Methane emissions from subtaiga mires of Western Siberia: The “standard model” Bc5

Glagolev, M. V.; Kleptsova, I E; Filippov, Ilya; Казанцев, В. С.; Machida, Toshinobu; Maksyutov, S. S.

doi:10.3103/s0147687410020067

Cited by 19 publications

(13 citation statements)

References 2 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…For the optimized runs (Experiment 3), the global daily AMSR-E/QuickSCAT-based dataset of Schroeder et al (2010) was used; for all other runs, the GIEMS dataset was used (Prigent et al, 2007;Papa et al, 2010). Parameters for the CH 4 emissions model were calibrated to optimize the in situ observations of Glagolev et al (2010) across West Siberia. For experiments other than experiment 3, UW-VIC's parameters were calibrated to match the June/July/August average inundation given by the GIEMS dataset over the period 1993-2004 and used for years outside of that range.…”

Section: Wetchimp Set-upmentioning

confidence: 99%

Present state of global wetland extent and wetland methane modelling: methodology of a model inter-comparison project (WETCHIMP)

Wania

Melton²,

Hodson³

et al. 2013

Geosci. Model Dev.

190

180

View full text Add to dashboard Cite

Abstract. The Wetland and Wetland CH 4 Intercomparison of Models Project (WETCHIMP) was created to evaluate our present ability to simulate large-scale wetland characteristics and corresponding methane (CH 4 ) emissions. A multi-model comparison is essential to evaluate the key uncertainties in the mechanisms and parameters leading to methane emissions. Ten modelling groups joined WETCHIMP to run eight global and two regional models with a common experimental protocol using the same climate and atmospheric carbon dioxide (CO 2 ) forcing datasets. We reported the main conclusions from the intercomparison effort in a companion paper (Melton et al., 2013). Here we provide technical details for the six experiments, which included an equilibrium, a transient, and an optimized run plus three sensitivity experiments (temperature, precipitation, and atmospheric CO 2 concentration). The diversity of approaches used by the models is summarized through a series of conceptual figures, and is used to evaluate the wide range of wetland extent and CH 4 fluxes predicted by the models in the equilibrium run. We discuss relationships among the various approaches and patterns in consistencies of these model predictions. Within this group of models, there are three broad classes of methods used to estimate wetland extent: prescribed based on wetland distribution maps, prognostic relationships between hydrological states based on satellite observations, and explicit hydrological mass balances. A larger variety of approaches was used to estimate the net CH 4 fluxes from wetland systems. Even though modelling of wetland extent and CH 4 emissions has progressed significantly over recent decades, large uncertainties still exist when estimating CH 4 emissions: there is little consensus on model structure or complexity due to knowledge gaps, different aims of the models, and the range of temporal and spatial resolutions of the models.

show abstract

Section: Wetchimp Set-upmentioning

confidence: 99%

Present state of global wetland extent and wetland methane modelling: methodology of a model inter-comparison project (WETCHIMP)

Wania

Melton²,

Hodson³

et al. 2013

Geosci. Model Dev.

190

180

View full text Add to dashboard Cite

show abstract

“…The CH 4 flux from West Siberian wetlands was measured using a static chamber method at 36 sites (figure 2) for eight bioclimatic zones covering all of West Siberia during 2003-9. Glagolev et al (2010) published West Siberian wetland CH 4 emissions data at a 0.5 • resolution using a statistical emissions model, which includes emission periods for eight bioclimatic zones, a 20 wetland typology map, and emission rate probability density distributions for eight microlandscape types per each bioclimatic zone, based on in situ flux measurements. The detailed wetland classification in West Siberia used in the emissions model was developed by combining high-resolution satellite images and field survey data in Peregon et al (2008).…”

Section: Ch 4 Emissions From West Siberian Wetlandsmentioning

confidence: 99%

“…The significance of West Siberian wetlands to the global carbon cycle has been recognized, but our understanding of CH 4 emissions estimates from West Siberian wetlands and their spatial and temporal distribution has been inadequate. Recently, Glagolev et al (2010) published CH 4 emission data for West Siberian wetlands at a 0.5 • resolution, based on in situ flux measurements for each bioclimatic zone and a detailed wetland classification. In their updated version, the estimated wetland CH 4 emissions of West Siberia were 3.2 Tg yr −1 , which is about half the value of wetland CH 4 emissions published in Fung et al (1991).…”

Section: Introductionmentioning

confidence: 99%

“…In this study, we estimate West Siberian wetlands CH 4 flux through inverse modeling using our wetland CH 4 emissions inventory based on Glagolev et al (2010). Despite a much larger amount of chamber flux observations included in the recent inventory, there is still a significant degree of uncertainty in the emission rates and seasonality, thus validation and correction by comparing to the atmospheric observations are needed.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Evaluation of methane emissions from West Siberian wetlands based on inverse modeling

Glagolev

Sudo

et al. 2011

Environ. Res. Lett.

