基于TanSat的中國大陸CO2濃度監測及驅動因子分析

李凱旋,楊麗萍,張 靜,任 杰,王 宇

基于TanSat的中國大陸CO2濃度監測及驅動因子分析

李凱旋,楊麗萍*,張 靜,任 杰,王 宇

(長安大學地質工程與測繪學院,陜西 西安 710054)

基于2017年3月至2018年3月TanSat衛星觀測的CO2柱平均干空氣混合比(XCO2),利用美國航空航天局(NASA)的軌道碳觀測2號(OCO-2)衛星數據與碳同化系統(CT)和總碳柱觀測網絡(TCCON)地面監測數據,驗證了TanSat-XCO2的數據精度和可靠性,分析了中國大陸五大區域XCO2的區域特征,采用皮爾遜相關性分析和地理探測器的方法探討了自然和社會經濟因子對大氣CO2濃度的驅動作用.結果表明,TanSat衛星監測結果與OCO-2衛星監測結果基本一致,差異在(-3～3)×10-6之間.XCO2濃度整體隨季節呈規律性波動.夏季我國大氣XCO2濃度區域差異明顯,南部地區因人為影響較強, XCO2濃度處于較高水平(>403×10-6),北部地區植被的強光合作用使其XCO2濃度(<401×10-6)低于其他地區,西部地區XCO2趨勢較其他區域相對平緩.歸一化差值植被指數(NDVI)是影響XCO2濃度變化的主要自然因子,NDVI與TanSat監測結果呈顯著線性負相關(=-0.658,<0.05).化石燃料燃燒對XCO2空間異質性的解釋力最強,其與各自然因子的交互作用遠大于單因子的驅動作用,且與降雨量的交互作用對大氣XCO2的影響最為顯著(=0.495).

TanSat；精度驗證；相關性分析；地理探測器；濃度監測；驅動因子分析

以全球變暖為主要特征的氣候變化已成為全球性環境問題,對全球可持續發展帶來嚴峻挑戰.近年來大氣二氧化碳(CO2)濃度正在快速上升,于2018年達到了(407.8±0.1)×10-6的新峰值[1].為了監測全球CO2排放分布,需要獲得高精度的CO2濃度監測數據.通過“自上而下”即衛星遙感技術反演大氣溫室氣體通量,對于驗證排放清單和監測全球大氣CO2濃度具有重要意義[2].

自日本溫室氣體觀測衛星(GOSAT)和美國軌道碳觀測2號(OCO-2)衛星成功發射以來,碳監測衛星技術及應用發展迅速[3].高精度大氣CO2柱平均干空氣混合比(XCO2)濃度數據是建立精確的長期大氣CO2數據記錄的先決條件.通過反演算法的改進可生成高精度XCO2數據[4],針對GOSAT衛星數據,美國航空航天局的ACOS算法(太空監測大氣CO2)反演結果比日本環境研究所的NIES算法(國家環境研究所)結果僅高2′10-6.通過高精度曲面建模方法[5]和多源衛星數據融合方法[6]模擬的長時序大范圍全球XCO2數據集的精度可精確到2×10-6以內,這些高精度XCO2數據集為全球氣候變化和碳循環研究提供了數據基礎.

作為世界上最大的發展中國家,我國碳排放量自改革開放以來在全球一直占據主要位置,截止2019年我國碳排放量已達到1.02×1010t[7]. 對中國地區CO2動態變化及其背后機理的長期觀察和研究發現,XCO2濃度高值主要分布在京津冀等工業水平較高的區域,人為排放對區域CO2濃度變化起重要作用[8-9].深入分析自然因子和社會經濟活動因子與CO2濃度的相關關系發現,歸一化差值植被指數(NDVI)在東北地區與CO2濃度變化有著明顯的負相關,人類經濟活動影響主要分布在人口密集區[10-11].以上研究為探討中國XCO2的區域差異提供了有價值的見解,但已有研究多采用國外衛星數據,且在驅動因子分析中僅考慮了各類因子與大氣XCO2的線性相關性,未考慮到因子交互作用對大氣XCO2空間分異性的影響.

