基于OCO-2/3卫星的高时空分辨率XCO2数据插值算法研究

doi:10.11873/j.issn.1004-0323.2023.3.0614

基于OCO-2/3卫星的高时空分辨率XCO₂数据插值算法研究

庞若男^,, 梁艾琳^,, 李欣语, 卢鑫洁

南京信息工程大学遥感与测绘工程学院，江苏南京 210044

High Spatio-temporal Resolution XCO₂Data Interpolation Algorithm based on OCO-2/3 Satellite

PANG Ruonan^,, LIANG Ailin^,, LI Xinyü, LU Xinjie

School of Remote Sensing & Geomatics Engineering，Nanjing University of InformationScience&Technology，Nanjing 210044，China

通讯作者: 梁艾琳（1991-）,女，山东威海人，博士，主要从事温室气体遥感监测与应用研究。E⁃mail：ireneliang@nuist.edu.cn

收稿日期: 2022-02-10 修回日期: 2023-04-06

基金资助:

江苏省基础研究计划. SBK2019044008
国家自然科学青年科学基金项目. 42001273

Received: 2022-02-10 Revised: 2023-04-06

作者简介 About authors

庞若男（1998-），女，山西怀仁人，硕士研究生，主要从事温室气体融合算法研究E⁃mail:pangruonan0216@163.com , E-mail：pangruonan0216@163.com

摘要

CO₂是大气中重要的温室气体之一，自工业革命以来，大气CO₂浓度不断增加，对全球气候变化起着重要影响。鉴于碳中和、全球CO₂变化研究对高覆盖率及高分辨率大气CO₂数据的迫切需求，对比分析了先后发射的卫星OCO-2、OCO-3之间的差异，并利用两颗卫星形成联合数据集。由于联合数据集仍存在部分区域无观测数据，考虑到不同纬度的CO₂浓度的时空变化特点，将全球划分为6个区域，并选择合适的变异函数，利用克里金插值对无数据区域进行填补。结果表明：在3、8、15、30 d时间尺度上，XCO₂数据覆盖率分别提高了52.32%、46.77%、44.04%、33.81%。通过将月插值数据集与TCCON地基站点数据对比验证精度，得到其平均绝对误差为1.049 ppm，均方根误差为1.024 ppm，决定系数为0.82。该方法实现了对联合数据集空白区域的精确填补，提高了XCO₂数据的精度、覆盖度和时空分辨率，为研究碳源和碳汇的分布提供了新的数据源。

关键词： OCO⁃2 ; OCO⁃3 ; 时空分辨率 ; 克里金插值

Abstract

.CO₂ is one of the important greenhouse gases in the atmosphere. Since the Industrial Revolution，the concentration of CO₂ in the atmosphere has been increasing continuously， which has an important impact on global climate change. High precision，high coverage and high temporal and spatial resolution CO₂data tends to be more significant in the study of carbon neutral and global CO₂ change. Thus， in this study， we compared the XCO₂ products between the satellites OCO-2 and OCO-3， and formed a joint data set from the two satellites. Because there are still some regions without observation data in the joint dataset， this study uses Kriging interpolation algorithm to fill the regions without data. Considering the temporal and spatial variation characteristics of CO₂concentration in different latitudes， the algorithm divides theworld into six regions and selects the appropriate variogram.The results show that the XCO₂ data coverage increases by 52.32%， 46.77%， 44.04%， and 33.81% on the 3-day， 8-day， 15-day， and 30-day timescales，respectively. By comparing the monthly interpolation data set with the TCCON site data to verify the accuracy， the mean absolute error is 1.049 ppm， the root mean square error is 1.024 ppm， and the coefficient of determination is 0.82. It can be seen that this method can accurately fill in the blank area of the j-oint dataset， and improve the accuracy， coverage and spatiotemporal resolution of the data.

