diff --git "a/body/\344\270\273\344\275\223\345\206\205\345\256\271/1\347\273\252\350\256\272\351\203\250\345\210\206.tex" "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/1\347\273\252\350\256\272\351\203\250\345\210\206.tex" index d2de47bd..807b731a 100644 --- "a/body/\344\270\273\344\275\223\345\206\205\345\256\271/1\347\273\252\350\256\272\351\203\250\345\210\206.tex" +++ "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/1\347\273\252\350\256\272\351\203\250\345\210\206.tex" @@ -27,7 +27,7 @@ \subsection{使用遥感数据反演南大洋中 \texorpdfstring{$p\mathrm{CO_2} 由于卫星对物理变量的观测能力有限，且海表$p\rm CO_2$受多方面因素影响，因此直接利用卫星获取$p\rm CO_2$存在一定难度。过去的研究通过建立基于回归模型\cite{JMA_MLR,Multiple_Linear_Regression,empirical_estimate}或生物地球模型\cite{Matear_Hirst_2012}的遥感数据与海表$p\rm CO_2$的关系，使得利用卫星数据研究$p\rm CO_2$成为可能。此外，不同的插值方法\cite{2012Spatio}、机器学习\cite{machine_learning_chen_2019,machine_learning_Bennington_2022}和神经网络\cite{friedrich2009neural,HYFZ202306005}等方法在模型建立中也得到了广泛应用，并取得了良好的效果，使得我们有可能精准地获得大规模的连续$p\rm CO_2$时空变化数据。 \subsection{结合主动遥感数据研究\texorpdfstring{$p\rm CO_2$}{}的意义} -结合遥感数据研究$p\rm CO_2$是目前业界的主流方法，且拥有着数据源丰富且成本较低、覆盖范围广、时效性强等特点的被动光学遥感数据被大规模的应用到模型中，如来自MODIS/Aqua的叶绿素数据，海表温度（sea surface temperature，SST）数据等\cite{HBHH201803001}。但是在极地地区被动遥感有着固有的缺陷，其观测能力受到制约，如极地地区持久的云层覆盖、长时间的极昼和低太阳天顶角等原因\cite{2013Space,bbp_Annual_2017}，导致了极地地区冬季数据的缺失，尤其是南极冬季高纬度地区的叶绿素数据。然而在众多机器学习等模型中，叶绿素被认为是用来表征生物过程对$p\rm CO_2$影响的物理量，在多个地区已被证明是主导$p\rm CO_2$变化的物理量\cite{tu2021increase,brown2019enhanced}。且在以往的研究中多数以低值替代\cite{CSIR_ML6,gregor2017empirical,LSCE_FFNN}或在模型中忽视该变量\cite{JMA_MLR,MPI_SOMFFN}，这些假设也对南大洋碳汇的估算带来了误差。 +结合遥感数据研究$p\rm CO_2$是目前业界的主流方法，且拥有着数据源丰富且成本较低、覆盖范围广、时效性强等特点的被动光学遥感数据被大规模的应用到模型中，如来自MODIS/Aqua的叶绿素数据，海表温度（sea surface temperature，SST）数据等\cite{HBHH201803001}。但是在极地地区被动遥感有着固有的缺陷，其观测能力受到制约，如极地地区持久的云层覆盖、长时间的极昼和低太阳天顶角等原因\cite{2013Space,bbp_Annual_2017}，导致了极地地区冬季数据的缺失，尤其是南极冬季高纬度地区的叶绿素数据。然而在众多机器学习等模型中，叶绿素被认为是用来表征生物过程对$p\rm CO_2$影响的物理量，在多个地区已被证明是主导$p\rm CO_2$变化的物理量\cite{tu2021increase,brown2019enhanced}。且在以往的研究中高纬度地区冬季多数以低值替代\cite{CSIR_ML6,gregor2017empirical,LSCE_FFNN}或在模型中忽视该变量\cite{JMA_MLR,MPI_SOMFFN}，这些假设也对南大洋碳汇的估算带来了误差。 而主动遥感技术具有解决该问题的潜力，比如搭载在CALIPSO（Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observations）卫星上的云—气溶胶偏振激光雷达CALIOP（CloudAerosol Lidar with Orthogonal Polarization）拥有高度的灵敏度和垂直分辨率，能够实时、连续、快速、长期且精确地探测全球范围内的薄云层（特别是卷云）和气溶胶层的众多参数和信息，相较于被动遥感，其优势在于能够昼夜采样、在低太阳角下进行观测、能够透过气溶胶和薄云层并且能够提供生态系统垂直结构的信息等\cite{CALIPSO_2009}。且2013年Behrenfeld等人\cite{2013Space}利用基于CALIOP的$b_{bp}$（retrieving particulate backscattering）数据计算了全球浮游植物生物量（Phytoplankton Carbon，$C_{phyto}$）和 悬浮颗粒有机碳（Particulate Organic Carbon，POC），发现他们有着相似的全球分布和相似的季节变化趋势，这给我们利用主动遥感数据提供了新的思路：基于CALIOP的$b_{bp}$数据完全可以用于代替叶绿素来量化生物过程对$p\rm CO_2$的影响。 @@ -35,7 +35,7 @@ \subsection{结合主动遥感数据研究\texorpdfstring{$p\rm CO_2$}{}的意 \section{国内外研究现状} -过去，我们对海-气$\rm CO_2$交换的变化和趋势的信息大部分是基于生物地球化学过程模式或大气$\rm CO_2$反演的，但这些方法的不确定性被证明很大\cite{Wanninkhof_2013}。目前，主流的方法是利用海表和大气的$p\rm CO_2$差值，结合海-气界面的气体传输参数能够直接地量化海-气$\rm CO_2$通量。大气中$p\rm CO_2$相对稳定，因此海表的$p\rm CO_2$一直是研究的重点。根据海表$\rm CO_2$地图集SOCAT\cite{socat2016}（The Surface Ocean $\rm CO_2$ Atlas）的统计信息，近年来基于走航和传感器的海表$p\rm CO_2$实测数据在逐年增加，为海表$p\rm CO_2$的研究提供了强大的数据支持。然而，船舶或固定传感器的观测只能覆盖全球海表面$p\rm CO_2$的一小部分。为了获得更大面积和时间连续的海表$p\rm CO_2$数据，大多数研究都是基于实测数据对未直接观测的地区进行外推预测。海表$p\rm CO_2$的外推方法主要有两种：基于实测数据的传统方法和基于卫星遥感数据的回归方法。 +过去，我们对海-气$\rm CO_2$交换的变化和趋势的信息大部分是基于生物地球化学过程模式或大气$\rm CO_2$反演的结果，但这些方法的不确定性被证明很大\cite{Wanninkhof_2013}。目前，主流的方法是利用海表和大气的$p\rm CO_2$差值，结合海-气界面的气体传输参数能够直接地量化海-气$\rm CO_2$通量。大气中$p\rm CO_2$相对稳定，因此海表的$p\rm CO_2$一直是研究的重点。根据海表$\rm CO_2$地图集SOCAT\cite{socat2016}（The Surface Ocean $\rm CO_2$ Atlas）的统计信息，近年来基于走航和传感器的海表$p\rm CO_2$实测数据在逐年增加，为海表$p\rm CO_2$的研究提供了强大的数据支持。然而，船舶或固定传感器的观测只能覆盖全球海表面$p\rm CO_2$的一小部分。