Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2022 , Vol. 41 >Issue 1: 106 - 116

DOI: https://doi.org/10.11978/2021030

Marine Meteorology

Multi-linear regression of partial pressure of sea-surface carbon dioxide in the South China Sea and its mechanism

  • QIU Shuang , 1, 2 ,
  • YE Haijun 1, 3 ,
  • ZHANG Yuhong , 1, 2, 3 ,
  • TANG Shilin 1, 2, 3
Expand
  • 1. State Key Laboratory of Tropical Oceanography, South China Sea Institute of Oceanology, Chinese Academy of Sciences, Guangzhou 510301, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Southern Marine Science and Engineering Guangdong Laboratory (Guangzhou), Guangzhou 511458, China
ZHANG Yuhong. email:

Copy editor: YAO Yantao

Received date: 2021-03-04

  Revised date: 2021-04-08

  Online published: 2021-04-29

Supported by

Strategic Priority Research Program of the Chinese Academy of Sciences(XDA13010404)

National Natural Science Foundation of China(41806146)

National Natural Science Foundation of China(41976024)

National Natural Science Foundation of China(41830538)

Key Special Project for Introduced Talents Team of Southern Marine Science and Engineering Guangdong Laboratory (Guangzhou)(GML2019ZD0302)

Key Special Project for Introduced Talents Team of Southern Marine Science and Engineering Guangdong Laboratory (Guangzhou)(GML2019ZD0303)

“Guangdong TeZhi Plan” Local Innovation and Entrepreneurship Team(2019BT02H594)

Fold

Abstract

The partial pressure of carbon dioxide (pCO2) refers to the content of CO2 gas at the sea surface when the CO2 exchange between the sea surface and atmosphere is in dynamic equilibrium, which is an important factor to calculate air-sea CO2 flux. Based on the observations of pCO2 covering most of the South China Sea (SCS) from 2008 to 2014, combined with in-situ observations of sea-surface temperature (SST), sea-surface salinity (SSS) and Modis-Aqua satellite observations of chlorophyll a (Chla), we construct a regional inversion of sea-surface pCO2 based on a multi-linear regression method. The root mean square error is estimated to be 5.3 μatm in the area with depth shallower than 30 m, and 10.8 μatm in the remaining sea area, which are consistent with previous results based on cruise observations. Using the equation acquired from our method and combining with the HYbrid Coordinate Ocean Model (HYCOM) reanalysis SST and SSS data and MODIS-Aqua remote sensing Chla data, we obtained monthly sea-surface pCO2 of the SCS from 2004 to 2016 with spatial resolution of 5'×5'. The data can well reflect the seasonal variation of sea-surface pCO2 in the SCS under the influence of SST, which is high in spring and summer, and low in autumn and winter. These findings are similar to previous results based on cruise observations, indicating our method has rather high reliability. Further analysis shows the average sea-surface pCO2 of the SCS and adjacent sea areas has a significant quasi-decadal oscillation: a minimum value appeared around 2011, which first showed a decreasing trend and then an increasing trend. Due to the influence of sea-surface pCO2, the average air-sea CO2 flux in the SCS and adjacent areas decreased significantly before 2012, and changed into negative values during winter, then changed slowly since 2012. The variation of SSS in the SCS caused by the Pacific Decadal Oscillation is the main reason for the quasi-decadal oscillation of sea-surface pCO2 and air-sea CO2 fluxes. Our results indicate the variation of sea-surface pCO2 in the northern SCS is the most significant, which plays an important role in the seasonal and quasi-decadal oscillation of pCO2 in the whole area.

Key words： South China Sea; sea-surface pCO2 inversion; air-sea CO2 flux; sea-surface salinity; quasi-decadal oscillation

Cite this article

QIU Shuang , YE Haijun , ZHANG Yuhong , TANG Shilin . Multi-linear regression of partial pressure of sea-surface carbon dioxide in the South China Sea and its mechanism[J]. Journal of Tropical Oceanography, 2022 , 41(1) : 106 -116 . DOI: 10.11978/2021030

