遥感技术在“双碳”目标实现中的应用进展

张晓娟 李东杰 刘思含 王昊* 李小涵 李春林 宗继彪 王宇翔

遥感技术在“双碳”目标实现中的应用进展

张晓娟1李东杰2刘思含3王昊1*李小涵1李春林4宗继彪1王宇翔1

（1 航天宏图信息技术股份有限公司，北京 100195）（2 国家发展和改革委员会国家投资项目评审中心，北京 100037）（3 生态环境部卫星环境应用中心，北京 100094）（4 中国科学院森林生态与管理重点实验室，沈阳 110016）

在全球努力实现碳中和目标的背景下中国也提出了“30-60”双碳目标。遥感技术有着地域范围广、追溯时期长的特点，因此，遥感可以快速、连续地获得全球碳源/汇空间分布和变化特性，可以在碳汇估算和管理、全球碳排放监测以及方面有着广阔的应用。文章首先综合阐述了陆地碳循环的模式，遥感技术在“双碳”目标实现中可以应用的领域、包括温室气体监测、碳排放源监测、陆地碳循环、遥感定量计算碳通量等。对关键概念进行了解释。然后，分析了遥感技术在遥感定量计算不同碳通量中使用到的方法和研究进展，同时提出了遥感监测碳排放和定量估算碳通量中可能存在的问题。

碳汇 陆地碳循环 碳通量 遥感应用

0 引言

二氧化碳（CO2）和甲烷（CH4）等温室气体是导致全球变暖和气候变化的重要因素之一，气候变化导致极端气候频发，对陆地生态系统的功能产生了深远的影响[1]。据统计，目前全球每年排放的CO2有400亿吨，中国是世界上最大的能源消费国和CO2排放国，占全球排放量的30%，2017年占全球化石燃料排放量的约27%（每年26.7亿吨），国家面临气候变化和空气污染的双重挑战。

2020年9月，习近平总书记在第75届联合国大会上宣布了中国的CO2排放目标：力争在2030年实现“碳达峰”，并在2060年实现“碳中和”。“碳中和”是指静零碳排放[2]，其概念是人为排放的CO2被人为努力和自然过程所吸收，即通过森林、土壤、海洋等固碳过程吸收大气中的CO2。出于改善空气品质的考虑，针对“碳达峰”的问题我们已经明确应该尽量降低峰值，而对于如何实现“碳中和”还有众多需要研究的问题。实施“碳中和”最核心的手段和途径是减少CO2和CH4等温室气体排放和增强陆地固碳作用，除了自然过程外，涉及人为减排、能源结构调整、人工碳汇等有序人类活动手段的实施[3-4]。做好“双碳”工作，对社会经济高品质发展、保护地球生态、推进应对气候变化的国际合作等都具有重要意义[5]。

准确核算中国的CO2排放量是实施减排政策的第一步[6]。目前传统的依赖于在线监测和清单算法的“自上而下”的人为碳排放计算方法虽然得到了广泛应用，但受限于观测数据的精度和覆盖率，主要用于评估自然生态圈的CO2通量和湿地的CH4通量[7-8]。近几年，国内外开始探索利用卫星数据监测人为排放，如利用轨道碳观测卫星-2（Orbiting Carbon Observatory-2，OCO-2）观测研究城市XCO2分布[9]和估测OCO-2轨迹附近发电厂的CO2排放[10]。2019年第49届联合国政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC)大会明确了利用大气观测通过“自上而下”通量计算对排放清单进行支撑和验证，大气遥感碳监测技术以及同化反演技术方法的应用成为了我国实现“碳达峰”、“碳中和”目标急需探明的重要问题[9,11]。

在过去的几十年里，遥感技术广泛应用于陆地碳循环受到了研究界的极大关注，从1980年代开始，遥感技术便开始广泛的应用于不同尺度生态系统碳动态的空间格局、年际变化与长期趋势等方面研 究[12-14]，在不同时空尺度的生态系统碳储量和碳通量估算和全球变化对碳动态的影响及对气候的反馈研究中起到了重要的作用[12,15-18]。2000年以来，随着全球温室气体监测需求的增加，传统的地基网络观测数据由于空间分辨率不足，并且海洋、沙漠等地区的观测信息缺失较多，难以满足全球范围内温室气体监测的需求。利用温室气体卫星遥感监测人为碳排放，可以在较高的空间分辨率上实现全球观测，为碳监测研究、全球碳循环、气候变化和温室气体减排等提供重要的科学依据。

随着空间信息技术和计算科学的迅速发展，“双碳”目标的提出，陆地碳循环问题的日益突出、机理的日益明确、在大尺度陆地生态系统碳循环研究中的作用日益突出和技术的日益成熟，遥感技术在地表碳循环以及检验分析全球变化对于碳动态和气候的影响中的应用日益深入，将具有大面积同步观测优势的遥感技术与地球物理化学方法相结合，不仅可以缩短测量时间、节省测量成本，还可以大范围空间连续观测有机碳库的来源组成。

本文主要阐述陆地生态系统的固碳作用及遥感技术在人为碳排放监测和陆地碳循环对陆地碳库、来源组成及其时空动态分布的遥感观测中的应用，并从生产力和地上生物量等遥感监测技术发展、温室气体监测卫星发展的角度对陆地碳循环的主要遥感监测方法。

1 遥感碳监测方法概述

1.1 陆地碳循环的基本问题

陆地生态系统在吸收CO2的过程中起着重要作用。陆地生态系统通过光合作用“呼吸”CO2，并通过呼吸将碳释放到大气中，因此在全球碳循环和地球气候中发挥着重要作用[19]。目前全球每年排放的CO2，约有31%被陆地吸收，46%留在大气中，23%的被海洋吸收[20]。本节主要介绍陆地碳储量、碳通量和碳汇的概念和主要分析指标。因此，更好地理解和评估极端气候对陆地碳循环的影响，可以为促进我们社会缓解和适应气候变化提供重要的科学依据[21-22]。

陆地碳循环是指碳元素在陆地生物圈、土壤圈、岩石圈和地球大气中的交换，是陆地生态系统变化的关键过程。陆地生态系统的碳储量是指陆地生态系统储存的碳元素的总和，主要从生物量和土壤有机碳的角度分析。土壤是陆地生态系统中最大的碳库[23-24]，土壤中相对较小的变化可能会导致大气CO2浓度的波动。

