EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 8: 1362 - 1371

DOI: https://doi.org/10.12082/dqxxkx.2021.210041

综述

大气CO2浓度非均匀分布及其对地表升温影响的研究进展与展望

  • 张帆 , 1, 3 ,
  • 宣鑫 2 ,
  • 邓祥征 , 1, 3, *
展开
  • 1.中国科学院地理科学与资源研究所 陆地表层格局与模拟院重点实验室,北京 100101
  • 2.山东科技大学测绘与空间信息学院,青岛 266590
  • 3.中国科学院大学,北京 100049
* 邓祥征（1971— ）,男,山东日照人,博士,研究员,主要从事资源利用与生态安全、全球变化、发展地理学等相关领域的研究。E-mail:

张 帆（1989— ）,男,河北张家口人,博士,助理研究员,主要从事环境与生态管理、气候变化应对等领域的研究。E-mail:

收稿日期: 2021-01-25

  要求修回日期: 2021-02-08

  网络出版日期: 2021-10-25

基金资助

国家重点研发计划项目(2016YFA0602500)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Research Progress and Prospect on the Non-Uniform Distribution of Atmospheric CO2 Concentration and its Influence on Surface Warming

  • ZHANG Fan , 1, 3 ,
  • XUAN Xin 2 ,
  • DENG Xiangzheng , 1, 3, *
Expand
  • 1. Key Laboratory of Land Surface Pattern and Simulation, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China
  • 3. University of Chinese Academy of Sciences, Beijing 100049, China
* DENG Xiangzheng, E-mail:

Received date: 2021-01-25

  Request revised date: 2021-02-08

  Online published: 2021-10-25

Supported by

National Key Research and Development Program of China(2016YFA0602500)

Copyright

Copyright reserved © 2021
Fold

摘要

在气候变化和全球治理挑战日益严峻的背景下,CO2排放及代价评估日益受到学术界和决策者的关注。当前全球范围包括联合国政府间气候变化专门委员会（IPCC）评估在内的几乎所有研究都是基于全球平均CO2浓度来驱动气候模式的,但基于全球CO2平均分布设定开展模拟影响评估在学术界多有争议。首先,综述了大气CO2非均匀分布的证据,评述了大气CO2浓度非均匀分布与地表升温过程的互馈机制。其次,从自然和人为2个维度,梳理了大气CO2浓度非均匀分布形成的原因,并评估了其对地表升温的影响。最后,评述了当前大气CO2浓度非均匀分布研究中存在的问题,进一步展望了其发展趋势,为把握全球与区域碳排放现状及气候变化影响提供科学判据。

关键词： CO2浓度; 非均匀分布; 地表升温; 互馈机制; 地基数据测量; 模式模拟; 卫星遥感

本文引用格式

张帆 , 宣鑫 , 邓祥征 . 大气CO2浓度非均匀分布及其对地表升温影响的研究进展与展望[J]. 地球信息科学学报, 2021 , 23(8) : 1362 -1371 . DOI: 10.12082/dqxxkx.2021.210041

Abstract

Global climate change is not only the most important environmental problem, but also one of the most complex challenges mankind faces in the 21st century. In the context of the increasing challenges of climate change and global governance, the assessment of CO2 emissions and costs has attracted increasing attention from academia and policy makers. At present, almost all global studies, including the assessment by the Intergovernmental Panel on Climate Change (IPCC), use global average CO2 concentration to drive the climate models. However, there are many controversies on the impact assessment based on the global average distribution of CO2 in academia. To formulate countermeasures to deal with carbon emissions and reduction and enhance China’s international discourse on dealing with climate change, it is of great importance to explore the mutual feedback mechanism between the inhomogeneity of atmospheric CO2 concentration and geophysical processes (e.g. surface temperature rise), and explore the impact mechanism of the inhomogeneous distribution of atmospheric CO2 concentration on global climate change. This paper reviews the research progress of non-uniform distribution of atmospheric CO2 concentration and its effects on surface warming. Firstly, this paper reviews the evidence of non-uniform distribution of atmospheric CO2 concentration from three aspects, ground-based measurement, numerical simulation, and remote sensing. It summarizes the advantages of these three methods and analyzes the discovery process of non-uniform distribution of global atmospheric CO2 concentration. Secondly, this paper explores the mutual feedback between the non-uniform distribution of global atmospheric CO2 concentration and surface temperature rise. The non-uniform distribution of atmospheric CO2 concentration directly affects the radiative forcing or indirectly affects the regional warming through affecting the photosynthesis. Regional warming has a direct or indirect impact on the ability of the ocean and vegetation to absorb CO2, which ultimately affects the non-uniform distribution of global atmospheric CO2 concentration. Finally, this paper reviews the problems of existing studies on non-uniform distribution of atmospheric CO2 and discusses the prospect of future development trends. This study provides a scientific basis for understanding the current situation of global/regional carbon emissions and climate change impacts, and further explores the feedback mechanism among atmospheric CO2 non-uniform distribution, surface temperature rise, and socio-economic system.

Key words： carbon dioxide concentration; non-uniform distribution; surface temperature; mutual feedback mechanism; ground-based measurement; model and simulation; remote sensing

