程巳阳,安兴琴,周凌晞,刘立新,方双喜,姚 波,刘 钊 （中国气象局中国气象科学研究院,北京 100081）

北京上甸子大气本底站CO2浓度的源汇区域代表性研究

程巳阳,安兴琴*,周凌晞*,刘立新,方双喜,姚 波,刘 钊 （中国气象局中国气象科学研究院,北京 100081）

为研究单个站点观测浓度的源汇区域代表性及所在区域的CO2通量特征,利用大气反转模式FLEXPART模拟确定影响上甸子站观测浓度的气团主要来源,利用Carbon Tracker模式反演CO2浓度和通量的时空分布,并通过数值迭代方法和相关性分析方法获取最优印痕函数阈值,得到影响测站CO2浓度的源汇区域范围.其次,将在线观测CO2浓度筛分为本底和非本底浓度,利用FLEXPART模式追踪测站本底和非本底源区,研究发现,本底和非本底源汇区域明显不同并随季节变化.在印痕函数大于一定阈值的潜在源区内,本底和非本底区域净通量变化趋势差异明显,而且在各通量分支中本底区域化石燃料通量较小、生物圈通量较大,非本底区域化石燃料通量较大、生物圈通量较小.通过反演模式能够定量得到影响测站观测浓度的源汇区域及区域通量特征.

数值模拟；二氧化碳；源汇分析；区域大气本底站

CO2作为重要的温室气体之一,在控制全球气候变化、理解生物地球化学循环与大气碳收支方面起着关键作用［1-2］.CO2的排放既有自然源也有人为源,其中与人类活动密切相关的排放源有化石燃料燃烧、水泥生产、土地利用变化等［3-4］.海洋和生态系统作为大气中CO2的汇,吸收了接近一半的人为 CO2排放［5］.随着人口增长和经济高速发展,目前中国CO2排放量世界第一,并在近期仍可能继续增加［6-7］.

大气中CO2浓度的时空差异与区域CO2排放量密切相关［8］.为此,Keeling等［9］在美国夏威夷岛莫纳罗亚山最早开展了长期的温室气体观测.目前,在世界范围内有超过150个站点观测温室气体浓度［10］.中国最长的温室气体连续观测记录来自全球本底站——瓦里关站,上甸子站、临安站、龙凤山站作为区域本底站也是世界气象组织全球大气观测网络的重要成员［11-13］.在观测的技术手段上,既有现场瓶采样-实验室分析方法,也有自动化在线连续测量系统［13-14］.研究表明,这些观测资料可以用于CO2通量反演［15］.

当前,估计区域碳通量或全球碳通量主要有2种方法,它们是“自下而上”方法和“自上而下”方法.“自下而上”方法是基于直接现场测量数据、生态系统模型等反演碳通量［16-17］.“自上而下”方法利用大气中CO2浓度来反演碳源汇信息［18-20］.由美国国家海洋与大气局基于大气传输模型TM5 （Tracer Model, Version 5）和卡尔曼滤波方法开发的 CT（Carbon Tracker）模型是“自上而下”方法的典型代表,在观测数据丰富的北美和欧洲地区有效追踪了CO2源汇的时空变化,成功估计了区域碳通量［8,21-22］.在国内,中国气象科学研究院、南京大学、中国科学院等单位也进行了将 CT模式应用到中国的研究,模拟了中国大气本底站 CO2浓度变化特征,估计了中国陆地碳源汇与碳通量［19,23-24］.但是,受到观测站点和有效数据数量限制,反演的通量仍然具有较大的不确定性.因此,定量得到影响测站观测浓度的源汇区域及区域通量特征对于理解区域或者全球碳平衡,合理利用观测数据减小区域乃至全球碳通量反演的不确定性,评价碳分布具有重要意义.

本研究以CT模型在中国区域的模拟应用为基础,结合拉格朗日粒子扩散模式 FLEXPART （FLEXible PARTicle dispersion model）在潜在源区分析上的优势［25］,从上甸子区域大气本底站瓶采样观测数据出发,定量给出了影响上甸子区域本底站观测浓度的源汇区域范围,同时利用在线观测数据追踪本底和污染源区并分析它们的区域通量特征.

