的古婷雨师姐，她自律的态度让我深深折服；乐观活泼的陆诗铭师姐，给整个团队带来了欢乐与活力；成熟稳重的蔡孙宾师兄，给予了我专业的健身指导，是运动场上的好伙伴；低调谦逊的屠泽斌师兄，总能提出自己独到的见解；初次相见在车站的牛星飞师兄，在科研上给予了我巨大的帮助；古灵精怪的胡雨焓师姐，让办公室充满了生机与趣味；与我同级但性格冷静沉稳的王鸿洋，则是我科研学习路上的好伙伴；思辨敏锐的张邦涵师弟和笑颜灿烂的何柯欣师妹，则是科研进度飞快；人美心善的林嘉晶师妹，为我们带来了许多快乐与正能量。正是因为你们的存在，我的研究生生活才被涂抹上了五彩斑斓的色彩，成为了一幅令人陶醉的画卷。 + +我要深深感谢浙江大学，这所我生活了七年的学府，见证了我的成长与蜕变。在这里，我领略到了浙大严谨的治学风气，使我养成了严谨求实的科研态度。同时，浙大丰富的学生活动也为我的大学生活增添了浓墨重彩的一笔，让我实现了全方面的成长。我还要特别感谢CC98平台。这个平台如同一个宝藏库，蕴藏着无尽的知识与智慧。在这里，我不仅收获了丰富的生活经验，宝贵的课程分享，更能够表达自己的思想感悟，与志同道合的朋友们交流碰撞。在浙大遇到的所有人，我都想说一句感谢，浦学聪、周嘉航是研究生期间为数不多仍保持联系的本科同学，我们时常交流自己的科研进度与生活琐事；还有我的室友顾慈航，不仅是我生活中的伙伴，还常常畅聊理想，分享彼此的梦想和追求。 +浙大和CC98平台给予我的，不仅仅是知识和技能的积累，更重要的是一种精神层面的提升和成长。在这里，我学会了如何独立思考、如何面对挑战。 + +我要深深地感谢我的家人，是他们无私的爱与坚定的支持，让我能够走到今天，不断前行。父母用他们的双手，辛勤耕耘，将我送出大山，让我有机会看到这个世界的广阔与多彩。他们的理解与包容，是我成长道路上最坚实的后盾。家人的支持是我前行的动力，他们的期望是我不断进取的源泉。 + +最后的最后，我要感谢我自己。在这漫长的岁月里，我深知自己身上的缺点与不足，但我从未放弃过自我提升与努力。我会继续保持勇气、坚韧与毅力，迎接更多的挑战与机遇，书写更加精彩的人生篇章。 + + + diff --git a/page/graduate/correction.tex b/page/graduate/correction.tex index 8e3af42c..ce1a7e6f 100644 --- a/page/graduate/correction.tex +++ b/page/graduate/correction.tex @@ -1,2 +1,2 @@ -\cleardoublepage -\chapternonum{勘误表} \ No newline at end of file +% \cleardoublepage +% \chapternonum{勘误表} \ No newline at end of file diff --git a/page/graduate/cover-chn.tex b/page/graduate/cover-chn.tex index d4a9830c..dba72de7 100644 --- a/page/graduate/cover-chn.tex +++ b/page/graduate/cover-chn.tex @@ -3,10 +3,11 @@ \begin{center} \zihao{-4} \songti \begin{tabularx}{\textwidth}{l l >{\raggedleft}X l} - 分类号： & \underline{按中国图书分类法，学位办网上可查} & + 分类号： & \underline{X87} & 单位代码： & \uline{\hfill 10335 \hfill} \\ - 密{\quad}级： & \underline{注明密级与保密期限} & - 学{\quad\quad}号： & \underline{\multido{}{4}{\quad}} + 密{\quad}级： & \underline{无} & + % 学{\quad\quad}号： & \underline{\multido{}{4}{\quad}} + 学{\quad\quad}号： & \underline{\hfill 22134105 \hfill} \end{tabularx} \end{center} @@ -58,7 +59,7 @@ \begin{center} \bfseries \zihao{-2} - \begin{tabularx}{.8\textwidth}{>{\fangsong}l X<{\centering}} + \begin{tabularx}{\textwidth}{>{\hspace{-1em}\fangsong}l X<{\centering}} % If titles are too long for one row, please manually hardcode them in % multiple lines, as the english title example here. \ifthenelse{\equal{\TitleLines}{1}} @@ -67,18 +68,17 @@ 中文论文题目：& \uline{\hfill \fangsong \Title{} \hfill} \\ ~ & \uline{\hfill} \\ } - { + { \ifthenelse{\equal{\TitleLines}{2}} { - % TitleLines == 2 - 中文论文题目：& \uline{\hfill \fangsong \TitleLineOne{} \hfill} \\ - ~ & \uline{\hfill \fangsong \TitleLineTwo{} \hfill} \\ + % TitleLines == 2 + 