中間層與低熱層二氧化碳體積混合比的年際變化特征研究

劉棟， 董雁冰*， 毛宏霞， 包醒東， 魏合理

1 北京環(huán)境特性研究所 光學(xué)輻射重點實驗室， 北京 100854 2 中國科學(xué)院安徽光學(xué)精密機械研究所中國科學(xué)院大氣光學(xué)重點實驗室， 合肥 230031

0 引言

二氧化碳(CO2)作為中間層與低熱層大氣(MLT, Mesosphere and Lower Thermosphere) 中最主要的痕量成分之一，具有十分活躍的紅外輻射性質(zhì)，存在2.7 μm、4.3 μm、15 μm等多個重要吸收帶(Goody and Yung, 1989).現(xiàn)有的觀測和理論模擬已經(jīng)證明，CO2發(fā)射紅外輻射將MLT的能量釋放到外空間，會對大氣造成顯著的冷卻，這是決定MLT的能量收支和動力學(xué)的主要因素(Roble and Dickinson,1989; Mlynczak et al., 1999,2010).另一方面，MLT的輻射冷卻通過熱傳導(dǎo)作用也會導(dǎo)致熱層大氣收縮，從而改變熱層大氣密度，這會影響處于其中的低軌衛(wèi)星和軌道碎片的運動狀態(tài)(Emmert et al., 2012).此外，CO2的紅外輻射也直接構(gòu)成了這一區(qū)域的主要紅外背景輻射，決定著此區(qū)域的輻射傳輸特性(López-Puertas and Taylor, 2001).然而，隨高度增加，大氣擴散分離作用和光離解作用逐漸強于湍流混合作用，MLT CO2會逐漸偏離均勻混合，體積混合比(VMR, Volume Mixing Ratio)不再與低層大氣一致，多尺度的大氣輸運過程可能使其產(chǎn)生明顯的時空分布(Smith et al., 2011; Garcia et al., 2014).因此，開展MLT區(qū)域的CO2VMR時空分布特征研究，一方面，對準(zhǔn)確地認(rèn)知中高層大氣能量收支、動力學(xué)過程和全球氣候變化具有重要作用；另一方面，對空間環(huán)境安全的分析也有明確的指導(dǎo)意義；最后，它也是精確分析臨近空間紅外背景輻射特性的基本前提.

MLT CO2VMR最早的測量實驗是20世紀(jì)70年代利用探空火箭搭載的質(zhì)譜儀開展原位測量(Offermann and Grossmann, 1973; Trinks and Fricke, 1978).但是，這種技術(shù)的測量不確定度很大，且只能在有限的空間范圍和有限的時刻獲取觀測結(jié)果.臨邊紅外遙感技術(shù)是目前測量MLT CO2濃度的主要手段，它使得全球規(guī)模的長期觀測成為可能，包括兩種技術(shù)途徑：一種是利用太陽掩星方式測量大氣臨邊吸收譜，反演吸收成分濃度；另一種是測量大氣臨邊發(fā)射譜，反演發(fā)射成分濃度.López-Puertas等(2000) 和Rezac等(2015b) 詳細(xì)介紹了早期的臨邊遙感測量實驗.進入21世紀(jì)以來，搭載于SCISAT衛(wèi)星平臺的ACE-FTS(Atmospheric Chemistry Experiment Fourier Transform Spectrometer)(Bernath et al., 2005)積累了超過16年的全球觀測數(shù)據(jù).搭載于TIMED(Thermosphere Ionosphere Mesosphere Energetics Dynamics)衛(wèi)星平臺的SABER(Sounding of the Atmosphere using Broadband Emission Radiometry)(Mlynczak et al., 2010)和搭載于ENVISAT 衛(wèi)星平臺的MIPAS(Michelson Interferometer for Passive Atmospheric Sounding)(Fischer et al., 2008)，分別積累了18年和8年的觀測數(shù)據(jù)(Rezac et al., 2015a; Jurado-Navarro et al., 2016; Mlynczak et al., 2020).

