降水估计来自气候预测中心（CPC）全球统一量规的基于全国海洋和大气管理局提供的每日降水数据分析，网址为https://psl.noaa.gov（参考文献44,45）。Merra-2 2 M温度（T2M）和露点温度在2 m（T2MDEW）时从单层诊断File3获得。使用以下数量从这些数量计算VPD：

　　其中ES是饱和蒸汽压力和EA是蒸气压，分别使用参考文献的配方，分别由T2MDEW和T2M计算。46。相对于2003 - 2022年的20年基线，计算了沉淀，T2M和VPD的Z分数；例如，对于T2M，这是：

　　T2Myear是给定年份的5月至9月平均T2M，而T2M2003–2022是2003 - 2022年5月至9月的20个元素合奏。

　　从加拿大气候数据和场景网站（https://climate-scenarios.canada.ca/?page=cmip6-scenarios）下载了CMIP6数据。我们检查了在1°×1°网格上提供的27个模型的合奏中位数（https://climate-scenarios.canada.ca/?page=pred cmip6-notes的技术文档）。所包含的模型基于数据可用性，并在https://climate-scenarios.canada.ca/?page=cmip6-model-list上列表。分析了历史和未来情况的T2M和降水。我们将历史模拟与SSP 2-4.5（参考文献4）相结合，如图7所示，在主文本或SSP 5–8.5中显示。

　　Z分数是根据CMIP6集合的中位数计算出的，通过计算给定网格单元于2000 - 2019年以上的中值模型的时间平均值，而重新分析数据用于估计内部变异性。因此，将T2M Z分数计算为：

　　人为CO排放量是从历史排放的社区排放数据系统（CEDS）获得的。47；具体来说，我们使用版本CEDS-2021-04-21（参考文献48）。

　　FIRE CO2和CO排放量是从GFED，GFA和QFED数据库中获得的。GFED4.1S15使用生物地球化学模型摄入MODIS 500 m燃烧的区域49与1 km热异常和500 m的表面反射观测相结合，提供了生物质燃烧的估计值，以估计使用统计模型50估算与小火的燃烧区域。这些数据从https://www.globalfiredata.org/下载。GFAS v.1.2通过吸收MODIS火辐射能量观测值16提供了每日生物量燃烧排放的估计。这些数据是从大气数据存储（https://ads.atmosphere.copernicus.eu）下载的。我们使用QFED网格排放估算的V.2.618。这些数据是从https://portal.nccs.nasa.gov/datashare/aerosol/aerosol/emissions/qfed/v2.6r1/0.25/qfed/下载的。对于所有生物质燃烧数据集，我们在模型表面释放火灾排放，但基于参考文献结合了3个小时的昼夜周期。51。大气CO反转中的先验使用年度排放。

　　生物学排放，大气CO的产生和OH数据均来自MOMO-CHEM化学数据同化的输出52。使用MOMO-CHEM生成的对流层化学重新分析V.2（TCR-2）53的更新版本用于评估CO的大气产生和损失。重新分析是通过吸收臭氧，CO，CO，CO，NO2，HNO3和SO2的几种卫星测量结果而产生的。使用重新分析OH场估计CO的化学损失。由于具有多核数据的数据同化，重新分析OH显示了与从表面到对流层上层的原子飞机测量值相比，全球分布的协议改进了偏远海洋的协议53。OH概况获得的约束具有影响整个对流层化学性质的巨大潜力，包括非甲烷碳氢化合物（NMHC）的氧化以估计CO的化学产生。从Natution V.2.2.1.2.2.1（Megan 2.1）54中，从天然气和气溶胶的排放模型中获得了表面上的生物学排放。年度特定的领域仅在2018年才能提供，并且近年来重复该年的估计。我们还对使用参考文献的领域进行了补充灵敏度分析，以实现规定的OH丰度对推断排放的影响。55，通常用于GEOS-CHEM甲烷倒置56。

　　Tropomi是ESA Sentinel-5前体（S5P）卫星上的光栅光谱仪，该卫星测量了地球反射的辐射57。使用短波红外CO检索算法58,59，在短波红外（约2.3μm）中检索了总柱密度。从哥白尼数据空间生态系统（https://dataspace.copernicus.eu/）下载Tropomi Co reterivals60。我们使用S5P RPRO L2 CO（处理器V.2.4.0）至2022年7月25日，然后切换到S5P Offl L2 CO以获取更多最新数据（处理器v.2.5.0或2.5.0）。然后，使用干空气表面压力和催眠方程将检索的CO总柱密度转换为CO（XCO）的干燥空气摩尔分数。列平均内核类似地转换为摩尔分数空间。使用模型网格（2°×2.5°）将每个轨道的单个检索（质量标志≥0.5）聚合成超级观察。

　　超级观察的检索不确定性被认为是给定超级观察中所有检索的平均不确定性。之所以使用此方法是因为检索之间可能存在系统错误，以便假设随机错误会低估真正的检索错误。为了吸收NASA碳监测系统 - 频率（CMS-FLUX），我们计算了在大气传输模型中纳入误差的观察误差。为此，我们遵循参考的方法。61。首先，我们执行了2019 - 2023年的先前通量进行前向模型模拟。然后，我们将观察不确定性视为在30°纬度，30°经度和30天（整个年）的移动窗口上模拟和真实的Tropomi超级观察之间的标准偏差。使用此方法估计的不确定性范围超过3.5-14.3 ppb（5-95％），而检索错误范围超过1.4-4.9 ppb。因此，观察错误由代表性错误主导。