中文论文题目：& \uline{\hfill \fangsong \TitleLineOne{} \hfill} \\ + ~ & \uline{\hfill \fangsong \TitleLineTwo{} \hfill} \\ } { - % TitleLines == 3 - 中文论文题目：& \uline{\hfill \fangsong \TitleLineOne{} \hfill} \\ - ~ & \uline{\hfill \fangsong \TitleLineTwo{} \hfill} \\ - ~ & \uline{\hfill \fangsong \TitleLineThree{} \hfill} \\ + 中文论文题目：& \uline{\hfill \fangsong \TitleLineOne{} \hfill} \\ + ~ & \uline{\hfill \fangsong \TitleLineTwo{} \hfill} \\ + ~ & \uline{\hfill \fangsong \TitleLineThree{} \hfill} \\ } } @@ -91,15 +91,15 @@ { \ifthenelse{\equal{\TitleEngLines}{2}} { - % TitleEngLines == 2 - 英文论文题目：& \zihao{3} \uline{\hfill \TitleEngLineOne{} \hfill} \\ - ~ & \zihao{3} \uline{\hfill \TitleEngLineTwo{} \hfill} \\ + % TitleEngLines == 2 + 英文论文题目：& \zihao{3} \uline{\hfill \TitleEngLineOne{} \hfill} \\ + ~ & \zihao{3} \uline{\hfill \TitleEngLineTwo{} \hfill} \\ } { - % TitleEngLines == 3 - 英文论文题目：& \zihao{3} \uline{\hfill \TitleEngLineOne{} \hfill} \\ - ~ & \zihao{3} \uline{\hfill \TitleEngLineTwo{} \hfill} \\ - ~ & \zihao{3} \uline{\hfill \TitleEngLineThree{} \hfill} \\ + % TitleEngLines == 3 + 英文论文题目：& \zihao{3} \uline{\hfill \TitleEngLineOne{} \hfill} \\ + ~ & \zihao{3} \uline{\hfill \TitleEngLineTwo{} \hfill} \\ + ~ & \zihao{3} \uline{\hfill \TitleEngLineThree{} \hfill} \\ } } \end{tabularx} @@ -124,12 +124,12 @@ {% 申请人姓名： & \uline{\hfill} \\ 指导教师： & \uline{\hfill} \\ - 合作导师： & \uline{\hfill} \\ + % 合作导师： & \uline{\hfill} \\ } {% 申请人姓名： & \uline{\hfill \StudentName \hfill} \\ 指导教师： & \uline{\hfill \AdvisorName \hfill} \\ - 合作导师： & \uline{\hfill \ColaboratorName \hfill} \\ + % 合作导师： & \uline{\hfill \ColaboratorName \hfill} \\ } \ifthenelse{\equal{\Type}{design}} {% diff --git a/page/graduate/preface.tex b/page/graduate/preface.tex index 1f19c6f7..b6dcdb8b 100644 --- a/page/graduate/preface.tex +++ b/page/graduate/preface.tex @@ -1,2 +1,2 @@ -\cleardoublepage -\chapternonum{序言} \ No newline at end of file +% \cleardoublepage +% \chapternonum{序言} \ No newline at end of file diff --git a/page/graduate/term-translation.tex b/page/graduate/term-translation.tex index 8d6e1c1d..38106c99 100644 --- a/page/graduate/term-translation.tex +++ b/page/graduate/term-translation.tex @@ -1,12 +1,13 @@ \cleardoublepage -\chapternonum{缩略词表} +% \chapternonum{缩略词表} +\chapternonumcenter{缩略词表} \begin{center} % uncomment line 5 if you want to set the fontsize of the table. % \zihao{-4} % comment line 8 and uncomment line 9 if you need to set the table as mid-aligment. % or addjust the paras as your personal