鑒于觀測數(shù)據(jù)的積累量，早期MLT CO2濃度的研究以平均垂直分布為主，López-Puertas等(2000)和Beagley等(2010)系統(tǒng)地總結(jié)了這些研究.近幾年，長時序衛(wèi)星遙感數(shù)據(jù)的積累才使得MLT CO2濃度的全球時空變化特征研究成為可能.Emmert等(2012)利用ACE-FTS數(shù)據(jù)研究了2004—2012年間MLT CO2VMR的全球平均線性變化趨勢，展示出在90～105 km之間CO2VMR有約8%/decade的增長率，明顯高于低層大氣約5.5%/decade的增長率；Garcia等(2016)的再分析得到相似的結(jié)論.Yue等(2015)利用2002—2015年的SABER數(shù)據(jù)得出的結(jié)果展示出，全球平均線性趨勢從80 km開始超過低層大氣，在100 km以上達(dá)到約12%/decade.然而，模擬結(jié)果展示出，CO2VMR的相對趨勢在統(tǒng)計意義上幾乎不隨高度變化而改變(Emmert et al., 2012; Garcia et al., 2016)，實測結(jié)果與模擬結(jié)果間的差異得到廣泛的關(guān)注.Qian等(2017)和Rezac等(2018)指出ACE-FTS和SABER的數(shù)據(jù)質(zhì)量及數(shù)據(jù)采樣時空分布特征是分析其長期趨勢必須考慮的因素.

因此，針對MLT CO2VMR的長期變化特征需要進一步開展研究.另外，目前年際變化特征研究主要針對年平均的長期趨勢，對于其季節(jié)依賴以及其他年際變化特征也需要開展研究.比如，MLT區(qū)域太陽紫外輻射誘發(fā)CO2光離解會導(dǎo)致其VMR對太陽活動11年循環(huán)(11-year solar cycle)有明顯的響應(yīng)，需要定量地分析其響應(yīng)特征；在數(shù)據(jù)時間序列長度只有十幾年的情況下，準(zhǔn)確地說明長周期的年際響應(yīng)，對于正確提取長期趨勢也是必不可少的(Beig, 2011).

本文利用2002—2018年的SABER數(shù)據(jù)開展MLT CO2VMR的年際變化特征分析.年際變化包括它的長期趨勢，以及它對QBO(Quasi-Biannual Oscillation)，ENSO(El Nio-Southern Oscillation)，Solar Cycle這些年際擾動的響應(yīng).采用多元線性回歸模型對原始數(shù)據(jù)時間序列擬合，定量提取年際變化，分析其季節(jié)依賴和緯度分布.下文首先描述所采用的數(shù)據(jù)和分析數(shù)據(jù)的多元線性回歸方法；再呈現(xiàn)對擬合方法的分析以及長期趨勢和年際擾動響應(yīng)擬合系數(shù)的分析；最后對本文的結(jié)果進行總結(jié).

1 數(shù)據(jù)與分析方法

1.1 SABER CO2 VMR

本文使用的SABER CO2VMR數(shù)據(jù)來自2002—2018年的SABER Level2C version 2.0數(shù)據(jù)集.

SABER是十通道寬譜帶輻射計，波段覆蓋1.27～17 μm，通過臨邊掃描，每個通道每天可以獲得約1400條大氣臨邊輻亮度廓線.搭載SABER的TIMED衛(wèi)星平臺約60天繞自身軸轉(zhuǎn)動一次，以保證輻射計不被太陽直接照射，這導(dǎo)致SABER掃描的緯度范圍在54°N—83°S和83°N—54°S之間交替改變.因此，只有54°N—54°S的測量值是時間上連續(xù)的，本文的研究范圍就限定在這一區(qū)間內(nèi).另一方面，由于TIMED衛(wèi)星處于傾斜角74°的準(zhǔn)太陽同步軌道，SABER在指定緯度上采集數(shù)據(jù)的當(dāng)?shù)貢r是不固定的，以約60天的周期旋進24 h，因此SABER的輻射測量數(shù)據(jù)是白天至夜晚連續(xù)變化的(Mlynczak et al., 2010).

Rezac等(2015a)利用SABER 4.3 μm通道(2284～2409 cm-1)和15 μm通道(606～714 cm-1)的輻亮度廓線聯(lián)合反演MLT區(qū)域的溫度廓線和CO2VMR廓線.在MLT區(qū)域4.3 μm帶和15 μm帶的大氣發(fā)射輻射都存在顯著的non-LTE效應(yīng)，必須使用包含分子發(fā)射輻射機理的non-LTE輻射傳輸模型開展反演.但是，目前夜晚CO24.3 μm帶non-LTE機理存在較大的缺陷，導(dǎo)致只有白天的廓線能正確反演(太陽天頂角小于80°).另外，為了去除NO+對4.3 μm帶發(fā)射輻射的混淆，反演算法直接剔除了所有地磁擾動指數(shù)Kp大于4的廓線(Rezac et al., 2015a; 2015b).