过去研究表明, 海洋吸收了大量人类产生的二氧化碳(CO2)。换而言之, 海洋是非常重要的人类排放CO2的储存库或碳汇, 其存储能力一直是研究海洋CO2的核心科学问题。如: 为了避免全球增暖, 依靠海洋来有效地储存CO2究竟能够持续多久?要回答这个问题, 首先要了解海-气界面CO2的交换能力, 海表CO2分压(pCO2)是其主要描述因子。自从工业革命以来, 大气CO2持续升高, 从1850年到现在增加了近1.5倍(从280ppm至410ppm)(Dlugokencky et al, 2021)。在RCP 8.5 的排放情景下, 模式预测到2100年, 大气pCO2最高会升至930ppm(Ciais et al, 2013)。另一方面, 世界大洋吸收了大量排放到空气中的CO2, 使海水酸度增加, 并减弱碳酸盐系统的缓冲容量, 降低海洋进一步吸收大气CO2的能力, 从而影响生态系统(Mostofa et al, 2016)。
边缘海面积占全球海洋面积的8%, 其初级生产力却占到了28%, 具有很大的固碳潜力(Laruelle et al, 2014, 2018)。但由于边缘海海洋动力过程复杂, 且受生态系统的影响更为显著, 其碳循环系统及其变化过程表现更为复杂(Fassbender et al, 2018; Woosley, 2018)。南海是西北太平洋最大的边缘海, 在全球气候变化下, 探究南海碳通量变化趋势具有重要的科学意义。以往南海海表pCO2的时空分布及海-气CO2通量研究多以实测资料分析为主, 模型反演研究受观测资料的时间和空间局限性影响显著。基于2000—2018年47个航次资料的分析, Li等(2020)将南海分成5个区域分别进行研究, 区域面积加权平均得到南海海-气CO2通量的季节变化, 其中春季CO2通量为0.9±0.9mmol·m-2·d-1, 夏季为2.5±1.4mmol·m-2·d-1, 秋季为1.9±1.1mmol·m-2·d-1, 冬季为-1.1±2.2mmol·m-2·d-1。南海年平均海-气CO2通量为1.2±1.7mmol·m-2·d-1, 估算得到南海每年向大气释放13±19百万吨碳。这个数值显著小于前人研究结果, 其原因主要是两者所用的数据不同(Zhai et al, 2013; Li et al, 2020)。另外, 研究得到南海区域碳排放量的不确定性高达19百万吨, 与有限区域调查数据的外推所引入的不确定性有关(Wang et al, 2014)。
南海海表pCO2受多种动力过程和生物作用的影响。根据物质交换发生的界面不同, 南海海盆和北部陆架区分别为大洋主控型边缘海(OceMar)和河流主控型陆架海(RiOMar)(Dai et al, 2013, 2009)。黑潮水入侵吕宋海峡, 进入南海北部, 造成局地海-气CO2通量变化(翟惟东, 2015)。越南东部海域表层海水受湄公河高pCO2淡水的影响, 形成较高的CO2源区(许欣 等, 2016)。姜亦飞等(2014)通过对南海东北部春季海表pCO2的研究, 发现陆架区因受珠江冲淡水、沿岸上升流及生物活动的影响而呈现CO2的强汇特征。此外, 台风过境时的降雨和强垂直混合, 及其与中尺度涡的相互作用, 也对海表pCO2的分布有极大影响(Sun et al, 2014; Ye et al, 2017)。上升流改变表层营养盐、海温和溶解无机碳的含量, 使得局部海区海表pCO2呈现复杂变化(Dai et al, 2013; Jiao et al, 2014)。另有研究显示南海CO2通量的年际变化还与厄尔尼诺相关(Sheu et al, 2010)。三亚鹿回头岸礁海域的pCO2和海-气CO2通量季节变化显著, 主要受生物过程控制(Yan et al, 2016)。西沙岛礁的海-气pCO2分压差(∆pCO2)主要受生物代谢过程控制, 钙化和呼吸作用对∆pCO2起促进作用(Dai et al, 2009)。
2009年以来, 国内学者基于简单数据拟合、神经网络模型以及半分析模型, 建立了南海北部海表pCO2遥感反演模型(Liu et al, 2009; Zhu et al, 2009; Jo et al, 2012; Lu et al, 2017)。基于2004年夏季南海北部两个航次实测的海表pCO2资料, Zhu等(2009)建立了海表温度与叶绿素a浓度的双参数经验算法, 其均方根误差为4.6μatm; Jo等(2012)在增加2个航次的基础上, 根据四参数(海表温度、叶绿素a浓度、经度和纬度)构建了南海北部海表pCO2神经网络算法, 其均方根误差为6.9μatm; Lu等(2017)认为南海海表pCO2主要受海表温度的控制, 构建了一个由海表温度控制的海表pCO2经验反演模型; 吕航宇等(2018)结合热力学作用、水平混合和生物作用, 建立了珠江口夏季海表pCO2半分析遥感反演模型, 其结果与实测资料相符。以上模型均能较好地反演某一时段海表pCO2的空间分布, 但由于模型构建所用的数据资料较少, 故模型的适用范围较窄。
近年来国内外学者广泛关注碳通量研究, 而在Global Ocean Data Analysis Project(GLODAP)和Surface Ocean CO2 Atlas(SOCAT)数据集中, 南海海表pCO2资料几乎为空白(Rödenbeck et al, 2013; Denvil-Sommer et al, 2018), 因此这两个全球数据集的格点化产品可靠性大打折扣, 亟需开发能够较好地体现南海区域海洋动力特征的海表pCO2反演算法。
本文利用2008—2014年覆盖南海大部分海区的实测海表pCO2数据, 结合同航次现场观测的海表温度和海表盐度数据, 以及水平网格匹配后的卫星观测叶绿素a数据, 利用多元线性回归方法构建了能够较好地体现南海区域海洋动力特征的海表pCO2经验算法。在此基础上, 结合高分辨率海洋再分析资料的海表温度、海表盐度和卫星观测叶绿素a数据, 反演了南海海表pCO2。最后结合卫星融合风场资料和大气pCO2资料计算得到海-气CO2通量, 并分析了南海及邻近海域的平均海表pCO2和海-气CO2通量变化。

1 数据来源和处理方法

1.1 pCO2数据

本文所用到的南海海表pCO2历史资料主要来源于两个部分: 国际共享资料和中国科学院南海海洋研究所参加国家基金委共享航次调查所得数据。2008—2014年总计获得28206组海表pCO2观测资料, 分布如图1所示。
图1 2008—2014年南海pCO2走航观测资料

本图基于国家标准地图服务网站下载的审图号为GS(2016)2935号的标准地图制作

a. 2008—2014年航迹图; b. 各航次采集的海表pCO2(单位: μatm)

