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(shù)在“雙碳”目標(biāo)實(shí)現(xiàn)中的應(yīng)用進(jìn)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(shù)股份有限公司，北京 100195）（2 國(guó)家發(fā)展和改革委員會(huì)國(guó)家投資項(xiàng)目評(píng)審中心，北京 100037）（3 生態(tài)環(huán)境部衛(wèi)星環(huán)境應(yīng)用中心，北京 100094）（4 中國(guó)科學(xué)院森林生態(tài)與管理重點(diǎn)實(shí)驗(yàn)室，沈陽(yáng) 110016）

在全球努力實(shí)現(xiàn)碳中和目標(biāo)的背景下中國(guó)也提出了“30-60”雙碳目標(biāo)。遙感技術(shù)有著地域范圍廣、追溯時(shí)期長(zhǎng)的特點(diǎn)，因此，遙感可以快速、連續(xù)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(jiān)測(cè)以及方面有著廣闊的應(yīng)用。文章首先綜合闡述了陸地碳循環(huán)的模式，遙感技術(shù)在“雙碳”目標(biāo)實(shí)現(xiàn)中可以應(yīng)用的領(lǐng)域、包括溫室氣體監(jiān)測(cè)、碳排放源監(jiān)測(cè)、陸地碳循環(huán)、遙感定量計(jì)算碳通量等。對(duì)關(guān)鍵概念進(jìn)行了解釋。然后，分析了遙感技術(shù)在遙感定量計(jì)算不同碳通量中使用到的方法和研究進(jìn)展，同時(shí)提出了遙感監(jiān)測(cè)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(huán) 碳通量 遙感應(yīng)用

0 引言

二氧化碳（CO2）和甲烷（CH4）等溫室氣體是導(dǎo)致全球變暖和氣候變化的重要因素之一，氣候變化導(dǎo)致極端氣候頻發(fā)，對(duì)陸地生態(tài)系統(tǒng)的功能產(chǎn)生了深遠(yuǎn)的影響[1]。據(jù)統(tǒng)計(jì)，目前全球每年排放的CO2有400億噸，中國(guó)是世界上最大的能源消費(fèi)國(guó)和CO2排放國(guó)，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(guó)家面臨氣候變化和空氣污染的雙重挑戰(zhàn)。

2020年9月，習(xí)近平總書記在第75屆聯(lián)合國(guó)大會(huì)上宣布了中國(guó)的CO2排放目標(biāo)：力爭(zhēng)在2030年實(shí)現(xiàn)“碳達(dá)峰”，并在2060年實(shí)現(xiàn)“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(zhì)的考慮，針對(duì)“碳達(dá)峰”的問題我們已經(jīng)明確應(yīng)該盡量降低峰值，而對(duì)于如何實(shí)現(xiàn)“碳中和”還有眾多需要研究的問題。實(shí)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(qiáng)陸地固碳作用，除了自然過程外，涉及人為減排、能源結(jié)構(gòu)調(diào)整、人工碳匯等有序人類活動(dòng)手段的實(shí)施[3-4]。做好“雙碳”工作，對(duì)社會(huì)經(jīng)濟(jì)高品質(zhì)發(fā)展、保護(hù)地球生態(tài)、推進(jìn)應(yīng)對(duì)氣候變化的國(guó)際合作等都具有重要意義[5]。

準(zhǔn)確核算中國(guó)的CO2排放量是實(shí)施減排政策的第一步[6]。目前傳統(tǒng)的依賴于在線監(jiān)測(cè)和清單算法的“自上而下”的人為碳排放計(jì)算方法雖然得到了廣泛應(yīng)用，但受限于觀測(cè)數(shù)據(jù)的精度和覆蓋率，主要用于評(píng)估自然生態(tài)圈的CO2通量和濕地的CH4通量[7-8]。近幾年，國(guó)內(nèi)外開始探索利用衛(wèi)星數(shù)據(jù)監(jiān)測(cè)人為排放，如利用軌道碳觀測(cè)衛(wèi)星-2（Orbiting Carbon Observatory-2，OCO-2）觀測(cè)研究城市XCO2分布[9]和估測(cè)OCO-2軌跡附近發(fā)電廠的CO2排放[10]。2019年第49屆聯(lián)合國(guó)政府間氣候變化專門委員會(huì)（Intergovernmental Panel on Climate Change，IPCC)大會(huì)明確了利用大氣觀測(cè)通過“自上而下”通量計(jì)算對(duì)排放清單進(jìn)行支撐和驗(yàn)證，大氣遙感碳監(jiān)測(cè)技術(shù)以及同化反演技術(shù)方法的應(yīng)用成為了我國(guó)實(shí)現(xiàn)“碳達(dá)峰”、“碳中和”目標(biāo)急需探明的重要問題[9,11]。

