中國XCO2時空分布與影響因素分析

莫 露,巫兆聰,張 熠

中國XCO2時空分布與影響因素分析

莫 露,巫兆聰*,張 熠

(武漢大學遙感信息工程學院,湖北 武漢 430079)

結合OCO-2衛星觀測的CO2柱濃度混合比數據(XCO2),研究2014～2018年間中國CO2的時空分布及季節波動,并對影響XCO2分布的因素進行相關分析.結果表明, XCO2在研究時段內以2.56×10-6/a的速度增長;年均季節波動為3.26×10-6.在2014～2018年間觀測到中國植被呈顯著的上升趨勢,尤其是在西北和東南沿海地區. 植被活動是影響XCO2季節變化的重要因素,在東北地區觀測到XCO2與歸一化植被指數(NDVI)呈顯著負相關(=-0.58).人為排放是影響XCO2空間分布的重要因素,二者具有空間分布一致性(=0.397,<0.05),尤其是在人為排放較強(>103t)的區域,人為排放量與XCO2的相關性更強(=0.714).最后分區域統計人口、電力消耗和路網密度等社會經濟因素對XCO2的影響,相關性分析的結果分別為0.78, 0.69和0.34,證明中國XCO2分布與社會經濟因素的相關性.

XCO2濃度；時空分布；季節波動；影響因素分析

CO2是大氣中最主要且壽命較長的溫室氣體,對于地球大氣輻射及氣候變化有著重大影響[1-2].自2006年以來,中國由于其快速的社會經濟發展及較大的人口基數,成為全世界最主要的溫室氣體排放國之一[3-4].但中國大氣CO2時空分布存在較強的不確定性,環境因素的影響機制尚未清晰.

區域CO2濃度因時間、地區而異,并受到氣候、地表覆蓋、植被和人為活動的影響.一些專家學者對分析影響CO2時空分布和影響因素進行研究:包括結合區域植被和地表覆蓋、氣候類型、氣溫、地表亮溫、降水、風速風向、人為排放和能耗等數據,分析多種影響因素對區域大氣CO2時空分布的影響[5-8].但目前已有的針對CO2時空分布和影響因素的研究分析多是考慮單個因素的影響,缺乏對多種影響因素的綜合分析. 衛星XCO2觀測數據可以有效揭示植被活動、人為排放和社會經濟因素對碳循環的影響.為此,許多國家開展了相關碳衛星觀測計劃,包括歐洲的ENVISAT SCIAMACHY,日本GOSAT及后續星GOSAT-2,美國OCO-2及OCO-3等.我國也于2016年12月發射了第一顆嗅碳衛星TanSat,并于2018年開始發布數據[9-13].

因此,本文假設OCO-2衛星觀測數據能夠較好地反映近地表CO2變化情況,使用2014年8月～2018年12月的OCO-2XCO2數據結合經驗正交分解,分析區域CO2的時空分布變化及季節波動.同時假設MODIS植被指數產品、ODIAC人為排放清單數據和中國統計年鑒中人口、電力消耗和路網密度數據能夠較好地表示區域的植被、人為排放和社會經濟狀況,定性定量分析不同影響因素對中國CO2濃度分布的影響.

1 數據集與方法

1.1 數據來源

1.1.1 OCO-2XCO2數據 使用的XCO2數據來自OCO-2日觀測數據(v9r),覆蓋2014年9月～ 2018年12月,但2014年11月、2017年8月存在數據空缺.OCO-2衛星能夠以較高的空間分辨率(～2.25km)提供地面XCO2觀測信息[14].為了保證數據的可靠性,本文僅使用OCO-2在陸地上的觀測,并以Quality Flag(QF)為0進行數據篩選和質量控制,獲取高觀測質量的XCO2數據.與總碳柱濃度觀測網TCCON地面站數據對比, OCO-2觀測的整體標準差為～1×10-6[15].

考慮到OCO-2觀測受云和氣溶膠等影響, XCO2數據時空分布不均勻且存在空缺,在研究區域范圍內構建0.5°×0.5°格網,對XCO2數據進行重采樣并統計格網內XCO2的月平均值.在這一尺度下,研究區域XCO2觀測點覆蓋較均勻且密集.

1.1.2 MODIS NDVI數據 本文使用歸一化植被指數NDVI來表征區域植被活動,通過分析NDVI與XCO2的相關性來研究植被對區域CO2的影響.這里使用的NDVI數據來自MODIS Level-3月均數據(MOD13A3), 需重采樣到與XCO2一致的0.5°格網.