以上因素共同決定了SABER CO2VMR數(shù)據(jù)的當(dāng)?shù)貢r分布特征.圖1以2013年為例，展示出一年內(nèi)所有反演廓線的當(dāng)?shù)貢r分布.圖1a給出52.5°N—52.5°S之間反演廓線的當(dāng)?shù)貢r分布，可以直觀地看到，同一天數(shù)據(jù)的當(dāng)?shù)貢r覆蓋白天一個時段并隨日期變化逐漸遷移，沒有反演數(shù)據(jù)的日期代表此時全球廓線是在夜晚采集.圖1b給出2.5°N—2.5°S緯度帶的例子，當(dāng)?shù)貢r分布特征與全球相似，只是同一天數(shù)據(jù)當(dāng)?shù)貢r分布更集中；而且每個緯度帶都具有類似的分布.因此，本文首先對原始數(shù)據(jù)在52.5°N—52.5°S之間5°為間隔的緯度帶內(nèi)，以每個月及其前后半個月的跨度進行月平均，得到有效分辨率為2個月的月平均CO2VMR時間序列，以最大程度地減小潮汐對年際變化的混淆作用.在結(jié)果與討論部分將進一步闡明這一選擇的合理性.

另外，本文研究的高度范圍就限定在65～105 km，因為在SABER Level2C version 2.0中此高度范圍內(nèi)的數(shù)據(jù)是真實反演值，其他高度的數(shù)據(jù)主要使用模式值填充.

圖2展示出南北半球和赤道區(qū)域五個典型緯度帶的SABER CO2VMR時間序列分布情況.各緯度帶CO2VMR在80 km左右開始偏離低層大氣的均勻混合狀態(tài)(400 ppmv左右)，隨高度增加迅速減小，在100 km以上普遍降至100～150 ppmv.在各緯度帶，都可以直觀地看到CO2VMR在17年間明顯地增大趨勢，下面就利用多元線性回歸方法定量提取長期線性趨勢，并同步提取CO2VMR對QBO，ENSO，Solar Cycle年際擾動的響應(yīng).

1.2 多元線性回歸模型

對每個緯度帶、每個高度上的CO2VMR時間序列使用的多元線性回歸模型可以表達(dá)如下：

+γ·t+ξ1·QBO1(t)+ξ2·QBO2(t)

+η·ENSO(t)+·F10.7(t)+ε(t),

(1)

圖1 SABER CO2 VMR全年所有廓線的當(dāng)?shù)貢r分布(以2013年數(shù)據(jù)為例)(a) 52.5°N—52.5°S之間所有廓線; (b) 2.5°N—2.5°S之間的廓線.Fig.1 The local time of one-year SABER CO2 VMR profiles (the case of 2013)(a) Profiles between 52.5°N—52.5°S; (b) Profiles between 2.5°N—2.5°S.

圖3 三種年際擾動的指示因子的月平均時間序列(a) QBO指示因子； (b) ENSO指示因子； (c) 太陽活動11年循環(huán)指示因子.Fig.3 The monthly reference time series of the three interannual variations(a) The reference for QBO; (b) The reference for ENSO; (c) The reference for 11-year solar cycle.

圖4 80 km、90 km、100 km處的CO2 VMR時間序列(以2.5°N—2.5°S緯度帶為例)黑線代表SABER實測數(shù)據(jù)，紅線代表基于多元線性回歸模型重構(gòu)的數(shù)據(jù).Fig.4 The time series of CO2 VMR at 80 km, 90 km and 100 km (the case of 2.5°N—2.5°S)The black lines denote SABER observed data and the red lines denote the reconstructed data based on the multiple linear regression model.

(1)式中t為時間，CO2(t)代表CO2VMR的月平均時間序列；ε(t)為擬合結(jié)果與原始值間的差值，即殘差項.μ是回歸模型的橫截距.cos(2πt/ln)和sin(2πt/ln)共同描述周期為ln的季節(jié)振蕩，本模型包含了四種周期的季節(jié)振蕩，分別為周期12個月的年振蕩(AO,Annual Oscillation)，周期6個月的半年振蕩(SAO,Semi-Annual Oscillation)，周期4個月和3個月的兩個高頻諧振子(Yi et al., 2019).