1 引言

当前,以全球变暖为主要特征的气候变化给自然生态系统和人类社会的可持续发展带来了严峻的挑战[1,2]。人类活动排放的大量CO2是引起全球变暖的主要原因[3]。碳排放引发全球和区域气候变化,碳排放及减碳对社会经济系统的影响和适应机制日益受到学术界和决策部门的关注[4,5]。碳排放与气候变化关系研究涵盖大气、海洋和陆地生物圈碳循环的分析,多数生态系统碳循环模型被应用于气候变化的影响研究[6]。国际上大多学者采用全球平均的CO2浓度开展研究,构建了大气CO2浓度与地表温度间的耦合关系[7,8,9,10]。
准确可信的数据对于提高全球变化研究的准确性至关重要[11]。2014年12月,美国航空航天局（NASA）发布了全球CO2空间分布图,证实大气CO2浓度非均匀动态分布的空间特征。国际学者相继揭示了大气CO2浓度分布不仅在时间上有季节性的差异[12],在空间上也存在显著的地域性差别[13],并对全球CO2非均匀动态分布与地表温度的作用机制进行了探究。因此,基于大气CO2浓度非均匀动态分布事实,厘清CO2非均匀动态分布对地表升温过程的影响机理,不仅具有科学的前瞻性,更是全球气候变化影响评估研究领域的一个重大挑战,对支撑国家应对气候变化有着积极的现实意义。
大气CO2浓度非均匀动态分布对地表升温过程影响机制极其复杂,需要多学科交叉的研究及相关模型研发。目前结合温控阈值情景,探索CO2浓度非均匀分布对地表升温过程的影响机理仍是传统气象学、大气科学和气候变化应对领域的关键难题之一[14]。国际上主要借助于大气CO2浓度年均增长率或RCPs情景驱动的地球系统模式对地表升温过程开展分析[15],早期的气候模式中通常假设大气CO2浓度为均匀的常值[16],在对CO2与全球和区域升温耦合关系的研究中也通常采用全球年均CO2浓度来进行强迫[17,18,19],得到的结果并不能为CO2浓度增加所造成的气候变化提供可靠证据[20]。国内研究主要围绕人为排放、植物碳通量对CO2浓度影响等问题,对大气CO2浓度影响地表升温过程机理开展分析,多数学者认为由于经济区划、土地覆盖类型等人为原因和植被吸收、大气环流等自然因素,同一时间不同地区大气CO2浓度往往存在差异,呈现出典型的非均匀分布特征[21,22,23]。采用CO2浓度常态均匀分布假设的气候模式可能将温室效应夸大了约10%左右[24],甚至会对工业革命以来的气候变化程度造成高估[25]。总体看,现有研究多集中在大气CO2浓度以及地表升温空间差异方面,缺乏结合气候模式和温控情景的CO2非均匀分布对地表升温过程影响与适应机理的统领性研究成果。
了解全球大气CO2浓度空间分布差异,探寻全球大气CO2浓度非均匀分布证据,揭示大气CO2浓度非均匀分布与地表升温之间的互馈机制,对支撑国家应对气候变化有着积极的现实意义。分析大气CO2浓度非均匀分布形成原因,评述和展望CO2非均匀分布对社会经济代价研究产生的影响,无疑能为我国减缓气候变化影响并实现可持续转型提供科学依据和方法支撑。

2 全球大气CO2浓度非均匀分布的量测与模拟

探寻大气CO2浓度非均匀动态分布空间特征及其对地表升温过程影响极为重要,极具前瞻性和创新性。综合来看,关于全球大气CO2浓度非均匀分布的证据主要来自地基数据测量、模式模拟和卫星遥感监测3个方面。

2.1 地基数据测量

地基数据测量凭借其数据精度高、监测时间长和获取方式多样等优势已成为CO2浓度获取最为重要的方式之一,但易受交通状况、天气变化、人类活动等因素影响[21]。20世纪60年代末由世界气象组织（World Meteorological Organization, WMO）建立的全球大气观测网（Global Atmosphere Watch, GAW）拥有来自超过80个国家的400余个本底站 （包括31个全球本底站）,其观测数据为全球CO2浓度非均匀分布提供了重要的佐证。美国国家海洋与大气管理局地球系统研究实验室（NOAA/ESRL）、澳大利亚联邦科工组织海洋与大气研究中心 （CSIRO/CMAR）、加拿大气象局（MSC）和日本国立环境研究所（NIES）等都在全球不同经纬度地区建立了本地观测站并形成了CO2观测网。
我国共建立了6个WMO/GAW本底观测站点 （表1）[26]。对比同期采样数据,上甸子、临安、龙凤山3个区域站大气CO2浓度均高于瓦里关全球站,靠近长江三角洲经济圈和京津冀城市群的临安站和上甸子站高居前两位,我国大气CO2浓度呈现出明显的区域非均匀分布特征[22,27-28]。Wang等[29]在收集我国大气监测站CO2浓度数据基础上,结合NOAA/ESRL提供的每小时CO2浓度观测数据、世界温室气体数据中心（World Data Centre for Greenhouse Gases, WDCGG）以及日俄西伯利亚高塔内陆观测网络 （Japan-Russia Siberia Tall Tower Inland Observation Network, JR-STATION）提供的中国大陆周边大气CO2浓度数据,绘制出了空间分辨率为4°（纬度）×5°（经度）的2010—2016中国陆地生物圈CO2通量,揭示了我国大气CO2浓度非均匀分布的特征。与此形成佐证的有,美国橡树岭国家实验室CO2信息分析中心（Carbon Dioxide Information Analysis Centre, CDIAC）公布的我国区域和人均碳排放数据也呈现出东部>中部>西部的非均匀分布特征[30]。
表1 我国WMO/GAW本底观测站自然、生态特征及区域代表性

Tab. 1 Natural and ecological characteristics and regional representation of WMO / GAW background stations in China

站点名称 站点类型 纬度/N 经度/E 气候特征 代表区域 据市中心距离
瓦里关(WLG) 全球本底站 36°17′ 100°54′ 高原大陆性 欧亚大陆腹地 距西宁市150 km
上甸子(SDZ) 区域本底站 40°39′ 117°07′ 暖温带半湿润季风 京津冀经济圈 距北京市150 km
临安(LAN) 区域本底站 30°18′ 119°44′ 亚热带季风 长三角经济圈 距杭州市50 km
龙凤山(LFS) 区域本底站 44°44′ 127°36′ 温带大陆性季风 东北平原区 距哈尔滨市180 km
香格里拉(XGLL) 区域本底站 28°00′ 99°44′ 高原寒温性湿润 青藏高原横断山区腹地 距昆明市450 km
阿克达拉(AKDL) 区域本地站 47°06′ 87°58′ 大陆性温带干旱半干旱 北疆地区 距乌鲁木齐市400 km

