基于多源碳卫星融合产品的中国地区XCO_(2)与人为CO_(2)排放时空变化

准确评估大气CO_(2)浓度和人为CO_(2)排放时空变化对于减缓温室气体排放导致的气候变化至关重要,因此,本文基于GOSAT和OCO-2卫星数据融合生成的全球长时间序列、时空连续的Mapping-XCO_(2)产品,研究2010~2020年中国大气CO_(2)柱浓度(XCO_(2))时空变化特征以及卫星监测人为CO_(2)排放能力.结果表明:Mapping-XCO_(2)与中国大气本底站观测存在较高的一致性,具有良好的适用性;2010~2020年中国XCO_(2)呈现东高西低的空间分布,年均XCO_(2)为400.4×10^(-6),年增长速率为2.47×10^(-6);非生长季XCO_(2)异常可刻画人为CO_(2)排放时空变化,各省级行政区非生长季XCO_(2)异常与人为排放清单EDGAR和ODIAC的相关系数分别为0.71、0.67;2010~2020年京津冀、长三角、珠三角等三个城市群人为CO_(2)排放增长率分别为0.12×10^(-6)/a、0.08×10^(-6)/a、0.08×10^(-6)/a.研究结果表明卫星遥感在监测大气CO_(2)浓度和人为CO_(2)排放时空变化方面的有效性.

一种基于大气CO_(2)浓度时空特征的碳排放分区估算方法

针对人为碳排放的空间分布量级差异大导致排放数据的非正态分布问题,提出了一种基于卫星大气CO_(2)柱浓度(XCO_(2))时空变化特征聚类分区构建人为碳排放神经网络估算模型方法.通过利用与人为碳排放强相关的卫星XCO_(2)数据时空变化(2010~2021年)特征的聚类分区,利用卫星观测的XCO_(2)和SIF以及夜间灯光、人口密度和人为排放清单数据EDGAR作为训练学习数据,以聚类区为单位分别构建人为碳排放神经网络估算模型,估算了2021年研究区人为碳排放.与EDGAR交叉验证结果显示,相比以中国全区数据作为训练学习样本统一建模方法的估算,本研究提出的分区建模估算结果从相关系数(R^(2))的0.43提高到了0.82;空间分布更为合理;平均偏差由0.039Mt CO_(2)降低到0.018Mt CO_(2).研究表明利用多源数据的神经网络训练学习进行人为碳排放的估算,能够为区域碳排放特征和排放清单的不确定性提高提供评估分析依据.

长三角地区大气NO_(2)和CO_(2)浓度的时空变化及驱动因子分析

以长三角城市群为研究对象,利用卫星遥感观测数据协同分析长三角地区大气NO_(2)和CO_(2)浓度的时空变化特征和驱动因子,揭示了长三角地区污染物和CO_(2)高浓度地区空间格局.结果表明长三角城市群地区大气NO_(2)和CO_(2)浓度的时空分布及变化特征呈现了受化石燃料燃烧和机动车排放等人为活动以及区域地形、地表覆盖、气候等自然条件的综合影响结果.大气NO_(2)和CO_(2)高浓度值围绕太湖明显呈口对西南向的U字形分布,一致于围绕太湖分布的杭州、上海、苏州、无锡、常州和南京等大型城市区域,以及安徽铜陵地区的工业排放区.大气NO_(2)浓度值呈现秋冬时期较高,夏季最低的季节分布特征.大气CO_(2)浓度受植被CO_(2)吸收和CO_(2)的积累影响,8~9月最低,4~5月最高.此外,随着人为排放活动的急剧减少,2020年1~3月的大气NO_(2)浓度比2019年同时期降低了50%以上,其中分布了以钢铁厂、燃煤厂为主的大型工业热源的城市NO_(2)浓度下降最多,如镇江、南京、马鞍山.