Fig. 1 Historical pCO2 observational data in the South China Sea. (a) Cruise information during 2008 to 2014; (b) sea-surface pCO2 (units: μatm)

其中, 2008—2009年的国际共享资料下载自网站Pacific Marine Environmental Laboratory(PMEL; https://www.pmel.noaa.gov/co2), 数据包括CO2逸度(fCO2)、海表温度(SST)、海表盐度(SSS)及地理位置和时间信息。为了契合目前主流研究, 本文按照如下公式将fCO2转换成pCO2(Denvil-Sommer et al, 2018):
$f\text{C}{{\text{O}}_{2}}=p\text{C}{{\text{O}}_{2}}\exp \left( p\frac{B+2\delta }{RT} \right)$
式中, p代表大气压; R代表气体常数, R=8.314J·K-1; T代表绝对温度; 系数B=(-1636.75+12.040× T-3.27957×T2×10-2+3.16528×T3×10-5)×10-6; 系数δ=(57.7-0.118×T)×10-6。
2010—2014年国家基金委共享航次获取的资料是由GO-8050观测仪器测量得到的xCO2, 即干空气中CO2的摩尔比值。参照Zhai等(2005)的数据处理步骤, 根据海表温度和海表盐度, 将xCO2转换为pCO2。校正后得到的观测资料数量、观测时间及仪器信息等见表1。观测月份覆盖了春、秋、冬三季, 有效覆盖了14°N以北的南海北部区域, 2011年、2013年和2014年南海中西部跨越南北的断面观测有效改善了南海南部观测不足的问题。
表1 2010—2014年国家基金委共享航次获得的南海海表层pCO2资料统计

Tab. 1 Information of sea-surface pCO2 observations in the South China Sea

年份 仪器 月份 原始数据量/组
2008 PMEL 9、10、12 1634
2009 PMEL 1 223
2010 GO-8050 9 5187
2011 GO-8050 4、5 6445
2012 GO-8050 10 2519
2013 GO-8050 3、5 3246
2014 GO-8050 4、5 8952
合计 / / 28206
本文的大气pCO2采用Rödenbeck等(2013)的大气pCO2资料, 时间跨度为1957年至2019年, 空间分辨率为2°×2.5°的逐日数据, 数据下载网址为 http://www.bgc-jena.mpg.de/SOCOM/。

1.2 海-气CO2通量计算

海-气CO2通量(${{F}_{\text{C}{{\text{O}}_{2}}}}$)主要通过如下块体方程(Wanninkhof, 2014)计算得到:
${{F}_{\text{C}{{\text{O}}_{2}}}}=k\times K_{H}^{{}}\left( p\text{CO}_{2}^{\text{sea}}-p\text{CO}_{2}^{\text{air}} \right)$
式中, $p\text{CO}_{2}^{\text{sea}}$是海表CO2的分压(单位: μatm); $p\text{CO}_{2}^{\text{air}}$是大气CO2的分压(单位: μatm); k是海气界面CO2气体交换速率(单位: cm·h–1), 与风速相关; KH是在给定温度和盐度条件下CO2在海水中的溶解度(单位: mol·L–1·atm–1), KH可采用如下公式计算得到:
$\begin{align} & \ln {{K}_{\text{H}}}\text{=}-58.0931+90.5069\times \left( \frac{100}{T} \right)+22.2940\times \ln \left( \frac{T}{100} \right)+ \\ & S\times \left[ 0.027766-0.025888\times \left( \frac{T}{100} \right)+0.0050578\times {{\left( \frac{T}{100} \right)}^{2}} \right] \\ \end{align}$
式中, T为海表温度(单位: K), S为海表盐度(单位: ‰)。
海气界面CO2气体交换速率k的估算方法有多种, 其中最常用的为Wanninkhof(2014)提出的公式:
$k=0.251\times u_{10}^{2}{{\left( {{S}_{C}}/660 \right)}^{-0.5}}$
式中, u10是海面10m处的风速(单位: m·s-1), 本文使用Cross-Calibrated Multiplatform(CCMP)的月平均风速资料(Atlas et al, 2011), 数据水平分辨率为15'×15', 时间跨度为1987年至今, 数据下载网址为ftp://data.remss.com/measurements/ccmp/。SC是关于海表温度(单位:℃)的方程:
$\begin{align} & {{S}_{C}}=2116.8-136.25\times \text{SST}+4.7353\times \text{SS}{{\text{T}}^{2}}-0.092307\times \\ & \ \ \ \ \ \ \ \text{SS}{{\text{T}}^{3}}+0.0007555\times \text{SS}{{\text{T}}^{4}} \\ \end{align}$
根据以上公式可计算得到海-气CO2通量, 具体用到的海表温度和海表盐度数据均为HYbrid Coordinate Ocean Model(HYCOM)模式再分析资料, 水平分辨率为5'×5', 时间跨度为2003年底至2018年, 下载自ftp://ftp.hycom.org/datasets/GLBa0.08/, 本文采用了2004—2016年的HYCOM月平均数据。若海表pCO2大于大气pCO2, ${{F}_{\text{C}{{\text{O}}_{2}}}}$为正, 海洋向大气释放CO2, 此时海洋为碳源; 反之, 若海表pCO2小于大气pCO2, ${{F}_{\text{C}{{\text{O}}_{2}}}}$为负, 海洋吸收大气CO2, 此时海洋为碳汇。

