2024, Vol. 50 
2. 许健民气象卫星创新中心，北京 100081；
3. 海南省气象科学研究所，海南省南海气象防灾减灾重点实验室，海口 570203；
4. 中国气象局三沙海洋气象野外科学试验基地，海南，三沙 573199；
5. 海南省南海海洋气象野外科学观测研究站，海南，三沙 573199
2. Innovation Center for FengYun Meteorological Satellite (FYSIC), Beijing 100081;
3. Key Laboratory of South China Sea Meteorological Disaster Prevention and Mitigation of Hainan Province, Hainan Institute of Meteorological Science, Haikou 570203;
4. Sansha Marine Meteorology Field Experiment Station of CMA, Hainan, Sansha 573199;
5. South China Sea Marine Meteorology Hainan Observation and Research Station, Hainan, Sansha 573199
工业革命以来，化石燃料大量使用、森林砍伐、城市建设等因素已经深刻影响了地球的碳循环过程，大气中CO2浓度不断上升，温室效应加剧、极端天气事件频发(Tian et al, 2016; 乔年等, 2023)。为了积极应对气候变化，推进生态优先、节约集约、绿色低碳发展，我国提出了“碳达峰、碳中和”目标。在目标的实现过程中，准确掌握大气中CO2含量及其变化规律具有重要意义。
大气中CO2含量的探测可分为地基和空基两种方法。地基探测方法具有较高的精度，如全球碳柱总量观测网(TCCON, Wunch et al, 2011；2015)，是一个由地基傅里叶变换光谱仪组建的观测网络，可进行CO2、CH4等要素的精密测量，但其缺点是站点数非常少，在全球范围内稀疏分布，无法反映大区域连续大气内CO2的分布趋势。空基探测一般是基于某些专用于大气温室气体探测的卫星，如日本的温室气体观测卫星GOSAT和GOSAT2，美国的轨道碳观测卫星OCO-2和OCO-3，我国的碳卫星、高分五号卫星等(叶函函等, 2021; Schneising et al, 2011; Crisp et al, 2017; Hakkarainen et al, 2016; 邓安健等, 2020; 白文广等, 2010; 葛钰洁和肖钟湧, 2022)，利用其携带的短波红外波段对大气CO2进行探测，最大优点是随着卫星的绕地运动具有了全球覆盖的探测能力，但是通道特性决定了其幅宽窄、重访周期长，无法实现每日全球覆盖探测。
温室气体探测卫星对大气CO2含量的探测多采用物理反演方法，利用辐射传输方程模拟整个光学路径，求解过程相对复杂(张炳炎等, 2021)。大气CO2含量除了受人类活动影响外，还与下垫面生物活动(如光合作用、呼吸作用等)有着密切关系，而生物活动又受到环境的温湿度等因素影响(加亦瑱等, 2022)。因此，大气CO2含量与下垫面生物种类、丰度、环境温湿度等因素有直接关系(He et al, 2017)。基于此，不少学者提出，通过对大气CO2含量的影响要素筛选，建立从影响要素到大气CO2含量的回归关系，从而直接估算大气CO2含量。例如Guo et al (2012)利用中分辨率成像光谱仪(MODIS)的地表温度(LST)、归一化植被指数(NDVI)、叶面积指数(LAI)、净初级生产力(NPP)、总初级生产力等产品，建立与GOSAT探测的大气CO2柱浓度的多元线性回归方程，分别在全球建立不同回归方程，精度为-2.56~3.14 ppm(1 ppm=10-6)。之后Guo et al (2015)将该方法进一步按照不同月份建立回归关系，应用于东亚的植被生长季节(5—10月)。也有学者利用神经网络、随机森林(RF)等机器学习方法，建立了新型的回归模型。如Li et al(2022)选择植被覆盖度、LAI、NPP、蒸散、温度、相对湿度、风向和风速共8个要素，利用极限树方法建立与大气CO2柱浓度回归关系。He et al(2023)利用高程(DEM)、人口密度、土地利用、NDVI、气象再分析(ERA5)数据，讨论了多种机器学习方法(随机森林、极限树等)对大气CO2柱浓度的预测精度，结果显示随机森林方法精度最高。李静波等(2023)利用NDVI、ERA5、DEM、气溶胶光学厚度和地表反射率数据，采用决策树和集成学习方法对大气CO2柱浓度进行预测，准确率超过90%。