陆地生态系统的碳通量是指通过陆地生态系统的碳元素的总和，在不同生态系统尺度上常用总初级生产力（Gross Primary Production，GPP）、净初级生产力（Net Primary Production，NPP）、净生态系统生产力（Net Ecosystem Production，NEP）、生态系统呼吸（Ecosystem Respiration，ER）和净生物群区生产力（Net Biome Production，NBP）等作为评价陆地生态系统碳通量的指标，也是评价陆地生态系统固碳能力的重要指标。

陆地碳汇通过碳通量的方向判断碳源/汇，陆地生态系统可通过其碳汇功能有效吸收大气CO2，减缓气候变暖。其基本问题在于监测碳排放和陆地固碳作用，分析陆地生态系统碳汇的时空变化特征，探明森林、草地、农田等生态系统中植被、土壤等碳汇量在不同生态系统格局中的分布情况及土地利用变化对碳通量的影响等问题。

估算区域陆地生态系统碳汇的方法可分为两大类：“自下而上”和“自上而下”。“自下而上”方法是指将场地或网格的地面观测和模拟结果整合到区域估算中。常用的“自下而上”方法包括清单法、涡度协方差法和生态系统过程建模法。“自上而下”方法主要指根据大气CO2浓度反演陆地生态系统碳汇，即大气反演[25-27]。

1.2 生物量、土壤有机碳和植被生产力的遥感监测

遥感影像广泛应用于碳通量和碳储量估算中。从可见光到微波波段的遥感数据都可以用来对生态系统碳通量和碳储量进行定量分析。其中，GPP，NPP，ER，NEP，NBP和生物量可以用光学传感器获得的可见光、近红外和短波红外（Shortwave Infrared，SWIR）波段遥感数据进行估算。ER可以利用热红外波段（Thermal Infrared，TIR）遥感数据反演的地表温度（Land Surface Temperature，LST）进行估算，还可以使用雷达数据或将雷达数据与传统光学遥感数据结合来估算。Berninger等人结合雷达数据来估算碳通量和碳储量，以补偿恶劣天气影响的光学传感器[28]。

表1总结了用于生物量、土壤有机碳和碳储量主要遥感卫星资源，包括目前最常用的NOAA/ AVHRR、MODIS、陆地卫星TM/ETM+和QuickBird等光学遥感数据源、SAR卫星数据源、LiDAR数据源等。

碳通量、碳储量遥感监测常用的模型主要有植被指数拟合模型、光能利用率模型、太阳能诱导的叶绿素荧光（Solar-Induced Chlorophyll Fluorescence，SIF）驱动的生产力拟合模型和基于机器学习的非参数拟合模型。

表1 碳通量、碳储量监测的主要遥感卫星资源

（1）植被指数拟合模型估算生产力

通过光学遥感测量所得的植被指数（VIs），结合了叶绿素易吸收的红波段和树叶、树冠结构易反射的近红外波段（NIR），从而可以反映出包括冠层结构、叶绿素含量、植物物候等信息。植被指数可以用于植物“绿度”的现状和范围以及不同空间时间的对比等。早期出现的植被指数，例如归一化植被指数（Normalized Vegetation Index，NDVI）[29]、正交植被指数（Perpendicular Vegetation Index，PVI）[30]、绿度植被指数（Green Vegetation Index，GVI）[30]以及后来的绿度和叶绿素指数，比如增强植被指数（Enhanced Vegetation Index，EVI）[31]、宽范围动态植被指数（Wide Dynamic Range Vegetation Index，WDRVI）[31]、MERIS陆地叶绿素指数（MERIS Terrestrial Chlorophyll Index，MTCI)[32-33]也都被广泛地应用于估算植物生产力的研究中。

植被指数可用于估算基于光吸收的生态系统过程的速率（例如，光合作用）。因此，植被指数被广泛用于研究大尺度植物生产力。其中，由于通量塔生产力数据是冠层顶端观测数据，不需要考虑树冠结构或者叶面积指数等因素，更适合与植被指数直接进行拟合。

（2）使用光能利用率（LUE）模型估算生产力

LUE模型是基于Monteith[34]于1972年提出的“农作物的生产力在灌溉和施肥的条件下，和作物冠层吸收的光合有效辐射（Absorbed Photosynthetically Active Radiation，APAR）呈一定的线性关系”的理论。在真实环境条件下，潜在的光能利用率受到水、温度和其他环境因素的影响。因此，GPP或NPP可以依此理论，用APAR乘以最大LUE和环境胁迫因子进行模拟计算。

遥感数据可以提供植被种类、长势、环境条件等信息，因此在LUE方法中起着重要的作用。吸收光合有效辐射吸收比例（Fraction of Photosynthetically Active Radiation，FPAR）可以基于同遥感提取的植被指数的关系获得，同时传感器的多样化，使得遥感可以提供更广泛的空间区域和时间范围的FAPAR产品。早在1984年，文献[35]就提出NDVI和APAR或FAPAR之间存在着一定的线性关系，因此，NDVI也和植物的生产力相关联。同时NDVI和FAPAR之间的关系也被Ruimy等[36]和Fensholt等[37]用实地测量数据所证实，尽管这种线性关系受到冠层种类、植物自身结构、土壤和太阳照射方向以及在高值区域（例如NDVI>0.7）出现饱和状态等条件约束。遥感还可以提取其他两个LUE模型重要的输入参数：水分胁迫[38]和入射辐射[39]，除此之外，遥感还可以提供空间直观的土地利用类型信息，用于最大LUE和其他模型参数的确定。

使用遥感数据的LUE模型被广泛用于定量计算GPP和NPP。许多LUE模型被开发并广泛用于定量估算GPP和NPP，这些模型都考虑了植物的生理调节（土壤湿度或大气的饱和水汽压差（Vapor Pressure Deficit，VPD）），有一些还考虑了大气中的CO2对于植物的肥力效应。其中，Carnegie Ames Stanford Approach（CASA）模型使用NDVI或EVI模拟NPP[40]。CASA模型广泛用于在地区和全球尺度上模拟碳动态，尽管CASA在模拟碳通量的时候会出现较大的偏差。除此之外，使用MODIS数据的LUE方法被用于生产目前常用的标准MODIS GPP/NPP遥感产品，图1为使用MODIS数据制作的全球2000–2005年平均GPP/NPP。

图1 全球2000-2005年平均总初级生产力和净初级生产力

植被指数还与气象数据（温度、饱和水汽压差、太阳辐射）一起在不同空间尺度上通过LUE模型用于估算GPP。除此以外，植被指数也被单独用于估算GPP，以此避免气象数据和LUE条件带来的制约，同时可以简化模型和模拟过程。