為實現“雙碳”目標,增進對全球碳循環過程的認識,我國自主研制了首顆全球大氣CO2觀測科學實驗衛星(TanSat).TanSat的第一版全球XCO2數據產品經全球碳柱總量觀測網(TCCON)站點數據驗證的精度為 2.11×10-6[12].但僅使用CO2弱波段會導致對地表壓力的嚴重偏差估計,不足以研究全球表面碳通量.通過改善O2A波段檢索效果,第二版XCO2數據產品與TCCON全球20個站點數據相比,總體精度顯著提高到了1.47×10-6[13].為驗證TanSat數據精度,利用北京傅里葉變換光譜儀的監測數據進行評估,經過初步偏差校正,平均絕對誤差提高到1.11×10-6,與同期GOSAT和OCO-2衛星觀測值差異僅為0.1×10-6[14].基于敦煌無人機溫室氣體分析儀評估結果顯示,反演偏差在2×10-6以內,與此同時TanSat與OCO-2在中國東北的軌道XCO2分布平均差約為0.85×10-6[15].Yang等[16]通過TanSat監測數據分析的唐山和東京地區人為CO2排放增加量與Sentinel-5P監測結果相一致.利用TanSat-XCO2估算的全球陸地碳凈通量為(6.71±0.76)Gt C/a,與GOSAT和OCO-2反演結果基本一致,但在南半球區域通量估計中發現了差異[17],且南半球冬季不同地區XCO2增長趨勢約有2～4×10-6差異,衛星測量之間可能存在未糾正的偏差,因此其局部地區精度仍有待驗證[18].此外,相較于傳統的相關性分析,地理探測器可揭示單一因子對因變量的影響以及多因子交互作用的影響,避免多變量共線性的影響,可定量確定各因子對大氣XCO2空間分質性的影響[19],因此已被廣泛應用于土地利用、大氣污染和生態環境監測等多個領域[20-21].

本文以中國大陸為研究區,利用OCO-2衛星產品數據及碳同化系統(CT) 和TCCON地面監測站點數據,對TanSat-XCO2進行對比驗證;分析不同區域大氣XCO2的分布變化及季節波動;統計TanSat- XCO2月均值,結合自然因子月均值數據進行皮爾遜相關性分析;最后綜合自然因子和社會經濟因子的年均值數據,引入地理探測器,分析各因子對大氣XCO2空間分異性的驅動作用,以期為碳匯源研究及相關政策制定提供參考.

1 數據與方法

1.1 數據來源

1.1.1 OCO-2 OCO-2是美國航空航天局(NASA)于2014年發射的用于收集大氣CO2數據的測量衛星,已在軌運行8a之久,其精度、分辨率和覆蓋范圍足以描述CO2在大氣中的匯聚過程[22].采用OCO2_ L2_Lite_FP v10r版本的逐日觀測數據(https://disc. gsfc.nasa.gov/datasets/OCO2_L2_Lite_FP_10r),覆蓋2017年3月～2018年5月.為保證數據的可靠性,使用Quality Flag文件進行數據篩選,獲得符合研究要求的XCO2數據.

1.1.2 TanSat TanSat是中國首顆全球CO2監測科學實驗衛星,于2016年12月22日在酒泉衛星發射中心成功發射,是國際上第三顆具有高精度溫室氣體探測能力的衛星.采用全球TanSat-XCO2數據集(第二版本),覆蓋2017年3月～2018年5月,數據產品來自國家綜合地球觀測數據共享平臺(https: //chinageoss.cn/portal/inde-xSearch?title=tansat).

1.1.3 Carbon Tracker 碳同化系統(CT)是美國國家海洋和大氣管理局(NOAA)開發的CO2測量和建模系統,用于跟蹤全球CO2動態變化,包括陸地生物圈與大氣交換、野火排放、化石燃料排放和海氣交換等引起的CO2排放[23].這些CO2的表面通量數據來自大量合作者提供的大氣CO2觀測和模擬的大氣傳輸估算.本文采用2017年3月～2018年3月CT觀測網絡中國區的三個站點為驗證站點,即位于青海省海南藏族自治州共和縣瓦里關山的瓦里關站點(WLG)、臺灣省嘉義縣及南投縣交界處的鹿林站點(LLN)和南海東沙群島的東沙島站點(DSI).數據源于NOAA官網(ftp://aftp.cmdl.noaa.gov/products/ carbontracker).

1.1.4 TCCON數據 全球碳柱總量觀測網(TCCON)提供了全世界許多站點XCO2的精確連續觀測數據.其原理是基于地面傅里葉變換光譜法(FTS),來記錄近紅外光譜區的直接太陽光譜[24].從這些光譜中,準確地檢索出CO2、CH4、N2O、HF、CO、H2O的柱平均濃度.由于各個站點所采用的儀器和方法一致,因此其結果具有高精度質量保證,是當前應用最廣的地面監測網絡.目前,TCCON在全球有28個站點數據可供使用 (http://tccondata.org),本文選取中國范圍內安徽省合肥市合肥站(HeFei)的長時間序列觀測值.

1.1.5 自然因子相關數據 植被、降水、溫度等自然因子對大氣CO2濃度有重要影響[25].為此,本文引入了可以反映植被狀況的歸一化差值植被指數(NDVI)和葉面積指數(LAI)、可以反映降水和溫度狀況的降水量(Pre)和地表溫度(LST)共4個因子,以探討自然因子對CO2濃度的影響.其中NDVI和LST數據分別采用MOD13A3和MOD11C3產品,數據來源于LAADS DAAC(一級大氣檔案分配系統分布式數據檔案中心,網址:http://ladsweb.modaps.eosdis. nasa.gov).LAI數據來源于馬里蘭大學的全球陸表特征參量(GLASS)產品(http://glass-product.bnu. edu.cn),降水量數據采用WorldClim2.5版本氣候數據(https://worldclim.org/).對以上數據進行拼接、重投影、裁剪等預處理,以便于后續分析.