为了获得更大面积和时间连续的海表$p\rm CO_2$数据，大多数研究都是基于实测数据对未直接观测的地区进行外推预测。海表$p\rm CO_2$的外推方法主要有两种：基于实测数据的传统方法和基于卫星遥感数据的回归方法。 \subsection{基于实测数据的传统方法研究海表\texorpdfstring{$p\rm CO_2$}{}研究进展} 多年实测数据的积累为海表$p\rm CO_2$的研究提供了重要信息。基于这些实测数据，传统方法的运用使我们对海洋$p\rm CO_2$的全球分布有了更清晰的认识和理解。这些传统方法包括基于实测数据的插值方法\cite{takahashi1997global,takahashi1999net,takahashi2002global}，基于生物化学模型的模拟方法\cite{rodenbeck2014interannual}，以及半分析方法\cite{le2019estimating,bai2015mechanistic,chen2017estimating}等。 @@ -60,7 +60,7 @@ \subsection{基于卫星遥感数据的回归方法研究海表\texorpdfstring{$ \subsection{极地地区海表\texorpdfstring{$p\rm CO_2$}{}研究进展} 在开阔海域中，海洋遥感卫星受环境影响较小，且实测数据的时空分布密度较大。因此，开阔水域的模型拟合结果通常都有着不错的效果。然而，对于极地地区，情况就大不相同。传统的被动海洋遥感卫星在这些地区受到许多限制。首先，太阳天顶角在极地地区的影响会导致被动遥感成像受限。由于在极地地区，太阳高度角通常较高，太阳光线需要通过更长的大气路径才能到达地面，这影响了遥感卫星对地面的观测。其次，极地地区的云层和薄雾使光线难以透过。冬季的极地天气更加严酷，云层和雾气更严重，这增加了遥感卫星对地面观测的困难。同时，极地地区严寒的气候条件和冰雪覆盖的地面也给遥感卫星的地面观测带来了挑战。例如，地面的冰雪覆盖会改变地表的反射率，使遥感卫星的观测数据难以准确反映出地面的实际情况。其中，Chl-a数据在冬季南北两极就存在着严重的数据缺失现象，Chl-a数据作为表征生物过程对$p\rm CO_2$变化影响的变量，在多数地区模型中表现出重要作用。比如，Tu等人\cite{tu2021increase}在研究夏季北极楚科奇海域$p\rm CO_2$的变化时就发现Chl-a在过程中占主导作用，Brown等人\cite{brown2019enhanced}在研究南极西部半岛时发现浮游植物生物量增加导致了夏季海洋$\rm CO_2$吸收率增加了近5倍。另外，极地地区冬季恶劣的气候条件给船只测量带来了巨大的挑战，因而冬季极地地区严重缺少实测数据，这也给研究极地地区的$p\rm CO_2$带来了困扰。 -尽管如此，有不少科研工作者提出了自己的解决方案。生物地球模式\cite{mongwe2016seasonal,mongwe2018seasonal,kessler2016southern}是重要的参考，但是一直以来南大洋是模式中表现最差的的区域，比如Mongwe等人\cite{mongwe2018seasonal}发现基于第五代的耦合模式对比项目（Coupled Model Intercomparison Project version 5, CMIP5）中的10种地球系统模式在南大洋区域存在与实测数据存在不一致的情况。在基于回归方法的研究中，对Chl-a的处理策略可以分为两大类，一是假设低浓度的Chl-a值或是气候态值来替代这缺失的部分，比如CSIR-ML6产品\cite{CSIR_ML6}在建模时假设了0.1±0.03$\rm mg m^{-3}$，LSCE-FFNN产品\cite{LSCE_FFNN}则在训练时假设了log(Chl-a)=0来填补，NIES-FNN产品\cite{zeng2014global}是使用了气候态的Chl-a数据，而在其2022年的更新版本NIES-ML3产品\cite{zeng2022surface}中则是选择了观测值的最小值来填补。另一种则是在建模时该地区模型中忽略掉Chl-a带来的影响，比如JMA-MLR产品\cite{JMA_MLR}在冬季南大洋区域中线性拟合时则是没有使用到Chl-a，MPI-SOMFFN产品\cite{MPI_SOMFFN}则是使用了剩下的几个变量来建模。虽然这些方法能够填补数据上的空白，但是从结果来看，南大洋这区域的效果都不尽人意，比如CSIR-ML6产品\cite{CSIR_ML6}中就提到，多种回归方法在南大洋等地区差异太大，无法可靠地抓取年际变化趋势，LSCE-FFNN产品\cite{LSCE_FFNN}在验证集中的$\rm R^2$仅为0.58，MPI-SOMFNN模型\cite{MPI_SOMFFN}的效果中也能看到南大洋地区效果不理想。 +尽管如此，有不少科研工作者提出了自己的解决方案。生物地球模式\cite{mongwe2016seasonal,mongwe2018seasonal,kessler2016southern}是重要的参考，但是一直以来南大洋是模式中表现最差的的区域，比如Mongwe等人\cite{mongwe2018seasonal}发现基于第五代的耦合模式对比项目（Coupled Model Intercomparison Project version 5, CMIP5）中的10种地球系统模式在南大洋区域存在与实测数据存在不一致的情况。在基于回归方法的研究中，对Chl-a的处理策略可以分为两大类，一是假设低浓度的Chl-a值或是气候态值来替代这缺失的部分，比如CSIR-ML6产品\cite{CSIR_ML6}在建模时假设了0.1±0.03$\rm mg m^{-3}$，LSCE-FFNN产品\cite{LSCE_FFNN}则在训练时假设了log(Chl-a)=0来填补，NIES-FNN产品\cite{zeng2014global}是使用了气候态的Chl-a数据，而在其2022年的更新版本NIES-ML3产品\cite{zeng2022surface}中则是选择了观测值的最小值来填补。另一种则是在建模时该地区模型中忽略掉Chl-a带来的影响，比如JMA-MLR产品\cite{JMA_MLR}在冬季南大洋区域中线性拟合时则是没有使用到Chl-a，MPI-SOMFFN产品\cite{MPI_SOMFFN}则是使用了剩下的几个变量（SST, SSS, MLD,$x\mathrm{CO_2}$）来建模。虽然这些方法能够填补数据上的空白，但是从结果来看，南大洋这区域的效果都不尽人意，比如CSIR-ML6产品\cite{CSIR_ML6}中就提到，多种回归方法在南大洋等地区差异太大，无法可靠地抓取年际变化趋势，LSCE-FFNN产品\cite{LSCE_FFNN}在验证集中的$\rm R^2$仅为0.58，MPI-SOMFNN模型\cite{MPI_SOMFFN}的效果中也能看到南大洋地区效果不理想。 另外，也有一些研究尝试着使用新的测量方法以获取突破。例如，SOCCOM项目中部署的生物地球化学剖面浮标能够实现自动监测。Alison等人\cite{gray2018autonomous}使用了2014-2017年的浮标测量数据对南大洋海气$\rm CO_2$通量进行重新估算，发现南极峰以南释放$\rm CO_2$的现象更为明显。Bushinsky等人\cite{bushinsky2019reassessing}结合了来自SOCAT数据集的船舶测量数据和3.5年的浮标测量数据，发现仅从船舶估计的南大洋年平均吸收量为-1.14$\rm P \, g \, C \, yr^{-1}$，而加入浮标数据加权分析后，吸收量明显较低，为-0.35$\rm P \, g \, C \, yr^{-1}$，这表明浮标测量数据可能高估了南大洋的放气现象。Long等人\cite{long2021strong}利用了9个飞机项目的观测资料和来自地面站点的观测资料进一步证明了这一点。他们将$\rm CO_2$通量与大气输送模式中的水平、垂直大气$\rm CO_2$梯度联系起来，提供了可靠的通量约束。 计算结果显示，45S°以南地区的$\rm CO_2$通量为-0.53±0.23$\rm P\, g\, C\, yr^{-1}$，这与大气反演结果相接近，比基于浮标观测的结果大。后续的研究\cite{wu2023controversial}表明，当前的浮标数据的精确性可能需要进一步验证。