（3）使用SIF来估算GPP

植物吸收的光能只有光合作用、热耗散和荧光三个去向[41]。植物用于进行光合作用的光能不到吸收光能的20%，绝大多数光能则以热量的形式耗散掉，还有一部分光能损耗以较长波长（红光和远红光部分）的叶绿素荧光方式释放（通常不到1%的入射量），三者之间此消彼长[41]。因此，SIF和光合作用有着很密切的联系，相比其他生物物理指标和植被指数，SIF更适合用来反应GPP。SIF和GPP之间的关系已被很多实地测量研究所证实[42-43]，这些研究表明SIF可以被用来表征植物实际的光合活动。Joiner等[44]和Frankenberg等[45]分别在2010年和2011年使用温室气体观测（Greenhouse Gases Observing Satellite，GOSAT）卫星数据提取了755nm～775nm处SIF数据并绘制了SIF的全球分布图，使得卫星SIF的应用研究取得了重大突破。此后，基于星载光谱仪器多个SIF全球数据集被制作出来，其中包括GOME-2（the Global Monitoring Ozone Experiment 2）和SCIAMACHY（the Scanning Imaging Absorption Spectrometer for Atmosphere CatograpHY）[46]、OCO-2[47]、TROPOMI（the Tropospheric Monitoring Instrument）和我国的碳卫星（TanSat）[48-49]等。其中，GOME-2 SIF数据集是应用最广泛的一个，因为它空间连续性好、覆盖全球，并且时间序列长，尽管空间分辨率较低（40km´40km）。OCO-2则相反，地表采样面积较小，但是空间分辨率较高（轨道最低点时为1.3km´2.25km），这一特点使OCO-2可用于提取SIF信息并与通量塔测量数据进行比较从而进行生态系统尺度的反演[50-51]，从而为探寻SIF和GPP之间的关系提供重要的信息。除此之外，OCO-2遥感数据也被用于反演全球尺度时空连续的SIF，Li和Xiao使用OCO-2 SIF数据、MODIS数据和气象再分析数据，开发了2000年至2020年全球8天0.05°SIF产品（GOSIF）[52-53]，见图2。

（注：https://globalecology.unh.edu/data/GOSIF.html）[53]。

基于快速发展的SIF遥感数据产品，许多探寻生态系统尺度到全球尺度的SIF和GPP之间关系的研究得以进行。例如，Frankenberg等发现GOSAT SIF和数据驱动模型估算的年度全球GPP网格数据存在着强线性关系；Guanter等也发现相同的强线性关系同时存在于月度平均单一生物群落GPP和SIF之间[54]。Li等对OCO-2 SIF数据和通量塔数据进行了全球尺度的分析，结果也显示在生态系统层面上SIF和GPP有着强相关[17]。

（4）使用数据驱动或者机器学习方法估算生物量和植被生产力

过去十多年内，遥感被应用于从通量塔到大范围地区的通量观测中。随着通量塔的数量逐渐增多，生态系统和大气之间的碳、水和能量交换，可以被连续的记录下来。

尽管全球有着大量的通量塔（2015年时有750座），但是这些通量塔并没有均匀分布，并且通量塔测量得到的数据只能反映较小范围的情况。因此，使用通量塔观测数据进行区域以及全球范围内的碳通量定量计算，需要进行升尺度处理。数据驱动方法则可以用来进行对碳通量从站点到地区以及全球范围的升尺度计算。

机器学习方法包括人工神经网络[55]、决策树[56]、支持向量机、分段回归和随机森林等。与回归方法不同，机器学习算法或非参数方法在生物量估计中可以轻松处理大量与生物量线性或非线性相关的遥感和辅助数据的解释变量。

1.3 CO2、CH4等温室气体浓度的遥感监测

在全球增温和气候变化的背景下，大范围的温室气体监测成为研究热点。CO2、CH4是最重要的温室气体，遥感卫星数据可以用于追踪碳排放的历史变化。传统的温室气体监测依赖于地面站，但是由于一些地区的站点数量较少，监测站点的代表性和覆盖范围有限，并且不同站点之间的数据品质一致性可能难控制。这些都使研究过去的碳排放状况中存在着很多难题，对通量数据的估算大多都是后验估计[57]。随着全球范围温室气体浓度监测需求增加，遥感碳监测从1999年开始发展，搭载于ENVISAT（ENVIronmental SATellite）卫星上的SCIAMACHY（Scanning Imaging Absorption Pectrometer for Atmospheric CartograpHY）探测仪，是首个采用短波红外吸收带作为探测波段的星载探测器。随后，日本2009年发射的GOSAT、美国2014年发射的OCO-2、中国2016年底和2018年发射的碳卫星（TanSat）和“高分五号”卫星等，为第一代和第二代温室气体监测卫星，都被用于遥感碳监测（CO2，CH4，CO）。2019年IPCC全会发布指南，提出将“自上而下”的大气观测方法作为碳排放清单法的佐证，促进了大气观测卫星技术的发展。NASA于2019年将OCO-3发射至国际空间站（ISS），并随着ISS在51°S到51°N的低倾角轨道运行，目标在于探测人类CO2排放较为集中的地区（见表2）。中国也在2019年之后致力于高光谱遥感和新一代的碳监测卫星，探索高轨静止卫星与低轨极轨卫星相结合、主动与被动探测相结合的卫星系统研究[11]。

表2 全球主要的温室气体监测卫星

国际上从SCIAMACHY卫星数据开始研究碳监测卫星遥感反演方法，CO2反演算法主要有：NIES-FP，ACOS，UoL-FP，RemoTec，IAPCAS等。其中，IAPCAS卫星遥感CO2反演算法是中国科学院大气物理研究所团队开发的基于最优估计的全物理温室气体遥感算法[58]。中国2016年碳卫星Tansat 发射，同时开展了TanSat XCO2反演算法研发、碳源汇同化系统研发和卫星数据科学应用等工作，在全球CO2排放动态监测、碳通量估算及陆地生态系统植被研究等方面发挥着重要作用[59]。2018年Yang等[33]发布TanSat第一张全球XCO2分布图，并利用了碳柱浓度管网格（The Total Carbon Colum Observing Network，TCCON）站点数据进行了验证，结果显示平均精度为2.11´10–6，满足观测精度需求。