2.2 模式模拟

地表CO2浓度观测站往往距离较远且分布不均,获取的CO2浓度数据呈点状分布,很难汇集得到连续的“面状”浓度资料,也无法对海洋上空大气CO2浓度进行测量,模式模拟有效解决了地表观测站数据覆盖少的难题[31]。基于大气CO2浓度非均匀动态分布事实,国内外众多学者对原有用全球平均CO2浓度来驱动气候模式的模型进行了改进,其中具有代表性的有中尺度大气—温室气体耦合模式 （Weather Research and Forecasting Model with Greenhouse Gases Module, WRF-GHG）、区域碳数据同化系统（Tan-Tracker-Region, TT-R）、通用地球系统模式（Community Earth System Model, CESM）、区域空气质量模拟系统（Regional Atmospheric Modeling System and Models-3 Community Multi-scale Air Quality, RAMS-CMAQ）、德国区域气候模式（Regional Climate Model, REMO）以及改进的区域气候模式（Regional Climate Model, RegCM4）（表2）,以期为全球气候变化影响评估研究领域带来更多的可能性。
表2 大气CO2浓度非均匀分布数值模拟研究常用模型/模式

Tab. 2 Commonly used models for simulation of non-uniform distribution of atmospheric CO 2 concentration

模式/模型名称 模式简介 优势
WRF-GHG模式 由中尺度天气研究与预报模式WRF与植被光合呼吸模型VPRM直接动态耦合的大气-温室气体模式 能直接计算陆地生态系统与大气中之间温室气体的相互交换,考虑大气中的扩散、输送等过程对温室气体的影响,模拟和预报温室气体在时间和空间上的分布和演变[32,33,34]
区域碳数据同化系统 将集合四维变分数据同化方法(POD-4DVar)融入通用多尺度空气质量(Community Multiscal Air Quality)区域化学输送模型 可以持续、动态描述地表CO2通量演变并避免信噪比问题,使CO2通量可以在网格尺度上作为一个整体参与估计[35]
CESM模式 由一个中央耦合器和大气模型、海洋模型、陆地模型、海冰模型和冰盖模型组成,不同圈层之间采用耦合方式进行交互 开放获取源代码,且采用国际上主流的模块化结构,便于更换或升级分量和开发新的气候模型产品[36,37,38]
RAMS-CMAQ模式 由区域大气模拟系统RAMS和环境空气质量模型Modoles-3 CMAQ构成 通过VPRM模块,综合考虑了陆地生态系统中植被光合作用和呼吸作用对CO2通量的影响,能够模拟CO2迁移和扩散的物理过程[39,40,41]
区域气候模式REMO 由德国气象局(DWD)的EM (Europa Modell)发展而来,研究区域限定在欧洲和西西伯利亚 拥有“气候模式”和“预报模式” 2种工作模式,能够对天气和次天气特征进行可靠模拟[42]
碳追踪模型 将TM5(Tracer Model, Version 5)大气传输模型与卡尔曼滤波方法相结合,是由NOAA/ESRL/GMD开发的一种大气反演模型 能够模拟地球表面CO2吸收和排放随时间的变化,区分自然碳循环和人类活动引起的碳排放变化[23,43]
改进的区域气候模式RegCM4 将CO2源和汇视为规定的表面通量并对其进行追踪 具有较高的空间分辨率,可以从人为排放和生物圈-大气交换中检索信号,从而捕捉环境CO2浓度时空变化[44,45]
在众多反演CO2空间分布影响的模式中,通用地球系统模式（CESM）具备代表性。Navarro等[37]利用改进的CESM模式模拟了全球CO2非均匀分布1950—2000年的时空变化规律,揭示出全球CO2浓度集中区域从美国、欧洲逐渐转移到了美国、印度和中国的结论。综述来看,气候模式模拟往往难以克服由复杂地形条件带来的中尺度效应[46],无法准确分析出CO2源与汇,而卫星探测手段刚好可提供全球尺度的大气CO2浓度高分辨率监测数据。CO2探测卫星可以获取空间三维、广空间区域、稳定、长时间序列的全球CO2连续空间分布和变化资料[47],既克服了地基测量站点数据量少、分布不均的缺点,也弥补了数值模拟分析限制较多、可靠性差的问题,能够更直观地反应全球大气CO2浓度非均匀分布特征。

2.3 卫星遥感监测

为了在全球和区域尺度获取碳循环和大气CO2浓度空间分布信息,星载CO2探测技术成为“嗅碳”的突破点。美国于2002年发射了搭载的大气红外垂直遥感器（AIRS）的AUQA卫星,其反演的数据可以较好地反映大气对流层中层CO2柱浓度,符传博等利用该数据揭示了2003—2015年全球对流层中层CO2柱浓度高值区主要分布在30°N—60°N的高纬地区,与全球变暖背景下北半球高纬地区升温较快的趋势一致[48]。目前全球为数不多可提供碳卫星数据的国家中,日本于2009年发射的温室气体观测卫星“呼吸”号（GOSAT）卫星,其L2[49]、L4A[50]、L4B[51]产品均应用于全球及区域大气CO2浓度空间分布特征分析,发现东亚、西欧、美国东海岸以及非洲中部地区是全球CO2浓度最高的地区,且近地面CO2浓度北半球整体高于南半球[52]。随后,美国于2014年发射了OCO-2卫星,于2015年公布了首张全球CO2分布图,其观测数据揭示了全球大气CO2浓度空间非均匀分布的事实,中低纬度部分地区的大气CO2浓度突破了400 ppm。中国于2016年发射的拥有探测叶绿素荧光信号能力的碳卫星,成为国际上第三颗具有高精度温室气体探测能力的卫星,基于其独特的遥感反演算法,获取了首幅中国碳卫星大气CO2全球分布图,揭示出了由于人为排放形成的北半球CO2浓度高、南半球浓度低的特征,同时也反映出全球大气CO2浓度空间非均匀分布特征（图1）。
图1 我国碳卫星首幅全球大气CO2浓度产品[53]

