基于TanSat的中國大陸CO2濃度監(jiān)測及驅(qū)動(dòng)因子分析

李凱旋,楊麗萍,張 靜,任 杰,王 宇

基于TanSat的中國大陸CO2濃度監(jiān)測及驅(qū)動(dòng)因子分析

李凱旋,楊麗萍*,張 靜,任 杰,王 宇

(長安大學(xué)地質(zhì)工程與測繪學(xué)院,陜西 西安 710054)

基于2017年3月至2018年3月TanSat衛(wèi)星觀測的CO2柱平均干空氣混合比(XCO2),利用美國航空航天局(NASA)的軌道碳觀測2號(hào)(OCO-2)衛(wèi)星數(shù)據(jù)與碳同化系統(tǒng)(CT)和總碳柱觀測網(wǎng)絡(luò)(TCCON)地面監(jiān)測數(shù)據(jù),驗(yàn)證了TanSat-XCO2的數(shù)據(jù)精度和可靠性,分析了中國大陸五大區(qū)域XCO2的區(qū)域特征,采用皮爾遜相關(guān)性分析和地理探測器的方法探討了自然和社會(huì)經(jīng)濟(jì)因子對(duì)大氣CO2濃度的驅(qū)動(dòng)作用.結(jié)果表明,TanSat衛(wèi)星監(jiān)測結(jié)果與OCO-2衛(wèi)星監(jiān)測結(jié)果基本一致,差異在(-3～3)×10-6之間.XCO2濃度整體隨季節(jié)呈規(guī)律性波動(dòng).夏季我國大氣XCO2濃度區(qū)域差異明顯,南部地區(qū)因人為影響較強(qiáng), XCO2濃度處于較高水平(>403×10-6),北部地區(qū)植被的強(qiáng)光合作用使其XCO2濃度(<401×10-6)低于其他地區(qū),西部地區(qū)XCO2趨勢較其他區(qū)域相對(duì)平緩.歸一化差值植被指數(shù)(NDVI)是影響XCO2濃度變化的主要自然因子,NDVI與TanSat監(jiān)測結(jié)果呈顯著線性負(fù)相關(guān)(=-0.658,<0.05).化石燃料燃燒對(duì)XCO2空間異質(zhì)性的解釋力最強(qiáng),其與各自然因子的交互作用遠(yuǎn)大于單因子的驅(qū)動(dòng)作用,且與降雨量的交互作用對(duì)大氣XCO2的影響最為顯著(=0.495).

TanSat；精度驗(yàn)證；相關(guān)性分析；地理探測器；濃度監(jiān)測；驅(qū)動(dòng)因子分析

以全球變暖為主要特征的氣候變化已成為全球性環(huán)境問題,對(duì)全球可持續(xù)發(fā)展帶來嚴(yán)峻挑戰(zhàn).近年來大氣二氧化碳(CO2)濃度正在快速上升,于2018年達(dá)到了(407.8±0.1)×10-6的新峰值[1].為了監(jiān)測全球CO2排放分布,需要獲得高精度的CO2濃度監(jiān)測數(shù)據(jù).通過“自上而下”即衛(wèi)星遙感技術(shù)反演大氣溫室氣體通量,對(duì)于驗(yàn)證排放清單和監(jiān)測全球大氣CO2濃度具有重要意義[2].

自日本溫室氣體觀測衛(wèi)星(GOSAT)和美國軌道碳觀測2號(hào)(OCO-2)衛(wèi)星成功發(fā)射以來,碳監(jiān)測衛(wèi)星技術(shù)及應(yīng)用發(fā)展迅速[3].高精度大氣CO2柱平均干空氣混合比(XCO2)濃度數(shù)據(jù)是建立精確的長期大氣CO2數(shù)據(jù)記錄的先決條件.通過反演算法的改進(jìn)可生成高精度XCO2數(shù)據(jù)[4],針對(duì)GOSAT衛(wèi)星數(shù)據(jù),美國航空航天局的ACOS算法(太空監(jiān)測大氣CO2)反演結(jié)果比日本環(huán)境研究所的NIES算法(國家環(huán)境研究所)結(jié)果僅高2′10-6.通過高精度曲面建模方法[5]和多源衛(wèi)星數(shù)據(jù)融合方法[6]模擬的長時(shí)序大范圍全球XCO2數(shù)據(jù)集的精度可精確到2×10-6以內(nèi),這些高精度XCO2數(shù)據(jù)集為全球氣候變化和碳循環(huán)研究提供了數(shù)據(jù)基礎(chǔ).

作為世界上最大的發(fā)展中國家,我國碳排放量自改革開放以來在全球一直占據(jù)主要位置,截止2019年我國碳排放量已達(dá)到1.02×1010t[7]. 對(duì)中國地區(qū)CO2動(dòng)態(tài)變化及其背后機(jī)理的長期觀察和研究發(fā)現(xiàn),XCO2濃度高值主要分布在京津冀等工業(yè)水平較高的區(qū)域,人為排放對(duì)區(qū)域CO2濃度變化起重要作用[8-9].深入分析自然因子和社會(huì)經(jīng)濟(jì)活動(dòng)因子與CO2濃度的相關(guān)關(guān)系發(fā)現(xiàn),歸一化差值植被指數(shù)(NDVI)在東北地區(qū)與CO2濃度變化有著明顯的負(fù)相關(guān),人類經(jīng)濟(jì)活動(dòng)影響主要分布在人口密集區(qū)[10-11].以上研究為探討中國XCO2的區(qū)域差異提供了有價(jià)值的見解,但已有研究多采用國外衛(wèi)星數(shù)據(jù),且在驅(qū)動(dòng)因子分析中僅考慮了各類因子與大氣XCO2的線性相關(guān)性,未考慮到因子交互作用對(duì)大氣XCO2空間分異性的影響.

