面向碳衛星數據的高時空分辨率XCO2濃度估算的研究

摘要" 基于碳衛星的遙感是一種正在發展的大范圍高精度CO2監測方法，但當監測對象為我國長三角區域這種大空間尺度時，碳衛星數據會存在時空稀疏性的問題。本文提出了一種新的模型ST-SAN（space time soft attention network），旨在提高碳衛星數據的高時空分辨率XCO2（大氣CO2）濃度估算精度。本文將2016—2020年的多源數據（包括人類活動數據、氣象數據和植被數據）與碳衛星數據結合，生成空間分辨率為0.05°的無間隙XCO2日濃度數據集。通過ST-SAN模型對這些數據進行訓練和預測。實驗結果表明，重建后的XCO2數據集與OCO-2衛星數據和地面站點數據具有高度一致性，驗證了本方法在高時空分辨率XCO2濃度估算中的有效性。

關鍵詞XCO2;重建;數據融合;時空變化

2024-06-20收稿，2024-08-24接受

國家自然科學基金項目（42075130;42275156）

引用格式：胡凱，劉滋然，邵鵬飛，等，2024.面向碳衛星數據的高時空分辨率XCO2濃度估算的研究［J］.大氣科學學報，47（6）：976-992.

Hu K，Liu Z R，Shao P F，et al.，2024.High-resolution spatiotemporal estimation of XCO2 concentration using carbon satellite data［J］.Trans Atmos Sci，47（6）：976-992.doi：10.13878／j.cnki.dqkxxb.20240620002.（in Chinese）.

氣候變化對全球的生態、社會和經濟產生巨大影響，是地球環境的主要挑戰之一（李瑩等，2023）。二氧化碳是影響人類生活最為顯著的溫室氣體之一，其不斷增加的濃度將加速氣溫上升，進一步威脅糧食安全和人類生存。當前，地球每年的碳排放量已經超過了自然吸收能力，導致大氣中二氧化碳濃度不斷上升（Fujimori et al.，2022）。各國政府為了應對氣候變化，制定了溫室氣體減排政策和目標，致力于將二氧化碳含量控制在特定水平（Xu，2020）。為了實現這一目標，人們首先需要了解大氣二氧化碳濃度的時空變化，制定相應的減排政策（梁周彤等，2022）。因此，獲取高分辨率的長時間序列二氧化碳數據具有重要意義。

目前，地面監測和星載衛星是監測大氣二氧化碳濃度的兩個主要方法（Hu et al.，2024c）。全球范圍內的地面監測網絡由稀疏分布的站點組成，具有精確度高、時間分辨率高的優點，缺點是覆蓋范圍有限、空間分辨率較低、人力和物力成本較高，因此無法充分反映CO2的時空分布情況（Wunch et al.，2010）。相比之下，星載衛星不受時空限制，具有覆蓋范圍廣、獲取周期短、更新速度快、限制條件少等優點，缺點是其數據需要反演，非直接獲得（Zhang et al.，2020）。

目前，人們已經成功發射了碳衛星，包括SCIAMACHY（Bovensmann et al.，1999）、AIRS（Aumann et al.，2003）、GOSAT（Hamazaki et al.，2004）、OCO-2（Crisp et al.，2017）、OCO-3（ODell and Pavlick，2019）以及TanSat（Liu et al.，2018）。這些碳衛星能提供XCO2（大氣CO2）濃度數據。盡管衛星遙感是一種有效手段，但在獲取我國長三角這種大空間尺度的CO2數據方面仍面臨著時空間稀疏的挑戰。

近年來，許多學者在面向提高碳衛星數據的時空間覆蓋和數據精度的問題上，進行了大量研究。現有方法大致可分為兩大類：插值方法和數據融合方法。插值是一種用于估算函數在離散點上的函數值或導數信息的方法。它通過有限個已知點處的取值情況，估算出其他點處的近似值。為了準確反映二氧化碳的時空分布，時間插值和空間插值均至關重要。但由于插值方法難以捕捉數據復雜性和變化性以及數據噪聲的影響，導致插值技術無法準確地填補大面積空白。更重要的是，插值方法忽視了輔助參數的影響，比如氣象數據、植被數據以及人類活動數據等。表1歸納了插值方法在碳衛星數據應用中的優缺點。

數據融合方法主要分為基于統計的數據融合方法、基于模型模擬的數據融合方法、基于學習的數據融合方法。表2歸納了數據融合方法在碳衛星數據應用中的優缺點。

近年來，隨著深度學習的快速發展（Hu et al.，2024a），基于學習的數據融合方法越來越受到關注，其中一種主流的方法是利用機器學習構建衛星XCO2與輔助數據之間的關系，進而估算全覆蓋XCO2數據（Hu et al.，2024b）。例如，Li et al.（2022）選擇影響大氣CO2濃度的環境因素，包括植被結構、植被功能以及氣象條件，整合了OCO-2衛星觀測的數據，使用極端隨機樹模型進行訓練，以確定環境因素與XCO2濃度之間的關系，獲得了具有高時空分辨率的全球CO2數據集，并取得了0.83的相關系數和1.79×10-6的均方根誤差。He et al.（2022）基于輕梯度提升機器構建了中國范圍內的全覆蓋XCO2數據;該研究使用了海拔高度、土地利用、氣象條件和CarbonTracker XCO2數據，與以前研究中使用的時空克里格模型相比，LightGBM模型顯示出較好的預測性能。Zhang and Liu（2023）使用衛星數據、植被和氣象等多種輔助數據，運用深度學習技術創建一個長期的月度XCO2數據集，并對其時空變化進行深入分析。綜上所述，基于學習算法的數據融合方法在衛星二氧化碳數據重建領域中，能夠顯著提升數據的準確性和處理效率。

在面向碳衛星數據的高時空分辨率CO2濃度估算的研究領域中，盡管現有的研究已經估計了CO2濃度，但仍有需要進一步改進的地方。

1） 以往生成的XCO2數據集的空間分辨率在0.1°至1°之間，取得的決定系數R2也在93％至97％之間（Zhang et al.，2022;Li T W et al.，2023）。雖然取得了較為不錯的結果，但是，當人們開始著手火力發電站這種大型企業級別對象的具體監測任務時，現有數據集的估計精度和空間分辨率就需要進一步提高。

2） 在以往利用機器學習構建衛星XCO2與輔助數據之間關系的研究中，氣象數據、植被數據經常性地被當作輔助數據進行研究，但是很少把人類活動數據考慮到模型中。這可能是人類活動數據屬于社會科學范疇，而氣象數據和植被數據則歸屬于自然科學領域。由于這兩種學科的交叉研究較為罕見，相關研究相對較少。因此，少有研究將氣象數據、植被數據以及人類活動數據三者結合來預測XCO2數據。