还有一些较为新颖的方法，例如使用夏季观测数据来推导冬季\cite{mackay2022improved}，或者用冬季数据较为丰富的德雷克海峡的时间序列来估算整个南大洋$p\rm CO_2$的变化\cite{fay2018utilizing}等等。这些方法在一定程度上填补了冬季数据的缺失，但是，方法都相对复杂，并且其适用性有限，不可能完全替代实际的冬季观测数据，但还需要更多的研究来提高其准确性和可靠性。 @@ -77,10 +77,10 @@ \subsection{研究目标和内容} （1）适用于该研究区域内连续时间的 $p\rm CO_2$反演模型的建立和误差分析 -本文试图将主动遥感CALIPSO卫星的bbp数据作为表征生物过程的输入量加入模型中，以实现构建南大洋研究区域内连续时间$p\rm CO_2$反演模型； +本文试图将主动遥感CALIPSO卫星的$b_{bp}$数据作为表征生物过程的输入量加入模型中，以实现构建南大洋研究区域内连续时间$p\rm CO_2$反演模型； 同时综合比较多种算法在研究区域内反演$p\rm CO_2$的性能表现，最终选择性能最优模型。使用独立航次来验证模型的外推、泛化能力，并在模型的输入参数中添加一定的不确定值进行模型灵敏度测试，以检验模型的稳定性。 -（2）研究区域内连续时间$p\rm CO_2$变化情况，以及南大洋对$\rm CO_2$的吸收情况 +（2）研究区域内连续时间$p\rm CO_2$变化情况，以及南大洋对$\rm CO_2$的吸收能力变化 我们将使用最优模型来反演研究时间内南大洋的$p\rm CO_2$，并总结并分析出$p\rm CO_2$的时空变化特征。然后，我们将计算出研究区域内的$\rm CO_2$通量，并分析整个研究区域的吸碳能力的变化。 @@ -112,15 +112,15 @@ \subsection{文章的技术路线和流程} （1）整理预处理来自SOCAT数据集的$f\rm CO_2$数据，包括去重、去极值等处理，并将$f\rm CO_2$转化成$p\rm CO_2$； -（2）对基于CALIPSO的$b_{bp}$数据进行线性插值处理，并对比Chl-a的分布和趋势，以确保月平均$b_{bp}$数据可用于添加入模型；根据$p\rm CO_2$的信息匹配月平均$b_{bp}$数据、SST、SSS、MLD、wind、$x\rm CO_2$数据等构建出训练数据集； +（2）对基于CALIPSO的$b_{bp}$数据进行线性插值处理，并对比Chl-a的分布和趋势，以确保月平均$b_{bp}$数据可用于添加入模型；跟据$p\rm CO_2$的信息匹配月平均$b_{bp}$数据、SST、SSS、MLD、wind、$x\rm CO_2$数据等构建出训练数据集； （3）对比不同的算法在研究区域中反演$p\rm CO_2$的性能，选择性能最优的模型进行后续验证和反演； （4）对选取的模型进行独立数据验证，以确保有把握进行外推；对选择的模型输入变化的输入量进行敏感度分析，以确保模型的稳定性； -（5）根据验证过且可靠的模型来反演出2008年-2017年的研究区域内$p\rm CO_2$，总结时间空间分布情况并统计分析$p\rm CO_2$变化趋势； +（5）跟据验证过且可靠的模型来反演出2008年-2017年的研究区域内$p\rm CO_2$，总结时间空间分布情况并统计分析$p\rm CO_2$变化趋势； -（6）根据$p\rm CO_2$进一步计算并分析$\rm CO_2$通量，分析变化趋势； +（6）基于$p\rm CO_2$进一步计算并分析$\rm CO_2$通量，分析时空分布以及变化趋势； （7）与现有的已发布的多个$p\rm CO_2$产品进行比较，并分析可能导致差异的原因。 % ——--------------------------------------------------------------------------------------------------------- diff --git "a/body/\344\270\273\344\275\223\345\206\205\345\256\271/2\347\240\224\347\251\266\345\214\272\345\237\237\344\270\216\346\225\260\346\215\256\345\244\204\347\220\206.tex" "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/2\347\240\224\347\251\266\345\214\272\345\237\237\344\270\216\346\225\260\346\215\256\345\244\204\347\220\206.tex" index a9b79f3c..d83c571d 100644 --- "a/body/\344\270\273\344\275\223\345\206\205\345\256\271/2\347\240\224\347\251\266\345\214\272\345\237\237\344\270\216\346\225\260\346\215\256\345\244\204\347\220\206.tex" +++ "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/2\347\240\224\347\251\266\345\214\272\345\237\237\344\270\216\346\225\260\346\215\256\345\244\204\347\220\206.tex" @@ -23,7 +23,7 @@ \subsection{研究区域特征分析} Fay等人\cite{fay2014global}运用多种参数，如海表面温度（SST）、春夏叶绿素a（Chl-a）浓度、冰浓度以及最大混合层深度（MLD）等，对全球的海洋生物群落进行了分类，如图（1）所示，为全球生物群落划分，不同颜色代表了不同的生物群落区。在研究区域被大致划分为四个主要的生物群落：亚热带永久分层生物群系(subtropical permanently stratified biome, STPS)、亚热带季节性分层生物群系(subtropical seasonally stratified biome,STSS)、亚极地季节性分层生物群系( subpolar seasonally stratified biome, SPSS)和冰层生物群系(ice biome, ICE)。这四个群落各自代表了南大洋中不同的生态区域，每个生态区域都有其独特的生物化学特性。划分条件详见\autoref{tab:biomes分区表}。 -南大洋的碳汇变化存在较大的争议，主要原因是南大洋的数据不足和遥感数据的冬季缺失。另外，冬季的被动遥感数据受到太阳天顶角、云层和冰的影响，不能发挥最大效用，如图c所示的多年冬季平均叶绿素，在SPSS和ICE区域存在数据缺失，而STSS和STPS区域的数据覆盖率相对较高。对于ICE区域，由于冬季冰层覆盖率较高，碳汇交换受到限制；而SPSS区域，几乎占据了整个南大洋一半的面积，该区域的碳汇变化趋势存在较大不确定性。基于MODIS卫星Chl-a覆盖情况以及各个区域特征，在本文中我们将STSS和STPS区域视为低纬度区域，将SPSS和ICE区域视为高纬度区域。 +南大洋的碳汇变化存在较大的争议，主要原因是南大洋的数据不足和遥感数据的冬季缺失。另外，冬季的被动遥感数据受到太阳天顶角、云层和冰的影响，不能发挥最大的观测能力，其中MODIS卫星叶绿素数据在SPSS和ICE区域存在数据缺失，而STSS和STPS区域的数据覆盖率相对较高。对于ICE区域，由于冬季冰层覆盖率较高，碳汇交换受到限制；而SPSS区域，几乎占据了整个南大洋一半的面积，该区域的碳汇变化趋势存在较大不确定性。基于MODIS卫星Chl-a覆盖情况以及各个区域特征，在本文中我们将STSS和STPS区域视为低纬度区域，将SPSS和ICE区域视为高纬度区域进行分析对比。 \begin{table}[htbp] \bicaption{\label{tab:biomes分区表}Fay等人\cite{fay2014global}划分生物群落的标准}{Fay et al.