2 结果分析

2.1 南海pCO2的反演算法

考虑到不同水深海洋动力过程和生态过程的差异, 进一步按照ETOPO5地形数据(下载自 https:// www.ngdc.noaa.gov/mgg/global/global.html)将南海分成水深浅于30m和水深深于30m的两个区域进行反演。在浅水区, 海洋生态过程的影响较为显著, 反演结果对海表盐度和叶绿素a的变化较为敏感; 在深水区, 反演结果对叶绿素a的变化敏感度较低。故在浅水区, 将分辨率为4×4km的MODIS-Aqua卫星叶绿素a数据(下载自 https://oceancolor.gsfc.nasa.gov/cgi/l3)与观测的海表pCO2进行网格配对, 然后再利用网格配对后的叶绿素a和实测的海表温度、海表盐度这3个变量进行浅水区的海表pCO2反演; 深水区则仅利用实测的海表温度和海表盐度对海表pCO2进行反演。
用于浅水区反演的观测数据因受卫星叶绿素a数据缺失影响, 仅有98组数据实现成功配对。其中68组数据用于反演模型的构建, 另外30组数据用于反演结果的验证。深水区共有1034组数据用于反演模型的构建, 444组数据用于反演结果的验证。进一步采用多元线性回归方法, 可得到南海分区域的海表pCO2经验算法。
浅水区(水深≤30m):
$p\text{C}{{\text{O}}_{2}}=-641.63+7.58\times \text{SST}+24.52\times \text{SSS}-2.5\times \lg (\text{Chl}a)$
深水区(水深>30m):
$\begin{align} & p\text{C}{{\text{O}}_{2}}=-986.54+8.66\times \text{SST}+31.40\times \text{SSS}+ \\ & \ \ \ \ \ \ \ \ \ \ \ 0.10\times \text{SST}\times \text{SSS} \\ \end{align}$
反演结果如图2所示, 浅水区的相关系数(R2)为0.85, 均方根误差(Root Mean Square Error, RMSE)为5.3μatm; 深水区R2=0.64, RMSE=10.8μatm。浅水区配对后的观测资料较少, 均方根误差相对较小, 深水区的误差略大, 但考虑到观测资料覆盖的时间跨度和空间分布都较以往的相关研究工作更长、更广, 小于11μatm的均方根误差达到甚至超越了目前南海的研究水平(Zhu et al, 2009; Jo et al, 2012)。
图2 多元线性回归pCO2结果与pCO2观测结果的比较

a. 浅水区(水深≤30m); b. 深水区(水深>30m)。红色圆圈代表模型构建数据, 蓝色圆圈代表模型验证数据

Fig. 2 Comparison of multi-linear regression pCO2 results and in-situ pCO2 observations. (a) Water depth less than 30 m; (b) deeper than 30 m. The red circle represents the model construction, and the blue circle represents the model validation

2.2 反演结果分析及验证

本文利用多元线性回归得到的经验模型, 结合HYCOM模式再分析的海表温度和海表盐度数据, 以及MODIS-Aqua卫星叶绿素a资料进行南海全区域2004—2016年的海表pCO2反演。HYCOM模式广泛适用于大洋和区域海洋的研究, 能较好地模拟南海的动力过程(韩玉康 等, 2016; Yang et al, 2019)。
反演得到的南海海表pCO2气候态季节平均分布如图3所示。由图可知, 南海开阔海区海表pCO2 较高, 北部湾及珠江河口、湄公河口海表pCO2较低,反映了春季和夏季的生物CO2吸收和增温、秋季的通风以及冬季的垂直混合和冷却对海表pCO2的影响(Li et al, 2020)。吕宋海峡全年海表pCO2较高, 主要是受到高温高盐的黑潮水影响。
图3 南海及邻近海域海表pCO2(填色; 单位: μatm)和海表温度(等值线; 单位: ℃)的气候态季节平均分布

本图基于国家标准地图服务网站下载的审图号为GS(2016)2935号的标准地图制作

Fig. 3 Seasonal distributions of sea-surface pCO2 (shading; μatm) and sea-surface temperature (SST; contour; ℃) of the South China Sea

基于反演得到的海表pCO2资料, 本文进一步分析南海及其邻近海域平均海表pCO2随时间的变化情况(图4a)。由于南海是季风主导的海域, 海表各要素均表现出非常显著的季节变化特征(图4b—d)。海表pCO2的季节变化整体上受海表温度的影响, 表现为春夏高、秋冬低(图4a、4b), 海表盐度的影响次之(图4a、4c)。受季风降水和通过吕宋海峡的黑潮高盐水输送的影响, 海表盐度的季节变化与海表pCO2相反, 高值出现在东北季风盛行的1—2月份, 低值出现在梅雨季的6—8月份(邱春华 等, 2009; Qu et al, 2000; 陈海花 等, 2015)。在本研究所构建的经验模型中, 温度系数和盐度系数的比为1:3至1:4, 而南海区域季节温度差约为1.5℃, 是盐度季节差值(0.2‰)的7倍以上, 所以温度的季节变化主导了南海pCO2的变化, 与前人研究结果较为一致(Zhai et al, 2013; Li et al, 2020)。值得注意的是, 尽管本研究中季节尺度上盐度的变化没有温度变化显著, 但南海海表盐度的影响在更长时间尺度上仍是不可忽视的。
图4 南海海表pCO2(a)、海表温度(b)、海表盐度(c)和叶绿素a(d)的时间序列
和c中叠加了太平洋年代际振荡指数(IPO); 黑线为原始数据, 蓝线为低频结果(7年低通滤波), 棕线为IPO指数