為實(shí)現(xiàn)“雙碳”目標(biāo),增進(jìn)對(duì)全球碳循環(huán)過程的認(rèn)識(shí),我國自主研制了首顆全球大氣CO2觀測科學(xué)實(shí)驗(yàn)衛(wèi)星(TanSat).TanSat的第一版全球XCO2數(shù)據(jù)產(chǎn)品經(jīng)全球碳柱總量觀測網(wǎng)(TCCON)站點(diǎn)數(shù)據(jù)驗(yàn)證的精度為 2.11×10-6[12].但僅使用CO2弱波段會(huì)導(dǎo)致對(duì)地表壓力的嚴(yán)重偏差估計(jì),不足以研究全球表面碳通量.通過改善O2A波段檢索效果,第二版XCO2數(shù)據(jù)產(chǎn)品與TCCON全球20個(gè)站點(diǎn)數(shù)據(jù)相比,總體精度顯著提高到了1.47×10-6[13].為驗(yàn)證TanSat數(shù)據(jù)精度,利用北京傅里葉變換光譜儀的監(jiān)測數(shù)據(jù)進(jìn)行評(píng)估,經(jīng)過初步偏差校正,平均絕對(duì)誤差提高到1.11×10-6,與同期GOSAT和OCO-2衛(wèi)星觀測值差異僅為0.1×10-6[14].基于敦煌無人機(jī)溫室氣體分析儀評(píng)估結(jié)果顯示,反演偏差在2×10-6以內(nèi),與此同時(shí)TanSat與OCO-2在中國東北的軌道XCO2分布平均差約為0.85×10-6[15].Yang等[16]通過TanSat監(jiān)測數(shù)據(jù)分析的唐山和東京地區(qū)人為CO2排放增加量與Sentinel-5P監(jiān)測結(jié)果相一致.利用TanSat-XCO2估算的全球陸地碳凈通量為(6.71±0.76)Gt C/a,與GOSAT和OCO-2反演結(jié)果基本一致,但在南半球區(qū)域通量估計(jì)中發(fā)現(xiàn)了差異[17],且南半球冬季不同地區(qū)XCO2增長趨勢約有2～4×10-6差異,衛(wèi)星測量之間可能存在未糾正的偏差,因此其局部地區(qū)精度仍有待驗(yàn)證[18].此外,相較于傳統(tǒng)的相關(guān)性分析,地理探測器可揭示單一因子對(duì)因變量的影響以及多因子交互作用的影響,避免多變量共線性的影響,可定量確定各因子對(duì)大氣XCO2空間分質(zhì)性的影響[19],因此已被廣泛應(yīng)用于土地利用、大氣污染和生態(tài)環(huán)境監(jiān)測等多個(gè)領(lǐng)域[20-21].

本文以中國大陸為研究區(qū),利用OCO-2衛(wèi)星產(chǎn)品數(shù)據(jù)及碳同化系統(tǒng)(CT) 和TCCON地面監(jiān)測站點(diǎn)數(shù)據(jù),對(duì)TanSat-XCO2進(jìn)行對(duì)比驗(yàn)證;分析不同區(qū)域大氣XCO2的分布變化及季節(jié)波動(dòng);統(tǒng)計(jì)TanSat- XCO2月均值,結(jié)合自然因子月均值數(shù)據(jù)進(jìn)行皮爾遜相關(guān)性分析;最后綜合自然因子和社會(huì)經(jīng)濟(jì)因子的年均值數(shù)據(jù),引入地理探測器,分析各因子對(duì)大氣XCO2空間分異性的驅(qū)動(dòng)作用,以期為碳匯源研究及相關(guān)政策制定提供參考.

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來源

1.1.1 OCO-2 OCO-2是美國航空航天局(NASA)于2014年發(fā)射的用于收集大氣CO2數(shù)據(jù)的測量衛(wèi)星,已在軌運(yùn)行8a之久,其精度、分辨率和覆蓋范圍足以描述CO2在大氣中的匯聚過程[22].采用OCO2_ L2_Lite_FP v10r版本的逐日觀測數(shù)據(jù)(https://disc. gsfc.nasa.gov/datasets/OCO2_L2_Lite_FP_10r),覆蓋2017年3月～2018年5月.為保證數(shù)據(jù)的可靠性,使用Quality Flag文件進(jìn)行數(shù)據(jù)篩選,獲得符合研究要求的XCO2數(shù)據(jù).

1.1.2 TanSat TanSat是中國首顆全球CO2監(jiān)測科學(xué)實(shí)驗(yàn)衛(wèi)星,于2016年12月22日在酒泉衛(wèi)星發(fā)射中心成功發(fā)射,是國際上第三顆具有高精度溫室氣體探測能力的衛(wèi)星.采用全球TanSat-XCO2數(shù)據(jù)集(第二版本),覆蓋2017年3月～2018年5月,數(shù)據(jù)產(chǎn)品來自國家綜合地球觀測數(shù)據(jù)共享平臺(tái)(https: //chinageoss.cn/portal/inde-xSearch?title=tansat).

1.1.3 Carbon Tracker 碳同化系統(tǒng)(CT)是美國國家海洋和大氣管理局(NOAA)開發(fā)的CO2測量和建模系統(tǒng),用于跟蹤全球CO2動(dòng)態(tài)變化,包括陸地生物圈與大氣交換、野火排放、化石燃料排放和海氣交換等引起的CO2排放[23].這些CO2的表面通量數(shù)據(jù)來自大量合作者提供的大氣CO2觀測和模擬的大氣傳輸估算.本文采用2017年3月～2018年3月CT觀測網(wǎng)絡(luò)中國區(qū)的三個(gè)站點(diǎn)為驗(yàn)證站點(diǎn),即位于青海省海南藏族自治州共和縣瓦里關(guān)山的瓦里關(guān)站點(diǎn)(WLG)、臺(tái)灣省嘉義縣及南投縣交界處的鹿林站點(diǎn)(LLN)和南海東沙群島的東沙島站點(diǎn)(DSI).數(shù)據(jù)源于NOAA官網(wǎng)(ftp://aftp.cmdl.noaa.gov/products/ carbontracker).

1.1.4 TCCON數(shù)據(jù) 全球碳柱總量觀測網(wǎng)(TCCON)提供了全世界許多站點(diǎn)XCO2的精確連續(xù)觀測數(shù)據(jù).其原理是基于地面傅里葉變換光譜法(FTS),來記錄近紅外光譜區(qū)的直接太陽光譜[24].從這些光譜中,準(zhǔn)確地檢索出CO2、CH4、N2O、HF、CO、H2O的柱平均濃度.由于各個(gè)站點(diǎn)所采用的儀器和方法一致,因此其結(jié)果具有高精度質(zhì)量保證,是當(dāng)前應(yīng)用最廣的地面監(jiān)測網(wǎng)絡(luò).目前,TCCON在全球有28個(gè)站點(diǎn)數(shù)據(jù)可供使用 (http://tccondata.org),本文選取中國范圍內(nèi)安徽省合肥市合肥站(HeFei)的長時(shí)間序列觀測值.