從自然學科參數發展到基于衛星遙感的“自上而下”溫室氣體排放清單反演和校驗技術體系，實現對人為碳排放的精細化監測，是評估雙碳任務狀態的關鍵，是國內外主流碳衛星研發的初衷。在此基礎上，助力我國“政府牽頭，企業參與，多方推進落實”的碳排放監測模式，協助政府這一碳市場的管理者根據碳排放的觀測數據制定環境治理目標和發布節能減排任務，從而形成一個工作閉環。但是這種監測是基于自然學科數據、多學科指標的方案，在監測時缺乏社會學科數據的參與，使得后期難以與社會學科的工作交接。

因此，本研究將人類活動數據作為輔助變量，與衛星數據、氣象數據、植被數據相結合，把軟注意力機制和卷積長短時記憶網絡（convolutional long short-term memory，Conv-LSTM）進行結合，提出了時空軟注意力網絡模型（space-time soft attention network，ST-SAN），利用深度學習框架生成了2016—2020年中國長三角地區的空間分辨率為0.05°的無間隙XCO2日數據集，并在模型中加入支持向量機-遞歸特征消除（support vector machine-recursive feature elimination，SVM-RFE）的方法來解釋輸入特征重要性，通過交叉驗證和地面驗證評估了估算的CO2結果。

1" 數據和方法

1.1" 研究區域

中國長三角地區是中國經濟發展的引擎之一，在全球格局中具有重要的戰略地位（Lin et al.，2024）。該研究區域作為中國最為繁榮的地區之一，在經濟發展、國際貿易、交通樞紐、人口密集和科技創新等方面發揮著關鍵作用。隨著經濟騰飛，該地區產業結構多樣，同時也面臨嚴重的環境問題。雖然政府采取了調整能源結構、推動綠色制造、加強污染治理和生態保護等一系列措施，但解決長三角地區的環境問題仍是一個復雜的過程，需要全社會的參與和共同努力。因此，深入了解長三角地區的CO2情況對于制定可持續發展戰略、推動低碳經濟轉型具有重要意義。基于此，本研究選擇（115°46′～123°25′E，29°20′～32°34′N）作為研究區域（Li W et al.，2023）。

1.2" 多源數據

如表3所示，本研究使用了多種數據，主要分為4類：

1） XCO2數據，包括OCO-2（Orbiting Carbon Observatory-2）衛星數據、CAMS XCO2數據以及用于驗證的總碳柱觀測網絡（TCCON）站點XCO2數據。

2） 植被指數數據，代表歸一化植被指數（normalized difference vegetation index，NDVI）。

3） 氣象數據，包括相對濕度（RH）、溫度（T2M）、緯向風（UW）和經向風（VW）。

4） 人類活動數據，包括可以反映人類活動對XCO2影響的人口數據（population data，POP）。

本研究使用的所有數據重采樣到空間分辨率為0.05°、時間分辨率為每日。

1.2.1" CO2濃度數據

1） OCO-2 XCO2數據

Orbiting Carbon Observatory-2 （OCO-2）是由美國宇航局（NASA）發起的衛星任務，旨在通過搭載高分辨率光譜儀監測地球大氣中的CO2濃度（Wunch et al.，2017），并于2014年7月成功發射，主要提供平均干空氣CO2摩爾分數（XCO2濃度）數據。OCO-2衛星表現出局部同步觀測時間為13：30（北京時，下同），空間分辨率為2.25 km×1.29 km，并具有約16 d的重訪周期。本研究使用OCO-2 L2 Lite FP版本的數據產品，Lite FP版本的優勢在于數據具有更少的系統誤差和更高的準確度，使用了從2018年1月1日到2020年12月31日期間的數據（https：／／earthdata.nasa.gov／）。

2） CAMS XCO2數據

CAMS XCO2數據是由歐洲環境局的Copernicus大氣監測服務提供的大氣CO2濃度數據，包括CO2和甲烷（CH4）（Inness et al.，2019）。目前CAMS XCO2數據覆蓋了2003—2020年的時段，其空間和時間分辨率分別為0.75°和3 h。這一數據集整合了來自地面站、衛星以及氣象和大氣成分模型的信息，以高時空分辨率提供全球范圍內CO2濃度的觀測（Agustí-Panareda et al.，2023）。此外，CAMS沒有同化OCO-2的數據，這確保了多源數據在CO2估計中的有效融合（Tu et al.，2020），本研究利用CAMS XCO2作為重要的輔助輸入來估算CO2濃度（https：／／ads.atmosphere.copernicus.eu／）。

3） TCCON XCO2數據

如圖1所示，TCCON是一個全球性的CO2觀測網絡，由地面測量站點構成，目標是通過高精度、高分辨率的測量，提供全球CO2濃度變化的詳盡信息（Yang et al.，2020）。該網絡匯集了來自全球各地的觀測站點，遍布北美、南美、歐洲、亞洲、澳大利亞和南極洲等多個國家和地區，每個站點均配備高精度的地面紅外光譜儀。TCCON檢測的CO2濃度精度為0.1×10-6，CH4濃度精度為2×10-9，是驗證衛星CO2數據的重要來源。因此，本研究選取了中國長三角范圍內的合肥站點的數據（時間范圍為2016年1月—2020年12月）來評估重建后的XCO2的精確性（https：／／tccondata.org／）。

1.2.2" 氣象數據

ERA5（第五代歐洲中期天氣預報中心再分析資料）是由歐洲中期天氣預報中心推出的全球大氣再分析產品，提供了高時空分辨率的氣象數據，包括大氣組分、溫度、濕度、風速、氣壓等多個要素（Hersbach et al.，2020）。ERA5數據的0.25°空間分辨率和小時級的數據提供了詳細的全球氣象信息（Hoffmann and Spang，2022）。本研究使用ERA5的氣象數據，包括相對濕度（RH）、溫度（T2M）、緯向風（UW）和經向風（VW）（https：／／cds.climate.copernicus.eu／）。

1.2.3" 植被指數數據

植被條件對調節大氣中的CO2水平具有重要作用，是碳匯的重要組成部分。植被通過光合作用吸收并儲存CO2，且植被促進土壤有機質的積累和固定，降低土壤中有機碳的氧化釋放，減少CO2的排放（Zhang et al.，2021）。