View full text Add to dashboard Cite

West Siberia contains the largest extent of wetlands in the world, including large peat deposits; the wetland area is equivalent to 27% of the total area of West Siberia. This study used inverse modeling to refine emissions estimates for West Siberia using atmospheric CH 4 observations and two wetland CH 4 emissions inventories: (1) the global wetland emissions dataset of the NASA Goddard Institute for Space Studies (the GISS inventory), which includes emission seasons and emission rates based on climatology of monthly surface air temperature and precipitation, and (2) the West Siberian wetland emissions data (the Bc7 inventory), based on in situ flux measurements and a detailed wetland classification. The two inversions using the GISS and Bc7 inventories estimated annual mean flux from West Siberian wetlands to be 2.9 ± 1.7 and 3.0 ± 1.4 Tg yr −1 , respectively, which are lower than the 6.3 Tg yr −1 predicted in the GISS inventory, but similar to those of the Bc7 inventory (3.2 Tg yr −1 ). The well-constrained monthly fluxes and a comparison between the predicted CH 4 concentrations in the two inversions suggest that the Bc7 inventory predicts the seasonal cycle of West Siberian wetland CH 4 emissions more reasonably, indicating that the GISS inventory predicts more emissions from wetlands in northern and middle taiga.

show abstract

“…Но для ряда параметров именно на основании большого набора экспериментальных данных было показано существование даже более экзотических распределений, нежели равномерное и нормальное. Например, в [Паников, 1995;Glagolev et al, 2010;Sabrekov et al, 2011] построены эмпирические плотности вероятности для эмиссии метана из болот, весьма похожие на лог-нормальное распределение или на суперпозицию лог-нормального и нормального распределений. …”

unclassified

Sensitivity analysis of the model

Glagolev¹

2012

Environmental Dynamics and Global Climate Change

View full text Add to dashboard Cite

Московский государственный университет им. М.В. Ломоносова 2)Югорский государственный университет (г. Ханты-Мансийск) ВВЕДЕНИЕО математическом моделировании в экологии Экология, являющаяся принципиально синтетической (или как сейчас принято говорить, системной) наукой, использует самые разнообразные методы. И естественно, что один из наиболее мощных методов современного естествознания -математический -стал широко применяться для решения экологических проблем. Возникла и бурно развивается новая наука -математическая экология [Сердюцкая, 2009, с. 3].В последние годы интерес к ней еще больше возрос в связи с проблемой взаимодействия человека с окружающей средой. Учитывая сложность постановки натурных экспериментов в реальных условиях, наиболее естественный подход к изучению и оценке влияния деятельности человека состоит в создании математических моделей и методов математического моделирования, позволяющих с помощью численных экспериментов на высокопроизводительных ЭВМ оценить возмущения основных параметров и функционалов атмосферы и океана [Пененко, 1981: с. 4].В частности, в последнее время в связи с проблемой глобальных изменений климата и окружающей среды отмечается повышенный интерес к изучению биогеохимического цикла углерода. Ведущую роль в углеродном обмене между наземными экосистемами и атмосферой играют почвы, как источник и сток парниковых газов, ответственных за изменение климата планеты. И одним из наиболее эффективных методов описания и прогнозирования динамики такой сложной системы, как органическое вещество почвы, является математическое моделирование. К настоящему времени разработано множество моделей динамики органического вещества почвы, значительно различающихся по используемым подходам и степени сложности [Рыжова, 2006, с. 8].Идея моделирования заключается в замещении изучаемого объекта его аналогом. Математические модели формализуют закономерности динамики объекта в виде численных соотношений [Сердюцкая, 2009, с. 5]. При изучении методом математического моделирования сложных систем можно выделить следующие этапы работы: постановка проблемы; выбор или построение математической модели; постановка вычислительной задачи; предварительный (предмашинный) анализ свойств вычислительной задачи (на этом этапе большое внимание уделяют анализу корректности постановки задачи, т.е. выяснению вопросов существования и единственности решения, а также исследованию устойчивости решения задачи к погрешностям входных данных); Глаголев М.В. 2012. Анализ чувствительности модели // ДОСиГИК. Т. 3. № 3. С. 31-53. 32 выбор или построение численного метода; алгоритмизация и программирование; отладка программы; счет по программе; обработка и интерпретация результатов; использование результатов и коррекция математической модели [Амосов и др., 2008, с. 17, 19]. Задачи анализа чувствительностиОпыт показывает, что в сложных задачах, реально возникающих на практике, априорный (до этапов построения численного метода, алгоритмизации и программирования) анализ таких важных свойств задачи, как корректность/некорректность (те...

show abstract

Methane emissions from subtaiga mires of Western Siberia: The “standard model” Bc5

Cited by 19 publications

References 2 publications

Present state of global wetland extent and wetland methane modelling: methodology of a model inter-comparison project (WETCHIMP)

Present state of global wetland extent and wetland methane modelling: methodology of a model inter-comparison project (WETCHIMP)

Evaluation of methane emissions from West Siberian wetlands based on inverse modeling

Sensitivity analysis of the model

Contact Info

Product

Resources

About