1.1.3 人為排放清單數據ODIAC 使用的化石燃料CO2排放數據來自ODIAC人為CO2排放清單. ODIAC是日本國家環境實驗室NIES下GOSAT項目組開發的全球高分辨率人為CO2排放數據集, 基于國家級化石燃料CO2排放估計量、化石燃料消耗統計數據、衛星觀測的夜間燈光數據和CARMA發電廠數據庫提供的點源位置/排放數據對人為CO2排放進行估算, 能夠在全球范圍內提供1km和1°格網的月均人為CO2排放數據[16].這里使用的是ODIAC數據的最新版本ODIAC 2019數據集1km排放數據.

1.1.4 其他輔助數據 為分析社會經濟因素對CO2濃度分布的影響,使用來自中國統計年鑒的包括人口、電力消費和路網長度在內的社會經濟數據[17].

1.2 研究方法

式中:是實對稱陣,滿足式(6)

式中:的列為的特征向量,是由的特征值組成的對角陣,而時間函數求解方法如式(7)所示.

最后計算特征向量的貢獻率,得到的第一特征向量(第一空間模態),認為是研究時段內最具有共同特征的平均場,最具代表性.通過時空轉換得到的時間序列也類似.對2014～2018年中國月均XCO2進行EOF分解,獲得最具代表性的第一空間模態和第一時間模態,從而分析XCO2的時空分布特征.

式中:x和x分別為第和個時間序列數據.研究使用泰爾森斜率估計方法評估中國2014～2018年NDVI的變化,從而確定研究時段內中國植被的變化趨勢.

1.2.3 Mann-Kendall檢驗 通過對中國2014～ 2018年NDVI數據進行泰爾森斜率估計后,需要對趨勢估計結果做Mann-Kendall檢驗[19],確定區域植被時序變化趨勢是否顯著.

對于具有個樣本的時間序列,定義標準化統計檢驗量,如式(9)～(10)所示.

式中: sign是符號函數,滿足式(11)～(12).

2 結果分析與討論

2.1 地面驗證

為了評估重采樣后OCO-2觀測的XCO2數據的準確性,將衛星XCO2數據與地面站數據進行對比驗證.使用的地面驗證數據來自WMO/GAW提供中國大氣本底站數據[20],包括瓦里關站(WLG)、鹿林站(LLN)和上甸子站(SDZ),如圖1所示.

地面驗證結果如圖2所示.2個數據集具有較好的一致性(2=0.61,RMSE=2.41×10-6),但不同站點存在差距.WLG位于遠離建成區的青藏高原瓦里關,大氣成分穩定且清潔,受人為影響較小,因此數據一致性較強(2=0.74, RMSE=2.10×10-6).LLN位于山區,周邊無工業影響,2=0.81,RMSE=1.61×10-6.但SDZ位于北京城區東北,周邊工業密集,人口眾多,地面站更易受到人為排放的影響,站點數據與衛星觀測相差較大(2=0.48,RMSE=2.74×10-6).

圖1 地面驗證站點分布

圖2 地面驗證結果

總的來說,衛星觀測數據與地面站點數據具有較好的一致性.WLG和LLN站地面驗證相關性更強,其次是SDZ,主要是受站點周邊環境的影響.數據集整體偏差為2.41×10-6,這一結果與前人的研究精度相似[21],表明內插后的月均XCO2數據是可靠的,可以用于后續的分析.

2.2 中國XCO2的時空分布特征

為了量化分析中國XCO2的時空變化,對2014～ 2018年月平均XCO2數據進行EOF分析.EOF第一模式幾乎包括XCO2變化的全部信息,占比84.24%,能夠較好地反映XCO2的年際變化.

圖3 研究時段內XCO2第一空間模態分布

由圖3可知,研究時段內中國XCO2分布存在東西差異,XCO2濃度自西向東逐漸上升,并在上海西部達到最大值(405.66×10-6),最小值集中出現在藏南地區(401.75×10-6).中國CO2分布東西梯度明顯,總體特征是東部CO2濃度較高,西部較低.這與前人的研究結果一致[22-24],主要是由于CO2主要來源為人為排放與生物質燃燒排放,而中國人口密度大且經濟發達的區域集中于東部,人為排放的差異引起了中國CO2空間分布的東西梯度差.

類似的,通過EOF分析得到對應的XCO2第一時間模態,它反映了XCO2年際變化,結果如圖4(a)所示.

