Введение

  Разработка методов и подходов к получению оценок глобального потока углекислого газа (CO2) между атмосферой и гидросферой нашей планеты и, в первую очередь, Мировым океаном, является важнейшей частью комплексных исследований углеродного цикла Земли.   

  При сопоставлении оценок предполагаемой годовой эмиссии CO2, связанной только с антропогенной деятельностью, c оценками чистого поглощения CO2 сушей и гидросферой нашей планеты и наблюдаемым темпом увеличения содержания CO2, в атмосфере наблюдается дисбаланс [1–3]. Величина этого дисбаланса, по оценкам разных авторов, также разнится и может составлять 10–50% [2, 3]. По данным авторов работы [3], дисбаланс, оцениваемый для каждого года начиная с 1960 г., колеблется от +3 до ‒2 ПгC/год (1 ПгC = 1015 г в пересчете на чистый углерод). Подобные значения сопоставимы с примерными средними оценками объемов годового поглощения CO2 океаном – порядка 2 ПгC/год (за период 1990–2020 гг. по данным 5-го и 6-го докладов межгосударственной комиссии по изменению климата 1, 2). Высокая погрешность около ± 0,5 ПгC/год (указан 90%-ный доверительный интервал) демонстрирует сложности с корректностью оценки этой весьма важной составляющей цикла углерода нашей планеты. При этом к 2023 г., согласно результатам исследований [2], рассчитанный для 2013–2022 гг. дисбаланс по СО2 снизился до ‒0,4 ПгС/год, что составляет 10% от общего бюджета углерода. Однако для получения оценок глобального потока CO2 между атмосферой и океаном применяют разные подходы, что и может приводить к таким различиям в величине дисбаланса:

– расчеты с использованием трехмерных (3D) моделей глобальной биогео- химической циркуляции океана, учитывающих взаимодействие с атмосферой (Global Circulation model – GCM) [4–9];
– 3D-модели атмосферной инверсии CO2, базирующиеся на косвенном анализе данных долговременных наблюдений на сетях наземных измерительных датчиков [10–13] и методах дистанционного зондирования [14];

–методы расчета потока СО2 [15, 16], основанные на данных о простран-ственно-временной динамике парциального давления CO2 в приповерхност-ном слое океана (pCO2 sw) и в приводном слое атмосферы (pCO2 air), используе-мых в модели скорости газообмена k через границу раздела вода – атмосфера. Этот подход учитывает зависимость от гидрометеорологических факторов и коэффициента растворимости α:

  Последний подход потенциально имеет наибольшую точность, однако ре-зультаты, полученные с его использованием, сильно зависят от качества натур-ных данных и модели скорости газообмена.

  Важную роль для корректной оценки потоков СО2 играет выбор модели скорости газообмена. Скорость газообмена k зависит от физико-химических свойств (растворимости и диффузионной способности D) газа и условий атмо-сферы и океана. Исследования показали, что скорость газообмена также опре-деляется турбулентностью в пограничных микрослоях воздуха и воды, которая возникает под действием ветрового напряжения [17, 18]. В связи с этим пара-метр k обычно параметризуется через скорость ветра на высоте 10 м (U10), а также параметры волнения. Поскольку измерение волн в натурных условиях обычно затруднено, наиболее простые модели не включают параметры волне-ния и неявно учитывают их связь со скоростью ветра. К таким моделям отно-сится, например, широко используемая эмпирическая формула для скорости газообмена, предложенная в[19]:

  где Sc – число Шмидта, равное отношению кинематической вязкости воды к диффузионной способности газа; t – температура воды в °С. Этот подход для оценки потоков СО2 широко используется для Черного моря.

  Особое значение для корректной оценки потоков газов имеет однород-ность распределения рСО2 в приповерхностном слое океана во времени и про-странстве (по всему Мировому океану). Несмотря на существенное увеличе-ние в последнее десятилетие количества проводимых судовых измерений, установку новых измерительных систем на крупных стационарных платфор-мах и централизованное пополнение базы данных атласа распределения пар-циального давления в верхнем слое Мирового океана SOCAT, размещенной на сайте https://socat.info/, эти данные пока еще оцениваются как скудные 1, 2. Это связано, прежде всего, со значительной пространственно-временной неодно-родностью заполнения.