1.1.5 自然因子相關(guān)數(shù)據(jù) 植被、降水、溫度等自然因子對(duì)大氣CO2濃度有重要影響[25].為此,本文引入了可以反映植被狀況的歸一化差值植被指數(shù)(NDVI)和葉面積指數(shù)(LAI)、可以反映降水和溫度狀況的降水量(Pre)和地表溫度(LST)共4個(gè)因子,以探討自然因子對(duì)CO2濃度的影響.其中NDVI和LST數(shù)據(jù)分別采用MOD13A3和MOD11C3產(chǎn)品,數(shù)據(jù)來源于LAADS DAAC(一級(jí)大氣檔案分配系統(tǒng)分布式數(shù)據(jù)檔案中心,網(wǎng)址:http://ladsweb.modaps.eosdis. nasa.gov).LAI數(shù)據(jù)來源于馬里蘭大學(xué)的全球陸表特征參量(GLASS)產(chǎn)品(http://glass-product.bnu. edu.cn),降水量數(shù)據(jù)采用WorldClim2.5版本氣候數(shù)據(jù)(https://worldclim.org/).對(duì)以上數(shù)據(jù)進(jìn)行拼接、重投影、裁剪等預(yù)處理,以便于后續(xù)分析.

1.1.6 社會(huì)經(jīng)濟(jì)因子相關(guān)數(shù)據(jù) 化石燃料燃燒對(duì)溫室氣體濃度變化具有明顯的驅(qū)動(dòng)作用[26].同時(shí),人口密度也影響溫室氣體濃度,人口越密集的區(qū)域,城市化和工業(yè)化程度越高,溫室氣體排放量也相應(yīng)增加.因此,社會(huì)經(jīng)濟(jì)數(shù)據(jù)主要包括化石燃料燃燒和人口密度.化石燃料燃燒數(shù)據(jù)來源于全球大氣研究排放數(shù)據(jù)庫(EDGAR),EDGAR是一個(gè)多用途、獨(dú)立的全球溫室氣體人為排放和地球空氣污染數(shù)據(jù)庫,提供了全球范圍內(nèi)0.1°′0.1°分辨率的國家總排放量和網(wǎng)格圖.本文采用EDGAR 6.0版本(https://edgar. jrc.ec.europa.eu),其排放數(shù)據(jù)包括化石燃料燃燒、非金屬礦物加工(例如水泥生產(chǎn))、金屬礦物加工等生產(chǎn)活動(dòng).人口密度數(shù)據(jù)采用南安普頓大學(xué)所繪制全球人口地圖WorldPop高分辨率人口密度數(shù)據(jù)(https://www.worldpop.org/).

1.2 研究方法

1.2.1 Pearson相關(guān)性分析 皮爾遜相關(guān)系數(shù)[27]是統(tǒng)計(jì)學(xué)中用于衡量兩個(gè)變量之間線性相關(guān)性的重要參數(shù),其值介于-1～1之間.本文利用皮爾遜相關(guān)系數(shù)分析長時(shí)間序列TanSat-XCO2濃度與自然因子的相互關(guān)系,并選出相關(guān)性最好的自然因子,逐像元探討其在空間上對(duì)不同區(qū)域大氣XCO2濃度的主導(dǎo)作用.Pearson相關(guān)系數(shù)計(jì)算公式如下:

式中:,Y定義為兩個(gè)變量之間的協(xié)方差和標(biāo)準(zhǔn)差的商,也稱為變量和的相關(guān)系數(shù);cov(,)代表協(xié)方差,用于衡量兩個(gè)變量的總體誤差;,為標(biāo)準(zhǔn)差.

1.2.2 地理探測器 地理探測器是用于探測空間分異性,并揭示其背后驅(qū)動(dòng)因子的一種新的統(tǒng)計(jì)學(xué)方法.其核心思想是根據(jù)自變量和因變量的相似性,判斷自變量對(duì)因變量的重要程度.同時(shí)也可以探索兩因子相互作用對(duì)因變量的影響,這也是地理探測器的一大優(yōu)勢.地理探測器包含4種探測器,即分異及因子探測器、風(fēng)險(xiǎn)探測器、生態(tài)探測器和交互作用探測器.

本文采用分異及因子探測器和交互作用探測器分析自然因子和社會(huì)經(jīng)濟(jì)活動(dòng)因子對(duì)XCO2濃度變化產(chǎn)生重要作用的單個(gè)因子或多個(gè)因子.因子探測的公式如下:

式中:值代表某因子對(duì)因變量的解釋程度,取值范圍為0～1,值越大解釋力越高,空間分異性越明顯;= 1,…;為變量或因子的分層;N和分別為層和全區(qū)的單元數(shù);2和2分別是層和全區(qū)的值的方差;SSW代表層內(nèi)方差;SST代表全區(qū)總方差.

多因子交互作用對(duì)因變量解釋程度的增強(qiáng)或減弱,可通過計(jì)算兩種因子的值及其交互時(shí)的值,并對(duì)其值和作用類型進(jìn)行判定.作用類型分為非線性減弱、單因子非線性減弱、非線性增強(qiáng)、雙因子增強(qiáng)和相互獨(dú)立5種類型.

2 結(jié)果與討論

2.1 TanSat數(shù)據(jù)精度驗(yàn)證

2.1.1 衛(wèi)星產(chǎn)品對(duì)比驗(yàn)證 OCO-2衛(wèi)星數(shù)據(jù)是公認(rèn)的、具有較高精度的碳衛(wèi)星監(jiān)測數(shù)據(jù)[28],為此以O(shè)CO-2數(shù)據(jù)為參照,對(duì)比同時(shí)段TanSat的觀測數(shù)據(jù).如圖1所示,中國大陸上空XCO2濃度隨季節(jié)變化呈有規(guī)律的浮動(dòng),TanSat-XCO2于春季達(dá)到峰值411.04 ×10-6,隨后又在夏季降到低谷399.99×10-6,最后于來年春季達(dá)到新的峰值413.55×10-6,整體呈螺旋上升趨勢.值得注意的是,TanSat春末和夏初的監(jiān)測值高于OCO-2監(jiān)測值(0～3)×10-6;秋初低于OCO-2監(jiān)測值(0～3)×10-6;秋初之后的上升期基本保持一致.出現(xiàn)差異一方面是由于OCO-2在8月份無數(shù)據(jù),致使到達(dá)低谷的時(shí)間不一致;另一方面是由于衛(wèi)星傳感器和反演算法的差異導(dǎo)致.總體來看,TanSat和OCO-2觀測結(jié)果差異不大,季節(jié)變化趨勢一致,能夠反映中國大陸上空XCO2變化情況.

