中亚近地面CO2浓度时空分布及驱动因子分析

曹良中，叶辉，张力，骆宗万，王军邦

(1.九江学院 旅游与地理学院，江西 九江 332005；2.中国科学院地理科学与资源研究所 生态系统网络观测与模拟重点实验室，北京 100101)

0 引言

大气二氧化碳(carbon dioxide，CO2)浓度的时空格局动态具有重要的环境效应。一方面，作为人类活动所产生的主要温室气体，CO2浓度上升对全球气候变化产生了显著影响[1]；另一方面，作为植物光合作用的碳源，CO2浓度上升刺激了全球植被生产力增长[2]。由于较高的CO2浓度有助于降低气孔导度和蒸腾耗水，因此近地面CO2浓度变化同干旱区植被水分利用效率及其生产力密切相关[3]。针对中亚干旱区的模拟研究表明，CO2施肥效应是1981—2007年间干旱区碳动态的主要控制因子[4]。因此，揭示近地表CO2的时空格局对模拟气候变化背景下干旱区植被水分利用效率动态，预测未来CO2排放情景下荒漠植被生产力和生态稳定性具有重要意义。尽管如此，由于CO2地面观测站点稀缺且测量方法不统一[5]，加上CO2源汇机制和大气传输过程非常复杂而难以模拟，长期以来缺乏可靠的近地表CO2空间数据，致使对CO2的时空特征的理解不足[6]。由于空间数据的缺乏，大量区域和全球尺度的生态研究仅能参考来自于少数海岛观测的全球年均CO2背景值，却忽视了近地表CO2浓度的时空异质性，因而对研究结果造成了很大的不确定性。随着CO2卫星遥感技术的发展，近期已可以对全球CO2格局进行长期、稳定和高频度(6 h)的观测[7]。根据大气CO2吸收光谱的不同，国外现有的CO2遥感平台分为两种，一种是利用热红外发射光谱观测的传感器，如搭载在Aqua卫星上大气红外探测仪(atmospheric infrared sounder，AIRS)及Metop A(meteorological operational-A)卫星上的高光谱红外探测仪(infrared atmospheric sounding interferometer，IASI)，该类型传感器主要对大气中高层CO2浓度敏感，难以探测到近地面CO2浓度变化；另一种是利用近红外反射太阳光谱来观测的传感器，如搭载在环境卫星(environmental satellite，ENVISAT)上的大气扫描成像吸收光谱仪(scanning imaging absorption spectrometer for atmospheric chartographY，SCIAMACHY)及温室气体观测卫星(greenhouse gases observing satellite，GOSAT)上的热红外及近红外碳观测传感器(thermal and near-infrared sensor for carbon observation，TANSO)以及轨道碳观测卫星(orbiting carbon observatory-2，OCO-2)搭载的一个三波段光栅式高光谱CO2探测仪，其中后者于2014年7月发射，现阶段仅提供大气CO2柱浓度数据。在国内，目前已有多个可以进行CO2观测的近红外高光谱观测仪器，包括中国风云三号气象卫星02批D星(FY-3D)高光谱温室气体监测仪(greenhouse gases absorption spectrometer，GAS)、碳卫星(TanSat)高光谱CO2探测仪(TanSat CO2spectrometer，TSCS)以及高分5号(GF-5)卫星搭载的大气温室气体监测仪(greenhouse gases monitoring instrument-Ⅱ，GMI-Ⅱ)。目前国内尚未发布大气近地面CO2产品。作为世界第一颗专门用于观测温室气体的卫星，GOSAT卫星为CO2格局研究提供了相对较长的时间序列信息，已经被广泛用于检测CO2碳源分布。然而，较少有研究采用GOSAT遥感数据定量阐明CO2分布规律的控制机理[8]。这主要是因为此前研究所关注的地区，如欧美都市圈、中国东部发达地区的地表碳源(如城市、工业区、交通网)和碳汇(如农田、自然植被)具有高度的空间异质性，在每个2.5°×2.5°的GOSAT像元内强烈的碳源和碳汇密集交揉，无法分离各种控制因子。此外，这些区域的气候系统一般比较复杂，盛行风向不定，难以分析周边地区碳源输送对研究区内CO2格局的影响。

