基于OCO-2卫星遥感数据的三峡库区XCO2时空特征演变分析

阮琳 曹维佳,2 杨国兴 张丽丽,2,3,* 牟晓莉

基于OCO-2卫星遥感数据的三峡库区XCO2时空特征演变分析

阮琳1曹维佳1,2杨国兴1张丽丽1,2,3,*牟晓莉1

（1 长江三峡技术经济发展有限公司，北京 100038）（2 中国科学院空天信息创新研究院，北京 100094）（3 中科空间信息（廊坊）研究院，廊坊 065001）

定量分析三峡库区大气二氧化碳柱浓度混合比（XCO2）演变趋势及空间分布，能有效探究水电工程对库区大气CO2浓度的影响，对实现国家“双碳”目标，调节能源结构具有重要参考价值。文章选取轨道碳观测卫星-2（OCO-2）卫星观测数据，基于反距离权重（IDW）插值，利用曼-肯德尔（Mann-Kendall）法非参检验、森氏（Sen's）斜率估计、空间自相关分析以及冷热点算法，分析研究区大气CO2的演变趋势和空间特征。研究结果表明：1）2015～2020年，三峡库区各区县大气CO2月均、年均浓度呈上升趋势，研究区整体呈显著增长趋势；冬季大气CO2浓度最高，秋季最低，表现出明显的季节性周期变化。2）2015～2020年三峡库区大气CO2具有较高空间相关性，且部分区域表现出冷热点聚集现象。3）三峡库区XCO2与全国平均水平具有良好一致性，三峡工程的建设并未导致三峡库区CO2浓度升高。

三峡库区 二氧化碳浓度 时空特征 卫星遥感

0 引言

二氧化碳（CO2）作为温室气体的重要组成，是影响地球辐射平衡的关键因素[1-4]。工业革命以来，社会经济得到了快速提升，但同时大气CO2排放量也在急剧增加，导致全球地表平均温度持续上升，让人类赖以生存的气候、生态环境受到严重威胁[5-6]。因此，如何科学分析和量化大气CO2浓度的时序变化和空间分布特征，成为国内外学者研究全球气候变化的一个重要方向[7]。

为积极应对气候变化，我国提出“碳达峰，碳中和”目标，在筑牢我国能源安全体系的同时，实现稳定高质量发展[8-9]。水电工程以清洁能源著称，被认为能够有效减少碳排放，在碳中和进程中肩负重任。然而有研究表明，水库也可能会释放大量的温室气体，甚至某些水电型水库生产单位电力所释放的温室气体会大于火电所产生的温室气体[10-12]。为此，探究水电型水库对当地CO2浓度变化的影响，能够为水电型水库的建设及管理决策提供参考依据，为实现“双碳”目标提供数据支持，也为长江大保护工作提供科学建议。

传统大气CO2探测方法多借助于地基温室气体观测系统，该系统能够实现对大气CO2浓度的准确和高频次观测，但也存在全球地基站点稀疏、分布不均匀、单点观测等不足，难以实现对全球CO2大范围或某一特定区域实时、统一的探测[13]。扫描成像吸收光谱仪（SCIAMACHY）、大气红外探测仪（AIRS）、温室气体观测卫星（GOSAT）、轨道碳观测卫星-2（OCO-2）、碳卫星（TanSat）、温室气体观测卫星-2（GOSAT-2）等碳观测卫星的发射，使科学便捷地获取大气CO2柱浓度混合比（XCO2）数据，探究大气CO2浓度变化成为可能[14-16]。同时，众多学者针对碳观测卫星的应用展开积极研究[17-23]，通过与地基站点数据对比分析等手段，验证了基于OCO-2卫星遥感反演的大气XCO2具有较高精度[24-26]。

本文基于OCO-2卫星遥感观测数据，利用反距离权重（IDW）插值、曼-肯德尔法非参检验（Mann-Kendall，M-K）、森氏斜率估计（Sen's slope）、空间自相关、冷热点分析等算法，对三峡库区大气XCO2时序演变趋势及空间分布特征展开研究，并与全国的平均水平做对比分析，以期为实现国家“双碳”目标和长江大保护提供数据支持。

1 研究区和数据源

本文基于OCO-2卫星观测数据进行遥感反演XCO2，采用TCCON（Total Carbon Column Observing Network）地基站点数据对OCO-2的XCO2数据进行精度验证，并结合MODIS（Moderate Resolution Imaging Spectroradiometer）MOD13Q2数据产品对三峡库区XCO2空间聚集特征的原因进行分析。