图a Time series of sea-surface pCO2 (a), SST (b), sea-surface salinity (c) and chlorophyll a (d). (a) and (c) are superposed with the Pacific Interdecadal Oscillation (IPO) index. The black line is the original data, the blue line is the low-frequency result (after applying a 7-year low-pass filter), and the brown line is the IPO index

图4a结果显示, 南海区域pCO2除了显著的季节变化外, 准十年振荡也十分显著。南海海表pCO2在2004—2011年呈下降趋势(-1.8±1.6μatm·a-1), 2011年后逐渐上升(3.2±1.7μatm·a-1), 与海表盐度的信号高度吻合, 海表盐度2011年前、后的趋势分别为(-0.07±0.02)‰·a-1和(0.05±0.02)‰·a-1(图4c)。7a低通率波的结果进一步显示, 海表盐度的准十年振荡非常显著, 而海表温度的准十年振荡并不显著, 表明南海区域海表盐度的低频变化是引起南海海表pCO2显著准十年振荡的原因。海表盐度降低伴随弱的海表温度升高, 引起海水层化加强, 抑制高pCO2的次表层水进入到表层, 使海表pCO2较低。前人研究表明, 南海区域海表盐度受太平洋年代际振荡调制的影响, 在2012年之前有显著淡化的趋势, 之后则呈变咸的趋势(Nan et al, 2013; Zeng et al, 2014; 王静 等, 2015; 傅圆圆 等, 2017)。
南海海-气CO2通量计算结果显示南海整体为弱碳源(图5)。海-气CO2通量存在显著的区域分布差异, 北部湾及其以北海区的CO2通量较低, 冬季为强碳汇, 春季为弱碳汇, 夏秋季主要为碳源, 这与引起海表pCO2季节变化的海表温度直接相关。吕宋海峡海-气CO2通量全年较高, 主要是受高温高盐的黑潮水入侵影响。除冬季南海北部海区外, 开阔海区在所有季节都是碳源。总体来说, 南海海-气CO2通量的季节变化主要受海表pCO2的影响, 其次为风场强度, 表现为夏秋高, 冬春低。
图5 南海及邻近海域海-气CO2通量的气候态季节平均分布

本图基于国家标准地图服务网站下载的审图号为GS(2016)2935号的标准地图制作

Fig. 5 Seasonal distributions of air-sea CO2 flux in the South China Sea and adjacent waters

南海及邻近海域平均海-气CO2通量的准十年振荡如图6a所示, 海-气CO2通量在覆盖时间段内呈下降趋势(-0.2±0.2mmol·m-2·a-1)。2012年后变化较弱, 跟海表盐度的低频变化(图4c)密切相关, 表明太平洋气候变化能够通过调整南海区域海表盐度变化来影响南海海表pCO2, 进而影响海-气CO2通量。此外, 值得注意的是, 2007年以前南海区域平均的海-气CO2通量全年为源, 而2007年以后南海冬季的海-气CO2通量从源转变为汇, 夏季依旧为强源, 春、秋两季为弱源。南海区域平均的大气pCO2除季节变化外, 同时也呈持续升高的趋势(图6c), 因此ΔpCO2的准十年振荡(图6a)取决于海表pCO2的变化, 从而影响海-气CO2通量的变化, 使其在2004—2016年呈下降趋势(-2.5±2.1μatm·a-1)。与海表pCO2相比, 风速大小变化不大(图6b), 表明该区域ΔpCO2是海-气CO2通量的主要控制因素。
图6 南海及邻近海域的海-气CO2通量及海-气CO2分压差(a)、风速与海表温度(b)和大气pCO2(c)的准十年振荡

Fig. 6 Quasi-decadal variabilities of air-sea CO2 flux and ΔpCO2 (a), wind speed and SST (b), and atmospheric pCO2 (c) in the South China Sea and adjacent waters. The red dotted line indicates the air-sea CO2 flux after applying a 7-year low-pass filter

2.3 反演结果误差分析及验证

在南海海-气CO2通量计算的过程中, 根据公式(2)可知, 海-气CO2通量的误差由k、KH和pCO2三部分组成, 误差分别标记为 ${{\delta }_{k}}$、 ${{\delta }_{{{K}_{\text{H}}}}}$和$\delta _{p\text{C}{{\text{O}}_{2}}}^{{}}$。前人研究表明, KH的不确定性为0.3%, k的累计误差为20%(包括系数k=0.251时10%的误差和4%的遥感风场误差)(Wanninkhof, 2014)。本研究构建的南海海表pCO2反演, 其误差小于10μatm(均方根误差), 约为2.6%; 大气pCO2的误差约为1μatm, 小于3%。在假定各变量互不干扰的情况下, 海-气CO2通量的误差为20%, 可以表达为:
$\delta {{F}_{\text{C}{{\text{O}}_{2}}}}=\sqrt{\delta _{k}^{2}+\delta _{{{K}_{\text{H}}}}^{2}+\delta _{p\text{C}{{\text{O}}_{2}}}^{2}}\approx \sqrt{{{0.2}^{2}}+{{0.003}^{2}}+{{0.03}^{2}}}\approx 0.2$
由上式计算得到区域平均海-气CO2通量的变化范围为-4~5mmol·m-2·d-1(图6a), 误差小于1mmol·m-2·d-1。
前人研究结果表明, 南海海表pCO2呈现自西北向东南升高的趋势(图7a), 西北部近岸海区海表pCO2较低, 东南部近岸和开阔海区海表pCO2较高(Zhai et al, 2013; Li et al, 2020)。参照Li等(2020)的分区, 本研究对比分析了5个特征区域的pCO2时间序列(图7b)。结果显示, 南海北部水深较浅的A区动力机制最为复杂, 海表pCO2季节和年际差异最大, 2012年以前的降低趋势(-2.1±2.7μatm·a-1)和之后的升高趋势(5.0±2.8μatm·a-1)均十分显著。B、C、D和E区海表pCO2的变化区域差异不大, 都呈现出与A区相似的准十年振荡趋势。南海海表pCO2分区域分析的结果与Li等(2020)的研究结果相吻合, 说明本研究反演得到的海表pCO2资料能够较好地体现南海区域海洋动力特征的影响。
图7 南海海表pCO2气候态月平均和分区(a)以及各分区平均的pCO2时间序列(b)
分区参照Li等(<a href="javascript:;" class="mag_content_a" onclick="piaofuRef(this,'b21')" rid="b21">2020</a>), 该图基于国家标准地图服务网站下载的审图号为GS(2016)2935号的标准地图制作

