遙感技術在“雙碳”目標實現中的應用進展

張曉娟 李東杰 劉思含 王昊* 李小涵 李春林 宗繼彪 王宇翔

遙感技術在“雙碳”目標實現中的應用進展

張曉娟1李東杰2劉思含3王昊1*李小涵1李春林4宗繼彪1王宇翔1

（1 航天宏圖信息技術股份有限公司，北京 100195）（2 國家發展和改革委員會國家投資項目評審中心，北京 100037）（3 生態環境部衛星環境應用中心，北京 100094）（4 中國科學院森林生態與管理重點實驗室，沈陽 110016）

在全球努力實現碳中和目標的背景下中國也提出了“30-60”雙碳目標。遙感技術有著地域范圍廣、追溯時期長的特點，因此，遙感可以快速、連續地獲得全球碳源/匯空間分布和變化特性，可以在碳匯估算和管理、全球碳排放監測以及方面有著廣闊的應用。文章首先綜合闡述了陸地碳循環的模式，遙感技術在“雙碳”目標實現中可以應用的領域、包括溫室氣體監測、碳排放源監測、陸地碳循環、遙感定量計算碳通量等。對關鍵概念進行了解釋。然后，分析了遙感技術在遙感定量計算不同碳通量中使用到的方法和研究進展，同時提出了遙感監測碳排放和定量估算碳通量中可能存在的問題。

碳匯 陸地碳循環 碳通量 遙感應用

0 引言

二氧化碳（CO2）和甲烷（CH4）等溫室氣體是導致全球變暖和氣候變化的重要因素之一，氣候變化導致極端氣候頻發，對陸地生態系統的功能產生了深遠的影響[1]。據統計，目前全球每年排放的CO2有400億噸，中國是世界上最大的能源消費國和CO2排放國，占全球排放量的30%，2017年占全球化石燃料排放量的約27%（每年26.7億噸），國家面臨氣候變化和空氣污染的雙重挑戰。

2020年9月，習近平總書記在第75屆聯合國大會上宣布了中國的CO2排放目標：力爭在2030年實現“碳達峰”，并在2060年實現“碳中和”。“碳中和”是指靜零碳排放[2]，其概念是人為排放的CO2被人為努力和自然過程所吸收，即通過森林、土壤、海洋等固碳過程吸收大氣中的CO2。出于改善空氣品質的考慮，針對“碳達峰”的問題我們已經明確應該盡量降低峰值，而對于如何實現“碳中和”還有眾多需要研究的問題。實施“碳中和”最核心的手段和途徑是減少CO2和CH4等溫室氣體排放和增強陸地固碳作用，除了自然過程外，涉及人為減排、能源結構調整、人工碳匯等有序人類活動手段的實施[3-4]。做好“雙碳”工作，對社會經濟高品質發展、保護地球生態、推進應對氣候變化的國際合作等都具有重要意義[5]。

準確核算中國的CO2排放量是實施減排政策的第一步[6]。目前傳統的依賴于在線監測和清單算法的“自上而下”的人為碳排放計算方法雖然得到了廣泛應用，但受限于觀測數據的精度和覆蓋率，主要用于評估自然生態圈的CO2通量和濕地的CH4通量[7-8]。近幾年，國內外開始探索利用衛星數據監測人為排放，如利用軌道碳觀測衛星-2（Orbiting Carbon Observatory-2，OCO-2）觀測研究城市XCO2分布[9]和估測OCO-2軌跡附近發電廠的CO2排放[10]。2019年第49屆聯合國政府間氣候變化專門委員會（Intergovernmental Panel on Climate Change，IPCC)大會明確了利用大氣觀測通過“自上而下”通量計算對排放清單進行支撐和驗證，大氣遙感碳監測技術以及同化反演技術方法的應用成為了我國實現“碳達峰”、“碳中和”目標急需探明的重要問題[9,11]。

在過去的幾十年里，遙感技術廣泛應用于陸地碳循環受到了研究界的極大關注，從1980年代開始，遙感技術便開始廣泛的應用于不同尺度生態系統碳動態的空間格局、年際變化與長期趨勢等方面研 究[12-14]，在不同時空尺度的生態系統碳儲量和碳通量估算和全球變化對碳動態的影響及對氣候的反饋研究中起到了重要的作用[12,15-18]。2000年以來，隨著全球溫室氣體監測需求的增加，傳統的地基網絡觀測數據由于空間分辨率不足，并且海洋、沙漠等地區的觀測信息缺失較多，難以滿足全球范圍內溫室氣體監測的需求。利用溫室氣體衛星遙感監測人為碳排放，可以在較高的空間分辨率上實現全球觀測，為碳監測研究、全球碳循環、氣候變化和溫室氣體減排等提供重要的科學依據。

隨著空間信息技術和計算科學的迅速發展，“雙碳”目標的提出，陸地碳循環問題的日益突出、機理的日益明確、在大尺度陸地生態系統碳循環研究中的作用日益突出和技術的日益成熟，遙感技術在地表碳循環以及檢驗分析全球變化對于碳動態和氣候的影響中的應用日益深入，將具有大面積同步觀測優勢的遙感技術與地球物理化學方法相結合，不僅可以縮短測量時間、節省測量成本，還可以大范圍空間連續觀測有機碳庫的來源組成。

本文主要闡述陸地生態系統的固碳作用及遙感技術在人為碳排放監測和陸地碳循環對陸地碳庫、來源組成及其時空動態分布的遙感觀測中的應用，并從生產力和地上生物量等遙感監測技術發展、溫室氣體監測衛星發展的角度對陸地碳循環的主要遙感監測方法。

1 遙感碳監測方法概述

1.1 陸地碳循環的基本問題

陸地生態系統在吸收CO2的過程中起著重要作用。陸地生態系統通過光合作用“呼吸”CO2，并通過呼吸將碳釋放到大氣中，因此在全球碳循環和地球氣候中發揮著重要作用[19]。目前全球每年排放的CO2，約有31%被陸地吸收，46%留在大氣中，23%的被海洋吸收[20]。本節主要介紹陸地碳儲量、碳通量和碳匯的概念和主要分析指標。因此，更好地理解和評估極端氣候對陸地碳循環的影響，可以為促進我們社會緩解和適應氣候變化提供重要的科學依據[21-22]。

陸地碳循環是指碳元素在陸地生物圈、土壤圈、巖石圈和地球大氣中的交換，是陸地生態系統變化的關鍵過程。陸地生態系統的碳儲量是指陸地生態系統儲存的碳元素的總和，主要從生物量和土壤有機碳的角度分析。土壤是陸地生態系統中最大的碳庫[23-24]，土壤中相對較小的變化可能會導致大氣CO2濃度的波動。