(1)式中系數(shù)γ就是CO2VMR的線性增長率(以下稱長期趨勢).QBO1(t)、QBO2(t)、ENSO(t)、F10.7(t)描述QBO、ENSO和Solar Cycle，本模型采用三種指示因子的月平均時間序列作為這些年際擾動的參考時間序列(如圖3所示).對于QBO，采用新加坡站址探空氣球測量的30 hPa和10 hPa處的赤道緯向風(fēng)速度作為指示因子(Randel and Wu, 1996; Baldwin et al., 2001).如圖3a所示，兩個高度的緯向風(fēng)速度均呈現(xiàn)明顯的準(zhǔn)兩年振蕩，但是振蕩相位有約6個月的偏差，采用兩個高度的赤道緯向風(fēng)完整表征QBO，分別對應(yīng)QBO1(t)和QBO2(t).對于ENSO，采用MEI(Multivariate ENSO Index)指數(shù)作為指示因子(Randel et al., 2009; Wolter and Timlin, 2011).如圖3b所示，正值代表暖事件，即El Nio；負(fù)值代表冷事件，即La Nia.對于太陽活動11年循環(huán)，采用F10.7指數(shù)作為指示因子，它是目前普遍使用的太陽紫外輻射強度指數(shù)(Tapping, 2013).如圖3c所示，展示出太陽紫外輻射從高峰到低谷再到高峰的循環(huán).系數(shù)ξ1、ξ2、η、就是CO2VMR對這些擾動變化的響應(yīng)率.在本模型中，γ、ξ1、ξ2、η、均具有A0+A1cos(2πt/12)+A2sin(2πt/12) +A3cos(2πt/6)+A4sin(2πt/6)的形式，以說明各年際變化的季節(jié)依賴特征.每個系數(shù)的不確定度估計方法可以表達(dá)如下(Randel and Cobb, 1994; Li et al., 2013):

(2)

式中σ2(A0)，σ2(A0,A1)等是每個系數(shù)擬合產(chǎn)生的方差和協(xié)方差.季節(jié)依賴表示各年際變化在不同的季節(jié)可能表現(xiàn)出不同的變化率，年際變化的平均狀態(tài)(稱為年平均值) 就是對各季節(jié)的變化系數(shù)取平均.

鑒于CO2VMR絕對值在MLT區(qū)域隨高度變化，以下分析的長期趨勢和年際擾動響應(yīng)系數(shù)都采用相對值，相對值就是將擬合得到的系數(shù)除以對應(yīng)時間序列的平均值.

2 結(jié)果與討論

2.1 擬合方法的分析

為了說明多元線性回歸模型的擬合可以準(zhǔn)確捕捉到原始序列中的變化，基于不包含殘差項的多元線性回歸模型，利用擬合得到的系數(shù)重構(gòu)回歸擬合時間序列，將重構(gòu)序列與對應(yīng)的SABER實測序列對比.圖4展示出一組2.5°N—2.5°S緯度帶的對比示例，很明顯，在所呈現(xiàn)的80 km、90 km、100 km三個高度上，重構(gòu)結(jié)果可以很好地捕捉到實測序列中的振蕩變化，兩者的相關(guān)系數(shù)在三個高度上分別達(dá)到0.97,0.96,0.94.

圖5進一步展示出所有緯度帶的所有高度上重構(gòu)序列與實測序列的相關(guān)系數(shù).在本研究的緯度和高度范圍內(nèi)，兩者相關(guān)系數(shù)都超過0.8，絕大多數(shù)序列的相關(guān)系數(shù)都在0.9以上.這表明本文采用的擬合方法可以準(zhǔn)確捕捉原始序列的變化特征.

2.2 MLT CO2 VMR長期趨勢

為了說明SABER采樣方式對分析結(jié)果的影響，將多元線性回歸擬合同時應(yīng)用于幾種類型的時間序列，分別是：SABER原始數(shù)據(jù)產(chǎn)生的單月平均時間序列(圖6中“SABER_monthly”) 和雙月平均時間序列(圖6中“SABER_bimonthly”)；WACCM (Whole Atmosphere Community Climate Model)模式輸出值按SABER CO2VMR緯度-高度-當(dāng)?shù)貢r分布重采樣的數(shù)據(jù)集產(chǎn)生的單月平均時間序列(圖6中“sampled_WACCM_monthly”)和雙月平均時間序列(圖6中“sampled_WACCM_bimonthly”).WACCM是目前用于中高層大氣模擬的最先進模式，被廣泛用于中高層大氣成分濃度分布、動力學(xué)過程等問題的研究(Marsh et al.,2013; Garcia et al.,2014).WACCM的重采樣數(shù)據(jù)同樣取自SABER Level2C數(shù)據(jù)集.這里所謂單月平均序列就是將每個月的所有原始數(shù)據(jù)平均，作為本月平均值；雙月平均序列就是每月平均值都使用本月及其前后半月的所有原始數(shù)據(jù)平均，即本文采用的方式.

