長江三角洲地區凈生態系統二氧化碳通量及濃度的數值模擬

刁一偉 黃建平 劉誠 崔健 劉壽東

1 耶魯大學—南京信息工程大學大氣環境中心，南京210044

2 南京信息工程大學中國氣象局氣溶膠—云—降水重點開放實驗室，南京210044

3 南京信息工程大學江蘇省農業氣象重點實驗室，南京210044

1 引言

二氧化碳（CO2）是最重要的溫室氣體和氣候變化的主要驅動因子之一。自工業革命以來，大氣中的CO2濃度不斷升高，其濃度已從工業前的280 ppm（ppm表示10-6）（Etheridge et al., 1996）上升至目前的 390 μmol mol-1（也常表示為ppm，1 μmol mol-1= 1 ppm）左右（Ballantyne et al., 2012）。工業活動是大氣中CO2的主要來源，而生態系統和海洋可以有效清除大氣中CO2。當人為排放源超過自然清除過程，必然導致大氣中CO2濃度不斷升高。受人為排放源、下墊面和天氣系統等因素的影響，大氣中CO2的時空分布極不均勻（Hansen et al., 2007;Raupach et al., 2007）。因此，估算植被—大氣碳通量交換，準確模擬各種氣象過程對于揭示大氣CO2的時空分布，定量估算區域碳收支，和制定碳的控制減排措施具有重要的理論和實際意義。

大氣CO2濃度及其變化趨勢一直受到人們的極大關注（IPCC，2007）。國內外科學家利用觀測（如地面觀測和衛星遙感）及數值模擬等方法對大氣CO2的時空分布及其演變規律進行了廣泛研究（Gurney et al., 2003; Crisp et al., 2004; NIES, 2006①NIES: GOSAT 2006. Greenhouse Gases Observing Satellite, Tsukuba, Japan.）。如WMO（World Meteorological Organization）開展的全球大氣觀測項目GAW（WMO’s Global Atmosphere Watch），對估算地—氣系統二氧化碳交換及連續監測大氣CO2的增長趨勢發揮了重要作用（Marquis and Tans, 2008）。由于觀測站點數目的限制，以及單個站點所代表的區域有限，僅靠單點觀測估算區域碳通量存在較大的不確定性（Gurney et al., 2003; Gerbig et al., 2006; Geels et al., 2007）。三維數值模式可以全面考慮各種人為源排放、植被吸收、邊界層湍流擴散及輸送等過程，模擬大氣中CO2的時空演變及不同源的貢獻。過去，全球尺度大氣CO2模式發展較快，如TM3模式（The Chemistry Transport Model version 3；Houweling et al., 1998）、TM5模式（The Chemistry Transport Model version 5；Krol et al., 2005）、LMDZ模式（Laboratoire de Météorologie Dynamique；Hauglustaine et al., 2004）等。這些模式已被廣泛地應用于全球碳收支估算、人類活動對全球CO2時空分布影響的定量評估以及碳源/匯的反演（Peters et al., 2005; Chevallier et al.,2007; Lauvaux et al., 2008）。由于時空分辨率限制，全球模式不能準確反映中小尺度天氣過程（如海陸風和山谷風）等對CO2時空分布的影響，其結果用于碳源匯反演時會造成較大誤差。近年來，Ahmadovetal.（2007）發展了一個中尺度大氣—植被耦合模式，用于模擬區域大氣CO2的時空分布，結果比全球模式如LMDZ和TM3等更符合觀測值（Ahmadov et al., 2009）。

作為碳排放大國，近年來我國在碳通量觀測研究方面取得了很大進展。如 2002年建立的中國陸地生態系統通量觀測網（于貴瑞等，2011）極大地推動了我國在CO2通量方面的研究。與此相比，我國在CO2的數值模擬研究方面明顯滯后，至今還沒有開展利用中尺度模式對CO2濃度的數值模擬研究。長江三角洲地區是我國主要經濟增長區之一，其經濟增長速度及經濟總量居國內首位，對實現國家CO2排放強度（即單位國內生產總值的CO2排放量）削減目標至關重要。因此，利用中尺度數值模式研究該地區地氣CO2凈交換和大氣CO2濃度的時空分布顯得極為迫切。

