楊東旭 劉毅 蔡兆男 鄧劍波

?

基于GOSAT反演的中國地區(qū)二氧化碳濃度時空分布研究

楊東旭1劉毅1蔡兆男1鄧劍波2

1中國科學(xué)院大氣物理研究所中層大氣與全球環(huán)境探測重點實驗室，北京100029,2湖南省氣象科學(xué)研究所，長沙410118

衛(wèi)星遙感監(jiān)測大氣二氧化碳柱平均干空氣體積混合比（XCO2）是實現(xiàn)碳源匯全球監(jiān)測的最有效手段，本文對國際上4種應(yīng)用GOSAT衛(wèi)星觀測的短波紅外反演算法進行了介紹和結(jié)果分析。首先對于4種反演產(chǎn)品的有效數(shù)據(jù)量的分析表明：現(xiàn)有單一反演產(chǎn)品還不足以支撐XCO2時空分布研究。其次利用集合平均方法，綜合使用4種反演產(chǎn)品研究了2010年中國地區(qū)XCO2時空分布特征，結(jié)果表明：XCO2呈現(xiàn)顯著的地理分布和季節(jié)變化，不同地區(qū)季節(jié)變化趨勢基本一致，均在春季達(dá)到最高值、夏季達(dá)到最低值，多數(shù)地區(qū)全年高于380 ppm（×10?6）；在地理分布上，東部和西部地區(qū)存在較明顯的差異，東部地區(qū)人口密集、工農(nóng)業(yè)生產(chǎn)等人為活動旺盛，周邊多被森林和草地覆蓋，碳源匯強度大，因此XCO2季節(jié)變化幅度較大，全年約8 ppm；中、西部地區(qū)受人類活動影響較少，植被覆蓋稀疏，XCO2全年變化僅5 ppm。

GOSAT反演算法 CO2時空分布 中國地區(qū)

1 引言

近年來，極端天氣和災(zāi)害的頻繁發(fā)生，使國際社會愈發(fā)關(guān)注氣候變化對人類生存環(huán)境造成的影響?，F(xiàn)有科學(xué)研究成果表明，人類排放的溫室氣體，尤其是含量高、溫室效應(yīng)強的大氣二氧化碳（CO2）是導(dǎo)致全球變暖和氣候變化的主要原因之一（IPCC, 2007）。中國是發(fā)展中國家，并且是發(fā)展中的強國，CO2的排放不可小視，因此了解中國地區(qū)大氣CO2時空分布特征極為重要。

衛(wèi)星觀測大氣CO2時空分布可以獲取高空間覆蓋的資料，從而彌補地基觀測的不足。早期用于大氣溫度廓線探測的熱紅外觀測，被用于大氣CO2研究。Bai et al.（2010）等使用AIRS（Atmospheric Infrared Sounder）衛(wèi)星資料對中國地區(qū)大氣CO2的時空分布和變化進行深入分析。但是傳統(tǒng)的熱紅外衛(wèi)星遙感觀測，由于只對對流層大氣中層敏感，所以無法獲取CO2在整層大氣中的含量信息，特別是近地面排放信息。

利用短波紅外高光譜觀測可以有效獲取包括低層大氣的整層大氣CO2含量的信息（劉毅等, 2011）。由日本太陽同步衛(wèi)星GOSAT（Greenhouse gases Observing SATellite ）上搭載的高光譜分辨率傅里葉變換光譜儀（TANSO-FTS）可用于大氣CO2短波紅外探測（Kuze et al., 2009）。

短波紅外光譜受到水汽、溫度、云和氣溶膠等大氣和地表參數(shù)狀態(tài)參量的影響（楊東旭, 2013），在反演結(jié)果中引入較大誤差（Cai et al., 2014）。因此目前國際上多選用基于最優(yōu)估計理論的全物理反演方法（Rodgers, 2008），在反演過程中模擬輻射傳輸?shù)奈锢磉^程，全面考慮各類大氣和地表參數(shù)等狀態(tài)參量對光譜的影響，并在反演過程中同步訂正這些影響（Liu et al., 2013）。針對TANSO/GOSAT觀測，國際上諸多科研團隊開發(fā)了相應(yīng)的反演算法，以獲得大氣二氧化碳柱平均干空氣混合比（XCO2）衛(wèi)星觀測結(jié)果。由于各算法處理氣溶膠等干擾因素的方法均基于特殊的假設(shè)，因此不能廣泛適用于所有觀測條件，特別是污染較為復(fù)雜的中國地區(qū)。