  Для заполнения без «пробелов» данных с заданным пространственным и временным разрешением на основе имеющихся результатов измерений при-меняются различные подходы, включающие как классические 2D транспорт-ные модели в приповерхностном слое [1], так и новые методы, основанные на использовании нейронных сетей и методов машинного обучения [20–28]. Од-нако вследствие недостаточного количества исходных данных итоговое разре-шение, в первую очередь пространственное, остается недостаточным для опре-деления баланса источников и стоков углерода в земной системе.

   Развитие спутниковых методов позволяет получить оценки потока СО2 для всего Мирового океана, однако они являются косвенными и для валидации спутниковых измерений все равно требуются прямые наблюдения, наличие которых ограничено [29, 30]. Так или иначе, для определения потока газа по спутниковым данным необходимо знать концентрации СО2 как на поверхности океана, так и в приводном слое атмосферы, также нужен коэффициент газопереноса [30]. К сожалению, ни один из этих параметров непосредственно из спутниковых данных не определяется. В этом случае параметризация связи рСО2 с температурой поверхности моря (ТПМ) может облегчить задачу доступности данных.
  Особенно высока неопределенность потоков CO2 в прибрежной зоне и внутренних морях, являющихся более динамичными в масштабах Мирового океана системами. В таких экосистемах влияние динамики вод, температурных вариаций и интенсивности продукционно-деструкционных процессов на баланс углерода проявляется гораздо значительнее и быстрее, чем в открытом океане [31, 32].
  Наиболее перспективными для корректной балансовой оценки являются подходы, направленные на построение моделей, в основе которых используются натурные данные, учитывающие связь изменчивости величины рСО2 sw с состоянием приповерхностного слоя воды в широком диапазоне изменения условий, в том числе ТПМ с учетом географического расположения, сезонности и т. д. Впервые такая модель была использована в работе [33], где на основе базы данных среднемесячных значений распределения рСО2 sw на равномерной сетке, покрывающей всю поверхность Мирового океана (свободную от льда) [15], были предложены алгоритмы построения эмпирических зависимостей pCO2 sw от Tsw – температуры поверхности океана. Основной подход указанной работы заключался в описании вариаций распределения pCO2 sw по поверхности с помощью линейных аппроксимаций (трендов) для трех фиксированных сезонов по четыре месяца (январь – апрель, май – август, сентябрь – декабрь) в каждой из ячеек сетки.
   В работе [34] этот метод был существенно модифицирован: авторы отказались от фиксированного количества сезонов (оно может изменяться в диапазоне 1–4) и использовали минимальную длительность сезонов сроком три месяца, для которых снова подбираются линейные аппроксимации зависимости pCO2 sw от Tsw. При этом количество используемых линейных аппроксимаций и длительность сезонов выбирались исходя из критерия получения максимального коэффициента корреляции при аппроксимации данных (pCO2 sw и Tsw). Модифицированный таким образом метод применялся для обработки обновленной базы данных, содержащей сведения о рСО2 sw [16]. Как показали результаты [34], этот сравнительно простой подход позволил описать до 70% вариаций потока CO2 между атмосферой и океаном, полученных по результатам GCM-моделирования [7] и данным долговременных измерений на нескольких морских платформах.

  Цель настоящей работы – использование аналогичного подхода для описания сезонных вариаций pCO2 sw в Черном море и параметризация на основе натурных данных, которые учитывают связь изменчивости величины рСО2 sw с состоянием приповерхностного слоя воды в зависимости от температуры поверхности вод с учетом географического расположения и сезонности.

Материалы и методы исследований

В работе использовались данные натурных измерений двух разных типов. Во-первых, данные судовых измерений рСО2 поверхностного слоя вод, выполненных на НИС «Профессор Водяницкий» (рейсы № 81, 87, 89, 91, 94, 95, 98, 101, 102, 108, 114, 117, 119, 125, 126) в период с ноября 2015 г. по март 2023 г. и охватывающих все гидрологические сезоны, за исключением зимнего периода (январь, февраль). Во-вторых, данные измерений, полученные с мая 2012 г. по октябрь 2022 г. на стационарном пункте наблюдений за потоком углекислого газа, расположенном на океанографической платформе Черноморского гидрофизического подспутникового полигона (ЧГПП, пгт Кацивели). С учетом принципиально разных условий проведения измерений (их частоты в пространственно-временном масштабе, а также удаленности от берега) судовые данные и данные, полученные на платформе, обрабатывались отдельно. Район исследования и схема точек отбора проб показаны на рис. 1.