目前，中国陆地碳汇精确大气反演的瓶颈是缺乏长期大气CO2浓度观测数据和高空间分辨率的观测数据，难以满足日常的省级高空间分辨率碳收支评估工作，扩大地面CO2观测网势在必行。为了科学高效地构建这样一个网络，有必要根据大气传输模型跟踪CO2，评估潜在地点的效率，并评估观测数据是否有效降低了基于大气反演模型的区域碳预算估算的不确定性，建设成本效益高的观测网络。同时，成熟的卫星遥感CO2柱浓度数据可以作为补充数据源，填补地面CO2观测的空白。到目前为止，中国已经发射了3颗碳监测卫星，是目前世界上拥有温室气体卫星最多的国家[11]。在IPCC明确将“自上而下”的通量计算方法佐证清单法进行碳排放监测后，我国有必要研发新一代高时空分辨率的国内温室气体浓度监测卫星，同时建立高分辨率辐射传输模型和分子光谱数据库，以提高CO2柱浓度观测的准确性，有效提高中国陆地碳汇的反演能力。

2 全球和中国陆地碳汇特征及土地利用变化对碳通量的可能影响

2.1 全球和中国陆地碳汇特征

目前，针对我国陆地生态系统的固碳能力、固碳现状和发展潜力的研究还很少。全球陆地碳汇主要分布在北半球中高纬度地区，而热带地区表现为微弱的碳汇或碳源，不同类型生态系统的碳汇大小存在差异[60]。Wang等人在2009年至2016年利用中国6个大气测量网点的大气CO2摩尔分数数据，估计了2010年至2016年间中国陆地碳汇的年平均值为（1.11±0.38）Gg，约等于年人为排放量的45%[61]，该文对估算我国陆地生态系统固碳潜力以及实现碳达峰和碳中和目标具有重要意义[20]。Yang等学者综述多篇文献分析全国和全球陆地碳汇特征，结果如表3所示。分析发现如下事实：1987–1990年全球碳汇为–0.9Pg/a，除上时间段外，1990–2010年间碳汇在（1.1～2.15）Pg/a之间；1949–1980年中国碳汇为–0.02Pg/a，1980–2005年的碳汇在（0.02～0.16）Pg/a之间，2005–2015年间碳汇有明显增强，平均值为0.59Pg/a[60]；全球草地生态系统碳密度为（115～181）Mg/ha，碳储量在（392～634）Pg之间，中国草地生态系统碳密度和碳储量分别在（90～151）Mg/ha和（17～60）Pg之间[60]。

表3 全球和中国陆地碳汇特征

通过分析近70年我国主要生态系统的碳汇变化趋势发现：近70年我国森林生态系统从碳源向碳库逐渐转变。1980年代是个明显的分界线，1980年代以前森林砍伐导致森林面积锐减，此后大规模的造林运动和一系列森林保护政策使得我国森林生态系统转变为碳汇。不同的研究得到的草地碳源汇特征存在显著差异，基于碳专项得到的草地生态系统的碳汇是–3.36Pg/a，基于过程和统计模型得到的草地生态系统碳汇是13.1和17.58Pg/a，草地逐渐由碳汇转向碳中和或者弱碳源。灌丛生态系统碳汇特征基本一致，整体表现为碳汇，基于过程模型和统计模型得到的灌丛生态系统碳汇在（0.3～0.6）Pg/a之间。荒漠生态系统整体表现为碳汇且呈上升趋势，土壤有机碳库从1980年代的1.5Pg上升至2010年代的1.7Pg。湿地生态系统占我国国土面积的4%，湿地碳汇具有较大的空间异质性，青藏高原湿地生态系统为弱碳源（‑0.08Mg/ha/a），辽河、长江三角洲滨海、三江平原和松嫩平原等湿地生态系统均为碳汇，在（0.6～4.6）Mg/ha/a之间，其中辽河区域的碳汇最强为4.6Mg/ha/a[60]。此外已有的碳收支项目研究表明中国地表每年的固碳速率约等于（10～40）亿吨CO2。森林在2060年以前会达到固碳的峰值，之后固碳速率会降低。我国建设的生态工程固碳总量约占我国陆地生态系统年固碳量的56%[20]。

本文研究团队基于CASA模型和IGBP第4类植被分类体系计算出的2018、2019年我国林地碳汇分别为1.12Pg和0.95Pg，草地碳汇分别为1.03Pg和0.93Pg，草原碳汇分别为1.30Pg和0.82Pg，湿地碳汇分别为0.012Pg和0.2Pg。基于BEPS（Boreal Ecosystem Productivity Simulator）模型分析青海省2014–2020年GPP、NPP、NEP变化趋势结果如图3（a）-（c）所示。由图3可知，2014–2020年青海省年均GPP、NPP、NEP均呈现缓慢上升的趋势，并在2018年达到峰值，分别为386.49g/m2、250.07g/m2、33.51g/m2，2019年和2020年略有降低。基于BEPS模型分析云南省2014–2020年全省的NPP和各市/州的NPP结果如图3（d）和图4所示，2014–2020年云南省NPP整体呈现先增长后下降的趋势，并在2017年达到峰值，为888.94g/m2，全省中昆明市的年均NPP值最小，为661.66g/m2，怒江州的年均NPP值最大，为1026.1g/m2。

2.2 土地利用变化对碳通量的可能影响

土地利用和土地覆盖变化产生的碳净通量在全球碳汇研究中具有重要意义。在量化其影响的过程中，因为毁林和造林率的不确定性、计算碳通量的方法也存在差异，实际发生变化的土地碳密度和碳通量较难准确估算[62]。一些学者利用卫星数据估算与不同土地利用和覆盖类型相关的生物量，以计算碳储量及其历史变化，从而估算区域、国家和地区碳甚至是全球范围储量的现状和变化[63-64]。Friedlingstein 等分析2000–2009年碳通量的变化，发现年平均净通量可归因于森林砍伐，较小的部分可归因于森林退化。总排放量的情况正好相反，森林退化导致占总排放量的比例大于毁林造成的总排放量。大部分年总碳汇来源于森林再生或轮作休耕，较小的碳汇来源于退耕还林等造林行动[65-66]。

图3 青海省2014-2020年GPP、NPP、NEP的变化趋势图

图4 云南省各州/市2014-2020年NPP变化柱状图

Wang等（2020年）利用一系列地面和卫星观测数据研究中国陆地生态系统的碳汇来源发现，21世纪初我国每年森林碳汇量平均约为1.73亿吨碳。其中生物量固碳量最大，为1.5亿吨碳，其次是土壤和死有机质，分别为0.24亿吨和0.09吨碳，中国陆地碳汇主要归因于中国主要森林的固碳作用[61]。生物量碳库的不确定性主要来自于不同森林面积的统计方法。其次也与目前的研究中对于有机质和土壤碳库变化研究较少有关，过去40年来中国在恢复天然森林植被和加强种植业方面取得了成功。