陸地生態系統的碳通量是指通過陸地生態系統的碳元素的總和，在不同生態系統尺度上常用總初級生產力（Gross Primary Production，GPP）、凈初級生產力（Net Primary Production，NPP）、凈生態系統生產力（Net Ecosystem Production，NEP）、生態系統呼吸（Ecosystem Respiration，ER）和凈生物群區生產力（Net Biome Production，NBP）等作為評價陸地生態系統碳通量的指標，也是評價陸地生態系統固碳能力的重要指標。

陸地碳匯通過碳通量的方向判斷碳源/匯，陸地生態系統可通過其碳匯功能有效吸收大氣CO2，減緩氣候變暖。其基本問題在于監測碳排放和陸地固碳作用，分析陸地生態系統碳匯的時空變化特征，探明森林、草地、農田等生態系統中植被、土壤等碳匯量在不同生態系統格局中的分布情況及土地利用變化對碳通量的影響等問題。

估算區域陸地生態系統碳匯的方法可分為兩大類：“自下而上”和“自上而下”。“自下而上”方法是指將場地或網格的地面觀測和模擬結果整合到區域估算中。常用的“自下而上”方法包括清單法、渦度協方差法和生態系統過程建模法。“自上而下”方法主要指根據大氣CO2濃度反演陸地生態系統碳匯，即大氣反演[25-27]。

1.2 生物量、土壤有機碳和植被生產力的遙感監測

遙感影像廣泛應用于碳通量和碳儲量估算中。從可見光到微波波段的遙感數據都可以用來對生態系統碳通量和碳儲量進行定量分析。其中，GPP，NPP，ER，NEP，NBP和生物量可以用光學傳感器獲得的可見光、近紅外和短波紅外（Shortwave Infrared，SWIR）波段遙感數據進行估算。ER可以利用熱紅外波段（Thermal Infrared，TIR）遙感數據反演的地表溫度（Land Surface Temperature，LST）進行估算，還可以使用雷達數據或將雷達數據與傳統光學遙感數據結合來估算。Berninger等人結合雷達數據來估算碳通量和碳儲量，以補償惡劣天氣影響的光學傳感器[28]。

表1總結了用于生物量、土壤有機碳和碳儲量主要遙感衛星資源，包括目前最常用的NOAA/ AVHRR、MODIS、陸地衛星TM/ETM+和QuickBird等光學遙感數據源、SAR衛星數據源、LiDAR數據源等。

碳通量、碳儲量遙感監測常用的模型主要有植被指數擬合模型、光能利用率模型、太陽能誘導的葉綠素熒光（Solar-Induced Chlorophyll Fluorescence，SIF）驅動的生產力擬合模型和基于機器學習的非參數擬合模型。

表1 碳通量、碳儲量監測的主要遙感衛星資源

（1）植被指數擬合模型估算生產力

通過光學遙感測量所得的植被指數（VIs），結合了葉綠素易吸收的紅波段和樹葉、樹冠結構易反射的近紅外波段（NIR），從而可以反映出包括冠層結構、葉綠素含量、植物物候等信息。植被指數可以用于植物“綠度”的現狀和范圍以及不同空間時間的對比等。早期出現的植被指數，例如歸一化植被指數（Normalized Vegetation Index，NDVI）[29]、正交植被指數（Perpendicular Vegetation Index，PVI）[30]、綠度植被指數（Green Vegetation Index，GVI）[30]以及后來的綠度和葉綠素指數，比如增強植被指數（Enhanced Vegetation Index，EVI）[31]、寬范圍動態植被指數（Wide Dynamic Range Vegetation Index，WDRVI）[31]、MERIS陸地葉綠素指數（MERIS Terrestrial Chlorophyll Index，MTCI)[32-33]也都被廣泛地應用于估算植物生產力的研究中。

植被指數可用于估算基于光吸收的生態系統過程的速率（例如，光合作用）。因此，植被指數被廣泛用于研究大尺度植物生產力。其中，由于通量塔生產力數據是冠層頂端觀測數據，不需要考慮樹冠結構或者葉面積指數等因素，更適合與植被指數直接進行擬合。

（2）使用光能利用率（LUE）模型估算生產力

LUE模型是基于Monteith[34]于1972年提出的“農作物的生產力在灌溉和施肥的條件下，和作物冠層吸收的光合有效輻射（Absorbed Photosynthetically Active Radiation，APAR）呈一定的線性關系”的理論。在真實環境條件下，潛在的光能利用率受到水、溫度和其他環境因素的影響。因此，GPP或NPP可以依此理論，用APAR乘以最大LUE和環境脅迫因子進行模擬計算。

遙感數據可以提供植被種類、長勢、環境條件等信息，因此在LUE方法中起著重要的作用。吸收光合有效輻射吸收比例（Fraction of Photosynthetically Active Radiation，FPAR）可以基于同遙感提取的植被指數的關系獲得，同時傳感器的多樣化，使得遙感可以提供更廣泛的空間區域和時間范圍的FAPAR產品。早在1984年，文獻[35]就提出NDVI和APAR或FAPAR之間存在著一定的線性關系，因此，NDVI也和植物的生產力相關聯。同時NDVI和FAPAR之間的關系也被Ruimy等[36]和Fensholt等[37]用實地測量數據所證實，盡管這種線性關系受到冠層種類、植物自身結構、土壤和太陽照射方向以及在高值區域（例如NDVI>0.7）出現飽和狀態等條件約束。遙感還可以提取其他兩個LUE模型重要的輸入參數：水分脅迫[38]和入射輻射[39]，除此之外，遙感還可以提供空間直觀的土地利用類型信息，用于最大LUE和其他模型參數的確定。

使用遙感數據的LUE模型被廣泛用于定量計算GPP和NPP。許多LUE模型被開發并廣泛用于定量估算GPP和NPP，這些模型都考慮了植物的生理調節（土壤濕度或大氣的飽和水汽壓差（Vapor Pressure Deficit，VPD）），有一些還考慮了大氣中的CO2對于植物的肥力效應。其中，Carnegie Ames Stanford Approach（CASA）模型使用NDVI或EVI模擬NPP[40]。CASA模型廣泛用于在地區和全球尺度上模擬碳動態，盡管CASA在模擬碳通量的時候會出現較大的偏差。除此之外，使用MODIS數據的LUE方法被用于生產目前常用的標準MODIS GPP/NPP遙感產品，圖1為使用MODIS數據制作的全球2000–2005年平均GPP/NPP。

