不同卫星反演的大气CO2浓度差异时空特征分析*

吴长江，雷莉萍，曾招城

(1 中国科学院遥感与数字地球研究所 数字地球重点实验室，北京 100094； 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)

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35 d，空间分辨率为60 km,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3 d，空间分辨率10.5 km,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16 d和3 km,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 CO2profile)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

1.1 多源卫星XCO2观测数据

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.7 r)(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3 h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3 h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：

ΔXCO2t=hT(I-a)(XM,t-Xa,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(CO2profile)，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 CO2profile)。

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(30 km×60 km、10.5 km、2.25 km×1.5 km)和重访周期(35、3和16 d)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。

(2)

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。

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。

2.2 卫星XCO2的时空变化特征

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8 d为一个时间单位和30 km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=8 d,R=30 km)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

图2 不同时期各卫星差值(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) fromSCIAMACHY, GOSAT, and OCO-2, respectively

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。

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 dataand from SCIAMACHY, GOSAT, and OCO-2, respectively

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

3 结论

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。