1.1 研究区概况

三峡库区地处四川盆地与长江中下游平原的结合部（105°00'E～112°00'E，28°00'N～32°00'N），跨越鄂中山区峡谷及川东岭谷地带，北屏大巴山、南依川鄂高原，全长600km，植被覆盖度约为74%，属亚热带湿润季风性气候[27]。研究区为紧邻长江两岸的17个区县（图1），总面积约1.3×104km2，在长江流域梯级水库中占据核心位置[28]。

图1 三峡库区行政区划

1.2 OCO-2的XCO2数据

OCO-2卫星由美国国家航空航天局（NASA）于2014年7月发射并服役，能够以较高的空间分辨率提供地面XCO2观测信息[24]，旨在对碳排放、碳循环进行精确观测，改善全球碳循环观测模型，以更好地探究大气XCO2的变化，更准确地预测全球气候变化趋势[13]。目前，官网发布的OCO-2卫星日观测L2 XCO2数据空间分辨率为2.25km×1.29km，重访周期为16d。

文章选取中国区域2014-09–2021-06的L2 XCO2数据（2017年8月份数据缺失），作为分析研究区CO2浓度变化的基础数据。同时，依据数据产品说明手册，以质量标志参数（Quality Flag）为指标对数据点进行筛选，进一步提高数据品质[29]。然后，在WGS-1984坐标系下，将得到的高品质大气XCO2日观测数据，依据月、季度、年等时间节点进行整合处理，考虑到OCO-2卫星观测受到云、气溶胶等影响，XCO2数据存在空缺，利用IDW算法对存在数据空缺的部位进行插值填补，在研究区范围内构建0.25°×0.25°格网数据。

1.3 TCCON地基站点数据

TCCON地基站点是指全球柱浓度观测网，是基于傅里叶光谱仪（FTS）获取太阳直射光谱，能够实现大气XCO2的精确观测，在卫星反演精度验证中得到广泛应用[1-2]。文章选用TCCON在中国境内的香河站点XCO2数据，对OCO-2 XCO2数据插值结果进行验证。

1.4 MODIS NDVI数据产品

本研究所使用的MODIS MOD13Q2数据产品，时间分辨率为16d，空间分辨率为1km，时间范围为2015-03–2021-02。数据预处理时，采用均值融合方法得到研究区归一化植被指数（NDVI）的空间分布，用于三峡库区XCO2空间聚集特征的原因分析。

2 研究方法

文章以OCO-2的XCO2数据为基础，利用反距离权重算法在研究区构建格网数据，对XCO2数据进行插值填补，根据Mann-Kendall非参检验、Sen's斜率估计[30-31]对研究区内CO2浓度演变趋势和速率进行分析，并通过空间相关性分析、冷热点分析算法对三峡库区CO2浓度空间分布特征进行探究。

2.1 反距离权重插值

反距离权重插值是以未知点与已知样本点间的空间距离为权重（样本点距未知点越近，权重越大，越远权重越小）进行加权平均的插值方法，被广泛应用于地理、环境、海洋等领域[32]。计算公式为

2.2 空间相关性分析

空间自相关分析是指地理空间中的各项观测值之间的相关程度，通常选用全局莫兰指数（Global Moran's I）作为空间自相关的度量参考，该指数能有效表征研究区整体范围内，所有空间对象之间的平均关联程度、空间分布模式和显著性。具体计算公式为[33-34]

2.3 冷热点分析

3 结果分析与讨论

本节首先对基于OCO-2 XCO2数据的IDW插值结果进行精度分析，然后分析三峡库区CO2浓度月度、季度、年度增长变化趋势和空间分布特征，进而与全国平均水平对比，探索影响三峡库区大气CO2浓度变化的自然因素，及导致其空间聚集特征的人文因素。

3.1 OCO-2 XCO2插值结果精度验证

本研究选取近3年(2018-06–2020-04)的地基观测数据对基于OCO-2 XCO2数据的IDW插值结果进行精度分析，以TCCON地基香河站点（116.96°N，39.75°E）观测数据的月均值为基准，以站点所在像元为空间匹配，逐月对OCO-2 XCO2插值格网进行一致性分析。结果（图2）表明：OCO-2 XCO2插值结果总体上略高于香河站点数据，除个别月份相差较明显外，整体上两者较为一致。OCO-2 XCO2插值结果与香河站点数据绝对误差平均值为1.7×10–6，各月误差百分比均值为0.41%，相关系数（2）为0.768，表现出良好一致性，能够满足研究区XCO2分析需求。

