中国XCO2时空分布与影响因素分析

莫 露,巫兆聪,张 熠

中国XCO2时空分布与影响因素分析

莫 露,巫兆聪*,张 熠

(武汉大学遥感信息工程学院,湖北 武汉 430079)

结合OCO-2卫星观测的CO2柱浓度混合比数据(XCO2),研究2014～2018年间中国CO2的时空分布及季节波动,并对影响XCO2分布的因素进行相关分析.结果表明, XCO2在研究时段内以2.56×10-6/a的速度增长;年均季节波动为3.26×10-6.在2014～2018年间观测到中国植被呈显著的上升趋势,尤其是在西北和东南沿海地区. 植被活动是影响XCO2季节变化的重要因素,在东北地区观测到XCO2与归一化植被指数(NDVI)呈显著负相关(=-0.58).人为排放是影响XCO2空间分布的重要因素,二者具有空间分布一致性(=0.397,<0.05),尤其是在人为排放较强(>103t)的区域,人为排放量与XCO2的相关性更强(=0.714).最后分区域统计人口、电力消耗和路网密度等社会经济因素对XCO2的影响,相关性分析的结果分别为0.78, 0.69和0.34,证明中国XCO2分布与社会经济因素的相关性.

XCO2浓度；时空分布；季节波动；影响因素分析

CO2是大气中最主要且寿命较长的温室气体,对于地球大气辐射及气候变化有着重大影响[1-2].自2006年以来,中国由于其快速的社会经济发展及较大的人口基数,成为全世界最主要的温室气体排放国之一[3-4].但中国大气CO2时空分布存在较强的不确定性,环境因素的影响机制尚未清晰.

区域CO2浓度因时间、地区而异,并受到气候、地表覆盖、植被和人为活动的影响.一些专家学者对分析影响CO2时空分布和影响因素进行研究:包括结合区域植被和地表覆盖、气候类型、气温、地表亮温、降水、风速风向、人为排放和能耗等数据,分析多种影响因素对区域大气CO2时空分布的影响[5-8].但目前已有的针对CO2时空分布和影响因素的研究分析多是考虑单个因素的影响,缺乏对多种影响因素的综合分析. 卫星XCO2观测数据可以有效揭示植被活动、人为排放和社会经济因素对碳循环的影响.为此,许多国家开展了相关碳卫星观测计划,包括欧洲的ENVISAT SCIAMACHY,日本GOSAT及后续星GOSAT-2,美国OCO-2及OCO-3等.我国也于2016年12月发射了第一颗嗅碳卫星TanSat,并于2018年开始发布数据[9-13].

因此,本文假设OCO-2卫星观测数据能够较好地反映近地表CO2变化情况,使用2014年8月～2018年12月的OCO-2XCO2数据结合经验正交分解,分析区域CO2的时空分布变化及季节波动.同时假设MODIS植被指数产品、ODIAC人为排放清单数据和中国统计年鉴中人口、电力消耗和路网密度数据能够较好地表示区域的植被、人为排放和社会经济状况,定性定量分析不同影响因素对中国CO2浓度分布的影响.

1 数据集与方法

1.1 数据来源

1.1.1 OCO-2XCO2数据 使用的XCO2数据来自OCO-2日观测数据(v9r),覆盖2014年9月～ 2018年12月,但2014年11月、2017年8月存在数据空缺.OCO-2卫星能够以较高的空间分辨率(～2.25km)提供地面XCO2观测信息[14].为了保证数据的可靠性,本文仅使用OCO-2在陆地上的观测,并以Quality Flag(QF)为0进行数据筛选和质量控制,获取高观测质量的XCO2数据.与总碳柱浓度观测网TCCON地面站数据对比, OCO-2观测的整体标准差为～1×10-6[15].

考虑到OCO-2观测受云和气溶胶等影响, XCO2数据时空分布不均匀且存在空缺,在研究区域范围内构建0.5°×0.5°格网,对XCO2数据进行重采样并统计格网内XCO2的月平均值.在这一尺度下,研究区域XCO2观测点覆盖较均匀且密集.

1.1.2 MODIS NDVI数据 本文使用归一化植被指数NDVI来表征区域植被活动,通过分析NDVI与XCO2的相关性来研究植被对区域CO2的影响.这里使用的NDVI数据来自MODIS Level-3月均数据(MOD13A3), 需重采样到与XCO2一致的0.5°格网.

