通过同化多平台观测系统的生物地球化学数据改进生态系统指标的预测

《Ocean Modelling》:Improving the prediction of ecosystem indicators by assimilating biogeochemical data from multiplatform observing systems

【字体: 大 中 小 】 时间:2026年07月30日 来源:Ocean Modelling 3.1

编辑推荐:

  业务化预报系统依赖于数据同化来改进海洋生物地球化学的预测。然而,多观测平台的整合以及提供稳健的不确定性估计仍然是当前业务化系统面临的挑战。研究人员应用基于集合的数据同化方法来整合来自遥感和原位观测的多平台叶绿素(chlorophyll)观测。同化技能通过将同化

  
业务化预报系统依赖于数据同化来改进海洋生物地球化学的预测。然而,多观测平台的整合以及提供稳健的不确定性估计仍然是当前业务化系统面临的挑战。研究人员应用基于集合的数据同化方法来整合来自遥感和原位观测的多平台叶绿素(chlorophyll)观测。同化技能通过将同化变量的可控制性指标与衡量关键生态系统指标不确定性减少的指标相结合来量化。所关注的目标指标(浮游植物生产力和物候学,以及碳循环)提供了对海洋生态系统功能和海洋健康的洞察。通过在一维(1D)数值框架中进行的一系列实验评估对同化设置的敏感性,其中探索了结合两种观测源的不同配置。此外,在三个哥白尼海洋业务化系统的三维(3D)区域中实施了集合多平台同化,涵盖了从贫营养的地中海到富营养的西北陆架和北极海的环境。结果一致表明关键生态系统指标的不确定性降低,包括次表层过程和夏季条件。值得注意的是,海洋颜色(ocean colour, OC)和原位剖面观测的联合同化显著降低了所有系统中初级生产力动态的不确定性。然而,从一维(1D)到三维(3D)配置的结果可转移性应谨慎对待,因为生物地球化学模型行为的差异会显著影响结果。总体而言,这些发现支持在当前业务化系统中有效整合卫星和原位观测,增强与海洋健康监测和生态系统管理相关的指标预测。
### 论文解读:多平台观测系统同化对生态系统指标预测的改进

#### 研究背景与问题

业务化海洋学依赖于数据同化(data assimilation, DA)来提升海洋生物地球化学(biogeochemistry, BGC)的预测能力,但整合多观测平台(如卫星遥感与原位剖面)并提供稳健的不确定性估计仍是当前系统面临的挑战。卫星海洋颜色(ocean colour, OC)叶绿素观测已广泛用于同化,但仅能获取表层信息,其对深层过程的约束依赖于近似假设;而原位观测(如BGC-Argo浮标和滑翔机)能提供垂直剖面信息,但稀疏且不连续。尽管已有研究表明联合同化卫星和原位数据可改善生态系统表征,但基于集合的同化方法在三维(3D)真实区域中的应用仍有限,且针对同一生物地球化学变量(如叶绿素)的多平台整合价值尚未系统评估。为此,本研究旨在评估整合多平台叶绿素观测(OC和原位剖面)如何影响关键生态系统指标的不确定性,这些指标对海洋生态系统功能和健康监测具有信息价值。该研究依托Horizon Europe SEAMLESS项目,发表在《Ocean Modelling》上。

#### 研究内容与结论

研究人员通过两阶段分析框架,首先在一维(1D)原型系统中进行敏感性实验,确定最优观测设置;随后在三个哥白尼海洋业务化系统(Copernicus Marine Service)的3D区域中验证多平台同化对生态系统指标的控制性和不确定性降低效果。研究覆盖了从贫营养地中海(Mediterranean Sea, MED)到富营养西北陆架(North-West Shelf, NWS)和北极海(Arctic Ocean, ARC)的广泛环境梯度。结论表明,多平台叶绿素同化(OC与原位剖面联合)能一致降低关键生态系统指标的不确定性,尤其在冬春水华期间,且对初级生产力(net primary production, NPP)的改善最为显著。然而,1D结果向3D系统的可转移性需谨慎,因模型行为差异显著影响结果。该研究支持在业务化系统中有效整合卫星和原位观测,以增强海洋健康监测相关指标预测。

#### 关键技术方法

主要方法包括:1)基于集合的1D同化框架EAT(Ensemble and Assimilation Tool),耦合水动力学模型GOTM、生物地球化学模型FABM和同化模块PDAF,使用三个BGC模型(BFM、ERSEM、ECOSMO)分别对应MED、NWS和ARC区域;2)同化观测数据来源:卫星OC叶绿素来自ESA CCI和哥白尼海洋服务产品,原位剖面叶绿素来自BGC-Argo浮标(MED和ARC)和BGC滑翔机(NWS),数据经质量控制;3)采用集合卡尔曼滤波类方法(ESTKF、EnKF、En3DVar等)生成100成员的集合,扰动初始条件、大气强迫和BGC参数;4)评估指标:均方根差(RMSD)衡量预测技能,变异系数比(CV RATIO)量化不确定性变化。