2.3 碳通量遥感监测中的不确定性

使用遥感来进行碳通量估算存在着很大的不确定性。首先，遥感数据产品本身存在着一定的不确定性。例如，遥感提取的地表反射率、植被指数、SIF和叶面积指数（LAI）等都存在着不确定性，来源于大气影响（臭氧、气溶胶和水蒸气等）、云以及传感器本身的老化问题等[67]。其次，使用模型来估算碳通量也存在着一些不确定性。例如模型输入时需要其他辅助数据，如气象数据[67-69]、模型结构（不完整或者潜在过程或假设有错误）、模型参数（需要较多的地面观测数据等[12,70]）。

遥感数据产品中的不确定性以及由此产生的碳通量估计误差可能会导致对植被生产力和碳储量的量级、年际变化和长期趋势的分析出现偏差。Xiong等学者基于AVHRR的GIMMS3g NDVI数据集（Pinzon和Tucker，2014）、MODIS数据的EVI数据集[71]、MODIS GPP数据（Running等人，2004）、基于诊断过程模型的GPP数据——BEPS[69]和机器学习方法（EC-MOD）等不同碳通量估算方法得到的GPP数 据[72]，对比分析了2000–2014年中国植被生产力的趋势发现：所有GPP数据都表示2000–2014年中国植被生产力呈现增加的趋势，但两种NDVI产品（GIMMS3g NDVI和MODIS EVI）之间以及不同GPP产品（MODIS-GPP、BEPS和EC-MOD）之间的增长率是不同的，三种GPP产品之间的年总GPP也存在很大差异。这表明由于各种因素（气候变暖、CO2施肥、植树造林和改进的农业管理措施等），植被生产力一直在增加，但是却无法明确估算植被生产力的增幅。在未来的研究中减少各种遥感数据产品中的不确定性对于更好地了解生态系统碳通量的动态至关重要[73]。

3 结束语

面向固碳减排的目标，需要利用卫星遥感、大数据和碳同化等先进技术方法，实现高精度、高时空分辨率的陆地碳源/汇效应分析，探明我国碳储量、碳汇分布情况等。本文回顾了使用遥感手段定量估算陆地生态系统碳循环中的碳通量的主要方法和研究进展，随着遥感平台和传感器技术的快速发展，更高的空间分辨率和时间分辨率使用遥感手段进行生态系统碳通量估算有着广阔的发展前景，未来的遥感监测平台将更加多样化，收集和分析遥感数据的技术方法将更加详细。但是由于遥感估计的不确定性和空间数据规模较大对存储和计算带来的困难，在未来的陆地碳源汇监测研究还需要在以下几个方面取得突破：

1）由于大尺度陆地生态系统碳源汇估算存在很大的不确定性，需要在大气反演手段、地面验证场建设方面投入更多的研究。

2）在消除云、化石燃料或者生物燃料烟囱对影像品质的影响方面开展深入研究，研发可靠准确的纠正光学薄云和气溶胶的散射对大气反射的影响算法，提高温室气体浓度反演精度。

3）遥感卫星数据将在未来大规模碳减排研究中发挥重要作用。遥感技术的迅速发展，使卫星数据在碳减排领域的应用越来越广泛，然而，在全球范围内，对碳排放和碳源汇的高品质估算有待提高。因此，应进一步探索利用遥感卫星数据进行大规模分析，如全球植被固碳能力、固碳潜力评估以及全球蓝色碳栖息地制图分析等。

4）近年来，遥感数据的空间、时间、光谱和辐射分辨率不断提高，可用数据类型不断增加，大规模的空间数据对存储和计算都带来了挑战，特别是人工智能技术的新发展，强大的平台作为信息提取和图像分析的强大工具，是未来进行大规模数据分析的一个有效途径。今后应加强国内外遥感数据处理平台（如PIE-Engine平台、GEE平台等）和人工智能技术在大规模遥感数据分析中的应用。

[1] SCHUUR E A, MCGUIRE A D, SCHADEL C, et al. Climate Change and The Permafrost Carbon Feedback[J]. Nature, 2015, 520(7546): 171-179.

[2] 蔡兆男, 成里京, 李婷婷, 等. 碳中和目标下的若干地球系统科学和技术问题分析[J]. 中国科学院院刊, 2021, 36(5):602-613.

CAI Zhaonan, CHENG Lijing, LI Tingting, et al. Key Scientific and Technical Issue in Earth System Science Towards Archiving Carbon Neutrality in China[J]. Bulletin of Chinese Academy of Science, 2021, 36(5): 602-613. (in Chinese)

[3] 叶笃正, 符淙斌, 季劲钧, 等. 有序人类活动与生存环境[J]. 地球科学进展,2001, 26(4): 453-460.

YE Duzheng, FU Congbin, JI Jinjun, et al. Orderly Human Activities and Subsistence Environment[J]. Advances in Earth Science, 2001, 26(4): 453-460. (in Chinese)

[4] 刘良云, 陈良富, 刘毅, 等. 全球碳盘点卫星遥感监测方法、进展与挑战[J]. 遥感学报, 2022, 26(2): 243-267.

LIU Liangyun, CHEN Liangfu, LIU Yi, et al. Satellite Remote Sensing for Global Stocktaking: Methods, Progress and Perspectives[J]. National Remote Sensing Bulletin, 2022, 26(2): 243-267. (in Chinese)

[5] 丁仲礼. 实现碳中和重在构建“三端发力”体系[J]. 中国石油企业, 2021(6): 10-11, 111.

DING Zhongli. To Achieve Carbon Neutrality, it is Important to Build a “Three End Power Generation” System[J]. China Petroleum Enterprise, 2021(6): 10-11, 111. (in Chinese)

[6] SHAN Y, GUAN D, ZHENG H, et al. China CO2Emission Accounts 1997-2015[EB/OL]. [2022-03-15]. http://www. nature.com/articles/sdata2017201.pdf

[7] THOMPSON R L, PATRA P K, CHEVALLIER F, et al. Top-down Assessment of The Asian Carbon Budget Since the Mid 1990s[J]. Nature Communications, 2016, 7(1): 10724.

[8] PALMER P I, FENG L, BAKER D, et al. Net Carbon Emissions from African Biosphere Dominate Pan-tropical Atmospheric CO2 Signal[J]. Nature Communications, 2019, 10(1): 3344. DOI: 10.1038/s41467-019-11097-w.