Fig. 1 First global carbon dioxide maps produced from TanSat measurements

3 大气CO2浓度非均匀分布与地表升温过程的互馈机制

世界气候研究计划（World Climate Research Program, WCRP）发起的第六次国际耦合模式比较计划（Coupled Model Intercomparison Project Phase 6, CMIP6）提出了多数地球系统模型可采用纬向非均匀的CO2驱动场来描述空间异质性,为进一步研究全球大气CO2浓度非均匀分布、地表升温与社会经济系统之间的互馈机制提供了可能,但目前仍缺乏此方面的统领性和原创性研究成果。为数不多的研究中,Zhang等[25]指出CO2浓度的非均匀分布会降低碳排放对气候变暖以及气温和降水年际变化的影响估计。全球大气CO2浓度均匀与非均匀对比模拟研究显示,从季节到年际尺度上,2种情 景下大气CO2浓度和地表温度的空间分布截然不同[20]。厘清全球大气CO2浓度非均匀分布与地表升温之间的互馈机制对于量化减排代价,制定合理减排措施具有重要意义。
本研究提出了全球大气CO2浓度非均匀分布与地表升温过程的互馈机制框架（图2）。从大气CO2浓度非均匀分布对地表升温的影响来看,大气中CO2浓度的非均匀分布直接影响辐射强迫或通过影响局部植物光合作用对区域升温产生间接影响。一方面,人类活动、化石燃料燃烧等累积在对流层低层的CO2将捕获更多的长波辐射,引起辐射地表的长波通量增强,进而导致区域气候变暖甚至极端高温天气的产生[44,54]。另一方面,植物光合作用在全球陆地生态系统碳循环中扮演十分重要的角色,化石燃料燃烧所造成的CO2排放中高达30%都能被植物光合作用吸收[55]。大气CO2浓度变化会改变大气与植物细胞间的分压差进而影响植物与大气间的水分交换,这种作用既可以直接通过蒸发冷却改变环境温度,也能间接通过蒸发水分改变大气湿度,通过水汽扩散在空中影响低云的分布,最终对地表升温过程产生影响[24]。此外,也有学者指出,人类活动导致的大气CO2浓度非均匀分布通过影响大气环流最终导致区域气候变化差异[25]。
图2 全球大气CO2浓度非均匀分布与地表升温过程的互馈机制框架

Fig. 2 Framework of the relationship between carbon emission and temperature rise under the condition of uneven distribution of global carbon dioxide concentration

地表温度是海洋-大气-陆地相互作用中的关键因素[56],区域升温将对海洋、植被吸收CO2的能力产生直接或间接的影响,并最终影响全球大气CO2浓度非均匀分布。海洋作为地球系统中最大的碳库,吸收了自工业革命以来人类因化石燃料使用和水泥生产所造成的CO2排放中的近41%[57],海洋上方的对流层中层CO2柱浓度普遍低于陆地也证明了海洋的碳汇作用[48]。大气CO2在海洋中的固定和储藏是通过一系列复杂的海洋物理和生物化学过程来实现的[58],海水增温会降低CO2溶解度,也会通过影响一系列海洋物理、化学、生物过程抑制CO2吸收,甚至导致海水酸化并进一步抑制CO2吸收[59]。到21世纪末,海表通过化学缓冲机制调节大气CO2的效能预计将接近枯竭[60]。植物光合作用与CO2非均匀分布息息相关[61,62],全球大气CO2浓度在纬度上的分异是由于不同纬度温度、湿度等差异导致植被光合作用强度不同所造成的[63]。此外,地表温度变化也将通过影响区域降水进而对大气CO2浓度产生影响[64,65]。碳离子作为降水形成过程中的凝结核,将促进降水形成,对大气中的CO2进行清除和冲刷;CO2浓度增加还将提高植物净初级生产力（Net Primary Production, NPP）,进一步促进植物对CO2的吸收[24,55]。风的输送也是导致大气CO2浓度非均匀分布的原因之一。人类活动引起的高强度CO2排放导致近地面大气CO2积累,形成与周边地区较大的浓度梯度,进而通过平流、扩散、湍流等过程进行浓度的再分配,最终形成非均匀分布的动态平衡[66]。
人类活动造成的碳排放是导致大气CO2浓度非均匀分布的重要因素之一,其与工业发展一起对能源消耗高度依赖,是大气CO2浓度非均匀分布的主要驱动因子[67]。除工业革命以前土地利用变化对大气CO2浓度造成的影响外,化石燃料燃烧和水泥生产是目前大气CO2主要的来源[68,69]。我国重工业比重和城市化水平每上升1%,人均CO2排放量将上升约1%[70]。经济发展水平是仅次于工业化的影响因素,较高的经济发展水平、较大的第二产业份额以及较高的经济开放水平都将促使区域CO2浓度升高。城镇化水平在影响大气CO2浓度非均匀分布空间格局形成和演变中占比越来越高。在城镇地区,居民收入水平和消费结构影响居民消费人均碳排放水平[71]。此外,较低的经济发展水平会导致能源利用效率降低,从而导致CO2排放升高[72]。城市地区由于更高的人口和建筑密度,导致了交通和取暖燃料燃烧的更高排放[73],更频繁和更大面积的基础设施建设也会导致碳排放量增加[74]。