1　资料与方法

1.1FLEXPART模式简介

FLEXPART模式是由挪威大气研究所（NILU, Norwegian Institute for Air Research）开发的一种拉格朗日粒子扩散模式［26］.该模式的核心内容是研究大气污染物的源汇关系（Sourcereceptor relationship）：污染排放为“源”,观测站点为受体,相当于“汇”.通过计算点、线、面或体积源释放的大量粒子的轨迹,来描述示踪物在大气中长距离、中尺度的传输、扩散、干湿沉降和辐射衰减等过程.该模式可以通过时间的前向运算来模拟示踪物由源区向周围的扩散,也可以通过后向运算来确定对于固定站点有影响的潜在源区的分布,分别得到随时间序列变化的格点示踪物浓度（正向模拟）或格点驻留时间（后向模拟）［27］.当研究区域内观测站点数量少于排放源数量时,后向运算更具有优势［28］.

FLEXPART模式内核采用零加速度方案计算粒子轨迹,其表达式为：

印痕函数Footprint（也称敏感性系数）由网格点的驻留时间确定,表示潜在源区对固定站点影响的大小.经过源-受体关系的转换,后向模拟中格点i驻留时间公式可表示为：

式中：TΔ为时间分辨率；N为TΔ时间范围内采样的数量；J为释放的粒子总数；ijnf是一个函数,决定了对于指定格点有“贡献”的粒子的多少.

1.2Carbon Tracker模式简介

Carbon Tracker模式是NOAA/ESRL/GMD （National Oceanic and Atmospheric Administration Earth System Research Laboratory Global Monitoring Division）模式小组基于大气传输模型研发的一种大气反演模型,将大气传输模式与地基观测数据、气象数据等相结合,在观测数据和 CO2源汇之间建立起关系,从而实时反演CO2源汇时空分布［8］.它可用于长时间、连续地模拟大气中CO2的浓度分布,追踪地表CO2的排放与吸收情况.这个模型包括 7个部分［23］：生物圈模块提供陆地生态系统源汇通量；海洋模块提供海气交换通量；火灾模块估计火源排放；化石燃料模块估计化石燃料燃烧排放；大气传输模型TM5；观测数据；Kalman滤波数据同化系统.生物圈模块、海洋模块、火灾模块、化石燃料燃烧模块为 Carbon Tracker模型提供初始化CO2通量.采用Kalman滤波同化方法,根据模式模拟结果结合观测数据调整 CO2源汇通量.因此,Carbon Tracker模型能够估算生物圈、海洋、火灾等自然碳源汇的吸收与排放,化石燃料燃烧等人类活动释放和吸收的碳,区别自然界碳循环和人类活动碳排放的变化.

Carbon Tracker模型是一个全球双向网格嵌套模型,全球粗分辨率的模拟中可以嵌套区域高分辨率的模拟.本文中设置了2重嵌套区域：全球3°×2°,亚洲1°×1°.驱动Carbon Tracker模型的气象数据来自欧洲中心的中尺度天气预报模式结果ECMWF（European Centre for Medium- Range Weather Forecasts）.

Carbon Tracker模型实现通量反演的基本依据是：某一时间t某一地点w的CO2观测浓度c能够通过初始时刻充分混合的 CO2浓度以及过去一段时间所有全球区域贡献的通量得到［19］.这种方法的核心是最小化下面的价值函数 J,使得模拟和观测的CO2浓度偏差最小：

式中：H表示将模拟通量转换为观测浓度的大气传输模型和观测算子；误差协方差矩阵R表示观测浓度的不确定性；x表示表面通量估计值构成的向量；x0表示先验表面通量值构成的向量；误差协方差矩阵Q表示先验通量的不确定性.表面通量 F（w,c,t）可以分成 4个部分：陆地生物圈通量Fbio（w,c,t）、海洋通量 Foce（w,c,t）、化石燃料燃烧通量 Fff（w,c,t）、火源排放通量 Fire（w,c,t）,它们满足如下关系：

式中：Neco表示由气候区域、陆地版块、植被类型等确定的全球生态系统区域数目,表示与其对应的特定时间各区域的比例因子；Noce表示依据海洋盆地划分的全球区域数目,表示与其对应的比例因子.通过反演获得的最优比例因子λr以及 Fbio、Foce、Fff、Ffire就可以得到最优的CO2瞬时通量.

