2019, Vol. 36 
2. 中国科学院大学资源与环境学院, 北京 100049;
3. 美国加州理工学院地质与行星科学系, 美国加利福尼亚州帕萨迪纳市 CA91125
2. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China;
3. Division of Geological and Planetary Sciences, California Institute of Technology, Pasadena, CA 91125, USA
自工业革命以来，由于化石燃料的燃烧、工业排放等人类活动的快速增加，全球大气CO2浓度逐年以约2×10-6的增速升高，已成为导致全球变暖的重要原因[1]。近年来，为减缓大气CO2浓度的持续升高以遏制全球变暖，各国均制定了相关减排政策。覆盖全球的大气CO2浓度数据可以帮助我们深入认知全球大气CO2浓度在区域和时间上的变化特征，进而为减排实施效果评估提供参考。
随着大气CO2卫星观测技术的进步，卫星遥感观测已成为获取全球和区域大气CO2浓度数据的主要手段之一。卫星观测具有覆盖范围广，以统一的观测方法揭示全球和区域大气CO2浓度时空变化特征的优势。目前已有3颗卫星观测反演的大气CO2柱浓度(XCO2)产品可以利用。它们包括，2002年搭载于ENVIronmental SATellite的SCIAMACHY (SCanning Imaging Absorption spectroMeter for Atmospheric CHartographY)、2009年第一颗专门用于温室气体观测的GOSAT (Greenhouse Gases Observing Satellite)卫星以及2014年发射的OCO-2(Orbiting Carbon Observatory-2)卫星。中国为了应对全球气候变化、全面监测全球CO2浓度分布情况，已于2016年12月发射首颗CO2观测科学实验卫星TANSAT[2]，这是暨日本GOSAT卫星和美国OCO-2卫星之后的第3颗全球“嗅碳”卫星。这些卫星观测数据的初步应用研究表明，基于卫星观测反演的CO2柱浓度数据一方面可以揭示人为排放引起的大气CO2浓度增量时空分布特征[3-5]，另一方面也可以利用大气CO2浓度的季节变化研究分析陆地生态系统碳源、碳汇时空变化特征[6]，显示了卫星观测数据的应用潜力。
然而，由于SCIAMACHY、GOSAT和OCO-2有着不同的设计指标和观测模式，导致它们对XCO2反演有着不同的敏感性。SCIAMACHY是搭载于ENVISAT的大气成分综合探测传感器，轨道周期为35d，空间分辨率为60km, 其反演的XCO2数据精度在2.5×10-6左右, 可利用数据时间范围2003—2012年。GOSAT的观测周期为3d，空间分辨率10.5km, 其XCO2反演精度在1×10-6左右。OCO-2卫星的时空分辨率分别为16d和3km, 产品反演精度在0.5×10-6左右；其高空间分辨率使得其数据在刻画区域CO2浓度时空变化特征方面具有明显优势[7]。以上这3颗卫星的XCO2数据产品覆盖了2003—2016年近14年的全球卫星观测数据。
利用卫星观测的大气光谱反演大气CO2柱浓度时，不但受气象条件、气溶胶以及地表辐射等影响，而且也受卫星传感器的设计指标和观测模式等多种因素的影响。由于不同CO2观测卫星的传感器敏感性、观测模式以及XCO2反演算法等不同造成多颗卫星XCO2数据产品在物理量和时空尺度上存在差异，且这些差异在不同地区和不同时间存在着随机性[8]，在进行全球CO2的时空特征分析时必须对这些差异予以考虑。根据Connor和Rodger[9]关于大气XCO2反演算法的相关理论，在集成利用多颗卫星XCO2数据时，应该考虑不同反演算法因采用不同的平均核函数(averaging kernel)和先验CO2分布(prior CO2 profile)给XCO2数据产品造成的差异。基于该理论在对SCIAMACHY和GOSAT数据进行融合时，可以利用CarbonTracker数据集对两颗卫星的XCO2数据进行敏感性分析[10]。目前还没有研究对SCIAMACHY、GOSAT和OCO-2这3种不同传感器之间的响应差异进行定量分析。
本文以CarbonTracker模型的大气CO2柱面层浓度数据为基准，定量分析SCIAMACHY、GOSAT和OCO-2的XCO2产品及其差异的时空分布特征，为这3颗卫星数据的数据融合处理与应用提供参考。
1 数据来源和方法我们收集SCIAMACHY、GOSAT和OCO-2卫星观测反演的2003-01—2016-03近14年的XCO2数据产品(见表 1)，以及对应时段的CarbornTracker大气CO2模拟数据。利用CarbornTracker柱面层浓度数据分析不同卫星XCO2的响应差异及其时空分布特征，在进行时空尺度归一处理后，比较分析不同卫星反演的大气CO2柱浓度的季节变化和全球分布特征。
|
表 1 多源卫星XCO2数据相关信息 Table 1 XCO2 data products from multi-satellite observations |