4 全球大气CO2浓度非均匀分布与地表升温研究评价

本文回顾和梳理了全球大气CO2浓度非均匀分布的发现过程以及与地表升温过程之间的互馈机制,研究评价主要体现在3个方面：
（1）早期关于全球大气CO2浓度分布对地表升温机制的研究大多基于CO2浓度均匀分布展开,但基于全球CO2平均分布设定开展模拟影响评估在学术界存在争议[75]。近年来,来自本底观测站的地基测量数据,分辨率不断提升的模式模拟结果以及各国碳卫星的直观遥感资料都证明了全球大气CO2浓度非均匀动态分布的事实。
（2）受限于数据和模型性能,目前关于大气CO2浓度非均匀动态分布及其与地表升温之间互馈机制的研究大多是在国家或区域尺度展开的,分辨率也受到限制,制约了在全球大气CO2浓度非均匀分布、地表升温以及社会经济系统三者之间的互馈机制方面的深入探究。此外,基于卫星观测数据和模式模拟技术开展大气CO2浓度非均匀分布与地表升温互馈机制方面的研究方兴未艾,碳卫星性能的提高、传感器技术进步以及反演算法的深入研究发展为将来的研究带来了更广阔的视角和更精准的数据支持,为大气CO2浓度非均匀分布与地表升温过程机理研究的深入提供了科技支撑。
（3）目前,结合气候模式与温控阈值情景的大气CO2浓度非均匀分布对地表升温过程影响与适应机制鲜有报道,尤其缺乏统领性的研究成果。学界主要借助于大气CO2浓度年均增长率或RCPs情景驱动的地球系统模式对地表升温过程开展分析,亟需补足大气CO2浓度非均匀分布、地表升温及其对社会经济影响等方面的理论知识。

5 展望

（1）全球大气CO2浓度非均匀动态分布与地表升温过程的互馈机制研究极其复杂,尤其是结合温控阈值情景的探索,是目前气象学和经济学领域亟待解决的关键问题之一,需要未来多学科、多角度交叉的深入研究。
（2）科技部提出要在“十四五”期间“面向我国2030‘碳达峰’、2060‘碳中和’的国家战略,开展我国首颗碳卫星技术成果与效能分析”以及“开展多时频、高精度、多要素、多尺度的下一代碳卫星总体方案与关键技术解决途径”[76]。充分发挥碳卫星技术优势,将为未来大气CO2浓度非均匀分布与地表升温机理研究提供更加丰富的数据,补充了大气CO2浓度非均匀分布、其与温升的互馈机制及其社会经济影响方面的科学理论。
（3）在未来的研究中,开展不同情景下大气CO2浓度非均匀分布对地表升温过程响应的多学科理论探索将为我国及全球气候变化研究带来全新视角,也将为深入研究碳排放对社会、经济所造成的影响提供科技支撑,为实现全球1.5 ℃温控目标和可持续发展提供坚实的理论支持。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
翟盘茂. 全球变暖背景下的气候服务[J]. 气象, 2011, 37(3):257-262.

[Zhai P M. Climate service under climate warming background[J]. Meteorological Monthly, 2011, 37(3):257-262. ]

[2]
徐冠华, 葛全胜, 宫鹏, 等. 全球变化和人类可持续发展:挑战与对策[J]. 科学通报, 2013, 58(21):2100-2106.

[Xu G H, Ge Q S, Gong P, et al. Societal response to challenges of global change and human sustainable development[J]. Chinese Science Bulletin, 2013, 58(21):2100-2106. ]

[3]
葛全胜, 王芳, 王绍武, 等. 对全球变暖认识的七个问题的确定与不确定性[J]. 中国人口·资源与环境, 2014, 24(1):1-6.

[Ge Q S, Wang F, Wang S, et al. Certainty and uncertainty in global warming studies[J]. China Population, Resources and Environment, 2014, 24(1):1-6. ]

[4]
方精云, 朱江玲, 王少鹏, 等. 全球变暖、碳排放及不确定性[J]. 中国科学:地球科学, 2011, 41(10):1385-1395.

[Fang J Y, Zhu J L, Wang S P, et al. Global warming, human-induced carbon emissions, and their uncertainties[J]. SCIENTIA SINICA Terrae, 2011, 41(10):1385-1395. ]

[5]
Steinberger J K, Roberts J T, Peters G P, et al. Pathways of human development and carbon emissions embodied in trade[J]. Nature Climate Change, 2012, 2(2):81-85.

DOI

[6]
Intergovernmental Panel on Climate Change. Climate Change 2013: The Physical Science Basis[R]. Cambridge, United Kingdom and New York, USA: 2013

[7]
Cherubini F, Gasser T, Bright R M, et al. Linearity between temperature peak and bioenergy CO2 emission rates[J]. Nature Climate Change, 2014, 4(11):983-987.

DOI

[8]
Leduc M, Matthews H D, de Elía R. Regional estimates of the transient climate response to cumulative CO2 emissions[J]. Nature Climate Change, 2016, 6(5):474-478.

DOI

[9]
Williams R G, Roussenov V, Goodwin P, et al. Sensitivity of global warming to carbon emissions: Effects of heat and carbon uptake in a suite of Earth system models[J]. Journal of Climate, 2017, 30(23):9343-9363.

DOI

[10]
Li B, Gasser T, Ciais P, et al. The contribution of China's emissions to global climate forcing[J]. Nature, 2016, 531(7594):357-361.

DOI

[11]
吴国雄, 林海, 邹晓蕾, 等. 全球气候变化研究与科学数据[J]. 地球科学进展, 2014, 29(1):15-22.

[Wu G X, Lin H, Zou X L, et al. Research on global climate change and scientific data[J]. Advances in Earth Science, 2014, 29(1):15-22. ]

[12]
Basu S, Krol M, Butz A, et al. The seasonal variation of the CO2 flux over Tropical Asia estimated from GOSAT, CONTRAIL, and IASI[J]. Geophysical Research Letters, 2014, 41(5):1809-1815.

DOI

[13]
陈卓奇, 陈镜明, 郑小谷, 等. 基于大气反演陆地碳通量季节变化信息的模型参数优化研究[J]. 科学通报, 2015, 60(34):3397.

[Chen Z Q, Chen J M, Zheng X G, et al. Optimizing photosynthetic and respiratory parameters based on the seasonal variation pattern in regional net ecosystem productivity obtained from atmospheric inversion[J]. Chinese Science Bulletin, 2015, 60(34):3397. ]

[14]
Friedlingstein P, Meinshausen M, Arora V K, et al. Uncertainties in CMIP 5 climate projections due to carbon cycle feedbacks[J]. Journal of Climate, 2014, 27(2):511-526.

DOI

[15]
Williams R G, Roussenov V, Goodwin P, et al. Sensitivity of global warming to carbon emissions: Effects of heat and carbon uptake in a suite of Earth system models[J]. Journal of Climate, 2017, 30(23):9343-9363.