1.3研究站点和观测数据

北京上甸子站位于北京城区的东北方向,坐落在密云县高岭镇的上甸子村,北纬40°39′,东经117°07′,海拔 293.9m,距北京市区约 120km,距离天津约210km,距离石家庄约520km.该站地处暖温带半湿润季风气候区,春、秋季节较短,夏季炎热多雨,冬季寒冷干燥,周围30km没有密集的工业区和人群,主要植被类型为林地和农田等.影响该站的气团主要受到当地盛行风向影响,春夏季主导风向是“西南西”,秋冬季主导风向是“东北东”,其浓度水平代表了京津冀经济圈的区域大气状况.

图1　上甸子站地理位置Fig.4　Location of Shangdianzi regional atmospheric station

参照WMO/GAW推荐方法,通过便携式采样器和硬质玻璃瓶采集大气样品和实验室分析得到CO2浓度［29］.采样频率为1次/周,采样时间则选择在正午至下午时段.基于非色散红外吸收法NDIR（Non-Dispersive Infrared spectroscopy）,利用工作标气、高纯氮气对样品中 CO2浓度进行分析［30-31］.大气 CO2在线测量系统使用的是CRDS（cavity ring down the spectroscopy）技术,从2009年1月开始在上甸子站运行服务［14］.每次进样分析5min,并且使用后3min测量结果平均值作为CO2浓度仪器测量值［32］.通过质控、筛分、拟合等方法对数据进行处理.实验中使用的 CO2标气可溯源至WMO X2007标准［1］.

2　结果与讨论

前期,本课题组基于 2009年上甸子站 CO浓度数据对 FLEXPART模式反演结果进行了验证和评价,追踪了 CO本底与非本底印痕函数分布,证明了该模式在潜在源区追踪上的有效性［25］.利用WMO/GAW大气本底站CO2观测资料,通过CT2010模式对中国区域碳源汇进行了精细化反演,验证了该模式结果的可靠性与适用性［23］.

2.1测站源汇区域空间范围

2.1.1北京上甸子站印痕函数分布 利用FLEXPART模式得到水平分辨率1°×1°的印痕函数分布如图2所示.印痕函数单位为s,代表了潜在源区对北京上甸子区域大气本底站的影响大小.在图 2a中可以明显看出,对上甸子区域大气本底站有主要影响的源汇区域是北京、天津、河北大部、山西东部和北部、内蒙古中部等.在不同季节模拟结果中较大印痕函数值（＞4）所代表的潜在源区集中分布在上甸子区域大气本底站的北-西北-西扇区内；但是随着一年四季大气环流不同（如图2b～e）,印痕函数分布略显不同.春季是冬季环流向夏季环流过渡季节,冷空气活动仍较频繁,路经偏北,蒙古一带逐渐形成蒙古低压,多西南风,若冷空气势力增强南下则为偏北大风,印痕函数分布表现为：潜在源区主要分布在西西北-北西北扇区和西南-南扇区.夏季太平洋副热带高压北上,蒙古高压回退,北京地区偏东气流有所加强,印痕函数分布表现为：相对其他季节,夏季印痕函数分布有偏东方向趋势,潜在源区主要分布在东东南-南扇区和西北-北西北扇区.秋季是夏季环流向冬季环流过渡季节,太平洋副热带高压南撤,蒙古高压得以发展南侵,偏南气流日渐衰退,转变为偏北气流,印痕函数分布表现为：潜在源区主要分布在西-西北扇区.冬季北京地区多受蒙古高压控制,盛行西北气流,印痕函数分布表现为：西北扇区是对上甸子站有较大影响的潜在源区.

可见,通过 FLEXPART模式后向模拟获得Footprint印痕函数,能够确定对上甸子站有影响的潜在源区分布,是后续分析上甸子站CO2观测浓度所代表源汇区域的基础和依据.