鉴于此，本文将研究区域设在中亚干旱区。选择该区域的优势在于以下四个方面。1)由于荒漠植被对CO2响应敏感，因此阐明该区域CO2的分布格局具有重要的生态应用价值。2)该区域内的碳源主要集中在天山北坡城市群一带，除了少数中小城镇外，缺乏明显碳源。碳汇主要以成片分布的森林、草原和大农场为主。在各种碳源/汇间往往以净碳通量极低的荒漠区隔。其较为简单和大粒度的地表源/汇格局有利于配合较粗分辨率的GOSAT数据开展分析。3)该区域远离海洋碳汇的复杂影响，而且其气候常年在西风环流的稳定控制下，各子区域的四季盛行风格局稳定，区域外碳源(欧洲工业区)输入明确。这些因素都有利于简化碳源汇机制的分析难度。4)作为陆上丝绸之路经济带的核心区，开展CO2时空格局监控对管理碳源/汇，实现一带一路的低碳建设具有重要的参考价值。

基于以上考虑，本研究基于GOSAT卫星近地面CO2数据产品，分析了中亚干旱区2009—2012 年CO2浓度的分布特征及其年、季的变化特征，并结合研究区内社会经济数据、生态数据、气象数据，分析了中亚近地面CO2浓度的时空分布格局及其源汇控制机理。

1 资料与方法

1.1 研究区

研究区包括中亚五国(哈萨克斯坦、乌兹别克斯坦、土库曼斯坦、吉尔吉斯坦、塔吉克斯坦)和中国新疆。该区域地处欧亚大陆腹地，介于34.17°N～55.73°N，46.33°E～96.47°E之间，面积为5.638×106km2，占全球干旱区总面积的1/3，是北半球中纬度地带最具代表性的干旱区之一[9]。其中中亚五国地形主要以丘陵和平原为主，西部和中部为广阔的平原，北部主要以丘陵为主，而东部则是天山山脉和帕米尔高原，具有明显的西高冬低的特征。新疆的地形特点是山脉与盆地相间排列，由北向南构成“三山夹两盆”的地形格局。以天山山脉为中轴，把新疆分为北疆和南疆两个自然条件迥异的区域。该区域具有强烈的地理异质性、复杂的气候条件，以及受水分胁迫的植被群落，对全球气候变化的响应较为敏感[10]。

1.2 数据与方法

本研究使用了多套数据集，包括GOSAT L4B(Level 4B)CO2数据产品、世界温室气体数据中心(World Data Centre for Greenhouse Gases，WDCGG)大气浓度本底站CO2数据产品、气候研究中心(Climatic Research Unit，CRU)降水数据、美国国家环境预报中心(National Centers for Environmental Prediction，NCEP)/美国国家大气研究中心(National Center for Atmospheric Research，NCAR)地表温度再分析数据、中分辨率成像光谱仪(moderate resolution imaging spectroradiometer，MODIS)净初级生产力(net primary productivity，NPP)年数据、世界发展银行能源消费数据、中国统计年鉴、数字高程模型(digital elevation model，DEM)数据以及风场数据。

GOSAT卫星于2009年1月23号成功发射，是全球第一颗专门用来测量CO2和CH4的卫星平台[11]。其后继卫星GOSAT-2卫星于2018年10月29日成功发射，但目前尚未发布近地面CO2产品。本文所使用的2009年6月至2012年5月之间的GOSAT v2.03的近地面(975 hPa level)CO2L4B产品地面分辨率为2.5°×2.5°，时间分辨率为6 h(http：//data.GOSAT.nies.go.jp/GOSATUserInterface Gateway/guig/GuigPage/open.do)。在应用GOSAT数据研究中亚干旱区近地面CO2浓度时空分布特征之前，需要对GOSAT数据反演出的近地面CO2浓度进行可靠性评价，本文采用WDCGG大气浓度本底站观测数据(http：//ds.data.jma.go.jp/gmd/wdcgg/wdcgg.html)对GOSAT反演出的近地面CO2产品进行精度验证。因研究区内缺少站点数据，因而选用研究区周围最邻近的10个站点数据作为验证数据，其详细信息如表1所示。

表1 2009年6月—2012年5月本底站观测值与GOSAT CO2反演结果比较

在分析降水以及温度对研究区内近地面CO2浓度季节变化的影响时，选取CRU开发的CRU TS v4.05(CRU Time series version 4.05)逐月降水数据集(https：//sites.uea.ac.uk/cru/data/)以及NCEP/NCAR开发的逐月温度再分析数据(https：//www.esrl. noaa.gov/psd/data/reanalysis/reanalysis.shtml)进行后续分析，其中降水产品的空间分辨率为0.5°×0.5°，温度产品的空间分辨率为2.5°×2.5°，时间覆盖范围均为2009年6月至2012年5月。