圖1 全球2000-2005年平均總初級生產力和凈初級生產力

植被指數還與氣象數據（溫度、飽和水汽壓差、太陽輻射）一起在不同空間尺度上通過LUE模型用于估算GPP。除此以外，植被指數也被單獨用于估算GPP，以此避免氣象數據和LUE條件帶來的制約，同時可以簡化模型和模擬過程。

（3）使用SIF來估算GPP

植物吸收的光能只有光合作用、熱耗散和熒光三個去向[41]。植物用于進行光合作用的光能不到吸收光能的20%，絕大多數光能則以熱量的形式耗散掉，還有一部分光能損耗以較長波長（紅光和遠紅光部分）的葉綠素熒光方式釋放（通常不到1%的入射量），三者之間此消彼長[41]。因此，SIF和光合作用有著很密切的聯系，相比其他生物物理指標和植被指數，SIF更適合用來反應GPP。SIF和GPP之間的關系已被很多實地測量研究所證實[42-43]，這些研究表明SIF可以被用來表征植物實際的光合活動。Joiner等[44]和Frankenberg等[45]分別在2010年和2011年使用溫室氣體觀測（Greenhouse Gases Observing Satellite，GOSAT）衛星數據提取了755nm～775nm處SIF數據并繪制了SIF的全球分布圖，使得衛星SIF的應用研究取得了重大突破。此后，基于星載光譜儀器多個SIF全球數據集被制作出來，其中包括GOME-2（the Global Monitoring Ozone Experiment 2）和SCIAMACHY（the Scanning Imaging Absorption Spectrometer for Atmosphere CatograpHY）[46]、OCO-2[47]、TROPOMI（the Tropospheric Monitoring Instrument）和我國的碳衛星（TanSat）[48-49]等。其中，GOME-2 SIF數據集是應用最廣泛的一個，因為它空間連續性好、覆蓋全球，并且時間序列長，盡管空間分辨率較低（40km′40km）。OCO-2則相反，地表采樣面積較小，但是空間分辨率較高（軌道最低點時為1.3km′2.25km），這一特點使OCO-2可用于提取SIF信息并與通量塔測量數據進行比較從而進行生態系統尺度的反演[50-51]，從而為探尋SIF和GPP之間的關系提供重要的信息。除此之外，OCO-2遙感數據也被用于反演全球尺度時空連續的SIF，Li和Xiao使用OCO-2 SIF數據、MODIS數據和氣象再分析數據，開發了2000年至2020年全球8天0.05°SIF產品（GOSIF）[52-53]，見圖2。

（注：https://globalecology.unh.edu/data/GOSIF.html）[53]。

基于快速發展的SIF遙感數據產品，許多探尋生態系統尺度到全球尺度的SIF和GPP之間關系的研究得以進行。例如，Frankenberg等發現GOSAT SIF和數據驅動模型估算的年度全球GPP網格數據存在著強線性關系；Guanter等也發現相同的強線性關系同時存在于月度平均單一生物群落GPP和SIF之間[54]。Li等對OCO-2 SIF數據和通量塔數據進行了全球尺度的分析，結果也顯示在生態系統層面上SIF和GPP有著強相關[17]。

（4）使用數據驅動或者機器學習方法估算生物量和植被生產力

過去十多年內，遙感被應用于從通量塔到大范圍地區的通量觀測中。隨著通量塔的數量逐漸增多，生態系統和大氣之間的碳、水和能量交換，可以被連續的記錄下來。

盡管全球有著大量的通量塔（2015年時有750座），但是這些通量塔并沒有均勻分布，并且通量塔測量得到的數據只能反映較小范圍的情況。因此，使用通量塔觀測數據進行區域以及全球范圍內的碳通量定量計算，需要進行升尺度處理。數據驅動方法則可以用來進行對碳通量從站點到地區以及全球范圍的升尺度計算。

機器學習方法包括人工神經網絡[55]、決策樹[56]、支持向量機、分段回歸和隨機森林等。與回歸方法不同，機器學習算法或非參數方法在生物量估計中可以輕松處理大量與生物量線性或非線性相關的遙感和輔助數據的解釋變量。

1.3 CO2、CH4等溫室氣體濃度的遙感監測

在全球增溫和氣候變化的背景下，大范圍的溫室氣體監測成為研究熱點。CO2、CH4是最重要的溫室氣體，遙感衛星數據可以用于追蹤碳排放的歷史變化。傳統的溫室氣體監測依賴于地面站，但是由于一些地區的站點數量較少，監測站點的代表性和覆蓋范圍有限，并且不同站點之間的數據品質一致性可能難控制。這些都使研究過去的碳排放狀況中存在著很多難題，對通量數據的估算大多都是后驗估計[57]。隨著全球范圍溫室氣體濃度監測需求增加，遙感碳監測從1999年開始發展，搭載于ENVISAT（ENVIronmental SATellite）衛星上的SCIAMACHY（Scanning Imaging Absorption Pectrometer for Atmospheric CartograpHY）探測儀，是首個采用短波紅外吸收帶作為探測波段的星載探測器。隨后，日本2009年發射的GOSAT、美國2014年發射的OCO-2、中國2016年底和2018年發射的碳衛星（TanSat）和“高分五號”衛星等，為第一代和第二代溫室氣體監測衛星，都被用于遙感碳監測（CO2，CH4，CO）。2019年IPCC全會發布指南，提出將“自上而下”的大氣觀測方法作為碳排放清單法的佐證，促進了大氣觀測衛星技術的發展。NASA于2019年將OCO-3發射至國際空間站（ISS），并隨著ISS在51°S到51°N的低傾角軌道運行，目標在于探測人類CO2排放較為集中的地區（見表2）。中國也在2019年之后致力于高光譜遙感和新一代的碳監測衛星，探索高軌靜止衛星與低軌極軌衛星相結合、主動與被動探測相結合的衛星系統研究[11]。

表2 全球主要的溫室氣體監測衛星

國際上從SCIAMACHY衛星數據開始研究碳監測衛星遙感反演方法，CO2反演算法主要有：NIES-FP，ACOS，UoL-FP，RemoTec，IAPCAS等。其中，IAPCAS衛星遙感CO2反演算法是中國科學院大氣物理研究所團隊開發的基于最優估計的全物理溫室氣體遙感算法[58]。中國2016年碳衛星Tansat 發射，同時開展了TanSat XCO2反演算法研發、碳源匯同化系統研發和衛星數據科學應用等工作，在全球CO2排放動態監測、碳通量估算及陸地生態系統植被研究等方面發揮著重要作用[59]。2018年Yang等[33]發布TanSat第一張全球XCO2分布圖，并利用了碳柱濃度管網格（The Total Carbon Colum Observing Network，TCCON）站點數據進行了驗證，結果顯示平均精度為2.11′10–6，滿足觀測精度需求。