基于GOSAT標(biāo)準(zhǔn)產(chǎn)品資料，利用地學(xué)統(tǒng)計方法，Zeng et al.（2013）等人對中國地區(qū)CO2時空分布進行研究。但是由于GOSAT標(biāo)準(zhǔn)數(shù)據(jù)空間覆蓋較低，在數(shù)據(jù)缺乏的地區(qū)，插值有可能引入較大誤差。為提高數(shù)空間覆蓋和數(shù)據(jù)質(zhì)量，EMMA（the ensemble median algorithm）使用多探測器產(chǎn)品數(shù)據(jù)進行CO2數(shù)據(jù)融合（Reuter et al., 2013），Wang et al.（2014）等使用GOSAT和SCIAMACHY（SCanning Imaging Absorption spectroMeter for Atmospheric CHartographY）產(chǎn)品數(shù)據(jù)進行數(shù)據(jù)融合，各觀測平臺間的相互校正會對數(shù)據(jù)質(zhì)量產(chǎn)生影響。本研究僅使用基于GOSAT觀測的多算法、高精度產(chǎn)品數(shù)據(jù)集，使用集合平均的方法，對中國地區(qū)CO2觀測結(jié)果進行優(yōu)化，并分析中國地區(qū)CO2的時空分布。

2 產(chǎn)品數(shù)據(jù)

2.1 反演算法簡介

NIES-FP反演算法由NIES開發(fā)（Yoshida et al., 2011），用于處理GOSAT觀測數(shù)據(jù)，是GOSAT數(shù)據(jù)產(chǎn)品的標(biāo)準(zhǔn)算法。算法自GOSAT衛(wèi)星在軌運行以來，經(jīng)過1次重要的更新，從V01.xx版本更新為V02.xx版本，對氣溶膠模型、太陽光譜和分子吸收線計算過程等因素進行了改進，反演精度（偏差）從V01.xx版本的3.36 ppm（×10?6）提高至V02.xx版本的2.17 ppm（Oshchepkov et al., 2013）。

ACOS（NASA Atmospheric CO2Observations from Space）算法由美國國家航空和宇宙航行 局（NASA, National Aeronautics and Space Administration）的科學(xué)團隊開發(fā)，其主要目的是利用GOSAT實測衛(wèi)星數(shù)據(jù)檢驗和發(fā)展未來應(yīng)用于OCO-2（Orbiting Carbon Observatory-2）觀測的反演算法，目前使用GOSAT觀測光譜與OCO-2所對應(yīng)的數(shù)據(jù)進行XCO2反演（O’Dell et al., 2011）。目前最新的公開版本B2.9數(shù)據(jù)的精度約為2.06 ppm，較之前B2.8版本有大幅提高。

基于OCO原型算法， Leicester大學(xué)的Boesch et al.（2011）研發(fā)了UoL-FP（University of Leicester Full?Physics ）算法。全球TCCON驗證結(jié)果表明，最新的3G版本數(shù)據(jù)精度為2.45 ppm。

RemoTeC (Remote Sensing of Greenhouse Gases for Carbon Cycle Modelling) 反演算法由荷蘭太空研究所（SRON, Netherlands Institute for Space Research）和德國Karlsruhe理工學(xué)院（KIT, Karlsruhe Institute of Technology）共同研發(fā)（Butz et al., 2011）。1.0版本數(shù)據(jù)精度為2.66 ppm，本文使用的2.0版本產(chǎn)品，在反演算法中使用高分辨率ECMWF氣象場數(shù)據(jù)和地表高度數(shù)據(jù)，使反演精度得到進一步提升。

NIES-FP、ACOS、UoL-FP和RemoTeC等4種反演算法在反演過程中均同步訂正大氣和地表等參數(shù)，從而提高反演精度。但是各算法使用的訂正方法存在差異，其中最為重要的是對氣溶膠光學(xué)性質(zhì)和垂直分布訂正方法。大氣氣溶膠作為大氣輻射傳輸?shù)膹娚⑸浣橘|(zhì)，通過單次和多次散射改變輻射傳輸路徑，從而影響吸收光譜（Yang et al., 2013）。由于氣溶膠物理、化學(xué)組成的多樣性，導(dǎo)致其光學(xué)性質(zhì)極為復(fù)雜。目前所使用的短波紅外XCO2探測波段所提供的信息，無法精細(xì)提取氣溶膠光學(xué)性質(zhì)和垂直分布參數(shù)。因此，上述4種反演算法均采用簡化的氣溶膠模型對氣溶膠散射和吸收效應(yīng)進行訂正。其中，NIES-FP算法使用SPRINTARS（ Spectral Radiation Transport Model for Aerosol Species ）模式輸出的氣溶膠光學(xué)參數(shù)，同步訂正氣溶膠柱總量和垂直分布；ACOS和UoL-FP算法中假設(shè)大氣中只存在幾類典型的氣溶膠，同步訂正各類氣溶膠的柱總量和垂直分布；RemoTeC中使用抽象的氣溶膠模型，同步反演氣溶膠的尺度譜分布、柱總量和垂直分布。無論哪種方法，均不能全面地描述氣溶膠的光學(xué)性質(zhì)，因此在氣溶膠含量較高的情況下，各種算法的結(jié)果將會存在較大的差異。

NIES-FP和RemoTeC算法同時使用甲烷的短波紅外吸收帶，對XCH4的含量進行反演，額外的波段將會提供更多的水汽和溫度信息，但是由于大氣和地表參數(shù)的不準(zhǔn)確性和觀測誤差，也將引入誤差。地表氣壓直接關(guān)系到XCO2的計算結(jié)果，NIES- FP、ACOS和UoL-FP算法使用O2A吸收帶同步訂正地表氣壓；RemoTeC算法為獲取更多的氣溶膠信息，使用經(jīng)過地表高度訂正的等效地表氣壓。