在過去的幾十年里，遙感技術(shù)廣泛應(yīng)用于陸地碳循環(huán)受到了研究界的極大關(guān)注，從1980年代開始，遙感技術(shù)便開始廣泛的應(yīng)用于不同尺度生態(tài)系統(tǒng)碳動(dòng)態(tài)的空間格局、年際變化與長(zhǎng)期趨勢(shì)等方面研 究[12-14]，在不同時(shí)空尺度的生態(tài)系統(tǒng)碳儲(chǔ)量和碳通量估算和全球變化對(duì)碳動(dòng)態(tài)的影響及對(duì)氣候的反饋研究中起到了重要的作用[12,15-18]。2000年以來(lái)，隨著全球溫室氣體監(jiān)測(cè)需求的增加，傳統(tǒng)的地基網(wǎng)絡(luò)觀測(cè)數(shù)據(jù)由于空間分辨率不足，并且海洋、沙漠等地區(qū)的觀測(cè)信息缺失較多，難以滿足全球范圍內(nèi)溫室氣體監(jiān)測(cè)的需求。利用溫室氣體衛(wèi)星遙感監(jiān)測(cè)人為碳排放，可以在較高的空間分辨率上實(shí)現(xiàn)全球觀測(cè)，為碳監(jiān)測(cè)研究、全球碳循環(huán)、氣候變化和溫室氣體減排等提供重要的科學(xué)依據(jù)。

隨著空間信息技術(shù)和計(jì)算科學(xué)的迅速發(fā)展，“雙碳”目標(biāo)的提出，陸地碳循環(huán)問題的日益突出、機(jī)理的日益明確、在大尺度陸地生態(tài)系統(tǒng)碳循環(huán)研究中的作用日益突出和技術(shù)的日益成熟，遙感技術(shù)在地表碳循環(huán)以及檢驗(yàn)分析全球變化對(duì)于碳動(dòng)態(tài)和氣候的影響中的應(yīng)用日益深入，將具有大面積同步觀測(cè)優(yōu)勢(shì)的遙感技術(shù)與地球物理化學(xué)方法相結(jié)合，不僅可以縮短測(cè)量時(shí)間、節(jié)省測(cè)量成本，還可以大范圍空間連續(xù)觀測(cè)有機(jī)碳庫(kù)的來(lái)源組成。

本文主要闡述陸地生態(tài)系統(tǒng)的固碳作用及遙感技術(shù)在人為碳排放監(jiān)測(cè)和陸地碳循環(huán)對(duì)陸地碳庫(kù)、來(lái)源組成及其時(shí)空動(dòng)態(tài)分布的遙感觀測(cè)中的應(yīng)用，并從生產(chǎn)力和地上生物量等遙感監(jiān)測(cè)技術(shù)發(fā)展、溫室氣體監(jiān)測(cè)衛(wèi)星發(fā)展的角度對(duì)陸地碳循環(huán)的主要遙感監(jiān)測(cè)方法。

1 遙感碳監(jiān)測(cè)方法概述

1.1 陸地碳循環(huán)的基本問題

陸地生態(tài)系統(tǒng)在吸收CO2的過程中起著重要作用。陸地生態(tài)系統(tǒng)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(huán)和地球氣候中發(fā)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(jié)主要介紹陸地碳儲(chǔ)量、碳通量和碳匯的概念和主要分析指標(biāo)。因此，更好地理解和評(píng)估極端氣候?qū)﹃懙靥佳h(huán)的影響，可以為促進(jìn)我們社會(huì)緩解和適應(yīng)氣候變化提供重要的科學(xué)依據(jù)[21-22]。

陸地碳循環(huán)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(tài)系統(tǒng)變化的關(guān)鍵過程。陸地生態(tài)系統(tǒng)的碳儲(chǔ)量是指陸地生態(tài)系統(tǒng)儲(chǔ)存的碳元素的總和，主要從生物量和土壤有機(jī)碳的角度分析。土壤是陸地生態(tài)系統(tǒng)中最大的碳庫(kù)[23-24]，土壤中相對(duì)較小的變化可能會(huì)導(dǎo)致大氣CO2濃度的波動(dòng)。

陸地生態(tài)系統(tǒng)的碳通量是指通過陸地生態(tài)系統(tǒng)的碳元素的總和，在不同生態(tài)系統(tǒng)尺度上常用總初級(jí)生產(chǎn)力（Gross Primary Production，GPP）、凈初級(jí)生產(chǎn)力（Net Primary Production，NPP）、凈生態(tài)系統(tǒng)生產(chǎn)力（Net Ecosystem Production，NEP）、生態(tài)系統(tǒng)呼吸（Ecosystem Respiration，ER）和凈生物群區(qū)生產(chǎn)力（Net Biome Production，NBP）等作為評(píng)價(jià)陸地生態(tài)系統(tǒng)碳通量的指標(biāo)，也是評(píng)價(jià)陸地生態(tài)系統(tǒng)固碳能力的重要指標(biāo)。

陸地碳匯通過碳通量的方向判斷碳源/匯，陸地生態(tài)系統(tǒng)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(jiān)測(cè)碳排放和陸地固碳作用，分析陸地生態(tài)系統(tǒng)碳匯的時(shí)空變化特征，探明森林、草地、農(nóng)田等生態(tài)系統(tǒng)中植被、土壤等碳匯量在不同生態(tài)系統(tǒng)格局中的分布情況及土地利用變化對(duì)碳通量的影響等問題。