1.1.6 社會經濟因子相關數據 化石燃料燃燒對溫室氣體濃度變化具有明顯的驅動作用[26].同時,人口密度也影響溫室氣體濃度,人口越密集的區域,城市化和工業化程度越高,溫室氣體排放量也相應增加.因此,社會經濟數據主要包括化石燃料燃燒和人口密度.化石燃料燃燒數據來源于全球大氣研究排放數據庫(EDGAR),EDGAR是一個多用途、獨立的全球溫室氣體人為排放和地球空氣污染數據庫,提供了全球范圍內0.1°′0.1°分辨率的國家總排放量和網格圖.本文采用EDGAR 6.0版本(https://edgar. jrc.ec.europa.eu),其排放數據包括化石燃料燃燒、非金屬礦物加工(例如水泥生產)、金屬礦物加工等生產活動.人口密度數據采用南安普頓大學所繪制全球人口地圖WorldPop高分辨率人口密度數據(https://www.worldpop.org/).

1.2 研究方法

1.2.1 Pearson相關性分析 皮爾遜相關系數[27]是統計學中用于衡量兩個變量之間線性相關性的重要參數,其值介于-1～1之間.本文利用皮爾遜相關系數分析長時間序列TanSat-XCO2濃度與自然因子的相互關系,并選出相關性最好的自然因子,逐像元探討其在空間上對不同區域大氣XCO2濃度的主導作用.Pearson相關系數計算公式如下:

式中:,Y定義為兩個變量之間的協方差和標準差的商,也稱為變量和的相關系數;cov(,)代表協方差,用于衡量兩個變量的總體誤差;,為標準差.

1.2.2 地理探測器 地理探測器是用于探測空間分異性,并揭示其背后驅動因子的一種新的統計學方法.其核心思想是根據自變量和因變量的相似性,判斷自變量對因變量的重要程度.同時也可以探索兩因子相互作用對因變量的影響,這也是地理探測器的一大優勢.地理探測器包含4種探測器,即分異及因子探測器、風險探測器、生態探測器和交互作用探測器.

本文采用分異及因子探測器和交互作用探測器分析自然因子和社會經濟活動因子對XCO2濃度變化產生重要作用的單個因子或多個因子.因子探測的公式如下:

式中:值代表某因子對因變量的解釋程度,取值范圍為0～1,值越大解釋力越高,空間分異性越明顯;= 1,…;為變量或因子的分層;N和分別為層和全區的單元數;2和2分別是層和全區的值的方差;SSW代表層內方差;SST代表全區總方差.

多因子交互作用對因變量解釋程度的增強或減弱,可通過計算兩種因子的值及其交互時的值,并對其值和作用類型進行判定.作用類型分為非線性減弱、單因子非線性減弱、非線性增強、雙因子增強和相互獨立5種類型.

2 結果與討論

2.1 TanSat數據精度驗證

2.1.1 衛星產品對比驗證 OCO-2衛星數據是公認的、具有較高精度的碳衛星監測數據[28],為此以OCO-2數據為參照,對比同時段TanSat的觀測數據.如圖1所示,中國大陸上空XCO2濃度隨季節變化呈有規律的浮動,TanSat-XCO2于春季達到峰值411.04 ×10-6,隨后又在夏季降到低谷399.99×10-6,最后于來年春季達到新的峰值413.55×10-6,整體呈螺旋上升趨勢.值得注意的是,TanSat春末和夏初的監測值高于OCO-2監測值(0～3)×10-6;秋初低于OCO-2監測值(0～3)×10-6;秋初之后的上升期基本保持一致.出現差異一方面是由于OCO-2在8月份無數據,致使到達低谷的時間不一致;另一方面是由于衛星傳感器和反演算法的差異導致.總體來看,TanSat和OCO-2觀測結果差異不大,季節變化趨勢一致,能夠反映中國大陸上空XCO2變化情況.

2.1.2 地面站點對比驗證 為進一步驗證TanSat數據的可靠性,采用TCCON-HeFei站點、CT-DSI、CT-LLN及CT-WLG站點數據進行對比驗證.為確保衛星反演數據和地面監測XCO2的時空統一,以地面站點中心2°經緯度范圍作為驗證區,選取時間匹配的衛星反演數據,驗證結果如圖2所示.由圖2(a)可見,TanSat-XCO2和TCCON-HeFei的年變化趨勢基本一致.主要差異為兩者到達低谷的時間,TanSat衛星監測濃度早在6月中旬達到谷底402×10-6,此時HeFei站點監測濃度為405×10-6且仍在下降,兩者相差3×10-6;與之相反,HeFei站點監測濃度在8月中旬到達谷底而衛星監測濃度已處于上升期.如前所述,6～8月是一年內差異最明顯的時期,其余月份的差別在(-2～2)×10-6之間浮動.