2.1.2北京上甸子站 CO2源汇分析 利用CT模式可以得到2006年8月到2009年12月空间分辨率 1°×1°的大气 CO2浓度分布和源汇通量［23］.CO2浓度月均观测值与上甸子站所在模式网格处的通量具有一定的相关性,相关系数为0.65,如图3a所示.上甸子站大气CO2浓度受区域 CO2排放和吸收通量的影响,因此站点采样获得的大气CO2浓度与影响该站点区域的源汇通量紧密相关.为此,利用FLEXPART模式模拟确定影响测站的潜在源区分布范围,通过选取不同阈值,界定特定区域,并利用CT模式模拟的CO2通量结果计算该界定区域内的CO2源汇通量.通过迭代计算可以得到一个最优阈值边界和影响测站 CO2观测浓度的源汇区域范围. 图3b给出的是以FLEXPART模式月均印痕函数最优阈值（4.7）界定对应月份的 CT模式通量反演结果,得到阈值区域内模拟的 CO2月均源汇通量与观测浓度值之间的相关性,相关系数为0.90.图3中a、b两图相关性差异说明：北京上甸子站 CO2观测浓度,不仅仅受站点所在模式网格（1°×1°）的源汇通量影响,更与反转模式追踪获得的最优阈值区域内源汇通量关系密切,因此将FLEXPART模式和CT模式相结合可以定量给出影响上甸子站CO2观测浓度的源汇区域范围以及该区域内的CO2通量.

图2　北京上甸子站印痕函数分布Fig.4　Footprint distribution at Shangdianzi station in Beijing

图3　Carbon Tracker模式模拟通量与上甸子站测量浓度的相关性分析Fig.4　Correlation analysis between concentrations measured at Shangdianzi station and fluxes simulated by Carbon Tracker model

图4给出的是上甸子区域本底站CO2浓度观测值所代表区域范围内 CT模式模拟的 CO2净通量月均值以及各分支.从图4可以看到,火灾和海洋对上甸子本底站CO2源汇贡献较小；化石燃料燃烧是很强的CO2源；生物圈是主要的CO2汇,并随着季节变化可能成为CO2源；最优阈值区域内CO2净通量月均值具有明显的季节周期.图5给出的是最优阈值确定的区域网格和上甸子站所在网格的模拟净通量时间序列.可以看出,站点所在网格净通量明显偏高,特别是在冬季；最优阈值确定的净通量周期性更明显.两者差异说明：瓶采样 CO2观测浓度不仅与站点所在网格冬季供暖等局地碳源有关,也受生物圈碳汇、远距离输送影响.瓶采样观测CO2浓度代表的是一个更大区域的碳源汇平衡,并且这个区域由最优印痕函数阈值确定.

图4　影响上甸子站CO2观测浓度的区域通量Fig.4　Simulated regional fluxes influencing CO2observation concentrations at Shangdianzi station

图5　模拟净通量比较Fig.4　Comparison of simulated net fluxes at different grids

2.2本底与非本底CO2源汇特征

2.2.1本底和非本底印痕函数分布 根据上甸子站在线测量系统获得的CO2浓度观测数据,借鉴 Stohl等［33］的方案,运用 REBS （robust extraction of background signal）算法［34］,将上甸子站观测时段内CO2浓度-时间序列筛分为本底浓度和非本底浓度.采用与安兴琴等［25］相同的方法,利用FLEXPART模式分别获得对应本底与非本底时次的 Footprint印痕函数分布,如图 6所示. 在1月份,本底浓度潜在源区主要处于西西北-北西北扇区,非本底浓度潜在源区不仅分布在西北部,还分布在南部甚至偏东部区域.在4月份,本底浓度和非本底浓度的潜在源区都有南移趋势,但是两者的主要潜在源区分布明显不同,前者来自于西-西西北扇区后者来自于南西南-西西南扇区.与其他月份相比,7月份本底和非本底浓度潜在源区总体上受到东部和南部更多影响,前者的潜在源区仍然主要来自于西北扇区并从西南到东北方向呈现带状分布,较其他季节后者的潜在源区覆盖南部更大的空间范围.在 10月份,本底浓度潜在源区分布在西-西西北扇区,非本底浓度的潜在源区分布在西西北-西西南扇区.事实上,北京东西北三面环山,西北部下垫面多为高山、地势较高,属于相对较少污染的非城市工业区,因此本底浓度潜在源区主要分布在这一区域.对于人们通常关注的非本底浓度潜在源区,则主要来自人口密集城市化较高的北京城区方向以及京津冀经济圈.同时由于大气环流的季节变化,不同月份的本底浓度和非本底浓度潜在源区并不相同.但总体上看,通过在线测量的本底浓度和非本底浓度时间序列,结合Flexpart模式反演印痕函数分布,能够很好捕获本底和非本底潜在源区.