由圖4(a)中2014～2018年中國XCO2平均年際變化可知,中國XCO2時間分布表現出明顯的逐年上升和季節波動趨勢:由2014年9月的394.67×10-6上升到2018年12月的409.15×10-6,年增長趨勢為2.56×10-6/a,高于2014～2018年全球2.07×10-6/a的平均增長速率.主要是由于研究時段內中國的高速發展,人為排放增強造成的:中國處于高速發展時期,而經濟增長通常意味著更多的能源消耗和更大的CO2排放.據中國統計年鑒顯示[17],2014～2018年中國的國內生產總值(GDP)呈持續上升趨勢,從2014年的63.61萬億元增加到2018年的90.03萬億元,同時人口也從2014年的13.68億人增加到13.95億人.人口和經濟的增長伴隨碳排放量的增加,中國碳排放由2014年的9820Mt波動上升到2018年的10065Mt.

為了研究XCO2的季節波動,對月均XCO2濃度數據進行去趨勢化處理,得到XCO2的季節振幅,如圖4(b)所示.中國XCO2每月變化具有明顯的季節波動性:XCO2年最大值出現在春季(3～5月),最小值集中在夏季(7～8月),XCO2的平均季節振幅為3.26×10-6/a.XCO2的季節波動主要受到生物圈活動和人為排放的影響.冬季植被活動減弱,對CO2的吸收能力也下降,而此時城市供暖,含碳化石燃料大量燃燒,冬季XCO2開始上升;春季植被活動開始恢復,由于光合作用還未達到最大水平,而土壤分解和植被的呼吸作用隨著溫度上升增強,光合作用仍弱于植被和土壤的呼吸作用,因此大氣XCO2仍在增長,最終導致XCO2在春季達到峰值[25];夏季植被生長旺盛,光合作用對CO2的吸收較強,反映在季節趨勢上,夏季XCO2達到全年最低值.

2.3 中國植被變化趨勢及其影響分析

植被是影響區域CO2分布的重要因素,通過對大氣CO2的吸收、儲存和釋放作用影響區域碳循環[26].

使用2014～2018年時序NDVI數據,研究中國植被變化趨勢,并結合XCO2時序數據分析植被對大氣CO2的影響.針對NDVI數據,使用泰爾森趨勢估計和Mann-Kendall檢驗,確定中國植被變化的空間分布,如圖5所示.

對中國2014～2018年各像素NDVI值進行了趨勢估計,表現出正趨勢的像素多于負趨勢:中國58.5%像素的NDVI值都表現出正增長趨勢,33.6%的像素為負趨勢.對趨勢估計的結果進行顯著性檢驗,結果表明,2014～2018年中國大部分地區的NDVI變化趨勢都未通過顯著性檢驗(>0.05),僅8.8%的像素表現出顯著變化,其中88.7%的像素表現出增加趨勢.

圖5 研究時段內中國植被變化趨勢

總的來說,2014～2018年間中國植被呈增加趨勢,并且在西北的陜西、內蒙古和新疆等地和東南沿海的福建、珠三角地區,植被的增加趨勢更為明顯.這與前人的研究結果相似[27].自1999年國家開始實施退耕還林還草政策以來,中國西北地區平均NDVI呈上升趨勢,區域植被的逐步增加與這20余年來的生態工程建設密切相關[28].東南沿海地區經濟發達,人口密集,城市化進程通常伴隨著植被的退化,但亦研究表明,由于地方政府實行環境友好政策,如跨區域生態補償機制,近幾年來東南沿海城市綠化水平明顯增加[29].

中國的NDVI空間分布也表現出東高西低的趨勢, NDVI在臺灣東南沿海地區取得最大值(0.88),新疆取得最小值(-0.07).植被生長主要受氣候因素的影響,東南沿海區域溫度適宜,降水充足,植被生長更為旺盛,相應的NDVI值較大.針對植被對CO2的影響分析,統計NDVI與XCO2的Pearson相關系數,結果如圖6所示.