图2 OCO-2 XCO2数据与TCCON香河站观测数据对比（左）及相关性分析（右）

图3 全国整体和三峡库区大气XCO2数值月变化曲线

表1 2015～2020年大气XCO2及NDVI季度均值

3.2 大气XCO2月变化特征

2014年9月～2021年6月，全国和三峡区域大气XCO2年际变化均呈明显波浪式上升趋势，具有良好一致性（图3）；大气XCO2的年内变化一般是1～4月份呈逐渐上升趋势并达到极大值，5～8月份呈持续下降趋势，8月份前后达到峰谷极值，9～12月大气XCO2逐渐回升，表现出明显的季节性变化特征。

3.3 大气XCO2季节变化特征

根据三峡库区2015～2020年大气XCO2数据多年季度均值（表1）及空间分布（图4），可以看出三峡库区大气CO2浓度呈现出明显的时空差异性。其中，春季代表3～5月；夏季代表6～8月；秋季代表9～11月；冬季代表12月和次年1～2月；按季度对大气XCO2数据进行分析， XCO2均值从高到低依次为：冬季、春季、夏季、秋季。这是由于在三峡库区夏季植被NDVI达到最高，强烈的光合作用吸收了空气中大量的CO2，使得研究区XCO2持续下降；秋季，受环境影响，植被逐渐衰落，光合作用强度降低，大气CO2浓度先下降后回升，直至冬季达到峰值；春季，植被开始复苏，但尚处于萌芽时期，光合作用较弱，大气CO2浓度呈先上升后下降趋势，整体浓度均值相较冬季有所降低[9]。

结合表1，可以看出2015～2020年中国平均大气XCO2也具有季节变化特征，具体表现为：冬季>春季>秋季>夏季，该趋势与文献[3]及文献[36]中的2003～2011年、2009～2016年的中国大气XCO2季节变化规律相类似。与三峡库区相比，全国整体大气XCO2在夏季时就达到最小值（图5）。夏季时我国北部特别是东北地区大气XCO2处于较低水平，秋季时该区域大气XCO2已有所回升。分析知，物候差异可能是造成这一差异的主要原因。我国北部相较中南部植被枯萎更早，光合作用对大气CO2吸收量与对应区域内排放量达到平衡点的时间也更早，故导致全国整体均值达到最低值的时间与三峡库区相比稍有提前。

图4 三峡库区2015～2020年大气XCO2季节均值空间分布(0.25°×0.25°)

图5 全国整体2015～2020多年大气XCO2浓度季节均值空间分布（0.25°×0.25°）

图6 2015～2020年全国整体和三峡库区大气XCO2结果

3.4 大气XCO2年际变化特征

如图6所示，2015年～2020年三峡库区和全国整体大气CO2浓度逐年均值变化呈现出明显上升式趋势，由2015年时的400×10–6左右，到2020年时增长到413×10–6左右，年均增长约2.6×10–6，平均增长速率分别为0.56%、0.53%。2015～2016年增长速率相对较高，2017～2020年增长速率有所减缓，整体上三峡库区与全国平均水平变化趋势一致，增量相近。

对三峡库区2015～2020年大气XCO2在时间维度上进行趋势显著性分析和定量变化率估计，如图7所示。结果表明：1）M-K非参检验，三峡库区各区县均呈上升趋势。其中，巫溪县、开县、云阳县等区县及三峡库区整体M-K趋势统计量绝对值（）均大于2.57，表明该区域CO2浓度呈极显著性增长趋势；兴山县、巫山县、南岸区等1.96，表明该区域CO2呈显著增长趋势；巴东县、秭归县、沙坪坝区等大气CO2浓度增长趋势显著性相对较低。2) Sen's斜率估计中，三峡区域各区县估计量均大于0，即研究区内大气XCO2数值增长速率均为正值。其中，渝北区斜率值最大，表明渝北区大气CO2浓度增长趋势最为明显。

图8为2015～2020年三峡库区大气XCO2年均结果，可以看到：近年来，渝北区、涪陵区、南岸区大气CO2浓度增长较为明显；宜昌县、兴山县等大气CO2浓度水平相对较低；三峡库区整体大气CO2浓度呈逐年上升趋势。

