多源碳卫星近地面XCO2及人为CO2排放量特征分析

为定量分析近地面XCO₂与人为碳排放的时空特征,文章首先使用GOSAT、OCO-2卫星长时间序列近地面XCO₂数据集分析成渝地区XCO₂时空特征;再对XCO₂浓度及人为CO₂排放量进行EMD时间维分解,分析四川、重庆、北京不同时间尺度的变化特征。并用北京地面观测站点数据与卫星数据对比验证数据可靠性。结果表明：(1)201001-202112成渝地区近地面年均XCO₂浓度集中在389×10-6～410×10-6内,总体呈条带状分布,总年均增幅达19.6×10-6;XCO₂低值区位于西部、高值区位于中部及东部。(2)EMD及EEMD分解201001-202112成渝地区XCO₂后各IMF具有年际变化和季节变化的时间周期特性,RSE仍呈上升趋势。IMF1～IMF4为人为源碳排放,IMF5～IMF7为自然源碳排放。结果存在一定滞后性。(3)EMD分解201901-202012四川省、重庆、北京日尺度人为CO_2<...     

基于卫星遥感的四川省XCO2高分辨率时空分布

为深入了解四川省碳源、碳汇情况,该研究基于XGBoost机器学习算法,对多源卫星(GOSAT、OCO-2和OCO-3)的CO₂干空气柱平均摩尔分数(XCO₂)数据进行融合填补,重构四川省2015-2021年1 km网格XCO₂逐日浓度时空分布。结果表明,XGBoost模型基于网格和天的留出验证R²分别为0.98和0.96,可实现XCO₂数据的高精度时空分布重构。四川省2015-2021年XCO₂年平均浓度为406.5×10^-6,年平均增长速率为2.50×10^-6,增长速率呈逐年下降趋势。多年XCO₂浓度在春季最高,秋季最低,季节差异为3.4×10^-6。XCO₂浓度在空间上呈现“东部高,西部低”的分布特征,四川盆地内的城市XCO₂浓度普遍较高。各个城市的XCO₂在空间上呈现不同的分布特征,与当地碳源、碳汇密...     

中国XCO2时空分布与影响因素分析

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（r=-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（r=0.397,P<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（r=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.     

一种基于大气CO2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CO₂柱浓度(XCO₂)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XCO₂数据时空变化(2010～2021年)特征的聚类分区,利用卫星观测的XCO₂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(R²)的0.43提高到了0.82;空间分布更为合理;平均偏差由0.03 9Mt CO₂降低到0.018Mt CO₂.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.     

象山湾大气中CH4和CO2时空分布及其同位素组成特征

海湾区域的温室气体排放对于全球变暖具有重要影响,因此本研究选取中国东部典型海湾-象山湾作为研究对象,通过对CH₄和CO₂的浓度与同位素的时空变化特征分析来揭示海岸带对全球气候变化的影响.象山湾海域低层大气中CH₄浓度变化范围为(1.72～2.17)×10^-6,平均浓度为1.82×10^-6;δ¹³C_CH4的变化范围为-60.69‰～-41.10‰,平均值为-50.261‰;CO₂浓度变化范围为(410.3～640.3)×10^-6,平均浓度为433.294×10^-6;δ¹³C_CO2的变化范围为-16.79‰～-2.33‰,平均值为-6.83‰.CH₄含量整体上呈湾内大于湾外、从陆地向海方向逐渐减少的趋势,表明近浅海区域是大气甲烷的源;而CO₂含...     

鄱阳湖平原直播稻CH4通量及其与CO2通量的综合温室效应

稻田是一个既排放CH₄又吸收CO₂的复杂生态系统,在全球水碳循环和碳收支中发挥着重要作用.利用涡度相关法得到2020年鄱阳湖平原双季直播稻田的CH₄和CO₂通量,定量揭示了稻田碳通量变化特征、累积量和2种温室气体的综合温室效应.结果表明,双季直播稻田为CH₄排放源,全生育期排放量为52.6 g·m^-2,日均排放0.208 g·(m²·d)^-1. CH₄通量具有明显的季节变化特征,强排放期(排放峰)集中在早稻生长中期和晚稻生长前期,早稻85.5%和晚稻92.1%的CH₄在强排放期被释放,日尺度峰值分别为0.638 g·(m²·d)^-1和1.282 g·(m²·d)^-1.CH₄通量日变化呈显著单峰型、不显著单峰型和无规律型,强排放期主要为单峰型,该型式下早稻季峰值0...     