1.1.3 人为排放清单数据ODIAC 使用的化石燃料CO2排放数据来自ODIAC人为CO2排放清单. ODIAC是日本国家环境实验室NIES下GOSAT项目组开发的全球高分辨率人为CO2排放数据集, 基于国家级化石燃料CO2排放估计量、化石燃料消耗统计数据、卫星观测的夜间灯光数据和CARMA发电厂数据库提供的点源位置/排放数据对人为CO2排放进行估算, 能够在全球范围内提供1km和1°格网的月均人为CO2排放数据[16].这里使用的是ODIAC数据的最新版本ODIAC 2019数据集1km排放数据.

1.1.4 其他辅助数据 为分析社会经济因素对CO2浓度分布的影响,使用来自中国统计年鉴的包括人口、电力消费和路网长度在内的社会经济数据[17].

1.2 研究方法

式中:是实对称阵,满足式(6)

式中:的列为的特征向量,是由的特征值组成的对角阵,而时间函数求解方法如式(7)所示.

最后计算特征向量的贡献率,得到的第一特征向量(第一空间模态),认为是研究时段内最具有共同特征的平均场,最具代表性.通过时空转换得到的时间序列也类似.对2014～2018年中国月均XCO2进行EOF分解,获得最具代表性的第一空间模态和第一时间模态,从而分析XCO2的时空分布特征.

式中:x和x分别为第和个时间序列数据.研究使用泰尔森斜率估计方法评估中国2014～2018年NDVI的变化,从而确定研究时段内中国植被的变化趋势.

1.2.3 Mann-Kendall检验 通过对中国2014～ 2018年NDVI数据进行泰尔森斜率估计后,需要对趋势估计结果做Mann-Kendall检验[19],确定区域植被时序变化趋势是否显著.

对于具有个样本的时间序列,定义标准化统计检验量,如式(9)～(10)所示.

式中: sign是符号函数,满足式(11)～(12).

2 结果分析与讨论

2.1 地面验证

为了评估重采样后OCO-2观测的XCO2数据的准确性,将卫星XCO2数据与地面站数据进行对比验证.使用的地面验证数据来自WMO/GAW提供中国大气本底站数据[20],包括瓦里关站(WLG)、鹿林站(LLN)和上甸子站(SDZ),如图1所示.

地面验证结果如图2所示.2个数据集具有较好的一致性(2=0.61,RMSE=2.41×10-6),但不同站点存在差距.WLG位于远离建成区的青藏高原瓦里关,大气成分稳定且清洁,受人为影响较小,因此数据一致性较强(2=0.74, RMSE=2.10×10-6).LLN位于山区,周边无工业影响,2=0.81,RMSE=1.61×10-6.但SDZ位于北京城区东北,周边工业密集,人口众多,地面站更易受到人为排放的影响,站点数据与卫星观测相差较大(2=0.48,RMSE=2.74×10-6).

图1 地面验证站点分布

图2 地面验证结果

总的来说,卫星观测数据与地面站点数据具有较好的一致性.WLG和LLN站地面验证相关性更强,其次是SDZ,主要是受站点周边环境的影响.数据集整体偏差为2.41×10-6,这一结果与前人的研究精度相似[21],表明内插后的月均XCO2数据是可靠的,可以用于后续的分析.

2.2 中国XCO2的时空分布特征

为了量化分析中国XCO2的时空变化,对2014～ 2018年月平均XCO2数据进行EOF分析.EOF第一模式几乎包括XCO2变化的全部信息,占比84.24%,能够较好地反映XCO2的年际变化.

图3 研究时段内XCO2第一空间模态分布

由图3可知,研究时段内中国XCO2分布存在东西差异,XCO2浓度自西向东逐渐上升,并在上海西部达到最大值(405.66×10-6),最小值集中出现在藏南地区(401.75×10-6).中国CO2分布东西梯度明显,总体特征是东部CO2浓度较高,西部较低.这与前人的研究结果一致[22-24],主要是由于CO2主要来源为人为排放与生物质燃烧排放,而中国人口密度大且经济发达的区域集中于东部,人为排放的差异引起了中国CO2空间分布的东西梯度差.

类似的,通过EOF分析得到对应的XCO2第一时间模态,它反映了XCO2年际变化,结果如图4(a)所示.

