Estimation des flux de CO2 par covariances turbulentes à l'échelle de plusieurs km2

A whirlwind journey of wavelet turbulent flux mapping: estimation of spatialized turbulent flux on tall towers and its uncertainties

• Auteur / Autrice : Pedro Henrique Herig coimbra
• Direction : Benjamin Loubet
• Type : Projet de thèse
• Discipline(s) : Géosciences
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale des sciences de l'environnement d'Île-de-France
• Partenaire(s) de recherche : Laboratoire : ECOSYS Écologie fonctionnelle et écotoxicologie des agroécosystèmes
• Partenaire(s) de recherche : référent : Université de Versailles-Saint-Quentin-en-Yvelines
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Géosciences, climat, environnement et planètes (2020-....)

Mots clés

Mots clés libres

CO2 flux

Covariance turbulente

Grande tour

Ondelette

Télédétection

Inversion Bayesienne

CO2 flux

Eddy covariance

Tall tower

Wavelet

Satelite

Bayesian inversion

Résumé

Le climat et l'activité humaine sont étroitement liés. Les émissions de gaz à effet de serre (GES) influent sur la chimie atmosphérique. L'élévation des températures et des événements extrêmes touchent des millions de personnes à travers le monde et sont principalement causées par les émissions anthropiques de GES. Une surveillance efficace est essentielle pour des décisions politiques éclairées, mais elle est complexe en raison de la variabilité spatio-temporelle des sources, du transport atmosphérique et des puits naturels. Les réseaux de surveillance ainsi déploient des échantillonnages en continue et dans diverses localités géographiques. La Covariance Turbulente (EC de l'anglais Eddy Covariance) est prisée pour fournir une surveillance directe, continue et fiable des flux de gaz à effet de serre. Bien qu'elle mesure le flux net, sources et puits confondues, des "méthodes de partitionnement" sont couramment utilisées pour partitionner la productivité primaire brute (PPB) et la respiration de l'écosystème (Reco). L'EC standard repose sur la covariance entre la vitesse du vent vertical et un scalaire nécessitant la stationnarité et rendant une partie des données inutilisable. L'EC basée sur les ondelettes fonctionne selon les mêmes principes que la méthode standard mais calcule la covariance utilisant des séries temporelles décomposées en fréquences. Sans le besoin de la stationnarité elle préserve une quantité significative de données. De plus, nous supposons que la décomposition en fréquence peut capturer des informations des "rafales" individuelles mélangées dans le signal d'origine. Dans le premier article, nous avons exploité cette caractéristique pour proposer une nouvelle méthode de partitionnement sans paramètre, basée sur l'analyse par quadrants des flux décomposés en fréquence de CO2 et de vapeur d'eau. Cette méthode a été prouvée fournir des estimations non biaisées de la PPB et de la Reco sur un site agricole et une forêt près de Paris. Les villes, responsables de 70 % des émissions mondiales, sont des points focaux pour l'atténuation du changement climatique. Dans le deuxième article, nous avons proposé un échantillonnage conditionnel en fréquence utilisant le monoxyde de carbone comme traceur pour séparer les émissions biogènes et anthropiques. Nous avons testé cela avec des analyseurs de gaz à réponse lente installés sur une grande tour. Malgré des fréquences d'acquisition, l'atténuation s'est avérée limitée par une contribution plus faible des hautes fréquences à cette hauteur. Les résultats ont démontré la capacité de la méthode à quantifier des typiques émissions de combustibles fossiles, suggérant un potentiel d'expansion du réseau de flux en utilisant les tours atmosphériques déjà existantes. Bien qu'EC reste la norme pour les études locales, l'estimation des flux de surface à plus grande échelle implique souvent des inversions utilisant des modèles de transport et des mesures de concentration. Ces mesures, dispersées, nécessitent des informations préalables pour améliorer la résolution spatiale et l'attribution. Les images satellites et les inventaires détaillés ont grandement aidés à cet égard. Dans le troisième article, nous avons analysé à quelle échelle et avec quelle incertitude nous pouvons récupérer des flux spatialisés à travers un paysage hétérogène basé sur les flux d'EC partitionnés d'une grande tour (méthode de l'article 2). Pour cela, nous combinons ces flux avec des images satellites haute résolution, un modèle d'empreinte dans un cadre bayésien. Les cartes de flux obtenues offrent l'avantage de s'appuyer sur des mesures de flux directes à l'échelle du paysage, tout en informant des inversions à des échelles plus larges. Les résultats axés sur la région parisienne démontrent la faisabilité de ces approches, offrant des informations pour les mesures de flux à l'échelle du paysage. Ces avancées améliorent notre compréhension aux échelles temporelles et spatiales où les décisions sont prises.