Р и с. 1. Район работ и точки отбора проб для определения рСО2 sw и сопутствующих гидрометеорологических условий, полученные на НИС «Профессор Водяницкий» и стационарном
пункте наблюдений ЧГПП
F i g. 1. Study area and sampling points for determining pCO2 sw and the associated hydrometeorological conditions obtained at the R/V “Professor Vodyanitsky” and BSHSP stationary observation point

  Гидрологические характеристики (температура и соленость поверхностного слоя вод) на НИС «Профессор Водяницкий» определялись с помощь зондирующих комплексов Sea-Bird 911 plus CTD или IDRONAUT OCEAN SEVEN 320PlusM, а на станциях с глубиной менее 50 м использовался гидро-логический CTD-зонд ГАП-АК-16. Те же самые характеристики на стационар-ном пункте наблюдений ЧГПП получены с помощью гидрологического зонда CTD48М (Sea & Sun Technology). Во всех случаях пробы поверхностного слоя вод (1,5–3,0 м) отбирали с помощью погружного насоса.

  Объемную концентрацию и pCO2 определяли с помощью инфракрасного анализатора LI-7000. Диапазон измеряемых концентраций CO2 составляет 0–3000 мкмоль/моль с погрешностью 1% от измеряемого значения [35]. Ежедневно выполнялась калибровка прибора по двум точкам – чистому аргону (СО2 = 0 мкмоль/моль) и аттестованной поверочной смеси с объемной долей CO2, равной 440 мкмоль/моль. В качестве газа-носителя использовался аргон высшего сорта. Пересчет концентрации СО2 (мкмоль/моль) в парциальное дав-ление углекислого газа (мкатм) проводится по следующей формуле:

где x(CO2) – концентрация углекислого газа; pатм – атмосферное давление. Пол-ное описание расчета приведено в 3.

  Параллельно с рСО2 sw в приводном слое атмосферы с помощью регистри-рующей аппаратуры комплекса сбора гидрометеорологических данных [36] измерялись сопутствующие метеорологические параметры – скорость ветра, атмосферное давление, температура воздуха. Данные прошли контроль каче-ства с отбраковкой ненадежных фрагментов и приведены к стандартной вы-соте наблюдения (10 м). Согласно рекомендациям Всемирной метеорологиче-ской организации, измеренные параметры осреднялись за 10 мин и дальнейший анализ проводился уже для осредненных величин [36].  

  Получены данные о 395 измерениях с судна и 250 – со стационарного пункта наблюдений ЧГПП. На рис. 2 показаны все результаты измерения pCO2 sw. На этих зависимостях хорошо видно, что данные распределены очень неоднородно как по годам, так и по сезонам.

  Отсутствуют данные за январь и февраль, что связано со сложностями проведения экспедиционных исследований. Кроме того, ограничено число данных в весенний период. Наибольшее количество данных получено летом и в начале осени, что связано с благоприятными условиями для проведения экспедиционных работ. Учитывая такую сильную неоднородность по времени в связи с малым количеством данных, было принято решение не проводить разделение по пространству для судовых измерений и объединить данные, по-лученные в разных точках акватории Черного моря. Кроме того, как показано в работе [37], данные рСО2 поверхностного слоя вод, шельфового и глубоко-водного районов Черного моря статистически не отличаются.

Р и с. 2. Результаты измерений рСО2 sw: за весь период наблюдений (а по месяцам (b). Темные кружочки – судовые измерения, светлые – измерения, выполненные на стационарном пункте наблюдений ЧГПП

F i g. 2. Results of pCO2 sw measurements: for the whole observation period (a) and a number of measurements by months (b). Dark circles denote the ship measurements, light ones – the measurements taken at the BSHSP stationary observation point