2.1.2 地面站點(diǎn)對(duì)比驗(yàn)證 為進(jìn)一步驗(yàn)證TanSat數(shù)據(jù)的可靠性,采用TCCON-HeFei站點(diǎn)、CT-DSI、CT-LLN及CT-WLG站點(diǎn)數(shù)據(jù)進(jìn)行對(duì)比驗(yàn)證.為確保衛(wèi)星反演數(shù)據(jù)和地面監(jiān)測XCO2的時(shí)空統(tǒng)一,以地面站點(diǎn)中心2°經(jīng)緯度范圍作為驗(yàn)證區(qū),選取時(shí)間匹配的衛(wèi)星反演數(shù)據(jù),驗(yàn)證結(jié)果如圖2所示.由圖2(a)可見,TanSat-XCO2和TCCON-HeFei的年變化趨勢基本一致.主要差異為兩者到達(dá)低谷的時(shí)間,TanSat衛(wèi)星監(jiān)測濃度早在6月中旬達(dá)到谷底402×10-6,此時(shí)HeFei站點(diǎn)監(jiān)測濃度為405×10-6且仍在下降,兩者相差3×10-6;與之相反,HeFei站點(diǎn)監(jiān)測濃度在8月中旬到達(dá)谷底而衛(wèi)星監(jiān)測濃度已處于上升期.如前所述,6～8月是一年內(nèi)差異最明顯的時(shí)期,其余月份的差別在(-2～2)×10-6之間浮動(dòng).

圖1 TanSat與OCO-2逐日XCO2濃度對(duì)比

由圖2(b)可見,CT-DSI、CT-LLN及CT-WLG的監(jiān)測濃度整體高于TanSat衛(wèi)星監(jiān)測濃度.DSI站點(diǎn)監(jiān)測濃度與站點(diǎn)上空TanSat衛(wèi)星監(jiān)測濃度在冬季期間差異明顯(圖2(c)),可能是因?yàn)榻?jīng)過質(zhì)量篩選的TanSat數(shù)據(jù)缺少此站點(diǎn)附近的有效值,因此插值結(jié)果會(huì)受其他數(shù)據(jù)干擾,致使此站點(diǎn)監(jiān)測濃度誤差略高于其他區(qū)域;此外由于冬季期間缺少高緯度的監(jiān)測數(shù)據(jù),亦可能會(huì)導(dǎo)致結(jié)果不夠理想,其他季節(jié)差異在2×10-6以內(nèi),數(shù)據(jù)一致性較強(qiáng)(2=0.853).LLN站點(diǎn)監(jiān)測濃度普遍大于TanSat監(jiān)測濃度(圖2(d)),監(jiān)測濃度到達(dá)低谷的月份亦有不同(2=0.665).春季是整個(gè)監(jiān)測期間差異最為明顯的時(shí)期,5月和6月差異高于5×10-6.秋季之后的趨勢基本保持一致,誤差在2×10-6以內(nèi).WLG位于青藏高原,大氣成分穩(wěn)定且清潔,受人為影響較小,因此與衛(wèi)星反演濃度一致性較強(qiáng)(2=0.747),除5月和6月這外,其余月份差異在-3～3×10-6之間(圖2(e)).DSI和WLG站驗(yàn)證相關(guān)性更好,LLN驗(yàn)證結(jié)果相對(duì)較弱.

總體來看,衛(wèi)星反演濃度與地面監(jiān)測濃度具有良好的一致性,能夠客觀反映中國大陸XCO2的時(shí)空變化情況.

2.2 XCO2濃度區(qū)域特征分析

由于地理環(huán)境、產(chǎn)業(yè)結(jié)構(gòu)以及人口密度等方面的差異,導(dǎo)致各地區(qū)大氣XCO2濃度時(shí)空變化具有明顯的空間分異性[29-30].以TanSat衛(wèi)星觀測月均值數(shù)據(jù)為基礎(chǔ),參考第二十屆全國區(qū)域經(jīng)濟(jì)學(xué)學(xué)科建設(shè)年會(huì)提議[31],將中國大陸劃分為西部、南部、北部、東部和中部五大區(qū)域(圖3),進(jìn)行XCO2濃度區(qū)域特征分析,結(jié)果如圖4所示.

圖3 中國大陸五大區(qū)域分區(qū)

由圖4(a)可見,各地區(qū)XCO2濃度趨勢基本一致,呈現(xiàn)明顯的季節(jié)波動(dòng),初春達(dá)到峰值,后逐步下降,于夏季降至最低點(diǎn),隨后在整個(gè)秋季平緩上升,冬季呈波動(dòng)增長,至來年春季達(dá)到新的峰值.

夏季是五大區(qū)域大氣XCO2差異最為明顯的季節(jié),南部和西部地區(qū)XCO2濃度明顯高于其他區(qū)域(>403×10-6).其次是中部和東部地區(qū),這與我國人口密度分布情況較為一致,這些地區(qū)為我國人口集中區(qū)域,人類活動(dòng)顯著,社會(huì)經(jīng)濟(jì)水平和工業(yè)化程度較高,人類生產(chǎn)活動(dòng)向大氣中排放了大量溫室氣體,尤其是京津冀、長江三角洲和珠江三角洲區(qū)域.

北部地區(qū)大氣XCO2濃度在春末開始顯著下降,夏季達(dá)到全年最低濃度400×10-6,一方面與大氣活動(dòng)和季節(jié)性氣候有關(guān),同時(shí)夏季北部地區(qū)TanSat數(shù)據(jù)量不足導(dǎo)致反演精度較低也會(huì)對(duì)結(jié)果產(chǎn)生影響.此外,根據(jù)2017年《中國統(tǒng)計(jì)年鑒》[32]顯示,內(nèi)蒙古和黑龍江的耕地面積分別是9.271×106hm2、1.585×107hm2,位于我國前列,植被對(duì)CO2的光合作用也會(huì)導(dǎo)致夏季XCO2濃度的劇烈下降.