[9] ELDERING A, WENNBERG P O, CRISP D, et al. The Orbiting Carbon Observatory-2 Early Science Investigations of Regional Carbon Dioxide Fluxes[J]. Science, 2017, 358(6360): eaam5745. DOI: 10.1126/science.aam5745.

[10] NASSAR R, HILL T G, MCLINDEN C A, et al. Quantifying CO2Emissions from Individual Power Plants from Space[J]. Geophysical Research Letters, 2017, 44(19): 10045-10053. DOI: 10.1002/2017GL074702

[11] 刘毅, 王婧, 车轲, 等. 温室气体的卫星遥感——进展与趋势[J]. 遥感学报, 2021, 25(1): 53-64.

LIU Yi, WANG Jing, CHE Ke, et al. Satellite Remote Sensing of Greenhouse Gases: Progress and trends[J]. National Remote Sensing Bulletin, 2021, 25(1): 53-64. (in Chinese)

[12] XIAO J, DAVIS K J, URBAN N M, et al. Uncertainty in Model Parameters and Regional Carbon Fluxes: a Model-data Fusion Approach[J]. Agricultural and Forest Meteorology, 2014, 189/190: 175-186.

[13] SAATCHI S S, HARRIS N L, BROWN S, et al. Benchmark Map of Forest Carbon Stocks in Tropical Regions Across Three Continents[J]. Proc. Natl. Acad. Sci. USA, 2011(108): 9899-9904.

[14] RUNNING S W, NEMANI R R, Heinsch F A, et al. A Continuous Satellite-derived Measure of Global Terrestrial Primary Production[J]. BioScience, 2004, 54(6): 547-560.

[15] NEMANI P R, KEELING C D, HAMASHIMOTO H, et al. Climate-driven Increases in Global Terrestrial Net Primary Production from 1982 to 1999[J]. Science, 2003, 300(5625): 1560-1563. DOI: 10.1126/science.1082750.

[16] SMITH W K, REED S C, CLEVELAND C C, et al. Large Divergence of Satellite and Earth System Model Estimates of Global Terrestrial CO2Fertilization[J]. Nature Climate Change, 2016, 6(3): 306-313. DOI:10.1038/NCLIMATE2879.

[17] LI Xing, XIAO Jingfeng, HE Binbin. Higher Absorbed Solar Radiation Partly Offset the Negative Effects of Water Stress on The Photosynthesis of Amazon Forests During the 2015 Drought[J]. Environmental Research Letters, 2018, 13(4): 13044005

[18] OLLINGER S V, RICHARDSON A D, MARTIN M E, et al. Canopy Nitrogen, Carbon Assimilation, and Albedo in Temperate and Boreal Forests: Functional Relations and Potential Climate Feedbacks[EB/OL]. [2022-03-15]. https://www. docin.com/p-1372964547.html.

[19] SCHIMEL D S. Terrestrial Ecosystems and the Carbon Cycle[EB/OL]. [2022-03-15]. https://www.docin.com/p- 1670171583.html

[20] 丁仲礼. 中国碳中和框架路线图研究[J]. 中国工业和信息化, 2021(8): 54-61. DOI:10.3969/j.issn.1674-9138.2021.08.008.

DING Zhongli. Research on China's Carbon Neutralization Framework Roadmap[J]. China Industry & Information Technology, 2021(8): 54-61. DOI:10.3969/j.issn.1674-9138.2021.08.008. (in Chinese)

[21] MACDOUGALL A H, AVIS C A, WEAVER A J. Significant Contribution to Climate Warming from the Permafrost Carbon Feedback[J]. Nature Geoscience, 2012, 5(10): 719-721.

[22] WU Donghai, LIU Dan, WANG Tao, et al. Carbon Turnover Times Shape Topsoil Carbon Difference between Tibetan Plateau and Arctic Tundra[J]. Science Bulletin, 2021, 66(16): 1698-1704.

[23] SCHARLEMANN J P W, TANNER E V J, HIEDERER R, et al. Global Soil Carbon: Understanding and Managing the Largest Terrestrial Carbon Pool[J]. Carbon Management, 2014, 5(1): 81-91.

[24] OBBÁGY E G, JACKSON. R B. “The Vertical Distribution of Soil Organic Carbon and Its Relation to Climate and Vegetation.”[J]. Ecological Applications, 2000, 10(2): 423-436.

[25] BRONDFIELD M N, HUTYRA L R, GATELY C K, et al. Modeling and Validation of On-road CO2Emissions Inventories at the Urban Regional Scale[J]. Environ Pollut, 2012(170): 113-123. DOI:10.1016/j.envpol.2012.06.003

[26] GATELY C K, HUTYRA L R, WING I S, et al. A Bottom Up Approach to On-road CO2Emissions Estimates: Improved Spatial Accuracy and Applications for Regional Planning[J]. Environmental Science & Technology, 2013, 47(5): 2423-4230.

[27] PIAO S, HE Y, WANG X, et al. Estimation of China’s Terrestrial Ecosystem Carbon Sink: Methods, Progress and Prospects[J]. Science China Earth Sciences, 2022, 65(4): 641-651

[28] THOMAS N, LUCAS R, BUNTING P, et al. Distribution and Drivers of Global Mangrove Forest Change, 1996–2010[J]. PLoS One, 2017, 12(6): E0179302. DOI:10.1371/journal.pone.0179302

[29] ROUSE J W, HAAS R H, SCHELL J A, et al. Monitoring Vegetation Systems in the Great Plains With Erts:1974NASSP.351.309R[R]. NASA Special Publication, 1974.

[30] KAUTH R J, THOMAS G S. The Tasselled Cap -- a Graphic Description of the Spectral-temporal Development of Agricultural Crops as Seen By Landsat[C]//Proceedings, Symposium on Machine Processing of Remotely Sensed Data, Purdue University, West Lafayette, USA, June 29- July1, 1976: 41-51.

[31] GITELSON A A. Wide Dynamic Range Vegetation Index for Remote Quantification of Biophysical Characteristics of Vegetation[EB/OL]. [2022-03-15]. https://www.doc88.com/p-6405383113118.html.

[32] DASH J, CURRAN P J. The Meris Terrestrial Chlorophyll Index[J]. International Journal of Remote Sensing, 2010, 25(23): 5403-5413.

[33] DASH J, CURRAN P J. Evaluation of the Meris Terrestrial Chlorophyll Index (Mtci). [J]. Advances in Space Research, 2007, 39(1): 100-104.