2.2.2本底区域与非本底区域源汇特征 利用CO2源汇反演模式CT,获得与CO2在线观测时次相对应时段（2009年1～11月）的CO2源汇通量,包括海洋通量（Ocean）、火灾通量（Fires）、生物圈通量（Bio）、化石燃料通量（FF）.在本底浓度和非本底浓度的印痕函数分布月均值大于一定阈值的潜在源区内,统计该区域内的CO2净通量月均值以及各通量分支,如图7所示.

从图7可以看到,上甸子站本底和非本底区域净通量特征明显不同：前者在7月份出现最大值,7月份之前不断递增,7月份之后波动下降,而后者在4月份和10月份出现两个极大值,在7月份出现最小值.在各通量分支中,本底和非本底的海洋和火灾通量较小,对上甸子站CO2浓度变化影响较小；本底和非本底的生物圈和化石燃料通量较大,对上甸子站CO2浓度变化影响较大.整体上看,本底区域生物圈通量比化石燃料通量大；非本底区域化石燃料通量比生物圈通量大,生物圈主要表现为碳汇.之所以出现这样的变化规律,主要由于本底和非本底浓度的源汇区域不同、来源不同、局地排放和大气环流输送的影响不同.研究结果表明,采用多种模式相结合的方法能够获得影响测站CO2观测值的源汇区域和特征.下一步将在多个站点进行更长时间的观测资料积累和模式模拟研究,并对源汇特征进行进一步分析.

图6　上甸子站2009年在线CO2的本底（1）和非本底（2）印痕函数分布Fig.4　Background （1） and non-background （2） Footprint distribution of in-situ CO2observation concentrations in 2009 at Shangdianzi station

图7　2009年区域CO2通量Fig.4　Regional CO2fluxes in 2009

3　结论

3.1利用FLEXPART模式与CT模式,通过数值迭代方法和相关性分析手段,在月均时间尺度下建立了一种固定站点 CO2观测浓度空间代表性获取方法.印痕函数值大于阈值所界定的网格范围是影响测站观测浓度的源汇区域.

3.2与在线观测CO2本底和非本底浓度所对应的本底和非本底印痕函数分布差异明显,并随季节变化.北京上甸子站本底潜在源区主要处于观测站点的西北部,而非本底潜在源区主要来自西南部或南部.

3.3北京上甸子站本底区域净通量在7月份出现最大值,生物圈通量大于化石燃料通量；非本底区域净通量表现为双极值的波动变化,极大值出现在4月和10月,化石燃料通量大于生物圈通量.研究结果表明,通过文中方法能够获得该站 CO2浓度所代表的源汇区域.

［1］ LIU L X, ZHOU L X, Vaughn B, et al. Background variations of atmospheric CO2and carbon-stable isotopes at Waliguan and Shangdianzi stations in China ［J］. J. Geophys. Res. Atmos., 2014, 119（9）：5602-5612

［2］ 麦博儒,邓雪娇,安兴琴,等.基于卫星遥感的广东地区对流层二氧化碳时空变化特征 ［J］. 中国环境科学, 2014,34（5）：1098-1106.

［3］ Peters G P, Marland G, Quéré C L, et al. Rapid growth in CO2emissions after the 2008-2009 global financial crisis ［J］. Nat. Clim. Change, 2012,2：2-4.

［4］ Houghton R A. Revised estimates of the annual net flux of carbon to the atmosphere from changes in land use and land management 1850-2000 ［J］. Tellus B, 2003,55（2）：378-390.

［5］ Ballantyne A P, Alden C B, Miller J B, et al. Increase in observed net carbon dioxide uptake by land and oceans during the past 50years ［J］. Nature, 2012,488：70-73.

［6］ Quéré C L, Andres R J, Boden T, et al. The global carbon budget 1959-2011 ［J］. Earth Syst. Sci. Data, 2013,5：165-185.

［7］ Marland G. Emissions accounting： China's uncertain CO2emissions ［J］. Nat. Clim. Change, 2012,2：645-646.