本文將更新WRF-GHG（Weather Research andForecasting Model with Greenhouse Gases Module）模式中的氣象模式，即將WRF（3.3版本）與植被光合呼吸模型VPRM（Vegetation Photosynthesis and Respiration Model；Ahmadov，2007）相耦合，模擬長江三角洲凈生態系統碳通量NEE（Net Ecosystem Exchange）及大氣CO2濃度的時空分布并評估現有WRF-GHG的模擬能力。同時討論各種人為源及植被光合呼吸等過程對該地區大氣CO2濃度時空分布的相對貢獻，以及湖陸風等局地環流條件對太湖附近地區CO2濃度的影響。

2 模式介紹及資料獲取

2.1 WRF-GHG簡介

WRF-GHG是由中尺度天氣研究與預報模式WRF與植被光合呼吸模型VPRM直接動態耦合的大氣—溫室氣體模式（Beck et al., 2011）。它能直接計算陸地生態系統與大氣中之間溫室氣體如CO2和甲烷（CH4）等的相互交換，考慮大氣中的擴散、輸送等過程對溫室氣體的影響，模擬和預報溫室氣體在時間和空間上的分布和演變。

WRF模式是20世紀90年代后期由美國國家大氣研究中心NCAR發展而來的中尺度天氣模式（Grell et al., 2005），已被廣泛應用于大氣、海洋、環境等多個領域的研究和業務預報（Skamarock and Klemp, 2008）。WRF一方面提供給植被模型VPRM計算所需的氣象場，另一方面，利用VPRM提供的溫室氣體通量，計算溫室氣體的時空演變。

VPRM模型是一種陸地生態系統溫室氣體診斷模型。利用衛星觀測資料反演得到地表水分指數LSWI、增強型植被指數EVI等參數，結合WRF輸出的2 m氣溫（Air Temperature at 2 m，簡稱T2）和太陽短波輻射（Download Shortwave，簡稱SWDOWN），估算生態系統凈交換NEE（Xiao et al.,2004; Mahadevan et al., 2008）。其計算公式如下：

其中，PAR0為光合有效輻射（PAR）的半飽和值；T為氣溫；λ為最大光能利用率；α和β分別代表與植被類型有關的經驗參數；Tscale、Pscale和Wscale分別代表與葉片溫度、葉面性狀和冠層含水量相關的特征量。方程（1）右邊的第一項代表總生態系統交換量（Gross Ecosystem Exchange，簡稱GEE），其它兩項是植被呼吸通量R。方程（2）中的Tscale代表光合作用的溫度敏感性（Raich et al., 1991），Tmin、Tmax和Topt分別是光合作用的最低溫度、最高溫度和最適溫度（Aber and Federer, 1992; Raich et al.,1991）。當大氣溫度低于光合作用的最低溫度時，Tscale的值為0。Pscale表示物候狀況對植被光合作用的影響，其值隨植物生長期而變化。Wscale是土壤水分和（或者）飽和水汽壓差（VPD）的函數（Running et al., 2000），代表地表水分對植被光合作用的影響。

植被類型對于NEE的計算至關重要。本文采用Jung et al.（2006）開發的SynMAP資料，分辨率為1 km。植被類型分為8種，VPRM模型中不同植被類型參數設定如表1所示（Mahadevan et al., 2008）。

表1 VPRM各參數的設置（Mahadevan，2008）Table 1 Parameters, PAR0, λ, α, β, selected by different vegetation classes in VPRM (Mahadevan, 2008)

為了定量評估不同源對大氣CO2濃度的貢獻，WRF-GHG將CO2信號分成 5種（Ahmadov et al.,2007）：CO2總濃度（C1）；植被光合與呼吸引起的CO2濃度變化（C2）；人為排放引起的CO2濃度變化（C3）；生態系統生物質燃燒引起的CO2濃度變化（C4）；全球背景CO2濃度（CB）。WRF-GHG能模擬大氣CO2時空變化，并定量評估各個信號量對大氣CO2總濃度變化的相對貢獻。