NDVI是通過測量地表在近紅外光和紅光波段的反射差異來估算植被狀況的遙感指數（Pettorelli et al.，2005）。其計算公式如下：

INDV=INIR-IRedINIR+IRed。" （1）

其中：INIR是近紅外波段的反射值;IRed是紅光波段的反射值。INDV的取值范圍通常為-1～1，表示植被的生長狀況。高正值通常表示健康的植被，而較低或負值則可能指示裸露土地或其他非植被表面。NDVI作為碳匯的一部分，已被證明與CO2濃度密切相關。因此在重建過程中，NDVI被用作輔助預測因子之一（https：／／e4ftl01.cr.usgs.gov／MOLT／）。

1.2.4" 人類活動數據

人口數據是指對一個特定地區、國家或全球范圍內的人口數量和特征進行統計的數據，可以反映人類活動對XCO2的影響（Lü et al.，2020）。LandScan是由美國橡樹嶺國家實驗室開發的全球人口分布數據集，采用結合地理空間科學、遙感技術和機器學習算法的創新方法，是代表環境人口的最佳分辨率全球人口分布數據。該數據集結合了衛星圖像、地理信息系統數據、國家統計數據以及地理特征如道路、河流和地形等信息。LandScan利用這些數據分析區域特征，結合“晚上燈光”數據等輔助信息，通過算法將人口數據分布到不同的柵格單元中，細化到高分辨率的人口密度地圖。因此，LandScan人口分布模型是根據每個國家和地區的數據條件和地理性質而定制的。通過對環境人口進行建模，LandScan可以捕獲人們在白天和黑夜的全部潛在活動空間，而不僅僅是住宅區（https：／／landscan.ornl.gov／）。

1.3" 數據預處理

在這項研究中，本文旨在生成2016—2020年中國長三角地區的XCO2數據集。因此，本研究采取了一系列數據處理步驟，在時間和空間維度上協調這些數據。

首先，由于大氣中氣溶膠的散射吸收、衛星軌道的間隔、云的覆蓋以及反演算法本身的局限性，許多觀測數據被確定為不良數據。因此，本文對XCO2進行了質量控制，排除了潛在的問題或不可靠數據，有助于確保數據集的可靠性和準確性。由于衛星在13：30過境，本文以每小時為基礎獲取CAMS XCO2數據，并從中選擇每天13：30的數據點作為日分布值。對于ERA5氣象數據，本研究對不同氣壓層上的氣象數據進行平均，以獲取整個大氣柱中的平均氣象情況。其次，所有數據均通過雙線性插值法重新采樣為空間分辨率為0.05°，時間分辨率為每日。最后，為了消除尺寸的影響，本研究通過預處理對所有數據進行了歸一化處理。x*的歸一化計算如下：

x*=x-xminxmax-xmin。" （2）

其中：xmax和xmin分別表示樣本數據的最大值和最小值。這里需要指出的是，對于預處理后的數據，雖然是時空間分辨率進行了統一，但是仍然需要本研究的方法來進行數據融合，以提高數據的準確率。

1.4" 方法

本研究的主要目標是利用OCO-2 XCO2、CAMS XCO2、植被數據、氣象變量以及人類活動數據作為輸入，來估計每日的全覆蓋XCO2數據。通過構建一個模型，建立這些變量之間的關系，從而實現對XCO2數據的估算。為了實現這一目標，本文提出了ST-SAN模型來構建衛星XCO2與其他輔助數據的關系，公式如下：

ρXCO2=fDXCO2，DCAMS，DRH，DT2M，DUW，DVW，DNDVI，DPOP。

其中：ρXCO2代表估計的二氧化碳碳通柱濃度；DXCO2、DCAMS是主要數據；DRH、DT、DUW、DVW、DNDVI、DPOP是輔助數據。f（）表示ST-SAN模型，它對輸出（即OCO-2 XCO2）和輸入數據之間的關系進行建模。CO2重建流程如圖2所示。

ST-SAN模型將軟注意力機制和Conv-LSTM進行結合，并在模型中加入了支持向量機-遞歸特征消除（SVM-RFE）方法來解釋特征的重要性。

首先，ST-SAN模型將多維度、多時空特征的數據集輸入模型中，通過SVM-RFE方法進行特征選擇，提取對預測最有意義的特征。這一步驟確保模型能夠聚焦于對CO2濃度預測最關鍵的特征，從而簡化數據維度并提高模型性能和模型的可解釋性。然后，將選出的特征輸入到Conv-LSTM層中，以捕捉數據中的時空相關性。Conv-LSTM結合了卷積神經網絡和長短期記憶網絡的優點，能夠同時處理數據的空間和時間特征，提高了模型對復雜數據模式的識別能力。

在Conv-LSTM層的基礎上，應用軟注意力機制，通過分配不同的權重，突出重點特征。軟注意力機制能夠動態調整各特征的重要性，使模型更加關注那些對預測結果有顯著影響的特征，從而提升預測的準確性。最后，經過注意力層處理后的特征輸入到全連接層，生成CO2濃度的預測結果。全連接層通過加權求和，將注意力層輸出的特征轉化為最終的預測值。

在ST-SAN模型的訓練過程中，本研究進行了100輪迭代訓練，并對模型的性能進行了持續監控。基于驗證集的表現，研究調整了早停策略，確保模型在訓練過程中達到最佳性能。研究采用了具有良好收斂性能的Adam優化器，其初始學習率設置為0.001，并根據驗證集的表現進行動態調整。在損失函數的選擇上，模型采用了均方誤差（mean squared error，MSE），以有效衡量預測值與真實值之間的差距。訓練過程中，批次大小設置為32，以保證模型的穩定訓練，使用反向傳播算法最小化損失函數，通過訓練數據不斷優化模型參數，以提高預測精度并準確捕捉數據中的模式和規律。在驗證階段，通過多種性能指標評估模型，確保其在不同數據集上的穩健性和高精度表現。此外，采用交叉驗證方法進一步驗證模型的泛化能力，防止過擬合，確保模型在實際應用中具有良好的預測性能。整個流程的設計旨在最大限度地利用時空數據，提高CO2濃度預測的準確性和可靠性。

此外，在消融實驗中，CNN部分采用了3層卷積層，卷積核大小為3×3，激活函數為ReLU，卷積核數量分別為64、128和256，池化層采用2×2的最大池化操作。LSTM部分使用了一層隱藏態維度為256的雙向LSTM，輸入序列的維度為128。軟注意力機制采用單層注意力機制，輸入和輸出向量維度均為256，注意力權重的計算方法為點積。在每種組合方式中，研究均使用相同的數據集進行訓練和測試，以確保結果的可比性。