由图4(a)中2014～2018年中国XCO2平均年际变化可知,中国XCO2时间分布表现出明显的逐年上升和季节波动趋势:由2014年9月的394.67×10-6上升到2018年12月的409.15×10-6,年增长趋势为2.56×10-6/a,高于2014～2018年全球2.07×10-6/a的平均增长速率.主要是由于研究时段内中国的高速发展,人为排放增强造成的:中国处于高速发展时期,而经济增长通常意味着更多的能源消耗和更大的CO2排放.据中国统计年鉴显示[17],2014～2018年中国的国内生产总值(GDP)呈持续上升趋势,从2014年的63.61万亿元增加到2018年的90.03万亿元,同时人口也从2014年的13.68亿人增加到13.95亿人.人口和经济的增长伴随碳排放量的增加,中国碳排放由2014年的9820Mt波动上升到2018年的10065Mt.

为了研究XCO2的季节波动,对月均XCO2浓度数据进行去趋势化处理,得到XCO2的季节振幅,如图4(b)所示.中国XCO2每月变化具有明显的季节波动性:XCO2年最大值出现在春季(3～5月),最小值集中在夏季(7～8月),XCO2的平均季节振幅为3.26×10-6/a.XCO2的季节波动主要受到生物圈活动和人为排放的影响.冬季植被活动减弱,对CO2的吸收能力也下降,而此时城市供暖,含碳化石燃料大量燃烧,冬季XCO2开始上升;春季植被活动开始恢复,由于光合作用还未达到最大水平,而土壤分解和植被的呼吸作用随着温度上升增强,光合作用仍弱于植被和土壤的呼吸作用,因此大气XCO2仍在增长,最终导致XCO2在春季达到峰值[25];夏季植被生长旺盛,光合作用对CO2的吸收较强,反映在季节趋势上,夏季XCO2达到全年最低值.

2.3 中国植被变化趋势及其影响分析

植被是影响区域CO2分布的重要因素,通过对大气CO2的吸收、储存和释放作用影响区域碳循环[26].

使用2014～2018年时序NDVI数据,研究中国植被变化趋势,并结合XCO2时序数据分析植被对大气CO2的影响.针对NDVI数据,使用泰尔森趋势估计和Mann-Kendall检验,确定中国植被变化的空间分布,如图5所示.

对中国2014～2018年各像素NDVI值进行了趋势估计,表现出正趋势的像素多于负趋势:中国58.5%像素的NDVI值都表现出正增长趋势,33.6%的像素为负趋势.对趋势估计的结果进行显著性检验,结果表明,2014～2018年中国大部分地区的NDVI变化趋势都未通过显著性检验(>0.05),仅8.8%的像素表现出显著变化,其中88.7%的像素表现出增加趋势.

图5 研究时段内中国植被变化趋势

总的来说,2014～2018年间中国植被呈增加趋势,并且在西北的陕西、内蒙古和新疆等地和东南沿海的福建、珠三角地区,植被的增加趋势更为明显.这与前人的研究结果相似[27].自1999年国家开始实施退耕还林还草政策以来,中国西北地区平均NDVI呈上升趋势,区域植被的逐步增加与这20余年来的生态工程建设密切相关[28].东南沿海地区经济发达,人口密集,城市化进程通常伴随着植被的退化,但亦研究表明,由于地方政府实行环境友好政策,如跨区域生态补偿机制,近几年来东南沿海城市绿化水平明显增加[29].

中国的NDVI空间分布也表现出东高西低的趋势, NDVI在台湾东南沿海地区取得最大值(0.88),新疆取得最小值(-0.07).植被生长主要受气候因素的影响,东南沿海区域温度适宜,降水充足,植被生长更为旺盛,相应的NDVI值较大.针对植被对CO2的影响分析,统计NDVI与XCO2的Pearson相关系数,结果如图6所示.