NDVI與XCO2總體呈負相關(=-0.40,<0.05),體現植被對大氣CO2的吸收作用,XCO2濃度變化受到植被活動的影響.并且影響程度在空間分布上有所不同:在東北地區發現強的負相關區域(= -0.58),分析原因,東北地表覆蓋以森林和農田為主,較高的植被覆蓋率使得植被活動對CO2影響強烈.根據中國統計年鑒,2018年內蒙古和黑龍江森林面積分別為2614.85萬hm2和1990.46萬hm2,位居全國第一和第三[17],此外東北平原還是中國最大的糧食生產基地.較大的植被面積可能導致東北地區XCO2變化較大.植被活動會顯著影響近地表CO2濃度,進而反映到衛星觀測中.而中國東部沿海以及西南地區負相關性較弱(>-0.28).對于人口稠密,工業發達的東部地區,人為排放對大氣CO2的影響不可忽視,且受沿海氣候的影響,NDVI與XCO2相關性較弱.西南地區全年NDVI都處于較高水平(年均NDVI=0.67),是全國平均NDVI值的197%.且云南省2018年森林面積為2106.16萬hm2,位居全國第二,全年植被NDVI的季節波動較小,與XCO2的相關性也較弱.

僅統計2014～2018年生長季(4～10月)NDVI與XCO2的相關系數,發現相關性顯著增強,尤其是在東北地區,區域平均相關系數達到-0.69.相關性的增強也說明植被對大氣CO2的吸收作用,并且這種影響主要出現在植被生長活動旺盛的季節.

植被是引起區域CO2季節變化的主要因素,但驅動生物圈-大氣CO2交換的潛在機制尚不清晰,遙感能夠為研究其內在機制提供有效的技術手段. XCO2反映整層氣柱中CO2的總量,可以作為研究陸地生物圈碳通量變化的重要指標.中國NDVI在生長季逐漸上升,對應的XCO2呈下降趨勢,二者表現出相似的模式.這表明由于植被生長期間對CO2的吸收增加,植被光合作用大量吸收大氣CO2,引起近地表CO2濃度變化,進而被衛星觀測,即植被活動的增強對區域大氣XCO2濃度產生了可測量的影響.

2.4 中國人為排放及其影響分析

人為排放是大氣CO2排放的主要來源.統計中國2014～2018年均ODIAC分布,如圖7(a)所示.中國人為排放較強的區域集中在京津冀、長三角和珠三角等經濟發達地區.這些區域經濟高速發展,其中三大城市群占全國經濟份額超過40%,人口眾多,相應的人為排放也較強.

人為排放與XCO2的空間分布模式具有一致性:XCO2較大的區域集中在中國東部沿海地區,對應的人為排放量也較大.這也說明人類活動對XCO2濃度的影響.但也存在異常區域:新疆沙漠地區XCO2濃度較高,對應的人為排放量卻較少,分析原因,這主要是沙漠XCO2反演算法在沙漠地區的不確定性導致的[30].

為了分析人為排放與XCO2的相關性,以101t為間隔將人為排放量劃分6個等級,統計對應的平均XCO2濃度[31],結果如圖7(b)所示.

整體來看,ODIAC和XCO2在空間分布上顯著相關,相關系數=0.397(<0.05),并且在人為排放大的地區(>103t),二者的相關系數會提高到0.714.區域人為排放較小時,XCO2的變化也較為平緩,當排放量大于103t時,XCO2隨人為排放增長呈線性變化.這一結果證明,人為排放與XCO2分布具有空間一致性,人為排放較強的區域,XCO2濃度也較高;并且在人為排放較大的區域,OCO-2衛星能夠更好地觀測并估算CO2排放.

人類活動會導致大量的CO2排放,從而導致近地表CO2濃度的變化,但生物圈的吸收作用和大氣運動等會影響CO2的估算.年均XCO2和人為排放量的相關性表明,可以通過遙感觀測XCO2估算區域人為排放量,特別是在排放量較大的區域.但對于低排放地區和點源排放地區,由于大氣運動會影響遙感對點源CO2信號的探測,所以遙感觀測在排放量較小的區域觀測估算的不確定性會增強.

2.5 社會經濟因素對XCO2分布的影響分析

社會經濟因素是CO2排放的內在驅動因素.前人的研究中,IPAT/Kaya模型被廣泛應用于分析CO2排放的驅動因素.模型將影響CO2排放的人口、經濟和技術因素劃分為4類:人口規模、人均GDP、GDP能源強度和能源消耗碳足跡[32].參考這一思路,本文分別分析了人口、電力和路網能耗對CO2濃度的影響.

為了分析人口、電力消耗和路網長度等社會經濟因素對XCO2空間分布的影響,將中國劃分為7個子區,分別是東北(NE)、華北(NC)、華東(EC)、華中(CC)、華南(SC)、西北(NW)和西南(SW),具體分區如圖1所示.分區域統計人口(億人)、電力消耗(單位:億kw·h)、路網長度(km)和對應的XCO2,結果如圖8所示.