\cite{fay2014global} Criteria for classifying biomes} @@ -91,11 +91,11 @@ \subsubsection{CALIPSO卫星以及CALIOP传感器介绍} } \end{figure} -云气溶胶激光雷达和红外探路卫星观测（the Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observation, CALIPSO）卫星是由美国国家航空航天局（National Aeronautics and Space Administration, NASA）和法国国家空间研究中心（the Centre National d’Etudes Spatiales, CNES）合作研发。\cite{winker2003accounting,CALIPSO_2009}其作为地球系统科学探路者项目（Earth System Science Pathfinder, ESSP）的一部分，于2006年发射，是A-train地球观测传感器套件的一部分（如\autoref{fig:CALIPSO卫星}-(a)），其目标是填补我们在观测气溶胶和云层全球分布和特性方面的现有空白。\cite{CALIPSO_2009,winker2003accounting}A-train系列卫星在705公里的太阳同步极地轨道上，绕行周期为16天，在每日当地时间约01:30和13:30分别过境一次，轨道间距大约为1.55°，轨道倾角为98.2°，提供了82°N到82°S的全球覆盖。\cite{stephens2002cloudsat,CALIPSO_2009} +云气溶胶激光雷达和红外探路卫星观测（the Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observation, CALIPSO）卫星是由美国国家航空航天局（National Aeronautics and Space Administration, NASA）和法国国家空间研究中心（the Centre National d’Etudes Spatiales, CNES）合作研发\cite{winker2003accounting,CALIPSO_2009}。其作为地球系统科学探路者项目（Earth System Science Pathfinder, ESSP）的一部分，于2006年发射，是A-train地球观测传感器套件的一部分（如\autoref{fig:CALIPSO卫星}-(a)），其目标是填补我们在观测气溶胶和云层全球分布和特性方面的现有空白。\cite{CALIPSO_2009,winker2003accounting}A-train系列卫星在705公里的太阳同步极地轨道上，绕行周期为16天，在每日当地时间约01:30和13:30分别过境一次，轨道间距大约为1.55°，轨道倾角为98.2°，提供了82°N到82°S的全球覆盖。\cite{stephens2002cloudsat,CALIPSO_2009} CALIPSO卫星上携带的主要仪器是云—气溶胶正交偏振激光雷达（the Cloud-Aerosol Lidar with Orthogonal Polarization, CALIOP），是第一个提供全球大气测量的偏振激光雷达，为科学界提供了新的观测能力。CALIOP是一种双波长偏振激光雷达，拥有波长为532nm和1064nm两个通道（如\autoref{fig:CALIPSO卫星}-(b)），能够不间断地收集82°N和82°S之间气溶胶和云在两个波段上的衰减散射以及波长532nm极化后向散射。\cite{CALIPSO_2009}同时它在大气中的垂直采样率为30m，但是由于532nm波段在水中的折射率增加了1.32倍，因此垂直采样分辨率降低到22.5m。它在大气中的垂直采样频率为30m，但由于532nm波段在水中的折射率增加了1.32倍，因此垂直采样分辨率被调整到22.5m。CALIPSO还配备了两种被动传感器：一是宽视场相机，这是一种基于电荷耦合器件的可见光传感器，其在距离卫星下方2.5公里的范围内的像素空间分辨率为125米，在两侧延伸至30公里的带状区域内，其余像素的空间分辨率为1000米。二是红外成像辐射计，它是一种三通道设备，其空间分辨率为1公里，波段为61公里。这两种传感器都以激光雷达的足迹为中心，为我们提供了周边大气的视图。 -相较而言，CALIOP激光雷达具有无可比拟的优势。它可以发射自己的激光，无需受太阳光的限制，能在白天和黑夜都能工作。此外，雷达是唯一能提供高分辨率的气溶胶剖面的技术，即使在明亮的地表如荒漠、雪层或明亮的云层上，也能实现气溶胶的观测。激光雷达能穿透高亮的薄云层，绘制出大气的大部分轮廓。还可以通过测量后向散射的去极化信号，提供垂直分辨率的冰水相位测量。\cite{CALIPSO_2009,winker2003accounting}因此，它在弥补被动遥感的缺陷方面具有优势，即使在冬季极地地区也能发挥重要作用。 +相较而言，CALIOP激光雷达具有无可比拟的优势。它可以发射自己的激光，无需受太阳光的限制，能在白天和黑夜都能工作。此外，雷达是唯一能提供高分辨率的气溶胶剖面的技术，即使在明亮的地表如荒漠、雪层或明亮的云层上，也能实现气溶胶的观测。激光雷达能穿透高亮的薄云层，绘制出大气的大部分轮廓。还可以通过测量后向散射的去极化信号，提供垂直分辨率的冰水相位测量\cite{CALIPSO_2009,winker2003accounting}。因此，它在弥补被动遥感的缺陷方面具有优势，即使在冬季极地地区也能发挥重要作用。 \subsubsection{CALIPSO卫星数据及处理} \begin{figure}[htbp] diff --git "a/body/\344\270\273\344\275\223\345\206\205\345\256\271/3\345\237\272\344\272\216\346\234\272\345\231\250\345\255\246\344\271\240\347\256\227\346\263\225\347\232\204pCO2\345\217\215\346\274\224\346\250\241\345\236\213\345\273\272\347\253\213\344\270\216\345\210\206\346\236\220.tex" "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/3\345\237\272\344\272\216\346\234\272\345\231\250\345\255\246\344\271\240\347\256\227\346\263\225\347\232\204pCO2\345\217\215\346\274\224\346\250\241\345\236\213\345\273\272\347\253\213\344\270\216\345\210\206\346\236\220.tex" index 39d5e679..d10820a2 100644 --- "a/body/\344\270\273\344\275\223\345\206\205\345\256\271/3\345\237\272\344\272\216\346\234\272\345\231\250\345\255\246\344\271\240\347\256\227\346\263\225\347\232\204pCO2\345\217\215\346\274\224\346\250\241\345\236\213\345\273\272\347\253\213\344\270\216\345\210\206\346\236\220.tex" +++ "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/3\345\237\272\344\272\216\346\234\272\345\231\250\345\255\246\344\271\240\347\256\227\346\263\225\347\232\204pCO2\345\217\215\346\274\224\346\250\241\345\236\213\345\273\272\347\253\213\344\270\216\345\210\206\346\236\220.tex" @@ -204,7 +204,7 @@ \subsubsection{模型独立验证结果} {(a) the comparison between in-situ sea surface $p\mathrm{CO_2}$ and sea surface $p\mathrm{CO_2}$ predicted by the XGB-model for the 50 randomly selected cruises; (b) distribution of randomly selected 50 cruises and their residuals.