Vorige maand, een internationaal team van wetenschappers, waaronder William Riley en Qing Zhu van Berkeley Lab, heeft een update gepubliceerd over het wereldwijde methaanbudget als onderdeel van het Global Carbon Project. Ze schatten de jaarlijkse wereldwijde methaanuitstoot op bijna 570 miljoen ton voor het decennium van 2008 tot 2017, dat is 5% hoger dan de emissies die zijn geregistreerd voor het begin van de jaren 2000 en het equivalent van 189 miljoen auto's meer op de wereldwegen.

Antropogene bronnen zoals landbouw, verspilling, en fossiele brandstoffen droegen bij aan 60% van deze emissies, terwijl wetlands de grootste natuurlijke bron van methaan vormden. Riley, een senior wetenschapper van Berkeley Lab, richt zich op het modelleren van hoe terrestrische ecosystemen, zoals wetlands, omgaan met het klimaat. Werken met Zhu, ze bouwden een van de computermodellen waarmee wetenschappers deze methaanemissies van wetlands op wereldschaal kunnen kwantificeren.

Hoewel de wereldwijde methaanemissies in wetland tussen het laatste decennium en het begin van de jaren 2000 grotendeels onveranderd bleven, deze landschappen bleven enkele van de grootste onzekerheden introduceren bij het schatten van het wereldwijde methaanbudget. Riley legt de betrokkenheid van zijn team bij het Global Carbon Project uit en hun inspanningen om deze onzekerheid te verminderen.

V. Wat is het Global Carbon Project en hoe ben je erbij betrokken geraakt?

Het is een losjes gestructureerde groep internationale wetenschappers die sinds 2001 werkt aan het bouwen van wereldwijde budgetten voor broeikasgassen, onder andere inspanningen. Deze budgetten omvatten koolstofdioxide, methaan, en lachgas. Veel van het werk is gericht op het karakteriseren van deze budgetten, begrijpen waarom ze kunnen veranderen, en wat de wetenschappelijke gemeenschap kan doen om ze beter in te schatten.

Als onderdeel van het project Reducing Uncertainty in Biogeochemical Interactions through Synthesis and Computation (RUBISCO), dat is een wetenschappelijk aandachtsgebied bij Berkeley Lab, we werken aan wereldwijde koolstofbudgetten. De Berkeley Lab-groep bouwde een van de originele wereldwijde methaanmodellen voor wetland, en daarom werden we gevraagd om deel te nemen aan het Global Carbon Project.

V. Waarom zouden we om methaan geven?

Methaan wordt uitgestoten door een reeks antropogene bronnen zoals stortplaatsen, landbouw, en fossiele brandstoffen, evenals natuurlijke systemen zoals wetlands. Het is het op één na belangrijkste broeikasgas waar de mens aan bijdraagt. Sinds pre-industriële tijden, toename van methaan in de atmosfeer heeft bijgedragen aan een kwart van het klimaatopwarmende effect van broeikasgassen. Dat is groot.

Maar in tegenstelling tot koolstofdioxide, methaan heeft een kortere levensduur in de atmosfeer. Als we grote veranderingen doorvoeren in onze uitstoot, methaan kan relatief snel worden verwijderd.

V. Zijn de methaanemissies moeilijk in te schatten?

Er zijn veel methaanbronnen. Om een ​​begroting op te stellen, moet u ze allemaal bij elkaar optellen. We kunnen de bijdragen van door de mens veroorzaakte methaanemissies redelijk inschatten. Echter, het is moeilijk om de methaanemissies van biogene bronnen zoals wetlands, die naar schatting 20% ​​tot 30% uitmaken van het wereldwijde budget voor methaanemissies.

In wetlands, methaan wordt geproduceerd uit microbiële activiteit. Zodra het is geproduceerd, er zijn meerdere routes waarin methaan wordt verbruikt en van de bodem naar de atmosfeer wordt getransporteerd:planten, borrelen, en diffusie. Al deze processen zijn op zichzelf onzeker en het samenvoegen ervan maakt het moeilijk om voorspellingen te doen. Planten, bijvoorbeeld, kan methaan uit de grond halen en direct in de atmosfeer afgeven, het omzeilen van de oxidatiestap die anders actief is op het grensvlak tussen bodem en lucht wanneer het land niet onder water staat. Het is een ingewikkelder geheel van fysieke en biologische processen in vergelijking met het modelleren en voorspellen van kooldioxide-emissies.

Het is ook een uitdaging om aan de hand van satellietbeelden vast te stellen hoeveel landoppervlak onder wetlands ligt. De dekking van voorbijgaande wetlands, bijvoorbeeld, kan in de loop van een seizoen of over meerdere jaren veranderen door drainage. Ook, wetlands hebben vaak opkomende vegetatie, wat de schattingen van remote sensing kan bemoeilijken.