圖6展示出幾種類型時間序列提取的長期趨勢的全球平均結(jié)果.為了方便說明問題，圖中引用了Garcia等(2016)給出的結(jié)果，即全球均勻網(wǎng)格內(nèi)每天六小時一組輸出值的完整WACCM序列提取的長期趨勢(圖6中“complete_WACCM”).根據(jù)Garcia等(2016)，在65～105 km之間模式預(yù)測的相對趨勢由5.5±0.1%/decade略減小至4.6±0.5%/decade.時空分布均勻的數(shù)據(jù)序列，無論采用單月平均還是雙月平均，不會對長期趨勢的提取產(chǎn)生影響，可以作為理想?yún)⒄?這是因為完整WACCM模式值具有規(guī)則的當(dāng)?shù)貢r分布，不管哪種平均方式都可以完全消除潮汐變化的影響.然而，根據(jù)圖6a，重采樣的WACCM明顯受到月平均方式的影響，單月平均的結(jié)果在所有高度上都相比理想結(jié)果變大，雙月平均的結(jié)果總體上與理想?yún)⒄战Y(jié)果符合得更好.這主要是因為重采樣后的WACCM數(shù)據(jù)的當(dāng)?shù)貢r具有圖1展示出的特征，單月平均會造成潮汐變化混淆進時間序列中，被誤作季節(jié)變化或年際變化特征；而雙月平均使CO2VMR近似代表當(dāng)月的白天平均狀態(tài)，可以很大程度降低潮汐的影響.需要指出，由于重采樣數(shù)據(jù)的當(dāng)?shù)貢r分布仍具有一定不規(guī)則性，雙月平均也不能總是完全消除潮汐影響，但在統(tǒng)計意義上，它的趨勢與理想結(jié)果可以認(rèn)為一致.圖6b展示出SABER實測數(shù)據(jù)在兩種月平均方式下的差異更顯著，月平均結(jié)果在80 km以上出現(xiàn)明顯地增大，雙月平均結(jié)果則保持在5%～5.5%/decade，雙月平均結(jié)果與完整WACCM的結(jié)果在統(tǒng)計意義上是相符合的.可以得出結(jié)論：采用雙月平均時間序列是目前SABER CO2VMR數(shù)據(jù)提取年際變化特征更可信的方式.圖6c重新比較了雙月平均下SABER與WACCM的相對趨勢，由于時空采樣不規(guī)則SABER結(jié)果與重采樣WACCM結(jié)果在80 km以上的不確定度都明顯擴大，但兩者符合得更好.使用模式結(jié)果與SABER實測結(jié)果比較時，也應(yīng)該選擇按SABER時空分布重采樣的數(shù)據(jù)進行對比.

圖5 擬合重構(gòu)時間序列與實測值時間序列的相關(guān)系數(shù)的緯度-高度分布Fig.5 The latitude-altitude section of the correlation coefficients between reconstructed time series and observed time series

圖6 全球平均的長期趨勢對比(a) 完整WACCM數(shù)據(jù)集提取的趨勢，按SABER數(shù)據(jù)時空分布重采樣的WACCM數(shù)據(jù)集分別按單月平均和雙月平均序列提取的趨勢； (b) 完整WACCM趨勢與SABER按單月平均和雙月平均序列提取的趨勢； (c) 完整WACCM趨勢，重采樣的WACCM和SABER按雙月平均序列提取的趨勢.Fig.6 The comparison of global average annual mean trends(a) the trends extracted from complete WACCM, SABER-like sampled WACCM time series with monthly bin and bimonthly bin respectively; (b) the trends extracted from complete WACCM, SABER monthly and bimonthly time series; (c) the trends extracted from complete WACCM, SABER and SABER-like sampled WACCM bimonthly time series. The complete WACCM result is adapted from Garcia et al. (2016).

圖7展示出長期趨勢隨緯度-高度的分布，這里給出的結(jié)果都是年平均的相對趨勢.-50°代表50°S，50°代表50°N，其他同理.可以看出，對原始數(shù)據(jù)月平均和雙月平均提取的長期趨勢在緯度分布上呈現(xiàn)更顯著的差異.SABER月平均序列在20°N的105 km處出現(xiàn)9.2%/decade的極大值，接近低層大氣長期趨勢的兩倍；但是雙月平均提取的趨勢緯度分布比較均勻，隨高度增加，有略微降低.SABER與重采樣WACCM的雙月平均結(jié)果相符合得也更好.重采樣WACCM在中間層頂與低熱層的長期趨勢有一定幅度變化，高緯度區(qū)域出現(xiàn)7%/decade的極大值，但高緯度區(qū)域樣本量更少，導(dǎo)致更大的擬合不確定度，因此在統(tǒng)計意義上認(rèn)為SABER長期趨勢與WACCM模式結(jié)果符合得較好.

