中国科学院青藏高原研究所研究员、国家青藏高原科学数据中心主任李新联合中国科学院西北生态环境资源研究院王旭峰研究员、冉有华高级工程师、马瀚青博士以及兰州大学和中国科学院地理与资源研究所的研究人员在《中国科学：地球科学》杂志上发表了题为“陆地碳循环模型—数据融合：前沿与挑战”的综述文章。文章对碳循环模型-数据融合研究进展进行了全面地梳理；分析了陆地碳循环模型与观测各自不确定性的来源和特征；介绍了数据同化和参数估计这两类模型—数据融合方法的数学原理；并总结了陆地碳循环模型—数据融合研究的挑战和研究热点。

 陆地碳循环研究是当前气候变化研究关注的主要焦点之一，准确估计和预测陆地碳循环对于减缓全球碳排放，评价人类活动对全球气候系统的影响，实现“碳达峰”、“碳中和”目标具有重要意义。模型模拟和观测是陆地碳循环研究的两种基本手段，但是模型和观测在开展区域尺度碳循环研究时都具有很大的不确定性。模型模拟的不确定主要来自于模型结构、模型假设、模型参数、模型驱动和模型初始条件等。观测的不确定性主要来自于观测的代表性误差、器测误差、数据处理等方面。因此，如何发挥模型和观测各自的优势，控制它们的不确定性，从而提高碳循环的估算精度和可预测性，是陆地碳循环研究中面临的一大挑战。碳循环模型-数据融合技术的出现，为解决这一问题提供了新的思路。

 碳循环模型-数据融合立足于在碳循环模型的动力学框架内融合多种碳观测数据，在增强模拟和观测能力的同时，显著减少并准确度量碳循环各分量估计的不确定性。单一的模型或者观测都不足以准确提供陆地碳循环的完整图景，但模型和观测（数据）这两类信息是互补的，如果把它们互相结合起来，就可能得到更加准确、时空一致性更高的陆地碳循环的完整图景。从方法论的角度看，“模型－数据融合”的实质是在考虑数据误差和模型误差时空分布的基础上，实现模型信息和观测信息的最优融合，这个广义概念包括碳循环数据同化和碳循环模型参数估计两个方面（图1）。数据同化侧重于对模型状态变量的优化估计：在碳循环模型运行过程中，连续地融合不同来源和不同分辨率的直接与间接观测，不断依靠观测而调整模型运行轨迹，从而更加准确一致地估计碳循环各分量。参数估计侧重于对模型参数的优化估计：即寻找一组参数（或者参数的分布）使得模型预测值与观测数据达到最佳拟合。

       作者进一步总结了碳循环模型-数据融合研究中的挑战和研究热点。未来的挑战集中在两个方面：一是突破模型和观测不确定性估计的困境，二是发展成熟的陆地碳循环数据同化系统。在不确定性方面：“异参同效”问题的解决、代表性误差的准确估计、敏感性分析信息的有效应用是三个挑战。在数据同化系统集成方面，日光诱导叶绿素荧光、激光雷达、碳卫星等新型碳循环观测带来新机遇（图2），但随之而来的挑战是如何把多源多尺度观测整合到一个协调一致的碳数据同化系统中，从而建立起更加成熟的新一代全球陆地碳循环数据同化系统。

文章最后指出，发展更加成熟的碳循环模型－数据融合方法和系统，产出更高分辨率、更长时间序列、更可靠和一致的陆地碳循环再分析数据产品的条件已经成熟，而这一努力对于精细理解碳循环过程、准确估计全球和区域碳循环、实现巴黎协定中的减排目标乃至最终实现碳中和目标都具有重要意义。

研究详情请阅读原文：https://doi.org/10.1360/SSTe-2020-0352。

图1 陆地碳循环模型-数据融合的两种基本方法：数据同化和参数估计

图2 多源多尺度陆地碳循环数据同化示意