2.2 模式設置

為模擬區域尺度CO2的時空變化，采用三重嵌套模擬區域（圖1）。最外層模擬區域（d1）主要包括中國中部和東部地區，東西和南北格點為分別為80和60，水平格距為36 km；第二層（d2）包含華北平原南部和整個華東地區，格點為100×91，水平網格距為12 km；第三層區域(d3)則包括長江三角洲地區，水平格點為121×100，格距為4 km。垂直方向有46層并采用不等距分層，其中第一層大約為15 m，模式頂高約50 hPa。

圖1 模擬區域及觀測點位置：（a）三層嵌套模擬區域；（b）最內層模擬區域以及三個站點位置（NUIST為南京信息工程大學站點，DX為黨校站點，MLW為梅梁灣站點）Fig. 1 Simulation domains and observation sites: (a) The nested domains; (b) the innermost domain and the locations of three observational sites, NUIST: site of Nanjing University of Information Science and Technology, DX: site of Dang Xiao of Nanjing City, MLW: site of Mei Liang Wan of Taihu Lake

WRF模擬采用的物理過程參數化方案主要包括：RRTM長波輻射方案（Iacono et al., 2008），Dudhia短波輻射方案（Dudhia, 1989），YSU邊界層參數方案（Hong et al., 2006），Noah LSM陸面參數方案（Chen and Dudhia, 2001），WSM3類簡單冰微物理過程方案（Hong et al., 2004）、Kain-Fritsch積云參數化方案（第一和第二嵌套區域）（Kain, 2004）。

氣象場初始條件和邊界條件采用NCEP（National Centers for Environmental Prediction）第三代再分析產品CFSR（Climate Forecast System Reanalysis；http://rda.ucar.edu/datasets/ds093.0 [2010-07-31]），其水平分辨率為 0.5°×0.5°，時間間隔 6 h。各類CO2總濃度場（C1到CB）的初始條件和邊界條件采用CT2011（Carbon Tracker 2011）的全球輸出產品（Peters, 2007）。CT2011的空間分辨率為3°×2°，垂直分為34層，時間步長為3 h。CT2011輸出場包括CO2總濃度、生物燃燒源濃度、化石燃料源濃度等。

本文模擬過程中人為排放源采用全球人為排放源的數據庫EDGAR（Emission Database for Global Atmospheric Research vension4.2），分辨率為0.1°×0.1°（http://edgar.jrc.ec.europa.eu [2011-11-01]）。植被對CO2的吸收和釋放由VPRM模式在線計算。由于沒有明顯的生物質燃燒過程，本文在模擬過程中沒有考慮生物質燃燒排放源的貢獻。

2.3 觀測資料

2010年7月28日至8月2日，分別在長江三角洲三個不同地點使用渦動相關系統對CO2通量、濃度、以及風、溫、濕等進行了同步觀測。站點位置如圖1所示，DX（32.04°N，118.79°E）位于南京市區的白下區市委黨校校園，觀測高度 33 m；NUIST（32.21°N，118.70°E）位于南京信息工程大學校園，觀測高度5 m，距離DX約22km；MLW（31.45°N，120.27°E）代表無錫太湖梅梁灣站，觀測高度3.54 m。DX站代表以居民區和商業區為主的城市下墊面；NUIST位于長江以北，離DX約22公里，站點周圍1 km 內以草地、農田以及低矮的學校居民區為主；MLW周圍1 km內以少量農田、稀疏草地和大面積水體為主。

觀測儀器主要包括超聲風速儀（CSAT3,Campbell），CO2/H2O 紅外分析儀（Li-7500, LiCor），Picarro G1301 CO2/CH4/H2O分析儀，氣溫表和濕度測量儀（HMP45C, Vaisala）和四分量輻射儀（CNR1,Kipp & Zonen）。資料均經質量控制，包括野點剔除、坐標旋轉、WPL修正（Webb et al., 1980）以及夜間靜穩條件下的修正（van Dijk et al., 2004）等。