估算區(qū)域陸地生態(tài)系統(tǒng)碳匯的方法可分為兩大類：“自下而上”和“自上而下”?！白韵露稀狈椒ㄊ侵笇?chǎng)地或網(wǎng)格的地面觀測(cè)和模擬結(jié)果整合到區(qū)域估算中。常用的“自下而上”方法包括清單法、渦度協(xié)方差法和生態(tài)系統(tǒng)過程建模法?！白陨隙隆狈椒ㄖ饕父鶕?jù)大氣CO2濃度反演陸地生態(tài)系統(tǒng)碳匯，即大氣反演[25-27]。

1.2 生物量、土壤有機(jī)碳和植被生產(chǎn)力的遙感監(jiān)測(cè)

遙感影像廣泛應(yīng)用于碳通量和碳儲(chǔ)量估算中。從可見光到微波波段的遙感數(shù)據(jù)都可以用來(lái)對(duì)生態(tài)系統(tǒng)碳通量和碳儲(chǔ)量進(jìn)行定量分析。其中，GPP，NPP，ER，NEP，NBP和生物量可以用光學(xué)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(shù)據(jù)進(jìn)行估算。ER可以利用熱紅外波段（Thermal Infrared，TIR）遙感數(shù)據(jù)反演的地表溫度（Land Surface Temperature，LST）進(jìn)行估算，還可以使用雷達(dá)數(shù)據(jù)或?qū)⒗走_(dá)數(shù)據(jù)與傳統(tǒng)光學(xué)遙感數(shù)據(jù)結(jié)合來(lái)估算。Berninger等人結(jié)合雷達(dá)數(shù)據(jù)來(lái)估算碳通量和碳儲(chǔ)量，以補(bǔ)償惡劣天氣影響的光學(xué)傳感器[28]。

表1總結(jié)了用于生物量、土壤有機(jī)碳和碳儲(chǔ)量主要遙感衛(wèi)星資源，包括目前最常用的NOAA/ AVHRR、MODIS、陸地衛(wèi)星TM/ETM+和QuickBird等光學(xué)遙感數(shù)據(jù)源、SAR衛(wèi)星數(shù)據(jù)源、LiDAR數(shù)據(jù)源等。

碳通量、碳儲(chǔ)量遙感監(jiān)測(cè)常用的模型主要有植被指數(shù)擬合模型、光能利用率模型、太陽(yáng)能誘導(dǎo)的葉綠素?zé)晒猓⊿olar-Induced Chlorophyll Fluorescence，SIF）驅(qū)動(dòng)的生產(chǎn)力擬合模型和基于機(jī)器學(xué)習(xí)的非參數(shù)擬合模型。

表1 碳通量、碳儲(chǔ)量監(jiān)測(cè)的主要遙感衛(wèi)星資源

（1）植被指數(shù)擬合模型估算生產(chǎn)力

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

植被指數(shù)可用于估算基于光吸收的生態(tài)系統(tǒng)過程的速率（例如，光合作用）。因此，植被指數(shù)被廣泛用于研究大尺度植物生產(chǎn)力。其中，由于通量塔生產(chǎn)力數(shù)據(jù)是冠層頂端觀測(cè)數(shù)據(jù)，不需要考慮樹冠結(jié)構(gòu)或者葉面積指數(shù)等因素，更適合與植被指數(shù)直接進(jìn)行擬合。

（2）使用光能利用率（LUE）模型估算生產(chǎn)力

LUE模型是基于Monteith[34]于1972年提出的“農(nóng)作物的生產(chǎn)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(guān)系”的理論。在真實(shí)環(huán)境條件下，潛在的光能利用率受到水、溫度和其他環(huán)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(huán)境脅迫因子進(jìn)行模擬計(jì)算。

遙感數(shù)據(jù)可以提供植被種類、長(zhǎng)勢(shì)、環(huán)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，F(xiàn)PAR）可以基于同遙感提取的植被指數(shù)的關(guān)系獲得，同時(shí)傳感器的多樣化，使得遙感可以提供更廣泛的空間區(qū)域和時(shí)間范圍的FAPAR產(chǎn)品。早在1984年，文獻(xiàn)[35]就提出NDVI和APAR或FAPAR之間存在著一定的線性關(guān)系，因此，NDVI也和植物的生產(chǎn)力相關(guān)聯(lián)。同時(shí)NDVI和FAPAR之間的關(guān)系也被Ruimy等[36]和Fensholt等[37]用實(shí)地測(cè)量數(shù)據(jù)所證實(shí)，盡管這種線性關(guān)系受到冠層種類、植物自身結(jié)構(gòu)、土壤和太陽(yáng)照射方向以及在高值區(qū)域（例如NDVI>0.7）出現(xiàn)飽和狀態(tài)等條件約束。遙感還可以提取其他兩個(gè)LUE模型重要的輸入?yún)?shù)：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(shù)的確定。