圖1 TanSat與OCO-2逐日XCO2濃度對比

由圖2(b)可見,CT-DSI、CT-LLN及CT-WLG的監測濃度整體高于TanSat衛星監測濃度.DSI站點監測濃度與站點上空TanSat衛星監測濃度在冬季期間差異明顯(圖2(c)),可能是因為經過質量篩選的TanSat數據缺少此站點附近的有效值,因此插值結果會受其他數據干擾,致使此站點監測濃度誤差略高于其他區域;此外由于冬季期間缺少高緯度的監測數據,亦可能會導致結果不夠理想,其他季節差異在2×10-6以內,數據一致性較強(2=0.853).LLN站點監測濃度普遍大于TanSat監測濃度(圖2(d)),監測濃度到達低谷的月份亦有不同(2=0.665).春季是整個監測期間差異最為明顯的時期,5月和6月差異高于5×10-6.秋季之后的趨勢基本保持一致,誤差在2×10-6以內.WLG位于青藏高原,大氣成分穩定且清潔,受人為影響較小,因此與衛星反演濃度一致性較強(2=0.747),除5月和6月這外,其余月份差異在-3～3×10-6之間(圖2(e)).DSI和WLG站驗證相關性更好,LLN驗證結果相對較弱.

總體來看,衛星反演濃度與地面監測濃度具有良好的一致性,能夠客觀反映中國大陸XCO2的時空變化情況.

2.2 XCO2濃度區域特征分析

由于地理環境、產業結構以及人口密度等方面的差異,導致各地區大氣XCO2濃度時空變化具有明顯的空間分異性[29-30].以TanSat衛星觀測月均值數據為基礎,參考第二十屆全國區域經濟學學科建設年會提議[31],將中國大陸劃分為西部、南部、北部、東部和中部五大區域(圖3),進行XCO2濃度區域特征分析,結果如圖4所示.

圖3 中國大陸五大區域分區

由圖4(a)可見,各地區XCO2濃度趨勢基本一致,呈現明顯的季節波動,初春達到峰值,后逐步下降,于夏季降至最低點,隨后在整個秋季平緩上升,冬季呈波動增長,至來年春季達到新的峰值.

夏季是五大區域大氣XCO2差異最為明顯的季節,南部和西部地區XCO2濃度明顯高于其他區域(>403×10-6).其次是中部和東部地區,這與我國人口密度分布情況較為一致,這些地區為我國人口集中區域,人類活動顯著,社會經濟水平和工業化程度較高,人類生產活動向大氣中排放了大量溫室氣體,尤其是京津冀、長江三角洲和珠江三角洲區域.

北部地區大氣XCO2濃度在春末開始顯著下降,夏季達到全年最低濃度400×10-6,一方面與大氣活動和季節性氣候有關,同時夏季北部地區TanSat數據量不足導致反演精度較低也會對結果產生影響.此外,根據2017年《中國統計年鑒》[32]顯示,內蒙古和黑龍江的耕地面積分別是9.271×106hm2、1.585×107hm2,位于我國前列,植被對CO2的光合作用也會導致夏季XCO2濃度的劇烈下降.

整個西部地區XCO2趨勢較其他區域相對平緩,總趨勢與南部地區相同,但又存在一定差異.一方面由于西部地區生態環境惡劣,荒地、裸土占比較大,植被對大氣CO2的吸收能力較弱;另一方面由于地勢差異較大,交通可達性相對較低,人口密度小,社會經濟活動相對較弱,因此由化石燃料燃燒向大氣中排放的溫室氣體也相對較少.由圖4(b)西部地區各省夏秋季XCO2趨勢圖可見,特別是西藏地區,大氣CO2濃度波動較小.由于西藏東南部主要植被類型為林地,植被對大氣CO2吸收作用明顯,而西藏西北部多為高寒草原或荒漠,植被活動低,同時人類活動所排放的CO2較少,致使整個區域在夏季存在動態平衡的過程,因此也影響到整個西部地區XCO2濃度的變化.

2.3 XCO2濃度影響因子分析

植被、溫度和降水等自然因子對大氣XCO2濃度有重要影響,其中植被的光合作用會將大氣中的CO2固定為有機質,將太陽能固定為化學能,這一過程會影響大氣CO2的分布,即生態系統通過對大氣CO2的吸收、儲存和釋放作用影響區域碳循環.除此之外,人類社會生活生產所排放的溫室氣體亦會顯著影響大氣XCO2濃度,特別是農業生產和工業化石燃料燃燒.

2.3.1 Pearson相關性分析 以NDVI、LST、LAI和降水量作為影響XCO2濃度的自然因子,基于各因子的月均值產品,利用Pearson相關性分析探討上述因子與大氣XCO2逐月變化的線性相關性,結果如表1所示.

表1 TanSat-XCO2與自然因子的相關性

注:*代表在0.05下,相關性顯著.

從上表可見, XCO2與自然因子整體呈現負相關,特別是NDVI,在<0.05時為-0.658.生態系統中植被的光合作用使其對大氣CO2有著強吸收,極大地影響了大氣的CO2濃度,同時也進一步證明植被在碳排放治理中的重要作用.為進一步探討NDVI與XCO2的關系,繪制了NDVI年度覆蓋圖(圖5)及其與TanSat- XCO2相關性圖(圖6).由于冬季北方高緯度無觀測數據,因此在黑龍江等東北部地區無相關性分析結果.