} \end{figure} -在训练过程中我们预留了五十条走航数据没有参与训练过程，用作独立测试集，此举可用于验证模型的外推能力。这50条随机抽选的航次分布情况如\autoref{fig:独立验证}-(b)所示，基本覆盖了南大洋的各个区域。 \autoref{fig:独立验证}-(a)中我们能看到模型能够很好地拟合，且能够抓住变化趋势。从数据角度来看，RMSE为18.40μatm，MAE为12.88μatm，$\rm R^2$为0.52，说明模型you较好的拟合效果。\autoref{fig:独立验证}-(b)为残差图，可以看到除去东经160°，南纬35°的近岸地区误差较大外，模型误差较小，说明该模型完全有把握地预测南大洋$p\mathrm{CO_2}$时空变化。 +在训练过程中我们预留了五十条走航数据没有参与训练过程，用作独立测试集，此举可用于验证模型的外推能力。这50条随机抽选的航次分布情况如\autoref{fig:独立验证}-(b)所示，基本覆盖了南大洋的各个区域。 \autoref{fig:独立验证}-(a)中我们能看到模型能够很好地拟合，且能够抓住变化趋势。从数据角度来看，RMSE为18.40μatm，MAE为12.88μatm，$\rm R^2$为0.52，说明模型有较好的拟合效果。\autoref{fig:独立验证}-(b)为残差图，可以看到除去东经160°，南纬35°的近岸地区误差较大外，模型误差较小，说明该模型完全有把握地预测南大洋$p\mathrm{CO_2}$时空变化。 \subsubsection{敏感性验证} \begin{table}[htbp] diff --git "a/body/\344\270\273\344\275\223\345\206\205\345\256\271/4\345\215\227\345\244\247\346\264\213\347\242\263\346\261\207\345\217\230\345\214\226.tex" "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/4\345\215\227\345\244\247\346\264\213\347\242\263\346\261\207\345\217\230\345\214\226.tex" index 8fb75b74..0c3d672a 100644 --- "a/body/\344\270\273\344\275\223\345\206\205\345\256\271/4\345\215\227\345\244\247\346\264\213\347\242\263\346\261\207\345\217\230\345\214\226.tex" +++ "b/body/\344\270\273\344\275\223\345\206\205\345\256\271/4\345\215\227\345\244\247\346\264\213\347\242\263\346\261\207\345\217\230\345\214\226.tex" @@ -122,7 +122,7 @@ \section{南大洋高纬度地区碳汇差异原因分析} \begin{figure}[htbp] \centering - \includegraphics[width=\linewidth]{figure/第四章用图/图4-冬季平均.jpg} + \includegraphics[width=\linewidth]{figure/第四章用图/567月结果.png} \bicaption{\label{fig:fig-4冬季平均}(a) 各产品冬季（5，6，7月）南大洋平均$\mathrm{CO_2}$通量（负数表示为$\mathrm{CO_2}$汇）；(b)和(c) 分别为低纬度区域和高纬度区域各产品冬季平均$\mathrm{CO_2}$通量。} {(a) Average $\mathrm{CO_2}$ flux (negative number indicates $\mathrm{CO_2}$ absorption) in the Southern Ocean for each product during winter (May, June, July) (b) and (c) are the average $\mathrm{CO_2}$ fluxes for each product in the low-latitude and high-latitude regions, respectively, during winter.} \end{figure} diff --git a/config/format/general/caption.tex b/config/format/general/caption.tex index 633318d1..761356b2 100644 --- a/config/format/general/caption.tex +++ b/config/format/general/caption.tex @@ -13,9 +13,9 @@ %% Uncomment the following lines to use dual-language caption %% E.g.: https://github.com/TheNetAdmin/zjuthesis/issues/181 -% \usepackage[list=off]{bicaption} -% \DeclareCaptionOption{bi-second}[]{% -% \def\tablename{Table}% -% \def\figurename{Figure}% -% } -% \captionsetup[bi-second]{bi-second} \ No newline at end of file +\usepackage[list=off]{bicaption} +\DeclareCaptionOption{bi-second}[]{% + \def\tablename{Table}% + \def\figurename{Figure}% +} +\captionsetup[bi-second]{bi-second} \ No newline at end of file diff --git "a/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/567\346\234\210\347\273\223\346\236\234.png" "b/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/567\346\234\210\347\273\223\346\236\234.png" new file mode 100644 index 00000000..e7cec7af Binary files /dev/null and "b/figure/\347\254\254\345\233\233\347\253\240\347\224\250\345\233\276/567\346\234\210\347\273\223\346\236\234.png" differ diff --git a/page/graduate/abstract.tex b/page/graduate/abstract.tex index 4dcc77ed..51b70f7b 100644 --- a/page/graduate/abstract.tex +++ b/page/graduate/abstract.tex @@ -2,22 +2,39 @@ %\chapternonum{摘要} \chapternonumcenter{摘要} -海洋在全球碳循环过程中扮演着关键角色，其中南大洋是全球海洋中最重要的碳汇之一。海表二氧化碳分压（partial pressure of $\mathrm{CO_2}$，$p\rm CO_2$）是指表层海水与大气中二氧化碳交换时的压强。通过计算海表与大气间的$p\mathrm{CO_2}$差值，我们可以估算出海洋吸收的碳量。