3 結果與討論

3.1 地面氣象要素

WRF-GHG從2010年7月26日00:00（北京時，下同）開始，一直模擬到2010年8月2日00:00。為減少CO2及各分量初始場的影響，7月26日和27日兩天的模擬值沒有參與模式結果評估和分析。圖2到圖4給出 了7月28日至8月2日三個站點模擬的2 m溫度（T2）、向下短波輻射（SWDOWN）和風速風向與觀測的對比。從圖可以看出，DX和NUIST兩個站點模擬的2 m氣溫和到達地表太陽短波輻射與實測吻合較好，但7月30日梅梁灣（MLW）站模擬的2 m氣溫比實際值明顯偏低。通過對WRF的模擬分析發現，WRF高估了該地區上空的總云量，使到達地面的向下短波輻射明顯低于觀測值，導致2 m氣溫的模擬值偏低。MLW站地處太湖沿岸，空氣中水汽含量大，給云的模擬帶來較大挑戰。另外，WRF模式沒有考慮土壤水分垂直遷移對土壤溫度的影響（代成穎，2009），也可導致模擬誤差。

圖2 2010年7月28日至8月2日期間（a）DX、（b）NUIST、（c）MLW三個站點的模擬和觀測的2 m氣溫（T2）對比。圓圈代表觀測值，實線為模擬值，下同Fig. 2 A comparison of simulated 2-m air temperature with observations at (a) DX, (b) NUIST, and (c) MLW, during the period from July 28 to August2,2010. Circle: observation, solid line: simulation, the same below

圖3 同圖2，但為向下短波輻射（SWDOWN）Fig. 3 Same as Fig. 2, but for downward shortwave radiation (SWDOWN)

統計計算表明，2 m 氣溫平均誤差（MBE）、均方根誤差（RMSE）和相關系數（R）分別為0.12～0.49°C、1.12～1.60°C 和 0.89～0.95。模擬的向下短波輻與觀測值相關系數為 0.89～0.93，平均偏差為0.29～33.36（W m-2）（表2）。另外，模擬的風速和風向，在時間變化上與觀測也吻合較好（圖4），但模擬的風速平均誤差為 0.57～1.22 m s-1。總的來說，WRF模式能夠提供VPRM計算CO2所需要的各種氣象場。

3.2 不同下墊面的NEE模擬

圖5比較了MLW和NUIST兩個站點模擬與觀測的NEE值。NUIST點白天CO2為凈吸收，如28日午后NEE達-0.7 mg (CO2) m-2s-1，其它模擬日NEE約為-0.5～-0.6 mg (CO2) m-2s-1；夜間CO2轉為凈排放，其凈通量為0.2～0.3 mg (CO2) m-2s-1。VPRM較準確地模擬了該站NEE日變化趨勢，但明顯低估了白天和夜間NEE峰值。 NEE的計算與VPRM 中最大光能利用率λ等參數的選擇密切相關。現有VPRM中各參數是根據歐美地區觀測資料擬合所得。劉成等（2014）利用千煙洲碳通量等觀測資料擬合發現，對于針葉林，VPRM現有λ值可能比實際值偏小。本研究直接采用 VPRM 自帶參數，也是導致 NEE模擬偏差的主要原因之一。另外，植被光合呼吸過程受到生物和非生物過程的控制，如土壤異養呼吸排放的CO2等，然而VPRM模型僅考慮太陽短波輻射和溫度兩個因子的影響。因此，VPRM模型本身的不完善以及輸入氣象要素模擬的不準確也可導致模式計算的NEE偏差（圖5a）。

圖4 2010年7月28日至2010年8月2日期間（a、d）DX、（b、e）NUIST、（c、f）MLW三個站點的模擬和觀測的風速、風向對比Fig. 4 A comparison of simulated wind speed and wind direction with observations at (a, d) DX, (b, e) NUIST, and (c, f) MLW, during the period from July 28 to August 2, 2010