目前，中國陸地碳匯精確大氣反演的瓶頸是缺乏長期大氣CO2濃度觀測數據和高空間分辨率的觀測數據，難以滿足日常的省級高空間分辨率碳收支評估工作，擴大地面CO2觀測網勢在必行。為了科學高效地構建這樣一個網絡，有必要根據大氣傳輸模型跟蹤CO2，評估潛在地點的效率，并評估觀測數據是否有效降低了基于大氣反演模型的區域碳預算估算的不確定性，建設成本效益高的觀測網絡。同時，成熟的衛星遙感CO2柱濃度數據可以作為補充數據源，填補地面CO2觀測的空白。到目前為止，中國已經發射了3顆碳監測衛星，是目前世界上擁有溫室氣體衛星最多的國家[11]。在IPCC明確將“自上而下”的通量計算方法佐證清單法進行碳排放監測后，我國有必要研發新一代高時空分辨率的國內溫室氣體濃度監測衛星，同時建立高分辨率輻射傳輸模型和分子光譜數據庫，以提高CO2柱濃度觀測的準確性，有效提高中國陸地碳匯的反演能力。

2 全球和中國陸地碳匯特征及土地利用變化對碳通量的可能影響

2.1 全球和中國陸地碳匯特征

目前，針對我國陸地生態系統的固碳能力、固碳現狀和發展潛力的研究還很少。全球陸地碳匯主要分布在北半球中高緯度地區，而熱帶地區表現為微弱的碳匯或碳源，不同類型生態系統的碳匯大小存在差異[60]。Wang等人在2009年至2016年利用中國6個大氣測量網點的大氣CO2摩爾分數數據，估計了2010年至2016年間中國陸地碳匯的年平均值為（1.11±0.38）Gg，約等于年人為排放量的45%[61]，該文對估算我國陸地生態系統固碳潛力以及實現碳達峰和碳中和目標具有重要意義[20]。Yang等學者綜述多篇文獻分析全國和全球陸地碳匯特征，結果如表3所示。分析發現如下事實：1987–1990年全球碳匯為–0.9Pg/a，除上時間段外，1990–2010年間碳匯在（1.1～2.15）Pg/a之間；1949–1980年中國碳匯為–0.02Pg/a，1980–2005年的碳匯在（0.02～0.16）Pg/a之間，2005–2015年間碳匯有明顯增強，平均值為0.59Pg/a[60]；全球草地生態系統碳密度為（115～181）Mg/ha，碳儲量在（392～634）Pg之間，中國草地生態系統碳密度和碳儲量分別在（90～151）Mg/ha和（17～60）Pg之間[60]。

表3 全球和中國陸地碳匯特征

通過分析近70年我國主要生態系統的碳匯變化趨勢發現：近70年我國森林生態系統從碳源向碳庫逐漸轉變。1980年代是個明顯的分界線，1980年代以前森林砍伐導致森林面積銳減，此后大規模的造林運動和一系列森林保護政策使得我國森林生態系統轉變為碳匯。不同的研究得到的草地碳源匯特征存在顯著差異，基于碳專項得到的草地生態系統的碳匯是–3.36Pg/a，基于過程和統計模型得到的草地生態系統碳匯是13.1和17.58Pg/a，草地逐漸由碳匯轉向碳中和或者弱碳源。灌叢生態系統碳匯特征基本一致，整體表現為碳匯，基于過程模型和統計模型得到的灌叢生態系統碳匯在（0.3～0.6）Pg/a之間。荒漠生態系統整體表現為碳匯且呈上升趨勢，土壤有機碳庫從1980年代的1.5Pg上升至2010年代的1.7Pg。濕地生態系統占我國國土面積的4%，濕地碳匯具有較大的空間異質性，青藏高原濕地生態系統為弱碳源（?0.08Mg/ha/a），遼河、長江三角洲濱海、三江平原和松嫩平原等濕地生態系統均為碳匯，在（0.6～4.6）Mg/ha/a之間，其中遼河區域的碳匯最強為4.6Mg/ha/a[60]。此外已有的碳收支項目研究表明中國地表每年的固碳速率約等于（10～40）億噸CO2。森林在2060年以前會達到固碳的峰值，之后固碳速率會降低。我國建設的生態工程固碳總量約占我國陸地生態系統年固碳量的56%[20]。

本文研究團隊基于CASA模型和IGBP第4類植被分類體系計算出的2018、2019年我國林地碳匯分別為1.12Pg和0.95Pg，草地碳匯分別為1.03Pg和0.93Pg，草原碳匯分別為1.30Pg和0.82Pg，濕地碳匯分別為0.012Pg和0.2Pg。基于BEPS（Boreal Ecosystem Productivity Simulator）模型分析青海省2014–2020年GPP、NPP、NEP變化趨勢結果如圖3（a）-（c）所示。由圖3可知，2014–2020年青海省年均GPP、NPP、NEP均呈現緩慢上升的趨勢，并在2018年達到峰值，分別為386.49g/m2、250.07g/m2、33.51g/m2，2019年和2020年略有降低。基于BEPS模型分析云南省2014–2020年全省的NPP和各市/州的NPP結果如圖3（d）和圖4所示，2014–2020年云南省NPP整體呈現先增長后下降的趨勢，并在2017年達到峰值，為888.94g/m2，全省中昆明市的年均NPP值最小，為661.66g/m2，怒江州的年均NPP值最大，為1026.1g/m2。

2.2 土地利用變化對碳通量的可能影響

土地利用和土地覆蓋變化產生的碳凈通量在全球碳匯研究中具有重要意義。在量化其影響的過程中，因為毀林和造林率的不確定性、計算碳通量的方法也存在差異，實際發生變化的土地碳密度和碳通量較難準確估算[62]。一些學者利用衛星數據估算與不同土地利用和覆蓋類型相關的生物量，以計算碳儲量及其歷史變化，從而估算區域、國家和地區碳甚至是全球范圍儲量的現狀和變化[63-64]。Friedlingstein 等分析2000–2009年碳通量的變化，發現年平均凈通量可歸因于森林砍伐，較小的部分可歸因于森林退化。總排放量的情況正好相反，森林退化導致占總排放量的比例大于毀林造成的總排放量。大部分年總碳匯來源于森林再生或輪作休耕，較小的碳匯來源于退耕還林等造林行動[65-66]。

