基于OCO-2卫星观测的中国XCO2全覆盖与精细尺度时空反演

《Ecological Informatics》:Full-coverage and fine-scale spatiotemporal retrieval of XCO2 in China based on OCO-2 satellite observations

【字体: 大 中 小 】 时间:2026年07月14日 来源:Ecological Informatics 8.5

编辑推荐:

  大气CO2的精确监测对于理解气候变化至关重要,但来自OCO-2(轨道碳观测者-2)等任务的卫星观测存在显著的空间和时间间隙。本研究通过为一个关键排放区域开发高分辨率、全覆盖数据集来应对这一挑战。研究人员利用一套全面的预测因子,包括气象、植

  
大气CO2的精确监测对于理解气候变化至关重要,但来自OCO-2(轨道碳观测者-2)等任务的卫星观测存在显著的空间和时间间隙。本研究通过为一个关键排放区域开发高分辨率、全覆盖数据集来应对这一挑战。研究人员利用一套全面的预测因子,包括气象、植被和人类活动相关数据,生成了2015至2021年中国1km月尺度柱平均CO2浓度(XCO2)数据集。研究人员比较了四种机器学习模型(随机森林Random Forest、AdaBoost、人工神经网络ANN和卷积神经网络CNN),并选择了表现最佳的AdaBoost模型,使用10折交叉验证(10-fold cross-validation)和独立的地面TCCON(总碳柱观测网)数据进行了验证。AdaBoost模型表现出优越的性能(交叉验证R2 = 0.85),最终产品与TCCON测量值相比显示出高精度(总体R2 = 0.93,均方根误差RMSE = 1.19 ppm),在可直接比较的情况下,表现出与现有产品相比具有竞争力或更高的精度。重建的数据揭示了显著的时空异质性,中国主要工业和城市群中XCO2浓度较高,具有稳健的季节循环和持续上升趋势。特征重要性分析证实,人为排放、气象条件和生物圈活动是XCO2分布的主要驱动因素。本研究提供了一个可靠的高分辨率XCO2数据集,对于监测中国碳动态、验证排放清单以及为气候减缓政策提供信息具有重要价值。
**论文解读:基于OCO-2卫星观测的中国XCO2全覆盖与精细尺度时空反演**

**研究背景与问题**

大气二氧化碳(CO2)是最重要的人为温室气体,是全球气候变化的主要驱动力。准确监测其浓度对于理解碳循环、评估减排政策及预测未来气候情景至关重要。CO2监测主要通过地面和卫星遥感两种途径实现。地面网络如总碳柱观测网(TCCON)尽管精度极高(约0.8 ppm),但站点稀少且空间分布不均,无法捕捉CO2的精细时空变化。卫星遥感方面,NASA的轨道碳观测者-2(OCO-2)卫星虽能提供亚ppm精度的柱平均干空气CO2摩尔分数(XCO2)数据,但其窄幅宽(约10 km)和16天重访周期,加上云和气溶胶污染,导致严重的数据时空缺失,无法实现连续监测。现有填补方法存在分辨率粗(如0.1°以上)或缺乏系统模型比较与独立验证的问题。因此,亟需发展一种高分辨率、经稳健验证的中国XCO2数据集,并基于方法论上严格的模型选择流程。该论文发表在《Ecological Informatics》。