Climate and human activity are deeply intertwined. Greenhouse gas (GHGs) emissions impact atmospheric chemistry, influencing both climate dynamics and air quality. The rising global surface temperatures and more frequent extreme events affect millions worldwide, and are primarily driven by anthropogenic GHG emissions. Effective GHG monitoring is crucial for informed policy decisions, but is complex due to spatial and temporal variability of the emissions, the atmospheric transport, and the natural sinks. Monitoring networks address this variability by deploying sensors sampling continuously over time across diverse geographic locations. Eddy Covariance (EC) is praised for providing direct, continuous, and reliable monitoring of greenhouse gases fluxes. While it measures the net flux, which encompasses all sources and sinks mixed together, post-processing methods called “partitioning methods” are commonly employed to partition gross primary productivity (GPP) and ecosystem respiration (Reco). Standard EC relies on the covariance between vertical wind speed and a scalar to calculate the turbulent flux, and requires stationarity which results in a significant fraction of the data being unusable. Wavelet-based Eddy Covariance operates on the same principles as the standard method but calculates covariance using wavelet decomposed time series over a range of frequencies. This approach does not require stationarity, thereby preserving a significant amount of high-quality data. Moreover, we hypothesized that, by decomposing concentration and wind signals by frequency, this method can capture individual "gusts" within each frequency, which are typically mixed in the original signal. In the first paper we leveraged this feature to propose a new parameter-free partitioning method, based on quadrant analysis of frequency decomposed fluxes of CO2 and water vapour. This method was proved to be provide unbiassed estimates of GPP and Reco at a crop and a forest ecosystem site near Paris. Urban areas, responsible for 70% of global emissions, are focal points for climate change mitigation. In the second paper we proposed a discrete wavelet-based conditional sampling approach using carbon monoxide as a tracer to separate biogenic and anthropogenic emissions. We tested this with slow-response gas analysers installed on a tall tower. Despite slower acquisition frequencies, attenuation was proved to be limited by a lower contribution of high frequencies at this height. Results showed the ability of the method to quantify typical fossil fuel emissions patterns, suggesting a potential for expanding the flux network using the existing atmospheric towers network. While Eddy Covariance remains standard for local studies, estimating surface fluxes on larger scales often involves inversions using transport models and concentration measurements. However, concentration measurements are sparse, requiring prior information to enhance spatial resolution and attribution. The integration of satellite imagery and detailed inventories has greatly aided in this regard. In the third paper we analyse at which scale and uncertainty we can retrieve spatially-explicit fluxes across a heterogeneous landscape based on tall-tower partitioned EC fluxes (using the paper 2 method). For that we combine these fluxes with high-resolution satellite imagery, a footprint model in a Bayesian framework. The obtained flux maps offer the advantage of relying on direct flux measurements at the landscape scale, while also informing large-scale inversions at broader scales. Results focused on the Parisian region highlight the feasibility and versatility of these approaches, providing valuable insights for flux measurements at the landscape scale and beyond, contributing to emission monitoring strategies worldwide. These advancements contribute to our understanding and addressing of environmental challenges at the temporal and spatial scales where decisions are made.