Том 36, номер 12, статья № 5

Аннотация:

Приведены результаты гиперспектрального зондирования атмосферы на Уральской атмосферной станции в пос. Коуровка Свердловской обл. за период 2012–2022 гг. Показано, что средняя скорость роста СО₂ в атмосфере данного региона составляет ~ 2,5 ppm/год. Двумя независимыми методами оценено количество поглощаемого из атмосферы углекислого газа лесной экосистемой на единицу площади за вегетационный период (апрель – сентябрь) в окрестности карбонового полигона в Коуровке. Первый метод основан на использовании данных о содержании СО₂ в атмосферном столбе, полученных при зондировании атмосферы наземным ИК-Фурье-спектрометром высокого разрешения, а во втором методе применяется оригинальная нейросетевая модель, на вход которой подаются данные спектральных каналов спутникового сенсора MODIS. Полученные результаты демонстрируют хорошее согласие: количество СО₂, поглощенного лесной экосистемой из атмосферы, в окрестности карбонового полигона за вегетационный период 2022 г. составляет ~ 1,5 т/га (первый метод) и ~ 1,3 т/га (второй метод).

Ключевые слова:

атмосфера, углекислый газ, гиперспектральное зондирование, нейронные сети, MODIS

Список литературы:

1. Summary for Policymakers // Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge: Cambridge University Press., 2021. P. 4–5.
2. Pan Y., Birdsey R.A., Fang J., Houghton R., Kauppi P.E., Kurz W.A., Phillips O.L., Shvidenko A., Lewis S.L., Canadell J.G., Ciais P., Jackson R.B., Pacala S.W., McGuire A.D., Piao S., Rautiainen A., Sitch S., Hayes D. A large and persistent carbon sink in the world's forests // Science. 2011. V. 333. P. 988–993.
3. Стратегия социально-экономического развития РФ с низким уровнем выбросов парниковых газов до 2050 года. Утверждена распоряжением Правительства РФ № 3052р от 29 октября 2021 г.
4. Замолодчиков Д.Г. Системы оценки и прогноза запасов углерода в лесных экосистемах // Устойчивое лесопользование. 2011. Т. 29, № 4. С. 15–22.
5. Романовская А.А., Трунов А.А., Коротков В.Н., Карабань Р.Т. Проблема учета поглощающей способности лесов России в Парижском соглашении // Лесоведение. 2018. № 5. С. 323–334.
6. Грибанов К.Г., Захаров В.И., Береснев С.А., Рокотян Н.В., Поддубный В.А., Имасу Р., Чистяков П.А., Скорик Г.Г., Васин В.В. Зондирование HDO/H₂O в атмосфере Урала методом наземных измерений ИК-спектров солнечного излучения с высоким спектральным разрешением // Оптика атмосф. и океана. 2011. Т. 24, № 2. С. 124–127; Gribanov K.G., Zakharov V.I., Beresnev S.A., Rokotyan N.V., Poddubny V.A., Imasu R., Chistyakov P.A., Skorik G.G., Vasin V.V. Sensing HDO/H₂O in the Ural’s atmosphere using ground-based measurements of IR solar radiation with a high spectral resolution // Atmos. Ocean. Opt. 2011. V. 24, N 4. Р. 369–372.
7. Рокотян Н.В., Имасу Р., Захаров В.И., Грибанов К.Г., Хаматнурова М.Ю. Амплитуда сезонного цикла СО₂ в атмосфере Уральского региона по результатам наземного и спутникового ИК-зондирования // Оптика атмосф. и океана. 2014. Т. 27, № 9. С. 819–825; Rokotyan N.V., Imasu R., Zakharov V.I., Gribanov K.G., Khamatnurova M.Yu. The amplitude of the CO₂ seasonal cycle in the atmosphere of the Ural Region retrieved from ground-based and satellite near IR measurements // Atmos. Ocean. Opt. 2015. V. 28, N 1. P. 49–55.
8. Чеснокова Т.Ю., Макарова М.В., Ченцов А.В., Воронина Ю.В., Захаров В.И., Рокотян Н.В., Langerock B. Определение содержания монооксида углерода в атмосфере из атмосферных спектров высокого разрешения // Оптика атмосф. и океана. 2019. Т. 32, № 4. С. 257–265; Chesnokova T.Yu., Makarova M.V., Chentsov A.V., Voronina Yu.V., Zakharov V.I., Rokotyan N.V., Langerock B. Retrieval of carbon monoxide total column in the atmosphere from high resolution atmospheric spectra // Atmos. Ocean. Opt. 2019. V. 32, N 4. P. 378–386. DOI: 10.1134/ S1024856019040031.
9. Chesnokova T.Yu., Makarova M.V., Chentsov A.V., Kostsov V.S., Poberovskii A.V., Zakharov V.I., Rokotyan N.V. Estimation of the impact of differences in the CH₄ absorption line parameters on the accuracy of methane atmospheric total column retrievals from ground-based FTIR spectra // J. Quant. Spectrosc. Radiat. Transfer. 2020. V. 254. P. 107187. DOI: 10.1016/j.jqsrt.2020.107187.