当前对CO2柱浓度的关注重点在陆地上空(蔡大鑫等, 2023)，对海洋上空则关注较少。海洋是一个巨大的碳库，人类每年产生的人为CO2约有一半停留在大气中，其余的CO2被海洋吸收(Manabe and Stouffer, 1993; 詹滨秋和赵永平, 1989; 张远辉等, 2000)，对海上大气CO2含量的研究对于预测全球大气CO2含量乃至气候变化具有重要意义。海洋上空的CO2柱浓度受到海气多种因素共同影响，边缘海上空的CO2柱浓度还会受到陆地因素影响，属于多要素复杂非线性问题，面对这样的问题，以随机森林为代表的机器学习方法表现出了与传统统计回归方法相比更高的精度。本文以中国南海CO2柱浓度为研究对象，假设OCO-2的大气CO2柱浓度为真实值，筛选与OCO-2同时间过境的多源卫星遥感大气和海洋参数，利用随机森林算法建立大气和海洋参数与大气CO2柱浓度的回归关系，在此基础上估算海洋大范围连续大气CO2柱浓度，并开展大气CO2柱浓度季节变化特征分析。1研究区与数据源
1.1 研究区概况南海常年盛行季风，冬季受强大的东北季风影响，夏季则受西南季风影响，并受到由季风控制的环流影响。作为边缘海，南海海上大气CO2柱浓度的时空变化除了受海气CO2分压差影响外，还受其他因素影响(如陆地大气CO2浓度, 风向、风速, 海面温度, 水中浮游植物数量，水产养殖种类和规模等)，对照这些影响因素本文选择了相应的遥感数据(详见1.3和1.4节)作为输入数据。
1.2 OCO-2数据美国于2014年7月发射OCO-2卫星，轨道高度705 km，幅宽10.6 km，升轨过境时间为地方时13:36，空间分辨率2.2 km×1.29 km，时间分辨率16 d(Liang et al, 2017a)。OCO-2是当前国际主要的碳监测卫星之一，与TCCON数据对比，精度优于1 ppm(Liang et al, 2017b)。OCO-2共有3个谱段，分别是O2A吸收的0.76 μm、弱CO2吸收的1.61 μm和强CO2吸收的2.06 μm，根据这3个谱段可反演大气CO2柱浓度。本文使用经过偏差校正的2020年L2级Lite产品，为保证数据的可靠性，参与随机森林训练和验证的数据均为质量标志QF=0(质量为优)(Liang et al, 2017b)。为了与其他遥感数据的空间分辨率一致，使用三次样条插值法将其空间分辨率重采样至0.05°×0.05°(为确保真值可靠性，仅对有值像元分辨率进行重采样，无值像元仍为无值)。
1.3 先进散射计数据欧洲气象卫星应用组织(EUMETSAT)分别于2006年、2012年、2018年发射了MetOp-A、MetOp-B、MetOp-C极轨卫星，轨道高度817 km，其上搭载的先进散射计(ASCAT)是一台拥有3个垂直极化天线的C波段(5.2 GHz)微波散射计。ASCAT可被用于测量海面风场(等效10 m)、极地冰、土壤水分等。田光辉等(2020)用南海浮标站对风速、风向产品进行了精度检验，平均绝对偏差分别为0.59 m· s-1和16.23°。本文使用的是MetOp-C星2020年0.25°空间分辨率的网格化日产品，选取海面风速和风向2个参数。使用三次样条插值法将其空间分辨率重采样至0.05°×0.05°，以与其他遥感数据的空间分辨率一致。MetOp-C星的过境时间为地方时09:30，与OCO-2升轨过境时相差约4 h，本文假设大气CO2柱浓度在这段时间内的变化可忽略。
1.4 MODIS产品海面温度日产品(SST)：过境时间为白天，空间分辨率为4 km，覆盖全球海洋；SST能显著影响海洋生物的新陈代谢，进而影响浮游植物的呼吸和光合作用。叶绿素a浓度日产品(Chl-a)：过境时间白天，空间分辨率为4 km，覆盖全球海洋；叶绿素a浓度的高低与水体中浮游植物的种类、数量以及水环境质量等高度相关，可以在一定程度上反映水质状况(孙军等, 2003)。瞬时光合有效辐射日产品(IPAR)：过境时间为白天，空间分辨率为4 km，覆盖全球海洋；浮游植物吸收太阳辐射中可见光波段的光谱进行光合作用，该波段的太阳光被称为光合有效辐射；植物通过叶绿素将这些光谱能量转化为植物生长所需的生物化学能量，此过程会吸收CO2并造成水中CO2分压变化。颗粒有机碳日产品(POC)：过境时间为白天，空间分辨率为4 km，覆盖全球海洋；海水吸收的CO2通过真光层内浮游植物的光合作用被转化为有生命的颗粒有机碳，表层海洋的POC沉降作为海洋生物泵的重要组成部分，提供了一种深海固碳机制；真光层底颗粒有机碳通量能够可反映深海固碳效率。颗粒无机碳日产品(PIC)：过境时间为白天，空间分辨率为4 km，覆盖全球海洋；PIC被认为是表征海水中颗石藻产量的指标，在海洋碳循环过程中，颗石藻是主要的初级生产者和碳酸盐生产者；现代开放大洋中，约一半的碳酸盐沉积来自颗石藻的贡献，在海洋碳循环中扮演着重要的角色。