图a Sea-surface pCO2 climatology in five South China Sea sub domains. (a) climatological monthly average of pCO2 in the South China Sea with the 5 domains indicated by the area of black lines according to Li et al. (2020); (b) the average pCO2 time series of each domain

3 结论

南海是西北太平洋最大的边缘海, 在全球气候变化的背景下, 探究南海海-气CO2通量变化及趋势具有重要的科学意义。迄今南海碳源汇的研究大部分基于南海北部有限的航次资料, 不能很好地体现南海复杂的动力过程对其产生的影响。本文利用2008—2014年覆盖南海大部分海域的28206组观测资料, 通过网格化处理及质量控制, 进一步构建了海表pCO2的经验算法, 考虑动力和生态效应的影响, 得到了南海分区域的海表pCO2经验算法公式。误差分析结果显示, 浅水区的反演结果较好, 相关系数高(R2=0.85), 均方根误差较小(RMSE=5.3μatm); 在深水区, 相关系数较高(R2=0.64), 均方根误差控制在11μatm以内(RMSE=10.8μatm)。这表明该算法所得到的海表pCO2结果具有较高的精度。
基于多元线性回归反演模型, 结合叶绿素a卫星数据和HYCOM模式再分析的海表温度和海表盐度数据, 本文反演得到了南海2004—2016年月平均的高分辨率(5'×5')海表pCO2及海-气CO2通量。其中, 海表pCO2数据能较好地反映南海海表pCO2在海表温度影响下呈春夏高、秋冬低的季节变化特征。受南海季风和海表pCO2季节变化的影响, 南海海-气CO2通量也存在显著的季节变化特征, 整体表现为夏秋高、冬春低, 年平均为弱碳源。pCO2及海-气CO2通量的季节变化及其空间差异性与前人观测结果十分相似, 表明该反演结果具有较高的可信度。此外, 南海海表pCO2及海-气CO2通量存在显著的准十年振荡特征, 即2012年以前呈显著降低的趋势, 之后呈升高的趋势, 这主要是受太平洋年代际振荡引起的南海海表盐度准十年振荡的影响。太平洋年代际振荡一方面通过沃克环流上升支调整, 造成南海局地降水异常, 从而影响海表盐度变化; 另一方面通过影响入侵南海的黑潮高盐水, 导致南海海表盐度的异常, 进而引起南海海表pCO2及海-气CO2通量的显著准十年振荡。本研究首次提出了太平洋年代际振荡通过影响南海海表盐度变化进而影响南海海表pCO2及海-气CO2通量变化的观点, 今后有待获取更多的观测结果为南海海表pCO2及海-气CO2通量研究带来新进展。

*感谢HYCOM模式再分析资料提供海表温、盐数据,感谢OceanColor网站提供高分辨率叶绿素数据下载,感谢参与数据采集的人员和相关航次工作人员。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
陈海花, 李洪平, 何林洁, 等, 2015. 基于SODA数据集的南海海表面盐度分布特征与长期变化趋势分析[J]. 海洋技术学报, 34(4): 48-52.

CHEN HAIHUA, LI HONGPING, HE LINJIE, et al, 2015. Analysis on the distribution characteristics of sea surface salinity and its long-term variation trend in the South China Sea based on soda data set[J]. Journal of Ocean Technology, 34(4): 48-52. (in Chinese with English abstract)

[2]
傅圆圆, 程旭华, 张玉红, 等, 2017. 近二十年南海表层海水的盐度淡化及其机制[J]. 热带海洋学报, 36(4): 18-24.

FU YUANYUAN, CHENG XUHUA, ZHANG YUHONG, et al, 2017. The freshening trend of surface salinity in the South China Sea in recent two decades and its mechanism[J]. Journal of Tropical Oceanography, 36(4): 18-24. (in Chinese with English abstract)

[3]
韩玉康, 周林, 吴炎成, 2016. 基于HYCOM的南海中尺度涡数值模拟[J]. 海洋通报, 35(3): 299-316.