对于ENVI/SCIAMACHY数据，我们收集精度较好的BESD v02.01.01算法反演的XCO2数据产品(http://www.esa-ghg-cci.org/)(下文简称SCIAMACHY-XCO2)，覆盖2003-01—2009-05时段。经地基观测数据验证，其单点观测数据的反演精度在3×10-6以内，区域偏差在2.5×10-6左右[11]。GOSAT卫星采用NASA/ACOS团队利用GOSAT数据反演的ACOS v3.5lite XCO2数据(http://disc.sci.gsfc.nasa.gov/acdisc/documentation/ACOS.html)(下文简称GOSAT-XCO2)，该产品的时间段包含2009-06—2014-06，其反演验证精度为1×10-6左右[12]。OCO-2卫星采用ACOS算法反演的OCO2_7 r_Lite XCO2数据(http://oco2.gesdisc.e-osdis.nasa.gov/data/s4pa/OCO2_DATA/OCO2_L2_Lite_FP.7r)(下文简称OCO2-XCO2)，覆盖2014-09—2016-03时段，该数据的验证精度约0.5×10-6[13]。
1.2 模型模拟数据对应卫星观测数据的时段为2003—2016年，本文收集3h间隔的CT(CarbonTracker)模型数据(ftp://aftp.cmdl.noaa.gov/products/carbontracker/co2/molefractions)。CT是NOAA/ESRL/GMD的模式小组基于大气传输模型TM5研发的一种大气反演模型, 它将大气传输模型与卡尔曼滤波法相结合，自下而上估算地球表面二氧化碳吸收和释放随时间变化的情况。CT已被广泛用于全球及区域的碳时空变化特征分析，特别是许多研究利用其模拟的大气CO2浓度数据对SCIAMACHY、GOSAT等卫星观测数据比较验证[14]。该CT模拟的CO2数据为3h时间分辨率、纬度2°×经度3°格网、垂直剖面25层CO2浓度分布。CT数据分为两个时段，其一为CT2015 (2003-01—2014-12), 另一为CT-NRT.v2016-1 (2015-01—2016-03)。这两套数据均由CarbonTracker同化地面观测和航空观测数据生成[15]。
1.3 实验方法卫星观测反演大气CO2柱浓度的算法中，利用先验CO2剖面分布作为先验值，计算卫星传感器对CO2的响应特征即平均核函数[16]。卫星传感器指标不同，其平均核函数也不同。在多源卫星数据的融合应用时，需要考虑各反演算法所采用的平均核函数和先验CO2剖面分布带来的差异[16]。本文以CT模型的垂直CO2分布数据(25层)为基准，分别计算SCIAMACHY-XCO2、GOSAT-XCO2和OCO-XCO2由于仪器对CO2响应不同所引起的XCO2差异：
| $ \Delta {\rm{XCO}}{{\rm{2}}_t} = {\mathit{\boldsymbol{h}}^{\rm{T}}}\left( {\mathit{\boldsymbol{I}} - \mathit{\boldsymbol{a}}} \right)({\mathit{\boldsymbol{X}}_{{\rm{M}}, t}} - {\mathit{\boldsymbol{X}}_{{\rm{a}}, t}}). $ | (1) |
式中：h是压力权重向量(pressure-weighted)，a是经对应CT模型剖面层数(25层)扩展处理后的卫星反演数据的平均核向量(averaging kernel)，I是单元矩阵，XM, t是指CT模型对应卫星观测时间t的CO2剖面分布向量(CO2 profile)，Xa, t为经对应CT模型剖面层数扩展处理后的卫星先验CO2剖面分布向量(prior CO2 profile)。
在计算处理中，为解决如表 1所示各卫星数据的CO2剖面分布层数与CT不同，首先采用基于大气垂直气压层将各卫星层浓度进行内插或外扩到CT模型的CO2层浓度分布。如OCO-2数据包含20层CO2浓度分布，则将其按照气压水平分布线性内插或外扩至CT模型的25层CO2浓度分布。另一方面, 通过对CT模型的8时段剖面CO2分布进行线性插值获取卫星观测时间t时的模型剖面CO2分布。
另外，由表 1可知SCIAMACHY、GOSAT以及OCO-2的XCO2数据的过境观测时刻不同(分别为10：00、13：00和13：36, LST-local standard time)。由于陆地生态系统的地气碳交换以及人为排放等作用，同一地点的大气CO2浓度随时间而变化[17-18]。同时，3颗卫星观测的空间尺度(30km×60km、10.5km、2.25km×1.5km)和重访周期(35、3和16d)也存在明显的差异。为减小观测时间给卫星XCO2数据带来的影响，需要将这些数据转换为同一时空尺度，以剔除卫星观测不同时空尺度的差异。本文以13：00 (LST)作为统一的基准时刻，利用CT模型的剖面层浓度分布(13：00)通过式(2)将3颗卫星观测XCO2数据转换至基准时刻(13：00, LST)的XCO2数据。