XCO2與社會經濟水平及人類活動強度相關,為此統計社會經濟因素與XCO2的空間分布格局,結果表明,人口、電力消費量和路網長度與XCO2呈正相關,但無一一對應關系:東北地區人口、電力消耗和路網均低于西南地區,其XCO2濃度卻略高于西南地區.分析原因,西南與東北地區的人為排放量相差較大,東北地區作為我國主要的重工業區,年均人為排放量是西南地區的3倍,這種地區差異主要是由于經濟發展和產業結構的差異造成的.總的來說,人口、電力和路網等社會經濟因素與XCO2空間分布相關性較好.

分析XCO2與人口、電力消費量及路網長度的相關性,其相關系數矩陣如表1所示.

表1 XCO2與人口、電力消費量及路網長度相關性

由表1可知,人口與電力、路網之間的相關性較強,即人口眾多的地區通常對電力消費較高,交通也更為發達.XCO2與人口、電力消耗相關性更強,相關系數達到0.780和0.694.人口密集區域通常意味著更多的能源消耗,相應的碳排放量也會增加;而火力發電仍以燃煤為主,含碳化石燃料的大量燃燒,導致大量CO2排放,也反映在XCO2濃度上.區域電力消耗一定程度上反映了區域經濟發展情況,說明大氣XCO2變化與人類活動、社會經濟水平顯著相關[33].

3 結論

3.1 2014～2018年間,XCO2空間分布存在區域差異,自西向東XCO2濃度逐漸上升,在東部沿海的長三角地區取得最大值.這與我國能源消耗和人口密度分布格局相似.時序分布上,中國XCO2濃度由2014年的394.67×10-6上升到2018年的409.15×10-6,年增長速率為2.56×10-6/a,比全球2.07′10-6/a的平均水平高23.67%.并且存在明顯的季節波動,區域年最大XCO2濃度出現在春季,最小值集中在夏季,季節振幅達到3.26×10-6.研究時段內中國XCO2濃度的持續上升與國家快速發展,能源排放增加相關,而區域XCO2的季節波動模式與生物圈活動,尤其是植被的季節變化相關.

3.2 植被影響中國XCO2的時空分布,是我國主要碳匯.二者的相關分析表明,植被活動對區域大氣CO2有明顯的吸收作用,全國范圍內植被與XCO2總體呈負相關(=-0.40,<0.05),并且在植被活躍的生長季(4～11月)相關性顯著增強(=-0.69),反映出植被對區域碳排放的吸收作用.

3.3 通過對人為排放和XCO2相關分析發現,二者具有空間一致性.人為排放強的區域對應的XCO2濃度也較大,二者整體相關系數為0.394.且人為排放較大的地區(排放量>103t),人為排放與XCO2的相關系數提高到0.714.證明人為排放化石燃料燃燒對區域XCO2的貢獻,并且衛星觀測對估算人為排放較強地區的碳排放更有優勢.

3.4 社會經濟水平對區域CO2分布的影響不可忽視.通過分析人口、電力消費量和路網長度對XCO2的影響,發現XCO2與人口、電力消耗相關性更強,相關系數分別為0.78和0.69,證明大氣XCO2變化與人類活動、社會經濟水平的相關性.

[1] 程巳陽,安興琴,周凌晞,等.北京上甸子大氣本底站CO2濃度的源匯區域代表性研究 [J]. 中國環境科學, 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] 韋芬芬,林惠娟,曹舒婭,沈沛豐,惠品宏.蘇南地區CO2本底濃度及源匯特征 [J]. 中國環境科學, 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]. 空間科學學報, 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] 國家統計局.中國統計年鑒 [M]. 北京:中國統計出版社, 2019.

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

[18] 龔 斌,甘小莉,劉偉玲,等.基于EOF分析的三江源區植被覆蓋變化時空分布特征 [J]. 地學前緣, 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,劉毅敏.Sen's斜率估計與Mann-Kendall法在設備運行趨勢分析中的應用 [J]. 武漢科技大學學報, 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 凱,王 飛,韓劍橋,等.1982～2015年中國氣候變化和人類活動對植被NDVI變化的影響 [J]. 地理學報, 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] 呂政翰.中國大氣二氧化碳濃度時空變化特征及其影響因素分析[D]. 哈爾濱:哈爾濱師范大學, 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

國家自然科學基金(41971283,41827801)

* 責任作者, 教授, zcwoo@whu.edu.cn

莫 露(1996-),女,廣西貴港人,武漢大學碩士研究生,主要研究方向為溫室氣體遙感監測.發表論文1篇.