Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đặc điểm của các dấu chân STILT được điều khiển bởi các trường khí tượng mô phỏng bởi mô hình KIM: ý nghĩa đối với việc phát triển các dấu chân gần thời gian thực
Tóm tắt
Nghiên cứu này trình bày một phân tích về độ nhạy của các dấu chân khí quyển và sự gia tăng CO2 được đo tại ba trạm hiện trường ở Hàn Quốc (Anmyeondo (AMY), Gosan (JGS), Ulleungdo (ULD)) bằng cách sử dụng các mô hình vận chuyển khí quyển KIM-STILT và WRF-STILT. Các dấu chân tích lũy hàng tháng cho mỗi trạm đã được so sánh giữa các mô hình cho tháng Bảy và tháng Mười Hai năm 2020. Các dấu chân đã tiết lộ các vùng nguồn chính và độ nhạy của tỉ lệ phân tử khí quyển tại các bộ thu đối với dòng chảy bề mặt từ thượng nguồn. Vào tháng Bảy, cả hai mô hình đều cho thấy các vùng nguồn chính tương tự cho trạm AMY, bao gồm Hàn Quốc, Biển Vàng và Nhật Bản. Tuy nhiên, có một sự khác biệt được quan sát thấy ở Đại Tây Dương phía Đông, với KIM-STILT cho thấy độ nhạy lớn hơn so với WRF-STILT. Vào tháng Mười Hai, cả hai mô hình đều chỉ ra độ nhạy mạnh mẽ ở khu vực Đông Bắc và Đông Trung Quốc, nhưng KIM-STILT thể hiện độ nhạy nhỏ hơn đối với Tây Bắc Trung Quốc và Mông Cổ so với WRF-STILT. Tại trạm ULD vào tháng Bảy, cả hai mô hình đều cho thấy các vùng nguồn tương đương, nhưng một sự khác biệt đáng chú ý đã được tìm thấy ở Đông Nam Trung Quốc, nơi KIM-STILT cho thấy độ nhạy mạnh hơn. Đối với trạm JGS, cả hai mô hình đều đồng thuận về các nguồn chính, nhưng WRF-STILT thể hiện độ nhạy mạnh hơn ở miền Bắc và Đông Bắc Trung Quốc. Về sự gia tăng CO2, cả hai mô hình đều thường đánh giá thấp biên độ gia tăng CO2, đặc biệt là vào tháng Bảy. Tuy nhiên, vào tháng Mười Hai, có sự đồng thuận tốt hơn với dữ liệu quan sát được. Các mô hình có khả năng tái tạo giai đoạn của ΔCO2 được đo một cách hợp lý mặc dù đã đánh giá thấp biên độ CO2. Sự đóng góp của CO2 sinh quyển đối với sự gia tăng quan sát được, cùng với các phát thải từ nhiên liệu hóa thạch, đã được nhấn mạnh. Trong những trường hợp cụ thể với sự gia tăng CO2 đáng kể, các mô hình cung cấp các ước tính khác nhau về giá trị CO2ff, đặc biệt là ở các vùng nguồn của Đông Trung Quốc. Những khác biệt trong các ước tính độ nhạy nhấn mạnh nhu cầu cần điều tra thêm để hiểu các yếu tố cơ bản gây ra sự không đồng nhất. Tổng thể, nghiên cứu này cung cấp những hiểu biết giá trị về những lợi thế tiềm năng của từng mô hình trong việc nắm bắt các mẫu phân tán trong các khu vực cụ thể, nhấn mạnh tầm quan trọng của việc hiểu những khác biệt này để cải thiện độ chính xác của các mô hình vận chuyển khí quyển. Cần có thêm các công việc để giải quyết những sự không đồng nhất đã quan sát được và nâng cao hiểu biết của chúng ta về các mô hình vận chuyển trong các khu vực đã nghiên cứu.