除狀態(tài)參量外，反演過程中數(shù)據(jù)預(yù)處理和質(zhì)量控制也決定著反演結(jié)果的精度。預(yù)處理可以有效的過濾受到云“污染”的觀測結(jié)果，從而降低云對反演結(jié)果的影響，各算法對云檢測的閾值判定存在差別，部分取決于反演算法中對“卷云”的同步訂正方法。反演結(jié)果的質(zhì)量控制過程較為復(fù)雜，主要是利用觀測狀態(tài)、氣溶膠含量、地表氣壓和光譜擬合殘差等參數(shù)對反演結(jié)果進行綜合評定。經(jīng)過質(zhì)量控制，部分反演結(jié)果被濾除，通過質(zhì)量控制的數(shù)據(jù)被分級。反演算法之間的差異導(dǎo)致在相同的大氣和地表背景下，反演結(jié)果的精度和質(zhì)量等級不同。因此對于同一次觀測，4種算法的反演結(jié)果有可能出現(xiàn)較大差異。

2.2 產(chǎn)品數(shù)據(jù)

一般來講，數(shù)據(jù)質(zhì)量較低的產(chǎn)品精度較低，因此本研究只選用各類算法判定的數(shù)據(jù)質(zhì)量最好的產(chǎn)品數(shù)據(jù)。為降低偏差的影響，使用NIES-FP V02.xx、RemoTeC 2.0和UoL-FP:3G經(jīng)過偏差訂正的產(chǎn)品數(shù)據(jù)。圖1給出了4種反演產(chǎn)品的時間覆蓋區(qū)間，僅2010年4種算法產(chǎn)品全年覆蓋，因此本研究僅對2010年中國地區(qū)XCO2時空分布特征進行研究。

圖1 NIES-FP V02.xx、ACOS B2.9、UoL-FP: 3G和RemoTeC V2.0等4種算法的時間覆蓋區(qū)間。黃色矩形表示數(shù)據(jù)的時間覆蓋狀態(tài)

美國國家海洋和大氣局（NOAA, National Oceanic and Atmospheric Administration）的CarbonTracker模式主要用于大氣CO2源、匯及其分布的研究（Peters et al., 2007）。本研究利用CarbonTracker CT2011數(shù)據(jù)產(chǎn)品與反演產(chǎn)品進行對比研究（圖2）。觀測和模式產(chǎn)品在一定程度上均反映出XCO2變化特征，平均偏差在2 ppm以內(nèi)，數(shù)據(jù)離散程度在3.5 ppm以內(nèi)，4種產(chǎn)品與模式的相關(guān)性均較低，相關(guān)系數(shù)（R）均低于0.7。ACOS B2.9數(shù)據(jù)量明顯高于其他3種產(chǎn)品；RemoTeC V2.0與模式的平均偏差較低，NIES-FP V02.xx偏差較高。各反演產(chǎn)品之間的差異要明顯小于反演和模式產(chǎn)品之間的差異，衛(wèi)星觀測XCO2的變化幅度遠(yuǎn)高于模式觀測結(jié)果，從全球TCCON驗證結(jié)果來看，衛(wèi)星觀測可以提供更多真實XCO2分布狀態(tài)的信息，從而彌補模式的不完善。

圖2 中國地區(qū)反演產(chǎn)品與CarbonTracker CT2011模式產(chǎn)品在（a–d）春、（e–h）夏、（i–l）秋、（m–p）冬四季的逐點對比結(jié)果（各列從左到右分別表示NIES-FP V02.xx、ACOS B2.9、UoL-FP: 3G和RemoTeC V2.0等4類產(chǎn)品數(shù)據(jù)）。黑色實線表示1:1線，灰色實線表示線性擬合結(jié)果，Bias、SD、R、N分別表示偏差、標(biāo)準(zhǔn)差、相關(guān)系數(shù)和數(shù)據(jù)數(shù)量等

3 數(shù)據(jù)處理方法

3.1 有效數(shù)據(jù)量分析

由于傅里葉變換光譜儀觀測時需要較長的采樣時間，因此TANSO/GOSAT星下點觀測采樣較少；同時，其觀測視場角較大，易受到云的“污染”；由于地表和氣溶膠多次散射的耦合作用，因此在氣溶膠含量較多（1.6 μm大氣氣溶膠光學(xué)厚度高于0.1）時，反演算法無法進行有效的散射和吸收效應(yīng)的訂正。除此之外，在反演過程中，大氣和地表參數(shù)的訂正也將會直接影響數(shù)據(jù)質(zhì)量。諸多因素導(dǎo)致TANSO/GOSAT的有效觀測較少，因此在使用反演產(chǎn)品之前，需要對有效數(shù)據(jù)的數(shù)量進行分析。