Результаты и обсуждение

   По причине недостаточного количества данных выявить корреляции между сезонными изменениями pCO2 sw и Tsw по результатам исследований в какой-либо отдельный год за указанные выше периоды не представляется возможным. В связи с этим, по аналогии с работой [16], все данные пересчи-тываются на один из выбранных (центральных) годов. При обработке данных для обоих типов измерений в качестве центрального был взят 2019 г. Данные за этот год использовались без корректировки, а данные, полученные в другие годы, корректировались с учетом межгодового тренда концентрации СО2 в атмосфере. Корректная оценка межгодового тренда рСО2 sw является важным моментом. Малое количество данных и их неравномерное распределение по сезонам не позволяет получить корректную оценку. В работе [16], где были проанализированы данные почти за 50 лет наблюдений, отмечено, что при осреднении данных по площади всего океана в пределах доверительных интервалов ( 30%) глобальные тренды увеличения рСО2 в океане и атмосфере совпадают. На основе этого в работе [34] выдвигалось предположение, что наблюдаемые изменения pCO2 могут быть описаны как суперпозиция глобального атмосферного тренда и вариаций, связанных с изменением температуры воды Tsw. С учетом этого был использован тренд 2,4 мкатм/год для рСО2 в атмосфере по данным измерений за десятилетие 2012–2022 гг. в обсерватории Mauna Loa (Гавайи). Эта оценка также близка к оценке, определенной по данным реанализа NCEP за 2015–2022 гг. для Черного моря.
   После приведения таким образом всех данных к 2019 г. рассчитывались средние значения и стандартное отклонение для измеряемых параметров – рСО2 и температуры поверхностного слоя вод для каждого месяца.
   Предварительный анализ позволил выделить три характерных сезонных тренда зависимости рСО2 sw от температуры, которые образуют цикл сезонного изменения парциального давления (рис. 3, а).
   На рис. 3, а используются следующие обозначения: черные кружочки – по данным измерений с судна, красные – со стационарного пункта наблюдений ЧГПП; линии – результаты линейной аппроксимации по выделенным сезонным периодам: зеленая – для конца зимы – конца весны, красная – для конца весны – конца лета, синяя – для конца лета – осени – начала зимы; сплошные линии – для данных судовых измерений, штриховые – для данных с платформы; светлые кружочки – данные для Атлантического океана, треугольники – для Тихого (данные для океанов взяты из работы [34]) с соответствующими линейными аппроксимациями.
   Первый тренд – резкий рост рСО2 sw с ростом температуры в середине/конце весны (конец марта – апрель – середина мая). К сожалению, данных, полученных в это время года, мало, однако восходящий тренд очевиден. Далее в летний период (июнь – август) происходит очень медленный рост рСО2 sw при значимом росте температуры. И, наконец, с сентября по декабрь наблюдается плавное (по сравнению с весной) уменьшение концентрации СО2 при снижении температуры. Таким образом, зависимость рСО2 sw от температуры воды носит гистерезисный характер: одному и тому же значению температуры воды соответствуют различные значения рСО2 sw в весенний и осенний периоды. Если построить зависимости pCO2 и Tsw от времени и продолжить полученную периодическую зависимость с периодом 12 мес (рис. 3, b), то становится понятна причина наблюдаемого гистерезиса. Она связана со сдвигом фазы колебаний рСО2 sw и изменением температуры примерно на 1,5 – 2 месяца.

Р и с. 3. Зависимости среднемесячного p 2 sw от ТПМ (все данные сведены к 2019 г.) (а) и перио-дически продолженные зависимости pCO2 sw (черная линия) и ТПМ (красная линия) от времени (b)

F i g. 3. Dependences of the monthly average pCO2 sw on SST (all the data are reduced to 2019) (a), and periodically continued dependences of pCO2 sw (black line) and SST (red line) upon time (b)

   Кроме того, стоит отметить крайне неоднородное распределение данных по сезонам. Так, например, в апреле получено мало данных и они соответ-ствуют либо началу, либо концу месяца, т. е., скорее, относятся к марту или маю соответственно. Аналогичная ситуация с данными за октябрь, которые можно объединить с полученными в сентябре. Для августа средняя ТПМ при измерениях оказалась почти на два градуса выше средней ТМП за 2019 г. При-чина этого также заключается в небольшом количестве измерений, которые выполнялись в начале месяца и только в дневное время.