由圖5可見,中國大陸NDVI空間分布呈現東高西低的趨勢,NDVI在東南沿海地區達到最大值,而在西藏和新疆地區值最小.主要是因為東部和南部地區氣候濕潤,溫度適宜,植被生長條件優良,相應的NDVI值隨之增大.

圖5 年度NDVI覆蓋

由圖6可見,NDVI與TanSat-XCO2整體呈現負相關.相關性較強的區域主要分布在東北部地區和南部地區,東北地區植被覆蓋度較高,對CO2影響較為強烈.根據《中國統計年鑒》,2017年內蒙古森林面積為2.488×107hm2,位于全國第一.自然濕地面積5.879×106hm2,位于全國第三.耕地面積9.271× 106hm2,位于全國第二.綜合以上因素,內蒙古的NDVI與XCO2的相關性較高.

圖6 NDVI與TanSat-XCO2相關性

西部地區NDVI與TanSat-XCO2相關性的區域差異較為明顯,一方面,陜西、甘肅、寧夏、四川和西藏東南部地區植被覆蓋度較高,植被光合作用對大氣CO2的減少有明顯貢獻,因此負相關性較高(<-0.5);另一方面,塔克拉瑪干沙漠、古爾班通古特沙漠、巴丹吉林沙漠及周邊沙漠地區和柴達木盆地的植被覆蓋度低(NDVI<0.1)且降水量不足,植被類型以荒漠為主,對大氣CO2吸收能力弱,相關性呈現異常正相關.

中部和東部城市群以河南、湖北、安徽和江蘇地區的NDVI與XCO2的相關性較差,主要由于人口稠密,工業發達,社會生產和人為活動造成的碳排放對大氣CO2產生了重要影響.

根據《中國統計年鑒》,南部地區植被茂盛,其中云南森林面積達1.914′107hm2,居全國第三.其高植被覆蓋度使得植被的光合作用對大氣的CO2濃度產生很大影響,與XCO2相關度較高.此外,兩廣地區人口密度高且工業發達,特別是深圳、香港等沿海城市,由于高度現代化,社會生產活動所排放的溫室氣體是影響大氣CO2濃度的主要因素,因此這些地區的NDVI與XCO2的相關性較弱.

2.3.2 地理探測器分析 因子探測器用于探測不同因子對大氣XCO2濃度空間分異性的解釋程度,選用NDVI(1)、降水量(2)、LAI(3)、LST(4)、化石燃料燃燒排放(5)和人口密度(6)的年均值數據,計算上述各因子對年均大氣XCO2的解釋力值,結果見表2.由表2可見,不同因子對XCO2空間分異性的解釋程度存在一定差異,總體而言社會經濟因子的影響程度高于自然因子.化石燃料燃燒排放對大氣XCO2影響程度最高(=0.278),說明城市化快速發展使工業溫室氣體排放急劇上升,尤其是對能源和各類化工產品需求的增加,致使大氣XCO2濃度急劇上升;其次是人口密度(=0.157),人口集中區對于交通和各類生活消費需求較高,如公交車和私家車尾氣排放同樣會使大氣XCO2濃度上升;降水量不僅會稀釋大氣XCO2濃度,亦會影響植被光合作用對大氣CO2的吸收,降水量越高對大氣XCO2抑制作用越明顯.此外,NDVI、LAI和地表溫度也會影響大氣XCO2濃度的變化.

表2 單因子探測

大氣XCO2濃度變化通常是由多種因子共同作用形成的.因此,利用交互作用探測器分析多種因子對XCO2空間分布的影響,有利于深入理解XCO2濃度變化的深層驅動機制,多因子交互作用分析結果如表3所示.由表3可見,任意兩個因子的交互作用對XCO2空間分異性的解釋程度均大于單個因子的解釋程度.化石燃料燃燒與各自然因子交互對大氣XCO2濃度變化的影響顯著,其值均在0.4以上,特別是降水量和化石燃料燃燒的共同作用最為明顯(=0.495).自然因子中,NDVI與降水量的共同作用最強(=0.439),其次是LST和NDVI(=0.392).交互作用對大氣XCO2影響最弱的是NDVI與LAI(= 0.213),只有這兩個因子的值小于單因子化石燃料燃燒的值.因子交互類型表現出非線性增強和雙因子增強,未出現獨立和減弱類型.

表3 多因子交互作用

綜上可見,化石燃料燃燒是影響XCO2空間分布的重要因子,與其他因子的交互作用對XCO2的空間分異具有重要影響,同時NDVI與降水量交互作用下的強解釋力,亦說明生態系統對XCO2空間變化具有不可忽視的影響.