NIES-FP V02.xx、ACOS B2.9、RemoTeC 2.0和UoL-FP:3G等4種反演產(chǎn)品的有效數(shù)據(jù)量在圖3中給出。4種反演產(chǎn)品的有效數(shù)據(jù)量在空間分布上存在較大的差異，表明各算法在同種背景情況的適用性不同；各產(chǎn)品數(shù)據(jù)均表現(xiàn)出較強的空間變化特征，其中ACOS B2.9的有效數(shù)據(jù)量明顯多于其它產(chǎn)品。各季節(jié)有效數(shù)據(jù)量在表1中給出，秋季和冬季的有效數(shù)據(jù)要多于春季和夏季，部分因為春季多發(fā)沙塵天氣，夏季多云和雨水，導(dǎo)致無法對XCO2進行反演。

表1 中國地區(qū)內(nèi)2010年以及各季節(jié)數(shù)據(jù)產(chǎn)品可使用數(shù)據(jù)總量

圖3 （a）NIES-FP V02.xx、（b）ACOS B2.9、（c）UoL-FP: 3G和（d）RemoTeC V2.0等反演產(chǎn)品2010年中國地區(qū)有效數(shù)據(jù)量總量空間分布

僅使用一種產(chǎn)品數(shù)據(jù)對中國地區(qū)XCO2進行時空分布的研究，需要進行大面積的插值，才能獲取較為完整的中國地區(qū)XCO2分布特征。但是對于大量缺乏數(shù)據(jù)的區(qū)域，插值將會引入極大的誤差。考慮到各產(chǎn)品有效數(shù)據(jù)量存在的時空分布差異，4種產(chǎn)品數(shù)據(jù)可以彼此互補，如果使用一種合理的方法，將4種數(shù)據(jù)有機的結(jié)合，將得到更為完整的時空分布結(jié)果。

3.2 集合平均方法

各算法產(chǎn)品空間分布差異主要取決于各算法對不同背景狀態(tài)參量的處理方法，各算法都有其優(yōu)勢和劣勢狀態(tài)參量，以最優(yōu)估計理論為基礎(chǔ)的各算法盡量過濾和回避劣勢狀態(tài)參量，選取對優(yōu)勢狀態(tài)參量進行反演。因此對于每一個采樣點，或者其只作為某一種算法的優(yōu)勢背景，或者其為某幾種算法的優(yōu)勢背景。對于前者，反演結(jié)果可以有效的表征該背景下的XCO2；對于后者，沒有統(tǒng)一的標(biāo)準(zhǔn)去衡量哪種算法的優(yōu)勢更強，因此在一定時間和空間范圍內(nèi)，只能通過有效數(shù)據(jù)量的大小來評價各優(yōu)勢算法的優(yōu)勢性。基于這種假設(shè)，本文引入一種集合平均方法，綜合利用4種反演產(chǎn)品數(shù)據(jù)，其主要目的是盡可能多的獲取有效觀測結(jié)果。集合平均值的計算步驟如下：

（1）假設(shè)在一定的時間和空間范圍內(nèi)大氣CO2分布均勻，對于每一種反演產(chǎn)品，濾除與均值差異大于3倍標(biāo)準(zhǔn)差（3σ）的數(shù)據(jù)；

（2）以相對反演誤差的倒數(shù)作為權(quán)重，計算各反演產(chǎn)品的加權(quán)平均值：

（3）以各反演產(chǎn)品的相對有效數(shù)據(jù)量作為權(quán)重，通過加權(quán)平均各產(chǎn)品的加權(quán)平均值，計算得到集合平均值：

其中，N、A、U和R分別表示NIES-FP V02.xx、ACOS B2.9、UoL-FP:3G和RemoTeC 2.0產(chǎn)品數(shù)據(jù)的有效數(shù)據(jù)量，、、和表示以上四個算法的反演產(chǎn)品加權(quán)平均值，表示有效數(shù)據(jù)總量。

集合平均值的計算需要假設(shè)在一定的時空區(qū)間內(nèi)大氣XCO2是均勻的，從而間接增加有效數(shù)據(jù)量。大氣CO2化學(xué)性質(zhì)相當(dāng)穩(wěn)定，因此在有限的時間、空間范圍內(nèi)，大氣CO2可以認(rèn)為是比較均勻。時空區(qū)間的取值范圍根據(jù)研究的目標(biāo)可以有所不同，本文選取2.5°×2.5°網(wǎng)格作為空間的取值范圍。

集合平均方法的實質(zhì)是通過各算法高精度反演結(jié)果的數(shù)據(jù)量，判斷各算法在研究目標(biāo)區(qū)域（時間）的適用性，從而進行加權(quán)平均。由于參與計算的數(shù)據(jù)經(jīng)過高質(zhì)量控制和篩選，從而保證了集合平均數(shù)據(jù)的質(zhì)量，代表了基于GOSAT觀測的高質(zhì)量結(jié)果。