10. Wunch D., Toon G.C., Blavier J.F.L., Washenfelder R.A., Notholt J., Connor B.J., Griffith D.W.T., Sherlock V., Wennberg P.O. The total carbon column observing network // Philos. Trans. R. Soc. A Math. Phys. Eng. Sci. 2011. V. 369. P. 2087–2112.
11. Wunch D., Toon G.C., Wennberg P.O., Wofsy S.C., Stephens B.B., Fischer M.L., Uchino O., Abshire J.B., Bernath P., Biraud S.C., Blavier J.-F.L., Boone C., Bowman K.P., Browell E.V., Campos T., Connor B.J., Daube B.C., Deutscher N.M., Diao M., Elkins J.W., Gerbig C., Gottlieb E., Griffith D.W.T., Hurst D.F., Jimenez R., Keppel-Aleks G., Kort E.A., Macatangay R., Machida T., Matsueda H., Moore F., Morino I., Park S., Robinson J., Roehl C.M., Sawa Y., Sherlock V., Sweeney C., Tanaka T., Zondlo M.A. Calibration of the total carbon column observing Network using aircraft profile data // Atmos. Meas. Technol. 2010. V. 3, N 5. P. 1351–1362.
12. Feldman A.F., Zhang Z., Yoshida Y., Chatterjee A., Poulter B. Using Orbiting Carbon Observatory-2 (OCO-2) column CO₂ retrievals to rapidly detect and estimate biospheric surface carbon flux anomalies // Atmos. Chem. Phys. 2023. V. 23. P. 1545–1563.
13. Alemohammad S.H., Fang B., Konings A.G., Green J.K., Kolassa J., Prigent C., Aires F., Gonzalez Miralles D., Gentine P. Water, Energy, and Carbon with Artificial Neural Networks (WECANN): A statistically based estimate of global surface turbulent fluxes and gross primary productivity using solar-induced fluorescence // Biogeosci. 2017. V. 14, N 18. P. 4101–4124.
14. Dou X., Yang Y. Comprehensive evaluation of machine learning techniques for estimating the responses of carbon fluxes to climatic forces in different terrestrial ecosystems // Atmosphere. 2018. V. 9, N 3. P. 83.
15. Dou X., Yang Y., Luo J. Estimating forest carbon fluxes using machine learning techniques based on eddy covariance measurements // Sustainability. 2018. V. 10, N 1. P. 203.
16. Zeng J., Matsunaga T., Tan Zh.-H., Saigusa N., Shirai T., Tang Y., Peng Sh., Fukuda Y. Global terrestrial carbon fluxes of 1999–2019 estimated by upscaling eddy covariance data with a random forest // Scientific Data. 2020. V. 7, N 1. P. 1–11.
17. Haykin S. Neural networks: A comprehensive foundation.New Jersey: Prentice Hall PTR, 1998.
18. Paszke A., Gross S., Massa F., Lerer A., Bradbury J., Chanan G., Killeen T., Lin Z., Gimelshein N., Antiga L., Desmaison A., Köpf A., Yang E., DeVito Z., Raison M., Tejani A., Chilamkurthy S., Steiner B., Fang L., Bai J., Chintala S. Pytorch: An imperative style, high-performance deep learning library // Advances in Neural Information Processing Systems 32 (Neur/ IPS 2019). Vancouver, Canada. 2019. V. 1–20.
19. Розанов А.П. Свидетельство о государственной регистрации программы для ЭВМ № 2023682424 North Flux. Дата регистрации в Реестре программ для ЭВМ 25 октября 2023 г.
20. Gardner M.W., Dorling S.R. Artificial neural networks (the multilayer perceptron) – a review of applications in the atmospheric sciences // Atmos. Environ. 1998. V. 32, N 14–15. P. 2627–2636.
21. Hornik K., Stinchcombe M., White H. Multilayer feedforward network are universal approximators // Neural Networks. 1989. N 2. P. 359–366.
22. He K., Zhang X., Ren S., Sun J. Delving deep into rectifiers: Surpassing human-level performance on imagenet classification // Proc. IEEE. 2015. P. 1026–1034.
23. Schmidt-Hieber J. Nonparametric regression using deep neural networks with ReLU activation function. Annals of Statistics. 2017. 48. DOI: 10.1214/19-AOS1875.
24. Baldocchi D., Falge E., Gu L., Olson R, Hollinger D., Running S., Anthoni P., Bernhofer C., Davis K., Evans R., Fuentes J., Goldstein A., Katul G., Law B., Lee X., Malhi Y., Meyers T., Munger W., Oechel W., Paw K.T., Pilegaard K., Schmid H., Valentini R., Verma S., Vesala T., Wilson K., Wofsy S. FLUXNET: A new tool to study the temporal and spatial variability of ecosystem-scale carbon dioxide, water vapor, and energy flux densities // Bul. Am. Meteorol. Soc. 2001. V. 82, N 11. P. 2415–2434.
25. Vermote E. MODIS/Terra Surface Reflectance Daily L3 Global 0.05Deg CMG V061. NASA EOSDIS Land Processes DAAC. 2021. DOI: 10.5067/MODIS/ MOD09CMG.061 (last access: 7.10.2023).
26. Friedl M., Sulla-Menashe D. MCD12C1 MODIS/Terra+Aqua Land Cover Type Yearly L3 Global 0.05Deg CMG V006. NASA EOSDIS Land Processes DAAC. 2015. DOI: 10.5067/MODIS/MCD12C1.006 (last access: 7.10.2023).