Keywords： OCO-2 ; OCO-3 ; Spatial-temporal resolution ; Kriging interpolation

PDF (6109KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

庞若男, 梁艾琳, 李欣语, 卢鑫洁. 基于OCO-2/3卫星的高时空分辨率XCO₂数据插值算法研究. 遥感技术与应用[J], 2023, 38(3): 614-623 doi:10.11873/j.issn.1004-0323.2023.3.0614

PANG Ruonan, LIANG Ailin, LI Xinyü, LU Xinjie. High Spatio-temporal Resolution XCO₂Data Interpolation Algorithm based on OCO-2/3 Satellite. Remote Sensing Technology and Application[J], 2023, 38(3): 614-623 doi:10.11873/j.issn.1004-0323.2023.3.0614

1 引言

自工业革命以来，大气中二氧化碳（CO₂）浓度持续上升，是造成温室效应的重要因素^［1］。近年来，为了控制全球变暖趋势，减缓大气CO₂浓度的逐步增加，各个国家制定了相应减排措施，但大气CO₂浓度仍在升高。2021年8月IPCC第六次评估报告揭示，自20世纪70年代以来，全球变暖的速率比过去2000 a任何一个50 a年的增温速率都高^［2］。1901~2020年，中国年平均气温以0.15 ℃/10 a的速率上升，1951~2020年的升温趋势更加显著，近20 a为20世纪初以来最暖的时期^［3］。为了实现CO₂排放力争于2030年前达到峰值，2060年前实现碳中和的伟大愿景，对全球大气CO₂浓度监测是必不可少的。

传统的CO₂地基网络观测可获取精度相对较高的数据，但其站点较少且分布不均匀，海洋等区域无法建立站点，难以获得足够的观测信息，所以想要以此获取全球碳源碳汇的分布信息是十分困难的。随着遥感技术的发展，温室气体观测卫星开始逐步发展起来，成为获取温室气体数据的重要手段。相比地基观测网，卫星遥感观测可以在很大程度上覆盖地球表面，但是也存在一些不足^［4］。例如，由于被动卫星的观测限制，在无云覆盖或气溶胶浓度较低的天气条件下才能获取到大气二氧化碳柱浓度（XCO₂）。由于太阳高度角的制约，在高纬度地区卫星也很难观测到有效数据。由于反演算法本身的误差及地球表面或大气条件的限制，得到的CO₂浓度数据有一定偏差。而为满足气候研究的需求，卫星观测大气XCO₂的反演精度需优于1%^［5］。

所以，为实现碳通量的精确测量，需要对遥感观测大气CO₂浓度数据进行处理，以获取高精度、高覆盖和高时空分辨率的数据产品。到目前为止，国内外许多学者利用不同的观测数据作了相关研究。杨东旭等^［6］提出了一种基于UoL-FP算法对TanSat卫星进行光谱校正的方法，采用TCCON站点数据对其XCO₂反演产品进行了验证，RMSE为1.59 ppm。叶函函等^［7］采用最优化估计法反演XCO₂，利用TCCON地基站点数据验证GF-5卫星的反演精度，结果表明XCO₂反演精度为0.67%，但目前的反演算法对长光程复杂大气干扰的校正能力不足。Katzfussa等^［8］提出用贝叶斯层次时空随机效应（STRE）模型来处理AIRS卫星数据，并对模拟研究和全球卫星二氧化碳测量的真实数据集进行比较，但该模型仅仅提高计算速度。Reuter等^［9］使用GOSAT和SCIAMACHY卫星的7种CO₂反演算法，假设离群值很少，选择中位数作为一个格网内的数值，以此生成全球高精度的CO₂融合数据集EMMA，然而并未提高CO₂数据的时空分辨率。Nguyen等^［10］利用GOSAT和AIRS的CO₂数据进行融合，但该方法得到的仅仅为低对流层的CO₂浓度。David等^［11］利用神经网络方法从OCO-2卫星中估算XCO₂数据，但在实际应用时训练模型非常耗时。Noël等^［12］利用快速大气痕量气体反演（FOCAL）算法从GOSAT和GOSAT-2辐射中获得柱状平均干空气二氧化碳摩尔分数（XCO₂）的结果，但是在对所收集的二氧化碳浓度数据进行演算后依然没有得到一个高精度、高覆盖率和高时空分辨率的数据产品。

总的来说，目前在轨的温室气体观测卫星反演方法相似，主要是利用长波CO₂强弱吸收波段的电磁波信号，通过对大气条件的估计，迭代反演大气CO₂廓线浓度，计算大气CO₂总柱浓度，且已有的卫星遥感数据不能达到气候变化研究对全球高分辨CO₂数据的需求^［13］。此外，当前温室气体卫星联合研究数据大多数为较早发射的卫星数据，鉴于此，本文分析了先后发射的OCO-2和OCO-3两颗卫星的差异，针对卫星数据缺失的问题，采用克里金插值的方法，实现温室气体卫星XCO₂观测数据的插值填补，来提高数据的精度、覆盖度和时空分辨率。