NDVI与XCO2总体呈负相关(=-0.40,<0.05),体现植被对大气CO2的吸收作用,XCO2浓度变化受到植被活动的影响.并且影响程度在空间分布上有所不同:在东北地区发现强的负相关区域(= -0.58),分析原因,东北地表覆盖以森林和农田为主,较高的植被覆盖率使得植被活动对CO2影响强烈.根据中国统计年鉴,2018年内蒙古和黑龙江森林面积分别为2614.85万hm2和1990.46万hm2,位居全国第一和第三[17],此外东北平原还是中国最大的粮食生产基地.较大的植被面积可能导致东北地区XCO2变化较大.植被活动会显著影响近地表CO2浓度,进而反映到卫星观测中.而中国东部沿海以及西南地区负相关性较弱(>-0.28).对于人口稠密,工业发达的东部地区,人为排放对大气CO2的影响不可忽视,且受沿海气候的影响,NDVI与XCO2相关性较弱.西南地区全年NDVI都处于较高水平(年均NDVI=0.67),是全国平均NDVI值的197%.且云南省2018年森林面积为2106.16万hm2,位居全国第二,全年植被NDVI的季节波动较小,与XCO2的相关性也较弱.

仅统计2014～2018年生长季(4～10月)NDVI与XCO2的相关系数,发现相关性显著增强,尤其是在东北地区,区域平均相关系数达到-0.69.相关性的增强也说明植被对大气CO2的吸收作用,并且这种影响主要出现在植被生长活动旺盛的季节.

植被是引起区域CO2季节变化的主要因素,但驱动生物圈-大气CO2交换的潜在机制尚不清晰,遥感能够为研究其内在机制提供有效的技术手段. XCO2反映整层气柱中CO2的总量,可以作为研究陆地生物圈碳通量变化的重要指标.中国NDVI在生长季逐渐上升,对应的XCO2呈下降趋势,二者表现出相似的模式.这表明由于植被生长期间对CO2的吸收增加,植被光合作用大量吸收大气CO2,引起近地表CO2浓度变化,进而被卫星观测,即植被活动的增强对区域大气XCO2浓度产生了可测量的影响.

2.4 中国人为排放及其影响分析

人为排放是大气CO2排放的主要来源.统计中国2014～2018年均ODIAC分布,如图7(a)所示.中国人为排放较强的区域集中在京津冀、长三角和珠三角等经济发达地区.这些区域经济高速发展,其中三大城市群占全国经济份额超过40%,人口众多,相应的人为排放也较强.

人为排放与XCO2的空间分布模式具有一致性:XCO2较大的区域集中在中国东部沿海地区,对应的人为排放量也较大.这也说明人类活动对XCO2浓度的影响.但也存在异常区域:新疆沙漠地区XCO2浓度较高,对应的人为排放量却较少,分析原因,这主要是沙漠XCO2反演算法在沙漠地区的不确定性导致的[30].

为了分析人为排放与XCO2的相关性,以101t为间隔将人为排放量划分6个等级,统计对应的平均XCO2浓度[31],结果如图7(b)所示.

整体来看,ODIAC和XCO2在空间分布上显著相关,相关系数=0.397(<0.05),并且在人为排放大的地区(>103t),二者的相关系数会提高到0.714.区域人为排放较小时,XCO2的变化也较为平缓,当排放量大于103t时,XCO2随人为排放增长呈线性变化.这一结果证明,人为排放与XCO2分布具有空间一致性,人为排放较强的区域,XCO2浓度也较高;并且在人为排放较大的区域,OCO-2卫星能够更好地观测并估算CO2排放.

人类活动会导致大量的CO2排放,从而导致近地表CO2浓度的变化,但生物圈的吸收作用和大气运动等会影响CO2的估算.年均XCO2和人为排放量的相关性表明,可以通过遥感观测XCO2估算区域人为排放量,特别是在排放量较大的区域.但对于低排放地区和点源排放地区,由于大气运动会影响遥感对点源CO2信号的探测,所以遥感观测在排放量较小的区域观测估算的不确定性会增强.

2.5 社会经济因素对XCO2分布的影响分析

社会经济因素是CO2排放的内在驱动因素.前人的研究中,IPAT/Kaya模型被广泛应用于分析CO2排放的驱动因素.模型将影响CO2排放的人口、经济和技术因素划分为4类:人口规模、人均GDP、GDP能源强度和能源消耗碳足迹[32].参考这一思路,本文分别分析了人口、电力和路网能耗对CO2浓度的影响.

为了分析人口、电力消耗和路网长度等社会经济因素对XCO2空间分布的影响,将中国划分为7个子区,分别是东北(NE)、华北(NC)、华东(EC)、华中(CC)、华南(SC)、西北(NW)和西南(SW),具体分区如图1所示.分区域统计人口(亿人)、电力消耗(单位:亿kw·h)、路网长度(km)和对应的XCO2,结果如图8所示.