以上MODIS产品参数下载自https://oceancolor.gsfc.nasa.gov/，数据时间为2020年，使用三次样条插值法将产品重采样至0.05°×0.05°。MODIS/AQUA卫星升轨的过境时间为地方时13:30，与OCO-2升轨过境时相差约6 min，在此假设大气CO2柱浓度在这段时间内没有明显变化。
2 研究方法 2.1 随机森林模型随机森林模型是一种基于决策树集成的机器学习算法，有着对多要素、大数据量、复杂非线性问题求解的优势，可用于解决复杂的分类和回归问题，应用广泛(Breiman, 2001；王可心等，2021；杭鑫等，2021)。在对陆上大气CO2柱浓度的预测中，随机森林方法相较其他机器学习方法，显示了更高的精度(He et al, 2023)。随机森林中的每棵树都通过随机且有放回的方法在原始的训练集中抽取2/3训练实例，根据生成的样本集构建决策树，所有单个决策树的结果通过聚合得到最终的预测结果。对于每棵树，未被抽取到训练集中的1/3的数据叫做袋外数据(OOB)，可以用来评估所构建的模型精度，即OOB特征重要性。
2.2 模型验证随机森林模型对海上大气CO2柱浓度的估算精度由OCO-2卫星监测数据作为真值进行检验，具体指标为决定系数(R2)、偏差(Bias)和均方根误差(RMSE)，还需计算模型的均方误差(MSE)。
| $ R^2=1-\frac{\sum\limits_{i=1}^n\left(Y_i-X_i\right)^2}{\sum\limits_{i=1}^n\left(Y_i-\bar{X}\right)^2} $ |
| $ \begin{aligned} \text { Bias } & =\frac{\sum\limits_{i=1}^n\left(Y_i-X_i\right)}{n} \\ \text { RMSE } & =\sqrt{\frac{1}{n} \sum\limits_{i=1}^n\left(X_i-Y_i\right)^2} \\ \text { MSE } & =\frac{1}{n} \sum\limits_{i=1}^n\left(X_i-Y_i\right)^2 \end{aligned} $ |
式中：Xi为OCO-2卫星监测到的大气CO2柱浓度，为Xi的平均值，Yi为经过随机森林模型估算的大气CO2柱浓度, 单位为ppm。
3 结果与讨论 3.1 随机森林模型设置随机森林模型需要设置叶子和树的数目，为确定两者的最优数目，分别设置叶子数为5、10、20、50、100、200、500，树的数目为1~200，计算模型的MSE。结果如图 1所示，当叶子数目为5或10时MSE值相对最低，本文取最优的叶子数为5；当树的数目达到80时MSE处于最小并基本稳定，即最优的树的数目是80。
|
图 1 随叶子数和树的数目变化的模型MSE Fig. 1 Model MSE varying with the number of leaves and trees |
随机选取2020年4/5的数据作为随机森林模型的训练数据集，1/5的数据作为验证数据集，总数据量为1774，符合随机森林方法对样本数量的需求，验证结果如图 2所示。由图可知，验证数据集的实际大气CO2柱浓度变化范围约为407.4~414.7 ppm，随机森林模型的估算范围为410.0~413.6 ppm，模型表现出0.27 ppm的高估，高估主要出现在CO2柱浓度低值区，而在高值区则表现出一定的低估，大气CO2柱浓度在413 ppm附近时模型的精度相对较高。模型的R2为0.59，RMSE为1.00 ppm，较Guo et al(2015)陆地上空CO2柱浓度估算精度(R2为0.00~0.59，RMSE为1.17~1.79 ppm)更高，这也与南海海上CO2柱浓度年内变化幅度弱于陆地上空有一定关系。