2 研究数据

2.1　卫星XCO₂观测数据

OCO（Orbiting Carbon Observatory）^［14］原定于2009年发射，但由于运载火箭发生故障，未能到达轨道。两周后，NASA随即启用了其备份方案——OCO-2（Orbiting Carbon Observatory-2）^［15］。OCO-2上仅搭载了一台三波段成像光栅式高光谱CO₂探测仪^［16］。OCO-2有Glint、Nadir或Target 3种观测模式。在Nadir模式下，该仪器直接向下观察地球并沿着地面轨道收集数据，空间分辨率较高。在Glint模式下，可以为海洋上空提供更高的信噪比，而Target模式下，可以用于特定地面场地的标定^［17］。

OCO-3（Orbiting Carbon Observatory-3）^［18］的探测器和OCO-2类似，但其开始探索除太阳同步轨道以外的观测轨道，主要目标是提高XCO₂观测数据的精度、分辨率、覆盖范围和时间稳定性。与OCO-2相比，OCO-3增加了SAM这一观测模式。OCO-3在国际空间站ISS上运行，这种方式有助于提高其数据库收集能力。此外，OCO-3卫星的运行倾角和其他卫星相比较低，在51°S到51°N的低倾角轨道运行，对于监测中低纬度地区的CO₂有很大的帮助。本研究使用2020年OCO-2、OCO-3卫星CO₂数据产品，其时空分辨率如表1所示。

表1 卫星数据

Table 1 Satellite data

	OCO-2	OCO-3
开始日期	2014-09-06	2019-08-06
结束日期	至今	至今
空间分辨率	2.25 km×1.29 km	2.25 km×1.29 km
时间分辨率	16 d	16 d

新窗口打开| 下载CSV

2.2　地基XCO₂验证数据

地基数据来自于TCCON^［19］（全称全球碳柱总量观测网，Total Carbon Column Observing Network），TCCON站点使用地面傅立叶变换光谱分析仪（Fourier Transform Spectrometers，FTS）^［20-21］，其采用分辨率为0.02 cm^-1、时相分辨率90 s的高光谱观测，能探测太阳辐射中4 000~9 000 cm^-1范围的光谱数据。与卫星探测数据相比较，由于TCCON的反演方式比空基仪器更精确，可以有效避免气溶胶、卷云等带来的误差影响，从这些光谱中检索到的CO₂、CH₄、N₂O、HF、CO、H₂O的柱浓度数据精度更高^［22］，因此TCCON站点所测XCO₂数据产品已被确认为卫星遥感数据的验证标准，被广泛用于验证卫星数据的精度。TCCON的主要站点集中于北美和欧洲，在东亚地区与大洋洲地区站点较少。本文使用的TCCON数据是GGG2014版本，在太阳天顶角为82°以下的情况时，其XCO₂误差低于0.25%，将TCCON XCO₂数据与插值数据集的XCO₂数据进行比较，验证后者的精度与准确性。文中所用到的站点分布如表2所示。

表2 TCCON站点分布信息

Table 2 Distribution information of TCCON sites

站点区域	站点(缩写）	经度/°	纬度/°
东亚地区	Saga Japan（JS）	130.29	33.24
北美地区	Park Falls Wisconsin USA (PA)	-90.27	45.94
北美地区	Lamont Oklahoma USA(OC)	-97.49	36.6
欧洲地区	Sodankyla Finland(SO)	26.63	67.37
欧洲地区	Izana Tenerife Spain(IZ)	16.48	28.3
大洋洲地区	Lauder NewZealamd(LH)	169.68	-45.05

新窗口打开| 下载CSV

3 研究方法

3.1　OCO2/3 XCO₂数据联合

选取ACOS算法反演的OCO-2卫星L2级产品OCO2_L2_Lite_FP.10r，覆盖时间段为2020年。选取同时间段的ACOS算法反演的OCO-3卫星L2级产品OCO3_L2_Lite_FP.EarlyR。但由于大气中气溶胶的散射和吸收、卫星轨道的间隔、云的覆盖以及反演算法本身的局限性，许多观测结果确定为不良数据。因此，按照ACOS使用指南进行数据筛选，通过过滤“xco₂_quality_flag”等于1的数据，将数据质量不符合要求的数据进行剔除^［23］。经过剔除后，卫星数据分布不均匀，且覆盖范围缩小，将来自多个卫星的数据结合起来可以扩大数据的覆盖范围。OCO-2与OCO-3仪器模型和检索算法类似，反演精度大致相当。如果OCO-2和OCO-3同时作用，互补采样可以最大限度地了解碳源碳汇的分布^［24］。因此以填充的方式联合两颗卫星数据，在OCO-2卫星XCO₂数据空缺位置填补OCO-3卫星XCO₂数据，将两颗卫星数据统一平均到1°×1°的网格进行显示，得到联合数据集。