XCO2与社会经济水平及人类活动强度相关,为此统计社会经济因素与XCO2的空间分布格局,结果表明,人口、电力消费量和路网长度与XCO2呈正相关,但无一一对应关系:东北地区人口、电力消耗和路网均低于西南地区,其XCO2浓度却略高于西南地区.分析原因,西南与东北地区的人为排放量相差较大,东北地区作为我国主要的重工业区,年均人为排放量是西南地区的3倍,这种地区差异主要是由于经济发展和产业结构的差异造成的.总的来说,人口、电力和路网等社会经济因素与XCO2空间分布相关性较好.

分析XCO2与人口、电力消费量及路网长度的相关性,其相关系数矩阵如表1所示.

表1 XCO2与人口、电力消费量及路网长度相关性

由表1可知,人口与电力、路网之间的相关性较强,即人口众多的地区通常对电力消费较高,交通也更为发达.XCO2与人口、电力消耗相关性更强,相关系数达到0.780和0.694.人口密集区域通常意味着更多的能源消耗,相应的碳排放量也会增加;而火力发电仍以燃煤为主,含碳化石燃料的大量燃烧,导致大量CO2排放,也反映在XCO2浓度上.区域电力消耗一定程度上反映了区域经济发展情况,说明大气XCO2变化与人类活动、社会经济水平显著相关[33].

3 结论

3.1 2014～2018年间,XCO2空间分布存在区域差异,自西向东XCO2浓度逐渐上升,在东部沿海的长三角地区取得最大值.这与我国能源消耗和人口密度分布格局相似.时序分布上,中国XCO2浓度由2014年的394.67×10-6上升到2018年的409.15×10-6,年增长速率为2.56×10-6/a,比全球2.07´10-6/a的平均水平高23.67%.并且存在明显的季节波动,区域年最大XCO2浓度出现在春季,最小值集中在夏季,季节振幅达到3.26×10-6.研究时段内中国XCO2浓度的持续上升与国家快速发展,能源排放增加相关,而区域XCO2的季节波动模式与生物圈活动,尤其是植被的季节变化相关.

3.2 植被影响中国XCO2的时空分布,是我国主要碳汇.二者的相关分析表明,植被活动对区域大气CO2有明显的吸收作用,全国范围内植被与XCO2总体呈负相关(=-0.40,<0.05),并且在植被活跃的生长季(4～11月)相关性显著增强(=-0.69),反映出植被对区域碳排放的吸收作用.

3.3 通过对人为排放和XCO2相关分析发现,二者具有空间一致性.人为排放强的区域对应的XCO2浓度也较大,二者整体相关系数为0.394.且人为排放较大的地区(排放量>103t),人为排放与XCO2的相关系数提高到0.714.证明人为排放化石燃料燃烧对区域XCO2的贡献,并且卫星观测对估算人为排放较强地区的碳排放更有优势.

3.4 社会经济水平对区域CO2分布的影响不可忽视.通过分析人口、电力消费量和路网长度对XCO2的影响,发现XCO2与人口、电力消耗相关性更强,相关系数分别为0.78和0.69,证明大气XCO2变化与人类活动、社会经济水平的相关性.

[1] 程巳阳,安兴琴,周凌晞,等.北京上甸子大气本底站CO2浓度的源汇区域代表性研究 [J]. 中国环境科学, 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.

[2] 韦芬芬,林惠娟,曹舒娅,沈沛丰,惠品宏.苏南地区CO2本底浓度及源汇特征 [J]. 中国环境科学, 2020,40(3):975-982.

Wei F F, Lin H J, Cao S Y, et al. A study on background concentration and source-sink characteristics of CO2in south of Jiangsu [J]. China Environmental Science, 2020,40(3):975-982.

[3] Marland G, Boden T A, Andres R J. Global, regional, and national fossil fuel CO2emissions.Trends: A Compendium of Data on Global Change [Z]. 2003:34-43.

[4] Tian H, Lu C, Ciais P, et al. The terrestrial biosphere as a net source of greenhouse gases to the atmosphere [J]. Nature, 2016,531(7593): 225-228.

[5] Corinne L Q, Andrew R M, Friedlingstein P, et al. Global carbon budget 2017 [J]. Earth System Science Data, 2018,10(1):405-448.