图7 研究区域大气XCO2时序分析结果

3.5 空间自相关及冷热点分析

针对2015～2020年三峡库区大气XCO2均值数据，采用莫兰指数进行空间相关性分析，结果表明研究区内CO2浓度分布具有显著空间正相关性，其中，2020年数据分布仅有小于10%的可能是随机分布的，其余年份数据分布仅有小于5%的可能是随机分布的，也即数据呈聚集分布的可能性大于随机分布的可能。在此基础上，利用冷热点分析算法，对研究区内CO2浓度的空间聚集情况进行分析（图9），可以发现：2016、2017和2019年具有明显的热点聚集现象，集聚地点位于忠县、涪陵区、巫山县、巴东县、长寿县、北培区、渝北区、沙坪坝区、江北区等；2015、2018和2020年具有明显的冷点集聚现象，集聚地点位于兴山县、秭归县、宜昌县、宜昌。除较少区域存在冷点和热点聚集现象，研究区内大部分区域无明显聚集特征。热点区域主要聚集在重庆城区，该区域工业较为发达，碳排放量相对较高；而沙坪坝区、江北区、渝北区、大渡口区等热点或热点周边区域，其NDVI统计均值均在0.5以下，相对较低（图10），植被对CO2吸收能力较弱是促使热点区域XCO2高值聚集的原因之一。同时，长江生态环保、煤矿整治、电力体制改革等人为因素，也对研究区CO2浓度变化有不同程度的影响。

图10 研究区内各县NDVI统计均值（左）及空间分布（右）

4 结束语

本文基于OCO-2卫星遥感数据，通过反距离权重插值、M-K非参检验、Sen's斜率估计、空间自相关分析及冷热点分析算法，探究三峡库区大气CO2浓度演变趋势和空间分布特征，得到如下结论：

1）2014-09–2021-06，三峡库区和全国区域大气CO2浓度月均值呈现波浪式上升态势，即每年在冬季达到最大值、秋季（三峡库区）或夏季（全国区域）达到最小值，具有明显的季节性周期变化。

2）2015～2020年三峡库区大气CO2年均浓度呈平稳上升趋势，与月均值数据分析结果相吻合，与全国整体大气CO2浓度变化趋势保持一致。M-K非参检验和Sen's斜率估计结果表明三峡库区各区县大气CO2浓度变化呈增长或显著增长趋势，研究区整体呈显著增长趋势。

3）空间相关性分析表明，2015～2020年三峡库区大气CO2浓度在空间上均表现出较高的空间相关性；通过冷热点分析可知，2016、2017和2019年具有明显的热点聚集现象；2015、2018和2020年具有明显的冷点集聚现象。

综上分析，三峡库区大气CO2浓度呈增长趋势，与全国整体月、季度、年均值的变化趋势基本一致，未表现出明显差异性，能在一定程度上说明三峡工程并未导致三峡库区CO2浓度升高。

[1] 邓安健, 郭海波, 胡洁, 等. GOSAT卫星数据监测中国大陆上空CO2浓度时空变化特征[J]. 遥感学报, 2020, 24(3): 319-325.

DENG Anjian, GUO Haibo, HU Jie, et al. Temporal and Distribution Characteristic of CO2Concentration over China Based on Gosat Satellite[J]. National Remote Sensing Bulletin, 2020, 24(3): 319-325. (in Chinese)

[2] 吴长江. 多源卫星长时间序列XCO2数据生成方法研究[D]. 北京: 中国科学院大学(中国科学院遥感与数字地球研究所), 2018.

WU Changjiang. Inteqration of Long Timeseries Atmospheric CO2Observations Retrieved from Multiple Satellite[D]. Beijing: University of Chinese Academy of Sciences (Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences), 2018. (in Chinese)

[3] 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.

LYU Zhenghan. Spatial and Temporal Variation Characteristics of Atmospheric Carbon Dioxide Concentration and Its Influencing Factors in China[D]. Harbin: Harbin Normal University, 2019. (in Chinese)

[4] DUFRESNE J L, CREVOISIER C, EYMET V, et al. Greenhouse Effect: The Relative Contributions of Emission Height and Total Absorption[J]. Journal of Climate, 2020, 33(9): 3827-3844.