這一結(jié)果得到目前的動力學(xué)觀測證據(jù)的支持.重力波活動強度是湍流垂直混合強度的直接體現(xiàn)，因此是MLT區(qū)域CO2VMR分布的決定因素(Richter et al., 2010; Garcia et al., 2014).Liu等(2017) 對SABER溫度數(shù)據(jù)提取的重力波進行年際變化分析，展示出在MLT區(qū)域沒有全球性的統(tǒng)計顯著的重力波活動強度長期趨勢.但應(yīng)該指出，只有部分波長的重力波被提取分析，全面地研究MLT區(qū)域動力學(xué)過程及其對CO2VMR分布的影響仍然是十分重要且迫切的.

圖8展示出長期趨勢對季節(jié)的依賴，20°N緯度帶(17.5°N—22.5°N)的結(jié)果作為示例給出，其他緯度帶的結(jié)果具有相似的特征.需要說明，圖8及以后的結(jié)果均在雙月平均方式下得到.根據(jù)圖8a，在MLT區(qū)域CO2VMR長期趨勢有明顯的季節(jié)性改變，在所有的高度上，增長率都存在明顯的極小值并逐漸恢復(fù)到較大值，極小值出現(xiàn)的月份隨高度增加逐漸向后遷移；且越高的高度上，極小值月份的增長率降低越明顯，即長期趨勢的季節(jié)性變化越劇烈.在65 km處，增長率極小值為5.2%/decade，出現(xiàn)在4月份，隨后逐漸擴大到最大6.4%/decade；在105 km處，增長率極小值降至3.3%/decade，出現(xiàn)在6月份和7月份，隨后逐漸擴大到最大6.1%/decade.圖8b展示出重采樣WACCM在對應(yīng)緯度帶的長期趨勢季節(jié)依賴，在總體形式上，模式能再現(xiàn)SABER數(shù)據(jù)的特征，但定量分布仍存在一定差距.考慮到WACCM在對MLT CO2VMR季節(jié)-緯度變化的定量預(yù)測方面仍存在一定偏差(Garcia et al., 2014; Rezac et al., 2015b)，長期趨勢季節(jié)依賴的定量偏差是可以理解的.

圖7 長期趨勢緯度高度分布的比較(a) SABER月平均擬合結(jié)果； (b) SABER雙月平均擬合結(jié)果； (c) 重采樣WACCM月平均擬合結(jié)果； (d) 重采樣WACCM雙月平均擬合結(jié)果.Fig.7 The comparison of latitude-altitude section of the long-term trends(a) from SABER monthly time series; (b) from SABER bimonthly time series; (c) from sampled WACCM monthly time series; (d) from sampled WACCM bimonthly time series.

圖8 長期趨勢的季節(jié)依賴分布(20°N緯度帶的結(jié)果)(a) SABER的結(jié)果； (b) 對應(yīng)的重采樣WACCM的結(jié)果.Fig.8 The seasonal dependence of long-term trends (the case of 20°N latitude band)(a) the results of SABER; (b) the results of sampled WACCM.

為了進一步解釋長期趨勢的季節(jié)性變化特征，圖9展示出Mauna Loa地面觀測站的CO2VMR季節(jié)性長期趨勢.Mauna Loa地面觀測站位于19.5°N，155.6°W，是監(jiān)測全球近地面CO2VMR本底值變化的主要站址(Etheridge et al., 1996).利用本文的多元線性回歸方法對Mauna Loa觀測站2002—2018年的CO2VMR月平均值進行分析.根據(jù)圖9，近地面CO2VMR的長期趨勢也存在季節(jié)性改變，8月份最低，為5.51%/decade，在春冬季增速至5.60%/decade附近.這主要是因為夏季的植被大量吸收大氣中的碳，更高的溫度也有利于海洋吸收大氣中的碳，從而減緩大氣中碳濃度的增長速率.這種線性增長速率的季節(jié)性改變隨著大氣的垂直輸運過程影響了中高層大氣的CO2VMR線性增長率，使其同樣具有季節(jié)性改變.由于CO2VMR被輸運到上層大氣的過程具有明顯的時間延遲(Bischof et al., 1985; Smith et al., 2011)，線性增長率極小值隨高度增加而向后延遲是可以理解的.另外應(yīng)該看到，在近地面增長率的季節(jié)性變化不到0.1%/decade，而MLT區(qū)域的季節(jié)性變化在1%/decade以上.這主要是因為CO2VMR的季節(jié)振蕩絕對幅度在MLT區(qū)域顯著大于近地面.根據(jù)圖9藍(lán)線展示出的Mauna Loa CO2VMR一年的月平均值，在近地面CO2VMR的季節(jié)振蕩較小，約6 ppmv左右；而根據(jù)圖2，MLT區(qū)域CO2VMR在偏離均勻混合后季節(jié)振蕩顯著擴大，在100 km處達(dá)到40ppmv以上.