　　我们使用MOPITT（在对流层中的污染测量）卫星热 - 红外 - 网状（TIR – NIR）Co检索。从2009年至2022年10月31日使用版本9（L2V19.9.3）62，而L2v19.10.3.3.Beta从2022年11月1日开始使用。这些数据是从Earthdata ASDC（https://asdc.larc.nasa.gov/data/mopitt/）下载的。与Tropomi一样，轮廓检索被转化为CO（XCO）的干摩尔分数，以同化。但是，与Tropomi不同，我们不会产生超级观察，而是同化个体观察。这是因为Mopitt检索的足迹（22×22 km2）比Tropomi检索（3×7 km2）要粗糙得多。

　　总碳柱观测网络（TCCON）由基于地面的傅立叶变换光谱仪组成，这些光谱仪从太阳辐射的观察结果中检索XCO，XCO2和其他物种63。在这项研究中，我们检查了来自Park Falls65和East Trout Lake66的GGG2020（参考文献64）TCCON数据。这些数据是从https://tccondata.org的Caltechdata托管的TCCON数据存档获得的。每小时平均为每个站点创建超级观察；我们只包括五个或更多观察的时间。

　　我们使用CMS-Flux大气反转系统执行一系列CO反转分析。该反转模型是从GEOS-CHEM伴随Model67降低的，并已用于CO2（参考文献68,69）和CO反转分析70。这项研究中的反演均在2°×2.5°的空间分辨率上使用MERRA-2重新分析在全球进行。CEDS人为排放，生物大气CO的产生，直接生物CO排放和火灾排放（来自GFED4.1S，GFAS或QFED）和大气OH领域都在正向模拟中处方（请参阅“源和水槽”的部分）。四维变异数据同化（4D-VAR）用于优化每个网格细胞净表面通量上的缩放因子（合并的人为，火和直接的生物基因CO通量）。然后使用先验的分数贡献（一种广泛用于CO反转的方法）将后CO通量分解为人为，火和生物通量。

　　在2010 - 2021年间进行了一系列MOPITT XCO倒置。在前一年（Yyyy-1）至明年2月1日（Yyyy+1）的11月7日（Yyyy-1）（Yyyy+1）中，每周通量进行了优化，所需年中优化的通量被保留（Yyyy），并且在此期间以外的磁通量被丢弃为旋转或旋转或旋转或旋转。这些反转是使用GFED4.1S火灾清单执行的。对排放的先前不确定性被认为与排放成正比，其规模因素不确定性为200％。

　　Tropomi XCO倒置在2019 - 2023年间进行。这些反演是在4月1日至9月30日的截断期间进行的，四月随后被丢弃为旋转。由于贝叶斯后验不确定性和有关错误规范和反转配置的系统选择，使用了几种不同的反转配置来量化后通量的不确定性，这两种选择都显示出对反转错误估计的贡献显着贡献。

　　根据三个不同的先前火灾清单进行三个反转集合：GFED4.1S，GFAS或QFED（扩展数据图1A）。每个先前的库存都经过四种不同的实验配置（扩展数据图1B）。在一种情况下，XCO超级观察误差被认为是给定超级观察中所有检索中所有检索的平均检索不确定性。这种方法通常给出1.3-4.9 ppb的不确定性。另一种情况使用了包含代表性错误的观察误差估计（请参见“ tropomi”的部分），该估计通常在3.5和14.3 ppb之间。实验构型也因对通量上的先前不确定性的处理也有所不同。这些不确定性尚不清楚，因此我们使用两种截然不同的方法。在第一种方法中，我们假设通量上的错误等于先前通量估计值的200％。在第二种方法中，我们假设通量不确定性在通量单元中接近恒定（比例因子不确定性时间控制通量是恒定的，这被截断至比例因子不确定性在0.25至1,000之间）。最后，我们还将时间优化变为3或7天。与先前的磁通不确定性一样，时间优化有许多可能的选择，因此我们选择了两个合理的估计来量化对此选择的敏感性。在这些不同的设置中的最大后验估计中的扩散表明由于设置决策而导致的估计通量的不确定性。

　　我们还估计了贝叶斯后部不确定性（扩展数据图1C），这源自先前的通量和观测中的不确定性。使用参考文献引入的蒙特卡洛法估计这种不确定性。71，由参考。72我们在2023年对每个先前的库存执行实验，并使用带有Tropomi XCO代表性错误和7天优化的反转配置使用40个反转集合成员。

　　最后，对于每个先前的库存，我们从上述实验中计算后验最佳估计和不确定性（扩展数据图1D）。最好的估计值是在四种不同的反转配置中的平均值。该估计值的不确定性被视为由不同的反转配置和蒙特卡洛后协方差估算产生的方差之和的平方根。总体最佳估计值是对先前库存集合的最佳估计的平均值，并且总体不确定性被认为是三个先前的库存合奏中1σ不确定性的范围。

　　我们使用先前的GFED4.1S，GFAS和QFED库存提供的CO2/CO排放率从后CO排放中估算后CO2通量。每个库存都有不同的CO2/CO排放；因此，我们使用排放率来估计与先前库存相同的库存中的后二氧化碳。这将一些不确定性CO2/CO排放率纳入了CO2排放估算中。

　　森林面积是使用MODIS MCD12C1 PRODECT73的V.6.1定义的。根据1型多数土地覆盖，我们将森林定义为包括常绿针织森林，常绿的阔叶林，落叶针林，落叶阔叶林，混合林，木质稀树草原和萨凡纳斯。

　　通过与M. Hafer和A. Dyk的个人交流访问了托管土地74的地图（该地图仅是出于制图通信目的）。为了向《联合国气候变化》框架报告的温室气体报告，在加拿大被视为托管森林的土地范围无法详细绘制。这些信息来自省/地区森林库存，这些清单在空间上不是明确的，无法映射。补充图13显示了2°×2.5°网格单元的托管土地图和分数管理/未经管理的。