为了探讨中亚干旱区近地面CO2浓度与能源消耗的相互关系，本文统计了世界发展银行与中国统计年鉴[12]的能源消费数据。为了探讨中亚干旱区植被碳汇对近地面CO2浓度的影响，本文采用MODIS年均NPP产品(MOD17A3，1 km×1 km；http：//www. ntsg.umt.edu/project/mod17)分析其对近地面CO2浓度空间分布的影响。作为影响近地面CO2浓度最重要的气象因素[13]，盛行风的风速风向对近地面CO2的空间分布具有重要影响。本文所采用的近地面风场数据(975 hPa)来源于再分析资料ERA-Interim，数据水平分辨率为0.75°×0.75°，时间分辨率为6 h(http：//www.ecmwf.int/en/research/climate-reanalysis/era-interim)。本文采用相关分析方法来分析上述人类活动与自然因素对近地面CO2空间分布的影响。

2 结果

2.1 GOSAT卫星数据的地基验证

通过10个大气浓度本底站CO2观测数据对GOSAT近地面CO2浓度的验证，可以发现在三年间，(2009年6月—2012年5月)地面观测值与GOSAT反演结果之间具有高度相关性(R2=0.868，RMSE=2.644)(图1)。

图1 GOSAT反演出的近地面CO2浓度与大气浓度本底站实测CO2浓度间的点对点比较(2009年6月—2012年5月)

由表1的统计结果可以看出，所有大气浓度本底站的观测值与GOSAT反演结果之间的相关系数均大于0.8，月平均偏差均小于三百万分之一ppmv(parts per million by volume)(1 ppmv=1 μL/L)，而CO2的季节波动平均值约为5 ppmv[14]，可见 GOSAT反演结果可以用来捕捉CO2的季节波动特征。基于大气浓度本底站获得的各站点CO2浓度年均增长率的平均值为2.191 ppmv·a-1，而对应的卫星反演结果显示年增长率为2.483 ppmv·a-1，两者偏差小于0.3 ppmv·a-1，说明GOSAT反演数据能够很好地捕捉 CO2年际变化规律。Rayner等[15]研究证明，当CO2浓度精度优于1%(误差小于4 ppmv)时，可以减小对区域CO2源汇估计的不确定性。综上所述，GOSAT L4B近地面CO2浓度数据精度高、稳定性好，可以用于中亚干旱区近地面CO2浓度时空分布特征的分析。

2.2 中亚干旱区近地面CO2浓度时空分布特征

中亚干旱区多年(2009年6月—2012年5月)平均近地面CO2浓度分布呈现出明显的空间异质性。高值区主要分布在哈萨克斯坦北部、西部，土库曼斯坦的西南部以及乌兹别克斯坦、吉尔吉斯坦、塔吉克斯坦三国接壤地区，低值区主要分布在新疆以及哈萨克斯坦的东部、中部地区(图2)。

注：该图基于自然资源部标准地图服务下载的审图号为GS(2020)4403号的标准地图制作，底图无修改。图2 中亚地区近地面CO2浓度多年年均CO2空间分布(2009年6月—2012年5月)

中亚干旱区近地面CO2浓度的年、季节浓度统计结果如表2所示。六个国家/地区中，年平均浓度最高的区域为土库曼斯坦，浓度为391.853 ppmv，年平均浓度最小的区域为中国新疆地区，浓度为390.927 ppmv。在年均增长率方面，三年间年均增长率最高的区域为塔吉克斯坦，年均增长2.515 ppmv·a-1，比增长速度最慢的新疆地区高出了12%。

中亚干旱区近地面CO2浓度在季节与月变化方面，呈现出了明显的季节、月循环特征，如图3所示。从图3(b)可以看出，六个区域近地面CO2浓度在一年中每个季节都比上一年对应季节的近地面CO2浓度要高。中亚干旱区近地面CO2浓度除了在2011年11月比2010年11月减少0.328 ppmv外，在其他月份近地面CO2浓度都比上一年相同月份浓度高(图3(a))，反映出大气CO2持续增长的事实。从多年月平均值来看(图3(c))，新疆地区在4月份达到最大值，而其他中亚国家则是在3月份达到最大值；六个区域中除了哈萨克斯坦在7月份达到最小值以外，其他五个地区则是在8月达到最小值。在季节变化方面(图3(d))，六个区域近地面CO2浓度均是在夏季取得最小值，哈萨克斯坦、新疆地区在春季达到最大值，而其他四个区域则是在冬季达到四季中的最大值。相邻季节之间的浮动最大的是春季到夏季之间的变化，浮动最小的季节是冬季到春季之间的变化。由表2可知，中亚干旱区相邻季节之间浮动的平均值为4.933 ppmv，相邻季节之间浮动最大的区域为哈萨克斯坦，其浮动的平均值为浮动最小区域新疆地区的1.43倍。