[5] ZHANG C, LI S, WAN J H. The Warmest Year 2015 in the Instrumental Record and Its Comparison with Year 1998[J]. Atmospheric & Oceanic Science Letters, 2016, 9(6): 487-494.

[6] MIKHAYLOV A, MOISEEV N, ALESHIN K, et al. Global Climate Change and Greenhouse Effect[J]. Entrepreneurship and Sustainability Issues, 2020, 7(4): 2897-2913.

[7] 白文广, 张兴赢, 张鹏. 卫星遥感监测中国地区对流层二氧化碳时空变化特征分析[J]. 科学通报, 2010, 55(30): 2955-2962.

BAI Wenguang, ZHANG Xingying, ZHANG Peng. Analysis of Temporal and Spatial Variation Characteristics of Tropospheric Carbon Dioxide Monitoring by Satellite Remote Sensing in China[J]. Science Bulletin, 2010, 55(30): 2955-2962. (in Chinese)

[8] GREGG J S, ANDRES R J, MARLAND G. China: Emissions Pattern of the World Leader in CO2Emissions from Fossil Fuel Consumption and Cement Production[J]. Geophysical Research Letters, 2008, 35(8): 1-5.

[9] 李晋, 蔡闻佳, 王灿, 等. 碳中和愿景下中国电力部门的生物质能源技术部署战略研究[J]. 中国环境管理, 2021, 13(1): 59-64.

LI Jin, CAI Wenjia, WANG Can, et al. The Deployment Strategy of Bioenergy Technology in China's Power Sector Under the Vision of Carbon Neutralioy[J]. China Environmental Management. 2021, 13(1): 59-64. (in Chinese)

[10] 李双. 三峡水库库中地区典型干、支流水体p(CO2)的时空分布及影响因素研究[D]. 上海: 上海大学, 2014.

LI Shuang. Spatiotemporal Distribution and Influencing Factors of p(CO2) in Typical Dry and Tributary Water Bodies in the Three Gorges Reservoir[D]. Shanghai: Shanghai University, 2014. (in Chinese)

[11] GUNKEL G. Hydropower – A Green Energy? Tropical Reservoirs and Greenhouse Gas Emissions[J]. Clean – Soil Air Water, 2009, 37(9): 726-734.

[12] KELLY C A, RUDD J W M, BODALY R A, et al. Increases in Fluxes of Greenhouse Gases and Methyl Mercury Following Flooding of an Experimental[J]. Environmental Science & Technology, 1997, 31(5): 1334-1334.

[13] 李勤勤. 大气CO2卫星遥感反演算法与软件实现[D]. 合肥: 中国科学技术大学, 2020.

LI Qinqin. Atmospheric CO2Satellite Remote Sensing Inversion Algorithm and Software Implementation[D]. Hefei: University of Science and Technology of China, 2020. (in Chinese)

[14] 刘毅, 吕达仁, 陈洪滨, 等. 卫星遥感大气CO2的技术与方法进展综述[J]. 遥感技术与应用, 2011, 26(2): 247-254.

LIU Yi, LYU Daren, CHEN Hongbin, et al. Advances in Technologies and Methods for Satellite Remote Sensing of Atmospheric CO2[J]. Remote Sensing Technology and Application, 2011, 26(2): 247-254. (in Chinese)

[15] 王振. 中国区域大气CO2特征及源汇分析研究[D]. 西安: 长安大学, 2019.

WANG Zhen. Research on Regional Atmospheric CO2Characteristics And Source-Sink Analysis in China[D]. Xi'an: Chang'an University, 2019. (in Chinese)

[16] 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)

[17] WU L, BRUGH J, MEIJER Y, et al. XCO2Observations Using Satellite Measurements with Moderate Spectral Resolution: Investigation Using GOSAT and OCO-2 Measurements[J]. Atmospheric Measurement Techniques, 2020, 13(2): 713-729.

[18] SIABI Z, FALAHATKAR S, ALAVI S J. Spatial Distribution of XCO2Using OCO-2 Data in Growing Seasons[J]. Journal of Environmental Management, 2019, 244: 110-118.

[19] WANG H, JIANG F, WANG J, et al. Terrestrial Ecosystem Carbon Flux Estimated Using GOSAT and OCO-2 XCO2Retrievals[J]. Atmospheric Chemistry and Physics, 2019, 19(18): 12067-12082.