［8］ Peters W, Jacobson A R, Sweeney C, et al. An atmospheric perspective on North American carbon dioxide exchange：CarbonTracker ［J］. P. Natl. Acad. Sci. USA, 2007,104：18925-18930.

［9］ Keeling R F. Recording earth's vital signs ［J］. Science, 2008, 319：1771-1772.

［10］ Sirignano C, Neubert R E M, Rödenbeck C, et al. Atmospheric oxygen and carbon dioxide observations from two European coastal stations 2000-2005： continental influence, trend changes and APO climatology ［J］. Atmos. Chem. Phys., 2010,10：1599-1615.

［11］ 栾 天,周凌晞,方双喜,等.龙凤山本底站大气 CO2数据筛分及浓度特征研究 ［J］. 环境科学, 2014,35（8）：2864-1870.

［12］ 方双喜,周凌晞,臧昆鹏,等.光腔衰荡光谱（CRDS）法观测我国 4个本底站大气CO2［J］. 环境科学学报, 2011,31（3）：624-629.

［13］ 刘立新,周凌晞,张晓春,等.我国4个国家级本底站大气CO2浓度变化特征 ［J］. 中国科学D辑：地球科学, 2009,39（2）：222-228.

［14］ Fang S X, Zhou L X, Masarie K A, et al. Study of atmospheric CH4mole fractions at three WMO/GAW stations in China ［J］. J. Geophys. Res. Atmos., 2013,118：4874-4886.

［15］ 麦博儒,安兴琴,邓雪娇,等.珠江三角洲近地层 CO2通量模拟分析与评估验证 ［J］. 中国环境科学, 2014,34（8）：1960-1971.

［16］ Chen B Z, Coops N C, Fu D J, et al. Characterizing spatial representativeness of flux tower eddy-covariance measurementsacross the Canadian Carbon Program Network using remote sensing and footprint analysis ［J］. Remote Sens. Environ., 2012, 124：742-755.

［17］ Liu S N, Zhou T, Wei L, et al. The spatial distribution of forest carbon sinks and sources in China ［J］. Chin. Sci. Bull., 2012, 57（14）：1699-1707.

［18］ Piao S L, Fang J Y, Ciais P, et al. The carbon balance of terrestrial ecosystems in China ［J］. Nature, 2009,458（7241）：1009-1013.

［19］ Jiang F, Wang H W, Chen J M, et al. Nested atmospheric inversion for the terrestrial carbon sources and sinks in China ［J］. Biogeosciences, 2013,10（8）：5311-5324.

［20］ Chevallier F, O'Dell C W. Error statistics of Bayesian CO2flux inversion schemes as seen from GOSAT ［J］. Geophys. Res. Lett., 2013,40（6）：1252-1256.

［21］ Deng F, Chen J M, Ishizawa M, et al. Global monthly CO2flux inversion with focus over North America ［J］. Tellus B, 2007, 59（2）：179-190.

［22］ Peters W, Krol M C, van der Werf G R, et al. Seven years of recent European net terrestrial carbon dioxide exchange constrained by atmospheric observations ［J］. Glob. Change Biol., 2010,16（4）：1317-1337.

［23］ Cheng Y L, An X Q, Yun F H, et al. Simulation of CO2variations at Chinese background atmospheric monitoring stations between 2000 and 2009： applying a Carbon Tracker model ［J］. Chin. Sci. Bull., 2013,58（32）：3986-3993.

［24］ Zhang H F, Chen B Z, van der Laan-Luijkx I T, et al. Net terrestrial CO2exchange over China during 2001-2010 estimated with an ensemble data assimilation system for atmospheric CO2［J］. J. Geophys. Res. Atmos., 2014,119：3500-3515.

［25］ An X Q, Yao B, Li Y, et al. Tracking source area of Shangdianzi station using Lagrangian particle dispersion model of FLEXPART ［J］. Meteorol. Appl., 2014,21（3）：466-473.

［26］ Stohl A, Forster C, Frank A, et al. Technical Note： The Lagrangian particle dispersion model FLEXPART version 6.2 ［J］. Atmos. Chem. Phys., 2005,5：2461-2474.

［27］ 蔡旭晖.湍流微气象观测的印痕分析方法及其应用拓展 ［J］.大气科学, 2008,32（1）：123-132.