V. Wat is de bijdrage van uw team aan het maken van betere emissieschattingen van wetlands?

Als onderdeel van het Global Carbon Project, er zijn 13 grote modelleringscentra die 13 onafhankelijke modellen gebruiken om methaanemissies in wetland te schatten, en wij zijn een van die groepen. Ons model, die is geïntegreerd in het Earth-systeemmodel van het Department of Energy, E3SM (Energy Exascale Earth System-model), vertegenwoordigt wijdverspreide wetlands en omvat veel processen die relevant zijn voor deze landschappen. Net als bij andere modellen, variabelen zoals temperatuur, neerslag, en methaanemissiegegevens die continu worden verzameld van 80 waterrijke locaties die deel uitmaken van het wereldwijde FLUXNET-netwerk, worden gebruikt om het model te evalueren en te verbeteren. Binnen die vergelijkingen op siteniveau, we nemen ook informatie op over het type wetland:varens, moerassen, moerassen, enzovoort.; vegetatie, wat de koolstofinput in het systeem is; microbiële activiteit; samen met schattingen van de grondwaterstand, die een sterke controleur is van de methaanemissies.

Met deze informatie kunnen we een breed scala aan processen en interacties evalueren die uiteindelijk onze emissieschattingen beïnvloeden. Maar deze complexe biologische processen introduceren ook een groot onzekerheidsbereik in voorspellingen van methaanemissies. Ons doel was om een ​​model te bouwen dat deze belangrijke processen op een relatief mechanistische manier weergeeft en dat direct kan worden getoetst aan waarnemingen uit het veld.

V. Weten we of sommige modellen beter presteren dan andere?

Het is nog niet duidelijk welke aanpak het beste is. Maar ik denk dat het waardevol is om het volledige spectrum van modellen te gebruiken, van de eenvoudigste tot de meest genuanceerde. Eventueel, we hopen allemaal de voorspelbaarheid van methaanemissies uit wetlands te verbeteren.

De uiteindelijke emissies die in het document worden gerapporteerd, zijn een gemiddelde van schattingen van elk van de 13 modellen.

V. Staan wetlands in bepaalde regio's meer methaan uit dan in andere?

Er is een grote breedtegradiënt in methaanemissies in wetland. De fluxen zijn groter in de tropen dan in de hoge breedtegraden en gematigde zones. In de tropen is het veel warmer, dus je krijgt veel biologische activiteit en meer methaanproductie dan van de hoge breedtegraden waar het echt koud is. We hebben de jaarlijkse uitstoot geschat op in totaal meer dan 110 miljoen ton uit tropische wetlands versus ongeveer 10 miljoen ton uit de hoge breedtegraden.

Dat patroon is niet verwonderlijk en wordt al lang herkend. Ook, die uitstoot is natuurlijk, dus ze gaan door zolang we de wetlands niet droogleggen, wat wel gebeurt.

V. Verwacht u dat de uitstoot van wetlands in de toekomst zal toenemen?

Onze simulaties suggereren dat de methaanemissies zullen blijven toenemen naarmate de wereld opwarmt en de concentraties koolstofdioxide in de atmosfeer toenemen. Onze groep neemt deel aan voortdurende GCP-inspanningen om dit soort toekomstige schattingen van verschillende van de wereldwijde modelleringsgroepen te synthetiseren.

V. Wat zijn uw volgende stappen bij het verbeteren van de schattingsmogelijkheden van uw huidige model?

We denken erover na om machine learning-tools te gebruiken om relaties op te bouwen tussen methaanemissies in wetlands en alle factoren waarvan we denken dat ze deze emissies beheersen. De input zal bestaan ​​uit emissiegegevens die zijn verzameld op de FLUXNET-wetlandlocaties, samen met andere relevante variabelen:wetlandkenmerken, vegetatie, klimaat - met betrekking tot deze regio's. Zodra u de sterke punten van het verband tussen deze variabelen en de methaanemissies kent, je kunt ze extrapoleren naar andere waterrijke locaties waarvoor we geen emissiegegevens hebben. Natuurlijk, dit soort benadering vereist testen op een subset van locaties waar benchmarkwaarnemingen beschikbaar zijn om de geschiktheid van regionale naar wereldwijde extrapolaties te garanderen.

We zijn ook geïnteresseerd in het integreren van dit soort observationeel beperkte machine learning-modellen met de meer mechanistische modellen, in de hoop de algemene voorspelbaarheid van de wereldwijde vertegenwoordigingen te verbeteren.