|
图 2 南海大气CO2柱浓度随机森林模型精度验证 Fig. 2 Scatter plot for accuracy verification of random-forest-based model of atmospheric CO2 column concentration over the South China Sea |
分别选取1月、4月、7月、10月作为冬季、春季、夏季、秋季的代表月份对模型精度进行验证，结果见表 1。由表可见，模型在春、夏两季精度较高，R2最高达到0.65，RMSE最小达到0.70 ppm；在秋、冬两季精度略差，R2最低为0.49，RMSE最大达到1.24 ppm。从单月南海大气CO2柱浓度平均值对比来看，也是春、夏两季精度较高，相差均为0.05 ppm，秋、冬两季分别相差0.07 ppm和0.10 ppm。
|
表 1 不同季节南海大气CO2柱浓度随机森林模型精度验证 Table 1 Accuracy verification table of random-forest-based model of atmospheric CO2 column concentration over the South China Sea in different seasons |
基于宽幅多源卫星构建的南海大气CO2柱浓度随机森林模型具有高重访周期的优势，以此构建的月或季平均大气CO2柱浓度数据基本可实现对南海区域的空间全覆盖，相较于OCO-2卫星的窄幅数据，能够更好地反映南海大气CO2柱浓度的空间分布特征(图 3)。图 3a展示了OCO-2卫星于2020年4月南海大气CO2柱浓度的分布，图 3b~3e分别展示了基于宽幅多源卫星数据的南海区域在2020年的大气CO2柱浓度随季节变化的分布特征，具体表现为南海大气CO2柱浓度春季＞夏季＞冬季＞秋季。如图 3b~3e所示，春季南海大气CO2柱浓度整体较高，南海北部海域特别是近海岸带附近高值达到415~417 ppm，南海西部和南部的大气CO2柱浓度相对略低，低值区为412~413 ppm；夏季大气CO2柱浓度有所降低，高值区在北部湾、海南岛西海岸、南海东北部，低值区为南海西部、南部和东南部；秋季大气CO2柱浓度整体在全年属于最低，海盆区域高于近海岸附近，南海北部特别是近海岸带附近、南部海岸带附近值最低，低值达到407~410 ppm；冬季大气CO2柱浓度出现高低值相差较大的情况，北部和西北部海岸带附近、东南部海域值较高，高值达到414~416 ppm，而南部近海岸带附近出现408~410 ppm的低值。
|
图 3 (a) OCO-2监测和(b~e)随机森林模拟的南海大气CO2柱浓度随季节分布 Fig. 3 Seasonal distribution of atmospheric CO2 column concentration by (a) OCO-2 and (b-e) random-forest-based model over the South China Sea |
南海大气CO2柱浓度季节变化的主要原因有三点：一是“生物泵”随季节变化，即南海真光层的浮游植物的数量、分布和生产效率都随季节发生变化，南海作为陆架边缘海，大陆河流携带的泥沙、污染物、营养盐等进入南海，为浮游植物的繁殖提供了基础，但是不同季节温度的变化、汛期多云对太阳的遮挡等因素又会影响浮游植物的生产效率；二是“溶解度泵”随季节变化，即海面温度本身随季节的变化改变了海气CO2分压差，南海会呈现季节性的源-汇转化；三是陆架上空大气CO2对边缘海的影响，随着季节性风速风向的变化，大陆的高浓度CO2会被风吹到南海上空，或者原本应由“生物泵”和“溶解度泵”影响而产生的CO2柱浓度差异，在风的影响下产生了空间移位，进而更加复杂地影响海气CO2分压。
在不同季节，南海大气CO2柱浓度受多种因素共同影响，形成明显的季节特征，为了对其季节变化原因进行分析，本文利用随机森林模型内置的OOB特征重要性参数(MODIS产品详见1.4节)来排序每个影响因素对结果影响的重要程度，结果见图 4。如图所示，1月和4月南海大气CO2柱浓度的第一影响因素是风向，此时盛行东北季风，来自大陆的高浓度CO2随东北季风进入南海区域，提高了南海大气CO2柱浓度，图 3中展现出的CO2柱浓度存在明显的北部近海岸＞中心海盆的这一规律也印证了上述分析；1月颗粒无机碳是第二重要影响因素，其多来自陆源输入，所以1月北部近海岸带附近的大气CO2柱浓度较中心海盆明显偏高；7月风速和风向是影响最大的2个因素，此时南海盛行西南季风，但是北部湾仍以偏北风为主(王春乙, 2014)，且北部湾的风速大于其他海域，叠加因素造成北部湾区域CO2柱浓度较高；10月海温成为最主要影响因素，此时中心海盆温度高，北部近海岸带温度较低，大气CO2柱浓度也表现出中部高、北部低的特征。