   По результатам обработки для всех трех сезонных участков были определены линейные аппроксимации. Следует отметить, что для весеннего (зеленая прямая) и зимнего (синяя) периодов они пересекаются в точке, температура для которой соответствует 7,6°С, что всего на 0,2°С меньше, чем средняя ТПМ для февраля 2019 г. Это свидетельствует в пользу корректности построенных аппроксимаций. То есть точки углов на рис. 3 соответствуют «треугольному» циклу сезонных изменений,
и их можно отнести к февралю, концу мая – началу июня и августу.
   Аналогичная обработка была выполнена и для данных, полученных со стационарного пункта наблюдений ЧГПП. Здесь следует отметить небольшое ко-
личество данных в летний (только в августе) и весенний (только в мае) периоды.
При этом имелось значительное количество данных в осенний период и в начале зимнего. Для сравнения с данными судовых измерений данные с пункта наблюдений ЧГПП были скорректированы по 2019 г. с тем же коэффициентом изменения рСО2 в атмосфере и осреднены для каждого месяца. Наибольшее отличие по месяцам между измерениями в экспедициях на НИС «Профессор Водяницкий» и на стационарном пункте наблюдений в пгт Кацивели наблюдалось в данных за май, при этом следует отметить и очень большой разброс данных.
  Основываясь на вышеизложенном, можно предположить, что наиболее значимые изменения характера зависимости происходят в течение мая – июня. Так как данные за январь – апрель для стационарного пункта наблюдений отсутствуют, то аппроксимация весеннего периода (зеленая штриховая прямая) была взята как прямая линия, соединяющая точку, соответствующую маю, и точку на синей штриховой прямой, где температура воды примерно соответствует средней температуре за февраль 2019 г. для района расположения стационарного пункта наблюдений (7,6°С). Сопоставление продемонстрировало, что, несмотря на недостаток данных в весенне-летний период и сильный разброс в мае, общий характер циклической
сезонной зависимости рСО2 sw от ТПМ сохранился (рис. 3, а).
  С учетом полученных данных «треугольник» сезонных изменений для данных со стационарного пункта наблюдений несколько сместился вниз и в бок (практически параллельный перенос), что связано помимо прочего с более высокой средней температурой воды в прибрежной зоне.
  Выявленное сходство поведения зависимости рСО2 sw от температуры для измерений со стационарного пункта наблюдений и многочисленных судовых измерений, выполненных более чем за 10 последних лет, свидетельствует об универсальном характере зависимости для всего Черного моря.
  Также построенные зависимости среднемесячного рСО2 sw от температуры поверхностного слоя вод были сопоставлены с аналогичными зависимостями, полученными ранее для открытого океана по данным из работы [34]. Сопоставление продемонстрировало, что если для периода конца зимы – весны – середины лета не удалось найти сходства, то для периода конца лета – осени – начала зимы в субтропических и умеренных зонах Атлантического и Тихого океанов Северного полушария тренды изменения весьма близки друг к другу (рис. 3, а). Так, в Черном море тренд составил  8,8 мкатм/градус, в Атлантическом океане 10,1 мкатм/градус, в Тихом океане 7,9 мкатм/градус. Это может говорить об универсальных механизмах влияния ТПМ на рСО2 sw как для локальных условий Черного моря, так и для открытого океана в этот сезонный период.

Тренды зависимости рСО2 sw от температуры, определенные по среднемесячным данным, приведенным к 2019 г.
Trends in the dependence of pCO2 sw on temperature determined based on monthly average data regarding to 2019

П р и м е ч а н и е. Обозначенный цвет соответствует линиям на рис. 3, а. Ячейки таблицы, соответствующие маю и августу, выделены серым, так как в них сходятся две аппроксимации.
N o t e: The color corresponds to the lines in Fig. 3, a. The table cells corresponding to May and August are highlighted in gray since two approximations converge in them.

   Формулы всех линейных аппроксимаций, полученных при обработке данных, представлены в таблице. В основе лежит формула линейной аппроксимации зависимости парциального давления от температуры воды с учетом глобального тренда концентрации СО2 в атмосфере. С использованием полученных зависимостей можно оценить среднемесячную разность рСО2 на границе раздела поверхностный слой вод – атмосфера для произвольного месяца произвольного года следующим образом:

при этом данные по рСО2 для атмосферы могут быть взяты на основе реана-лиза (по аналогии с [38]) либо получены непосредственно прямым измере-нием.

  Для вычисления среднего за месяц потока CO2 через морскую поверх-ность, найденного таким образом, градиент рСО2 между поверхностным слоем вод и приводным слоем атмосферы нужно умножить на скорость газообмена и растворимость согласно уравнению (1).

Заключение

   В работе на основе специальной обработки данных прямых измерений рСО2 sw, проведенных в экспедиционных условиях на НИС «Профессор Водя-ницкий» (2015–2023) и на стационарном пункте наблюдений ЧГПП (2012–2022), предложены зависимости, связывающие сезонные вариации рСО2 sw с сезонными изменениями ТПМ. В результате получен цикл с быстрым ростом pCO2 sw весной, незначительным ростом летом и плавным уменьшением осе-нью – зимой. Зависимость рСО2 sw от температуры воды носит гистерезисный характер: одному и тому же значению температуры воды соответствуют раз-личные значения рСО2 sw в весенний и осенний периоды. Эта зависимость свя-зана со сдвигом фазы колебаний рСО2 sw и изменением температуры примерно на 1,5–2 месяца.