[6] Guo M, Wang X F, Li J, et al. Spatial distribution of greenhouse gas concentrations in arid and semi-arid regions: A case study in East Asia [J]. Journal of Arid Environments, 2013,91(4):119-128.

[7] Hwang Y S, Um J S. Comparative evaluation of XCO2concentration among climate types within India region using OCO-2 signatures [J]. Spatial Information Research, 2016,24(6):679-688.

[8] Hakkarainen J, Ialongo I, Tamminen J. Direct space-based observations of anthropogenic CO2emission areas from OCO-2 [J]. Geophysical Research Letters, 2016,43(11):400-406.

[9] Schneising O, Buchwitz M, Reuter M, et al. Long-term analysis of carbon dioxide and methane column-averaged mole fractions retrieved from SCIAMACHY [J]. Atmospheric Chemistry and Physics, 2011, 11(6):2863-2880.

[10] Nakajima M, Kuze A, Suto H. The current status of GOSAT and the concept of GOSAT-2 [C]//Sensors, Systems, and Next-Generation Satellites XVI. International Society for Optics and Photonics, 2012,8533:853306.

[11] Frankenberg C, Pollock R, Lee RAM, et al. 2015. The Orbiting Carbon Observatory (OCO-2): spectrometer performance evaluation using pre-launch direct sun measurements [J]. Atmospheric Measurement Techniques, 8(1):301-313.

[12] Taylor TE, Eldering A, Merrelli A, et al. 2020. OCO-3 early mission operations and initial (vEarly) XCO2 and SIF retrievals [J]. Remote Sensing of Environment, 251:112032.

[13] Liu Y, Wang J, Yao L, et al. 2018. TanSat mission achievements: from scientific driving to preliminary observations [J]. 空间科学学报, 38(5):627-639.

Liu Y, Wang J, Yao L, et al. 2018. TanSat mission achievements: from scientific driving to preliminary observations [J]. Journal of Space Science, 38(5):627-639.

[14] Jet Propulsion Laboratory California Institute of Technology. Orbiting carbon observatory-2 (OCO-2) data product user’s guide, operational L1and L2 data, versions 8 and lite file version 9 [Z]. Washington, D.C: NASA, 2018,10:13.

[15] Kuai L, Wunch D, Shia R L, et al. Vertically constrained CO2retrievals from TCCON measurements [J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 2012,113(14):1753–1761.

[16] Oda T, Maksyutov S. A very high-resolution (1km×1km) global fossil fuel CO2emission inventory derived using a point source database and satellite observations of nighttime lights [J]. Atmospheric Chemistry and Physics, 2011,11(2):543-556.

[17] 国家统计局.中国统计年鉴 [M]. 北京:中国统计出版社, 2019.

National Bureau of Statistics of China. China statistical yearbook [M]. Beijing: China Statistics Press, 2019.

[18] 龚 斌,甘小莉,刘伟玲,等.基于EOF分析的三江源区植被覆盖变化时空分布特征 [J]. 地学前缘, 2013,20(3):234-239.

Gong B, Gan X L, Liu W L, et al. The vegetation distribution characteristics in the Three-River Headwaters Region in China based on EOF analysis [J]. Earth Science Frontiers, 2013,20(3):234-239.

[19] 汪 攀,刘毅敏.Sen's斜率估计与Mann-Kendall法在设备运行趋势分析中的应用 [J]. 武汉科技大学学报, 2014,(6):454-457.

Wang P, Liu Y M. Application of Sen's slope estimation and Mann-Kendall method in the trend analysis of equipment operation [J]. Journal of Wuhan University of Science and Technology, 2014,(6): 454-457.

[20] Diao A, Shu J, Song C, et al. Global consistency check of AIRS and IASI total CO2column concentrations using WDCGG ground-based measurements [J]. Earth Science Frontiers, 2017,11(1):1-10.

[21] Wang X, He H, Li J, et al. Estimating CO2concentration during the growing season from MODIS and GOSAT in East Asia [J]. International Journal of Remote Sensing, 2015,36(17/18):4363-4383.

[22] Zhao J, Cui W, Sun Y. Spatial and temporal distribution characteristics of near-surface CO2concentration over China based on GOSAT data [C]//Remote Sensing and Modeling of the Atmosphere, Oceans, and Interactions V.International Society for Optics and Photonics, 2014, 9265:92650N.