DOI

[16]
Briegleb B P. Delta eddington approximation for solar radiation in the NCAR Community Climate Model[J]. Journal of Geophysical Research: Atmospheres, 1992, 97(D7):7603-7612.

DOI

[17]
Lobell D B, Burke M B. On the use of statistical models to predict crop yield responses to climate change[J]. Agricultural and forest meteorology, 2010, 150(11):1443-1452.

DOI

[18]
Pruess K. Numerical simulation of CO2 leakage from a geologic disposal reservoir including transitions from super-to sub-critical conditions, and boiling of liquid of CO2[J]. SPE Journal, 2003, 9(2):237-248.

DOI

[19]
Xu T, Apps J A, Pruess K. Numerical simulation of CO2 disposal by mineral trapping in deep aquifers[J]. Applied Geochemistry, 2004, 19(6):917-936.

DOI

[20]
Wang Y, Feng J, Dan L, et al. The impact of uniform and nonuniform CO2 concentrations on global climatic change[J]. Theoretical and Applied Climatology, 2020, 139(1-2):45-55.

DOI

[21]
符传博, 丹利, 冯锦明, 等. 我国对流层二氧化碳非均匀动态分布特征及其成因[J]. 地球物理学报, 2018, 61(11):4373-4382.

[Fu C B, Dan L, Feng J M, et al. Temporal and spatial heterogeneous distribution of tropospheric CO2 over China and its possible genesis [J]. Chinese Journal of Geophysics, 2018, 61(11):4373-4382. ]

[22]
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.

[Liu L X, Zhou L X, Zhang X C, et al. Variation characteristics of atmospheric CO2 concentration at four national background stations in China [J]. Science in China Series D: Earth Sciences, 2009, 39(2):222-228. ]

[23]
Cheng Y L, Aa X Q, Yun F H, et al. Simulation of CO2 variations at Chinese background atmospheric monitoring stations between 2000 and 2009: Applying a Carbon Tracker model[J]. Chinese Science Bulletin, 2013, 58(32):3986-3993.

DOI

[24]
杨成荫, 王汉杰, 韩士杰, 等. 大气CO2浓度非均匀动态分布条件下的气候模拟[J]. 地球物理学报, 2012, 55(9):2809-2825.

[Yang C Y, Wang H J, Han S J, et al. Climate simulation for dynamic heterogeneous distribution of atmospheric CO2 concentration [J]. Chinese Journal of Geophysics, 2012, 55(9):2809-2825. ]

[25]
Zhang X, Li X, Chen D, et al. Overestimated climate warming and climate variability due to spatially homogeneous CO2 in climate modeling over the Northern Hemisphere since the mid-19th century[J]. Scientific reports, 2019, 9(1):1-9.

[26]
Liu N, Ma J, Xu W, et al. A modeling study of the regional representativeness of surface ozone variation at the WMO/GAW background stations in China[J]. Atmospheric Environment, 2020: 117672.

[27]
周凌晞, 刘立新, 张晓春, 等. 我国温室气体本底浓度网络化观测的初步结果[J]. 应用气象学报, 2008, 19(6):641-645.

[Zhou L X, Liu L X, Zhang X C, et al. Preliminary results on network observation of greenhouse gases at China GAW stations[J]. Journal of Applied Meteorological Science, 2008, 19(6):641-645. ]

[28]
Fang S X, Zhou L X, Tans P P, et al. In situ measurement of atmospheric CO2 at the four WMO/GAW stations in China[J]. Atmospheric Chemistry and Physics, 2014, 14(5):2541-2554.

DOI

[29]
Wang J, Feng L, Palmer P I, et al. Large Chinese land carbon sink estimated from atmospheric carbon dioxide data[J]. Nature, 2020, 586(7831):720-723.

DOI

[30]
岳超, 胡雪洋, 贺灿飞, 等. 1995—2007年我国省区碳排放及碳强度的分析——碳排放与社会发展Ⅲ[J]. 北京大学学报(自然科学版), 2010, 46(4):510-516.

[Yue C, Hu X Y, He C F, et al. Provincial carbon emissions and carbon intensity in China from 1995 to 2007 (Carbon emissions and social development, Ⅲ)[J]. Acta Scientiarum Naturalium University Pekinensis, 2010, 46(4):510-516. ]

[31]
张兴赢, 张鹏, 方宗义, 等. 应用卫星遥感技术监测大气痕量气体的研究进展[J]. 气象, 2007(7):3-14.

[Zhang X Y, Zhang P, Fang Z Y, et al. The progress in trace gas remote sensing study based on the satellite monitoring[J]. Meteorological Monthly, 2007(7):3-14. ]

[32]
刁一伟, 黄建平, 刘诚, 等. 长江三角洲地区净生态系统二氧化碳通量及浓度的数值模拟[J]. 大气科学, 2015, 39(5):849-860.

[Diao Y W, Huang J P, Liu C, et al. A modeling study of CO2 flux and concentrations over the Yangtze River Delta using the WRF-GHG model [J]. Chinese Journal of Atmospheric Sciences, 2015, 39(5):849-860. ]

[33]
Pillai D, Buchwitz M, Gerbig C, et al. Tracking city CO2 emissions from space using a high-resolution inverse modeling approach: A case study for Berlin, Germany[J]. Atmospheric Chemistry and Physics, 2016, 16(15):9591-9610.

DOI

[34]
Zhao X, Marshall J, Hachinger S, et al. Analysis of total column CO2 and CH4 measurements in Berlin with WRF-GHG[J]. Atmospheric Chemistry and Physics, 2019, 19(17):11279-11302.

DOI

[35]
Kou X, Tian X, Zhang M, et al. Accounting for CO2 variability over East Asia with a regional joint inversion system and its preliminary evaluation[J]. Journal of Meteorological Research, 2017, 31(5):834-851.

DOI

[36]
Afrizal T, Surussavadee C. High-Resolution climate simulations in the tropics with complex terrain employing the CESM/WRF Model[J]. Advances in Meteorology, 2018:1-15.

