文章检索 高级检索
  气候变化研究进展   2017, Vol. 13 Issue (2): 95-102.  DOI: 10.12006/j.issn.1673-1719.2016.152
0

气候系统变化

引用本文 [复制中英文]

赵明伟, 李晨晨, 张兴赢, 等. 基于SCIAMACHY反演数据的全球CO2浓度时空变化特征研究[J]. 气候变化研究进展, 2017, 13(2): 95-102. DOI: 10.12006/j.issn.1673-1719.2016.152.
[复制中文]
Zhao Mingwei, Li Chenchen, Zhang Xingying, et al. Study on the Spatial-Temporal Change Characteristics of Global CO2 Concentration Based on SCIAMACHY Retrievals[J]. Climate Change Research, 2017, 13(2): 95-102. DOI: 10.12006/j.issn.1673-1719.2016.152.
[复制英文]

资助项目

国科技部863碳卫星项目(2011AA12A104);公益气象行业专项(GYHY201106045);高分辨率对地观测专项的气象行业应用示范项目(E310/1112);应用共性关键技术项(32-Y20A17-9001-15/17);滁州学院科研启动项目(2015qd08);测绘遥感信息工程国家重点实验室开放基金项目(14I02)

作者简介

赵明伟,男,博士,zhaomw@lreis.ac.cn

文章历史

收稿日期:2016-08-01
修回日期:2016-09-20
基于SCIAMACHY反演数据的全球CO2浓度时空变化特征研究
赵明伟 1, 李晨晨 1, 张兴赢 2, 王春 1, 江岭 1, 孙京禄 3    
1. 滁州学院安徽地理信息集成应用协同创新中心,滁州 239000;
2. 中国气象局国家卫星气象中心,北京 100081;
3. 安徽省经济研究院,合肥 230051
摘要:通过卫星观测光谱反演计算是当前观测全球CO2浓度水平,分析其变化趋势的重要手段,但是由于观测条件及反演方法的限制,基于卫星观测光谱反演计算只能得到离散的CO2浓度数据,需要借助空间插值方法才能获得空间连续的CO2浓度数据。本文以SCIAMACHY研究团队发布的XCO2浓度数据为基础数据,首先对比分析了空间分析中常用的3种经典插值方法(反距离加权法,克里格法,样条函数法)在XCO2空间内插中的精度,综合分析平均绝对值误差、绝对值误差最大值和均方根误差3个指标,结果表明反距离加权插值法为最优内插方法。基于该方法生成2003年1月—2012年4月共计112个月的全球大陆XCO2浓度分布数据集,并对全球大陆范围内XCO2浓度的时空变化特征进行分析,发现在此时段内全球各个大陆XCO2均表现出增加的趋势;在全球大陆平均水平上,XCO2浓度增加幅度为17.43×10-6,XCO2年平均值增加速率约为2×10-6,总体上呈现北半球增加速率高于南半球的特点。
关键词SCIAMACHY    XCO2    空间插值    时空分    
引言

作为引起全球变暖的一种最主要的人为温室气体,当前大气中CO2含量的持续增加,受到当今学术界和世界各国政府部门的关注,精确观测不同尺度下CO2浓度分布及对其时空变化规律进行分析成为全球气候变化研究领域的热点问题之一[1]。传统的大气CO2浓度监测手段是地基观测网络,通过地面采样站、高塔、探空气球、船只、飞行器等方式进行现场采样测量。现场采样方法虽然可以获得较高的精度,但是由于其空间分布的局限性,难以对全球CO2源汇变化进行大范围的持续观测[2]。尤其是对于广大的沙漠、高山、极区以及海洋地区而言,大规模布设地面观测站点是不现实的。King[3]和Kaplan[4]先后提出了通过卫星观测红外光谱进行大气温度、湿度廓线反演的可行性。以他们的研究为基础,美国于1960年发射了第一颗试验气象卫星TIR0S-1。经过数十年发展,卫星遥感技术日趋成熟,在大气温度、痕量气体浓度和气溶胶光学厚度测量方面充当着重要角色,其获得了大量传统直接测量无法获得的数据,这些数据对提高短期气象预报精度和加深人类对气候变化的理解发挥了重要作用[5]