Từ khóa
Tài liệu tham khảo
Angevine, W. M., Brioude, J., McKeen, S., & Holloway, J. S. (2014). Uncertainty in Lagrangian pollutant transport simulations due to meteorological uncertainty from a mesoscale WRF ensemble. Geoscientific Model Development, 7, 2817–2829. https://doi.org/10.5194/gmd-7-2817-2014
Fasoli, B., Lin, J. C., Bowling, D. R., Mitchell, L., & Mendoza, D. (2018). Simulating atmospheric tracer concentrations for spatially distributed receptors: Updates to the Stochastic Time-Inverted Lagrangian Transport model’s R interface (STILT-R version 2) Geosci. Geoscientific Model Development, 11, 2813–2824. https://doi.org/10.5194/gmd-11-2813-2018
Gerbig C, Lin JC, Wofsy SC, Daube BC, Andrews AE, Stephens BB, Bakwin PS, Grainger CA. (2003) Toward constraining regional-scale fluxes of CO2 with atmospheric observations over a continent: 2. Analysis of COBRA data using a receptor-oriented framework. Journal of Geophysical Research: Atmospheres. 4757, https://doi.org/10.1029/2003JD003770.
Han, P., Zeng, N., Oda, T., Lin, X., Crippa, M., Guan, D., Janssens-Maenhout, G., Ma, X., Liu, Z., Shan, Y., Tao, S., Wang, H., Wang, R., Wu, L., Yun, X., Zhang, Q., Zhao, F., & Zheng, B. (2020). Evaluating China’s fossil-fuel CO2 emissions from a comprehensive dataset of nine inventories. Atmospheric Chemistry and Physics, 20, 11371–11385. https://doi.org/10.5194/acp-20-11371-2020
Hegarty, J., Draxler, R. R., Stein, A. F., Brioude, J., Mountain, M., Eluszkiewicz, J., Nehrkorn, T., Ngan, F., & Andrews, A. (2013). Evaluation of Lagrangian particle dispersion models with measurements from controlled tracer releases. Journal of Applied Meteorology and Climatology, 52, 2623–2637. https://doi.org/10.1175/jamc-d-13-0125.1
Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Hor’anyi, A., Mu~noz-Sabater, J., Nicolas, J., Peubey, C., Radu, R., Schepers, D., Simmons, A., Soci, C., Abdalla, S., Abellan, X., Balsamo, G., Bechtold, P., Biavati, G., Bidlot, J., Bonavita, M., … Diamantakis. (2020). The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society, 146, 1999–2049. https://doi.org/10.1002/qj.3803
Hong, S. Y., Noh, Y., & Dudhia, J. A. (2006). New vertical diffusion package with an explicit treatment of entrainment processes. Monthly Weather Review, 134(9), 2318–2341. https://doi.org/10.1175/Mwr3199.1
Hong, S.-Y., Kwon, Y. C., Kim, T.-H., Kim, J.-E., E., Choi, S.-J., Kwon, I.-H., Kim, J., Lee, E.-H., Park, R.-S., & Kim, D.-I. (2018). The Korean Integrated Model (KIM) system for global weather forecasting. Asia-Pacific Journal of Atmospheric Sciences, 54(s), 267–292.