深圳市不同区域大气CO2变化特征与来源分析

于2020年12月1日~2021年12月1日分别在深圳市大学城和路边站两点位对大气CO₂和CO浓度进行了为期1a的观测.本次观测期间内两点位大气CO₂平均浓度分别为432×10^-6和439×10^-6,均呈现了“秋冬季高、春夏季低”的季节变化特征与“昼低夜高”日变化特征,且日变化特征在早晚高峰期受到交通源排放的显著影响.此外,通过引入CO₂和CO的净变化值得到大学城和路边站两点位的ΔCO₂/ΔCO值分别为136.8~184.8、59.0~119.3,结果表明机动车排放对深圳市大气CO₂贡献突出.     

五台山大气CO2本底浓度及源汇特征

基于五台山站2017年1月~2020年12月的大气CO₂连续观测资料,采用平均移动过滤法（MAF）和后向轨迹分析方法,对五台山大气CO₂本底浓度及源汇特征进行研究.结果表明：五台山大气CO₂浓度受到区域或局地源汇的影响,筛分后的CO₂本底小时浓度振幅为44.9×10^-6,小于未经筛分的CO₂浓度振幅94.7×10^-6.2017~2020年CO₂本底浓度呈逐年上升趋势,但增幅放缓;抬升浓度占比有所下降,吸收浓度占比波动较小,表明人类活动对CO₂浓度的影响逐年减弱,而五台山周边地区陆地生态系统碳汇作用相对稳定.CO₂本底浓度夏季最低,秋冬季次之,春季最高;日变化夏季最明显,峰谷值分别出现在05：00和16：00,其他季节日振幅仅在0.7×10^-6~1.8×10^-6之间.与本底浓度相比,抬升浓度的差异值自10月至翌年3月明显增大,而吸收浓度的差异值在6~9月最显著,分别反映出人为活动排放源以及陆地生态系统吸收汇对CO₂本底浓度的影响.源汇浓度日变化均为单峰结构,抬升浓度白天高、夜间低,吸收浓度刚好相反.春、秋和冬季造成CO₂浓度明显抬升的地面风向主要为西南风,且随风速的增加CO₂浓度能够保持较高水平,而夏季主要为东北偏东风;春、夏季,2~4m/s的风速有利于进一步降低CO₂吸收浓度.后向轨迹分析表明,气团远距离输送对源汇浓度的影响除了取决于气团途径区域的CO₂排放情况,还与气团的空间垂直输送路径有关.     

基于地基便携式FTIR的CO2与CH4柱浓度观测研究

地基傅里叶变换红外光谱技术(Fourier transform infrared spectroscopy, FTIR)由于其具有高的时空分辨率、对地表大气浓度变化敏感等优点，已成为遥测温室气体柱浓度的重要技术。基于便携式的傅里叶变换红外光谱仪(EM27/SUN)采集的太阳光谱来反演北京市区CO₂与CH₄柱浓度。通过与高分辨率FTIR观测结果比对，验证了EM27/SUN观测的准确性和可靠性。同时利用正午观测的CO₂和CH₄柱浓度结果计算了CO₂与CH₄观测精度。其中CO₂的观测精度为0.16×10^-6,CH₄的观测精度为1.4×10^-9。最后，给出了CO₂与CH₄时间序列变化，CO₂与CH₄在观测期间的变化较为一致。该研究表明了便携式FTIR观测CO₂与CH     

长三角地区大气NO2和CO2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NO₂和CO₂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CO₂高浓度地区空间格局.结果表明长三角城市群地区大气NO₂和CO₂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NO₂和CO₂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NO₂浓度值呈现秋冬时期较高,夏季最低的季节分布特征.大气CO₂浓度受植被CO₂吸收和CO₂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NO₂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NO₂浓度下降最多,如镇江、南京、马鞍山.     

我国中部地区大气CO2柱浓度时空分布

基于日本GOSAT及美国AIRS反演数据产品,对我国中部六省大气CO₂时空分布特征进行研究,结果表明：由GOSAT反演的中部地区2010~2013年大气CO₂年均柱浓度由389.36×10^-6增长到396.52×10^-6,年均绝对增长率达2.39×10^-6/a,呈现出冬春季高值、夏秋季低值的季节变化特征,其柱浓度年均值及去长期趋势后的月均值均略低于长三角地区,高于京津冀和东三省地区;其CO₂柱浓度高值区集中在湖南、江西及周边一带,年均绝对增长率为2.01×10^-6,其柱浓度年均值及去长期趋势后的月均值与长三角地区相当,略低于京津冀和东三省地区,由于受地面源汇影响较小,其与GOSAT反演结果相反,可能是由于AIRS反映了对流层中层大气状况,而GOSAT则更多地反映了近地面层大气CO₂变化.     