表2 2009年6月—2012年5月间中亚干旱区年、季节变化统计

图3 中亚干旱区2009年6月—2012年5月间近地面CO2浓度

3 讨论

3.1 中亚干旱区近地面CO2浓度季节变化特征影响因素分析

为了分析中亚地区近地面CO2浓度季节变化的影响因素，本文计算了研究区内近地面CO2浓度、降雨以及温度多年(2009年6月—2012年5月)月平均值以及它们之间的相关系数(图4)。由图4(a)可知，中亚干旱区在春季(3月)近地面CO2浓度达到最高，夏季(8月)近地面CO2浓度最低，3—8月是全年近地面CO2浓度下降期，其中5—6月下降幅度最大(5.57 ppmv)；秋季CO2浓度呈现出上升趋势，冬季CO2浓度持续增高，到了春季达到顶峰。研究区内近地面CO2浓度呈现这种季节变化规律的主要原因分析如下。1)在冬季和春季，中亚干旱区集中供暖，消耗大量的天然气、煤炭、石油等化石能源，由此产生的大量CO2被排放到大气中。2)春冬季植物处于休眠期和复苏期，植物的呼吸作用强而光合作用较弱，对CO2吸收能力较差，集中排放与弱消耗导致该时期大气CO2浓度剧増，造成大气中CO2浓度升高。3)冬季气温较低不利于植物落叶分解，土壤微生物活动也受到抑制，春季后期气温开始上升，土壤微生物活动加强使得CO2从送些生物质中被分解释放出来，同时还释放了土壤中的CO2，因此卫星观测到的CO2近地面CO2最高值出现在3月。4)由图4(b)可以看出，降水与近地面CO2浓度相关性较差(R2=0.162，p<0.01)，其主要原因可能是降水通过影响植被光合作用进而对近地面CO2浓度产生作用，然而中亚属于干旱、半干旱地区，常年降雨较少，植被用水主要以冰雪融水为主，尤其是夏季，因而降雨量与近地面CO2浓度相关性较差。由图4(c)可知，温度与近地面CO2浓度呈强负相关关系(R2=0.653，p<0.01)。温度通过影响光合作用效率进而影响植被对CO2的吸收，在一定范围内温度升高，植被吸收CO2能力增强，进而导致近地面CO2浓度降低。在3—8月份，随着光照强度、温度的上升、冰雪融化供水增加，光合作用效率提高，从而使该时期近地面大气CO2浓度逐渐降低。

研究表明，中亚干旱区CO2的年内季节波动最大，可达12.363 ppmv，远高于同期世界CO2的年内季节变化量(4.3 ppmv)[15]。忽略CO2的季节和空间变异，会严重影响到生态系统模型对干旱区植被生产力和碳动态的预测精度。

图4 中亚近地面CO2浓度、温度、降水多年月平均变化趋势及关系

3.2 中亚干旱区近地面CO2浓度空间分布异质性影响因素分析

图5展示了2010年(2010年1月—2010年12月)中亚干旱区盛行风风向、风速以及以等直线表示的近地面CO2浓度的分布情况。由图中可以看出：哈萨克斯坦北部盛行东南风，西部盛行西风，南部与阿富汗接壤的地区盛行南风；在地形上中亚五国西低东高；在CO2的分布上，由于独特的地理位置，在周围的国家和地区中，除了南部的阿富汗以及西部的中国新疆以外，其他地区均是CO2强排放区。在以上三种因素的综合作用下，中亚五国北部、西部、西南部CO2浓度较高，中部、东部、南部、东南部CO2浓度较低。

图5 中亚及周边区域近地面CO2浓度分布及盛行风风速、风向示意图

为了讨论风对中亚五国的影响，划定图5中矩形区域为感兴趣区讨论风在该区域的作用。在不考虑CO2扩散的情况下，区域内人烟稀少，植被覆盖度大体相同，因而从理论上讲，区域内的CO2浓度应该大体相当。但是通过绘制CO2等值线，本研究清晰地发现自西向东，在风的影响下CO2浓度西高东低。而CO2等值线之间的距离代表了风从西边带来的CO2对本地区的影响。由图5可知，自西向东，CO2等值线之间的距离先是逐渐增大，到达中亚干旱区中部后又逐渐减小，这表明由西向东风对CO2的扩散作用逐渐降低，到达中亚五国中部以后，另外一个因素——陆地生态系统对该区域内CO2浓度分布起着支配作用。