| $ {\rm{XCO}}{{\rm{2}}_{{\rm{mod, st}}}} = \frac{{{\mathit{\boldsymbol{\omega }}^{\rm{T}}}{\mathit{\boldsymbol{X}}_{{\rm{st}}}}^{\rm{M}}}}{{{\mathit{\boldsymbol{\omega }}^{\rm{T}}}{\mathit{\boldsymbol{X}}_t}^{\rm{M}}}} \times {\rm{XCO}}{{\rm{2}}_{{\rm{adj}}, t}}. $ | (2) |
式中，XCO2mod, st是转换到基准时刻(13：00, LST)的卫星XCO2。XCO2adj, t为经式(1)去除卫星先验CO2分布(prior CO2 profile)差异后的XCO2，即(XCO2adj, t=XCO2ret, t+ΔXCO2t)，这里XCO2ret, t为卫星在实际观测时间t反演的XCO2。XstM和XtM分别为CT在基准时刻的层浓度分布和CT在卫星数据实际观测时间t对应的层浓度分布; ω是大气压力权重向量(列向量)。
2 结果分析与讨论 2.1 观测仪器引起的XCO2差异图 1给出根据公式(1)以模型为基准计算的SCIAMACHY-XCO2、GOSAT-XCO2以及OCO-XCO2的差异。可以看出，不同卫星显示不同的差值，以SCIAMACHY-XCO2的差值幅度最大，且以6月附近出现最大差值(最大达0.6×10-6)的周期性变化，而GOSAT-XCO2和OCO-XCO2并没有显示明显的差异。这与SCIAMACHY较低的观测精度有关。SCIAMACHY传感器对近地表大气CO2分子的敏感性低于GOSAT和OCO-2。另外，GOSAT-XCO2的差值相对于OCO-XCO2也显示了6月附近最大约0.1×10-6的季节性变化。由图 1的各卫星差异可以知道，从时间序列上SCIAMACHY和GOSAT之间最大有约1×10-6的差异。因此，在进行大气CO2浓度的时间序列分析时，必须考虑消除或减小这种差异。
|
Download:
|
| 图 1 各卫星数据校正前后差值的时间序列 Fig. 1 Differences between the adjusted XCO2 values from equation (1) and the original XCO2 retrievals | |
为进一步分析不同卫星观测差异的全球时空变化特征，我们按2°纬度带统计计算差值的月平均，得到如图 2所示差值时空分布图。由图 2可以发现，北半球从高纬度到低纬度的差值变化上，SCIAMACHY-XCO2显示出由(-1.0~0.8)×10-6的变化，热带区域附近差值最大达0.8×10-6，且与图 1结果相同，差值在北半球显示了明显的季节性变化特征；而GOSAT-XCO2和OCO2-XCO2的差值基本在(-0.4~0.4)×10-6范围变化。
|
Download:
|
| 图 2 同时期各卫星差值(ΔXCO2)沿纬度带的变化, SCIAMACHY (2003-01—2009-05)，GOSAT (2009-06—2014-06)，OCO-2 (2014-09—2016-03) Fig. 2 The spatio-temporal distributions of the monthly averaged differences (ΔXCO2) from SCIAMACHY, GOSAT, and OCO-2, respectively | |
利用各卫星XCO2原数据，经式(1)和(2)进行处理后得到经校正和时间调整后观测点上XCO2mod, st的数据。对时间转换前后的数据进行对比可以发现，卫星过境时刻与基准时刻(13：00, LST)相同的GOSAT-XCO2以及相近的OCO-XCO2(13：36, LST)，都显示很小的差异；而与基准时刻有较大时差的SCIAMACHY-XCO2(10：00, LST)经调整后差异减小，减小幅度在6月最大达0.8×10-6，这与大气CO2浓度值从早上到午后随时间降低的日间变化规律一致[19]。进一步将3颗卫星不同时空分辨率的数据统一到同一时空尺度，以8d为一个时间单位和30km为空间半径单位，从2003年1月开始到2016年3月，对落在时空范围(T=8d, R=30km)内的XCO2mod, st数据进行集合平均。该时空尺度的设定尽可能兼顾表 1所示的各卫星原始时空尺度，以保留更多的卫星观测信息。
图 3以7月为例给出对应SCIAMACHY、GOSAT和OCO-2数据时期的XCO2的全球分布。由图 3可以看出，在北半球，各卫星都显示明显的由北向南XCO2升高的空间变化规律。图 4所示的全球所有XCO2数据点的时序变化，与地面观测显示一致的变化特征，各时期的卫星XCO2显示出相同的季节变化规律，且也显示全球平均约2×10-6的年际增量的变化规律。
|
Download:
|
| 图 3 各卫星XCO2数据时空尺度统合后的月均值 Fig. 3 The monthly averaged XCO2 values in 1°×1° grid from the XCO2mod, st data and from SCIAMACHY, GOSAT, and OCO-2, respectively | |