3.2　插值算法

基于OCO-2、OCO-3卫星所得联合XCO₂数据在空间上仍有空白区域存在，尤其是在高纬度、海洋等地区。因此基于克里金插值方法^［25］，并结合数据时空固有变化趋势与数据的相关特征，实现对这些空白区域的填补。克里金（Kriging）插值法又称空间自协方差最佳插值法，通过分析空间属性的变异分布，从而得到影响待插值点的距离范围，根据此范围内的采样点来估计待插点的属性值，本文采用普通克里金插值的方法。

待测样点 $x_{0}$ 由 $n$ 个样本点的实测值 $Z (x_{i})$ 得到，其待测点 $Z^{*} (x_{0})$ 的估计值：

Z^{*} (x_{0}) = \sum_{i = 1}^{n} λ_{i} Z (x_{i})

（1）

其中： $λ$ （ $i$ =1，2，3…， $n$ ）为权重系数，是能够满足点 $(x, y)$ 处的估计值 ${\hat{z}}_{o}$ 与真实值 $z_{o}$ 的差最小的一套最优系数。权重系数需要满足以下两个条件：一为估计是无偏的，即偏差的数学期望为零；二为估计是最优的，即估计值和实际值之方差最小。如公式（2）所示：

\{\begin{array}{l} E ({\hat{z}}_{o} - z_{o}) = 0 \\ \underset{λ_{i}}{m i n} V a r ({\hat{z}}_{o} - z_{o}) \end{array}

（2）

其中： ${\hat{z}}_{o}$ 为估计值； $z_{o}$ 为真实值。满足克里金方程组如式（3）所示：

\{\begin{array}{l} \sum_{i = 1}^{n} \sum_{j = 1}^{n} λ_{j} γ (x_{i}, x_{j}) + μ = γ (x_{i}, x_{0}) \\ \sum_{i = 1}^{n} λ_{i} = 1 \end{array}

（3）

其中： $x_{i}$ 和 $x_{0}$ 表示第 $i$ 个样本和未知点的位置； $μ$ 是拉格朗日常数。解克里金方程组即可得到权重系数，再通过式（1）可求出估计值。

变异函数在克里金插值中起着重要的作用，其研究的主要是区域化变量的相互关系和空间结构^［26］。本文基于筛选后的数据进行克里金插值，结合卫星的空间特征，通过分析不同克里金变异函数得到的结果精度，择优选取指数函数模型。所用的变异函数模型公式如下：

γ (h) = \{\begin{array}{l} 0 h = 0 \\ c_{0} + c (1 - e^{- \frac{h}{a}}) h > 0 \end{array}

（4）

其中： $c_{0}, c$ 和 $a$ 是待估的插值模型参数。

此外，根据GOSAT CO₂三级产品算法将全球划分为-90°~-60°、-60°~-30°、-30°~-10°、-10°~30°、30°~65°、65°~90° 6个区域。以纬度和季节为划分标准，设置不同的搜索范围来寻找观测点，如表3所示。

表3 变异函数搜索范围

Table 3 Search scope of variogram

季节	月份	纬度范围/°	长半径/°	短半径/°
冬季	12~2	90~65 65~30 30~-10 -10~-30 -30~-60 -60~-90	4.95 11.26 9.01 9.91 7.21 8.11	5.41 8.11 5.41 4.95 8.11 10.81
春季	3~5	90~65 65~30 30~-10 -10~-30 -30~-60 -60~-90	4.95 13.96 9.01 6.76 3.60 8.11	6.31 9.01 6.76 4.50 5.86 4.50
夏季	6~8	90~65 65~30 30~-10 -10~-30 -30~-60 -60~-90	4.95 9.91 7.21 10.81 7.21 7.21	5.86 6.76 5.41 7.21 5.86 4.95
秋季	9~11	90~65 65~30 30~-10 -10~-30 -30~-60 -60~-90	5.41 10.81 8.11 9.01 8.11 7.21	7.21 6.76 5.41 5.41 5.41 4.51