唐山上空CO2和CO浓度特征的飞机探测研究

为研究唐山城市上空CO₂与CO浓度时空分布,进一步定量其碳排放,于2018年11月~2019年3月,利用运十二飞机搭载高精度温室气体分析仪和相关辅助设备,对唐山市上空（200m~4600m）CO₂与CO浓度进行飞机探测.探测期间共取得6组CO₂和CO浓度垂直廓线数据.结果表明：探测期间CO₂浓度变化范围406×10^-6~453×10^-6,CO浓度变化范围27×10^-9~1135×10^-9.夜间探测有明显的混合层存在时,CO₂与CO浓度分布在混合层内有向上聚集现象,且在混合层顶均达到最大值;白天探测无明显的混合层存在时,浓度整体随高度增加而减小.在探测期间整层的平均风力小于4级时,CO₂和CO浓度极显著相关,CO₂和CO浓度比变化范围32.2~43.9.以2019年2月23日白天的架次为案例进行分析,微风条件下空气团经过城市后,CO₂和CO浓度均有所增加,显示当日唐山是CO₂和CO的源,结合质量平衡法或大气反演模式可以进一步估算城市CO₂和CO排放量.     

中国服务业能源消费CO2排放及其因素分解

基于IPCC温室气体排放清单指南中的CO₂排放因子与核算方法,估算了1995—2010年中国服务业能源消费与CO₂排放量,并对其总体变化趋势进行时间序列分析;以LMDI(对数平均迪氏指数)法辨识与分解3个时段(1995—2000年、2000—2005年和2005—2010年)中影响中国服务业CO₂排放量变动的关键因素及其对CO₂排放量的贡献值. 结果表明:1995—2010年中国服务业能源消费CO₂排放量增长态势明显,累计排放总量为853197.55×104t;服务业能源消费主要依赖于高碳化能源燃料,各年度油品和煤品分别占能源消费总量的67%~74%和5%~27%;LMDI分析结果显示,1995—2010年产业规模和人口效应引起CO₂排放增加量分别为133357.10×104和7691.25×104t,能源效率和能源结构引起CO₂排放减少量分别为59034.50×104和23898.60×104t. 提出CO₂减排对策:①以经济、政策和监管手段促进服务业节能减排;②依托科技创新提高能源综合利用效率,降低服务业CO₂排放量.      

基于不同排放清单的长三角人为CO2排放模拟

目前基于排放清单估算的区域和城市尺度上的人为CO₂排放不确定性较大.为了我国实现碳达峰和碳中和的目标,亟需对我国的区域尺度,特别是大城市群的人为CO₂排放进行准确估算.分别利用两种先验人为CO₂排放数据(EDGAR v6.0清单和EDGAR v6.0联合GCG v1.0的改进清单)作为输入数据,采用WRF-STILT大气传输模型模拟长三角地区2017年12月至2018年2月大气CO₂摩尔分数,再以安徽全椒高塔观测的大气CO₂摩尔分数作为参考值,通过贝叶斯反演方法得到的比例因子改进了模拟结果,并实现了长三角人为CO₂排放通量的估算.结果表明：(1)在冬季,相对于基于EDGAR v6.0模拟的大气CO₂摩尔分数值而言,基于改进清单模拟的大气CO₂摩尔分数与观测值更为一致;(2)模拟的大气CO₂摩尔分数在夜间高于观测值,白天则相反,主要因为排放清单的CO₂排放数据不能表征人为...     

2015～2020年济南市O3污染趋势及敏感性变化分析

基于环境空气质量站点监测数据及卫星遥感资料,研究了2015～2020年济南市近地面臭氧(O₃)污染的时空分布特征、变化趋势和前体物生成敏感性.结果表明,2015～2020年济南市O₃浓度呈上升趋势,全年O₃日最大8 h滑动平均值(MDA8)的第90百分位数(即年评价浓度)和4～9月MDA8 O₃浓度年均值分别以4.8μg·(m³·a)^-1和3.8μg·(m³·a)^-1的速率增长;各监测站点间O₃浓度水平差异逐渐缩小,且O₃浓度高值范围进一步扩大,济南市有16.1%和22.6%的监测点年评价值和4～9月MDA8 O₃出现了显著的正趋势(P<0.05),这些监测站点主要位于市区和靠近市区的郊区.卫星遥感监测数据显示2015～2020年4～9月济南市NO₂对流层柱浓度下降20.6%,年下降速率为0.3×10¹⁵     

河北省中南部二氧化碳浓度的飞机探测研究

为探究河北省中南部CO₂时空分布特征,利用空中国王350飞机搭载高精度CO₂分析仪和相关辅助设备,对石家庄、邢台城市上空(600～5600m)CO₂浓度进行飞机探测,探测期间共飞行4架次,取得7组CO₂浓度垂直廓线数据,探测期间CO₂浓度最小值为398.3×10^-6,最大值为414.6×10^-6,多架次垂直方向上平均浓度为(401.4～403.9)×10^-6.CO₂浓度随高度的增加,无明显规律性变化.边界层顶位于1000～2000m左右高度,在边界层顶以下受近地面排放源的影响较大.2500m高度上,其浓度随高度变化均存在一个短暂减小的趋势,高空基本不受近地面污染源的影响,CO₂浓度接近地面本底浓度.在同一高度上,白天CO₂浓度均略高于夜间.夜间CO₂在混合层聚集,混合层顶浓度达最大.邢台上空的CO₂与CH...     