|
图 4 不同月份南海大气CO2柱浓度影响因素重要性排序 Fig. 4 Histogram of the importance of factors affecting atmospheric CO2 column concentration over the South China Sea in different months |
基于随机森林模型对多参数、非线性、回归问题的计算优势，提出了一种利用多源卫星的叶绿素a浓度、瞬时光和有效辐射、颗粒无机碳、颗粒有机碳、海面温度、风速、风向7个参数估算南海大气CO2柱浓度的方法，假设OCO-2卫星获得的数据为真值，以2020年南海数据对模型精度验证，Bias为0.27 ppm，R2为0.59，RMSE为1.00 ppm，整体精度令人满意。
基于宽幅多源遥感数据构建的南海大气CO2柱浓度估算方法，可以在月或者季的尺度上实现对南海区域的空间全覆盖监测，相较于OCO-2卫星的窄幅数据，能够更好地反映南海大气CO2柱浓度的空间分布特征。南海大气CO2柱浓度呈现明显的季节特征，具体表现为春季＞夏季＞冬季＞秋季。在不同的月份，造成南海大气CO2柱浓度季节差异的主要影响因素是不同的。在1月和4月，主要影响因素是风向，7月风速和风向是影响最大的2个因素，10月海温成为最主要影响因素。考虑影响南海大气CO2柱浓度的主要因素呈随时间变化特征，下一步拟开展针对不同季节/月份的随机森林南海海上大气CO2柱浓度估算方法研究。
白文广, 张兴赢, 张鹏, 2010. 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, 55(30): 2953-2960. Bai W G, Zhang X Y, Zhang P, 2010. Temporal and distribution of tropospheric CO2 over China based on satellite observation[J]. Chinese Sci Bull, 55(30): 2953-2960 (in Chinese).
|
蔡大鑫, 刘少军, 佟金鹤, 等, 2023. 基于卫星遥感的南海海-气CO2通量研究[J]. 热带气象学报, 39(4): 462-473. Cai D X, Liu S J, Tong J H, et al, 2023. Study on air-sea CO2 flux in the South China Sea based on satellite remote sensing[J]. J Trop Meteorol, 39(4): 462-473 (in Chinese).
|
邓安健, 郭海波, 胡洁, 等, 2020. 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, 24(3): 319-325. Deng A J, Guo H B, Hu J, et al, 2020. Analysis of temporal and distribution characteristic of CO2 concentration over China based on GOSAT satellite data[J]. J Remote Sens, 24(3): 319-325 (in Chinese).
|
葛钰洁, 肖钟湧, 2022. 基于GOSAT卫星的中国CO2浓度时空特征分析[J]. 中国环境监测, 38(5): 96-108. Ge Y J, Xiao Z Y, 2022. Analysis on the spatial and temporal characteristics of CO2 concentration in China based on GOSAT satellite[J]. Environ Monitor China, 38(5): 96-108 (in Chinese).