使用遙感數(shù)據(jù)的LUE模型被廣泛用于定量計(jì)算GPP和NPP。許多LUE模型被開發(fā)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(diào)節(jié)（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(duì)于植物的肥力效應(yīng)。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(qū)和全球尺度上模擬碳動(dòng)態(tài)，盡管CASA在模擬碳通量的時(shí)候會(huì)出現(xiàn)較大的偏差。除此之外，使用MODIS數(shù)據(jù)的LUE方法被用于生產(chǎn)目前常用的標(biāo)準(zhǔn)MODIS GPP/NPP遙感產(chǎn)品，圖1為使用MODIS數(shù)據(jù)制作的全球2000–2005年平均GPP/NPP。

圖1 全球2000-2005年平均總初級(jí)生產(chǎn)力和凈初級(jí)生產(chǎn)力

植被指數(shù)還與氣象數(shù)據(jù)（溫度、飽和水汽壓差、太陽(yáng)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(shù)也被單獨(dú)用于估算GPP，以此避免氣象數(shù)據(jù)和LUE條件帶來(lái)的制約，同時(shí)可以簡(jiǎn)化模型和模擬過程。

（3）使用SIF來(lái)估算GPP

植物吸收的光能只有光合作用、熱耗散和熒光三個(gè)去向[41]。植物用于進(jìn)行光合作用的光能不到吸收光能的20%，絕大多數(shù)光能則以熱量的形式耗散掉，還有一部分光能損耗以較長(zhǎng)波長(zhǎng)（紅光和遠(yuǎn)紅光部分）的葉綠素?zé)晒夥绞结尫牛ㄍǔ２坏?%的入射量），三者之間此消彼長(zhǎng)[41]。因此，SIF和光合作用有著很密切的聯(lián)系，相比其他生物物理指標(biāo)和植被指數(shù)，SIF更適合用來(lái)反應(yīng)GPP。SIF和GPP之間的關(guān)系已被很多實(shí)地測(cè)量研究所證實(shí)[42-43]，這些研究表明SIF可以被用來(lái)表征植物實(shí)際的光合活動(dòng)。Joiner等[44]和Frankenberg等[45]分別在2010年和2011年使用溫室氣體觀測(cè)（Greenhouse Gases Observing Satellite，GOSAT）衛(wèi)星數(shù)據(jù)提取了755nm～775nm處SIF數(shù)據(jù)并繪制了SIF的全球分布圖，使得衛(wèi)星SIF的應(yīng)用研究取得了重大突破。此后，基于星載光譜儀器多個(gè)SIF全球數(shù)據(jù)集被制作出來(lái)，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(guó)的碳衛(wèi)星（TanSat）[48-49]等。其中，GOME-2 SIF數(shù)據(jù)集是應(yīng)用最廣泛的一個(gè)，因?yàn)樗臻g連續(xù)性好、覆蓋全球，并且時(shí)間序列長(zhǎng)，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(diǎn)時(shí)為1.3km′2.25km），這一特點(diǎn)使OCO-2可用于提取SIF信息并與通量塔測(cè)量數(shù)據(jù)進(jìn)行比較從而進(jìn)行生態(tài)系統(tǒng)尺度的反演[50-51]，從而為探尋SIF和GPP之間的關(guān)系提供重要的信息。除此之外，OCO-2遙感數(shù)據(jù)也被用于反演全球尺度時(shí)空連續(xù)的SIF，Li和Xiao使用OCO-2 SIF數(shù)據(jù)、MODIS數(shù)據(jù)和氣象再分析數(shù)據(jù)，開發(fā)了2000年至2020年全球8天0.05°SIF產(chǎn)品（GOSIF）[52-53]，見圖2。

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

基于快速發(fā)展的SIF遙感數(shù)據(jù)產(chǎn)品，許多探尋生態(tài)系統(tǒng)尺度到全球尺度的SIF和GPP之間關(guān)系的研究得以進(jìn)行。例如，F(xiàn)rankenberg等發(fā)現(xiàn)GOSAT SIF和數(shù)據(jù)驅(qū)動(dòng)模型估算的年度全球GPP網(wǎng)格數(shù)據(jù)存在著強(qiáng)線性關(guān)系；Guanter等也發(fā)現(xiàn)相同的強(qiáng)線性關(guān)系同時(shí)存在于月度平均單一生物群落GPP和SIF之間[54]。Li等對(duì)OCO-2 SIF數(shù)據(jù)和通量塔數(shù)據(jù)進(jìn)行了全球尺度的分析，結(jié)果也顯示在生態(tài)系統(tǒng)層面上SIF和GPP有著強(qiáng)相關(guān)[17]。

（4）使用數(shù)據(jù)驅(qū)動(dòng)或者機(jī)器學(xué)習(xí)方法估算生物量和植被生產(chǎn)力

過去十多年內(nèi)，遙感被應(yīng)用于從通量塔到大范圍地區(qū)的通量觀測(cè)中。隨著通量塔的數(shù)量逐漸增多，生態(tài)系統(tǒng)和大氣之間的碳、水和能量交換，可以被連續(xù)的記錄下來(lái)。