**研究人员开展的工作与结论**

研究人员通过系统比较四种机器学习算法(随机森林RF、AdaBoost、人工神经网络ANN、卷积神经网络CNN),选用性能最优的AdaBoost模型,利用OCO-2卫星2015–2021年的XCO2反演产品及一系列气象、植被和人为活动相关预测因子,生成了中国1 km月尺度的全覆盖XCO2数据集。通过10折交叉验证、空间块交叉验证和留一年交叉验证评估模型泛化能力,并利用独立地面TCCON站点(合肥和香河)数据验证产品精度。结果显示AdaBoost模型表现最佳(随机10折交叉验证R2=0.85,RMSE=2.07 ppm),最终产品对TCCON测量具有高精度(总体R2=0.93,RMSE=1.19 ppm)。重建数据揭示了显著的空间异质性,高值集中于工业与城市群,季节循环稳健,且呈持续上升趋势(全国中位斜率约2.3 ppm yr-1)。特征重要性分析表明,人为排放(以夜间灯光NTL为代表)、气象条件(风速WS、相对湿度RHU)和生物圈活动是主要驱动因素。该数据集填补了OCO-2观测间隙,为监测中国碳动态、验证排放清单和制定气候缓解政策提供了可靠的高分辨率参考。

**主要关键技术方法**

研究人员采用了以下关键技术方法:(1)数据源:OCO-2 Level 2 XCO2 V10r产品(2015–2021年,仅使用“好”质量标记数据,筛选后约310万个样本);气象预测因子包括来自ERA5再分析的温度(TEMP)、降水(PRE)、风速(WS)和相对湿度(RHU),以及来自TRIMS的1 km日尺度地表温度(LST);植被预测因子来自MODIS的GPP、NDVI、EVI、LAI和土地覆盖(LUCC);人为活动预测因子采用VIIRS-NPP月尺度夜间灯光(NTL)数据。(2)模型构建与评估:比较RF、AdaBoost、ANN和CNN四种机器学习模型,通过网格搜索调优超参数,采用随机10折交叉验证、空间块交叉验证(2°×2°)和留一年时间交叉验证评估模型性能,并使用Diebold–Mariano检验统计显著性。最佳模型为AdaBoost,用于生成最终1 km月尺度XCO2产品,并通过TCCON地面站点(合肥、香河)进行独立验证。像素级不确定性通过bootstrap集成(10次重采样)的标准差估计,并定义三级质量标志。

**研究结果**

**3.1 模型比较(Model comparison)**
通过样本10折交叉验证比较四种模型,AdaBoost表现最优(R2=0.85,RMSE=2.07 ppm),优于RF(R2=0.79)、CNN(R2=0.81)和ANN(R2=0.77)。空间块交叉验证(R2=0.74)和留一年交叉验证(R2=0.72)提供了更保守的泛化能力估计,但模型仍保持较强预测力。Diebold–Mariano检验确认AdaBoost与其余模型的差异统计显著(p<0.01)。压力测试表明,极端温度月份RMSE略有增加(+0.08 ppm),COVID-19期间存在系统性负偏差(?0.58 ppm),但所有条件下R2均>0.84。

**3.2 重要预测因子(Important predictors)**
AdaBoost模型中,夜间灯光(NTL)是最重要的变量(重要性0.30),其次是风速(WS,0.15)和相对湿度(RHU,0.15)。温度(TEMP,0.09)、降水(PRE,0.08)和地表温度(LST,0.07)贡献中等,植被指标(NDVI、GPP、EVI)贡献较弱。RF模型中WS(0.19)重要性最高,NTL(0.17)和RHU(0.16)次之。结果共同表明XCO2受人为排放、气象和地表状态的联合控制。

**3.3 地面验证结果(Ground-based validation results)**
将模型估计的XCO2与TCCON站点(合肥84个月、香河42个月)观测对比,总体R2=0.93,RMSE=1.19 ppm,MAE=0.95 ppm。香河站R2=0.88、RMSE=1.23 ppm;合肥站R2=0.93、RMSE=1.08 ppm。季节误差分析显示夏季误差最大(RMSE~1.40 ppm),冬季最小(RMSE~0.90 ppm)。与现有产品(如Li et al. 2023, Wang et al. 2023等)相比,本研究在1 km分辨率下表现出竞争性或更优的精度(整体R2=0.93,RMSE=1.19 ppm)。