圖3 青海省2014-2020年GPP、NPP、NEP的變化趨勢圖

圖4 云南省各州/市2014-2020年NPP變化柱狀圖

Wang等（2020年）利用一系列地面和衛星觀測數據研究中國陸地生態系統的碳匯來源發現，21世紀初我國每年森林碳匯量平均約為1.73億噸碳。其中生物量固碳量最大，為1.5億噸碳，其次是土壤和死有機質，分別為0.24億噸和0.09噸碳，中國陸地碳匯主要歸因于中國主要森林的固碳作用[61]。生物量碳庫的不確定性主要來自于不同森林面積的統計方法。其次也與目前的研究中對于有機質和土壤碳庫變化研究較少有關，過去40年來中國在恢復天然森林植被和加強種植業方面取得了成功。

2.3 碳通量遙感監測中的不確定性

使用遙感來進行碳通量估算存在著很大的不確定性。首先，遙感數據產品本身存在著一定的不確定性。例如，遙感提取的地表反射率、植被指數、SIF和葉面積指數（LAI）等都存在著不確定性，來源于大氣影響（臭氧、氣溶膠和水蒸氣等）、云以及傳感器本身的老化問題等[67]。其次，使用模型來估算碳通量也存在著一些不確定性。例如模型輸入時需要其他輔助數據，如氣象數據[67-69]、模型結構（不完整或者潛在過程或假設有錯誤）、模型參數（需要較多的地面觀測數據等[12,70]）。

遙感數據產品中的不確定性以及由此產生的碳通量估計誤差可能會導致對植被生產力和碳儲量的量級、年際變化和長期趨勢的分析出現偏差。Xiong等學者基于AVHRR的GIMMS3g NDVI數據集（Pinzon和Tucker，2014）、MODIS數據的EVI數據集[71]、MODIS GPP數據（Running等人，2004）、基于診斷過程模型的GPP數據——BEPS[69]和機器學習方法（EC-MOD）等不同碳通量估算方法得到的GPP數 據[72]，對比分析了2000–2014年中國植被生產力的趨勢發現：所有GPP數據都表示2000–2014年中國植被生產力呈現增加的趨勢，但兩種NDVI產品（GIMMS3g NDVI和MODIS EVI）之間以及不同GPP產品（MODIS-GPP、BEPS和EC-MOD）之間的增長率是不同的，三種GPP產品之間的年總GPP也存在很大差異。這表明由于各種因素（氣候變暖、CO2施肥、植樹造林和改進的農業管理措施等），植被生產力一直在增加，但是卻無法明確估算植被生產力的增幅。在未來的研究中減少各種遙感數據產品中的不確定性對于更好地了解生態系統碳通量的動態至關重要[73]。

3 結束語

面向固碳減排的目標，需要利用衛星遙感、大數據和碳同化等先進技術方法，實現高精度、高時空分辨率的陸地碳源/匯效應分析，探明我國碳儲量、碳匯分布情況等。本文回顧了使用遙感手段定量估算陸地生態系統碳循環中的碳通量的主要方法和研究進展，隨著遙感平臺和傳感器技術的快速發展，更高的空間分辨率和時間分辨率使用遙感手段進行生態系統碳通量估算有著廣闊的發展前景，未來的遙感監測平臺將更加多樣化，收集和分析遙感數據的技術方法將更加詳細。但是由于遙感估計的不確定性和空間數據規模較大對存儲和計算帶來的困難，在未來的陸地碳源匯監測研究還需要在以下幾個方面取得突破：

1）由于大尺度陸地生態系統碳源匯估算存在很大的不確定性，需要在大氣反演手段、地面驗證場建設方面投入更多的研究。

2）在消除云、化石燃料或者生物燃料煙囪對影像品質的影響方面開展深入研究，研發可靠準確的糾正光學薄云和氣溶膠的散射對大氣反射的影響算法，提高溫室氣體濃度反演精度。

3）遙感衛星數據將在未來大規模碳減排研究中發揮重要作用。遙感技術的迅速發展，使衛星數據在碳減排領域的應用越來越廣泛，然而，在全球范圍內，對碳排放和碳源匯的高品質估算有待提高。因此，應進一步探索利用遙感衛星數據進行大規模分析，如全球植被固碳能力、固碳潛力評估以及全球藍色碳棲息地制圖分析等。

4）近年來，遙感數據的空間、時間、光譜和輻射分辨率不斷提高，可用數據類型不斷增加，大規模的空間數據對存儲和計算都帶來了挑戰，特別是人工智能技術的新發展，強大的平臺作為信息提取和圖像分析的強大工具，是未來進行大規模數據分析的一個有效途徑。今后應加強國內外遙感數據處理平臺（如PIE-Engine平臺、GEE平臺等）和人工智能技術在大規模遙感數據分析中的應用。

[1] SCHUUR E A, MCGUIRE A D, SCHADEL C, et al. Climate Change and The Permafrost Carbon Feedback[J]. Nature, 2015, 520(7546): 171-179.

[2] 蔡兆男, 成里京, 李婷婷, 等. 碳中和目標下的若干地球系統科學和技術問題分析[J]. 中國科學院院刊, 2021, 36(5):602-613.

CAI Zhaonan, CHENG Lijing, LI Tingting, et al. Key Scientific and Technical Issue in Earth System Science Towards Archiving Carbon Neutrality in China[J]. Bulletin of Chinese Academy of Science, 2021, 36(5): 602-613. (in Chinese)

[3] 葉篤正, 符淙斌, 季勁鈞, 等. 有序人類活動與生存環境[J]. 地球科學進展,2001, 26(4): 453-460.

YE Duzheng, FU Congbin, JI Jinjun, et al. Orderly Human Activities and Subsistence Environment[J]. Advances in Earth Science, 2001, 26(4): 453-460. (in Chinese)

[4] 劉良云, 陳良富, 劉毅, 等. 全球碳盤點衛星遙感監測方法、進展與挑戰[J]. 遙感學報, 2022, 26(2): 243-267.

LIU Liangyun, CHEN Liangfu, LIU Yi, et al. Satellite Remote Sensing for Global Stocktaking: Methods, Progress and Perspectives[J]. National Remote Sensing Bulletin, 2022, 26(2): 243-267. (in Chinese)

[5] 丁仲禮. 實現碳中和重在構建“三端發力”體系[J]. 中國石油企業, 2021(6): 10-11, 111.