[34] MONTEITH J L. Solar Radiation and Productivity in Tropical Ecosystems[J]. The Journal of Applied Ecology, 1972, 9(3): 747-766.

[35] ASRAR G, FUCHS M, KANEMASU E T, et al Estimating Absorbed Photosynthetic Radiation and Leaf Area Index from Spectral Reflectance in Wheat[J]. Agronomy Journal, 1984, 76(2): 300-306.

[36] RUIMY A, JARVIS P G, BALDOCCHI D D, et al. CO2Fluxes Over Plant Canopies and Solar Radiation: a Review[J]. Advances in Ecological Research, 1995(26): 1-68

[37] FENSHOLT R, SANDHOLT I, RASMUSSEN M S. Evaluation of MODIS LAI, fAPAR and the Relation Between fAPAR and NDVI in a Semi-arid Environment Using in Situ Measurements[J]. Remote Sensing of Environment: An Interdisciplinary Journal, 2004, 91(3/4): 490-507.

[38] JONES L A, KIMBALL J S, REICHLE R H, et al. The SMAP Level 4 Carbon Product for Monitoring Ecosystem Land–atmosphere CO2Exchange[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(11): 6517-6532.

[39] ZHANG X, LIANG S, ZHOU G, et al. Generating Global Land Surface Satellite Incident Shortwave Radiation and Photosynthetically Active Radiation Products from Multiple Satellite Data[J]. Remote Sensing of Environment: An Interdisciplinary Journal, 2014, 152318-152332. DOI:10.1016/j.rse.2014.07.003.

[40] POTTER C S, RANDERSON J T, FIELD C B, et al. Terrestrial Ecosystem Production: a Process Model Based on Global Satellite and Surface Data[J]. Global Biogeochemical Cycles, 1993, 7(4): 811-841.

[41] 程占慧, 刘良云. 基于叶绿素荧光发射光谱的光能利用率探测[J]. 农业工程学报, 2010, 26(S2): 74-80.

CHENG Zhanhui, LIU Liangyun. Detection of Vegetation Light Use Efficiency Based on Chlorophyll Fluorescence Spectrum[J]. Transation of the CSAE, 2010, 26(S2): 74-80. (in Chinese)

[42] MIGLIAVACCA M, PEREZ-PRIEGO O, ROSSINI M, et al. Plant Functional Traits and Canopy Structure Control the Relationship Between Photosynthetic CO2Uptake and Far-red Sun-induced Fluorescence in a Mediterranean Grassland Under Different Nutrient Availability[J]. New Phytol, 2017, 214(3): 1078-1091.

[43] YANG X, TANG J, MUSTARD J F, et al. Solar-induced Chlorophyll Fluorescence That Correlates With Canopy Photosynthesis on Diurnal and Seasonal Scales in a Temperate Deciduous Forest[J]. Geophysical Research Letters, 2015, 42(8): 2977-2987.

[44] JOINER J, YOSHIDA Y, VASILKOV A P, et al. First Observations of Global and Seasonal Terrestrial Chlorophyll Fluorescence from Space[J]. Biogeosciences, 2011, 8(3): 637-651.

[45] FRANKENBERG C, FISHER J B, WORDEN J, et al. New Global Observations of the Terrestrial Carbon Cycle from Gosat: Patterns of Plant Fluorescence With Gross Primary Productivity[J]. Geophysical Research Letters, 2011, 38(17): 351-365.

[46] KOEHLER P, FRANKENBERG C, MAGNEY T S, et al. Global Retrievals of Solar Induced Chlorophyll Fluorescence With Tropomi: First Results and Inter-sensor Comparison to OCO-2[J]. Geophysical Research Letters, 2018, 45(19): 10456-10463. DOI:10.1029/2018GL079031.

[47] SUN Y, FRANKENBERG C, JUNG M, et al. Overview of Solar-induced Chlorophyll Fluorescence (SIF) From the Orbiting Carbon Observatory-2: Retrieval, Cross-mission Comparison, and Global Monitoring for GPP[J]. Remote Sensing of Environment, 2018(209): 808-823.

[48] YAO L, YANG D, LIU Y, et al. A New Global Solar-induced Chlorophyll Fluorescence (SIF) Data Product From Tansat Measurements[J]. Advances in Atmospheric Sciences, 2021, 38(3): 341-345.

[49] LIU Y, WANG J, YAO L, et al. The Tansat Mission: Preliminary Global Observations[J]. Science Bulletin, 2018, 63(18): 1200-1207.

[50] VERMA M, SCHIMEL D, EVANS B, et al. Effect of Environmental Conditions on the Relationship Between Solar‐induced Fluorescence and Gross Primary Productivity at an Ozflux Grassland Site[J]. Journal of Geophysical Research: Biogeosciences, 2017, 122(3): 716-733

[51] WOOD J D, GRIFFIS T J, BAKER J M. Multiscale Analyses of Solar‐induced Florescence and Gross Primary Production[J]. Geophysical Research Letters, 2017, 44(1): 533-541. DOI:10.1002/2016GL070775.

[52] XIAO J, ZHUANG Q, BALDOCCHI D, et al. Estimation of Net Ecosystem Carbon Exchange for The Conterminous United States by Combining MODIS and AmeriFlux Data[J]. Agricultural and Forest Meteorology, 2008, 148(11): 1827-1847.

[53] LI X, XIAO J. A Global, 0.05-Degree Product of Solar-induced Chlorophyll Fluorescence Derived From OCO-2, MODIS, and Reanalysis Data[J]. Remote Sensing, 2019, 11(5): 517-541.

[54] GUANTER L, FRANKENBERG C, DUDHIA A, et al. Retrieval and Global Assessment of Terrestrial Chlorophyll Fluorescence from GOSAT Space Measurements[J]. Remote Sensing of Environment: An Interdisciplinary Journal, 2012(121): 236-251. DOI:10.1016/j.rse.2012.02.006.

[55] FOODY G M, BOYD D S, CUTLER M E J. Predictive Relations of Tropical Forest Biomass from Landsat TM Data and Their Transferability Between Regions[J]. Remote Sensing of Environment, 2003, 85(4): 463-474.

[56] JOHN R, CHEN J, GIANNICO V, et al. Grassland Canopy Cover and Aboveground Biomass in Mongolia and Inner Mongolia: Spatiotemporal Estimates and Controlling Factors[J]. Remote Sensing of Environment, 2018(213): 34-48.