**3.4 时空分析(Spatiotemporal analyses)**
多年年均XCO2空间分布显示显著东高西低梯度,高值区(>409 ppm)集中于华北平原、长三角、珠三角和四川盆地等城市群,低值区(<406 ppm)位于青藏高原及西南、东北森林地区。季节均值显示春季最高(平均410 ppm),夏季最低(平均405 ppm),秋季(平均406 ppm)开始回升,冬季(平均409 ppm)再次升高,冬季北方供暖区浓度超过410 ppm。城市尺度分析(如杭州、成都)显示重建数据能捕捉夜间灯光反映的次区域梯度。长期趋势方面,全国XCO2呈持续上升(中位斜率约2.3 ppm yr-1,Mann-Kendall检验p<0.01),工业带热点区域超过2.5 ppm yr-1。时间序列与TCCON和CarbonTracker CT2022高度一致,季节循环振幅6–7 ppm,春季峰值、夏末谷值。五个子区域(东北、华北平原、东南、西北、青藏高原)的季节气候态显示合理区域间梯度,青藏高原系统性偏高(年偏差约1.02 ppm),但年际相关系数r=0.82。

**3.5 不确定性分析(Uncertainty analysis)**
像素级预测不确定性显示东部落差最小(~0.50 ppm),青藏高原和西部沙漠最高(~1.60 ppm),高不确定性出现在观测稀疏、地形复杂区域。季节上,大气和生物圈变化活跃的季节不确定性更高。不确定性分解中,映射/模型误差(交叉验证RMSE=2.07 ppm)占总误差预算70%–80%,卫星反演误差(~0.30–0.60 ppm/网格月)和代表性误差构成下限。

**讨论与结论总结**

讨论部分将模型性能置于现有产品背景中,强调AdaBoost在异质特征融合中的优势;空间块和时间交叉验证确认模型具有真实泛化能力,但地面验证局限于东部站点(合肥、香河),西部和青藏高原可能存在较低精度。特征重要性分析中,NTL、WS和RHU作为三大预测因子,反映人为排放、平流扩散和水汽效应,但重要性不代表因果关系,且存在共线性(如LST与TEMP相关系数0.85,植被指数间0.70–0.90),建议按组解释。时空动态揭示的东-西梯度和城市群高值区与已有认知一致,1 km分辨率能解析城市内对比和输送羽流。局限性包括:模型假设2015–2021年关系平稳性(但留一年交叉验证R2=0.72表明部分适应);晴空偏差可能高估夏季云区XCO2;1 km网格间距对应有效CO2信息尺度约10–20 km;TRIMS LST的云填补值精度较低。政策意义在于识别排放热点,为能源转型和交通电动化提供证据;气象调制表明可整合短期预报进行动态调控。未来方向包括提升至日尺度、引入燃烧示踪物、耦合反演系统、融入高分辨率排放清单,以及融合OCO-2与OCO-3、GOSAT-2数据。

**结论部分翻译:**
在本研究中,研究人员成功开发并验证了一个覆盖2015至2021年期间的高分辨率(1 km)、全覆盖月尺度中国XCO2数据集。通过利用AdaBoost机器学习算法及一套全面的卫星、气象和社会经济数据,研究人员有效解决了OCO-2卫星观测中固有的时空间隙。该模型在测试的机器学习模型中表现出竞争性性能,达到了最高的交叉验证精度,并与地面TCCON数据显示出较强的一致性,证实了其可靠性。所得数据集揭示,中国XCO2分布主要由人为排放驱动,气象条件和生物圈碳交换对其产生显著调制作用。研究人员识别出明显的东-西浓度梯度、稳健的季节循环以及XCO2水平的持续上升趋势,突显了区域排放面临的持续挑战。本研究为监测中国碳动态、验证排放清单和支持有效的气候变化减缓政策提供了有价值且可靠的数据集。此处提出的方法可适用于其他区域,有助于更全面地理解全球碳循环。未来工作可聚焦于延长时间序列、将时间分辨率提升至日尺度,以及纳入更多数据源以进一步完善模型的预测能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号