MLW站，南臨太湖，周圍水體覆蓋面積較大，植被少。如圖5b所示，7月28和29日VPRM明顯高估白天NEE，30到31日與白天NEE觀測峰值吻合地很好，而8月1日低估了NEE；夜間模式明顯高估NEE。白天，在太陽輻射的作用下，湖面大量浮游植物，通過光合作用吸收CO2，使得太湖成為CO2的匯，這種吸收為主導的情形一直能夠維持到夜間21h左右，通常在這之后間浮游植物的呼吸作用占主導，但在研究期間我們發現湖面在夜間也有CO2負通量現象，如7月30和7月31日夜間。過去李香華（2005）使用“靜態箱法”夜間在太湖MLW站觀測到類似現象，他們沒有給出合理解釋。最近，本研究小組所在的耶魯大學-南京信息工程大學大氣環境中心李旭輝等人認為夜間水生大型藻類和浮游植物利用 CAM（Crassulacean AcidMetabolism）機制吸收CO2, 導致太湖湖面夜間CO2負通量（Lee et al., 2014）。

圖5 2010年7月28日至2010年8月2日期間（a）NUIST和（b）MLW站點模擬和觀測的凈生態系統碳通量對比Fig. 5 A comparison of simulated net ecosystem exchange flux (NEE) with observations at (a) DX, (b) MLW, during the period from July 28 to August 2, 2010

VPRM 白天高估 NEE，即高估了植被對 CO2的吸收。由于MLW站處在太湖岸邊，周圍下墊面類型比較復雜，而本研究模擬的最里層模式格距為4 km，模擬過程中該站所在的整個模式格點均被當作植被處理，導致該站點白天NEE被VPRM高估。MLW 夜間出現吸收的現象又導致模式高估了夜間的CO2通量。如要確保該格點僅代表陸地而沒有水體，唯一的方法是提高模式模擬的精度。但由于NEE觀測以及CO2人為污染源的限制，這是目前我們所能做到的模擬研究以及與觀測對比分析。今后應通過改進污染源，提高模式模擬精度，和完善觀測等方面加以改進。此外，7月28日中午Tscale為0.82，隨著氣溫的升高Tscale逐漸下降，到8月1日中午降到0.59，導致8月1日中午處的最大凈碳吸收偏低。

觀測期間該站主要盛行偏東南和西南風（圖4f），大部分通量信號來自湖面。這些都是造成VPRM在MLW站的模擬結果高于NEE觀測值的原因。另外，DX位于南京市區，植被覆蓋率低，其NEE結果本文沒有給出。

3.3 大氣CO2濃度

圖6給出了三個站點上大氣CO2濃度的時間序列。如圖所示，CO2呈明顯的日變化。日出后地表受太陽輻射作用，湍流混合強烈，同時植被光合作用增強，導致近地層大氣 CO2濃度不斷降低，于15:00左右達最低值；隨著光合作用和大氣湍流不斷減弱，近地層大氣CO2濃度逐漸升高。夜間，大氣邊界層趨于穩定，大氣邊界層內CO2不斷累積，其濃度不斷升高，并在日出前達到日極大值。WRF-GHG較準確地模擬了CO2濃度的日變化和不同模擬日之間的變化趨勢。另外，DX位于南京市區，周圍植被覆蓋少，加上建筑較多，濃度較高。NUIST站點幾公里內有熱電廠和化工園，受工業活動影響劇烈，CO2濃度最高。而MLW站位于太湖沿岸，處于風景區內，植被較多，同時周圍人口及工廠較少，CO2濃度最低。表明局地人為排放源對大氣CO2濃度有著重要影響。WRF-GHG較好地模擬了CO2的這些時空演變特征，但夜間存在一定的高估，而白天存在一定的低估。模擬評估結果顯示，三個站點模擬的CO2濃度的平均偏差（MBE）分別為0.7 ppm、-15.2 ppm和-4.7 ppm，相關系數分別為0.62、0.63和0.67（見表2）。

另外，局地氣象條件如風對大氣CO2濃度也有著重要影響。風速大不利于近地層CO2的積累，導致其濃度偏低。如圖4所示，WRF模式對于風的模擬還存在一定的難度，加上模式的風速和風向的輸出高度與實際觀測高度不一致。這些都可能導致CO2模擬偏差。

圖6 同圖2，但為大氣CO2濃度Fig. 6 Same as Fig. 2, but for CO2 concentrations

?