   Подобный тип этого цикла был независимо продемонстрирован по результатам обработки измерений, выполненных как с судна, так и с платформы. Ин-тересно, что тренд спада в осенне-зимний и зимний периоды оказался близким по значению тренду, который наблюдался в условиях открытого океана уме-ренных и субтропических широт Северного полушария. В этом случае, скорее всего, ТПМ напрямую определяет величину рСО2 sw, а биологическая активность не является определяющим фактором.

   В свою очередь резкий рост рСО2 sw весной требует дальнейшего исследо-вания для интерпретации, что обусловлено, прежде всего, ограниченным ко-личеством натурных данных. Однако также можно утверждать, что по крайней мере биологические процессы, связанные с фотосинтезом, в данном случае не играют определяющей роли, иначе мы имели бы не положительный, а отрица-тельный тренд. Отрицательных трендов, когда наблюдается уменьшение рСО2 sw с ростом температуры или наоборот, выявить пока не удалось (по крайней мере на имеющемся массиве данных). В дальнейшем необходимо продолжить ис-следования с привлечением сопутствующих данных о происходящих биогео-химических процессах.

  Полученный результат позволяет оценивать межгодовые вариации гло-бального потока CO2, связанные с соответствующими изменениями темпера-туры. При этом следует еще раз подчеркнуть, что результат удалось получить, основываясь на предположении, что межгодовой тренд изменения рСО2 sw эк-вивалентен тренду в атмосфере нашей планеты. Это предположение также тре-бует дальнейшего исследования (в первую очередь необходимо больше дан-ных) с учетом того, что региональные отличия в межгодовых трендах pCO2 sw все-таки могут наблюдаться, особенно в прибрежной зоне.

   Измерения рСО2 sw проведены в Центре коллективного пользования НИС «Профессор Водяницкий» Федерального государственного бюджетного учре-ждения науки Федерального исследовательского центра «Институт биологии южных морей имени А. О. Ковалевского РАН».

1. Sarmiento J. L., Gruber N. Sinks for Anthropogenic Carbon // Physics Today. 2002. Vol. 55,iss. 8. P. 30–36. https://doi.org/10.1063/1.1510279

2. Global Carbon Budget 2023 / P. Friedlingstein [et al.] // Earth System Science Data. 2023.Vol. 15, iss. 12. P. 5301–5369. https://doi.org/10.5194/essd-15-5301-2023

3. Trends in the sources and sinks of carbon dioxide / C. Le Quéré [et al.] // Nature Geoscience.2009. Vol. 2, iss. 12. P. 831–836. https://doi.org/10.1038/ngeo689

4. Two decades of ocean CO2 sink and variability / C. Le Qu´er´e [et al.] // Tellus B: Chemicaland Physical Meteorology. 2003. Vol. 55B, iss. 2. P. 649–656. https://doi.org/10.3402/tel-lusb.v55i2.16719

5. Obata A., Kitamura Y. Interannual variability of the sea-air exchange of CO2 from 1961 to 1998simulated with a global ocean circulation-biogeochemistry model // Journal of Geophysical Re-search: Oceans. 2003. Vol. 108, iss. C11. 3337. https://doi.org/10.1029/2001JC001088

6. Pacific dominance to global air-sea CO2 flux variability: A novel atmospheric inversion agreeswith ocean models / G. A. McKinley [et al.] // Geophysical Research Letters. 2004. Vol. 31,iss. 22. L22308. https://doi.org/10.1029/2004GL021069

7. Mechanisms governing interannual variability in upper-ocean inorganic carbon system and air-sea CO2 fluxes: Physical climate and atmospheric dust / S. C. Doney [et al.] // Deep Sea Re-search Part II: Topical Studies in Oceanography. 2009. Vol. 56, iss. 8–10. P. 640–655.https://doi.org/10.1016/j.dsr2.2008.12.006