整個(gè)西部地區(qū)XCO2趨勢較其他區(qū)域相對(duì)平緩,總趨勢與南部地區(qū)相同,但又存在一定差異.一方面由于西部地區(qū)生態(tài)環(huán)境惡劣,荒地、裸土占比較大,植被對(duì)大氣CO2的吸收能力較弱;另一方面由于地勢差異較大,交通可達(dá)性相對(duì)較低,人口密度小,社會(huì)經(jīng)濟(jì)活動(dòng)相對(duì)較弱,因此由化石燃料燃燒向大氣中排放的溫室氣體也相對(duì)較少.由圖4(b)西部地區(qū)各省夏秋季XCO2趨勢圖可見,特別是西藏地區(qū),大氣CO2濃度波動(dòng)較小.由于西藏東南部主要植被類型為林地,植被對(duì)大氣CO2吸收作用明顯,而西藏西北部多為高寒草原或荒漠,植被活動(dòng)低,同時(shí)人類活動(dòng)所排放的CO2較少,致使整個(gè)區(qū)域在夏季存在動(dòng)態(tài)平衡的過程,因此也影響到整個(gè)西部地區(qū)XCO2濃度的變化.

2.3 XCO2濃度影響因子分析

植被、溫度和降水等自然因子對(duì)大氣XCO2濃度有重要影響,其中植被的光合作用會(huì)將大氣中的CO2固定為有機(jī)質(zhì),將太陽能固定為化學(xué)能,這一過程會(huì)影響大氣CO2的分布,即生態(tài)系統(tǒng)通過對(duì)大氣CO2的吸收、儲(chǔ)存和釋放作用影響區(qū)域碳循環(huán).除此之外,人類社會(huì)生活生產(chǎn)所排放的溫室氣體亦會(huì)顯著影響大氣XCO2濃度,特別是農(nóng)業(yè)生產(chǎn)和工業(yè)化石燃料燃燒.

2.3.1 Pearson相關(guān)性分析 以NDVI、LST、LAI和降水量作為影響XCO2濃度的自然因子,基于各因子的月均值產(chǎn)品,利用Pearson相關(guān)性分析探討上述因子與大氣XCO2逐月變化的線性相關(guān)性,結(jié)果如表1所示.

表1 TanSat-XCO2與自然因子的相關(guān)性

注:*代表在0.05下,相關(guān)性顯著.

從上表可見, XCO2與自然因子整體呈現(xiàn)負(fù)相關(guān),特別是NDVI,在<0.05時(shí)為-0.658.生態(tài)系統(tǒng)中植被的光合作用使其對(duì)大氣CO2有著強(qiáng)吸收,極大地影響了大氣的CO2濃度,同時(shí)也進(jìn)一步證明植被在碳排放治理中的重要作用.為進(jìn)一步探討NDVI與XCO2的關(guān)系,繪制了NDVI年度覆蓋圖(圖5)及其與TanSat- XCO2相關(guān)性圖(圖6).由于冬季北方高緯度無觀測數(shù)據(jù),因此在黑龍江等東北部地區(qū)無相關(guān)性分析結(jié)果.

由圖5可見,中國大陸NDVI空間分布呈現(xiàn)東高西低的趨勢,NDVI在東南沿海地區(qū)達(dá)到最大值,而在西藏和新疆地區(qū)值最小.主要是因?yàn)闁|部和南部地區(qū)氣候濕潤,溫度適宜,植被生長條件優(yōu)良,相應(yīng)的NDVI值隨之增大.

圖5 年度NDVI覆蓋

由圖6可見,NDVI與TanSat-XCO2整體呈現(xiàn)負(fù)相關(guān).相關(guān)性較強(qiáng)的區(qū)域主要分布在東北部地區(qū)和南部地區(qū),東北地區(qū)植被覆蓋度較高,對(duì)CO2影響較為強(qiáng)烈.根據(jù)《中國統(tǒng)計(jì)年鑒》,2017年內(nèi)蒙古森林面積為2.488×107hm2,位于全國第一.自然濕地面積5.879×106hm2,位于全國第三.耕地面積9.271× 106hm2,位于全國第二.綜合以上因素,內(nèi)蒙古的NDVI與XCO2的相關(guān)性較高.

圖6 NDVI與TanSat-XCO2相關(guān)性

西部地區(qū)NDVI與TanSat-XCO2相關(guān)性的區(qū)域差異較為明顯,一方面,陜西、甘肅、寧夏、四川和西藏東南部地區(qū)植被覆蓋度較高,植被光合作用對(duì)大氣CO2的減少有明顯貢獻(xiàn),因此負(fù)相關(guān)性較高(<-0.5);另一方面,塔克拉瑪干沙漠、古爾班通古特沙漠、巴丹吉林沙漠及周邊沙漠地區(qū)和柴達(dá)木盆地的植被覆蓋度低(NDVI<0.1)且降水量不足,植被類型以荒漠為主,對(duì)大氣CO2吸收能力弱,相關(guān)性呈現(xiàn)異常正相關(guān).

中部和東部城市群以河南、湖北、安徽和江蘇地區(qū)的NDVI與XCO2的相關(guān)性較差,主要由于人口稠密,工業(yè)發(fā)達(dá),社會(huì)生產(chǎn)和人為活動(dòng)造成的碳排放對(duì)大氣CO2產(chǎn)生了重要影響.

根據(jù)《中國統(tǒng)計(jì)年鑒》,南部地區(qū)植被茂盛,其中云南森林面積達(dá)1.914′107hm2,居全國第三.其高植被覆蓋度使得植被的光合作用對(duì)大氣的CO2濃度產(chǎn)生很大影響,與XCO2相關(guān)度較高.此外,兩廣地區(qū)人口密度高且工業(yè)發(fā)達(dá),特別是深圳、香港等沿海城市,由于高度現(xiàn)代化,社會(huì)生產(chǎn)活動(dòng)所排放的溫室氣體是影響大氣CO2濃度的主要因素,因此這些地區(qū)的NDVI與XCO2的相關(guān)性較弱.