[23] Lv Z, Shi Y, Zang S, et al. Spatial and temporal variations of atmospheric CO2concentration in China and its influencing factors [J]. Atmosphere, 2020,11(3):231.

[24] Mustafa F, Bu L, Wang Q, et al. Multi-year comparison of CO2concentration from NOAA carbon tracker reanalysis model with data from GOSAT and OCO-2 over Asia [J]. Remote Sensing, 2020, 12(15):2498.

[25] Wang X, Zhang X Y, Zhang L Y, et al. Interpreting seasonal changes of low-tropospheric CO2over China based on SCIAMACHY observations during 2003～2011 [J]. Atmospheric Environment, 2015, 103:180-187.

[26] Liu Y, Wang X, Guo M, et al. Mapping the FTS SWIR L2 product of XCO2and XCH4 data from the GOSAT by the Kriging method – a case study in East Asia [J]. International Journal of Remote Sensing, 2012,33(10):3004-3025.

[27] Li S, Yang S, Liu X, et al. NDVI-Based analysis on the influence of climate change and human activities on vegetation restoration in the Shaanxi-Gansu-Ningxia Region, Central China [J]. Remote Sensing, 2015,7(9):11163-11182.

[28] 金 凯,王 飞,韩剑桥,等.1982～2015年中国气候变化和人类活动对植被NDVI变化的影响 [J]. 地理学报, 2020,75(5):961-974.

Jin K, Wang F, Han J Q, et al. Contribution of climatic change and human activities to vegetation NDVI change over China during 1982～2015 [J]. Acta Geographica Sinica, 2020,75(5):961-974.

[29] Hu M, Xia B. A significant increase in the normalized difference vegetation index during the rapid economic development in the Pearl River Delta of China [J]. Land Degradation & Development, 2019, 30(4):359-370.

[30] Bie N, Lei L. Regional uncertainty of GOSAT XCO2retrievals in China: Quantification and attribution [J]. Atmospheric Measurement Techniques, 2018,11(3):1251–1272.

[31] Yang S, Lei L, Zeng Z, et al. An Assessment of anthropogenic CO2emissions by satellite-based observations in China [J]. Sensors, 2019,19(5):1118.

[32] Hwang Y S, Um J S, Schlüter S. Evaluating the mutual relationship between IPAT/Kaya identity index and ODIAC-Based GOSAT fossil-fuel CO2flux: Potential and constraints in utilizing decomposed variables [J]. International Journal of Environmental Research and Public Health, 2020,17(16):5976.

[33] 吕政翰.中国大气二氧化碳浓度时空变化特征及其影响因素分析[D]. 哈尔滨:哈尔滨师范大学, 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.

Spatial and temporal variations of XCO2in China and its influencing factors analysis.

MO Lu, WU Zhao-cong*, ZHANG Yi

(School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China)., 2021,41(6)：2562～2570

We comprehensively analysed the spatio-temporal changes and seasonal patterns in the CO2concentrations in China from 2014 to 2018 using OCO-2XCO2data. Moreover, influencing factors of XCO2were evaluated. Regarding the temporal distribution, the CO2concentration in China increased at an average rate of 2.56×10-6/a, with significant annual seasonal variations of 6.78 ×10-6. A significant increasement of vegetations was observed in China between 2014 and 2018, especially in the northwest and southeast coastal, which was mainly related to the returning farmland to forest program. Seasonal variations of XCO2in China were generally controlled by vegetation activities, and a significant negative correlation between XCO2and NDVI was observed, especially in northeast China (=-0.58). Anthropogenic emissions were identified as the dominant contributor of XCO2distributions, and the spatial correlation were quantified (=0.397,<0.05), especially for those regions with larger emissions (emissions>103t,=0.714). Finally, the socio-economic factors such as population, electricity consumption and road network density were found to affect XCO2by region, and the results of the correlation analysis were 0.78, 0.69 and 0.34, respectively.

XCO2concentration；spatial and temporal distribution；seasonal patterns；analysis of influencing factors

X511

A

1000-6923(2021)06-2562-09

2020-12-15

国家自然科学基金(41971283,41827801)

* 责任作者, 教授, zcwoo@whu.edu.cn

莫 露(1996-),女,广西贵港人,武汉大学硕士研究生,主要研究方向为温室气体遥感监测.发表论文1篇.