HAN YUKANG, ZHOU LIN, WU YANCHENG, 2016. Numerical simulation of the mesoscale eddy in the South China Sea based on HYCOM[J]. Marine Science Bulletin, 35(3): 299-316. (in Chinese with English abstract)

[4]
姜亦飞, 王辉, 乔然, 等, 2014. 南海东北部春季海表pCO2分布及海-气CO2通量[J]. 海洋学报, 36(6): 18-24.

JIANG YIFEI, WANG HUI, QIAO RAN, et al, 2014. The distribution of pCO2 in surface water and CO2 flux at air-sea interface in northeast part of the South China Sea in spring[J]. Acta Oceanologica Sinica, 36(6): 18-24. (in Chinese with English abstract)

DOI

[5]
吕航宇, 白雁, 李骞, 等, 2018. 夏季珠江口海域海水CO2分压的卫星遥感反演[J]. 海洋学研究, 36(2): 1-11.

LÜ HANGYU, BAI YAN, LI QIAN, et al, 2018. Satellite remote sensing retrieval of aquatic pCO2 in summer in the Pearl River Estuary[J]. Journal of Marine Sciences, 36(2): 1-11. (in Chinese with English abstract)

[6]
邱春华, 贾英来, 2009. 南海北部深水海域温度以及盐度的季节及年际变化特征[J]. 中国海洋大学学报, 39(3): 375-380, 386.

QIU CHUNHUA, JIA YINGLAI, 2009. Seasonal and inter-annual variations of temperature and salinity in the northern South China Sea[J]. Periodical of Ocean University of China, 39(3): 375-380, 386. (in Chinese with English abstract)

[7]
王静, 赵飞达, 齐义泉, 2015. 夏末秋初南海18°N断面混合层结构特征分析[J]. 海洋通报, 34(1): 52-58.

WANG JING, ZHAO FEIDA, QI YIQUAN, 2015. Characteristics of mixed layer cross section 18° N in the South China Sea during late summer and early autumn[J]. Marine Science Bulletin, 34(1): 52-58. (in Chinese with English abstract)

[8]
许欣, 于培松, 蔡小霞, 等, 2016. 南海西部秋季海表$p_{{CO}_{2}}$分布与海气CO2通量[J]. 热带海洋学报, 35(3): 55-64.

XU XIN, YU PEISONG, CAI XIAOXIA, et al, 2016. Distributions of partial pressure of carbon dioxide and sea-air CO2 flux in the western South China Sea in autumn[J]. Journal of Tropical Oceanography, 35(3): 55-64 (in Chinese with English abstract).

[9]
翟惟东, 2015. 南海北部春季非水华期的CO2分压及其调控[J]. 海洋学报, 37(6): 31-40.

ZHAI WEIDONG, 2015. Sea surface partial pressure of CO2 and its controls in the northern South China Sea in the non-bloom period in spring[J]. Acta Oceanologica Sinica, 37(6): 31-40. (in Chinese with English abstract)

[10]
ATLAS R, HOFFMAN R N, ARDIZZONE J, et al, 2011. A cross-calibrated, multiplatform ocean surface wind velocity product for meteorological and oceanographic applications[J]. Bulletin of the American Meteorological Society, 92(2): 157-174.

DOI

[11]
CIAIS P, SABINE C, BALA G, et al, 2013. Carbon and other biogeochemical cycles[M]// STOCKERT F, QIND, PLATTNERG K, et al. Climate change 2013: the physical science basis:contribution of working group I to the fifth assessment report of the intergovernmental panel on climate change. Cambridge: Cambridge University Press: 465-570.

[12]
DAI MINHAN, CAO ZHIMIAN, GUO XIANGHUI, et al, 2013. Why are some marginal seas sources of atmospheric CO2?[J]. Geophysical Research Letters, 40(10): 2154-2158.

DOI

[13]
DAI MINHAN, LU ZHONGMING, ZHAI WEIDONG, et al, 2009. Diurnal variations of surface seawater pCO2 in contrasting coastal environments[J]. Limnology and Oceanography, 54(3): 735-745.

DOI

[14]
DENVIL-SOMMER A, GEHLEN M, VRAC M, et al, 2018. FFNN-LSCE: a two-step neural network model for the reconstruction of surface ocean pCO2 over the Global Ocean[J]. Geoscientific Model Development Discussions, (2018):1-27.

[15]
DLUGOKENCKY E, TANS P,[2021-02-21]. Trends in atmospheric carbon dioxide. NOAA/ESRL[R/OL]. http://www.esrl.noaa.gov/gmd/ccgg/trends/

[16]
FASSBENDER A J, RODGERS K B, PALEVSKY H I, et al, 2018. Seasonal asymmetry in the evolution of surface ocean pCO2 and pH thermodynamic drivers and the influence on sea-air CO2 flux[J]. Global Biogeochemical Cycles, 32(10): 1476-1497.

DOI

[17]
JIAO NIANZHI, ZHANG YAO, ZHOU KUANBO, et al, 2014. Revisiting the CO2 "source" problem in upwelling areas - a comparative study on eddy upwellings in the South China Sea[J]. Biogeosciences, 11(9): 2465-2475.

DOI

[18]
JO Y H, DAI MINHAN, ZHAI WEIDONG, et al, 2012. On the variations of sea surface pCO2 in the northern South China Sea: a remote sensing based neural network approach[J]. Journal of Geophysical Research: Oceans, 117(C8): C08022.

[19]
LARUELLE G G, LAUERWALD R, PFEIL B, et al, 2014. Regionalized global budget of the CO2 exchange at the air-water interface in continental shelf seas[J]. Global Biogeochemical Cycles, 28(11): 1199-1214.