8. The carbon cycle in the Australian Community Climate and Earth System Simulator (ACCESS-ESM1) – Part 1: Model description and pre-industrial simulation / R. M. Law [et al.] // Geosci-entific Model Development. 2017. Vol. 10, iss. 7. P. 2567–2590. https://doi.org/10.5194/gmd-10-2567-2017

9. Iron fertilisation and century-scale effects of open ocean dissolution of olivine in a simulatedCO2 removal experiment / J. Hauck [et al.] // Environmental Research Letters. 2016. Vol. 11, iss. 2. 024007. https://doi.org/10.1088/1748-9326/11/2/024007

10. Regional changes in carbon dioxide fluxes of land and oceans since 1980 / P. Bousquet [et al.] //Science. 2000. Vol. 290, iss. 5495. P. 1342–1346. https://doi.org/10.1126/science.290.5495.1342

11. CO2 flux history 1982–2001 inferred from atmospheric data using a global inversion of atmos-pheric transport / C. Rödenbeck [et al.] // Atmospheric Chemistry and Physics. 2003. Vol. 3,iss. 6. P. 1919–1964. https://doi.org/10.5194/acp-3-1919-2003

12. Saeki T., Patra P. K. Implications of overestimated anthropogenic CO2 emissions on East Asianand global land CO2 flux inversion // Geoscience Letters. 2017. Vol. 4. 9.https://doi.org/10.1186/s40562-017-0074-7

13. The Carbon Tracker Data Assimilation Shell (CTDAS) v1.0: implementation and global carbonbalance 2001–2015 / I. T. van der Laan-Luijkx [et al.] // Geoscientific Model Development.2017. Vol. 10, iss. 7. P. 2785–2800. https://doi.org/10.5194/gmd-10-2785-2017

14. Inferring CO2 sources and sinks from satellite observations: Method and application to TOVSdata / F. Chevallier [et al.] // Journal of Geophysical Research: Atmospheres. 2005. Vol. 110,iss. D24. D24309. https://doi.org/10.1029/2005jd006390

15. Global air-sea flux of CO2: An estimate based on measurements of sea-air pCO2 difference /T. Takahashi [et al.] // Proceedings of the National Academy of Sciences of the USA. 1997.Vol. 94, iss. 16. P. 8292–8299. https://doi.org/10.1073/pnas.94.16.8292

16. Climatological mean and decadal change in surface ocean pCO2, and net sea-air CO2 flux overthe global oceans / T. Takahashi [et al.] // Deep Sea Research Part II: Topical Study in Ocean-ography. 2009. Vol. 56, iss. 8–10. P. 554–577. https://doi.org/10.1016/j.dsr2.2008.12.009

17. On the parameters influencing air-water gas exchange / B. Jähne [et al.] // Journal of Geophysical Research: Oceans. 1987. Vol. 92, iss. C2. Р. 1937–1949. https://doi.org/10.1029/JC092iC02p01937

18. Komori S., Nagaosa R., Murakami Y. Turbulence structure and mass transfer across a sheared air-water interface in wind-driven turbulence // Journal of Fluid Mechanics. 1993. Vol. 249. Р. 161–183. https://doi.org/10.1017/S0022112093001120

19. Wanninkhof R. Relationship between wind speed and gas exchange over the ocean // Journal of Geophysical Research: Oceans. 1992. Vol. 97, iss. C5. P. 7373–7382. https://doi.org/10.1029/92JC00188

20. A Global Surface Ocean fCO2 Climatology Based on a Feed-Forward Neural Network / J. Zeng [et al.] // Journal of Atmospheric and Oceanic Technology. 2014. Vol. 31, iss. 8. P. 1838–1849. https://doi.org/10.1175/jtech-d-13-00137.1

21. Data-based estimates of the ocean carbon sink variability – first results of the Surface Ocean pCO2 Mapping intercomparison (SOCOM) / C. Rödenbeck [et al.] // Biogeosciences. 2015. Vol. 12, iss. 23. P. 7251–7278. https://doi.org/10.5194/bg-12-7251-2015

22. A multi-decade record of high-quality fCO2 data in version 3 of the Surface Ocean CO2 Atlas (SOCAT) / D. C. E. Bakker [et al.] // Earth System Science Data. 2016. Vol. 8, iss. 2. P. 383– 413. https://doi.org/10.5194/essd-8-383-2016

23. Landschützer P., Gruber N., Bakker D. C. E. Decadal variations and trends of the global ocean carbon sink // Global Biogeochemical Cycles. 2016. Vol. 30, iss. 10. P. 1396–1417. https://doi.org/10.1002/2015gb005359