2.3.2 地理探測器分析 因子探測器用于探測不同因子對(duì)大氣XCO2濃度空間分異性的解釋程度,選用NDVI(1)、降水量(2)、LAI(3)、LST(4)、化石燃料燃燒排放(5)和人口密度(6)的年均值數(shù)據(jù),計(jì)算上述各因子對(duì)年均大氣XCO2的解釋力值,結(jié)果見表2.由表2可見,不同因子對(duì)XCO2空間分異性的解釋程度存在一定差異,總體而言社會(huì)經(jīng)濟(jì)因子的影響程度高于自然因子.化石燃料燃燒排放對(duì)大氣XCO2影響程度最高(=0.278),說明城市化快速發(fā)展使工業(yè)溫室氣體排放急劇上升,尤其是對(duì)能源和各類化工產(chǎn)品需求的增加,致使大氣XCO2濃度急劇上升;其次是人口密度(=0.157),人口集中區(qū)對(duì)于交通和各類生活消費(fèi)需求較高,如公交車和私家車尾氣排放同樣會(huì)使大氣XCO2濃度上升;降水量不僅會(huì)稀釋大氣XCO2濃度,亦會(huì)影響植被光合作用對(duì)大氣CO2的吸收,降水量越高對(duì)大氣XCO2抑制作用越明顯.此外,NDVI、LAI和地表溫度也會(huì)影響大氣XCO2濃度的變化.

表2 單因子探測

大氣XCO2濃度變化通常是由多種因子共同作用形成的.因此,利用交互作用探測器分析多種因子對(duì)XCO2空間分布的影響,有利于深入理解XCO2濃度變化的深層驅(qū)動(dòng)機(jī)制,多因子交互作用分析結(jié)果如表3所示.由表3可見,任意兩個(gè)因子的交互作用對(duì)XCO2空間分異性的解釋程度均大于單個(gè)因子的解釋程度.化石燃料燃燒與各自然因子交互對(duì)大氣XCO2濃度變化的影響顯著,其值均在0.4以上,特別是降水量和化石燃料燃燒的共同作用最為明顯(=0.495).自然因子中,NDVI與降水量的共同作用最強(qiáng)(=0.439),其次是LST和NDVI(=0.392).交互作用對(duì)大氣XCO2影響最弱的是NDVI與LAI(= 0.213),只有這兩個(gè)因子的值小于單因子化石燃料燃燒的值.因子交互類型表現(xiàn)出非線性增強(qiáng)和雙因子增強(qiáng),未出現(xiàn)獨(dú)立和減弱類型.

表3 多因子交互作用

綜上可見,化石燃料燃燒是影響XCO2空間分布的重要因子,與其他因子的交互作用對(duì)XCO2的空間分異具有重要影響,同時(shí)NDVI與降水量交互作用下的強(qiáng)解釋力,亦說明生態(tài)系統(tǒng)對(duì)XCO2空間變化具有不可忽視的影響.

對(duì)比Pearson 相關(guān)性和地理探測器分析結(jié)果發(fā)現(xiàn),兩者既存在一致性,也具有差異性.一致性如NDVI對(duì)XCO2濃度變化存在顯著相關(guān)性,則該因子對(duì)XCO2的空間分布也具有顯著影響;差異性如降水量對(duì)XCO2的濃度變化相關(guān)性較弱,但地理探測分析則顯示該因子對(duì)XCO2空間變化具有很高的解釋能力,這或許是由于地理探測器分析的是XCO2和影響因子之間的關(guān)聯(lián)性,包括線性和非線性關(guān)系兩種情況,而 Pearson 相關(guān)系數(shù)不顯著,說明大氣XCO2和影響因子之間沒有顯著的線性關(guān)系,但并不代表不存在非線性關(guān)系.地理探測器主要研究變量間的關(guān)聯(lián)性,可表征線性和非線性關(guān)系,分析精度和結(jié)果更為全面.

3 結(jié)論

3.1 TanSat監(jiān)測濃度于春末和夏初部分值高于OCO-2監(jiān)測濃度0～3×10-6,夏中低于OCO-2監(jiān)測濃度0～3×10-6,兩種產(chǎn)品整體差異不大,季節(jié)變化趨勢一致.TanSat監(jiān)測濃度與TCCON-HeFei站點(diǎn)監(jiān)測濃度差異在(-2～2)×10-6之間,僅到達(dá)低谷值的時(shí)間不同. CT站點(diǎn)監(jiān)測濃度均比站點(diǎn)上空TanSat監(jiān)測濃度高,差異在3×10-6以內(nèi),且在冬季差異較為明顯,與高緯度冬季監(jiān)測數(shù)據(jù)不足或缺失和其他因素干擾有關(guān).但總體來看,驗(yàn)證結(jié)果符合要求,TanSat監(jiān)測濃度可用于反映中國大陸上空XCO2變化情況.

3.2 2017年～2018年間我國大氣XCO2濃度逐步增長,第一年的春季達(dá)到峰值411.04×10-6,隨后又在夏季降到低谷399.99×10-6,最后于來年春季達(dá)到新的峰值413.55×10-6,整體呈螺旋上升趨勢.夏季是大氣XCO2空間分布存在明顯差異的季節(jié),南部地區(qū)常年處于較高水平(>403×10-6),特別是工業(yè)發(fā)達(dá)和人口密集的珠江三角洲地區(qū),而北部地區(qū)由于植被在生長季的光合作用致使大氣XCO2濃度(<401×10-6)低于其他地區(qū).整個(gè)西部地區(qū)的XCO2趨勢較其他區(qū)域相對(duì)平緩,西部地區(qū)生態(tài)環(huán)境較差,對(duì)大氣XCO2吸收作用不明顯,加之地勢差異較大、交通不便、人口稀少,化石燃料燃燒向大氣排放的溫室氣體也相對(duì)較少,因此夏季大氣XCO2濃度波動(dòng)較為平緩.

3.3 自然因子和TanSat-XCO2的皮爾遜相關(guān)性分析表明,NDVI是影響大氣XCO2濃度變化的主要驅(qū)動(dòng)因子,植被光合作用顯著降低了大氣CO2濃度,NDVI與Tansat-XCO2整體呈負(fù)相關(guān)(=0.658,<0.05),負(fù)相關(guān)強(qiáng)的區(qū)域出現(xiàn)在東北地區(qū)和南部地區(qū),這些地區(qū)植被覆蓋度亦高于其他地區(qū).

3.4 綜合自然因子和社會(huì)經(jīng)濟(jì)因子的地理探測器分析表明,單因子中化石燃料燃燒對(duì)XCO2空間分異性的解釋力最強(qiáng)(=0.278),人口密度次之(=0.157),即人類活動(dòng)對(duì)大氣XCO2的影響顯著.而多因子交互中,化石燃料燃燒與其他因子的交互影響力遠(yuǎn)遠(yuǎn)大于單因子的影響力,且與降雨量的交互作用對(duì)大氣XCO2的影響最為顯著(=0.495),XCO2濃度受多種因子共同作用,人類社會(huì)經(jīng)濟(jì)活動(dòng)對(duì)生態(tài)系統(tǒng)具有重大影響.