#### 研究结果

**3.1. 1D系统结果**

**3.1.1. 多平台配置敏感性:同化运行的技能评估**
通过RMSD分析,单平台同化(OC_Ht或P_Le_Fc)通常改善同化变量的技能,OC同化效果大于剖面同化。跨平台影响存在正负交替:剖面同化改善OC技能的案例占50%(NWS达75%),而OC同化改善剖面技能的案例约40%(NWS约55%)。多平台联合同化时,单平台导致的恶化程度通常减弱,且在某些情况下(如ARC春季70米层)恶化转为改善。观测误差设置(低误差Le改善剖面技能但恶化OC技能)和OC时间频率(高频Ht改善OC技能但恶化剖面技能)是重要敏感性因子。总体,NWS和ARC中OC_Ht P_Le_Fc配置(高频OC、低剖面误差、全分辨率)产生最多RMSD改进,而MED中OC_Lt P_Le_Fc效果最佳,表明最大化剖面数据利用(Le_Fc)普遍有益,而贫营养区高频OC影响较小。

**3.1.2. 生态系统指标的验证分析**
CV RATIO指标显示,冬春水华期间,多平台联合同化(高频OC+低误差剖面)对NPP不确定性降低最大;夏季,OC单独同化(OC_Ht)在表层效果更优(CV RATIO<0.5)。次表层,所有含剖面同化的实验均优于OC单独同化,挪威海降低最显著。POC的整体不确定性降低弱于NPP,且在某些区域(如北海夏季)出现CV RATIO>1,表明同化可能增加不确定性,这与叶绿素同化对碳动力学的有限控制一致。社区结构指标(CommSt)在冬春水华期对剖面同化响应积极,OC单独同化有时导致恶化;夏季,OC单独同化无效,而剖面同化(含OC)持续降低次表层集合离散度。挪威海在CommSt上受益最大,与硅藻主导相关;贫营养地中海效果较差,因大型浮游植物非主导。

**3.2. 3D区域应用中对生态系统指标的验证分析**

**3.2.1. 地中海集合同化**
冬季,同化修正了BFM模型对表层叶绿素的高估,尤其在东地中海,导致初级生产力(NPP)和大型浮游植物(硅藻)下降。夏季,叶绿素、NPP和社区结构呈现匹配的修正模式(西中东区域增减交替),POC修正与叶绿素相关性弱。垂直剖面上,同化引入精细尺度变异,改变生产力廓线形态。

**3.2.2. 西北陆架集合同化**
OC同化域广,而滑翔机剖面同化限于局部。冬季,同化修正了ERSEM模型过度的表层水华,NPP全域降低,社区结构正修正,碳生物量负修正。滑翔机区域出现相反符号影响。夏季,次表层叶绿素修正强烈,NPP和CommStr与叶绿素同号,POC反号。多平台同化有效纠正了ERSEM对冬春水华的延迟和高估,并改善了夏季深层叶绿素最大(DCM)动态。

**3.2.3. 挪威海集合同化**
5月,同化修正了ARC模型对表层叶绿素的正偏差,100米内NPP降低,但社区结构东西部差异(东部负修正,西部正修正),POC总体正修正。7月,表面叶绿素修正中心正、周围负,NPP对应不直接;小浮游植物生物量增加,大浮游植物减少,POC负修正。多平台同化消除了自由运行中5月过强的NPP信号,并增强了7月初低估的NPP,但联合同化中BGC-Argo与卫星不一致性导致部分峰减弱效果不及仅OC同化。

**3.2.4. 同化对指标不确定性的影响**
CV RATIO在三个系统中普遍降低(<1),仅NWS出现少数>1值,因集合均值减少导致。面积平均结果显示,多平台同化对POC在夏季、NPP和CommSt在冬季的不确定性降低(>50%),垂直分层间差异不显著,表明3D系统比1D对垂直变异性捕捉较弱。

#### 讨论与结论

**讨论**:研究指出,1D原型系统适用于敏感性分析,但其结果向3D转移需谨慎,因水平平流缺失、集合大小差异、观测扰动等因素可能导致不一致。CV RATIO结果显示,NPP受益最一致,而POC在1D与3D间存在差异,部分源于模型复杂性差异(如ERSEM和BFM较复杂)。观测误差是优化多平台同化的关键设计参数,但降低误差不一定提升技能。研究强调,原位观测网络(如BGC-Argo和滑翔机)的持续投入是充分利用多平台同化潜力的必要条件。

**结论**:数据同化是改进生物地球化学海洋预报的基础。研究人员证明,在哥白尼海洋业务化系统背景下,将模型与多观测平台整合并量化不确定性在集合框架中是可行的。通过1D和3D两步分析,发现多平台叶绿素同化(OC与原位剖面)通常降低关键生态系统指标的不确定性,尤其在冬春水华条件,并扩展到次表层和夏季。其中,NPP动态改善最显著。最大化剖面数据利用在所有系统中均有益,而在贫营养区(如地中海),OC数据影响弱于富营养区。该研究提出的1D与3D结合框架,为业务化系统整合多观测系统并考虑不确定性估计与降低提供了可行工具。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号