3.3 合平均結(jié)果對比分析

瓦里關(guān)中國大氣本底基準(zhǔn)觀象臺全年對大氣CO2濃度進行連續(xù)采樣觀測，本文使用NOAA提供的Gloor et al.（2012）瓦里關(guān)觀測的7天平滑數(shù)據(jù)與衛(wèi)星集合平均結(jié)果進行對比分析，如圖4所示。集合平均值選取瓦里關(guān)觀測站±1°范圍內(nèi)7天數(shù)據(jù)進行計算獲得；同時給出CarbonTracker模式7天平滑的空間差值結(jié)果。集合平均和瓦里關(guān)觀測結(jié)果隨時間變化趨勢相似，XCO2在春季達(dá)到最大值，夏季達(dá)到最小值。集合平均值的最大和最小值分別低于和高于瓦里關(guān)觀測結(jié)果，這是由于CO2的主要源、匯都集中于地面，地面觀測結(jié)果僅為地表CO2含量，受到源、匯的影響較大，而衛(wèi)星觀測結(jié)果表征大氣柱平均狀況，是經(jīng)過地面源、匯作用后的CO2濃度在整層大氣混合結(jié)果，源、匯在近地面導(dǎo)致CO2含量的上升和下降效應(yīng)混合至大氣柱平均后將被削弱，因此XCO2的變化幅度小于地面CO2變化幅度。同時在熱紅外衛(wèi)星觀測的對比實驗中也表現(xiàn)出類似的結(jié)果（Bai et al.，2010）。

圖4 瓦里關(guān)觀測站2010年觀測與TANSO/GOSAT衛(wèi)星觀測和CarbonTracker模式模擬結(jié)果對比。黑色點線表示NOAA ESRL（National Oceanic and Atmospheric Administration, Earth System Research Laboratory）全球大氣CO2聯(lián)合觀測數(shù)據(jù)集合計劃（GLOBALVIEW-CO2）提供的經(jīng)過7天平滑處理的瓦里關(guān)觀測結(jié)果；藍(lán)色、綠色、黃色、青色圓點（誤差條）分別表示NISE-FP V02.xx，ACOS B2.9，UoL-FP: 3G和RemoTeC V2.0反演產(chǎn)品每7天的平均值（標(biāo)準(zhǔn)差）；紅色圓點和曲線分別表示集合平均和傅里葉擬合結(jié)果；玫紅色圓點表示經(jīng)過7天平滑的CarbonTracker模擬結(jié)果

集合平均最高值出現(xiàn)時間與地面觀測相近，但是最低值卻明顯滯后于地面觀測。這主要因為衛(wèi)星觀測XCO2的變化主要依賴于大氣混合作用，而地面觀測XCO2的變化主要依賴于地面源、匯的強度。當(dāng)夏季出現(xiàn)強匯的時候，地面CO2濃度會迅速下降，但是對XCO2的影響不大，只有當(dāng)大氣充分混合，地面對CO2的削減作用傳輸至整層大氣時，XCO2才會降至最小值。當(dāng)源、匯強度有差別時，XCO2變化率在數(shù)值上會產(chǎn)生變化。地面觀測XCO2春、夏交際的變化率在數(shù)值上遠(yuǎn)高于夏、冬交際過程，表明瓦里關(guān)地區(qū)源、匯強度不均一；衛(wèi)星觀測XCO2全年變化率在數(shù)值上相似，表明影響柱XCO2的主要因素全年較穩(wěn)定。

集合平均與CarbonTracker結(jié)果對比表明，模式結(jié)果全年XCO2變化幅度較小，與集合平均變化趨勢相似，同步達(dá)到最大值和最小值。模式在春、夏交際出現(xiàn)較大的波動，這種波動在衛(wèi)星觀測中略有體現(xiàn)。集合平均結(jié)果介于各反演產(chǎn)品變化幅度內(nèi)，且有效數(shù)據(jù)量明顯高于其他任何一種反演產(chǎn)品，尤其在春、夏兩季過渡區(qū)，因此集合平均有效地彌補了使用單一反演產(chǎn)品有效數(shù)據(jù)量不足的缺點。

4 中國地區(qū)XCO2時空分布和變化研究

4.1 XCO2時空分布

中國地區(qū)春（3～5月）、夏（6～8月）、秋（9～11月）和冬（12～次年2月）四季XCO2集合平均結(jié)果如圖5所示。XCO2全國分布表現(xiàn)出較強的時空變化特征，多數(shù)地區(qū)全年高于380 ppm，東部和西部地區(qū)出現(xiàn)明顯的差異。東部地區(qū)在春季、秋季和冬季均出現(xiàn)高值（＞390 ppm）；西部地區(qū)僅西北春季出現(xiàn)高值，其他地區(qū)全年XCO2均較低。夏季則全國普遍出現(xiàn)低值，并且空間分布的不均勻性降低，中部地區(qū)全年XCO2較低。

圖5 2010年中國地區(qū)XCO2集合平均結(jié)果在（a）春（3～5月）、（b）夏（6～8月）、（c）秋（9～11月）和（d）冬季（12～次年2月）的空間分布