新窗口打开| 下载CSV

3.3　精度评价指标

使用克里金插值得到CO₂浓度后，需要评估插值结果的准确性，将插值得到的XCO₂值与TCCON实测值进行对比，差异越小表明插值结果越好。选择决定系数（R²）、平均绝对误差（MAE）以及均方根误差（RMSE）这３个指标来评估模型的准确性。决定系数R²可以用来评估插值结果和实际值的符合程度，计算公式见式（5）。拟合优度R²的值范围为［0，1］，R²值越大表明XCO₂插值结果和TCCON实测值拟合越好。

R^{2} = \frac{\sum_{i = 1}^{n} (y_{i} {- \bar{y})}^{2} - \sum_{i = 1}^{n} (y_{i} {- \hat{y})}^{2}}{\sum_{i = 1}^{n} (y_{i} {- \bar{y})}^{2}}

（5）

平均绝对误差MAE是估计值与真实值偏差的绝对值的平均值，计算公式见式（6），所有子项的差异在平均值上的权值都相等，能够反映出估计值与真实值差值的实际情况。MAE越小，说明估计值与TCCON实测值的偏差越小，插值精度越高。

M A E = \frac{1}{n} \sum_{i = 1}^{n} |y_{i} - \hat{y_{i}}|

（6）

均方根误差RMSE是估计值与真实值偏差的平方与观测次数n比值的平方根，计算公式见式（7），RMSE衡量了估计值与真实值的偏差大小，RMSE越小，说明估计值与真实值的偏差越小，插值的准确性越高。

R M S E = {(\frac{1}{n} \sum_{i = 1}^{n} (y_{i} {- \hat{y_{i}})}^{2})}^{\frac{1}{2}}

（7）

式（5）~式（7）中， $y_{i}$ 为联合数据插值后XCO₂值， $\hat{y_{i}}$ 为TCCON站点实测值。

4 结果分析与验证

4.1　OCO2/3对比分析

为探究OCO-2/3两颗卫星XCO₂在全球的空间差异性，对OCO-2 XCO₂和OCO-3 XCO₂数据进行对比分析。图1显示了OCO-2/3在空间覆盖上的差异，绿色表示OCO-2无数据，但OCO-3有数据。黄色表示OCO-3无数据，但OCO-2有数据。红色表示OCO-2/3同时有数据。可见OCO-3的覆盖率低于OCO-2，且由于OCO-3仅在中低轨道运行，观测到的数据在-51°~51°之间，而OCO-2可有效覆盖高纬度地区，在海洋范围内的覆盖范围远远大于OCO-3，但两者均无法在亚马逊河流域和刚果河流域等热带雨林收集数据。OCO-3卫星独特的SAM观测模式能够扫描城市、发电厂和火山等CO₂排放密集的大片区域^［27］，可以填补OCO-2在中纬度地区的部分空白。图2为OCO-2和OCO-3 XCO₂的差值分布，其中红色表示差值为正，蓝色表示差值为负。通过比较2020年4、7、10、12共4个月收集的数据，可得OCO-2和OCO-3之间的MAE在4月最低为0.904 ppm，其次是10月（1.216 ppm）、7月（1.526 ppm）和12月（1.539 ppm）。在亚欧、北非、北美等区域两者差值较高，这一部分OCO-2 XCO₂多数大于OCO-3 XCO₂，这一特点在10月和12月尤为明显。在大洋洲、南非、海洋区域两者差异较小。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 2020年4、7、10、12月OCO-2、OCO-3 XCO₂覆盖分布

Fig. 1 Coverage distribution of OCO-2 and OCO-3 XCO₂ in April， July， October and December 2020

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 2020年4、7、10、12月OCO-2、OCO-3 XCO₂差值分布

Fig. 2 Difference distribution of OCO-2 and OCO-3 XCO₂ in April， July， October and December 2020