圖3為ST-SAN模型網絡結構圖。下面將分別介紹模型的3個主要部分來說明ST-SAN模型的優勢。

1） Conv-LSTM

Conv-LSTM （Liu et al.，2017）結合了卷積神經網絡和長短期記憶網絡的優點，用于處理時空數據。其原理是在輸入數據上進行卷積操作以提取空間特征，然后應用LSTM單元捕捉時間依賴關系，通過狀態傳遞保留空間結構信息。這種結構使得ConvLSTM能夠同時處理數據的空間和時間特征。

本研究將ConvLSTM應用到ST-SAN模型中，使得模型能夠同時捕捉時空序列數據中的空間特征和時間依賴關系，有效地從數據中提取有關時空變化的信息，更準確地理解時空序列數據的模式和趨勢，并且可以防止梯度消失和爆炸問題，提高預測精度。

2） 軟注意力機制

軟注意力機制允許模型在處理序列數據時動態地關注輸入序列中的不同部分，從而提升模型的性能（皇甫曉瑛等，2023）。在軟注意力機制中，每個輸入部分都被賦予一個注意力權重，這個權重的大小為0～1，表示該部分在輸出中的重要性。所有注意力權重的總和等于1，可以通過對注意力權重進行歸一化來實現。

本研究選擇軟注意力機制用于構建ST-SAN模型，能夠使得模型動態地關注輸入數據的不同部分，這在處理具有顯著時空特性的XCO2數據、植被數據和氣象變量時尤為重要。此外，雖然Conv-LSTM能夠有效處理時空序列數據，但在捕捉長時間依賴關系時可能存在局限性。軟注意力機制可以通過加權不同時間步的輸入，幫助Conv-LSTM更好地捕捉長時間依賴關系，增強模型的記憶和選擇能力。同時，相比一些復雜的注意力機制，軟注意力機制在計算復雜性上更為簡單，適合處理大規模數據集。這可以減少計算資源的消耗，同時仍能保持良好的性能，更好地實現對每日全覆蓋XCO2數據的估算目標。

3） SVM-RFE方法

SVM-RFE方法是一種特征選擇算法，結合了支持向量機（SVM）的分類性能和遞歸特征消除（RFE）的特征選擇能力（Duan et al.，2005）。支持向量機作為一種監督學習算法，通過在特征空間中找到最優超平面來分隔不同類別的樣本，并通過其學習到的權重向量反映特征的重要性。遞歸特征消除則通過不斷構建模型并刪除最不重要的特征，迭代地選擇特征子集，直到達到預定的停止條件。

因此，SVM-RFE方法可用于選擇最具影響力的特征，從而提高模型的運行效率和泛化能力，并且能夠自動根據特征的權重進行排序和消除，有效減少特征數量，降低過擬合風險，并提升模型解釋性和計算效率。

基于SVM-RFE方法的優點，本研究在ST-SAN模型中加入了SVM-RFE方法，能夠有效地從原始多源數據中選擇出對模型影響最大的特征，為后續網絡訓練打下堅實基礎。

2" 結果與分析

2.1" 變量對模型的貢獻程度

本文研究了各變量之間的統計關系，用相關系數r來表示它們的相關性。公式如下：

r=∑ni=1（Xi-）（Yi-）∑ni=1（Xi-）2∑ni=1（Yi-）2。" （3）

其中：Xi和Yi分別表示兩個變量的第i個觀測值；和分別表示所有觀測值的平均值；n是觀測值的數量。由圖4可以看出，衛星XCO2與CAMSXCO2的相關性最高，其次是溫度和濕度。雖然植被指數數據、緯向風、經向風以及人類活動數據與衛星XCO2的相關性較弱，但是這些變量之間的互相關系是復雜的，比如溫度和濕度的相關系數為0.44，但濕度與植被指數數據的相關系數僅為0.16。盡管某些變量之間的相關性不是很明顯，但本文構建的模型有能力從這些復雜關系中提取有用的信息。

為了進一步探索所選變量與XCO2的潛在關系，本研究通過SVM-RFE方法進行特征選擇并輸出排名柱狀圖，即可解釋變量在模型構建過程中的貢獻程度。在ST-SAN模型中，最重要的預測因子是CAMS XCO2，其次是T2M、RH、POP、UW。為了驗證SVM-RFE方法在模型中的正確性，本文選擇了隨機森林回歸模型來繼續做比較。結果（圖5）顯示，ST-SAN模型與隨機森林模型（李琳菲等，2024）的結果高度一致，表明ST-SAN模型中計算特征重要性的方法是令人信服的。

為了進一步研究POP數據對模型的貢獻，對有POP數據和無POP數據的模型進行了比較。如圖6所示，在模型的直接擬合和地面站點驗證中，沒有POP數據的模型的MAE（mean absolute error，平均絕對誤差）值比有POP數據的模型分別多了0.036 5和0.009 8，MSE的值也分別多了0.013 5和0.005 5，而沒有POP數據的模型的R2值比有POP數據的模型的R2值分別小了0.035 6和0.014 5。這表明POP數據對模型性能的改善有貢獻。

上述統計指標計算如下：

R2=1-∑ni=1（yi-y^i）2∑ni=1（yi-y-i）2，（4）

EMA=1n∑ni=1yi-y^i， （5）

EMS=1n∑ni=1（yi-y^i）2。（6）

其中：n是樣本大小;yi和y^i分別是樣本i的觀測和預測的XCO2值;y-i是觀測的XCO2值的均值。

2.2" CO2重建結果的驗證方法

本研究采用了交叉驗證和地面驗證兩種方法，以評估CO2重建結果的準確性。首先，利用交叉驗證算法對ST-SAN模型的性能進行了評估。交叉驗證方法具有無偏評估預測模型性能的優勢，而K折交叉驗證則因其能夠利用整個數據集而得到廣泛應用。在本研究中，選擇了K值為10，能夠最為準確地反映模型的無偏概括性能。其次，在地面驗證中，本研究用重建的XCO2數據和合肥站點數據進行了比較，定量評估了模型預測性能。

2.3" CO2重建結果驗證

首先，本研究用交叉驗證的方法評估模型的泛化能力和穩健性。本研究選擇了3種交叉驗證的方法：基于樣本的交叉驗證、基于時間的交叉驗證和基于空間的交叉驗證。

基于樣本的交叉驗證是一種被廣泛采用的驗證方法。該方法通過隨機選擇90％的樣本進行模型建模，然后利用剩余的10％樣本進行驗證。這個過程會重復進行10次，以確保所有樣本都得到了測試。