[1] WMO. WMO greenhouse gas bulletin: the state of greenhouse gases in the atmosphere based on global observations through 2018 [M]. WMO, 2019,2019:1-8.

[2] IPCC. Climate change 2014: synthesis report summary for policymakers chapter [M]. Cambridge: Cambridge University Press, 2015,2015:2-3.

[3] 劉 毅,王 婧,車 軻,等.溫室氣體的衛(wèi)星遙感—進(jìn)展與趨勢[J]. 遙感學(xué)報(bào), 2021,25(1):53-64. Liu Y, Wang J, Che K, et al. Satellite remote sensing of greenhouse gases: progress and trends [J]. National Remote Sensing Bulletin, 2021, 25(1):53-64.

[4] 布 然,雷莉萍,郭麗潔,等.大氣CO2濃度時(shí)空變化衛(wèi)星遙感監(jiān)測的應(yīng)用潛力分析[J]. 遙感學(xué)報(bào), 2015,19(1):34-45. Bu R, Lei L P, Guo L J, et al. Analysis of temporal and spatial potential applications of satellite remote sensing of atmospheric CO2concentration monitoring [J]. Journal of Remote Sensing, 2015,19(1): 34-45.

[5] 張麗麗,趙明偉,趙 娜,等.基于OCO-2衛(wèi)星觀測模擬高精度XCO2的空間分布[J]. 地球信息科學(xué)學(xué)報(bào), 2018,20(9):1316-1326. Zhang L L, Zhao M W, Zhao N, et al. Modeling the spatial distribution of XCO2with high accuracy based on OCO-2's observations [J]. Journal of Geo-information Science, 2018,20(9):1316-1326.

[6] Sheng M Y, Lei L P, Zeng Z C, et al. Global l and 1mapping dataset of XCO2from satellite observations of GOSAT and OCO-2 from 2009 to 2020 [J]. Big Earth Data, 2022,2022:1-21.

[7] World Bank. CO2emissions (kt) – China [EB/OL]. https://data. worldbank.org/indicator/en.atm.co2e.kt/locations=CN, 2020.

[8] 鄧安健,郭海波,胡 潔,等.GOSAT衛(wèi)星數(shù)據(jù)監(jiān)測中國大陸上空CO2濃度時(shí)空變化特征 [J]. 遙感學(xué)報(bào), 2020,24(3):319-325. Deng A J, Guo H B, Hu J, et al. Analysis of temporal and distribution characteristic of CO2concentration over China based on GOSAT satellite data [J]. Journal of Remote Sensing, 2020,24(3):319-325.

[9] 王震山,繩夢雅,肖 薇,等.基于多源碳衛(wèi)星融合產(chǎn)品的中國地區(qū)XCO2與人為CO2排放時(shí)空變化 [J]. 中國環(huán)境科學(xué), 2023,43(3): 1053-1063. Wang Z S, Sheng M Y, Xiao W, et al. Spatiotemporal changes of XCO2and anthropogenic CO2emission in China based on multi- source carbon satellite fusion product [J]. China Environmental Science, 2023,43(3):1053-1063.

[10] 呂政翰.中國大氣二氧化碳濃度時(shí)空變化特征及其影響因素分析 [D]. 哈爾濱:哈爾濱師范大學(xué), 2019. Lv Z H. Spatial and temporal variation characteristic of atmospheric carbon dioxide concentration and its influencing factors in China [D]. Harbin: Harbin Normal University, 2019.

[11] 鐘 惠.衛(wèi)星遙感大氣CO2濃度變化與人為排放的關(guān)聯(lián)分析研究 [D]. 北京:中國科學(xué)院大學(xué)(遙感與數(shù)字地球研究所), 2019. Zhong H. Correlation analysis of satellites derived atmospheric CO2variations and anthropogenic emissions [D]. Beijing: University of Chinese Academy of Sciences (Institute of Remote Sensing and Digital Earth), 2019.

[12] Liu Y, Wang J, Yao L, et al. The TanSat mission: preliminary global observations [J]. Science Bulletin, 2018,63(18):1200-1207.

[13] Yang D, Boesch H, Liu Y, et al. Toward high precision XCO2retrievals from TanSat observations: retrieval improvement and validation against TCCON measurements [J]. Journal of Geophysical Research: Atmospheres, 2020,125(22):e2020JD032794.

[14] Bao Z, Zhang X, Yue T, et al. Retrieval and validation of XCO2from TanSat target mode observations in Beijing [J]. Remote Sensing, 2020,12(18):3063.

[15] Wang S, van der A R, Stammes P, et al. Carbon dioxide retrieval from TanSat observations and validation with TCCON measurements [J]. Remote Sensing, 2020,12(14):2204.

[16] Yang D, Hakkarainen J, Liu Y, et al. Detection of anthropogenic CO2emission signatures with TanSat CO2and with Copernicus Sentinel- 5Precursor (S5P) NO2measurements: first results [J]. Adv. Atmos. Sci., 2023,40(1):1-5.

[17] Yang D, Liu Y, Feng L, et al. The first global carbon dioxide flux map derived from TanSat measurements [J]. Adv. atmos. Sci., 2021,38(9): 1433-1443.

[18] Hong X, Zhang P, Bi Y, et al. Retrieval of global carbon dioxide from TanSat satellite and comprehensive validation with TCCON measurements and satellite observations [J]. IEEE Transactions on Geoscience and Remote Sensing, 2022,60:1-16.

[19] 王勁峰,徐成東.地理探測器:原理與展望 [J]. 地理學(xué)報(bào), 2017,72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective [J]. Acta Geographica Sinica, 2017,72(1):116-134.

[20] 王 研,馬瑞瑞,李 娟,等.基于地理探測器的地表水質(zhì)影響因素研究——以山西省呂梁市為例 [J]. 環(huán)境科學(xué)學(xué)報(bào), 2023,43(2):212- 222. Wang Y, Ma R, Li J, et al. Study on influential factors of surface water quality using geographic detector-A case of Lvliang City, Shanxi Province［J］.Acta Scientiae Circumstantiae, 2023,43(2):212-222.