need. - \begin{longtable}{m{2cm}m{8cm}m{5cm}} - % \begin{longtable}{m{2cm}<{\centering}m{8cm}<{\centering}m{5cm}<{\centering}} + % \begin{longtable}{m{2cm}m{8cm}m{5cm}} + \begin{longtable}{m{3cm}<{\centering}m{7cm}<{\centering}m{5cm}<{\centering}} \toprule \textbf{英文缩写}&\textbf{英文全称}&\textbf{中文全称}\\ \midrule @@ -19,13 +20,42 @@ \endfoot \bottomrule \endlastfoot - ZJU&Zhejiang University&浙江大学\\ - ZJU&Zhejiang University&浙江大学\\ - ZJU&Zhejiang University&浙江大学\\ - ZJU&Zhejiang University&浙江大学\\ - ZJU&Zhejiang University&浙江大学\\ - ZJU&Zhejiang University&浙江大学\\ - ZJU&Zhejiang University&浙江大学\\ - ZJU&Zhejiang University&浙江大学\\ + $\mathrm{CO_2}$ & Carbon Dioxide & 二氧化碳\\ + $p\mathrm{CO_2}$ or $p\mathrm{CO_2^{sea}}$ &Partial Pressure of Sea Surface $\mathrm{CO_2}$ &海表面二氧化碳分压\\ + $p\mathrm{CO_2^{air}}$ &Partial Pressure of Atmosphere $\mathrm{CO_2}$ & 大气二氧化碳分压\\ + MODIS &Moderate-Resolution Imaging Spectroradiomete &中等分辨率成像光谱仪 \\ + Chl-a &Chlorophyll a Concentration &叶绿素a浓度\\ + $b_{bp}$ & Retrieving Particulate Backscattering &颗粒物后向散射系数\\ + CALIPSO &Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observations + &云—气溶胶偏振激光雷达\\ + SSS &Sea Surface Salinity &海表面盐度\\ + SST &Sea Surface Temperature &海表面温度\\ + MLD &Mixed Layer Depth &混合层深度\\ + $x\mathrm{CO_2}$ &Atmospheric $\mathrm{CO_2}$ Molar Fraction &大气二氧化碳摩尔分数\\ + NOAA &National Oceanic and Atmospheric Administration &美国国家海洋和大气管理局\\ + + POC &Particulate Organic Carbon &悬浮颗粒有机碳\\ + $C_{phyto}$ &Phytoplankton Carbon &浮游植物生物量\\ + SOCCOM & the Southern Ocean Carbon and Climate Observations and Modeling Project + &南大洋碳与气候观测和模拟项目\\ + SOCAT &the Surface Ocean $\mathrm{CO_2}$ Atlas & 海表二氧化碳地图集\\ + $f\mathrm{CO_2}$ &Sea Surface Fugacity of $\mathrm{CO_2}$ & 二氧化碳溢度\\ + SOM &Self-Organization Map & 自组织地图集\\ + RMSE &Root Mean Squared Error &均方根误差\\ + $R^2$ &Coefficient of Determination &决定系数\\ + MAE &Mean Absolute Error &平均绝对误差\\ + CMIP5 &Coupled Model Intercomparison Project version 5 &第五代的耦合模式对比项目\\ + STPS &Subtropical Permanently Stratified Biome &亚热带永久分层生物群系\\ + STSS &Subtropical Seasonally Stratified Biome &亚热带季节性分层生物群系 \\ + SPSS &Subpolar Seasonally Stratified Biome &亚极地季节性分层生物群系\\ + ICE &Ice Biome &冰层生物群系\\ + NASA &National Aeronautics and Space Administration &美国国家航空航天局\\ + GSFC &Goddard Space Flight Center &海洋水色处理中心\\ + CCMP &Cross-Calibrated Multi-Platform &交叉校准多平台\\ + MBL &Marine Boundary Layer &温室气体海洋边界层\\ + GBDT &Gradient Boosting Decision Tree &梯度提升决策树 \\ + XGBoost &eXtreme Gradient Boosting &极致梯度提升树 \\ + % GBDT &Gradient &梯度提升决策树 \\ + % GBDT &Gradient &梯度提升决策树 \\ \end{longtable} \end{center} \ No newline at end of file diff --git a/zjuthesis.tex b/zjuthesis.tex index 127e2924..9b340c1a 100644 --- a/zjuthesis.tex +++ b/zjuthesis.tex @@ -1,17 +1,3 @@ -% Zhejiang University Graduation Thesis/Design Template -% Author : Zixuan Wang -% Email : zxwang42 [at] gmail.com -% Update : https://github.com/TheNetAdmin/zjuthesis/releases -% Discussion : https://github.com/TheNetAdmin/zjuthesis/discussions -% Documents : https://thenetadmin.github.io/zjuthesis - -% If you have trouble using this template, please: -% 1. First go through the online documentations mentioned above, to see if -% there're already solutions. -% 2. Go through GitHub Issue list, to see if there're discussions on similar -% problems -% 3. Open a GitHub Issue to discuss with developers -% 4. If you don't know how to use GitHub, you can send me an email \documentclass[ % Debugging Settings @@ -19,23 +5,23 @@ % Layout Settings TwoSide = true, % set to false if don't need empty pages % Thesis Info - StudentName = 姓名, - StudentID = 学号, - AdvisorName = 指导教师, - Grade = 2014, % only the year, no '级' - Major = 专业, - Department = 学院, - SubmitDate = 递交日期, + StudentName = 黄浩, + StudentID = 22134105, + AdvisorName = 乐成峰, + Grade = 2021, % only the year, no '级' + Major = 资源与环境, + Department = 海洋学院, + SubmitDate = 2024年4月30日, MajorFormat = general, - Degree = undergraduate, % 'undergraduate' or 'graduate' + Degree = graduate, % 'undergraduate' or 'graduate' Type = thesis, % 'thesis' or 'design' Period = final, % 'proposal' or 'paper' or 'final' BlindReview = false, % 'false' or 'true' Language = chinese, % 'chinese' or 'english' % Graduate Thesis Info GradLevel = master, % 'master' or 'doctor' - Topic = 研究方向, - ColaboratorName = 合作导师, + Topic = 物理海洋, + ColaboratorName = , % Table of Contents ListOfContents = true, ListOfFigures = true, @@ -47,11 +33,11 @@ ]{zjuthesis} %% Uncomment the following lines if you need multi line titles on cover pages -% \titletwolines{毕业论文题目第一行}{毕业论文题目第二行} +\titletwolines{基于主动激光雷达遥感观测(CALIPSO)}{的南大洋冬季碳循环时空格局研究} % \titleengtwolines{English Title Line One}{English Title Line Two} % \titlethreelines{毕业论文题目第一行}{毕业论文题目第二行}{毕业论文题目第三行} % \titleengthreelines{English Title Line One}{English Title Line Two}{English Title Line Three} - +\titleengthreelines{Research on the spatiotemporal patterns of}{Southern Ocean winter carbon cycle based }{on active lidar remote sensing (CALIPSO)} %% Uncomment the following lines if you need multi line major names on cover pages % \majortwolines{专业名第一行}{专业名第二行}