基于空間的交叉驗證和基于時間的交叉驗證也采用了類似的10折交叉驗證過程。在基于空間的交叉驗證中，本研究隨機丟棄10％的空間位置點，而在基于時間的交叉驗證中，也隨機丟棄10％的時間點。這些交叉驗證方法從不同的角度評估了模型的準確性。基于樣本的交叉驗證反映了模型的整體預測能力，基于空間的交叉驗證評估了模型的空間預測能力，而基于時間的交叉驗證則展示了模型的時間預測能力。這些驗證方法提供了對模型在不同維度上性能的全面評估，以確保模型在實際應用中具有更強的魯棒性和穩定性，結果如圖7所示。

直接擬合充分利用了所有可用數據，無需考慮數據集的劃分，擬合的結果為R2=0.982 7，EMS=0.006 5，EMA=0.048 8。基于樣本的交叉驗證擬合結果為R2=0.930 9，EMS=0.026 2，EMA=0.097 5，基于空間的交叉驗證擬合結果為R2=0.902 6，EMS=0.036 9，EMA=0.115 8，可以發現模型在不同位置的估計能力也比較突出。基于時間的交叉驗證擬合結果為R2=0.912 5，EMS=0.033 1，EMA=0.109 7，表明基于日期的CV也取得了優異的性能。因此，該模型無論是整體的預測能力，還是時間、空間的預測能力都取得了較為不錯的結果。為了評估這些結果的統計顯著性，我們對訓練后的結果進行了顯著性檢驗。所有結果的P值均小于0.01，表明這些結果在統計上顯著，具有較高的可信度。

其次，為了進一步驗證重建結果的準確性，本研究將重建數據與TCCON站點測量的數據進行了比較（圖8）。合肥站點的斜率為0.972，R2為0.941 5。根據顯著性水平，研究發現P值小于0.03，這表明該相關系數在統計上是顯著的。因此，盡管樣本量較小，R2仍然通過了顯著性檢驗。這表明重建的值與合肥站點的值具有較高的一致性，可以生成高質量的XCO2數據集。

2.4" 消融實驗

消融實驗是一種科學研究方法，旨在分析模型的各個組成部分對整體性能的貢獻，并驗證它們在模型中的作用。本研究的模型主要包含3個部分：CNN（convolutional neural network）、LSTM（long short-term memory）和軟注意力機制。消融實驗的目的是明確每個組件對模型性能的影響。

首先，基于ST-SAN模型，構建完整模型并進行訓練和測試，以獲得基準性能指標。其次，對每個組件（CNN、LSTM和軟注意力機制）分別進行單獨的消融實驗，通過移除每個組件并保留其他組件，構建相應的消融模型，使用相同的數據集進行訓練和測試，以獲得各自的性能指標。最后，對兩個組件的不同組合進行消融實驗，以進一步了解它們之間的相互作用和影響。具體設計了6種組合方式：LSTM、CNN、LSTM-Attention、CNN-Attention、CNN-LSTM和ST-SAN。消融結果如圖9所示，表4列出了6種組合方式的評價指標值。

2.5" 對比實驗

為了進一步研究ST-SAN模型的重建效果，本研究將ST-SAN模型的重建結果與4種廣泛使用的機器學習方法，即隨機森林（RF）、極限梯度提升（XGBoost）、支持向量回歸（SVR）、Transformer進行了比較。由表5可見，不同預測模型在性能評估指標上呈現出多樣化。其中，ST-SAN模型在R2、EMS和EMA等方面表現最為優秀，其擬合度高且預測誤差較小，是一個較為理想的模型選擇。相比之下，其他模型也表現良好，但在某些指標上略遜于ST-SAN模型。綜合考慮模型性能，ST-SAN模型在CO2濃度重建方面取得了相當大的優勢。

2.6" 長三角地區的CO2濃度趨勢

2.6.1" 長三角地區CO2濃度總體趨勢

本文深入探討了中國長三角地區過去5年CO2濃度的動態變化。通過重建的中國長三角地區CO2濃度數據集，本文能夠更準確地描繪2016—2020年長三角地區CO2濃度的分布與趨勢。

基于重建的數據集，研究發現2016—2020長三角地區年均CO2濃度分別為404.185×10-6、407.243×10-6、408.997×10-6、411.399×10-6和414.014×10-6。2016—2017年CO2濃度年增加量為3.085×10-6，為5年最大，反映出該時期碳排放的劇增，這可能與區域內工業活動的加快、能源消費的上升有關。而2017—2018年增量為1.754×10-6，為5年最小，可能是實施了更為嚴格的排放控制政策及提高能效措施的結果。2018—2019年和2019—2020年的濃度年增量分別為2.402×10-6和2.615×10-6，說明盡管有波動，但整體趨勢仍是排放持續增加。

通過觀察長三角地區年度濃度（圖10），研究發現長三角地區整體碳排放總量增大但增速變緩，未來可能會出現負增長的情況。并且，長三角各省市間CO2濃度的區域差異有減小趨勢，碳排放重心先向東南后向西北遷移。這種現象可能是由于上海及其周邊一些經濟發展水平較高地區的高污染工業不斷向安徽等經濟發展水平相對較低的地方遷移，導致安徽省的大部分區縣及浙江省部分區縣的碳排放增長率較高。

通常情況下，NDVI和XCO2之間存在一定的關系，即一個地區的NDVI值較高，那么該地區的XCO2濃度可能會相對較低。反之，如果NDVI值較低，則XCO2濃度可能會較高。因此本研究對比了2020年長三角地區的NDVI和XCO2濃度分布（圖11），可以進一步發現長三角地區西北部的山區和農村地帶，NDVI值較高，呈現出綠色和淺綠色的良好植被覆蓋狀態，而東南部的城市中心和工業區域NDVI值較低，呈現出偏黃色和紅色的較差植被覆蓋狀態。

綜上所述，長三角地區的NDVI值呈現出由西北向東南逐漸降低的空間分布趨勢。相比之下，長三角地區中部和東南部地區的XCO2濃度較高，呈現出紅色和橙色的高濃度區域，西北部山區和農村地帶，XCO2濃度較低，呈現出綠色和藍色的低濃度區域。這種空間分布規律與NDVI分布的空間規律是相吻合的，即植被覆蓋較好的西北部地區，碳排放相對較低，而植被覆蓋較差的東南部城市工業區，碳排放則較高。