2.3 MLT CO2 VMR對年際擾動的響應(yīng)

圖10展示出SABER CO2VMR對30 hPa QBO和10 hPa QBO擾動項的響應(yīng)系數(shù)(年平均值)隨緯度和高度的分布，陰影區(qū)域表示對QBO擾動的響應(yīng)在2σ置信度水平上是不顯著的，即統(tǒng)計意義上實際響應(yīng)系數(shù)與零值是不可區(qū)分的.可以看到，SABER CO2VMR對QBO擾動的響應(yīng)是很弱的，最大的響應(yīng)系數(shù)為0.45%/10 ms-1；而且絕大多數(shù)情況，對QBO的響應(yīng)是統(tǒng)計不顯著的.

圖11展示出SABER CO2VMR對ENSO擾動項的響應(yīng)系數(shù).類似于QBO響應(yīng)，分析結(jié)果顯示，在所有緯度帶的所有高度上SABER CO2VMR對ENSO的響應(yīng)都是很弱且不顯著的.實際上，將QBO和ENSO從多元線性回歸模型中移除，并不會明顯改變其他系數(shù)的大小.

圖12展示出SABER CO2VMR對太陽活動11年循環(huán)的響應(yīng)系數(shù).在80～100 km的絕大多數(shù)區(qū)域，SABER CO2VMR對太陽活動存在顯著的負(fù)響應(yīng)，且太陽活動響應(yīng)具有明顯的半球不對稱分布.在南半球，響應(yīng)系數(shù)保持在-1.5%/100sfu至-1%/100sfu；但在北半球，響應(yīng)系數(shù)絕對值從低緯度向高緯度逐漸增加，在50°N的100 km附近達(dá)到-5.7%/100sfu的極值.

圖10 CO2 VMR (a) 對30 hPa QBO； (b) 對10 hPa QBO的響應(yīng)系數(shù)的緯度-高度分布，陰影區(qū)域表示結(jié)果在2σ置信度上是統(tǒng)計不顯著的Fig.10 The latitude-altitude sections of the response to interannual variations of CO2 VMR. The shade region denotes that the responses are insignificant statistically at 2σ confidence level. (a) to QBO at 30 hPa; (b) to QBO at 10 hPa

圖11 類似于圖10，CO2 VMR對ENSO的響應(yīng)系數(shù)的緯度-高度分布Fig.11 Same as Figure 10, but for ENSO

圖12 類似于圖10，CO2 VMR對太陽活動11年循環(huán)的響應(yīng)系數(shù)的緯度-高度分布Fig.12 Same as Figure 10, but for 11-year solar cycle

根據(jù)目前已知的機制，MLT區(qū)域CO2VMR對太陽活動11年循環(huán)的響應(yīng)主要來自于兩種過程.第一，根據(jù)Garcia等(2014)，太陽紫外輻射對CO2的光解離作用對MLT CO2VMR分布的影響是不可忽略的，因此太陽活動變化會直接改變MLT 區(qū)域的CO2VMR.光解離作用導(dǎo)致CO2VMR對太陽活動變化有負(fù)響應(yīng)，但是這一機制引起的響應(yīng)應(yīng)該是全球均勻的.第二，太陽活動變化也影響MLT 區(qū)域的重力波活動及湍流垂直混合作用，進而間接引起CO2VMR同步變化.根據(jù)Liu等(2017)，SABER溫度數(shù)據(jù)提取的重力波活動強度對太陽活動11年循環(huán)的響應(yīng)在80 km以上是負(fù)的，且存在明顯的北半球強于南半球的半球不對稱分布，因此這一機制可以解釋80 km以上CO2VMR對太陽活動11年循環(huán)負(fù)響應(yīng)的半球不對稱性.