[57] JIANG F, CHEN J M, ZHOU L X, et al. A Comprehensive Estimate of Recent Carbon Sinks in China Using Both Top-down and Bottom-up Approaches[EB/OL]. [2022-03-15]. https://www.doc88.com/p-4109739493151.html.

[58] DASH J, CURRAN P J. The Meris Terrestrial Chlorophyll Index[J]. International Journal of Remote Sensing, 2010(25): 235403-235413. DOI: 10.1080/0143116042000274015

[59] 刘毅, 姚璐, 王靖, 等. 中国碳卫星数据的应用现状[J]. 卫星应用, 2022(2): 46-50.

LIU Yi, YAO Lu, WANG Jing, et al. Application Status of Carbon Satellite Data in China[J]. Satellite Application, 2022(2): 46-50. (in Chinese)

[60] YANG Y, SHI Y, SUN W, et al. Terrestrial Carbon Sinks in China and Around the World and Their Contribution to Carbon Neutrality[J]. Science China: Life Science, 2022, 65(5): 861-895.

[61] WANG J, FENG L, PALMER P I, et al. Large Chinese Land Carbon Sink Estimated from Atmospheric Carbon Dioxide Data[J]. Nature, 2020, 586(7831): 720-723.

[62] CHEN J, GAO M, HUANG S, et al. Application of Remote Sensing Satellite Data for Carbon Emissions Reduction[J]. Journal of Chinese Economic and Business Studies, 2021, 19(2): 109-117.

[63] ZHANG M, HUANG X, CHUAI X, et al. Impact of Land Use Type Conversion on Carbon Storage in Terrestrial Ecosystems of China: a Spatial-temporal Perspective[J]. Sci Rep, 2015(5): 10233. DOI:10.1038/srep10233.

[64] HOUGHTON R A, HOUSE J I, PONGRATZ J, et al. Carbon Emissions from Land Use and Land-cover Change[J]. Biogeosciences, 2012(9): 5125-5142.

[65] HOUGHTON R A, VAN DER WERF G R, DEFRIES R S, et al. Chapter G2 Carbon Emissions from Land Use and Land-cover Change[J]. Biogeosciences Discussions, 2012(9): 835-878.

[66] FRIEDLINGSTEIN P, HOUGHTON R A, MARLAND G, et al. Update on CO2Emissions[J]. Nature Geoscience, 2010, 3(12): 811-812.

[67] FANG H, WEI S, JIANG C, et al. Theoretical Uncertainty Analysis of Global MODIS, Cyclopes, and Globcarbon LAI Products Using a Triple Collocation Method[J]. Remote Sensing of Environment, 2012(124): 610-621.

[68] ZHAO M, RUNNING S W, NEMANI R R. Sensitivity of Moderate Resolution Imaging Spectroradiometer (MODIS) Terrestrial Primary Production to The Accuracy of Meteorological Reanalyses[J]. Journal of Geophysical Research, 2006(111): G01002, DOI:10.1029/2004JG000004.2006.

[69] LIU Yibo, XIAO Jingfeng, JU Weimin, et al. Satellite-derived LAI Products Exhibit Large Discrepancies and Can Lead to Substantial Uncertainty in Simulated Carbon and Water Fluxes[J]. Remote Sensing of Environment: An Interdisciplinary Journal, 2018(206): 174-188.

[70] HILTON T W, DAVIS K J, KELLER K. Evaluating Terrestrial CO2Flux Diagnoses and Uncertainties from a Simple Land Surface Model and Its Residuals[J]. Biogeosciences, 2014, 11(2): 217-235.

[71] HUETE A, DIDAN K, MIURA T, et al. Overview of the Radiometric and Biophysical Performance of the MODIS Vegetation Indices[EB/OL]. [2022-03-15]. https://www.docin.com/p-8755946.html.

[72] XIAO Jingfeng, OLLINGER S V, FROLKING S, et al. Data-driven Diagnostics of Terrestrial Carbon Dynamics over North America[EB/OL]. [2022-03-15]. https://www.doc88.com/p-7718296827877.html.

[73] XIAO Jingfeng, CHEVALLIER F, GOMEZ C, et al. Remote Sensing of the Terrestrial Carbon Cycle: a Review of Advances Over 50 Years[J]. Remote Sensing of Environment, 2019, 233: 111383.

Application Progress of Remote Sensing Technology in the Realization of “Double Carbon” Goal

ZHANG Xiaojuan1LI Dongjie2LIU Sihan3WANG Hao*1LI Xiaohan1LI Chunlin4ZONG Jibiao1WANG Yuxiang1

（1 Beijing Piesat Information Technology Co., Ltd, Beijing 100195,China）（2 National Development and Reform Commission, National Investment Project Evaluation Center, Beijing 100037,China）（3 Satellite Application Center for Ecology and Environment, Ministry of Ecology and Environment, Beijing 100094,China）（4 Key Laboratory of Forest Ecology and Management, Institute of Applied Ecology, Chinese Academy of Sciences, Shenyang 110016, China）

In the context of global efforts to achieve carbon neutrality, China has also proposed a "30-60" dual carbon target. Remote sensing technology has the characteristics of large scale coverage and a long time-series. Therefore, remote sensing can quickly and continuously obtain the characteristics of global spatial distribution and change, and has a broad application in the estimation and management of carbon sinks. In this paper, terrestrial carbon cycle is introduced and the key concepts are explained. Then, the methods and research progress of remote sensing technology used in remote sensing quantitative calculation of different carbon fluxes are analyzed. At the same time, the possible problems in remote sensing monitoring carbon emission and quantitative estimation of carbon flux are also put forward.

carbon sink; terrestrial carbon cycle; carbon flux; remote sensing application

TP79

A

1009-8518(2022)06-0106-13

10.3969/j.issn.1009-8518.2022.06.011

2022-05-08

国家重大科技专项工程

张晓娟, 李东杰, 刘思含, 等. 遥感技术在“双碳”目标实现中的应用进展[J]. 航天返回与遥感, 2022, 43(6): 106-118.

ZHANG Xiaojuan, LI Dongjie, LIU Sihan, et al. Application Progress of Remote Sensing Technology in the Realization of “Double Carbon” Goal[J]. Spacecraft Recovery & Remote Sensing, 2022, 43(6): 106-118. (in Chinese)

张晓娟，女，1973年生，2007年在对外经贸大学获得学士学位，工程师。研究方向为气象遥感。E-mail：zhangxiaojuan@piesat.cn。

（编辑：毛建杰）