2.6.2" 長三角地區CO2濃度季節性趨勢

本研究通過重建的數據集準確地繪制了2016—2020年季節性CO2濃度分布（圖12），通過色彩深淺變化直觀展現了CO2濃度的季節性規律。

由圖12可見，長三角地區CO2濃度在不同季節之間存在一定的變化。春季和秋季時CO2濃度相對較低，這很可能是由于這兩個季節正是植物生長和光合作用最旺盛的時期。在春季，隨著溫度漸暖，植被開始恢復生長，大量的CO2被植物吸收用于光合作用，從而導致空氣中的CO2濃度下降。秋季，植物繼續生長并積累營養，進一步吸收大量的CO2，保持了較低的大氣CO2濃度。

而在夏季，由于氣候炎熱，植物的呼吸作用較為強烈（Graven et al.，2013）。同時，夏季天氣炎熱可導致人類活動增加，如大量使用空調導致能源需求激增，因而CO2排放量上升，故測得的CO2濃度相對較高。此外，夏季也可能伴隨著較少的降雨和植物生長，從而進一步加劇CO2濃度的上升（Song et al.，2021）。至于冬季，植物生長停滯，呼吸作用減弱，同時由于溫度較低可能減少了一些由人類活動產生的CO2，因此CO2的整體濃度沒有太大的波動。

長三角地區的CO2季節性變化規律清晰地展現了人類活動和自然生態過程對地區氣候的復雜影響。這些發現對理解和預測區域環境變化非常重要，也對制定更加有效的環境保護措施和減排政策有著至關重要的影響。

3" 結論

本文在ST-SAN模型框架下整合了衛星數據和再分析數據，并重建了中國長三角地區2016—2020年高精度無縫隙的CO2濃度數據集，獲得了顯著的重建精度，由此對長三角地區的XCO2進行了時空特征分析，得到如下主要結論：

1） 將軟注意力機制和Conv-LSTM進行結合，提出了ST-SAN模型，在模型中加入SVM-RFE方法用來解釋變量對模型的重要程度，并進行高時空分辨率XCO2濃度估算;結果顯示：SVM-RFE方法與隨機森林模型的特征重要性結果高度一致，表明ST-SAN模型中計算特征重要性的方法是令人信服的。

2） 生成了2016—2020年中國長三角地區空間分辨率為0.05°的無間隙XCO2日度數據集，且重建的數據集與TCCON站測量值相比具有高精度。

3） 長三角地區的CO2濃度每年都在上升，2016—2017年間CO2濃度的增幅最大，2017—2018年間CO2濃度的增幅最小。長三角地區CO2濃度在不同季節之間存在一定的變化，春季和秋季通常呈現較低的CO2濃度，而夏季則呈現較高的CO2濃度。

4" 總結與展望

本研究提出了一種基于衛星觀測數據和輔助數據，利用ST-SAN模型進行長三角地區CO2濃度重建的方法。盡管通過地面觀測驗證了估計的大氣CO2濃度的高精度，但該研究仍然存在一些限制。

GOSAT、OCO-2／3以及TanSat等碳衛星在觀測范圍上涵蓋了不同的地理區域，觀測時間上也存在差異。由于它們的觀測周期和重訪時間不同，所以可以提供不同時間尺度的數據。這意味著它們能夠捕捉到不同時間段內的CO2濃度變化。此外，不同的衛星還采用不同的反演算法來從觀測數據中推斷出CO2濃度。這些算法考慮了傳感器的特性、輻射傳輸模型和大氣背景，以提高數據的準確性和可靠性。不同的反演算法可能在精度和適用性上有所差異，因此結合不同衛星的數據可以獲得更全面、一致性更好的觀測結果。因此，將多個碳衛星數據進行融合，并結合氣象數據、植被數據、人類活動數據，有望提高重建的精度，這是未來研究的重點方向之一。

此外，對于碳衛星數據重建領域，本研究還建議朝著以下幾個方向發展：

1） 高分辨率觀測。這將使得碳衛星能夠更準確地捕捉到地球表面上不同區域的碳循環過程和碳排放情況，提供更精細的數據重建結果。

2） 時間尺度擴展。目前的碳衛星數據重建主要關注短期的碳循環和碳排放變化，如季節尺度和年尺度。未來的發展方向可能會將時間尺度擴展到更長的時間范圍，例如對幾十年甚至幾個世紀的碳循環過程進行建模和重建，以更好地理解和預測長期的碳循環變化。

3） 區域性和全球性耦合。碳循環是一個具有區域性和全球性相互作用的系統，不同地區的碳排放和碳吸收過程相互影響。未來的發展方向可能會更加關注區域尺度的碳循環研究，并將其與全球尺度的數據重建相耦合，以更全面地揭示碳循環的復雜性。

高分辨率的長時間序列CO2數據提供了準確理解碳循環和氣候變化的能力，支持政策制定和監測政策效果，促進國際合作和協調，為決策者提供了科學依據和風險評估工具，以應對氣候挑戰和實現可持續發展目標。通過數據重建，人們能深入了解碳排放和吸收的地理分布、季節性變化和長期趨勢，為制定低碳戰略、規劃適應措施和評估碳市場風險提供了支持。

參考文獻（References）

Agustí-Panareda A，Barré J，Massart S，et al.，2023.Technical note：the CAMS greenhouse gas reanalysis from 2003 to 2020［J］.Atmos Chem Phys，23（6）：3829-3859.doi：10.5194／acp-23-3829-2023.

Aumann H H，Chahine M T，Gautier C，et al.，2003.AIRS／AMSU／HSB on the aqua mission：design，science objectives，data products，and processing systems［J］.IEEE Trans Geosci Remote Sens，41（2）：253-264.doi：10.1109／TGRS.2002.808356.

Bhattacharjee S，Chen J，2020.Prediction of satellite-based column CO2 concentration by combining emission inventory and LULC information［J］.IEEE Trans Geosci Remote Sens，58（12）：8285-8300.doi：10.1109／TGRS.2020.2985047.

Bovensmann H，Burrows J P，Buchwitz M，et al.，1999.SCIAMACHY：mission objectives and measurement modes［J］.J Atmos Sci，56（2）：127-150.doi：10.1175／1520-0469（1999）056lt;0127：smoammgt;2.0.co;2.

Crisp D，Pollock H R，Rosenberg R，et al.，2017.The on-orbit performance of the Orbiting Carbon Observatory-2 （OCO-2） instrument and its radiometrically calibrated products［J］.Atmos Meas Tech，10（1）：59-81.doi：10.5194／amt-10-59-2017.