［28］ Seibert P, Frank A. Source-receptor matrix calculation with a Lagrangian particle dispersion model in backward mode ［J］. Atmos. Chem. Phys., 2004,4：51-63.

［29］ Tans P P, Thoning K W, Elliott W P, Conway T J. Background atmospheric CO2patterns from weekly flask samples at Barrow, Alaska： optimal signal recovery and error estimates ［C］//NOAA Technical Memorandum ERL ARL-173 Boulder： Environmental Research Laboratories, 1989：112-131.

［30］ 尹起范,盛振环,魏科霞,等.淮安市大气 CO2浓度变化规律及影响因素的探索 ［J］. 环境科学与技术, 2009,32（4）：54-57.

［31］ Fang S X, Zhou L X, Tans P P, et al. In situ measurement of atmospheric CO2at the four WMO/GAW stations in China ［J］. Atmos. Chem. Phys., 2014,14：2541-2554.

［32］ Zhou L X, Conway T J, White J W C, et al. Long-term record of atmospheric CO2and stable isotopic ratios at Waliguan Observatory： Background features and possible drivers, 1991-2002 ［J］. Global Biogeochem. Cy., 2005,19（3）：GB3021.

［33］ Stohl A, Seibert P, Arduini J, et al. An analytical inversion method for determining regional and global emissions of greenhouse gases： sensitivity studies and application to halocarbons ［J］. Atmos. Chem. Phys., 2009,9：1597-1620.

［34］ Ruckstuhl A F, Henne S, Reimann S, et al. Robust extraction of baseline signal of atmospheric trace species using local regression ［J］. Atmos. Meas. Tech., 2012,5：2613-2624.

致谢：感谢美国国家海洋与大气局地球系统研究实验室全球监测组（NOAA/ESRL/GMD）提供的Carbon Tracker模型及技术支持.感谢挪威大气研究所（NILU）Andreas Stohl博士提供的FLEXPART模式,以及瑞士联邦材料测试和研究室（EMPA）的Stephan Henne博士在反演方法方面提供的帮助.感谢北京市气象局上甸子区域本底站工作人员在观测采样等方面的辛勤工作.

CO2concentration representation of source and sink area at Shangdianzi atmospheric background station in Beijing.

CHENG Si-yang, AN Xing-qin*, ZHOU Ling-xi*, LIU Li-xin, FANG Shuang-xi, YAO bo, LIU Zhao （Chinese Academy of Meteorological Sciences, China Meteorological Administration, Beijing 100081, China）.

China Environmental Science, 2015,35（9）：2576～2584

In order to study the spatial representativeness of CO2source and sink about observing concentrations at a single station and the regional flux characteristics, the atmospheric inversion model FLEXPART was used to simulate and determine the main source of air mass impacting on observed concentration at ShangDianZi station. Carbon Tracker model was also used to inverse spatial and temporal distributionof CO2concentrations and fluxes. The optimal threshold of footprint function was found with numerical iterative approach and correlation analysis, and then the distribution of source and sink area of CO2observation concentration at the station was obtained. Then, the in-situ CO2observation concentrations were screened into two parts, the background and the non-background, for tracking the background and non-background source area of station with FLEXPART model. The results showed that the background and non-background source regions were obviously different and changed with the seasons. In the potential source area where footprint function was greater than the threshold, the background and non-background regional net fluxes changed differently. The fossil fuel flux was smaller and the biosphere flux was larger in the background area. However, it was opposite for the non-background area. Therefore, source and sink area, influencing the concentrations of observing station, and regional characteristics of fluxes could be quantified using inversion models.

numerical simulation；carbon dioxide；source and sink analysis；regional atmospheric background station

X511

A

1000-6923（2015）09-2576-09

2015-02-27

国家自然科学基金项目（41505123,41175116）；中国气象科学研究院基本科研业务费专项（2015Y002）；国家国际科技合作专项（2015DFG21960）；中国气象局气候变化专项（CCSF201431）

*责任作者, 安兴琴,研究员, anxq@cams.cma.gov.cn；周凌唏,研究员, zhoulx@cams.cma.gov.cn

程巳阳（1985-）,男,安徽安庆人,助理研究员,博士,主要从事温室气体探测和源汇反演研究.发表论文10余篇.