[20] NASSAR R, MASTROGIACOMO J P, BATEMAN-HEMPHILL W, et al. Advances in Quantifying Power Plant CO2Emissions with OCO-2[J]. Remote Sensing of Environment, 2021, 264(1): 112579.

[21] WU L H, HASEKAMP O, HU H L, et al. Carbon Dioxide Retrieval from OCO-2 Satellite Observations Using the RemoTeC Algorithm and Validation with TCCON Measurements[J]. Atmospheric Measurement Techniques, 2018, 11(5): 3111-3130.

[22] YE X, LAUVAUX T, KORT E A, et al. Constraining Fossil Fuel CO2Emissions from Urban Area Using OCO-2 Observations of Total Column CO2[J]. Atmospheric Chemistry and Physics, 2017: 1-30. DOI:10.5194/acp-2017-1022.

[23] MILLER S M, MICHALAKA M, YADAV V, et al. Characterizing Biospheric Carbon Balance Using CO2Observations from the OCO-2 Satellite[J]. Atmospheric Chemistry & Physics, 2018, 18(9): 6785-6799.

[24] CRISP D, POLLOCK H R, ROSENBERG R, et al. The On-orbit Performance of the Orbiting Carbon Observatory-2 (OCO-2) Instrument and its Radiometrically Calibrated Products[J]. Atmospheric Measurement Techniques, 2017, 10(1): 1-45.

[25] GETIS A, ORD J K. The Analysis of Spatial Association by Use of Distance Statistics[J]. Geographical Analysis, 1992, 24(3): 189-206.

[26] AILIN L, WEI G, GE H, et al. Comparison of Satellite-Observed XCO2from GOSAT, OCO-2, and Ground-Based TCCON[J]. Remote Sensing, 2017, 9(10): 1033.

[27] 杨凯祥, 刘强, 李秀红, 等. 三峡库区土壤侵蚀和植被覆盖变化分析[J]. 北京师范大学学报(自然科学版), 2021, 57(5): 631-638.

YANG Kaixiang, LIU Qiang, LI Xiuhong, et al. Analysis of Soil Erosion and Fractional Vegetation Cover Change in the Three Gorges Reservoir Area[J]. Journal of Beijing Normal University(Natural Science Edition), 2021, 57(5): 631-638. (in Chinese)

[28] 王圆圆, 李贵才, 郭徵, 等. 1979年～2014年三峡库区月平均气温的时空变化分析[J]. 遥感学报, 2018, 22(3): 487-496.

WANG Yuanyuan, LI Guicai, GUO Hui, et al. Spoctial-temporal Analysis of Monthly air Temperatwre Changes from 1979-2014 in the Three Gorges Region[J]. Journal of Remote Sensing, 2018, 22(3): 487-496. (in Chinese)

[29] 张丽丽, 赵明伟, 赵娜, 等. 基于OCO-2卫星观测模拟高精度XCO2的空间分布[J]. 地球信息科学学报, 2018, 20(9): 1316-1326.

ZHANG Lili, ZHAO Mingwei, ZHAO Na, et al. Modeling the Spatial Distribution of XCO2with High Accuracy Based on OCO-2ʹs Obsenations[J]. Journal of Earth Information Science, 2018, 20(9): 1316-1326. (in Chinese)

[30] 孙灏, 阮琳, 郭航, 等. 生态用地比例遥感估算及应用分析——以宁夏沿黄城市带为例[J]. 遥感信息, 2021, 36(3): 67-75.

SUN Hao, RUAN Lin, GUO Hang, et al. Remote Sensing Estimation and Application Analysis of Ecological Land Proportion and Its Practical Analysis: Taking Urban Along Yellow River in Ningxia, China for an Example[J]. Remote Sensing Information, 2021, 36(3): 67-75. (in Chinese)

[31] 孙灏, 马立茹, 蔡创创, 等. 干旱区地表温度和热岛效应演变研究——以宁夏沿黄城市带为例[J]. 干旱区地理, 2020, 43(3): 694-705.

SUN Hao, MA Liru, CAI Chuangchuang, et al. Evolution of Surface Temperature and Heat Island Effect in Arid Areas: A Case of City Belt Along the Yellow River in Ningxia[J]. Geography of Arid Regions, 2020, 43(3): 694-705. (in Chinese)

[32] 曾金迪. 基于空间自回归神经网络的插值方法及其模拟和实测数据验证[D]. 杭州: 浙江大学, 2020.