盡管全球有著大量的通量塔（2015年時(shí)有750座），但是這些通量塔并沒有均勻分布，并且通量塔測(cè)量得到的數(shù)據(jù)只能反映較小范圍的情況。因此，使用通量塔觀測(cè)數(shù)據(jù)進(jìn)行區(qū)域以及全球范圍內(nèi)的碳通量定量計(jì)算，需要進(jìn)行升尺度處理。數(shù)據(jù)驅(qū)動(dòng)方法則可以用來(lái)進(jìn)行對(duì)碳通量從站點(diǎn)到地區(qū)以及全球范圍的升尺度計(jì)算。

機(jī)器學(xué)習(xí)方法包括人工神經(jīng)網(wǎng)絡(luò)[55]、決策樹[56]、支持向量機(jī)、分段回歸和隨機(jī)森林等。與回歸方法不同，機(jī)器學(xué)習(xí)算法或非參數(shù)方法在生物量估計(jì)中可以輕松處理大量與生物量線性或非線性相關(guān)的遙感和輔助數(shù)據(jù)的解釋變量。

1.3 CO2、CH4等溫室氣體濃度的遙感監(jiān)測(cè)

在全球增溫和氣候變化的背景下，大范圍的溫室氣體監(jiān)測(cè)成為研究熱點(diǎn)。CO2、CH4是最重要的溫室氣體，遙感衛(wèi)星數(shù)據(jù)可以用于追蹤碳排放的歷史變化。傳統(tǒng)的溫室氣體監(jiān)測(cè)依賴于地面站，但是由于一些地區(qū)的站點(diǎn)數(shù)量較少，監(jiān)測(cè)站點(diǎn)的代表性和覆蓋范圍有限，并且不同站點(diǎn)之間的數(shù)據(jù)品質(zhì)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(duì)通量數(shù)據(jù)的估算大多都是后驗(yàn)估計(jì)[57]。隨著全球范圍溫室氣體濃度監(jiān)測(cè)需求增加，遙感碳監(jiān)測(cè)從1999年開始發(fā)展，搭載于ENVISAT（ENVIronmental SATellite）衛(wèi)星上的SCIAMACHY（Scanning Imaging Absorption Pectrometer for Atmospheric CartograpHY）探測(cè)儀，是首個(gè)采用短波紅外吸收帶作為探測(cè)波段的星載探測(cè)器。隨后，日本2009年發(fā)射的GOSAT、美國(guó)2014年發(fā)射的OCO-2、中國(guó)2016年底和2018年發(fā)射的碳衛(wèi)星（TanSat）和“高分五號(hào)”衛(wèi)星等，為第一代和第二代溫室氣體監(jiān)測(cè)衛(wèi)星，都被用于遙感碳監(jiān)測(cè)（CO2，CH4，CO）。2019年IPCC全會(huì)發(fā)布指南，提出將“自上而下”的大氣觀測(cè)方法作為碳排放清單法的佐證，促進(jìn)了大氣觀測(cè)衛(wèi)星技術(shù)的發(fā)展。NASA于2019年將OCO-3發(fā)射至國(guó)際空間站（ISS），并隨著ISS在51°S到51°N的低傾角軌道運(yùn)行，目標(biāo)在于探測(cè)人類CO2排放較為集中的地區(qū)（見表2）。中國(guó)也在2019年之后致力于高光譜遙感和新一代的碳監(jiān)測(cè)衛(wèi)星，探索高軌靜止衛(wèi)星與低軌極軌衛(wèi)星相結(jié)合、主動(dòng)與被動(dòng)探測(cè)相結(jié)合的衛(wèi)星系統(tǒng)研究[11]。

表2 全球主要的溫室氣體監(jiān)測(cè)衛(wèi)星

國(guó)際上從SCIAMACHY衛(wèi)星數(shù)據(jù)開始研究碳監(jiān)測(cè)衛(wèi)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(wèi)星遙感CO2反演算法是中國(guó)科學(xué)院大氣物理研究所團(tuán)隊(duì)開發(fā)的基于最優(yōu)估計(jì)的全物理溫室氣體遙感算法[58]。中國(guó)2016年碳衛(wèi)星Tansat 發(fā)射，同時(shí)開展了TanSat XCO2反演算法研發(fā)、碳源匯同化系統(tǒng)研發(fā)和衛(wèi)星數(shù)據(jù)科學(xué)應(yīng)用等工作，在全球CO2排放動(dòng)態(tài)監(jiān)測(cè)、碳通量估算及陸地生態(tài)系統(tǒng)植被研究等方面發(fā)揮著重要作用[59]。2018年Yang等[33]發(fā)布TanSat第一張全球XCO2分布圖，并利用了碳柱濃度管網(wǎng)格（The Total Carbon Colum Observing Network，TCCON）站點(diǎn)數(shù)據(jù)進(jìn)行了驗(yàn)證，結(jié)果顯示平均精度為2.11′10–6，滿足觀測(cè)精度需求。