|
杭鑫, 曹云, 杭蓉蓉, 等, 2021. 基于随机森林算法与高分观测的太湖叶绿素a浓度估算模型[J]. 气象, 47(12): 1525-1536. Hang X, Cao Y, Hang R R, et al, 2021. Estimation model of chlorophyll-a concentration in Taihu Lake based on random forest algorithm and Gaofen observations[J]. Meteor Mon, 47(12): 1525-1536 (in Chinese). DOI:10.7519/j.issn.1000-0526.2021.12.008
|
加亦瑱, 陶明辉, 丁思佳, 等, 2022. 基于卫星遥感的中国地区XCO2和XCH4时空分布研究[J]. 大气与环境光学学报, 17(6): 679-692. Jia Y Z, Tao M H, Ding S J, et al, 2022. Spatial and temporal distribution of XCO2 and XCH4 in China based on satellite remote sensing[J]. J Atmos Environ Optics, 17(6): 679-692 (in Chinese). DOI:10.3969/j.issn.1673-6141.2022.06.008
|
李静波, 张莹, 盖荣丽, 2023. 基于机器学习的星载短波红外CO2柱浓度估算[J]. 中国环境科学, 43(4): 1499-1509. Li J B, Zhang Y, Gai R L, 2023. Estimation of the column concentration of carbon dioxide using spaceborne shortwave infrared spectrometer[J]. China Environ Sci, 43(4): 1499-1509 (in Chinese).
|
乔年, 卢楚翰, 管兆勇, 等, 2023. CMIP6模式大气中南北半球水汽质量反相变化: 不同温室气体排放情景差异[J]. 气象学报, 81(5): 776-787. Qiao N, Lu C H, Guan Z Y, et al, 2023. Anti-phase relation of water vapor mass between the Northern and Southern Hemispheres in CMIP6 models: differences under different greenhouse gas emission scenarios[J]. Acta Meteor Sin, 81(5): 776-787 (in Chinese).
|
孙军, 刘东艳, 冯士筰, 2003. 近海生态系统动力学研究中浮游植物采样及分析策略[J]. 海洋与湖沼, 34(2): 224-232. Sun J, Liu D Y, Feng S Z, 2003. Preliminary study on marine phytoplankton sampling and analysis strategy for ecosystem dynamic research in coastal waters[J]. Oceanol Limnol Sin, 34(2): 224-232 (in Chinese). DOI:10.3321/j.issn:0029-814X.2003.02.014
|
田光辉, 刘少军, 李伟光, 等, 2020. ASCAT风场在南海的适用性分析[J]. 广东气象, 42(5): 39-43. Tian G H, Liu S J, Li W G, et al, 2020. Analysis of the applicability of ASCAT-derived wind field in the South China Sea[J]. Guangdong Meteor, 42(5): 39-43 (in Chinese). DOI:10.3969/j.issn.1007-6190.2020.05.010
|
王春乙, 2014. 海南气候[M]. 北京: 气象出版社. Wang C Y, 2014. Hainan Climate[M].
Beijing: China Meteorological Press (in Chinese).
|
王可心, 包云轩, 朱承瑛, 等, 2021. 随机森林回归法在冬季路面温度预报中的应用[J]. 气象, 47(1): 82-93. Wang K X, Bao Y X, Zhu C Y, et al, 2021. Forecasts of road surface temperature in winter based on random forests regression[J]. Meteor Mon, 47(1): 82-93 (in Chinese). DOI:10.7519/j.issn.1000-0526.2021.01.008
|
叶函函, 王先华, 吴时超, 等, 2021. 高分五号卫星GMI大气CO2反演方法[J]. 大气与环境光学学报, 16(3): 231-238. Ye H H, Wang X H, Wu S C, et al, 2021. Atmospheric CO2 retrieval method for satellite observations of greenhouse gases monitoring instrument on GF-5[J]. J Atmos Environ Optics, 16(3): 231-238 (in Chinese).
|
詹滨秋, 赵永平, 1989. 二氧化碳, 海洋与气候[J]. 海洋与湖沼, 20(1): 92-99. Zhan B Q, Zhao Y P, 1989. CO2 oceans and climate[J]. Oceanol Limnol Sin, 20(1): 92-99 (in Chinese).