Duan K B，Rajapakse J C，Wang H Y，et al.，2005.Multiple SVM-RFE for gene selection in cancer classification with expression data［J］.IEEE Trans NanoBioscience，4（3）：228-234.doi：10.1109／TNB.2005.853657.

Fujimori S，Wu W C，Doelman J，et al.，2022.Land-based climate change mitigation measures can affect agricultural markets and food security［J］.Nat Food，3（2）：110-121.doi：10.1038／s43016-022-00464-4.

Graven H D，Keeling R F，Piper S C，et al.，2013.Enhanced seasonal exchange of CO2 by northern ecosystems since 1960［J］.Science，341（6150）：1085-1089.doi：10.1126／science.1239207.

Hamazaki T，Kuze A，Kondo K，2004.Sensor system for greenhouse gas observing satellite （GOSAT）［C］／／Infrared Spaceborne Remote Sensing XII.Denver，CO.SPIE.doi：10.1117／12.560589.

He C P，Ji M R，Li T，et al.，2022.Deriving full-coverage and fine-scale XCO2 across China based on OCO-2 satellite retrievals and CarbonTracker output［J］.Geophys Res Lett，49（12）.doi：10.1029／2022gl098435.

Hersbach H，Bell B，Berrisford P，et al.，2020.The ERA5 global reanalysis［J］.Quart J Roy Meteor Soc，146：1999-2049.

Hoffmann L，Spang R，2022.An assessment of tropopause characteristics of the ERA5 and ERA-Interim meteorological reanalyses［J］.Atmos Chem Phys，22（6）：4019-4046.doi：10.5194／acp-22-4019-2022.

Hu K，Shen C W，Wang T Y，et al.，2024a.Overview of temporal action detection based on deep learning［J］.Artif Intell Rev，57（2）：26.doi：10.1007／s10462-023-10650-w.

Hu K，Zhang Q，Feng X Y，et al.，2024b.An interpolation and prediction algorithm for XCO2 based on multi-source time series data［J］.Remote Sens，16（11）：1907.doi：10.3390／rs16111907.

Hu K，Zhang Q，Gong S，et al.，2024c.A review of anthropogenic ground-level carbon emissions based on satellite data［J］.IEEE J Sel Top Appl Earth Obs Remote Sens，17：8339-8357.doi：10.1109／JSTARS.2024.3355549.

皇甫曉瑛，錢惠敏，黃敏，2023.結合注意力機制的深度神經網絡綜述［J］.計算機與現代化（2）：40-49，57." Huangfu X Y，Qian H M，Huang M，2023.A review of deep neural networks combined with attention mechanism［J］.Comput Mod（2）：40-49，57.doi：10.3969／j.issn.2096-0182.2017.06.002.（in Chinese）.

Inness A，Ades M，Agustí-Panareda A，et al.，2019.The CAMS reanalysis of atmospheric composition［J］.Atmos Chem Phys，19（6）：3515-3556.doi：10.5194／acp-19-3515-2019.

Li J，Jia K，Wei X Q，et al.，2022.High-spatiotemporal resolution mapping of spatiotemporally continuous atmospheric CO2 concentrations over the global continent［J］.Int J Appl Earth Obs Geoinf，108：102743.doi：10.1016／j.jag.2022.102743.

李琳菲，楊穎，朱志偉，等，2024.梅雨降水季節預測的多方法比較［J］.大氣科學學報，47（2）：313-329." Li L F，Yang Y，Zhu Z W，et al.，2024.A comparative study of multiple methods for seasonal prediction of Meiyu rainfall［J］.Trans Atmos Sci，47（2）：313-329.doi：10.13878／j.cnki.dqkxxb.20231225020.（in Chinese）.

Li T W，Wu J G，Wang T X，2023.Generating daily high-resolution and full-coverage XCO2 across China from 2015 to 2020 based on OCO-2 and CAMS data［J］.Sci Total Environ，893：164921.doi：10.1016／j.scitotenv.2023.164921.

Li W，Chen Z J，Li M C，et al.，2023.Carbon emission and economic development trade-offs for optimizing land-use allocation in the Yangtze River delta，China［J］.Ecol Indic，147：109950.doi：10.1016／j.ecolind.2023.109950.

李瑩，葉殿秀，高歌，等，2023.2022年夏季中國氣候特征及主要天氣氣候事件［J］.大氣科學學報，46（1）：110-118." Li Y，Ye D X，Gao G，et al.，2023.Climate characteristics and major meteorological events in China during the summer of 2022［J］.Trans Atmos Sci，46（1）：110-118.doi：10.13878／j.cnki.dqkxxb.20221110007.（in Chinese）.

梁周彤，唐文瀚，曾寧，等，2022.基于WRF模式的京津冀地區地表大氣CO2濃度的模擬研究［J］.大氣科學學報，45（3）：387-396." Liang Z T，Tang W H，Zeng N，et al.，2022.Simulation of surface atmospheric CO2 concentration in Beijing-Tianjin-Hebei region based on WRF model［J］.Trans Atmos Sci，45（3）：387-396.doi：10.13878／j.cnki.dqkxxb.20220228018.（in Chinese）.

Lin J P，Yang S，Liu Y H，et al.，2024.The urban population agglomeration capacity and its impact on economic efficiency in the Yangtze River delta［J］.Environ Dev Sustain，26（6）：13739-13768.doi：10.1007／s10668-023-03242-9.

Liu Y，Wang J，Yao L，et al.，2018.The TanSat mission：preliminary global observations［J］.Sci Bull，63（18）：1200-1207.doi：10.1016／j.scib.2018.08.004.

Liu Y P，Zheng H F，Feng X X，et al.，2017.Short-term traffic flow prediction with Conv-LSTM［C］／／2017 9th International Conference on Wireless Communications and Signal Processing （WCSP）.Nanjing.doi：10.1109／WCSP.2017.8171119.

Lü Z H，Shi Y S，Zang S Y，et al.，2020.Spatial and temporal variations of atmospheric CO2 concentration in China and its influencing factors［J］.Atmosphere，11（3）：231.doi：10.3390／atmos11030231.

Mustafa F，Bu L B，Wang Q，et al.，2020.Multi-year comparison of CO2 concentration from NOAA carbon tracker reanalysis model with data from GOSAT and OCO-2 over Asia［J］.Remote Sens，12（15）：2498.doi：10.3390／rs12152498.

ODell C W，Pavlick R，2019.The OCO-3 mission：measurement objectives and expected performance based on 1 year of simulated data［J］.Atmospheric Measurement Techniques，12：2341-2370.