目前，中國(guó)陸地碳匯精確大氣反演的瓶頸是缺乏長(zhǎng)期大氣CO2濃度觀測(cè)數(shù)據(jù)和高空間分辨率的觀測(cè)數(shù)據(jù)，難以滿足日常的省級(jí)高空間分辨率碳收支評(píng)估工作，擴(kuò)大地面CO2觀測(cè)網(wǎng)勢(shì)在必行。為了科學(xué)高效地構(gòu)建這樣一個(gè)網(wǎng)絡(luò)，有必要根據(jù)大氣傳輸模型跟蹤C(jī)O2，評(píng)估潛在地點(diǎn)的效率，并評(píng)估觀測(cè)數(shù)據(jù)是否有效降低了基于大氣反演模型的區(qū)域碳預(yù)算估算的不確定性，建設(shè)成本效益高的觀測(cè)網(wǎng)絡(luò)。同時(shí)，成熟的衛(wèi)星遙感CO2柱濃度數(shù)據(jù)可以作為補(bǔ)充數(shù)據(jù)源，填補(bǔ)地面CO2觀測(cè)的空白。到目前為止，中國(guó)已經(jīng)發(fā)射了3顆碳監(jiān)測(cè)衛(wèi)星，是目前世界上擁有溫室氣體衛(wèi)星最多的國(guó)家[11]。在IPCC明確將“自上而下”的通量計(jì)算方法佐證清單法進(jìn)行碳排放監(jiān)測(cè)后，我國(guó)有必要研發(fā)新一代高時(shí)空分辨率的國(guó)內(nèi)溫室氣體濃度監(jiān)測(cè)衛(wèi)星，同時(shí)建立高分辨率輻射傳輸模型和分子光譜數(shù)據(jù)庫(kù)，以提高CO2柱濃度觀測(cè)的準(zhǔn)確性，有效提高中國(guó)陸地碳匯的反演能力。

2 全球和中國(guó)陸地碳匯特征及土地利用變化對(duì)碳通量的可能影響

2.1 全球和中國(guó)陸地碳匯特征

目前，針對(duì)我國(guó)陸地生態(tài)系統(tǒng)的固碳能力、固碳現(xiàn)狀和發(fā)展?jié)摿Φ难芯窟€很少。全球陸地碳匯主要分布在北半球中高緯度地區(qū)，而熱帶地區(qū)表現(xiàn)為微弱的碳匯或碳源，不同類型生態(tài)系統(tǒng)的碳匯大小存在差異[60]。Wang等人在2009年至2016年利用中國(guó)6個(gè)大氣測(cè)量網(wǎng)點(diǎn)的大氣CO2摩爾分?jǐn)?shù)數(shù)據(jù)，估計(jì)了2010年至2016年間中國(guó)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(duì)估算我國(guó)陸地生態(tài)系統(tǒng)固碳潛力以及實(shí)現(xiàn)碳達(dá)峰和碳中和目標(biāo)具有重要意義[20]。Yang等學(xué)者綜述多篇文獻(xiàn)分析全國(guó)和全球陸地碳匯特征，結(jié)果如表3所示。分析發(fā)現(xiàn)如下事實(shí)：1987–1990年全球碳匯為–0.9Pg/a，除上時(shí)間段外，1990–2010年間碳匯在（1.1～2.15）Pg/a之間；1949–1980年中國(guó)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(qiáng)，平均值為0.59Pg/a[60]；全球草地生態(tài)系統(tǒng)碳密度為（115～181）Mg/ha，碳儲(chǔ)量在（392～634）Pg之間，中國(guó)草地生態(tài)系統(tǒng)碳密度和碳儲(chǔ)量分別在（90～151）Mg/ha和（17～60）Pg之間[60]。

表3 全球和中國(guó)陸地碳匯特征

通過分析近70年我國(guó)主要生態(tài)系統(tǒng)的碳匯變化趨勢(shì)發(fā)現(xiàn)：近70年我國(guó)森林生態(tài)系統(tǒng)從碳源向碳庫(kù)逐漸轉(zhuǎn)變。1980年代是個(gè)明顯的分界線，1980年代以前森林砍伐導(dǎo)致森林面積銳減，此后大規(guī)模的造林運(yùn)動(dòng)和一系列森林保護(hù)政策使得我國(guó)森林生態(tài)系統(tǒng)轉(zhuǎn)變?yōu)樘紖R。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(xiàng)得到的草地生態(tài)系統(tǒng)的碳匯是–3.36Pg/a，基于過程和統(tǒng)計(jì)模型得到的草地生態(tài)系統(tǒng)碳匯是13.1和17.58Pg/a，草地逐漸由碳匯轉(zhuǎn)向碳中和或者弱碳源。灌叢生態(tài)系統(tǒng)碳匯特征基本一致，整體表現(xiàn)為碳匯，基于過程模型和統(tǒng)計(jì)模型得到的灌叢生態(tài)系統(tǒng)碳匯在（0.3～0.6）Pg/a之間?；哪鷳B(tài)系統(tǒng)整體表現(xiàn)為碳匯且呈上升趨勢(shì)，土壤有機(jī)碳庫(kù)從1980年代的1.5Pg上升至2010年代的1.7Pg。濕地生態(tài)系統(tǒng)占我國(guó)國(guó)土面積的4%，濕地碳匯具有較大的空間異質(zhì)性，青藏高原濕地生態(tài)系統(tǒng)為弱碳源（?0.08Mg/ha/a），遼河、長(zhǎng)江三角洲濱海、三江平原和松嫩平原等濕地生態(tài)系統(tǒng)均為碳匯，在（0.6～4.6）Mg/ha/a之間，其中遼河區(qū)域的碳匯最強(qiáng)為4.6Mg/ha/a[60]。此外已有的碳收支項(xiàng)目研究表明中國(guó)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(huì)達(dá)到固碳的峰值，之后固碳速率會(huì)降低。我國(guó)建設(shè)的生態(tài)工程固碳總量約占我國(guó)陸地生態(tài)系統(tǒng)年固碳量的56%[20]。