1996年8月,由日本资源观测系统组织(JAROS)研制的温室气体干涉测量计(IMG)发射升空。该传感器由先进的对地观测平台(ADEOS)搭载,其设计目标是精确测定地表温度、大气温度廓线和CH4、H2O、CO2等成分的混合比廓线[6]。此后,随着全球碳循环监测需求的不断升温,欧美发达国家陆续开展了针对温室气体的天基高光谱观测技术研究,先后发射了多颗高光谱观测卫星。2000年以后以近红外波段为主的专用CO2探测卫星得到了快速发展。如欧洲空间局在2002年发射了ENVISAT卫星,其上搭载的大气吸收光谱扫描成像仪(SCIAMACHY)具有8个高分辨率的探测波段,其中用于CO2探测的1.558~1.594 mm波段具有5.9 cm-1的光谱分辨率。美国和日本在充分吸收了SCIAMACHY经验的基础上,分别发展了轨道碳观测计划(OCO)和温室气体探测卫星(GOSAT)[7-8]

由于OCO卫星发射时间较短,其CO2数据产品的精度和适用性尚需进一步检验,因此SCIAMACHY-XCO2和GOSAT-XCO2是当前用来分析全球尺度上CO2源汇特征的主要数据源[9-12]。由于所搭载的卫星在轨运行时间的差异,这两种数据可以在时间上形成良好的补充,其中SCIAMACHY-XCO2数据范围可以从2003年1月持续到2012年4月,可为长时间序列上全球范围内CO2源汇特征的研究提供数据支撑[13-15]。尽管卫星遥感手段是快速获取全球尺度上温室气体浓度值及其变化的有效手段,然而由于天气、反演方法等的限制[16],基于卫星观测光谱数据反演得到的温室气体浓度数据还非常有限[17],为了得到覆盖全球的温室气体浓度值及其变化情况,必须采用空间插值方法。本文选择3种已经得到广泛应用,而且集成到应用软件中的经典插值方法,对SCIAMACHY反演的XCO2浓度产品进行空间插值处理,比较分析了3种经典插值方法在SCIAMACHY-XCO2数据空间插值中的精度差异,同时还基于精度最优的反距离加权插值法的计算结果,对全球及大陆尺度上多年的月平均XCO2浓度变化情况进行了深入分析。

1 数据介绍

本研究使用的数据是基于SCIAMACHY L1B数据(版本为7.xx)反演得到的L3产品,即XCO2点数据,数据版本为v3.8,采用的反演算法为加权函数修正的DOAS算法(WFMD)[18-19]。在基于WFMD–DOAS算法反演计算XCO2时,同时对反演结果进行基于多变量线性回归数据校正[20-21],并且与地基站点观测数据,以及碳同化模型CarbonTracker的结果进行验证比较,表明该技术反演得到的XCO2浓度数据具有较好的精度[22-23]。该数据是XCO2浓度的月平均数据,数据集时间范围为2003年1月—2012年4月,共计112个月,数据的空间分辨率为0.5°×0.5°。

2 不同经典插值方法精度比较与分析

反距离加权插值法(IDW)、普通克里格插值法(Kriging)以及样条函数插值法(Spline)等经典插值法在插值问题中应用最广,而且这些方法已经集成到许多成熟的商业化软件,例如ArcGIS等。本文基于ArcGIS10.0软件,比较上述3种经典插值方法在XCO2空间插值中的精度,以确定最优空间插值方法。

为保证结果的有效性,本文选择2003年1月—2012年4月共计112个月的XCO2浓度月平均值数据参与精度比较。对于每一个月的数据,将XCO2数据点按照90%和10%的比例分为空间插值计算数据和精度验证数据,为避免数据选择随机性带来的误差,每个月重复操作10次。分别统计了实验中验证点的插值的12个月的平均绝对值误差(MAE)、绝对值误差最大值(Max_AE)和均方根误差(RMSE)[24]