Pettorelli N，Vik J O，Mysterud A，et al.，2005.Using the satellite-derived NDVI to assess ecological responses to environmental change［J］.Trends Ecol Evol，20（9）：503-510.doi：10.1016／j.tree.2005.05.011.

Sheng M Y，Lei L P，Zeng Z C，et al.，2023.Global land 1° mapping dataset of XCO2 from satellite observations of GOSAT and OCO-2 from 2009 to 2020［J］.Big Earth Data，7（1）：170-190.doi：10.1080／20964471.2022.2033149.

Siabi Z，Falahatkar S，Alavi S J，2019.Spatial distribution of XCO2 using OCO-2 data in growing seasons［J］.J Environ Manag，244：110-118.doi：10.1016／j.jenvman.2019.05.049.

Song Z J，Yang H，Huang X J，et al.，2021.The spatiotemporal pattern and influencing factors of land surface temperature change in China from 2003 to 2019［J］.Int J Appl Earth Obs Geoinf，104：102537.doi：10.1016／j.jag.2021.102537.

Toon G，Blavier J F，Washenfelder R，et al.，2009.Total column carbon observing network （TCCON）［C］／／Advances in Imaging.Washington：OSA.doi：10.1364／fts.2009.jma3.

Tu Q S，Hase F，Blumenstock T，et al.，2020.Intercomparison of atmospheric CO2 and CH4 abundances on regional scales in boreal areas using Copernicus Atmosphere Monitoring Service （CAMS） analysis，COllaborative Carbon Column Observing Network （COCCON） spectrometers，and Sentinel-5 Precursor satellite observations［J］.Atmos Meas Tech，13（9）：4751-4771.doi：10.5194／amt-13-4751-2020.

Wunch D，Toon G C，Wennberg P O，et al.，2010.Calibration of the total carbon column observing network using aircraft profile data［J］.Atmos Meas Tech，3（5）：1351-1362.doi：10.5194／amt-3-1351-2010.

Wunch D，Wennberg P O，Osterman G，et al.，2017.Comparisons of the orbiting carbon observatory-2 （OCO-2） XCO2 measurements with TCCON［J］.Atmos Meas Tech，10（6）：2209-2238.doi：10.5194／amt-10-2209-2017.

Xu Y，2020.Environmental policy and air pollution in China［M］.London：Routledge.doi：10.4324／9780429452154

Yang D，Boesch H，Liu Y，et al.，2020.Toward high precision XCO2 retrievals from TanSat observations：retrieval improvement and validation against TCCON measurements［J］.J Geophys Res：Atmos，125（22）：e2020JD032794.doi：10.1029／2020JD032794.

Zhang H，Peng J Y，Wang R，et al.，2021.Spatial planning factors that influence CO2 emissions：a systematic literature review［J］.Urban Clim，36：100809.doi：10.1016／j.uclim.2021.100809.

Zhang L F，Li T W，Wu J G，2022.Deriving gapless CO2 concentrations using a geographically weighted neural network：China，2014—2020［J］.Int J Appl Earth Obs Geoinf，114：103063.doi：10.1016／j.jag.2022.103063.

Zhang M Q，Liu G J，2023.Mapping contiguous XCO2 by machine learning and analyzing the spatio-temporal variation in China from 2003 to 2019［J］.Sci Total Environ，858：159588.doi：10.1016／j.scitotenv.2022.159588.

Zhang X Y，Wang F，Wang W H，et al.，2020.The development and application of satellite remote sensing for atmospheric compositions in China［J］.Atmos Res，245：105056.doi：10.1016／j.atmosres.2020.105056.

Zhao M W，Yue T X，Zhang X Y，et al.，2017.Fusion of multi-source near-surface CO2 concentration data based on high accuracy surface modeling［J］.Atmos Pollut Res，8（6）：1170-1178.doi：10.1016／j.apr.2017.05.003.

·ARTICLE·

High-resolution spatiotemporal estimation of XCO2 concentration using carbon satellite data

HU Kai1，2，LIU Ziran1，SHAO Pengfei1，FENG Xinyan1，ZHANG Qi1，WENG Liguo1，2，WANG Yuanyuan3，DI Li3，XIA Min1，2

1School of Automation，Nanjing University of Information Science and Technology，Nanjing 210044，China;

2Jiangsu Collaborative Innovation Center for Atmospheric Environment and Equipment Technology，Nanjing University of Information Science and Technology，Nanjing 210044，China;

3State Grid Henan Electric Power Company，Zhengzhou 450000，China

Abstract" Carbon dioxide （CO2） is a primary greenhouse gas，and its rising atmospheric concentration is a critical driver of climate change，contributing to extreme weather，rising sea levels，and ecosystem alterations.Remote sensing via carbon satellites provides a powerful approach for large-scale，precise CO2 monitoring;however，challenges with spatial and temporal sparsity limit the accuracy and continuity of CO2 concentration （XCO2） estimates，particularly across large regions like Chinas Yangtze River delta.To address these limitations，this study introduces the Space-Time Soft Attention Network （ST-SAN），a novel model designed to enhance the spatiotemporal resolution of XCO2 estimates derived from carbon satellite data.The model leverages multi-source datasets （including human activity，meteorological，and vegetation） alongside carbon satellite observations，achieving a seamless XCO2 dataset with a 0.05° spatial resolution，thus providing a detailed view of regional CO2 dynamics.Training the ST-SAN model on data from 2016 to 2020，the methodology employs soft attention mechanisms to prioritize relevant features across spatial and temporal dimensions，enabling more accurate XCO2 predictions.The models effectiveness was rigorously evaluated by comparing reconstructed XCO2 data with observations from the Orbiting Carbon Observatory-2 and ground-based monitoring stations，demonstrating high consistency and reliability.By integrating diverse datasets，the ST-SAN model effectively addresses the sparsity issues in satellite observations，enhancing predictive performance and offering a comprehensive framework for high-resolution CO2 estimation.These findings underscore the potential of advanced machine learning techniques to improve atmospheric monitoring and provide critical insights for climate mitigation efforts.Future research could refine this model with additional data sources，extend its applicability to varied regions，and explore long-term CO2 trends to better understand the influences of human activity and natural processes on greenhouse gas emissions.The study not only demonstrates the feasibility of high-resolution XCO2 estimation but also establishes a foundation for more accurate climate assessments and informed environmental policy.

Keywords" XCO2;reconstruction;data fusion;spatiotemporal variation

doi：10.13878／j.cnki.dqkxxb.20240620002

（責任編輯：張福穎）