對比Pearson 相關性和地理探測器分析結果發現,兩者既存在一致性,也具有差異性.一致性如NDVI對XCO2濃度變化存在顯著相關性,則該因子對XCO2的空間分布也具有顯著影響;差異性如降水量對XCO2的濃度變化相關性較弱,但地理探測分析則顯示該因子對XCO2空間變化具有很高的解釋能力,這或許是由于地理探測器分析的是XCO2和影響因子之間的關聯性,包括線性和非線性關系兩種情況,而 Pearson 相關系數不顯著,說明大氣XCO2和影響因子之間沒有顯著的線性關系,但并不代表不存在非線性關系.地理探測器主要研究變量間的關聯性,可表征線性和非線性關系,分析精度和結果更為全面.

3 結論

3.1 TanSat監測濃度于春末和夏初部分值高于OCO-2監測濃度0～3×10-6,夏中低于OCO-2監測濃度0～3×10-6,兩種產品整體差異不大,季節變化趨勢一致.TanSat監測濃度與TCCON-HeFei站點監測濃度差異在(-2～2)×10-6之間,僅到達低谷值的時間不同. CT站點監測濃度均比站點上空TanSat監測濃度高,差異在3×10-6以內,且在冬季差異較為明顯,與高緯度冬季監測數據不足或缺失和其他因素干擾有關.但總體來看,驗證結果符合要求,TanSat監測濃度可用于反映中國大陸上空XCO2變化情況.

3.2 2017年～2018年間我國大氣XCO2濃度逐步增長,第一年的春季達到峰值411.04×10-6,隨后又在夏季降到低谷399.99×10-6,最后于來年春季達到新的峰值413.55×10-6,整體呈螺旋上升趨勢.夏季是大氣XCO2空間分布存在明顯差異的季節,南部地區常年處于較高水平(>403×10-6),特別是工業發達和人口密集的珠江三角洲地區,而北部地區由于植被在生長季的光合作用致使大氣XCO2濃度(<401×10-6)低于其他地區.整個西部地區的XCO2趨勢較其他區域相對平緩,西部地區生態環境較差,對大氣XCO2吸收作用不明顯,加之地勢差異較大、交通不便、人口稀少,化石燃料燃燒向大氣排放的溫室氣體也相對較少,因此夏季大氣XCO2濃度波動較為平緩.

3.3 自然因子和TanSat-XCO2的皮爾遜相關性分析表明,NDVI是影響大氣XCO2濃度變化的主要驅動因子,植被光合作用顯著降低了大氣CO2濃度,NDVI與Tansat-XCO2整體呈負相關(=0.658,<0.05),負相關強的區域出現在東北地區和南部地區,這些地區植被覆蓋度亦高于其他地區.

3.4 綜合自然因子和社會經濟因子的地理探測器分析表明,單因子中化石燃料燃燒對XCO2空間分異性的解釋力最強(=0.278),人口密度次之(=0.157),即人類活動對大氣XCO2的影響顯著.而多因子交互中,化石燃料燃燒與其他因子的交互影響力遠遠大于單因子的影響力,且與降雨量的交互作用對大氣XCO2的影響最為顯著(=0.495),XCO2濃度受多種因子共同作用,人類社會經濟活動對生態系統具有重大影響.

[1] WMO. WMO greenhouse gas bulletin: the state of greenhouse gases in the atmosphere based on global observations through 2018 [M]. WMO, 2019,2019:1-8.

[2] IPCC. Climate change 2014: synthesis report summary for policymakers chapter [M]. Cambridge: Cambridge University Press, 2015,2015:2-3.

[3] 劉 毅,王 婧,車 軻,等.溫室氣體的衛星遙感—進展與趨勢[J]. 遙感學報, 2021,25(1):53-64. Liu Y, Wang J, Che K, et al. Satellite remote sensing of greenhouse gases: progress and trends [J]. National Remote Sensing Bulletin, 2021, 25(1):53-64.

[4] 布 然,雷莉萍,郭麗潔,等.大氣CO2濃度時空變化衛星遙感監測的應用潛力分析[J]. 遙感學報, 2015,19(1):34-45. Bu R, Lei L P, Guo L J, et al. Analysis of temporal and spatial potential applications of satellite remote sensing of atmospheric CO2concentration monitoring [J]. Journal of Remote Sensing, 2015,19(1): 34-45.

[5] 張麗麗,趙明偉,趙 娜,等.基于OCO-2衛星觀測模擬高精度XCO2的空間分布[J]. 地球信息科學學報, 2018,20(9):1316-1326. Zhang L L, Zhao M W, Zhao N, et al. Modeling the spatial distribution of XCO2with high accuracy based on OCO-2's observations [J]. Journal of Geo-information Science, 2018,20(9):1316-1326.

[6] Sheng M Y, Lei L P, Zeng Z C, et al. Global l and 1mapping dataset of XCO2from satellite observations of GOSAT and OCO-2 from 2009 to 2020 [J]. Big Earth Data, 2022,2022:1-21.

[7] World Bank. CO2emissions (kt) – China [EB/OL]. https://data. worldbank.org/indicator/en.atm.co2e.kt/locations=CN, 2020.