圖7給出2010年7月29日不同時間長江三角洲地區WRF-GHG模擬的大氣CO2濃度和風的空間分布演變圖。可以看出，模式能很好地模擬不同土地覆蓋類型CO2濃度的空間分布。比如浙江省北部山區受陸地生態系統控制CO2濃度偏低，而蘇南和上海市區人為排放源大，夜間CO2快速積累。一些主要排放源如上海金山、儀征工業區等排放源對局地大氣CO2濃度有著重要影響。太湖附近的城市如蘇州和無錫等，其大氣CO2同時還受湖陸風的影響。白天湖風可以向市區輸送低濃度CO2的空氣，夜間陸風可將城區高濃度CO2輸送到太湖近地層，部分被湖體吸收。就整個研究區域而言，太湖等水體和浙江省北部陸地生態系統對區域碳循環有一定的調節作用，減緩區域大氣CO2濃度偏高。

圖7 2010 年7 月29 日模擬區域d03 上的CO2 濃度（單位：ppm）分布特征Fig. 7 Spatial variations in CO2 concentrations (units: ppm) over the inner domain at different simulation time on Jul 29, 2010

3.4 不同源對大氣CO2濃度的貢獻

為定量評估不同源對長江三角洲地區CO2濃度的影響，圖8給出了NUIST站人為源和自然源對大氣CO2濃度的貢獻。如圖所示，CO2的背景場濃度為369 ppm，人為排放源的貢獻為40.4～70.6 ppm（平均值為44.1 ppm），植被呼吸對大氣CO2濃度的貢獻為0～64.5 ppm（平均值為7.8 ppm）。夜間，大氣CO2濃度主要受植被呼吸作用控制，但人為排放對CO2濃度的總量貢獻較大。

4 結論

本文利用中尺度大氣-溫室氣體耦合模型WRF-GHG對2010年7月28日至2010年8月2日期間影響長江三角洲地區大氣CO2濃度及時空分布的各種過程進行了詳盡模擬。通過與三個站點（DX、NUIST、MLW）的CO2通量和濃度觀測值對比，我們發現：

（1）植被光合呼吸模型 VPRM 計算的凈生態碳通量，對 WRF-GHG模擬 CO2的日變化至關重要。現有的VPRM能較準確地模擬NEE的日變化趨勢，但低估了白天的NEE。利用我國現有通量網的觀測數據，優化VRPM模式中各種植被類型所對應的參數，改進VPRM的NEE模擬將是今后工作的重點之一。

（2）WRF-GHG可較為準確模擬長江三角洲地區大氣CO2的時空變化特征。模式低估了大氣CO2濃度5～15 ppm，這與人為排放源的低估和VPRM的關鍵參數的不確定性密切相關。

（3）太湖和植被覆蓋較好的地區如浙江北部山區是該地區的主要碳匯，而城市為CO2的主要排放源。NUIST站的計算表明，人為源對大氣CO2濃度的貢獻為40～70 ppm。制定人為源減排措施，對于有效控制大氣CO2濃度極為重要。

（References）

Aber J D, Federer C A. 1992. A generalized, lumped-parameter model of photosynthesis, evapotranspiration, and net primary production in temperate and boreal forest ecosystems [J]. Oecologia, 92 (4): 463-474.

Ahmadov R, Gerbig C, Kretschmer R, et al. 2007. Mesoscale covariance of transport and CO2fluxes: Evidence from observations and simulations using the WRF-VPRM coupled atmosphere-biosphere model [J]. J.Geophys. Res.-Atmos, 112, D22107, doi:10.1029/2007JD008552.

Ahmadov R, Gerbig C, Kretschmer R, et al. 2009. Comparing high resolution WRF-VPRM simulations and two global CO2transport models with coastal tower measurements of CO2[J]. Biogeosciences, 6 (5):807-817, doi:10.5194/bg-6-807-2009.

Ballantyne A P, Alden C B, Miller J B, et al. 2012. Increase in observed net carbon dioxide uptake by land and oceans during the last 50 years [J].Nature, 488 (7409): 70-72.

Beck V, Koch T, Kretschmer R, et al. 2011. The WRF Greenhouse Gas Model (WRF-GHG) [R]. Technical Report No. 25, Max Planck Institute for Biogeochemistry, Jena, Germany.