|
Download:
|
| 图 4 各卫星XCO2数据时空尺度统合后的时序变化 Fig. 4 Seasonal variations of the XCO2mod, st data from 2003 to 2016 | |
利用多颗卫星观测积累的CO2长时间序列数据，考虑不同卫星观测的差异，将改进我们对大气CO2全球时空变化特征的认知。本文利用CarbonTracker模型模拟数据作为基准，对SCIAMACHY、GOSAT、OCO-2不同卫星观测反演的XCO2数据进行传感器敏感性分析，发现相对于GOSAT和OCO-2，SCIAMACHY卫星数据存在较大的差异。对卫星原始数据进行卫星不同响应差异校正和时空尺度统合处理后，各卫星观测的XCO2时间序列变化反映全球大气CO2浓度的总体上升和空间分布特征。同时，我们也发现卫星观测数据还存在很大范围的数据空白区，这有待于进一步研究空缺数据的填补处理方法，以生成全球时空连续的XCO2数据。随着主动式探测CO2激光雷达的研制和应用，可以大大提高CO2观测的时空覆盖度[20]。
感谢欧空局提供的SCIAMACHY-XCO2数据集；美国ACOS团队提供的ACOS-XCO2和OCO-2 XCO2数据集；同时也感谢美国地球系统观测实验室(ESRL)提供的CarbonTracker-XCO2模型数据。| [1] |
Schneising O, Heymann J, Buchwitz M, et al. Anthropogenic carbon dioxide source areas observed from space:assessment of regional enhancements and trends[J]. Atmospheric Chemistry & Physics, 2013, 13(5): 2445-2454. |
| [2] |
刘毅, 杨东旭, 蔡兆男. 中国碳卫星大气CO2反演方法:GOSAT数据初步应用[J]. 科学通报, 2013, 58(11): 996-999. |
| [3] |
Hakkarainen J, Ialongo I, Tamminen J. Direct space-based observations of anthropogenic CO2 emission areas from OCO-2[J]. Geophysical Research Letters, 2016, 43(21): 400-406. |
| [4] |
Janardanan R, Maksyutov S, Oda T, et al. Comparing GOSAT observations of localized CO2 enhancements by large emitters with inventory-based estimates[J]. Geophysical Research Letters, 2016, 43(7): 3486-3493. DOI:10.1002/grl.v43.7 |
| [5] |
布然, 雷莉萍, 郭丽洁, 等. 大气CO2浓度时空变化卫星遥感监测的应用潜力分析[J]. 遥感学报, 2015, 19(1): 34-45. |
| [6] |
He Z, Zeng Z C, Lei L, et al. A data-driven assessment of biosphere-atmosphere interaction impact on seasonal cycle patterns of XCO2 using GOSAT and MODIS observations[J]. Remote Sensing, 2017, 9(3): 251-272. DOI:10.3390/rs9030251 |
| [7] |
Wunch D, Wennberg P O, Osterman G, et al. Comparisons of the orbiting carbon observatory-2(OCO-2) XCO2 measurements with TCCON[J]. Atmospheric Measurement Techniques, 2017, 10(6): 2209-2238. DOI:10.5194/amt-10-2209-2017 |
| [8] |
Kulawik S, Wunch D, O'Dell C, et al. Consistent evaluation of ACOS-GOSAT, BESD-SCIAMACHY, CarbonTracker, and MACC through comparisons to TCCON[J]. Atmospheric Measurement Techniques, 2015, 8(6): 6217-6277. DOI:10.5194/amtd-8-6217-2015 |
| [9] |
Connor B J, Rodgers C D. Intercomparison of remote sounding instruments[J]. Journal of Geophysical Research Atmospheres, 2003, 108(D3): 2152-2206. |