[8] 鄧安健,郭海波,胡 潔,等.GOSAT衛星數據監測中國大陸上空CO2濃度時空變化特征 [J]. 遙感學報, 2020,24(3):319-325. Deng A J, Guo H B, Hu J, et al. Analysis of temporal and distribution characteristic of CO2concentration over China based on GOSAT satellite data [J]. Journal of Remote Sensing, 2020,24(3):319-325.

[9] 王震山,繩夢雅,肖 薇,等.基于多源碳衛星融合產品的中國地區XCO2與人為CO2排放時空變化 [J]. 中國環境科學, 2023,43(3): 1053-1063. Wang Z S, Sheng M Y, Xiao W, et al. Spatiotemporal changes of XCO2and anthropogenic CO2emission in China based on multi- source carbon satellite fusion product [J]. China Environmental Science, 2023,43(3):1053-1063.

[10] 呂政翰.中國大氣二氧化碳濃度時空變化特征及其影響因素分析 [D]. 哈爾濱:哈爾濱師范大學, 2019. Lv Z H. Spatial and temporal variation characteristic of atmospheric carbon dioxide concentration and its influencing factors in China [D]. Harbin: Harbin Normal University, 2019.

[11] 鐘 惠.衛星遙感大氣CO2濃度變化與人為排放的關聯分析研究 [D]. 北京:中國科學院大學(遙感與數字地球研究所), 2019. Zhong H. Correlation analysis of satellites derived atmospheric CO2variations and anthropogenic emissions [D]. Beijing: University of Chinese Academy of Sciences (Institute of Remote Sensing and Digital Earth), 2019.

[12] Liu Y, Wang J, Yao L, et al. The TanSat mission: preliminary global observations [J]. Science Bulletin, 2018,63(18):1200-1207.

[13] Yang D, Boesch H, Liu Y, et al. Toward high precision XCO2retrievals from TanSat observations: retrieval improvement and validation against TCCON measurements [J]. Journal of Geophysical Research: Atmospheres, 2020,125(22):e2020JD032794.

[14] Bao Z, Zhang X, Yue T, et al. Retrieval and validation of XCO2from TanSat target mode observations in Beijing [J]. Remote Sensing, 2020,12(18):3063.

[15] Wang S, van der A R, Stammes P, et al. Carbon dioxide retrieval from TanSat observations and validation with TCCON measurements [J]. Remote Sensing, 2020,12(14):2204.

[16] Yang D, Hakkarainen J, Liu Y, et al. Detection of anthropogenic CO2emission signatures with TanSat CO2and with Copernicus Sentinel- 5Precursor (S5P) NO2measurements: first results [J]. Adv. Atmos. Sci., 2023,40(1):1-5.

[17] Yang D, Liu Y, Feng L, et al. The first global carbon dioxide flux map derived from TanSat measurements [J]. Adv. atmos. Sci., 2021,38(9): 1433-1443.

[18] Hong X, Zhang P, Bi Y, et al. Retrieval of global carbon dioxide from TanSat satellite and comprehensive validation with TCCON measurements and satellite observations [J]. IEEE Transactions on Geoscience and Remote Sensing, 2022,60:1-16.

[19] 王勁峰,徐成東.地理探測器:原理與展望 [J]. 地理學報, 2017,72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective [J]. Acta Geographica Sinica, 2017,72(1):116-134.

[20] 王 研,馬瑞瑞,李 娟,等.基于地理探測器的地表水質影響因素研究——以山西省呂梁市為例 [J]. 環境科學學報, 2023,43(2):212- 222. Wang Y, Ma R, Li J, et al. Study on influential factors of surface water quality using geographic detector-A case of Lvliang City, Shanxi Province［J］.Acta Scientiae Circumstantiae, 2023,43(2):212-222.

[21] 龔 倉,王 亮,王順祥,等.基于地理探測器的鎮域尺度土壤重金屬含量空間分異及其影響因素分析 [J]. 環境科學, 2022,43(10): 4566-4577. Gong C, Wang L, Wang S X, et al. Spatial differentiation and influencing factor analysis of soil heavy metal content at town level based on geographic detector [J]. Environmental Science, 2022,43(10): 4566-4577.

[22] Wunch D, Wennberg P O, Osterman G, et al. Comparisons of the orbiting carbon observatory-2XCO2measurements with TCCO-N [J]. Atmospheric Measurement Techniques, 2017,10(6):2209-2238.

[23] Nayak R K, Deepthi E N, Dadhwal V K, et al. Evaluation of NOAA carbon tracker global carbon dioxide products [C]//International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences, 2014,40(8):287–290.

[24] Labzovskii L D, Kenea S T, Lindqvist H, et al. Towards robust calculation of interannual CO2growth signal from TCCON (total carbon column observing network) [J]. Remote Sensing, 2021, 13(19):3868.