將XCO2時空變化特征明顯的區(qū)域進行簡單的劃分，劃分方法在表2中給出。同時利用MODIS （Moderate Resolution Imaging Spectroradiometer）衛(wèi)星觀測0.05°格點陸地表面使用分類數(shù)據(jù)和NASA SEDAC（SocioEconomic Data and Applications Center）提供的GPW V3.0（Gridded Population of the World）世界人口密度預(yù)估數(shù)據(jù)分別進行地表使用和人口密度的空間分類（圖6）。

表2 XCO2時空變化特征明顯的區(qū)域劃分

圖6 （a）時空變化特征明顯區(qū)域、（b）土地利用和（c）人口密度等空間分類結(jié)果以及（d–f）對應(yīng)各分類方法的XCO2季節(jié)變化。其中實心圓點和曲線分別表示分類平均結(jié)果和2階傅里葉擬合結(jié)果

4.2 XCO2季節(jié)變化

利用分類的結(jié)果對不同區(qū)域的XCO2季節(jié)變化進行研究。XCO2的季節(jié)變化可以通過簡單的數(shù)學(xué)方法計算得到。假設(shè)XCO2隨時間的變化可以分解為

典型區(qū)域分類結(jié)果表明，春季東南、東北、西北和東部地區(qū)均出現(xiàn)高于＋4 ppm的高值，其中東部和東北部地區(qū)最高，達(dá)到＋5 ppm以上；春季中部地區(qū)XCO2有所上升，但基本低于＋2 ppm；夏季5個區(qū)域均出現(xiàn)全年最低值，其中東北和中部地區(qū)較低，約?4 ppm；夏季東南和東部地區(qū)僅有?2 ppm。東北地區(qū)全年變化幅度最大，春季最高值達(dá)到＋6 ppm，夏季最低值降至?5 ppm；中部地區(qū)全年變化幅度最小，春季最高值僅有＋2 ppm，夏季最低值約?3 ppm。

地表植被類型分類表明，春季森林和耕地均出現(xiàn)大于＋5 ppv的高值，遠(yuǎn)高于低矮植物和裸土的＋2 ppm；夏季耕地、森林和低矮植物均出現(xiàn)低于?4 ppm的低值，裸土只出現(xiàn)?2 ppm的低值，并且其低值出現(xiàn)滯后于其它各類地表。森林地區(qū)全年變化幅度最大，最高和最低值相差約10 ppm；裸土地區(qū)全年變化幅度最小，最高和最低值相差僅5 ppm。

人口密度分類結(jié)果表明，春季人口密度＞25 km?2的地區(qū)出現(xiàn)+5 ppm的高值，人口密度＜25 km?2的地區(qū)，只有＋3 ppm的高值出現(xiàn)；夏季人口密度＞100 km?2地區(qū)有約?2 ppm的低值出現(xiàn)，人口密度＜100 km?2的地區(qū)約有?4 ppm低值出現(xiàn)。人口密度為25～100 km?2的地區(qū)全年變化幅度較大，約9 ppm；人口密度＜1 km?2的地區(qū)全年變化幅度較小，僅5 ppm。

三種劃分方法，中國東南、東北和東部地區(qū)經(jīng)濟和生產(chǎn)較為發(fā)達(dá)，人口密集（＞25 km?2），多以耕地和森林地表覆蓋；中部和西北部地區(qū)人口稀少，多裸土和稀疏植被覆蓋。綜合分類研究結(jié)果，全國各地區(qū)季節(jié)變化趨勢相同，春末達(dá)到最高值，夏末達(dá)到最低值；各地區(qū)主要差異存在于冬季和春季，冬季高值主要集中于經(jīng)濟和生產(chǎn)較為發(fā)達(dá)、人口密度大的東南、東北和東部地區(qū)，最大差異高于4 ppm；各地夏季差異最小，僅為1～2 ppm。

5 結(jié)論與討論

本文對目前國際上反演精度高的NIES-FP V02.xx、ACOS B2.9、RemoTeC 2.0和UoL-FP: 3G等4種應(yīng)用于TANSO/GOSAT觀測的全物理反演算法進行了介紹，并且根據(jù)各種算法的差異進行了歸納和總結(jié)。說明了反演結(jié)果的精度差異主要源于狀態(tài)參量的模型、預(yù)處理和質(zhì)量控制等過程的差異，并著重強調(diào)了氣溶膠和云的訂正方法將會對反演結(jié)果產(chǎn)生較大的影響。

對比各反演產(chǎn)品的有效數(shù)據(jù)量，本研究發(fā)現(xiàn)反演產(chǎn)品之間存在較大的差異，并且各反演產(chǎn)品的時空變化程度較大。從單一反演產(chǎn)品的應(yīng)用上看，其不能夠提供可靠的中國地區(qū)XCO2時空分布。因此，本研究利用一種集合平均的方法，聯(lián)合使用各反演產(chǎn)品，獲取一定時間范圍內(nèi)的格點數(shù)據(jù)，間接地提高了有效數(shù)據(jù)的數(shù)量。2010年中國地區(qū)XCO2時空分布表現(xiàn)出較強的時空變化特征，全國各地區(qū)季節(jié)變化趨勢相似，均在春季達(dá)到最高值，夏季達(dá)到最低值，多數(shù)地區(qū)全年高于380 ppm。東部和西部 地區(qū)差異明顯，東部地區(qū)生產(chǎn)活動旺盛、人口密集、周邊多被耕地和森林所覆蓋，因此XCO2季節(jié)變化幅度較大，全年約8 ppm；中、西部地區(qū)受人類活動影響較少，XCO2全年變化幅度僅約5 ppm。

