Новости партнеров

Biogeosciences: К ансамблевой оценке моделей земной поверхности в свете неопределённых воздействий и наблюдений

 

Количественная оценка неопределённости потоков энергии, воды и CO2, воспроизводимых моделями земной поверхности, остаётся сложной задачей. Модели земной поверхности обычно управляются и настраиваются для определённого набора данных метеорологического воздействия и определённого набора геофизических полей. Здесь используются два набора данных для представления метеорологического воздействия и земного покрова (в которых увеличение посевных площадей за исторический период реализовано одинаковым образом), а также две модельные структуры (с сопряжением циклов углерода и азота и без него). Неопределённость в смоделированных результатах за исторический период количественно определена для модели Канадской схемы земной поверхности с учётом биогеохимических циклов (CLASSIC). Полученные восемь имитационных модельных расчётов оцениваются с использованием внутренней структуры оценки моделей, использующей несколько наборов данных, основанных на наблюдениях. Смоделированные выгоревшая площадь, выбросы CO2 при пожаре, масса углерода в почве, масса углерода в растительности, поверхностный сток, гетеротрофное дыхание, валовая первичная продуктивность и поток явного тепла показывают наибольший разброс по восьми расчётам по сравнению с их глобальными средними значениями по ансамблю. Смоделированный суммарный поток CO2 из атмосферы в почву, решающий фактор, определяющий эффективность моделей земной поверхности, оказался в значительной степени независимым от смоделированной доиндустриальной растительности и массы углерода в почве, хотя использованная схема таким же образом представляет историческое увеличение посевных площадей в обоих вариантах земного покрова. Это указывает на то, что модели могут давать надёжные оценки силы стока углерода на суше, несмотря на некоторые погрешности в запасах углерода. Результаты показывают, что оценка ансамбля результатов модели по сравнению с несколькими наблюдениями позволяет отделить недостатки модели от неопределённостей во входных данных модели, данных, основанных на наблюдениях, и в конфигурации модели.

 

Ссылка: https://bg.copernicus.org/articles/20/1313/2023/

Печать