目前，对南大洋$p\mathrm{CO_2}$领域的研究主要集中于建立回归模型的外推方法上，但由于受到太阳天顶角、薄云层和气溶胶等环境条件的影响，传统的被动遥感技术在南大洋高纬度冬季地区的应用受到限制，尤其是用于表征生物过程影响变量的叶绿素，从而导致了多数产品在南大洋的表现结果并不一致。因此，使用新的遥感数据来代替叶绿素对于准确理解南大洋区域$p\mathrm{CO_2}$的时空分布特征和年际变化趋势具有重要意义。 - -本研究选取了35°S以南的南大洋为研究区域，并提出使用CALIPSO卫星的主动遥感数据——颗粒物后向散射系数（Retrieving Particulate Backscattering, $b_{bp}$）作为替代叶绿素的输入变量，以构建一套适用于南大洋$p\mathrm{CO_2}$连续时间反演的模型。模型使用SOCAT V2023数据集的$p\mathrm{CO_2}$作为目标变量，同时以$b_{bp}$、海表温度、混合层深度、海表面盐度、风速和二氧化碳摩尔分数作为输入变量。模型表现出色，训练集的RMSE为2.15μatm，MAE为1.45μatm，$\mathrm{R^2}$为0.99；验证集的RMSE为13.47μatm，MAE为8.21μatm，$\mathrm{R^2}$为0.82。我们还通过使用预留的航次作为独立验证集，验证了模型在预测$p\mathrm{CO_2}$方面的准确性。对模型敏感度的分析显示，模型足够稳健，在不确定性范围内也能准确预测。与其他多种算法相比，我们的算法在精度上表现最优。 - -该模型成功地预测了2008年1月至2016年12月南大洋$p\mathrm{CO_2}$的时空分布，平均海表$p\mathrm{CO_2}$的年增长率为1.88μatm yr$^{-1}$，略低于大气的2.14μatm yr$^{-1}$，这表明南大洋的碳吸收能力正在逐年增加。在计算和预测海-气$\mathrm{CO_2}$通量时，结果显示南大洋在研究期间内能够吸收±1.37±0.04PgC yr$^{-1}$。根据高低纬度的差异，我们将南大洋分为高纬度区域和低纬度区域，低纬度的南大洋区域能够吸收-0.96±0.02PgC yr$^{-1}$，占总吸收量的70\%；高纬度区域约吸收了0.35±0.03PgC yr$^{-1}$。我们同时选择了多种基于回归方法的模型进行对比，发现大多数模型在南大洋冬季忽略了生物过程的作用，从而导致了南大洋高纬度区域碳吸收量的低估。 - -本研究展示了主动遥感技术在获取极地生物地球化学关键参数方面的巨大潜力。这一技术有效地解决了极地地区被动遥感数据缺失的问题，克服了传统遥感方法在数据收集上的局限性。此外，主动遥感还打破了极地地区研究的季节性限制，使得我们可以在全年无间断地收集和分析数据。这不仅丰富了我们对极地生态环境的理解，也为及时了解极地环境变化提供了可能。更重要的是，主动遥感技术为海洋界监测碳汇循环提供了强有力的工具，这对于全球碳循环研究、气候变化监测等领域具有重要意义。总体而言，主动遥感技术为极地地区的研究揭开了全新的篇章，其未来的应用前景与发展潜力无疑令人瞩目，值得我们深入探索与期待。 +海洋在全球碳循环过程中扮演着关键角色，其中南大洋是全球海洋中最重要的碳汇之一。海表二氧化碳分压（partial pressure of $\mathrm{CO_2}$，$p\rm CO_2$）是指表层海水与大气中二氧化碳交换时的压强。 +通过计算海表与大气间的$p\mathrm{CO_2}$差值，我们可以估算出海洋吸收的碳量。目前，对南大洋$p\mathrm{CO_2}$领域的研究主要集中于建立回归模型的外推方法上，但由于受到太阳天顶角、薄云层和气溶胶等环境条件的影响，传统的被动遥感技术在南大洋高纬度冬季地区的应用受到限制，尤其是用于表征生物过程影响变量的叶绿素，从而导致了多数产品在南大洋的表现结果并不一致。因此，使用新的遥感数据来代替叶绿素对于准确理解南大洋区域$p\mathrm{CO_2}$的时空分布特征和年际变化趋势具有重要意义。 + +本研究选取了35°S以南的南大洋为研究区域，并提出使用CALIPSO卫星的主动遥感数据——颗粒物后向散射系数（Retrieving Particulate Backscattering, $b_{bp}$） +作为替代叶绿素的输入变量，以构建一套适用于反演南大洋$p\mathrm{CO_2}$连续时间变化的模型。模型中使用SOCAT V2023数据集的$p\mathrm{CO_2}$作为目标变量， +同时以$b_{bp}$、海表温度、混合层深度、海表面盐度、风速和二氧化碳摩尔分数作为输入变量。 +模型表现出色，训练集的RMSE为2.15μatm，MAE为1.45μatm，$\mathrm{R^2}$为0.99； +验证集的RMSE为13.47μatm，MAE为8.21μatm，$\mathrm{R^2}$为0.82。 +我们还通过使用预留的航次作为独立验证集，验证了模型在预测$p\mathrm{CO_2}$方面的准确性。 +对模型输入变量的敏感度分析显示，模型足够稳健，在不确定性范围内也能准确预测。与其他多种算法相比，我们的算法在精度上表现最优。 + +该模型成功地预测了2008年1月至2016年12月南大洋$p\mathrm{CO_2}$的时空分布，平均海表$p\mathrm{CO_2}$的年增长率为1.88μatm yr$^{-1}$，略低于大气的2.14μatm yr$^{-1}$， +这表明南大洋的碳吸收能力正在逐年增加。在计算和预测海-气$\mathrm{CO_2}$通量时，结果显示南大洋在研究期间内能够吸收1.37±0.04PgC yr$^{-1}$。 +根据高低纬度的差异，我们将南大洋分为高、低两个纬度区域进行研究，低纬度区域约能够吸收-0.96±0.02PgC yr$^{-1}$，占总吸收量的70\%； +高纬度区域约吸收了0.35±0.03PgC yr$^{-1}$。同时选择了多种基于回归方法的模型进行对比，发现大多数模型在南大洋冬季忽略了生物过程的作用，从而导致了南大洋高纬度区域碳吸收量的低估。 + +本研究展示了主动遥感技术在获取极地生物地球化学关键参数方面的巨大潜力。 +这一技术有效地解决了极地地区被动遥感数据缺失的问题，克服了传统遥感方法在数据收集上的局限性。此外，主动遥感还打破了极地地区研究的季节性限制，使得我们可以在全年无间断地收集和分析数据。这不仅丰富了我们对极地生态环境的理解，也为及时了解极地环境变化提供了可能。 +主动遥感技术为海洋界监测碳汇循环提供了强有力的工具，这对于全球碳循环研究、气候变化监测等领域具有重要意义。总体而言，主动遥感技术为极地地区的研究揭开了全新的篇章，其未来的应用前景与发展潜力无疑令人瞩目，值得我们深入探索与期待。 \textbf{关键词}：海表面二氧化碳分压；海洋遥感；主动遥感；极度梯度提升算法；颗粒物后向散射系数 \cleardoublepage % \chapternonum{Abstract} \chapternonumcenter{Abstract} -The oceans play a crucial role in the global carbon cycle, with the Southern Ocean being one of the most important carbon sinks worldwide. The partial pressure of carbon dioxide ($p\mathrm{CO_2}$) at the sea surface refers to the pressure exerted when carbon dioxide($\mathrm{CO_2}$) exchanges between the surface seawater and the atmosphere. By calculating the difference in $p\mathrm{CO_2}$ between the sea surface and the atmosphere, we can estimate the amount of carbon absorbed by the ocean. Currently, research on $p\mathrm{CO_2}$ in the Southern Ocean region mainly focuses on developing advanced regression models. Traditional passive remote sensing techniques are