24. Natural Variability and Anthropogenic Trends in the Ocean Carbon Sink / G. A. McKinley [et al.] // Annual Review of Marine Science. 2017. Vol. 9, iss. 1. P. 125–150. https://doi.org/10.1146/annurevmarine-010816-060529

25. A comparative assessment of the uncertainties of global surface ocean CO2 estimates using a machine-learning ensemble (CSIR-ML6 version 2019a) – have we hit the wall? / L. Gregor [et al.] // Geoscientific Model Development. 2019. Vol. 12, iss. 12. P. 5113–5136. https://doi.org/10.5194/gmd-12-5113-2019

26. The oceanic sink for anthropogenic CO2 from 1994 to 2007 / N. Gruber [et al.] // Science. 2019. Vol. 363, iss. 6432. P. 1193–1199. https://doi.org/10.1126/science.aau5153

27. LSCE-FFNN-v1: a two-step neural network model for the reconstruction of surface ocean pCO2 over the global ocean / A. Denvil-Sommer [et al.] // Geoscientific Model Development. 2019. Vol. 12, iss. 5. P. 2091–2105. https://doi.org/10.5194/gmd-12-2091-2019

28. Global trends of ocean CO2 sink and ocean acidification: an observation-based reconstruction of surface ocean inorganic carbon variables / Y. Iida [et al.] // Journal of Oceanography. 2021. Vol. 77, iss. 1. P. 323–358. https://doi.org/10.1007/s10872-020-00571-5

29. Гулев С. К. Глобальные изменения климата и Мировой океан // Проблемы прогнозирования. 2023. № 6. С. 25–36. EDN NCESMX. https://doi.org/10.47711/0868-6351-201-25-36

30. Распределение и потоки углекислого газа на шельфе Чукотского моря / И. И. Пипко [и др.] // Исследование Земли из космоса. 2015. № 3. С. 43–59. EDN TXUNYZ. https://doi.org/10.7868/S0205961415030094

31. Bates N. R. Seawater Carbonate Chemistry Distributions Across the Eastern South Pacific Ocean Sampled as Part of the GEOTRACES Project and Changes in Marine Carbonate Chemistry Over the Past 20 Years // Frontiers in Marine Science. 2018. Vol. 5. 398. https://doi.org/10.3389/fmars.2018.00398

32. The changing carbon cycle of the coastal ocean / J. E. Bauer [et al.] // Nature. 2013. Vol. 504, iss. 7478. P. 61–70. https://doi.org/10.1038/nature12857

33. Low interannual variability in recent oceanic uptake of atmospheric carbon dioxide / K. Lee [et al.] // Nature. 1998. Vol. 396, iss. 6707. P. 155–159. https://doi.org/10.1038/24139

34. Variability of global net sea-air CO2 fluxes over the last three decades using empirical relationships / G.-H. Park [et al.] // Tellus B: Chemical and Physical Meteorology. 2010. Vol. 62, iss. 5. Р. 352–368. https://doi.org/10.1111/j.1600-0889.2010.00498.x

35. Хоружий Д. С. Использование приборного комплекса AS-C3 для определения парциального давления углекислого газа и концентрации неорганического углерода в морской воде // Экологическая безопасность прибрежной и шельфовой зон и комплексное использование ресурсов шельфа. 2010. № 23. С. 260–272. EDN WLBMPX.

36. Garmashov A. Hydrometeorological Monitoring on the Stationary Oceanographic Platform in the Black Sea // Proceedings of the 20th International Multidisciplinary Scientific GeoConference SGEM 2020 (Water Resources. Forest, Marine and Ocean Ecosystems) (Albena, Bulgaria, August 18–24, 2020). Sofia, Bulgaria : SGEM World Science, 2020. Vol. 3.1. P. 171–176. https://doi.org/10.5593/sgem2020/3.1/s12.023

37. Konovalov S .K., Orekhova N. A. New View of the CO2 Content in Surface Waters of the Black Sea Based on Direct Measurements // Doklady Earth Sciences. 2024. Vol. 518. P. 1737–1742. https://doi.org/10.1134/S1028334X24602943

38. Tracking the Variable North Atlantic Sink for Atmospheric CO2 / A. J. Watson [et al.] // Science. 2009. Vol. 326, iss. 5958. P. 1391–1393. https://doi.org/10.1126/science.1177394