2010年中国机动车CH4和N2O排放清单

中国大部分机动车温室气体排放研究都集中于CO₂排放,对于CH₄和N₂O等排放的研究鲜见. 以中国机动车污染防治年报(2011年)、中国汽车工业年鉴(2011年)、中国统计年鉴(2011年)以及交通运输部发布的相关信息和数据(2011年)等为基础,结合文献调研和2008─2010年对北京、广州等国内10余座典型城市的实地调查结果,获得2010年我国机动车活动水平及排放特征. 基于上述基础信息,解析得到按不同车型、燃料和车龄分布的机动车保有量、年均行驶里程及排放因子,建立2010年中国机动车CH₄和N₂O排放清单. 结果表明:2010年中国机动车CH₄和N₂O排放量分别为23.90×104和6.01×104t,折算成CO₂分别为501.99×104和1862.51×104t. 不确定性分析则显示,中国CH₄排放量在18.21×104～27.52×104t之间,N₂O排放量在4.32×104～7.62×104t之间. 在机动车中,汽车CH₄和N₂O排放量最大,分担率(某车型污染物排放量占机动车排放总量的比例)分别为77.99%和94.22%,而摩托车和农用车排放分担率较小. 在各类汽车中,CH₄排放主要来源于轻型汽油车和天然气出租车,二者的排放分担率分别为47.98%和23.42%;N₂O排放则主要源于轻型汽油车,其分担率为73.09%. 因此,轻型汽油车是削减机动车CH₄和N₂O排放的重点车型,同时天然气出租车也应作为控制CH₄排放的主要车型.      

基于车载CO2/CH4移动观测的城市站点空间代表性和热点识别研究

基于车载激光气体分析仪于2020年冬季和2021年春季在杭州道路观测近地面大气CO₂和CH₄浓度.结果表明:(1)城市不同区域道路近地面大气CO₂浓度与城市背景站差值(ΔCO₂)的排序为工业区>商业居民混合区>沿江住宅区>自然风景区,而CH₄差值(ΔCH₄)的排序为沿江住宅区>商业居民混合区>工业区>自然风景区,这说明城市CO₂和CH₄排放源有差异.(2)城市CO₂和CH₄排放热点同一位置多次观测浓度均高于周边地区30%以上,且CO₂和CH₄浓度昼夜差异明显.(3)杭州隧道内CH₄:CO₂浓度比值为(0.000912±0.00002),表明杭州主城区车辆以汽油车为主.(4)在高度约为20～30m的高架处观测的CO₂浓度对于不透...     

低碳城市的CO2与PM2.5减排协同效应分析

将基于卫星遥感数据的CO₂与PM_2.5纳入统一研究框架,运用多期双重差分等方法,在城市尺度上分析评估2007～2019年中国低碳城市政策对CO₂减排与PM_2.5污染控制的协同效应及其影响机制.研究发现:低碳城市CO₂与PM_2.5减排的协同效应十分显著,低碳政策使试点城市的CO₂排放量和大气PM_2.5浓度分别下降3.2%和0.74%,且结论在一系列稳健性检验后依然成立.机制分析表明,改善公共交通环境是低碳城市建设实现协同效应的最主要途径.低碳城市政策的协同效应存在地区差异,经济发展水平高、产业结构水平高的城市以及非资源型城市的协同效应更为显著.对此,应充分发挥协同效应,进一步加快低碳城市建设,实现CO₂和PM_2.5等大气污染物协同治理.     

基于机器学习的星载短波红外CO2柱浓度估算

利用OCO-2卫星遥感数据、全球碳柱总量观测网(TCCON)站观测数据、NDVI归一化植被指数数据、ERA5大气数据,采用决策树和集成学习(XGBoost、普通随机森林、极端随机森林、梯度提升)对二CO₂平均柱浓度进行预测.通过相关性分析、特征选择与特征提取,建立模型预测CO₂平均柱浓度,再与TCCON站点的地基观测数据进行比对.通过分析不同模型(决策树、XGBoost、普通随机森林、极端随机森林、梯度提升)预测的结果,发现使用极端随机森林回归模型预测CO₂平均柱浓度的精度最高, R²、均方根误差(RMSE)、平均绝对误差(MAE)、平均相对误差(MRE)分别为:0.953、0.492×10^-6、0.260×10^-6、0.063%,其余模型次之,因此对极端随机森林回归模型的预测性能随自身参数的影响进行了分析,结果表明,在误差允许的范围内(±2×10^-6),极端随机森林回归模型和梯度提升回归模型预测的准确率一样,都为98.10%.由于C...