Kenea, S. T., Lee, H., Patra, P. K., Li, S., Labzovskii, L. D., & Joo, S. (2023). Long-term changes in CH4 emissions: Comparing ∆CH4/∆CO2 ratios between observation and proved model in East Asia (2010–2020). Atmospheric Environment, 293, 119437. https://doi.org/10.1016/j.atmosenv.2022.119437
Kou, X., Zhang, M., Peng, Z., & Wang, Y. (2015). Assessment of the biospheric contribution to surface atmospheric CO2 concentrations over East Asia with a regional chemical transport model. Advances in Atmospheric Sciences, 32, 287–300. https://doi.org/10.1007/s00376-014-4059-6
Lee, H., Han, S.-O., Ryoo, S.-B., Lee, J.-S., & Lee, G.-W. (2019). The measurement of atmospheric CO2 at KMA GAW regional stations, its characteristics, and comparisons with other East Asian sites. Atmospheric Chemistry and Physics, 19, 2149–2163. https://doi.org/10.5194/acp-19-2149-2019
Lee, H., Dlugokencky, E. J., Turnbull, J. C., Lee, S., Lehman, S. J., Miller, J. M., Pétron, G., Lim, J.-S., Lee, G.-W., Lee, S.-S., & Park, Y.-S. (2020). Observations of atmospheric 14CO2 at Anmyeondo GAW station, South Korea: Implications for fossil fuel CO2 and emission ratios. Atmospheric Chemistry and Physics, 20, 12033–12045. https://doi.org/10.5194/acp-20-12033-2020
Lin, J. C., & Gerbig, C. (2005). Accounting for the effect of transport errors on tracer inversions. Geophysical Research Letters, 32, 1–5. https://doi.org/10.1029/2004GL021127
Lin, J. C., Gerbig, C., Wofsy, S. C., Andrews, A. E., Daube, B. C., Davis, K. J., & Grainger, C. A. (2003). A nearfield tool for simulating the upstream influence of atmospheric observations: The Stochastic Time-Inverted Lagrangian Transport (STILT) model. Journal of Geophysical Research: Atmospheres, 108, 4493. https://doi.org/10.1029/2002JD003161
Liu, P., Yang, Y., Gao, J., Wang, Y., & Wang, C. (2020). An approach for assimilating FY4 lightning and cloud top height data using 3DVAR. Frontiers in Earth Science, 8, 288. https://doi.org/10.3389/feart.2020.00288
Nehrkorn, T., Eluszkiewicz, J., Wofsy, S. C., Lin, J. C., Gerbig, C., Longo, M., & Freitas, S. (2010). Coupled weather research and forecasting-stochastic time-inverted Lagrangian transport (WRF-STILT) model. Meteorology and Atmospheric Physics, 107, 51–64.
Oda, T., Maksyutov, S., & Andres, R. J. (2018). The Open-source Data Inventory for Anthropogenic CO2, version 2016 (ODIAC2016): A global monthly fossil fuel CO2 gridded emissions data product for tracer transport simulations and surface flux inversions. Earth System Science Data, 10, 87–107. https://doi.org/10.5194/essd-10-87-2018
Patra, P. K., Law, R. M., Peters, W., Rödenbeck, et al. (2008). TransCom model simulations of hourly atmospheric CO2. Analysis of synoptic-scale variations for the period 2002–2003. Global Biogeochemical Cycles, 22, 4013. https://doi.org/10.1029/2007GB003081
Peters, G. P., et al. (2012). Rapid growth in CO2 emissions after the 2008–2009 global financial crisis. Nature Climate Change, 2, 2–4.
Pillai, D., Gerbig, C., Kretschmer, R., Beck, V., Karstens, U., Neininger, B., & Heimann, M. (2012). Comparing Lagrangian and Eulerian models for CO2 transport – A step towards Bayesian inverse modeling using WRF/STILT-VPRM. Atmospheric Chemistry and Physics, 12, 8979–8991. https://doi.org/10.5194/acp-12-8979-2012
Skamarock WC, Klemp JB, Dudhia J, Gill DO, Liu Z, Berner J, Wang W, Powers JG, Duba MG, Barker D, Huang X.-Y. (2021) A description of the advanced research WRF version 4.3 (NCAR Tech Note. NCAR/TN-556 + STR). https://doi.org/10.5065/1dfh-6p97.
Thoning, K., Tans, P. P., Komhyr, W. D. (1989). Atmospheric carbon dioxide at mauna loa observatory 2. Analysis of the NOAA GMCC data, 1974–1985. J Geophys Res 94, 8549–8565.
Vogelezang, D. H. P., & Holtslag, A. A. M. (1996). Evaluation and model impacts of alternative boundary-layer height formulations. Boundary-Layer Meteorology, 81, 245–269. https://doi.org/10.1007/BF02430331
Zhang, F., & Pu, Z. (2019). Sensitivity of numerical simulations of near-surface atmospheric conditions to snow depth and surface Albedo during an ice fog event over Heber valley. Journal of Applied Meteorology and Climatology, 58(4), 797–811. https://doi.org/10.1175/jamc-d-18-0064.1