DING Zhongli. To Achieve Carbon Neutrality, it is Important to Build a “Three End Power Generation” System[J]. China Petroleum Enterprise, 2021(6): 10-11, 111. (in Chinese)

[6] SHAN Y, GUAN D, ZHENG H, et al. China CO2Emission Accounts 1997-2015[EB/OL]. [2022-03-15]. http://www. nature.com/articles/sdata2017201.pdf

[7] THOMPSON R L, PATRA P K, CHEVALLIER F, et al. Top-down Assessment of The Asian Carbon Budget Since the Mid 1990s[J]. Nature Communications, 2016, 7(1): 10724.

[8] PALMER P I, FENG L, BAKER D, et al. Net Carbon Emissions from African Biosphere Dominate Pan-tropical Atmospheric CO2 Signal[J]. Nature Communications, 2019, 10(1): 3344. DOI: 10.1038/s41467-019-11097-w.

[9] ELDERING A, WENNBERG P O, CRISP D, et al. The Orbiting Carbon Observatory-2 Early Science Investigations of Regional Carbon Dioxide Fluxes[J]. Science, 2017, 358(6360): eaam5745. DOI: 10.1126/science.aam5745.

[10] NASSAR R, HILL T G, MCLINDEN C A, et al. Quantifying CO2Emissions from Individual Power Plants from Space[J]. Geophysical Research Letters, 2017, 44(19): 10045-10053. DOI: 10.1002/2017GL074702

[11] 劉毅, 王婧, 車軻, 等. 溫室氣體的衛星遙感——進展與趨勢[J]. 遙感學報, 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)

[12] XIAO J, DAVIS K J, URBAN N M, et al. Uncertainty in Model Parameters and Regional Carbon Fluxes: a Model-data Fusion Approach[J]. Agricultural and Forest Meteorology, 2014, 189/190: 175-186.

[13] SAATCHI S S, HARRIS N L, BROWN S, et al. Benchmark Map of Forest Carbon Stocks in Tropical Regions Across Three Continents[J]. Proc. Natl. Acad. Sci. USA, 2011(108): 9899-9904.

[14] RUNNING S W, NEMANI R R, Heinsch F A, et al. A Continuous Satellite-derived Measure of Global Terrestrial Primary Production[J]. BioScience, 2004, 54(6): 547-560.

[15] NEMANI P R, KEELING C D, HAMASHIMOTO H, et al. Climate-driven Increases in Global Terrestrial Net Primary Production from 1982 to 1999[J]. Science, 2003, 300(5625): 1560-1563. DOI: 10.1126/science.1082750.

[16] SMITH W K, REED S C, CLEVELAND C C, et al. Large Divergence of Satellite and Earth System Model Estimates of Global Terrestrial CO2Fertilization[J]. Nature Climate Change, 2016, 6(3): 306-313. DOI:10.1038/NCLIMATE2879.

[17] LI Xing, XIAO Jingfeng, HE Binbin. Higher Absorbed Solar Radiation Partly Offset the Negative Effects of Water Stress on The Photosynthesis of Amazon Forests During the 2015 Drought[J]. Environmental Research Letters, 2018, 13(4): 13044005

[18] OLLINGER S V, RICHARDSON A D, MARTIN M E, et al. Canopy Nitrogen, Carbon Assimilation, and Albedo in Temperate and Boreal Forests: Functional Relations and Potential Climate Feedbacks[EB/OL]. [2022-03-15]. https://www. docin.com/p-1372964547.html.

[19] SCHIMEL D S. Terrestrial Ecosystems and the Carbon Cycle[EB/OL]. [2022-03-15]. https://www.docin.com/p- 1670171583.html

[20] 丁仲禮. 中國碳中和框架路線圖研究[J]. 中國工業和信息化, 2021(8): 54-61. DOI:10.3969/j.issn.1674-9138.2021.08.008.

DING Zhongli. Research on China's Carbon Neutralization Framework Roadmap[J]. China Industry & Information Technology, 2021(8): 54-61. DOI:10.3969/j.issn.1674-9138.2021.08.008. (in Chinese)

[21] MACDOUGALL A H, AVIS C A, WEAVER A J. Significant Contribution to Climate Warming from the Permafrost Carbon Feedback[J]. Nature Geoscience, 2012, 5(10): 719-721.

[22] WU Donghai, LIU Dan, WANG Tao, et al. Carbon Turnover Times Shape Topsoil Carbon Difference between Tibetan Plateau and Arctic Tundra[J]. Science Bulletin, 2021, 66(16): 1698-1704.

[23] SCHARLEMANN J P W, TANNER E V J, HIEDERER R, et al. Global Soil Carbon: Understanding and Managing the Largest Terrestrial Carbon Pool[J]. Carbon Management, 2014, 5(1): 81-91.

[24] OBBáGY E G, JACKSON. R B. “The Vertical Distribution of Soil Organic Carbon and Its Relation to Climate and Vegetation.”[J]. Ecological Applications, 2000, 10(2): 423-436.

[25] BRONDFIELD M N, HUTYRA L R, GATELY C K, et al. Modeling and Validation of On-road CO2Emissions Inventories at the Urban Regional Scale[J]. Environ Pollut, 2012(170): 113-123. DOI:10.1016/j.envpol.2012.06.003

[26] GATELY C K, HUTYRA L R, WING I S, et al. A Bottom Up Approach to On-road CO2Emissions Estimates: Improved Spatial Accuracy and Applications for Regional Planning[J]. Environmental Science & Technology, 2013, 47(5): 2423-4230.

[27] PIAO S, HE Y, WANG X, et al. Estimation of China’s Terrestrial Ecosystem Carbon Sink: Methods, Progress and Prospects[J]. Science China Earth Sciences, 2022, 65(4): 641-651

[28] THOMAS N, LUCAS R, BUNTING P, et al. Distribution and Drivers of Global Mangrove Forest Change, 1996–2010[J]. PLoS One, 2017, 12(6): E0179302. DOI:10.1371/journal.pone.0179302

[29] ROUSE J W, HAAS R H, SCHELL J A, et al. Monitoring Vegetation Systems in the Great Plains With Erts:1974NASSP.351.309R[R]. NASA Special Publication, 1974.

[30] KAUTH R J, THOMAS G S. The Tasselled Cap -- a Graphic Description of the Spectral-temporal Development of Agricultural Crops as Seen By Landsat[C]//Proceedings, Symposium on Machine Processing of Remotely Sensed Data, Purdue University, West Lafayette, USA, June 29- July1, 1976: 41-51.

[31] GITELSON A A. Wide Dynamic Range Vegetation Index for Remote Quantification of Biophysical Characteristics of Vegetation[EB/OL]. [2022-03-15]. https://www.doc88.com/p-6405383113118.html.