DOI

[20]
LARUELLE G G, CAI WEIJUN, HU XINPING, et al, 2018. Continental shelves as a variable but increasing global sink for atmospheric carbon dioxide[J]. Nature Communications, 9(1): 454.

DOI

[21]
LI QIAN, GUO XIANGHUI, ZHAI WEIDONG, et al, 2020. Partial pressure of CO2 and air-sea CO2 fluxes in the South China Sea: synthesis of an 18-year dataset[J]. Progress in Oceanography, 182: 102272.

DOI

[22]
LIU FENFEN, TANG SHILIN, CHEN CHUQUN, 2009. Remotely sensed study of air-sea CO2 fluxes variability in the northern South China Sea[C]// Proceedings of 2009 IEEE international geoscience and remote sensing symposium. Cape Town: IEEE: III-361-III-364.

[23]
LU HANGYU, BAI YAN, CHEN XIAOYAN, et al, 2017. Satellite remote sensing of the aquatic pCO2 in the basin of the South China Sea[C]// Proceedings of SPIE 10422, remote sensing of the ocean, sea ice, coastal waters, and large water regions. Warsaw, Poland: SPIE.

[24]
MOSTOFA K M G, LIU CONGQIANG, ZHAI WEIDONG, et al, 2016. Reviews and Syntheses: ocean acidification and its potential impacts on marine ecosystems[J]. Biogeosciences, 13(6): 1767-1786.

DOI

[25]
NAN FENG, XUE HUIJIE, CHAI FEI et al, 2013. Weakening of the kuroshio intrusion into the South China Sea over the past two decades[J]. Journal of Climate, 26(20): 8097-8110.

DOI

[26]
QU TANGDONG, MITSUDERA H, YAMAGATA T, 2000. Intrusion of the North Pacific waters into the South China Sea[J]. Journal of Geophysical Research: Oceans, 105(C3): 6415-6424.

[27]
RÖDENBECK C, KEELING R F, BAKKER D C E, et al, 2013. Global surface-ocean pCO2 and sea-air CO2 flux variability from an observation-driven ocean mixed-layer scheme[J]. Ocean Science, 9(2): 193-216.

[28]
SHEU D D, CHOU WENCHEN, WEI CHINGLING, et al, 2010. Influence of El Nino on the sea-to-air CO2 flux at the SEATS time-series site, northern South China Sea[J]. Journal of Geophysical Research: Oceans, 115(C10): C10021.

[29]
SUN QINGYANG, TANG DANLING, LEGENDRE L, et al, 2014. Enhanced sea-air CO2 exchange influenced by a tropical depression in the South China Sea[J]. Journal of Geophysical Research: Oceans, 119(10): 6792-6804.

DOI

[30]
WANG GUIZHI, DAI MINHAN, SHEN S S P, et al, 2014. Quantifying uncertainty sources in the gridded data of sea surface CO2partial pressure[J]. Journal of Geophysical Research: Oceans, 119(8): 5181-5189.

DOI

[31]
WANNINKHOF R, 2014. Relationship between wind speed and gas exchange over the ocean revisited[J]. Limnology and Oceanography: Methods, 12(6): 351-362.

DOI

[32]
WOOSLEY R J, 2018. Complexity of marine CO2 system highlighted by seasonal asymmetries[J]. Global Biogeochemical Cycles, 32(10): 1434-1436.

DOI

[33]
YAN HONGQIANG, YU KEFU, SHI QI, et al, 2016. Seasonal variations of seawater pCO2 and sea-air CO2 fluxes in a fringing coral reef, northern South China Sea[J]. Journal of Geophysical Research: Oceans, 121(1): 998-1008.

DOI

[34]
YANG YIKAI, WANG DONGXIAO, WANG QIANG, et al, 2019. Eddy‐induced transport of saline kuroshio water into the northern South China Sea[J]. Journal of Geophysical Research: Oceans, 124(9): 6673-6687.

DOI

[35]
YE HAIJUN, SHENG JINYU, TANG DANLING, et al, 2017. Storm-induced changes in pCO2 at the sea surface over the northern South China Sea during Typhoon Wutip[J]. Journal of Geophysical Research: Oceans, 122(6): 4761-4778.

DOI

[36]
ZENG LILI, LIU W T, XUE HUIJIE, et al, 2014. Freshening in the South China Sea during 2012 revealed by Aquarius and in situ data[J]. Journal of Geophysical Research: Oceans, 119(12): 8296-8314.

DOI

[37]
ZHAI WEIDONG, DAI MINHAN, CAI WEIJUN, et al, 2005. High partial pressure of CO2 and its maintaining mechanism in a subtropical estuary: the pearl river estuary, china[J]. Marine Chemistry, 93(1), 21-32.

DOI

[38]
ZHAI WEIDONG, DAI MINHAN, CHEN BAOSHAN, et al, 2013. Seasonal variations of sea-air CO2 fluxes in the largest tropical marginal sea (South China Sea) based on multiple-year underway measurements[J]. Biogeosciences, 10(11): 7775-7791.

DOI

[39]
ZHU YU, SHANG SHAOLING, ZHAI WEIDONG, et al, 2009. Satellite-derived surface water pCO2 and air-sea CO2 fluxes in the northern South China Sea in summer[J]. Progress in Natural Science, 19(6): 775-779.

DOI

Options
Outlines

/

〈 〉