[37]
Navarro A, Moreno R, Tapiador F J. Improving the representation of anthropogenic CO2 emissions in climate models: A new parameterization for the Community Earth System Model (CESM)[J]. Earth System Dynamics Discussions, 2018:1-26.

[38]
Keppel-Aleks G, Randerson J T, Lindsay K, et al. Atmospheric carbon dioxide variability in the Community Earth System Model: Evaluation and transient dynamics during the twentieth and twenty-first centuries[J]. Journal of Climate, 2013, 26(13):4447-4475.

DOI

[39]
Huang Z, Peng Z, Liu H, et al. Development of CMAQ for East Asia CO2 data assimilation under an EnKF framework: A first result[J]. Chinese science bulletin, 2014, 59(25):3200-3208.

DOI

[40]
Li R, Zhang M, Chen L, et al. CMAQ simulation of atmospheric CO2 concentration in East Asia: Comparison with GOSAT observations and ground measurements[J]. Atmospheric Environment, 2017, 160:176-185.

DOI

[41]
Kou X, Zhang M, Peng Z. Numerical simulation of CO2 concentrations in East Asia with RAMS-CMAQ[J]. Atmospheric and Oceanic Science Letters, 2013, 6(4):179-184.

DOI

[42]
Chevillard A, Karstens U, Ciais P, et al. Simulation of atmospheric CO2 over Europe and western Siberia using the regional scale model REMO[J]. Tellus B: Chemical and Physical Meteorology, 2002, 54(5):872-894.

DOI

[43]
麦博儒, 邓雪娇, 安兴琴, 等. 基于碳源汇模式系统Carbon Tracker的广东省近地层典型CO2过程模拟研究[J]. 环境科学学报, 2014, 34(7):1833-1844.

[Mai B R, Deng X J, An X Q, et al. Simulation of typical surface CO2 cases over Guangdong region base on Carbon Tracker numerical model [J]. Acta Scientiae Circumstantiae, 2014, 34(7):1833-1844.]

[44]
Xie X, Huang X, Wang T, et al. Simulation of Non-Homogeneous CO2 and Its Impact on Regional Temperature in East Asia[J]. Journal of Meteorological Research, 2018, 32(3):456-468.

DOI

[45]
Yang C Y, Wang H J, Zhao S X, et al. Exaggerated climate warming on the assumption of uniform atmospheric CO2 concentration[J]. Applied Ecology and Environmental Research, 2018, 16:3711-3728.

DOI

[46]
Ahmadov R, Gerbig C, Kretschmer R, et al. Comparing high resolution WRF-VPRM simulations and two global CO2 transport models with coastal tower measurements of CO2[J]. Biogeosciences, 2009, 6(5):807-817.

DOI

[47]
陈良富, 张莹, 邹铭敏, 等. 大气CO2浓度卫星遥感进展[J]. 遥感学报, 2015, 19(1):1-11.

[Chen L F, Zhang Y, Zou M M, et al. Overview of atmospheric CO2 remote sensing from space [J]. Journal of Remote Sensing, 2015, 19(1):1-11. ]

[48]
符传博, 丹利. 全球对流层中层二氧化碳柱浓度数据集(2003-2015)[J]. 全球变化数据学报(中英文), 2019, 3(2):149-154,215-220.

[Fu C B, Dan L. Carbon dioxide column data in the mid-troposphere (2003-2015)[J]. Global Change Research Data Publishing & Repository, 2019, 3(2):149-154,215-220. ]

[49]
邓安健, 郭海波, 胡洁, 等. GOSAT卫星数据监测中国大陆上空CO2浓度时空变化特征[J]. 遥感学报, 2020, 24(03):319-325.

[Deng A J, Guo H B, Hu J, et al. Analysis of temporal and distribution characteristic of CO2 concentration over China based on GOSAT satellite data [J]. Journal of Remote Sensing (Chinese), 2020, 24(03):319-325. ]

[50]
李丽, 张丽, 燕琴, 等. 基于GOSAT数据集的全球碳通量分析[J]. 地理与地理信息科学, 2014, 30(1):91-96,2.

[Li L, Zhang L, Yan Q, et al. Analysis of global carbon fluxes based on GOSAT datasets[J]. Geography and Geo-Information Science, 2014, 30(1):91-96,2. ]

[51]
赵静, 崔伟宏. 中国区域近地面CO2时空分布特征研究[J]. 地球信息科学学报, 2014, 16(2):207-213.

DOI

[Zhao J, Cui W H. Spatial and Temporal Distribution Characteristics of CO2 Column Concentration in China from 2009 to 2010 [J]. Journal od Geo-information Science, 2014, 16(2):207-213. ]

[52]
何江浩, 蔡玉林, 秦鹏. 二氧化碳的时空变化规律与影响因素分析[J]. 科学通报, 2020, 65(Z1):194-202.

[He J H, Cai Y L, Qin P. Spatial and temporal variations of carbon dioxide and its influencing factors. Chinese Science Bulletin, 2020, 65(Z1):194-202. ]

[53]
Yang D, Liu Y, Cai Z, et al. First global carbon dioxide maps produced from TanSat measurements[J]. Advances in Atmospheric Sciences, 2018, 35(6):621-623.

DOI

[54]
Fischer E M, Knutti R. Anthropogenic contribution to global occurrence of heavy-precipitation and high-temperature extremes[J]. Nature Climate Change, 2015, 5(6):560-564.

[55]
Schimel D, Stephens B B, Fisher J B. Effect of increasing CO2 on the terrestrial carbon cycle[J]. Proceedings of the National Academy of Sciences, 2015, 112(2):436-441.

DOI

[56]
Long S M, Hu K M, Li G, et al. Surface Temperature Changes Projected by FGOALS Models under Low Warming Scenarios in CMIP5 and CMIP6[J]. Advances in Atmospheric Sciences, 2021, 38:203-220.