[32] DASH J, CURRAN P J. The Meris Terrestrial Chlorophyll Index[J]. International Journal of Remote Sensing, 2010, 25(23): 5403-5413.

[33] DASH J, CURRAN P J. Evaluation of the Meris Terrestrial Chlorophyll Index (Mtci). [J]. Advances in Space Research, 2007, 39(1): 100-104.

[34] MONTEITH J L. Solar Radiation and Productivity in Tropical Ecosystems[J]. The Journal of Applied Ecology, 1972, 9(3): 747-766.

[35] ASRAR G, FUCHS M, KANEMASU E T, et al Estimating Absorbed Photosynthetic Radiation and Leaf Area Index from Spectral Reflectance in Wheat[J]. Agronomy Journal, 1984, 76(2): 300-306.

[36] RUIMY A, JARVIS P G, BALDOCCHI D D, et al. CO2Fluxes Over Plant Canopies and Solar Radiation: a Review[J]. Advances in Ecological Research, 1995(26): 1-68

[37] FENSHOLT R, SANDHOLT I, RASMUSSEN M S. Evaluation of MODIS LAI, fAPAR and the Relation Between fAPAR and NDVI in a Semi-arid Environment Using in Situ Measurements[J]. Remote Sensing of Environment: An Interdisciplinary Journal, 2004, 91(3/4): 490-507.

[38] JONES L A, KIMBALL J S, REICHLE R H, et al. The SMAP Level 4 Carbon Product for Monitoring Ecosystem Land–atmosphere CO2Exchange[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(11): 6517-6532.

[39] ZHANG X, LIANG S, ZHOU G, et al. Generating Global Land Surface Satellite Incident Shortwave Radiation and Photosynthetically Active Radiation Products from Multiple Satellite Data[J]. Remote Sensing of Environment: An Interdisciplinary Journal, 2014, 152318-152332. DOI:10.1016/j.rse.2014.07.003.

[40] POTTER C S, RANDERSON J T, FIELD C B, et al. Terrestrial Ecosystem Production: a Process Model Based on Global Satellite and Surface Data[J]. Global Biogeochemical Cycles, 1993, 7(4): 811-841.

[41] 程占慧, 劉良云. 基于葉綠素熒光發射光譜的光能利用率探測[J]. 農業工程學報, 2010, 26(S2): 74-80.

CHENG Zhanhui, LIU Liangyun. Detection of Vegetation Light Use Efficiency Based on Chlorophyll Fluorescence Spectrum[J]. Transation of the CSAE, 2010, 26(S2): 74-80. (in Chinese)

[42] MIGLIAVACCA M, PEREZ-PRIEGO O, ROSSINI M, et al. Plant Functional Traits and Canopy Structure Control the Relationship Between Photosynthetic CO2Uptake and Far-red Sun-induced Fluorescence in a Mediterranean Grassland Under Different Nutrient Availability[J]. New Phytol, 2017, 214(3): 1078-1091.

[43] YANG X, TANG J, MUSTARD J F, et al. Solar-induced Chlorophyll Fluorescence That Correlates With Canopy Photosynthesis on Diurnal and Seasonal Scales in a Temperate Deciduous Forest[J]. Geophysical Research Letters, 2015, 42(8): 2977-2987.

[44] JOINER J, YOSHIDA Y, VASILKOV A P, et al. First Observations of Global and Seasonal Terrestrial Chlorophyll Fluorescence from Space[J]. Biogeosciences, 2011, 8(3): 637-651.

[45] FRANKENBERG C, FISHER J B, WORDEN J, et al. New Global Observations of the Terrestrial Carbon Cycle from Gosat: Patterns of Plant Fluorescence With Gross Primary Productivity[J]. Geophysical Research Letters, 2011, 38(17): 351-365.

[46] KOEHLER P, FRANKENBERG C, MAGNEY T S, et al. Global Retrievals of Solar Induced Chlorophyll Fluorescence With Tropomi: First Results and Inter-sensor Comparison to OCO-2[J]. Geophysical Research Letters, 2018, 45(19): 10456-10463. DOI:10.1029/2018GL079031.

[47] SUN Y, FRANKENBERG C, JUNG M, et al. Overview of Solar-induced Chlorophyll Fluorescence (SIF) From the Orbiting Carbon Observatory-2: Retrieval, Cross-mission Comparison, and Global Monitoring for GPP[J]. Remote Sensing of Environment, 2018(209): 808-823.

[48] YAO L, YANG D, LIU Y, et al. A New Global Solar-induced Chlorophyll Fluorescence (SIF) Data Product From Tansat Measurements[J]. Advances in Atmospheric Sciences, 2021, 38(3): 341-345.

[49] LIU Y, WANG J, YAO L, et al. The Tansat Mission: Preliminary Global Observations[J]. Science Bulletin, 2018, 63(18): 1200-1207.

[50] VERMA M, SCHIMEL D, EVANS B, et al. Effect of Environmental Conditions on the Relationship Between Solar‐induced Fluorescence and Gross Primary Productivity at an Ozflux Grassland Site[J]. Journal of Geophysical Research: Biogeosciences, 2017, 122(3): 716-733

[51] WOOD J D, GRIFFIS T J, BAKER J M. Multiscale Analyses of Solar‐induced Florescence and Gross Primary Production[J]. Geophysical Research Letters, 2017, 44(1): 533-541. DOI:10.1002/2016GL070775.

[52] XIAO J, ZHUANG Q, BALDOCCHI D, et al. Estimation of Net Ecosystem Carbon Exchange for The Conterminous United States by Combining MODIS and AmeriFlux Data[J]. Agricultural and Forest Meteorology, 2008, 148(11): 1827-1847.

[53] LI X, XIAO J. A Global, 0.05-Degree Product of Solar-induced Chlorophyll Fluorescence Derived From OCO-2, MODIS, and Reanalysis Data[J]. Remote Sensing, 2019, 11(5): 517-541.

[54] GUANTER L, FRANKENBERG C, DUDHIA A, et al. Retrieval and Global Assessment of Terrestrial Chlorophyll Fluorescence from GOSAT Space Measurements[J]. Remote Sensing of Environment: An Interdisciplinary Journal, 2012(121): 236-251. DOI:10.1016/j.rse.2012.02.006.

[55] FOODY G M, BOYD D S, CUTLER M E J. Predictive Relations of Tropical Forest Biomass from Landsat TM Data and Their Transferability Between Regions[J]. Remote Sensing of Environment, 2003, 85(4): 463-474.

[56] JOHN R, CHEN J, GIANNICO V, et al. Grassland Canopy Cover and Aboveground Biomass in Mongolia and Inner Mongolia: Spatiotemporal Estimates and Controlling Factors[J]. Remote Sensing of Environment, 2018(213): 34-48.