|
张炳炎, 闫召爱, 郭文杰, 等, 2021. 基于CO2测量数据的大气辐射传输模型LBLRTM优化[J]. 空间科学学报, 41(6): 905-910. Zhang B Y, Yan Z A, Guo W J, et al, 2021. Optimization of atmospheric radiative transfer model LBLRTM based on measured CO2 data[J]. Chin J Space Sci, 41(6): 905-910 (in Chinese).
|
张远辉, 王伟强, 陈立奇, 2000. 海洋二氧化碳的研究进展[J]. 地球科学进展, 15(5): 559-564. Zhang Y H, Wang W Q, Chen L Q, 2000. Advances in studies of oceanic carbon dioxide[J]. Adv Earth Sci, 15(5): 559-564 (in Chinese). DOI:10.3321/j.issn:1001-8166.2000.05.012
|
Breiman L, 2001. Random Forests[J]. Mach Learn, 45(1): 5-32. DOI:10.1023/A:1010933404324
|
Crisp D, Pollock H R, Rosenberg R, et al, 2017. The on-orbit performance of the Orbiting Carbon Observatory-2(OCO-2) instrument and its radiometrically calibrated products[J]. Atmos Meas Tech, 10(1): 59-81. DOI:10.5194/amt-10-59-2017
|
Guo M, Wang X F, Li J, et al, 2012. Assessment of global carbon dioxide concentration using MODIS and GOSAT data[J]. Sensors, 12(12): 16368-16389. DOI:10.3390/s121216368
|
Guo M, Xu J W, Wang X F, et al, 2015. Estimating CO2 concentration during the growing season from MODIS and GOSAT in East Asia[J]. Int J Remote Sens, 36(17): 4363-4383. DOI:10.1080/01431161.2015.1081305
|
Hakkarainen J, Ialongo I, Tamminen J, 2016. Direct space-based observations of anthropogenic CO2 emission areas from OCO-2[J]. Geophys Res Lett, 43(21): 11400-11406.
|
He S C, Yuan Y B, Wang Z H, et al, 2023. Machine learning model-based estimation of XCO2 with high spatiotemporal resolution in China[J]. Atmosphere, 14(3): 436. DOI:10.3390/atmos14030436
|
He Z H, Zeng Z C, Lei L P, et al, 2017. A data-driven assessment of biosphere-atmosphere interaction impact on seasonal cycle patterns of XCO2 using GOSAT and MODIS observations[J]. Remote Sens, 9(3): 251. DOI:10.3390/rs9030251
|
Li J, Jia K, Wei X Q, et al, 2022. High-spatiotemporal resolution mapping of spatiotemporally continuous atmospheric CO2 concentrations over the global continent[J]. Int J Appl Earth Obs Geoinf, 108: 102743.
|
Liang A L, Gong W, Han G, et al, 2017a. Comparison of satellite-observed XCO2 from GOSAT, OCO-2, and ground-based TCCON[J]. Remote Sens, 9(10): 1033. DOI:10.3390/rs9101033
|
Liang A L, Han G, Gong W, et al, 2017b. Comparison of global XCO2 concentrations from OCO-2 with TCCON data in terms of latitude zones[J]. IEEE J Sel Top Appl Earth Obs Remote Sens, 10(6): 2491-2498. DOI:10.1109/JSTARS.2017.2650942
|
Manabe S, Stouffer R J, 1993. Century-scale effects of increased atmospheric CO2 on the ocean-atmosphere system[J]. Nature, 364(6434): 215-218. DOI:10.1038/364215a0
|
Schneising O, Buchwitz M, Reuter M, et al, 2011. Long-term analysis of carbon dioxide and methane column-averaged mole fractions retrieved from SCIAMACHY[J]. Atmos Chem Phys, 11(6): 2863-2880.
|
Tian H Q, Lu C Q, Ciais P, et al, 2016. The terrestrial biosphere as a net source of greenhouse gases to the atmosphere[J]. Nature, 531(7593): 225-228.
|
Wunch D, Toon G C, Blavier J F L, et al, 2011. The total carbon column observing network[J]. Phil Trans R Soc A: Math, Phys Eng Sci, 369(1943): 2087-2112.
|
Wunch D, Toon G C, Sherlock V, et al, 2015. The total carbon column observing network's GGG2014 data version[M].
Oak Ridge: Carbon Dioxide Information Analysis Center, Oak Ridge National Laboratory.
|