DOI

[57]
焦念志, 李超, 王晓雪. 海洋碳汇对气候变化的响应与反馈[J]. 地球科学进展, 2016, 31(7):668-681.

[Jiao N Z, Li C, Wang X X. Response and feedback of marine carbon sink to climate change[J]. Advances in Earth Science, 2016, 31(7):668-681. ]

[58]
Jiao N, Herndl G J, Hansell D A, et al. Microbial production of recalcitrant dissolved organic matter: long-term carbon storage in the global ocean[J]. Nature Reviews Microbiology, 2010, 8(8):593-599.

DOI

[59]
张含. 大气二氧化碳、全球变暖、海洋酸化与海洋碳循环相互作用的模拟研究[D]. 杭州:浙江大学, 2018.

[Zhang H. A modeling study of interactive feedbacks between carbon dioxide, global warming, ocean acidification, and the ocean carbon cycle[D]. Hangzhou: Zhejiang University, 2018. ]

[60]
Zhai W. Quantifying air-seare-equilibration-implied ocean surface CO2 accumulation against recent atmospheric CO2 rise[J]. Journal of Oceanography, 2016, 72(4):651-659.

DOI

[61]
Briber B M, Hutyra L R, Dunn A L, et al. Variations in atmospheric CO2 mixing ratios across a Boston, MA urban to rural gradient[J]. Land, 2013, 2(3):304-327.

DOI

[62]
Chaudhari P R, Gajghate D G, Dhadse S, et al. Monitoring of environmental parameters for CO2 sequestration: A case study of Nagpur City, India[J]. Environmental Monitoring and Assessment, 2007, 135:281-290.

PMID

[63]
Forkel M, Carvalhais N, Rödenbeck C, et al. Enhanced seasonal CO2 exchange caused by amplified plant productivity in northern ecosystems[J]. Science, 2016, 351(6274):696-699.

DOI

[64]
Huang P, Xie S P, Hu K, et al. Patterns of the seasonal response of tropical rainfall to global warming[J]. Nature Geoscience, 2013, 6(5):357-361.

DOI

[65]
Long S M, Xie S P, Liu W. Uncertainty in tropical rainfall projections: atmospheric circulation effect and the ocean coupling[J]. Journal of Climate, 2016, 29(7):2671-2687.

DOI

[66]
黄晓娴. 城市二氧化碳特征及区域非均匀分布对气候的影响[D]. 南京:南京大学, 2015.

[Huang X X. Characteristics of atmospheric carbon dioxide in urban area and the influence of the regionally in homogeneously distribution on climate[D]. Nanjing: Nanjing University, 2015. ]

[67]
赵领娣, 吴栋. 中国能源供给侧碳排放核算与空间分异格局[J]. 中国人口·资源与环境, 2018, 28(2):48-58.

[Zhao L D, Wu D. Carbon emission accounting and spatial heterogeneity pattern of China's energy supply side[J]. China Population, Resources and Environment, 2018, 28(2):48-58. ]

[68]
涂正革, 谌仁俊. 工业化、城镇化的动态边际碳排放量研究——基于LMDI“两层完全分解法”的分析框架[J]. 中国工业经济, 2013(9):31-43.

[Tu Z G, Shen R J. Industrialization's, urbanization's dynamic marginal carbon emissions-The analytical framework based on LMDI "wo-level perfect decomposition" method[J]. China Industrial Economics, 2013(9):31-43.]

[69]
Pongratz J, Caldeira K. Attribution of atmospheric CO2 and temperature increases to regions: importance of preindustrial land use change[J]. Environmental research letters, 2012, 7(3):034001.

DOI

[70]
杜立民. 我国二氧化碳排放的影响因素:基于省级面板数据的研究[J]. 南方经济, 2010(11):20-33.

[Du L M. Impact factors of China's carbon dioxide emissions provincial panel data analysis[J]. South China Journal of Economics, 2010(11):20-33. ]

[71]
史琴琴, 鲁丰先, 陈海, 等. 中原经济区城镇居民消费间接碳排放时空格局及其影响因素[J]. 资源科学, 2018, 40(6):1297-1306.

[Shi Q Q, Lu X F, Chen H, et al. Temporal-spatial patterns and factors affecting indirect carbon emissions from urban consumption in the Central Plains Economic Region[J]. Resources Science, 2018, 40(6):1297-1306. ]

[72]
Liu Y, Chen Z M, Xiao H, et al. Driving factors of carbon dioxide emissions in China: An empirical study using 2006-2010 provincial data[J]. Frontiers of Earth Science, 2017, 11(1):156-161.

DOI

[73]
Bergeron O, Strachan I B. CO2 sources and sinks in urban and suburban areas of a northern mid-latitude city[J]. Atmospheric Environment, 2011, 45(8):1564-1573.

DOI

[74]
Górka M, Lewicka-Szczebak D. One-year spatial and temporal monitoring of concentration and carbon isotopic composition of atmospheric CO2 in a Wrocław (SW Poland) city area[J]. Applied Geochemistry, 2013, 35:7-13.

DOI

[75]
邓祥征, 丹利, 叶谦, 等. 碳排放和减碳的社会经济代价研究进展与方法探究[J]. 地球信息科学学报, 2018, 20(4):405-413.

DOI

[Deng X Z, Dan L, Ye Q, et al. Methodological framework and research progress on the social and economic costs of carbon emission and reduction[J]. Journal of Geo-information Science, 2018, 20(4):405-413. ]

[76]
国家科技管理信息系统公共服务平台. 关于对“十四五”国家重点研发计划“氢能技术”等18个重点专项2021年度项目申报指南征求意见的通知[EB/OL]. https://serv-ice.most.gov.cn/kjjh_tztg_all/20210201/4186.html, 2021-02-01.

[National Science and Technology Information System, Public Service Platform. Notice on soliciting opinions on 2021 project application guidelines for 18 key special projects including "hydrogen energy technology" in the national key research and development program of the 14th five year plan [EB/OL]. https://service.most.gov.cn/kjjh_tztg_all/20210201/4186.html, 2021-02-01. ]

Options
文章导航

/

〈 〉