Chen F, Dudhia J. 2001. Coupling an advanced land surface-hydrology model with the PENN State-NCAR MM5 modeling system. Part I: Model implementation and sensitivity [J]. Mon. Wea. Rev., 129: 569- 585.

Chevallier F, Bréon F M, Rayner P J. 2007. The contribution of the orbiting carbon observatory to the estimation of CO2sources and sinks:Theoretical study in a variational data assimilation framework [J]. J.Geophys. Res., 112, D09307, doi:10.1029/2006JD007375.

Crisp D, Atlas R M, Breon F M, et al. 2004. The Orbiting Carbon Observatory (OCO) mission [J]. Adv. Space Res., 34 (4): 700-709.

代成穎, 高志球, 王琳琳, 等. 2009. 兩種土壤溫度算法的對比分析 [J].大氣科學, 33 (1): 135-144. Dai Chengying, GAO Zhiqiu, WANG Linlin, et al. 2009. Intercomparison between two soil temperaturealgorithms [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 33(1): 135-144.

Dudhia J. 1989. Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model [J]. J.Atmos. Sci., 46 (20): 3077-3107.

Etheridge D M, Steele L P, Langenfelds R L, et al. 1996. Natural and anthropogenic changes in atmospheric CO2over the last 1000 years from air in Antarctic ice and firn [J]. J. Geophys. Res., 101 (D2): 4115-4128.

Geels C, Gloor M, Ciais P, et al. 2007. Comparing atmospheric transport models for future regional inversions over Europe —Part 1: Mapping the atmospheric CO2signals [J]. Atmos. Chem. Phys, 7 (13): 3461-3479.

Gerbig C, Lin J C, Munger J W, et al. 2006. What can tracer observations in the continental boundary layer tell us about surface-atmosphere fluxes?[J]. Atmos. Chem. Phys., 6 (2): 539-554.

Grell G A, Peckham S E, McKeen S, et al. 2005. Fully coupled “online”chemistry within the WRF model [J]. Atmos. Environ., 39 (37):6957-6975.

Gurney K R, Law R M, Denning A S, et al. 2003. TransCom 3 CO2inversion intercomparison: 1. Annual mean control results and sensitivity to transport and prior flux information [J]. Tellus B, 55 (2): 555-579,

Hauglustaine D A, Hourdin F, Jourdain L, et al. 2004. Interactive chemistry in the Laboratoire de Météorologie Dynamique general circulation model:Description and background tropospheric chemistry evaluation [J]. J.Geophys. Res., 109, D04314, doi:10.1029/2003JD003957.

Hansen J, Sato M, Ruedy R, et al. 2007. Dangerous human-made interference with climate: A GISS model study [J]. Atmos. Chem. Phys.,7 (9): 2287-2312.

Hong S Y, Jimy D, Chen S H. 2004. A revised approach to ice microphysical processes for the bulk parameterization of clouds and precipitation [J].Mon. Wea. Rev., 132 (1): 103-120.

Hong S Y, Yign N, Jimy D. 2006. A new vertical diffusion package with an explicit treatment of entrainment processes [J]. Mon. Wea. Rev., 134 (9):2318-2341.

Houweling S, Dentener F J, Lelieveld J. 1998. The impact of non-methane hydrocarbon compounds on tropospheric photochemistry [J]. J. Geophys.Res., 103 (D9): 10673-10696.

Iacono M J, Delamere J S, Mlawer E J, et al. 2008. Radiative forcing by long-lived greenhouse gases: Calculations with the AER radiative transfer models [J]. J. Geophys. Res., 113, D13103, doi:10.1029/2008JD009944.

IPCC. 2007. Climate Change 2007: The Physical Science Basis [M].Solomon S, Qin D, Manning M, et al. Cambridge, UK and New York,USA: Cambridge University Press.

Jung M, Henkel K, Herold M, et al. 2006. Exploiting synergies of global land cover products for carbon cycle modeling [J]. Remote Sens.Environ., 101 (4): 534-553.

Kain J S. 2004. The Kain-Fritsch convective parameterization: An update [J].J. Appl. Meteor., 43 (1): 170-181.