本研究通过在中亚区域内选取若干个研究区，提取该区域内NPP以及对应的CO2平均浓度来说明该区域内CO2的支配因素(图6)。如图6(a)所示，首先在中亚五国区域内及边界附近采用等大的矩形框均匀选取23个采样点，统计这些样点内的NPP以及近地面CO2的平均浓度。由图6(b)可以看出，NPP与CO2浓度具有负相关的特征，但是相关性较差(图6(b)，R2=0.402)。当去掉靠近边界那些受风影响较大的采样点，而只保留中亚干旱区中部、东部的采样点后(图6(c))，NPP与CO2浓度呈现出较强的负相关特征(图6(d)，R2=0.795)。

注：该图基于自然资源部标准地图服务下载的审图号为GS(2020)4403号的标准地图制作，底图无修改。图6 不同采样方案下中亚五国近地面CO2浓度与NPP关系

综上所述，受地形地貌、风速风向的影响，中亚五国CO2浓度在整体上与陆地生态系统在统计学上并不具备相关性，但是在伴随着风对西部CO2扩散影响的减弱，从中部到东部区域，陆地生态系统对近地面CO2浓度的空间分布起主导作用。

从图7可以看出，在国家尺度上，中亚五国近地面CO2浓度与固体能源、液体能源以及气体能源消费时所排放的CO2总量呈正相关关系，且相关性较强(图7(b)，R2=0.421，p<0.01)。这一结果表明，中亚五国近地面CO2浓度的分布不仅受周边国家CO2排放的影响，本地区能源消耗产生的CO2对本地区CO2浓度分布亦有影响。

由于风对来自西部CO2扩散作用的逐渐减弱，以及天山和帕米尔高原的阻隔，使得新疆地区没有受到西部CO2浓度扩散的影响。得益于其独特的三山夹两盆的地形，使得新疆CO2浓度较少受到外区域CO2浓度扩散的影响。由2010年CO2浓度空间分布图可以看出，新疆CO2浓度空间分布具有以下特征：以天山为界限，北疆CO2浓度明显大于南疆CO2浓度。通过分析新疆地区不同地市的能源消耗排放CO2量、新疆地区NPP数据(图8)，本文可以得出如下结论：新疆CO2分布的空间异质性主要是由能源消费所引起，尽管新疆北部的阿勒泰、塔城地区能源消耗较少，但是在西北风的影响下，其浓度较高，NPP对新疆地区的影响并不显著。

图7 中亚五国能源消费所产生的CO2排放量与该区域近地面CO2浓度

注：该图基于新疆维吾尔自治区自然资源厅网站下载的审图号为新S(2019)044号的标准地图制作，底图无修改。图8 新疆地区各县市能源消费量、盛行风风速风向及NPP空间分布(2010年)

4 结束语

本文借助于GOSAT近地面CO2产品以及相关的辅助数据，对中亚干旱区近地面CO2浓度及其影响因素进行了研究，主要的结论归纳如下。

1)GOSAT反演的近地面CO2产品与中亚干旱区周围的10个站点具有高度的相关性，相关系数均大于0.8，月平均偏差小于3 ppmv。GOSAT结果具有高精度、高稳定性，可以用来捕获近地面CO2的季节以及年际变化特征。

2)中亚干旱区近地面CO2浓度分布具有明显的空间异质性。中亚干旱区近地面CO2浓度东部高于西部，中亚五国靠近边界的浓度高于中部的浓度，高值区呈现“⊂”形分布。

3)中亚干旱区近地面CO2呈现出年增长趋势，年均增长率为2.442 ppmv·a-1，反映在季节与月份上，除个别月份外，各个季节近地面CO2浓度相较于上一年相同季节的浓度值均有所增长。在季节与月变化方面，呈现出季节循环与月循环特征。

4)中亚干旱区近地面CO2浓度在时间变化上的变化特征主要是受到陆地生态系统光合作用与呼吸作用、供暖等的影响，在不同季节起决定性作用的因素不同。在空间变化上，受地形与盛行风影响，中亚五国CO2浓度的空间分布受到周边国家CO2排放的影响，随着CO2浓度扩散影响的逐渐减弱，中亚五国中部以及东部受NPP影响较为显著。受地形影响，新疆近地面CO2浓度较少受到区域外CO2浓度扩散的影响，空间异质性主要是由能源消费以及盛行风的影响，NPP对CO2浓度的影响并不显著。

尽管本文对中亚地区近地面CO2浓度时间分布特征的影响因素进行了分析，但是由于GOSAT反演的CO2浓度数据时间尺度较短，对进一步深入分析形成障碍，以上问题将是下一步研究的重点。