本文研究團(tuán)隊(duì)基于CASA模型和IGBP第4類植被分類體系計(jì)算出的2018、2019年我國(guó)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?；贐EPS（Boreal Ecosystem Productivity Simulator）模型分析青海省2014–2020年GPP、NPP、NEP變化趨勢(shì)結(jié)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(xiàn)緩慢上升的趨勢(shì)，并在2018年達(dá)到峰值，分別為386.49g/m2、250.07g/m2、33.51g/m2，2019年和2020年略有降低?；贐EPS模型分析云南省2014–2020年全省的NPP和各市/州的NPP結(jié)果如圖3（d）和圖4所示，2014–2020年云南省NPP整體呈現(xiàn)先增長(zhǎng)后下降的趨勢(shì)，并在2017年達(dá)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(duì)碳通量的可能影響

土地利用和土地覆蓋變化產(chǎn)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?yàn)闅Я趾驮炝致实牟淮_定性、計(jì)算碳通量的方法也存在差異，實(shí)際發(fā)生變化的土地碳密度和碳通量較難準(zhǔn)確估算[62]。一些學(xué)者利用衛(wèi)星數(shù)據(jù)估算與不同土地利用和覆蓋類型相關(guān)的生物量，以計(jì)算碳儲(chǔ)量及其歷史變化，從而估算區(qū)域、國(guó)家和地區(qū)碳甚至是全球范圍儲(chǔ)量的現(xiàn)狀和變化[63-64]。Friedlingstein 等分析2000–2009年碳通量的變化，發(fā)現(xiàn)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(dǎo)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(lái)源于森林再生或輪作休耕，較小的碳匯來(lái)源于退耕還林等造林行動(dòng)[65-66]。

圖3 青海省2014-2020年GPP、NPP、NEP的變化趨勢(shì)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(wèi)星觀測(cè)數(shù)據(jù)研究中國(guó)陸地生態(tài)系統(tǒng)的碳匯來(lái)源發(fā)現(xiàn)，21世紀(jì)初我國(guó)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(jī)質(zhì)，分別為0.24億噸和0.09噸碳，中國(guó)陸地碳匯主要?dú)w因于中國(guó)主要森林的固碳作用[61]。生物量碳庫(kù)的不確定性主要來(lái)自于不同森林面積的統(tǒng)計(jì)方法。其次也與目前的研究中對(duì)于有機(jī)質(zhì)和土壤碳庫(kù)變化研究較少有關(guān)，過去40年來(lái)中國(guó)在恢復(fù)天然森林植被和加強(qiáng)種植業(yè)方面取得了成功。

2.3 碳通量遙感監(jiān)測(cè)中的不確定性

使用遙感來(lái)進(jìn)行碳通量估算存在著很大的不確定性。首先，遙感數(shù)據(jù)產(chǎn)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(shù)、SIF和葉面積指數(shù)（LAI）等都存在著不確定性，來(lái)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(lái)估算碳通量也存在著一些不確定性。例如模型輸入時(shí)需要其他輔助數(shù)據(jù)，如氣象數(shù)據(jù)[67-69]、模型結(jié)構(gòu)（不完整或者潛在過程或假設(shè)有錯(cuò)誤）、模型參數(shù)（需要較多的地面觀測(cè)數(shù)據(jù)等[12,70]）。

遙感數(shù)據(jù)產(chǎn)品中的不確定性以及由此產(chǎn)生的碳通量估計(jì)誤差可能會(huì)導(dǎo)致對(duì)植被生產(chǎn)力和碳儲(chǔ)量的量級(jí)、年際變化和長(zhǎng)期趨勢(shì)的分析出現(xiàn)偏差。Xiong等學(xué)者基于AVHRR的GIMMS3g NDVI數(shù)據(jù)集（Pinzon和Tucker，2014）、MODIS數(shù)據(jù)的EVI數(shù)據(jù)集[71]、MODIS GPP數(shù)據(jù)（Running等人，2004）、基于診斷過程模型的GPP數(shù)據(jù)——BEPS[69]和機(jī)器學(xué)習(xí)方法（EC-MOD）等不同碳通量估算方法得到的GPP數(shù) 據(jù)[72]，對(duì)比分析了2000–2014年中國(guó)植被生產(chǎn)力的趨勢(shì)發(fā)現(xiàn)：所有GPP數(shù)據(jù)都表示2000–2014年中國(guó)植被生產(chǎn)力呈現(xiàn)增加的趨勢(shì)，但兩種NDVI產(chǎn)品（GIMMS3g NDVI和MODIS EVI）之間以及不同GPP產(chǎn)品（MODIS-GPP、BEPS和EC-MOD）之間的增長(zhǎng)率是不同的，三種GPP產(chǎn)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(jìn)的農(nóng)業(yè)管理措施等），植被生產(chǎn)力一直在增加，但是卻無(wú)法明確估算植被生產(chǎn)力的增幅。在未來(lái)的研究中減少各種遙感數(shù)據(jù)產(chǎn)品中的不確定性對(duì)于更好地了解生態(tài)系統(tǒng)碳通量的動(dòng)態(tài)至關(guān)重要[73]。