Krol M, Houweling S, Bregman B, et al. 2005. The two-way nested global chemistry-transport zoom model TM5: algorithm and applications [J].Atmos. Chem. Phys., 5 (2): 417-432, doi:10.5194/acp-5-417-2005.

Lauvaux T, Uliasz M, Sarrat C, et al. 2008. Mesoscale inversion: First results from the CERES campaign with synthetic data [J]. Atmos. Chem.Phys., 8 (13): 3459-3471, doi:10.5194/acp-8-3459-2008.

Lee X, Liu S, Xiao W, et al. 2014. The Taihu Eddy Flux Network: An observational program on energy, water and greenhouse gas fluxes of a large freshwater lake [J]. Bulletin of American Meteorological Society,95: 1583-1594.

李香華. 2005. 太湖水—氣界面溫室氣體通量及時空變化特征研究 [D].河海大學碩士學位論文. Li Xianghua. 2005. Study of the greenhouse gas flux of water-air Interface and its spatio-temporal change in Taihu Lake [D]. M. S. thesis (in Chinese), Hohai University.

劉誠, 黃建平, 刁一偉, 等. 2015. 植被光合呼吸模型在千煙洲亞熱帶常綠針葉林的優化與驗證 [J]. 植物生態學報，待刊. Liu Cheng, Huang Jianping, Diao Yiwei, et al. 2015. Photosynthesis and respiration parameter optimization and evaluation of VPRM with the measurements at a coniferous-evergreen forest site [J]. Chinese Journal of Plant Ecology(in Chinese), in press.

Mahadevan P, Wofsy S C, Matross D M, et al. 2008. A satellite-based biosphere parameterization for net ecosystem CO2exchange: Vegetation Photosynthesis and Respiration Model (VPRM) [J]. Global Biogeochemical Cycles, 22, GB2005, doi:10.1029/2006GB002735.

Marquis M, Tans P. 2008. Climate change: Carbon crucible [J]. Science, 320(5875): 460-461.

Peters W, Miller J B, Whitaker J, et al. 2005. An ensemble data assimilation system to estimate CO2surface fluxes from atmospheric trace gas observations [J]. J. Geophys. Res., 110, D24304, doi:10.1029/2005JD006157.

Raich J W, Rastetter E B, Melillo J M, et al. 1991. Potential net primary productivity in South America: Application of a global-model [J]. Ecol.Appl., 1 (4): 399-429.

Raupach M R, Marland G, Ciais P, et al. 2007. Global and regional drivers of accelerating CO2emissions[J]. Proceedings of the National Academy of Sciences of the United States of America, 104 (24): 10288-10293.

Running S W, Thornton P E, Nemani R, et al. 2000. Global terrestrial gross and net primary productivity from the earth observing system [M] //Methods in Ecosystem Science. New York: Springer, 44-57.

Skamarock W C, Klemp J B. 2008. A time-split nonhydrostatic atmospheric model for weather research and forecasting applications [J]. J. Comput.Phys., 227 (7): 3465-3485.

van Dijk A, Moene A F, de Bruin H A R. 2004. The principles of surface flux physics: Theory, practice and description of the ECPack library.Meteorology and Air Quality Group, Wageningen University,Wageningen, The Netherlands, 99 pp.

Webb E K, Pearman G I, Leuning R. 1980. Correction of flux measurements for density effects due to heat and water vapour transfer [J]. Quart. J. Roy.Meteor. Soc., 106 (447): 85-100.

Xiao X M, Hollinger D, Aber J, et al. 2004. Satellite-based modeling of gross primary production in an evergreen needle leaf forest [J]. Remote Sensing of Environment, 89 (4): 519-534.

于貴瑞, 王秋鳳, 朱先進. 2011. 區域尺度陸地生態系統碳收支評估方法及其不確定性 [J]. 地理科學進展, 30 (1): 103-113. Yu Guirui, Wang Qiufeng, Zhu Xianjin. 2011. Methods and uncertainties in evaluating the carbon budgets of regional terrestrial ecosystems [J]. Progress in Geography (in Chinese), 30 (1): 103-113.