| [10] |
Jing Y, Shi J, Wang T, et al. Mapping global atmospheric CO2 concentration at high spatiotemporal resolution[J]. Atmosphere, 2014, 5(4): 870-888. DOI:10.3390/atmos5040870 |
| [11] |
Butz A, Deutscher N M. The greenhouse gas climate change initiative (GHG-CCI):comparative validation of GHG-CCI SCIAMACHY/ENVISAT and TANSO-FTS/GOSAT CO2 and CH4[J]. Atmospheric MeasurementTechniques Discussions, 2014, 6(5): 8679-8741. |
| [12] |
O'Dell C W, Connor B, Bosch H, et al. The ACOS CO2 retrieval algorithm-Part 1:Description and validation against synthetic observations[J]. Atmospheric Measurement Techniques, 2012, 4(1): 99-121. |
| [13] |
Worden J R, Doran G, Kulawik S, et al. Evaluation and attribution of OCO-2 XCO2 uncertainties[J]. Atmospheric Measurement Techniques, 2017, 10(7): 1-28. |
| [14] |
Reuter M, Bovensmann H, Buchwitz M, et al. Retrieval of atmospheric CO2 with enhanced accuracy and precision from SCIAMACHY:validation with FTS measurements and comparison with model results[J]. Journal of Geophysical Research Atmospheres, 2011, 116(D4): 220-237. |
| [15] |
Peters W, Jacobson A R, Sweeney C, et al. An atmospheric perspective on North American carbon dioxide exchange:CarbonTracker[J]. Proc Natl Acad Sci USA, 2007, 104(48): 18925-18930. DOI:10.1073/pnas.0708986104 |
| [16] |
Rodgers C D. Inverse methods for atmospheric sounding[M]. London: World Scientific, 2000: 187-196.
|
| [17] |
Gurney K R, Law R M, Denning A S, et al. Towards robust regional estimates of CO2 sources and sinks using atmospheric transport models[J]. Nature, 2002, 415(6872): 626-630. DOI:10.1038/415626a |
| [18] |
Law R M, Rayner P J, Steele L P, et al. Using high temporal frequency data for CO2 inversions[J]. Global Biogeochemical Cycles, 2002, 16(4): 1053-1070. |
| [19] |
Chevallier F, Broquet G, Pierangelo C, et al. Probabilistic global maps of the CO2 column at daily and monthly scales from sparse satellite measurements[J]. Journal of Geophysical Research Atmospheres, 2017, 122(14): 7614-7629. DOI:10.1002/jgrd.v122.14 |
| [20] |
Han G, Ma X, Liang A, et al. Performance evaluation for China's planned CO2-IPDA[J]. Remote Sensing, 2017, 9(8): 768-789. DOI:10.3390/rs9080768 |