3 結(jié)束語(yǔ)

面向固碳減排的目標(biāo)，需要利用衛(wèi)星遙感、大數(shù)據(jù)和碳同化等先進(jìn)技術(shù)方法，實(shí)現(xiàn)高精度、高時(shí)空分辨率的陸地碳源/匯效應(yīng)分析，探明我國(guó)碳儲(chǔ)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(tài)系統(tǒng)碳循環(huán)中的碳通量的主要方法和研究進(jìn)展，隨著遙感平臺(tái)和傳感器技術(shù)的快速發(fā)展，更高的空間分辨率和時(shí)間分辨率使用遙感手段進(jìn)行生態(tài)系統(tǒng)碳通量估算有著廣闊的發(fā)展前景，未來(lái)的遙感監(jiān)測(cè)平臺(tái)將更加多樣化，收集和分析遙感數(shù)據(jù)的技術(shù)方法將更加詳細(xì)。但是由于遙感估計(jì)的不確定性和空間數(shù)據(jù)規(guī)模較大對(duì)存儲(chǔ)和計(jì)算帶來(lái)的困難，在未來(lái)的陸地碳源匯監(jiān)測(cè)研究還需要在以下幾個(gè)方面取得突破：

1）由于大尺度陸地生態(tài)系統(tǒng)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(yàn)證場(chǎng)建設(shè)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(duì)影像品質(zhì)的影響方面開展深入研究，研發(fā)可靠準(zhǔn)確的糾正光學(xué)薄云和氣溶膠的散射對(duì)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(wèi)星數(shù)據(jù)將在未來(lái)大規(guī)模碳減排研究中發(fā)揮重要作用。遙感技術(shù)的迅速發(fā)展，使衛(wèi)星數(shù)據(jù)在碳減排領(lǐng)域的應(yīng)用越來(lái)越廣泛，然而，在全球范圍內(nèi)，對(duì)碳排放和碳源匯的高品質(zhì)估算有待提高。因此，應(yīng)進(jìn)一步探索利用遙感衛(wèi)星數(shù)據(jù)進(jìn)行大規(guī)模分析，如全球植被固碳能力、固碳潛力評(píng)估以及全球藍(lán)色碳棲息地制圖分析等。

4）近年來(lái)，遙感數(shù)據(jù)的空間、時(shí)間、光譜和輻射分辨率不斷提高，可用數(shù)據(jù)類型不斷增加，大規(guī)模的空間數(shù)據(jù)對(duì)存儲(chǔ)和計(jì)算都帶來(lái)了挑戰(zhàn)，特別是人工智能技術(shù)的新發(fā)展，強(qiáng)大的平臺(tái)作為信息提取和圖像分析的強(qiáng)大工具，是未來(lái)進(jìn)行大規(guī)模數(shù)據(jù)分析的一個(gè)有效途徑。今后應(yīng)加強(qiáng)國(guó)內(nèi)外遙感數(shù)據(jù)處理平臺(tái)（如PIE-Engine平臺(tái)、GEE平臺(tái)等）和人工智能技術(shù)在大規(guī)模遙感數(shù)據(jù)分析中的應(yīng)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(biāo)下的若干地球系統(tǒng)科學(xué)和技術(shù)問題分析[J]. 中國(guó)科學(xué)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(dòng)與生存環(huán)境[J]. 地球科學(xué)進(jìn)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(diǎn)衛(wèi)星遙感監(jiān)測(cè)方法、進(jìn)展與挑戰(zhàn)[J]. 遙感學(xué)報(bào), 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(shí)現(xiàn)碳中和重在構(gòu)建“三端發(fā)力”體系[J]. 中國(guó)石油企業(yè), 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(wèi)星遙感——進(jìn)展與趨勢(shì)[J]. 遙感學(xué)報(bào), 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(guó)碳中和框架路線圖研究[J]. 中國(guó)工業(yè)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?zé)晒獍l(fā)射光譜的光能利用率探測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 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(guó)碳衛(wèi)星數(shù)據(jù)的應(yīng)用現(xiàn)狀[J]. 衛(wèi)星應(yīng)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(guó)家重大科技專項(xiàng)工程

張曉娟, 李東杰, 劉思含, 等. 遙感技術(shù)在“雙碳”目標(biāo)實(shí)現(xiàn)中的應(yīng)用進(jìn)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(duì)外經(jīng)貿(mào)大學(xué)獲得學(xué)士學(xué)位，工程師。研究方向?yàn)闅庀筮b感。E-mail：zhangxiaojuan@piesat.cn。

（編輯：毛建杰）