4.2　OCO2/3联合覆盖度分析

对比联合XCO₂数据集与单卫星数据（OCO-2、OCO-3）在一定时间周期内的空间覆盖率，图3显示了2020年3月前3 d、15 d的OCO-2和OCO-3 XCO₂空间覆盖情况。在每个1°×1°的网格中，如果包含一个符合质量要求的XCO₂数据，其被填充为一种颜色（OCO-2是绿色的，而OCO-3是蓝色的）。表4显示了单卫星数据与联合数据集空间覆盖率比较，以联合方式合并两颗卫星，提高了XCO₂数据的覆盖率。2020年3月前3 d，OCO-2的网格覆盖率为3.34%，OCO-3为6.35%，联合数据集为9.18%，可见在短时间尺度上，联合数据集存在较大优势。在中尺度时间8 d、15 d上，联合数据集覆盖率与OCO-2相比，提高10.61%，8.88%；与OCO-3相比，覆盖率提高6.49%，12.01%。在月尺度上，较OCO-2，联合数据集覆盖度提高8.24%，较OCO-3，联合数据集覆盖度提高18.44%。其XCO₂数据空间覆盖百分比已经达到38.45%，覆盖范围已达82° N至82° S。结合图3和表4，可以说明，联合数据集在空间覆盖率上有了进一步提升。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 2020年3月前3 d、前15 d OCO-2、OCO-3 XCO₂覆盖分布

Fig.3 XCO₂ coverage of OCO-2 and OCO-3 in the first 15 days of March 2020

表4 2020年3月OCO-2、OCO-3、联合数据集空间覆盖率比较

Table 4 Comparison of spatial coverage of OCO-2， OCO-3 and fusion datasets in March 2020

时间	OCO-2覆盖率	OCO-3覆盖率	联合数据集覆盖率
2020.3.1~3.3	3.34%	6.35%	9.18%
2020.3.1~3.8	8.97%	13.09%	19.58%
2020.3.1~3.15	16.66%	13.53%	25.54%
2020.3.1~3.31	30.21%	20.01%	38.45%

新窗口打开| 下载CSV

4.3　插值结果分析

将1°×1°格网的插值数据集与联合数据集进行比较（表5），显示其数据覆盖率显著提高。在3、8、15、30 d时间尺度上，覆盖率分别提高了52.32%、46.77%、44.04%、33.81%。可以看出，本文方法可以提高CO₂产品的时空分辨率。为了验证插值结果的精度，选取地面站点数据与插值结果进行比较，TCOON站点数据与XCO₂联合数据集、XCO₂插值数据集绘制散点图如图4所示，由图4可以看出，插值后XCO₂数据集与TCCON实测值总体的符合情况比较好，虽然存在一定的偏差，但是在合理的范围内。且相比联合数据集，插值数据集与TCOON站点拟合程度更高。同时，为了定量分析本文算法的精度，采用决定系数R²、平均绝对误差MAE、均方根误差RMSE这3种指标评价本文XCO₂数据插值算法的精度，分析结果如表6所示。从表6可以看出，插值数据集总体精度较高（MAE=1.049 ppm，RMSE=1.024 ppm，R²=0.82），与联合数据集结果的精度（MAE=1.818 ppm，RMSE=1.348 ppm，R²=0.678）相比，有所提高。经计算ΔMAE=-0.769 ppm，ΔRMSE=-0.324 ppm，ΔR²=0.142，插值数据集得到的MAE、RMSE更小，表明其准确性更高，同时插值数据集R²提高，表明拟合效果较好，残差的空间自相关性较弱。图5为6个站点TCCON站点数据、联合数据集和插值数据集2020年12个月的点线图，可以看出两者变化趋势基本保持一致。在一些联合数据集的突变处，插值后得到的数据更加平滑。这可能是因为在由于插值得到的数据集采用1°×1°的平均格网数据作为输入数据集，避免了异常值的影响，使得结果更加精准。与TCCON地基站点数据相比，除了站点LH，插值后数据集偏差较大，其他站点偏差均较小。

表5 联合数据集与插值数据集覆盖率对比

Table 5 Comparison of coverage between fusion dataset and interpolated dataset

时间	联合数据集覆盖率/%	插值数据集覆盖率/%
2020.3.1~3.3	9.18%	62.50%
2020.3.1~3.8	19.58%	66.35%
2020.3.1~3.15	25.54%	69.58%
2020.3.1~3.31	38.45%	72.26%

新窗口打开| 下载CSV

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 TCOON站点观测数据联合数据集、插值数据集相关散点分布图

Fig. 4 Correlation scatter distribution of joint data set and interpolation data set of observation data at TCOON site

表6 TCCON站点观测数据与联合数据集、插值数据集精度比较结果

Table 6 TCCON site observation data， fusion dataset and interpolated dataset accuracy comparison results