[25] 莫 露,巫兆聰,張 熠.中國XCO2時空分布與影響因素分析 [J]. 中國環境科學, 2021,41(6):2562-2570. Mo L, Wu Z C, Zhang Y. Spatial and temporal variations of XCO2in China and its influencing factors analysis [J]. China Environmental Science, 2021,41(6):2562-2570.

[26] 魏 寧.基于衛星遙感的中國大氣CO2濃度時空分布特征及其影響因素研究[D]. 上海:華東師范大學, 2017. Wei N. A study of atmospheric CO2spatial-temporal distribution and its influencing factors in China based on satellite observation [D]. Shanghai: East China Normal University, 2017.

[27] 袁自然,魏立飛,張楊熙,等.優化CARS結合PSO-SVM算法農田土壤重金屬砷含量高光譜反演分析[J]. 光譜學與光譜分析, 2020,40 (2):567-573. Yuan Z R, Wei L F, Zhang Y X, et al. Hyperspectral inversion and analysis of heavy metal arsenic content in farmland soil based on optimizing CARS combined with PSO-SVM algorithm [J]. Spectroscopy and Spectral Analysis, 2020,40(2):567-573.

[28] Bi Y M, Wang Q, Yang Z D,et al. Validation of column-averaged dry- air mole fraction of CO2retrieved from OCO-2 using ground-based FTS measurements [J]. Journal of Meteorological Research, 2018, 32(3):433-443.

[29] 夏玲君,劉立新,李柏貞,等.我國中部地區大氣CO2柱濃度時空分布 [J]. 中國環境科學, 2018,38(8):2811-2819. Xia L J, Liu L X, Li B Z, et al. Spatial and temporal distribution characteristics of atmospheric CO2in central China [J]. China Environmental Science, 2018,38(8):2811-2819.

[30] 程巳陽,安興琴,周凌晞,等.北京上甸子大氣本底站 CO2濃度的源匯區域代表性研究 [J]. 中國環境科學, 2015,35(9):2576-2584. Cheng S Y, An X Q, Zhou L X, et al. CO2concentration representation of source and sink area at Shangdianzi atmospheric background station in Beijing [J]. China Environmental Science, 2015,35(9):2576-2584.

[31] 李國平.第二十屆全國區域經濟學學科建設年會[C]//天津:南開大學, 2021. Li G P. The 20th national annual conference on discipline construction of regional economics [C]//Tianjin: Nankai University, 2021.

[32] 國家統計局.中國統計年鑒 [M]. 北京:中國統計出版社, 2018, 8(22):261. National Bureau of Statistics of China. China statistical yearbook [M]. Beijing: China Statistics Press, 2018,8(22):261.

Monitoring and driving factors analysis of CO2concentration in China’s mainland based on TanSat.

LI Kai-xuan, YANG Li-ping*, ZHANG Jing, REN Jie, WANG Yu

(1.School of Geological Engineering and Geomatics, Chang'an University, Xi 'an 710054, China)., 2023,43(11)：5645～5654

Based on XCO2, the column-averaged dry-air mole fraction of CO2, observed by TanSat from March 2017 to March 2018, the accuracy and reliability of this dataset were comprehensively verified and validated against NASA's OCO-2 satellite observations and CT and TCCON ground measurements in China’s mainland. XCO2characteristics in five main regions were analyzed, and driving effects of natural and socioeconomic factors on atmospheric CO2concentration were investigated by using Pearson correlation analysis and Geodetector method. The results demonstrate a good consistency between TanSat and OCO-2 observations only with a minor difference between (-3～3)×10-6. In general, XCO2concentration fluctuates regularly with seasons. In summer obvious regional distinctions were detected. XCO2concentration in south China was at a higher level and greater than 403×10-6due to intense human influence.Compared with other regions, in north China,a lower average XCO2concentration (<401×10-6) was observed due to intense vegetation photosynthesis herein. Whereas XCO2trend in west China was relatively flat. NDVI is the major natural factor affecting XCO2concentration and presents a significant linear negative correlation with TanSat observations (=-0.658,<0.05). While fossil fuel burning had the strongest explanatory power for XCO2spatial heterogeneity, and its interaction with various natural factors had much greater effect than each single factor. However, interaction between fossil fuel burning and rainfall would be the most influential one with avalue of 0.495.

TanSat；accuracy verification；correlation analysis；geodetector；concentration monitoring；driving factor analysis

X511

A

1000-6923(2023)11-5645-10

李凱旋(1998-),男,陜西咸陽人,長安大學碩士研究生,主要研究方向為大氣環境遙感.2021126050@chd.edu.cn.

李凱旋,楊麗萍,張 靜,等.基于TanSat的中國大陸CO2濃度監測及驅動因子分析 [J]. 中國環境科學, 2023,43(11):5645-5654.

Li K X, Yang L P, Zhang J, et al. Monitoring and driving factors analysis of CO2concentration in China’s mainland based on TanSat [J]. China Environmental Science, 2023,43(11):5645-5654.

2023-03-28

陜西省科技廳基金項目(2020ZDLSF06-07)

*責任作者, 副教授, zylpyang@chd.edu.cn