大氣XCO2的時空分布特征，部分源于地面CO2源、匯的作用。大氣XCO2的分布同時受到大氣動力混合和輸送作用的影響。其中大氣動力混合主要是垂直輸送作用，而大氣輸送是水平輸送作用。一般情況下，大氣垂直輸送速度較慢，并且會耦合大尺度的水平輸送作用，這種作用主要表現(xiàn)為大尺度、長時間的背景變化?？焖俚拇髿馑捷斔椭饕嬖谟诖髿獾蛯樱瑥拇髿鈩恿W(xué)特征來看，其影響范圍較小、持續(xù)時間較短。因此，對于區(qū)域性的季節(jié)平均結(jié)果，雖不能忽視動力混合和輸送作用，但是約10 ppm的季節(jié)性地區(qū)差異，足以表明地面源、匯的重要程度。

致謝 本文作者感謝GOSAT、OCO、UoL-FP和RemoTeC等科學(xué)團隊提供NISE-FP V02.xx、ACOS B2.9、UoL-FP: 3G和RemoTeC V2.0等數(shù)據(jù)產(chǎn)品，NOAA ESRL提供CarbonTracker CT2011數(shù)據(jù)，Goddard飛行中心提供MODIS 地面分類數(shù)據(jù)，SEDAC提供GPW V3.0數(shù)據(jù)。

(References)

Bai W G, Zhang X Y, Zhang P. 2010. Temporal and spatial distribution of tropospheric CO2over China based on satellite observations [J]. Chinese Sci. Bull., 55 (31): 3612?3618, doi:10.1007/s11434-010-4182-4.

Boesch H, Baker D, Connor B, et al. 2011. Global characterization of CO2column retrievals from shortwave-infrared satellite observations of the orbiting carbon observatory-2 mission [J]. Remote Sens., 3 (2): 270–304, doi:10.3390/rs3020270.

Butz A, Guerlet S, Hasekamp O, et al. 2011. Toward accurate CO2and CH4observations from GOSAT [J]. Geophys. Res. Lett., 38 (14), doi:10. 1029/2011GL047888.

Cai Zhaonan, Liu Yi, Yang Dongxu. 2014. Sensitivity studies for the retrieval of XCO2from simulated Chinese Carbon Satellite (TanSat) measurements: A linear error analysis [J]. Chin. Sci. Bull., 8: 1–10.

Gloor G, Fan S-M, Pacala J S S, et al. 2012. GLOBALVIEW-CO2: Cooperative Atmospheric Data Integration Project—Carbon Dioxide [OL]. Boulder, Colorado: NOAA ESRL.

Intergovernmental Panel on Climate Change (IPCC). 2007. Climate Change 2007: Synthesis Report [R]. Geneva, Switzerland: International Panel Climate Change, 104pp.

Kuze A, Suto H, Nakajima M, et al. 2009. Thermal and near infrared sensor for carbon observation Fourier-transform spectrometer on the Greenhouse Gases Observing Satellite for greenhouse gases monitoring [J]. Appl. Opt., 48 (35): 6716–6733, doi:10.1364/AO.48.006716.

劉毅, 呂達(dá)仁, 陳洪濱, 等. 2011. 衛(wèi)星遙感大氣CO2的技術(shù)與方法進展綜述 [J]. 遙感技術(shù)與應(yīng)用, 26 (2): 247-254. Liu Yi, Lü Daren, Chen Hongbin, et al. 2011. Advances in technologies and methods for satellite remote sensing of atmospheric CO2[J]. Remote Sensing Technology and Application (in Chinese), 26 (2): 247–254, doi:10.11873/j.issn.1004-0323. 2011.2.247.

Liu Yi, Yang Dongxu, Cai Zhaonan. 2013. A retrieval algorithm for TanSat XCO2observation: Retrieval experiments using GOSAT data [J]. Chin. Sci. Bull., 58 (13): 1520–1523, doi:10.1007/s11434-013-5680-y.

O’Dell C W, Connor B, B?sch H, et al. 2011. The ACOS CO2retrieval algorithm—Part 1: Description and validation against synthetic observations [J]. Atmos. Meas. Tech., 5: 99–121, doi:10.5194/amt-5- 99-2012.

Oshchepkov S, Bril A, Yokota T, et al. 2013. Effects of atmospheric light scattering on spectroscopic observations of greenhouse gases from space. Part 2: Algorithm intercomparison in the GOSAT data processing for CO2retrievals over TCCON sites [J]. J. Geophys. Res. Atmos., 118 (3): 1493– 1512, doi:10.1002/jgrd.50146.