limited in their application in high-latitude winter areas of the Southern Ocean due to environmental factors such as solar zenith angle, thin cloud cover, and aerosols. Particularly, the performance of most products characterizing variables affected by biological processes, such as chlorophyll, is inconsistent in the Southern Ocean. Therefore, it is of great significance to use new remote sensing data instead of chlorophyll to accurately understand the spatial and temporal distribution characteristics and interannual variability trends of $p\mathrm{CO_2}$ in the Southern Ocean region. - -This study focuses on the Southern Ocean south of 35°S and proposes the use of active remote sensing data from the CALIOPSO satellite - Retrieving Particulate Backscattering ($b_{bp}$) as an alternative input variable to chlorophyll, to construct a model for continuous $p\mathrm{CO_2}$ inversion in the Southern Ocean. The model employs $p\mathrm{CO_2}$ data from the SOCAT V2023 dataset as the target variable, and utilizes $b_{bp}$, sea surface temperature, mixed layer depth, sea surface salinity, wind speed, and carbon dioxide molar fraction as input variables. The model demonstrates excellent performance, with RMSE of 2.15μatm and MAE of 1.45μatm, and an $\mathrm{R^2}$ of 0.99 for the training set; RMSE of 13.47 μatm, MAE of 8.21 μatm, and $\mathrm{R^2}$ of 0.82 for the validation set. Additionally, we validate the accuracy of the model in predicting $p\mathrm{CO_2}$ using reserved cruise data as an independent validation set. Sensitivity analysis of the model indicates robustness, as it accurately predicts even within uncertainty ranges. Compared to various other algorithms, our algorithm exhibits superior accuracy. +The oceans play a crucial role in the global carbon cycle, with the Southern Ocean being one of the most important carbon sinks worldwide. The partial pressure of carbon dioxide ($p\mathrm{CO_2}$) at the sea surface refers to the pressure exerted when carbon dioxide($\mathrm{CO_2}$) exchanges between the surface seawater and the atmosphere. +By calculating the difference in $p\mathrm{CO_2}$ between the sea surface and the atmosphere, we can estimate the amount of carbon absorbed by the ocean. +Currently, research on $p\mathrm{CO_2}$ in the Southern Ocean region mainly focuses on developing advanced regression models. +Traditional passive remote sensing techniques are limited in their application in high-latitude winter areas of the Southern Ocean due to environmental factors such as solar zenith angle, thin cloud cover, and aerosols. +Particularly, many products characterizing variables affected by biological processes, such as chlorophyll-a(Chl-a), is inconsistent in the Southern Ocean. Therefore, it is of great significance to use new remote sensing data instead of chlorophyll to accurately understand the spatial and temporal distribution characteristics and interannual variability trends of $p\mathrm{CO_2}$ in the Southern Ocean region. + +This study focuses on the Southern Ocean south of 35°S and proposes the use of active remote sensing data from the CALIOPSO satellite - Retrieving Particulate Backscattering ($b_{bp}$) as an alternative input variable to chlorophyll, to construct a model for continuous $p\mathrm{CO_2}$ inversion in the Southern Ocean. The model employs $p\mathrm{CO_2}$ data from the SOCAT V2023 dataset as the target variable, and utilizes $b_{bp}$, sea surface temperature, mixed layer depth, sea surface salinity, wind speed, and carbon dioxide molar fraction as input variables. The model demonstrates excellent performance, with RMSE of 2.15μatm and MAE of 1.45μatm, and an $\mathrm{R^2}$ of 0.99 for the training set; RMSE of 13.47 μatm, MAE of 8.21 μatm, and $\mathrm{R^2}$ of 0.82 for the validation set. Additionally, we validate the accuracy of the model in predicting $p\mathrm{CO_2}$ using reserved cruise data as an independent validation set. Sensitivity analysis of the model indicates robustness, as it accurately predicts even within the uncertainty ranges. +Compared to various other algorithms, our algorithm exhibits superior accuracy. The model successfully predicted the spatiotemporal distribution of $p\mathrm{CO_2}$ in the Southern Ocean from January 2008 to December 2016. The average annual growth rate of sea surface $p\mathrm{CO_2}$ was 1.88 μatm yr$^{-1}$, slightly lower than the atmospheric growth rate of 2.14 μatm yr$^{-1}$, indicating an increasing carbon uptake capacity in the Southern Ocean year by year. When calculating and predicting the sea-air $\mathrm{CO_2}$ flux, the results showed that the Southern Ocean was able to absorb -1.37±0.04 PgC yr$^{-1}$ during the study period. Based on differences between high and low latitudes, we divided the Southern Ocean into high-latitude and low-latitude regions. The low-latitude Southern Ocean region could absorb approximately -0.96±0.02 PgC yr$^{-1}$, accounting for 70\% of the total absorption, while the high-latitude region absorbed about -0.35±0.03 PgC yr$^{-1}$. We also compared various regression-based models and found that most models ignored the role of biological processes in the Southern Ocean winter, leading to an underestimation of carbon uptake in the high-latitude region of the Southern Ocean. diff --git a/page/graduate/acknowledgement.tex b/page/graduate/acknowledgement.tex index 8bb17f98..65fedad2 100644 --- a/page/graduate/acknowledgement.tex +++ b/page/graduate/acknowledgement.tex @@ -6,7 +6,7 @@ 这篇论文的诞生，我首先要感谢我的导师乐成峰教授。从研究方向选取到模型建立，从数据分析到结论推敲，乐老师一路上给予了很大的帮助。乐老师不仅在学术上有高超的造诣和深入独特的知识理解，是我科研路上的良师，也在生活中言传身教，为我树立了极好的典范。在学术上他严谨治学、精益求精，对待每一个研究课题都充满了热情和执着。他总是鼓励我独立思考，勇于探索未知领域，让我在科研的道路上不断进步。而在生活中，他同样是我学习的榜样。他热爱生活、热爱体育运动，不仅自己积极参与，还常常鼓励我锻炼身体。乐老师在我困难时期伸出的援手，以及用自身成长经历给予的指引，都成为我人生中宝贵的财富。师恩如山，铭记于心。在此，我衷心祝愿乐老师在学术研究的道路上不断攀登新的高峰，取得更加辉煌的成就。您的教诲与恩情，我将永远铭记在心，并以此为动力，不断前行，追求更高的境界。 -我要感谢我的朋友，那些热情而有趣的同门们，他们如同明亮的星光，在我乏味的科研生活中闪烁着耀眼的光芒。我们相互支持，相互鼓励，共同走过了科研探索的曲折与艰辛。无论是深夜的实验室灯光下还是课后的饭局上，那些与你们的讨论与笑声，仿佛成了我生活中最美妙的乐章。幽默风趣的何烁师兄，他的笑声常常在疲惫的研究时刻给予我勇气与力量，成为了我们团队的定心针；专注认真的张珂师姐，她的热情与坚持激励着我不断向前；博学多识的吴铭师兄，与他的交流中，我收获了许多新的思想火花和见解，如同拨云见日；见识渊博的邓培芳师姐，为我带来了无尽的启发与指导；自律严谨的古婷雨师姐，她自律的态度让我深深折服；乐观活泼的陆诗铭师姐，给整个团队带来了欢乐与活力；成熟稳重的蔡孙宾师兄，给予了我专业的健身指导，是运动场上的好伙伴；低调谦逊的屠泽斌师兄，总能提出自己独到的见解；初次相见在车站的牛星飞师兄，在科研上给予了我巨大的帮助；古灵精怪的胡雨焓师姐，让办公室充满了生机与趣味；与我同级但性格冷静沉稳的王鸿洋，则是我科研学习路上的好伙伴；思辨敏锐的张邦涵师弟和笑颜灿烂的何柯欣师妹，则是科研进度飞快；人美心善的林嘉晶师妹，为我们带来了许多快乐与正能量。正是因为你们的存在，我的研究生生活才被涂抹上了五彩斑斓的色彩，成为了一幅令人陶醉的画卷。 +我要感谢我的朋友，那些热情而有趣的同门们，他们如同明亮的星光，在我乏味的科研生活中闪烁着耀眼的光芒。我们相互支持，相互鼓励，共同走过了科研探索的曲折与艰辛。无论是深夜的实验室灯光下还是课后的饭局上，那些与你们的讨论与笑声，仿佛成了我生活中最美妙的乐章。幽默风趣的何烁师兄，他的笑声常常在疲惫的研究时刻给予我勇气与力量，成为了我们团队的定心针；专注认真的张珂师姐，她的热情与坚持激励着我不断向前；博学多识的吴铭师兄，与他的交流中，我收获了许多新的思想火花和见解，如同拨云见日；见识渊博的邓培芳师姐，为我带来了无尽的启发与指导；自律严谨的古婷雨师姐，她自律的态度让我深深折服；乐观活泼的陆诗铭师姐，给整个团队带来了欢乐与活力；成熟稳重的蔡孙宾师兄，给予了我专业的健身指导，是运动场上的好伙伴；低调谦逊的屠泽斌师兄，总能提出自己独到的见解；初次相见在车站的牛星飞师兄，在科研上给予了我巨大的帮助；古灵精怪的胡雨焓师姐，让办公室充满了生机与趣味；与我同级但冷静性格沉稳的王鸿洋，则是我科研学习路上的好伙伴；思辨敏锐的张邦涵师弟和笑颜灿烂的何柯欣师妹，则是科研进度飞快；人美心善的林嘉晶师妹，为我们带来了许多快乐与正能量。正是因为你们的存在，我的研究生生活才被涂抹上了五彩斑斓的色彩，成为了一幅令人陶醉的画卷。 我要深深感谢浙江大学，这所我生活了七年的学府，见证了我的成长与蜕变。在这里，我领略到了浙大严谨的治学风气，使我养成了严谨求实的科研态度。同时，浙大丰富的学生活动也为我的大学生活增添了浓墨重彩的一笔，让我实现了全方面的成长。我还要特别感谢CC98平台。这个平台如同一个宝藏库，蕴藏着无尽的知识与智慧。在这里，我不仅收获了丰富的生活经验，宝贵的课程分享，更能够表达自己的思想感悟，与志同道合的朋友们交流碰撞。在浙大遇到的所有人，我都想说一句感谢，浦学聪、周嘉航是研究生期间为数不多仍保持联系的本科同学，我们时常交流自己的科研进度与生活琐事；还有我的室友顾慈航，不仅是我生活中的伙伴，还常常畅聊理想，分享彼此的梦想和追求。 浙大和CC98平台给予我的，不仅仅是知识和技能的积累，更重要的是一种精神层面的提升和成长。在这里，我学会了如何独立思考、如何面对挑战。