應(yīng)該看到，在100 km以上，SABER CO2VMR對太陽活動的響應(yīng)在中高緯度區(qū)域仍然是負(fù)的，但在赤道附近出現(xiàn)0.5%/100sfu的正響應(yīng)；弱的正響應(yīng)也出現(xiàn)在65～75 km之間的絕大多數(shù)區(qū)域.MLT 區(qū)域CO2VMR對太陽活動的正響應(yīng)目前看來沒有合適的物理機制可以解釋.可能的原因是，要么存在其他接近10年周期的MLT 區(qū)域擾動特征與太陽活動11年循環(huán)混淆，要么是由于SABER時空采樣不規(guī)則導(dǎo)致的人為變化特征與太陽活動11年循環(huán)混淆.這些再次表明，需要對MLT動力學(xué)過程及CO2VMR分布的影響機制開展更深入的研究；同時需要更多的觀測實驗以及更好的反演模型，以獲取持續(xù)時間更長、分布更規(guī)則的數(shù)據(jù)集(比如包含夜晚CO2VMR).

3 總結(jié)

本文利用目前對MLT區(qū)域持續(xù)觀測時間最長的SABER在2002—2018年間的CO2VMR反演數(shù)據(jù)集研究了MLT CO2VMR的年際變化特征.利用MLT CO2VMR多元線性回歸模型擬合時間序列，獲得各種變化特征在50°S—50°N之間65～110 km范圍內(nèi)的定量分布.基于擬合系數(shù)的重構(gòu)序列與實測值序列的對比結(jié)果證明了多元線性回歸模型能夠準(zhǔn)確捕捉時序中的變化特征.結(jié)合WACCM模式值的對比分析，表明了采用雙月平均時間序列提取年際變化特征可以更好地去除潮汐混淆作用，給出更可信的年際變化特征結(jié)果.

根據(jù)本文的分析方法，SABER CO2VMR在MLT區(qū)域呈現(xiàn)的長期趨勢總體是穩(wěn)定的.全球平均值在65 km處為5.8±0.1%/decade，隨高度增加有小幅度下降，在105 km處為4.3±1.2%/decade；結(jié)果與WACCM模式預(yù)測結(jié)果在統(tǒng)計意義上相符.長期趨勢的緯度分布在統(tǒng)計意義上是均勻的，在90 km以下均保持在5.5%/decade左右，在90 km以上降低到4.5%/decade左右.長期趨勢具有明顯的季節(jié)依賴，長期趨勢在特定的月份出現(xiàn)極小值，在其他月份逐漸恢復(fù)為較大值；季節(jié)性改變隨高度增加幅度增大，極小值出現(xiàn)月份隨高度增加向后遷移.這主要來源于低層大氣CO2VMR線性增長速率的季節(jié)性改變.

SABER CO2VMR在MLT區(qū)域?qū)BO和ENSO的響應(yīng)很弱，在絕大多數(shù)區(qū)域沒有統(tǒng)計顯著的響應(yīng).對太陽活動11年循環(huán)有顯著的響應(yīng)，在80 km以上響應(yīng)主要是負(fù)的，且具有明顯的半球不對稱分布，極值-5.7%/100sfu出現(xiàn)在北半球高緯度地區(qū).CO2VMR對太陽活動11年循環(huán)的響應(yīng)特征可以根據(jù)紫外輻射光解離和湍流混合作用機制解釋.在65～75 km之間和105 km的赤道附近呈現(xiàn)弱的正響應(yīng)，目前沒有合適的機制可以解釋.本文對MLT CO2VMR年際變化特征的研究也表明對MLT區(qū)域動力學(xué)過程及其對CO2VMR分布的影響機制需要更深入的研究；為獲取更可靠的結(jié)果，持續(xù)時間更長、時空分布更規(guī)則的觀測數(shù)據(jù)集也是必要的.

致謝感謝SABER團隊提供的Level2C數(shù)據(jù)，SABER和重采樣的WACCM CO2VMR均取自Level2C.原始數(shù)據(jù)集可以通過ftp:∥saber. gats-inc. com/Version2_0/Level2C/獲取.Mauna Loa的CO2VMR數(shù)據(jù)可以通過www.esrl.noaa.gov/gmd/ccgg/trends獲取；緯向風(fēng)探空數(shù)據(jù)可以通過http:∥www. geo.fu-berlin. de/en/ met/ag/strat/produkte/qbo/index.html獲??；MEI指數(shù)數(shù)據(jù)可以通過http:∥www. esrl. noaa.gov/psd/enso/mei/獲取；F10.7指數(shù)數(shù)據(jù)可以通過ftp:∥geolab. nrcan .gc.ca/data/daqs1_solar_flux/獲取；同樣感謝這些數(shù)據(jù)的提供者.