[21] 龔 倉,王 亮,王順祥,等.基于地理探測器的鎮(zhèn)域尺度土壤重金屬含量空間分異及其影響因素分析 [J]. 環(huán)境科學(xué), 2022,43(10): 4566-4577. Gong C, Wang L, Wang S X, et al. Spatial differentiation and influencing factor analysis of soil heavy metal content at town level based on geographic detector [J]. Environmental Science, 2022,43(10): 4566-4577.

[22] Wunch D, Wennberg P O, Osterman G, et al. Comparisons of the orbiting carbon observatory-2XCO2measurements with TCCO-N [J]. Atmospheric Measurement Techniques, 2017,10(6):2209-2238.

[23] Nayak R K, Deepthi E N, Dadhwal V K, et al. Evaluation of NOAA carbon tracker global carbon dioxide products [C]//International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences, 2014,40(8):287–290.

[24] Labzovskii L D, Kenea S T, Lindqvist H, et al. Towards robust calculation of interannual CO2growth signal from TCCON (total carbon column observing network) [J]. Remote Sensing, 2021, 13(19):3868.

[25] 莫 露,巫兆聰,張 熠.中國XCO2時(shí)空分布與影響因素分析 [J]. 中國環(huán)境科學(xué), 2021,41(6):2562-2570. Mo L, Wu Z C, Zhang Y. Spatial and temporal variations of XCO2in China and its influencing factors analysis [J]. China Environmental Science, 2021,41(6):2562-2570.

[26] 魏 寧.基于衛(wèi)星遙感的中國大氣CO2濃度時(shí)空分布特征及其影響因素研究[D]. 上海:華東師范大學(xué), 2017. Wei N. A study of atmospheric CO2spatial-temporal distribution and its influencing factors in China based on satellite observation [D]. Shanghai: East China Normal University, 2017.

[27] 袁自然,魏立飛,張楊熙,等.優(yōu)化CARS結(jié)合PSO-SVM算法農(nóng)田土壤重金屬砷含量高光譜反演分析[J]. 光譜學(xué)與光譜分析, 2020,40 (2):567-573. Yuan Z R, Wei L F, Zhang Y X, et al. Hyperspectral inversion and analysis of heavy metal arsenic content in farmland soil based on optimizing CARS combined with PSO-SVM algorithm [J]. Spectroscopy and Spectral Analysis, 2020,40(2):567-573.

[28] Bi Y M, Wang Q, Yang Z D,et al. Validation of column-averaged dry- air mole fraction of CO2retrieved from OCO-2 using ground-based FTS measurements [J]. Journal of Meteorological Research, 2018, 32(3):433-443.

[29] 夏玲君,劉立新,李柏貞,等.我國中部地區(qū)大氣CO2柱濃度時(shí)空分布 [J]. 中國環(huán)境科學(xué), 2018,38(8):2811-2819. Xia L J, Liu L X, Li B Z, et al. Spatial and temporal distribution characteristics of atmospheric CO2in central China [J]. China Environmental Science, 2018,38(8):2811-2819.

[30] 程巳陽,安興琴,周凌晞,等.北京上甸子大氣本底站 CO2濃度的源匯區(qū)域代表性研究 [J]. 中國環(huán)境科學(xué), 2015,35(9):2576-2584. Cheng S Y, An X Q, Zhou L X, et al. CO2concentration representation of source and sink area at Shangdianzi atmospheric background station in Beijing [J]. China Environmental Science, 2015,35(9):2576-2584.

[31] 李國平.第二十屆全國區(qū)域經(jīng)濟(jì)學(xué)學(xué)科建設(shè)年會(huì)[C]//天津:南開大學(xué), 2021. Li G P. The 20th national annual conference on discipline construction of regional economics [C]//Tianjin: Nankai University, 2021.

[32] 國家統(tǒng)計(jì)局.中國統(tǒng)計(jì)年鑒 [M]. 北京:中國統(tǒng)計(jì)出版社, 2018, 8(22):261. National Bureau of Statistics of China. China statistical yearbook [M]. Beijing: China Statistics Press, 2018,8(22):261.

Monitoring and driving factors analysis of CO2concentration in China’s mainland based on TanSat.

LI Kai-xuan, YANG Li-ping*, ZHANG Jing, REN Jie, WANG Yu

(1.School of Geological Engineering and Geomatics, Chang'an University, Xi 'an 710054, China)., 2023,43(11)：5645～5654

Based on XCO2, the column-averaged dry-air mole fraction of CO2, observed by TanSat from March 2017 to March 2018, the accuracy and reliability of this dataset were comprehensively verified and validated against NASA's OCO-2 satellite observations and CT and TCCON ground measurements in China’s mainland. XCO2characteristics in five main regions were analyzed, and driving effects of natural and socioeconomic factors on atmospheric CO2concentration were investigated by using Pearson correlation analysis and Geodetector method. The results demonstrate a good consistency between TanSat and OCO-2 observations only with a minor difference between (-3～3)×10-6. In general, XCO2concentration fluctuates regularly with seasons. In summer obvious regional distinctions were detected. XCO2concentration in south China was at a higher level and greater than 403×10-6due to intense human influence.Compared with other regions, in north China,a lower average XCO2concentration (<401×10-6) was observed due to intense vegetation photosynthesis herein. Whereas XCO2trend in west China was relatively flat. NDVI is the major natural factor affecting XCO2concentration and presents a significant linear negative correlation with TanSat observations (=-0.658,<0.05). While fossil fuel burning had the strongest explanatory power for XCO2spatial heterogeneity, and its interaction with various natural factors had much greater effect than each single factor. However, interaction between fossil fuel burning and rainfall would be the most influential one with avalue of 0.495.

TanSat；accuracy verification；correlation analysis；geodetector；concentration monitoring；driving factor analysis

X511

A

1000-6923(2023)11-5645-10

李凱旋(1998-),男,陜西咸陽人,長安大學(xué)碩士研究生,主要研究方向?yàn)榇髿猸h(huán)境遙感.2021126050@chd.edu.cn.

李凱旋,楊麗萍,張 靜,等.基于TanSat的中國大陸CO2濃度監(jiān)測及驅(qū)動(dòng)因子分析 [J]. 中國環(huán)境科學(xué), 2023,43(11):5645-5654.

Li K X, Yang L P, Zhang J, et al. Monitoring and driving factors analysis of CO2concentration in China’s mainland based on TanSat [J]. China Environmental Science, 2023,43(11):5645-5654.

2023-03-28

陜西省科技廳基金項(xiàng)目(2020ZDLSF06-07)

*責(zé)任作者, 副教授, zylpyang@chd.edu.cn