	MSE/ppm	RMSE/ppm	R²
联合数据集	1.818	1.348	0.678
插值数据集	1.049	1.024	0.820

新窗口打开| 下载CSV

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 2020年TCCON站点观测数据、联合数据集和插值数据集对比

Fig. 5 Comparison of TCCON data， fusion data and interpolated data in 2020

2020年各月XCO₂插值结果如图6所示，不同季节下，XCO₂覆盖的纬度范围在发生变化。春季、夏季覆盖范围偏北，而秋季、冬季覆盖范围明显呈现南移趋势。这是因为OCO-2、OCO-3都是基于短波红外波段观测，由于太阳高度角在观测过程中起着重要影响，卫星观测点也随之跟着南北移动，从而对联合数据的插值结果也造成影响^［28］。此外，插值数据集显示全球分布具有很明显的纬带差异。北半球中纬度地区浓度全球最高，而南半球CO₂浓度较低。同时CO₂浓度在北半球呈现出显著的季节性特征，出现该现象的主要是因为北半球频繁的人类活动，其中春季CO₂浓度最高，夏季最低，秋冬季节次之。春季CO₂浓度高是因为在此期间陆地植物活动频繁，呼吸作用增强，大气中的CO₂浓度也跟随增加，而在夏季植被生长茂盛，此时光合作用达到最强，大气CO₂浓度也随之降低。到了秋冬季节，光合作用开始减少，大气CO₂浓度开始上升。郑景治等^［29］基于GOSAT卫星L3级插值产品得出全球CO₂浓度存在时空异质性，在空间维度上，呈现北高南低的特征，在时间维度上，北半球存在显著季节性特征。本文XCO₂插值数据集与其得到的结论一致，证明该插值数据集结果的可靠性。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 2020年插值数据集XCO₂分布

Fig.6 XCO₂ distribution of interpolated dataset in 2020

5 结语

本文对比分析了OCO-2、OCO-3 XCO₂两者之间的差异，实现了对OCO-2、OCO-3两颗卫星XCO₂数据的联合，针对联合数据集仍存在部分缺失的情况，假设大气CO₂浓度具有空间相关性，并且这种相关性的统计特征，可以从观测数据中推断出来，结合数据时空变化趋势与空间相关特征，发展了XCO₂数据的插值填补方法，实现了对联合数据集空白区域的精确插值填补。结果表明，在3、8、15、30 d时间尺度上，插值数据集覆盖率分别提高了52.32%、46.77%、44.04%、33.81%，短时间尺度覆盖率变化尤为明显。将月插值数据集与TCCON站点数据对比验证精度，得到其平均绝对误差为1.049 ppm，均方根误差为1.024 ppm，决定系数为0.82。利用本文插值算法生成了高精度和高分辨率的全球XCO₂数据集，为研究碳源和碳汇的分布提供了新的数据源。

随着卫星遥感技术的不断发展，我国发射了全球首颗主动激光雷达二氧化碳探测卫星^［30］，与被动遥感相比，主动激光雷达观测有着不需要依赖于太阳光的优点，可以对全球二氧化碳进行全天时、高精度的探测，而同时，人为碳排放的定量监测是未来碳卫星观测计划的核心目标，今后碳监测将发展温室气体浓度、大气污染成分、生物质燃烧排放等多方向的卫星组网观测、主被动联合的全球碳监测星座^［31］。在后续研究中可联合多源温室气体卫星数据和碳同化数据来进行插值与融合。此外，随着地基站点数量的持续增加，可以考虑以地基观测数据对卫星遥感数据进行验证和修正，多源卫星插值结果与碳同化数据作为输入数据，来获得空天地一体化的XCO₂全球分布数据，以此获得更高时空分辨率、更高精度、更大覆盖范围的XCO₂分布，推动区域源的CO₂排放估算，助力于碳中和的研究。总之，全球CO₂监测技术在未来将面临更高的要求和更大的挑战，需要继续加强技术研发和合作，以提高CO₂监测数据的精度和可靠性，为全球应对气候变化和减缓碳排放做出贡献。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

YOSHIDA

， KIKUCHI

， MORINO

， et al.

Improvement of the retrieval algorithm for GOSAT SWIR XCO₂ and XCH₄ and their validation using TCCON data

［J］. Atmospheric MeasurementTechniques， 2013， 6（6）：1533-1547.DOI：10.5194/amt-6-1533-2013