Peters W, Jacobson A R, Sweeney C, et al. 2007. An atmospheric perspective on North American carbon dioxide exchange: Carbon Tracker [J]. PNAS, 104 (48): 18925–18930, doi:10.1073/pnas.0708986104.

Reuter M, B?sch H, Bovensmann H, et al. 2013. A joint effort to deliver satellite retrieved atmospheric CO2concentrations for surface flux inversions: The ensemble median algorithm EMMA [J]. Atmos. Chem. Phys., 13: 1771–1780, doi:10.5194/acp-13-1771-2013.

Rodgers C D. 2000. Inverse Methods for Atmospheric Sounding: Theory and Practice [M]. Singapore: World Scientific Publishing Co Pte Ltd, 253pp.

Wang T X, Shi J C, Jing Y Y, et al. 2014. Combining XCO2measurements derived from SCIAMACHY and GOSAT for potentially generating global CO2maps with high spatiotemporal resolution [J]. PLoS One, 9 (8): e105050, doi:10.1371/journal.pone.0105050.

Yang Dongxu, Liu Yi, Cai Zhaonan. 2013. Simulations of aerosol optical properties to top of atmospheric reflected sunlight in the near infrared CO2weak absorption band [J]. Atmos. Oceanic. Sci. Lett., 6 (1): 60–64.

楊東旭. 2013. 短波紅外大氣XCO2衛(wèi)星遙感反演算法研究 [D]. 中國科學(xué)院大學(xué)博士學(xué)位論文, 111pp. Yang Dongxu. 2013. A near infrared atmospheric XCO2retrieval algorithm for satellite observation [D]. Ph. D. dissertation (in Chinese), University of Chinese Academy of Sciences, 111pp.

Yoshida Y, Ota Y, Eguchi N, et al. 2011. Retrieval algorithm for CO2and CH4column abundances from short-wavelength infrared spectral observations by the Greenhouse Gases Observing Satellite [J]. Atmos. Meas. Tech., 4: 717–734, doi:10.5194/amt-4-717-2011.

Zeng Z C, Lei L P, Guo L J, et al. 2013. Incorporating temporal variability to improve geostatistical analysis of satellite-observed CO2in China [J]. Chin. Sci. Bull., 58: 1948–1954, doi:10.1007/s11434-012-5652-7.

The Spatial and Temporal Distribution of Carbon Dioxide over China Based on GOSAT Observations

YANG Dongxu1, LIU Yi1, CAI Zhaonan1, and DENG Jianbo1, 2

1100029,2410118

Satellite remote sensing is the most efficient way to monitor global CO2flux. ‘Full physics’ retrieval algorithms applied to Greenhouse Gases Observing Satellite (GOSAT) observations are introduced in this paper, and the differences among the algorithms are briefly summarized. The quantity of retrieval data from each algorithm is analyzed, and the spatial coverage indicates that use of only one dataset is insufficient for the study of XCO2(column-averaged CO2dry-air mixing ratio). Therefore, an ensemble average method that fuses four datasets is applied, which aims to increase the data spatial coverage indirectly. Using the ensemble average results, the spatial and temporal distribution of XCO2over China is studied. The results indicate strong variation of XCO2,both spatially and temporally. A seasonal trend is identified, with the maximum and minimum appearing in spring and summer, respectively, over the whole of China, and most of the area shows large XCO2values [＞380 ppm (×10?6)]. However, there is a significant difference between east and west. In the east of China, strong CO2sources due to high levels of human activity, and sinks due to large areas of vegetation cover, lead to large variation in XCO2(8 ppm). Whereas, in the west of China, the relatively sparse human population and vegetation cover lead to small variation in XCO2(5 ppm).

GOSAT, Retrieval algorithm, CO2, Spatial distribution, Temporal distribution, China

10.3878/j.issn.1006-9895.1508.14121.

1006-9895(2016)03-0541-10

P414.4

A

10.3878/j.issn.1006-9895.1508.14121

2014-01-27；網(wǎng)絡(luò)預(yù)出版日期2015-08-06

楊東旭，男，1985年出生，理學(xué)博士，助理研究員。主要從事溫室氣體衛(wèi)星監(jiān)測方法研究。E-mail: yangdx@mail.iap.ac.cn

劉毅，E-mail : liuyi@mail.iap.ac.cn

中國科學(xué)院戰(zhàn)略性先導(dǎo)科技專項XDA05040200，國家高技術(shù)研究發(fā)展計劃（863計劃）——全球二氧化碳監(jiān)測科學(xué)實驗衛(wèi)星與應(yīng)用示范重大項目2011AA12A104

Funded by Strategic Priority Research Program—Climate Change: Carbon Budget and Relevant Issues (Grant XDA05040200), the National High-Tech R&D Program (Grant 2011AA12A104)

楊東旭，劉毅，蔡兆男，等. 2016. 基于GOSAT反演的中國地區(qū)二氧化碳濃度時空分布研究 [J]. 大氣科學(xué), 40 (3): 541-550. Yang Dongxu, Liu Yi, Cai Zhaonan, et al. 2016. The spatial and temporal distribution of carbon dioxide over China based on GOSAT observations [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 40 (3): 541-550,