[57] JIANG F, CHEN J M, ZHOU L X, et al. A Comprehensive Estimate of Recent Carbon Sinks in China Using Both Top-down and Bottom-up Approaches[EB/OL]. [2022-03-15]. https://www.doc88.com/p-4109739493151.html.

[58] DASH J, CURRAN P J. The Meris Terrestrial Chlorophyll Index[J]. International Journal of Remote Sensing, 2010(25): 235403-235413. DOI: 10.1080/0143116042000274015

[59] 劉毅, 姚璐, 王靖, 等. 中國碳衛星數據的應用現狀[J]. 衛星應用, 2022(2): 46-50.

LIU Yi, YAO Lu, WANG Jing, et al. Application Status of Carbon Satellite Data in China[J]. Satellite Application, 2022(2): 46-50. (in Chinese)

[60] YANG Y, SHI Y, SUN W, et al. Terrestrial Carbon Sinks in China and Around the World and Their Contribution to Carbon Neutrality[J]. Science China: Life Science, 2022, 65(5): 861-895.

[61] WANG J, FENG L, PALMER P I, et al. Large Chinese Land Carbon Sink Estimated from Atmospheric Carbon Dioxide Data[J]. Nature, 2020, 586(7831): 720-723.

[62] CHEN J, GAO M, HUANG S, et al. Application of Remote Sensing Satellite Data for Carbon Emissions Reduction[J]. Journal of Chinese Economic and Business Studies, 2021, 19(2): 109-117.

[63] ZHANG M, HUANG X, CHUAI X, et al. Impact of Land Use Type Conversion on Carbon Storage in Terrestrial Ecosystems of China: a Spatial-temporal Perspective[J]. Sci Rep, 2015(5): 10233. DOI:10.1038/srep10233.

[64] HOUGHTON R A, HOUSE J I, PONGRATZ J, et al. Carbon Emissions from Land Use and Land-cover Change[J]. Biogeosciences, 2012(9): 5125-5142.

[65] HOUGHTON R A, VAN DER WERF G R, DEFRIES R S, et al. Chapter G2 Carbon Emissions from Land Use and Land-cover Change[J]. Biogeosciences Discussions, 2012(9): 835-878.

[66] FRIEDLINGSTEIN P, HOUGHTON R A, MARLAND G, et al. Update on CO2Emissions[J]. Nature Geoscience, 2010, 3(12): 811-812.

[67] FANG H, WEI S, JIANG C, et al. Theoretical Uncertainty Analysis of Global MODIS, Cyclopes, and Globcarbon LAI Products Using a Triple Collocation Method[J]. Remote Sensing of Environment, 2012(124): 610-621.

[68] ZHAO M, RUNNING S W, NEMANI R R. Sensitivity of Moderate Resolution Imaging Spectroradiometer (MODIS) Terrestrial Primary Production to The Accuracy of Meteorological Reanalyses[J]. Journal of Geophysical Research, 2006(111): G01002, DOI:10.1029/2004JG000004.2006.

[69] LIU Yibo, XIAO Jingfeng, JU Weimin, et al. Satellite-derived LAI Products Exhibit Large Discrepancies and Can Lead to Substantial Uncertainty in Simulated Carbon and Water Fluxes[J]. Remote Sensing of Environment: An Interdisciplinary Journal, 2018(206): 174-188.

[70] HILTON T W, DAVIS K J, KELLER K. Evaluating Terrestrial CO2Flux Diagnoses and Uncertainties from a Simple Land Surface Model and Its Residuals[J]. Biogeosciences, 2014, 11(2): 217-235.

[71] HUETE A, DIDAN K, MIURA T, et al. Overview of the Radiometric and Biophysical Performance of the MODIS Vegetation Indices[EB/OL]. [2022-03-15]. https://www.docin.com/p-8755946.html.

[72] XIAO Jingfeng, OLLINGER S V, FROLKING S, et al. Data-driven Diagnostics of Terrestrial Carbon Dynamics over North America[EB/OL]. [2022-03-15]. https://www.doc88.com/p-7718296827877.html.

[73] XIAO Jingfeng, CHEVALLIER F, GOMEZ C, et al. Remote Sensing of the Terrestrial Carbon Cycle: a Review of Advances Over 50 Years[J]. Remote Sensing of Environment, 2019, 233: 111383.

Application Progress of Remote Sensing Technology in the Realization of “Double Carbon” Goal

ZHANG Xiaojuan1LI Dongjie2LIU Sihan3WANG Hao*1LI Xiaohan1LI Chunlin4ZONG Jibiao1WANG Yuxiang1

（1 Beijing Piesat Information Technology Co., Ltd, Beijing 100195,China）（2 National Development and Reform Commission, National Investment Project Evaluation Center, Beijing 100037,China）（3 Satellite Application Center for Ecology and Environment, Ministry of Ecology and Environment, Beijing 100094,China）（4 Key Laboratory of Forest Ecology and Management, Institute of Applied Ecology, Chinese Academy of Sciences, Shenyang 110016, China）

In the context of global efforts to achieve carbon neutrality, China has also proposed a "30-60" dual carbon target. Remote sensing technology has the characteristics of large scale coverage and a long time-series. Therefore, remote sensing can quickly and continuously obtain the characteristics of global spatial distribution and change, and has a broad application in the estimation and management of carbon sinks. In this paper, terrestrial carbon cycle is introduced and the key concepts are explained. Then, the methods and research progress of remote sensing technology used in remote sensing quantitative calculation of different carbon fluxes are analyzed. At the same time, the possible problems in remote sensing monitoring carbon emission and quantitative estimation of carbon flux are also put forward.

carbon sink; terrestrial carbon cycle; carbon flux; remote sensing application

TP79

A

1009-8518(2022)06-0106-13

10.3969/j.issn.1009-8518.2022.06.011

2022-05-08

國家重大科技專項工程

張曉娟, 李東杰, 劉思含, 等. 遙感技術在“雙碳”目標實現中的應用進展[J]. 航天返回與遙感, 2022, 43(6): 106-118.

ZHANG Xiaojuan, LI Dongjie, LIU Sihan, et al. Application Progress of Remote Sensing Technology in the Realization of “Double Carbon” Goal[J]. Spacecraft Recovery & Remote Sensing, 2022, 43(6): 106-118. (in Chinese)

張曉娟，女，1973年生，2007年在對外經貿大學獲得學士學位，工程師。研究方向為氣象遙感。E-mail：zhangxiaojuan@piesat.cn。

（編輯：毛建杰）