ZENG Jindi. Interpolation Method Based on Spatial Autoregressive Neural Network and Its Simulation and Measured Data Verification[D]. Hangzhou: Zhejiang University, 2020. (in Chinese)

[33] YIN C, HE Q, LIU Y, et al. Inequality of Public Health and Its Role in Spatial Accessibility to Medical Facilities in China[J]. Applied Geography, 2018, 92: 50-62.

[34] YE Weifeng, MA Zhongyu, HA Xiuzhen. Spatial-temporal Patterns of PM2.5 Concentrations for 338 Chinese Cities[J]. Science of the Total Environment, 2018, 631/632: 524-533.

[35] 曹君, 张正栋, 崔峰艳, 等. 1996～2015年纽约湾区生态系统服务对景观格局变化的响应[J]. 世界地理研究, 2021, 30(4): 826-838.

CAO Jun, ZHANG Zhengdong, CUI Fengyan, et al. Responses of Ecosystem Services to Landscape Pattern Changes in the New York Bay Area from 1996 to 2015[J]. World Geographic Research, 2021, 30(4): 826-838. (in Chinese)

[36] WANG Xi, ZHANG Xingying, ZHANG Liyang, et al. Interpreting Seasonal Changes of Low-tropospheric CO2over China Based on SCIAMACHY Observations during 2003～2011[J]. Atmospheric Environment, 2015, 103: 180-187.

Analysis on the Spatial-temporal Evolution of XCO2in the Three Gorges Reservoir Region Based on OCO-2 Satellite

RUAN Lin1CAO Weijia1,2YANG Guoxing1ZHANG Lili1,2,3,*MOU Xiaoli1

（1 Yangtze Three Gorges Technology & Economy Development Co., Ltd. (TGDC), Beijing 100038, China）（2 Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China）（3 Zhongke Langfang Institute of Spatial Information Applications, Langfang 065001, China）

To achieve China's "dual carbon" target and adjust the country's energy structure, it is essential to do significant research on the impact of hydroelectric projects in the Three Gorges Reservoir Region on atmospheric CO2concentrations. Quantitative analysis of the evolution trend of the atmospheric XCO2and its spatial distribution is one of the most effective measurement techniques. In this paper, we employed OCO-2 satellite data, inverse distance weight (IDW) interpolation, the Mann-Kendall nonparametric test, Sen's slope estimation, spatial autocorrelation analysis, and cold hot spot methods to analyze the evolution trend and spatial distribution of atmospheric CO2in the study area. The research results have shown that: 1) From 2015 to 2020, the monthly and annual average atmospheric CO2concentration of each district and county in the Three Gorges Reservoir Region showed an increasing trend, and the overall study area showed a significant growth trend. The atmospheric CO2concentration was the highest in winter and the lowest in autumn, showing obvious seasonal cycle change. 2) The atmospheric CO2in the Three Gorges Reservoir Region from 2015 to 2020 has a high spatial correlation, and some regions show the phenomenon of cold and hot aggregation. 3) The XCO2in the Three Gorges Reservoir Region is consistent with the national average level, and the construction of the Three Gorges Project did not lead to the increase of CO2concentration in the Three Gorges Reservoir Region.

Three Gorges Reservoir Region; CO2concentration; spatial and temporal characteristics; satellite remote sensing

P456.7

A

1009-8518(2022)06-0141-11

10.3969/j.issn.1009-8518.2022.06.014

2022-05-07

国家自然科学基金（41907192）；河北省自然科学基金（D2022103002）；资源与环境信息系统国家重点实验室开放基金；民用航天预研项目（D040102）

阮琳, 曹维佳, 杨国兴, 等. 基于OCO-2卫星遥感数据的三峡库区XCO2时空特征演变分析[J]. 航天返回与遥感, 2022, 43(6): 141-151.

RUAN Lin, CAO Weijia, YANG Guoxing, et al. Analysis on the Spatial-temporal Evolution of XCO2in the Three Gorges Reservoir Region Based on OCO-2 Satellite[J]. Spacecraft Recovery & Remote Sensing, 2022, 43(6): 141-151. (in Chinese)

阮琳，男，1993年生，2021年获中国矿业大学（北京）硕士学位，现为助理工程师。研究方向为资源与环境遥感及遥感应用。

张丽丽，1987年生，女，博士，主要从事大气遥感、GIS应用研究。E-mail：zhangll@lreis.ac.cn。

（编辑：夏淑密）