图 1显示了3种经典插值方法在研究时段内每个月的平均绝对值误差、均方根误差以及最大绝对值误差的变化情况。从各插值的误差结果来看,3种内插方法的误差均呈波动状分布,从图 1(a)图 1(b)看出,Kriging方法的MAE及RMSE均明显高于IDW及Spline方法。对研究时段内的112个月的误差指标计算平均值,Kriging方法MAE的平均值为1.18×10-6,而IDW、Spline方法MAE的平均值分别为0.98×10-6、0.91×10-6;Kriging方法RMSE的平均值为1.29×10-6,IDW、Spline方法RMSE的平均值分别为1.09×10-6、1.08×10-6。故从MAE及RMSE角度看,Kriging方法误差最大,Spline方法略优于IDW方法。但是当插值数据点稀少时,Spline方法插值结果容易出现过度震荡的现象,在误差统计上表现为该方法插值结果绝对值误差的最大值较大,这一现象同样出现在本研究中。如图 1(c)所示,Spline方法的Max_AE显著高于另外两种方法,在研究时段内,Spline方法的Max_AE达到23.08×10-6,而IDW方法为15.01×10-6。因此,综合以上分析,IDW方法可作为SCIAMACHY-XCO2数据空间插值中的最优经典插值方法。

图 1 2003年1月—2012年4月不同经典插值方法精度对比 Figure 1 Accuracy comparison for different classical interpolation methods from January 2003 to April 2012
3 SCIAMACHY-XCO2浓度时空分析 3.1 XCO2浓度空间分布

采用IDW空间插值方法,对2003年1月—2012年4月共计112个月的SCIAMACHY-XCO2数据进行空间插值,得到研究时间段内大陆范围内XCO2月平均浓度值的空间分布。XCO2浓度值在季节尺度上表现出一定的稳定性,因此本文重点分析不同季节XCO2的空间分布特征。定义春季(3—5月),夏季(6—8月),秋季(9—11月)和冬季(12月至次年2月)。通过对基于插值计算得到的XCO2月浓度均值数据取平均值来分别计算每个季节XCO2浓度值,然后对每个季节值再取平均值,最终得到研究时段内不同季节XCO2浓度平均值的空间分布结果(图 2)。

图 2 2003—2012年全球大陆四季XCO2浓度平均值 Figure 2 Average value of XCO2 concentration of the global continent from 2003 to 2012

可以看出,在季节尺度上,不同季节之间XCO2浓度的空间分布差异明显,以夏季和冬季为例,在夏季,北半球地区的植被光合作用强烈,北半球大部分区域都是碳汇,因此XCO2浓度值较高的区域主要分布在南半球,如南美洲大部、非洲南部等,在非洲北部,中西亚地区,以及中国西部地区XCO2浓度值也较高,最高值可达390.26×10-6。这些地区人工碳排放较少,出现这种现象的原因一方面是气溶胶的影响导致这些地区的XCO2反演值比正常值偏高[25-26],此外,夏季季风也是造成这种异常的原因之一[13]。在冬季,此时北半球植被吸收CO2较弱,而人工取暖加大碳排放,因此造成了北半球大部分地区XCO2浓度处于较高水平,其中最高值可达389.84×10-6。在4个季节中,全球大陆上XCO2浓度高的地区与XCO2浓度低的区域之间的差值均超过12×10-6。4个季节的XCO2在全球大陆范围内的平均值依次为385.84×10-6、381.43×10-6、380.78×10-6、383.05×10-6,表现出夏季、秋季低于春季、冬季的特点。

3.2 XCO2浓度时间序列变化分析

对基于空间插值得到的研究时段内全球月平均XCO2浓度,分别统计了全球大陆、北美洲大陆、南美洲大陆、欧亚大陆、非洲大陆和大洋洲的月平均XCO2浓度值,并绘制其月平均XCO2浓度值时间序列上的变化趋势,见图 3

图 3 2003年1月—2012年4月全球大陆及各大陆XCO2浓度平均值在时间序列上的变化趋势 Figure 3 The variation trend of XCO2 concentration in global and each continent from January 2003 to April 2012

从图中能够看出,2003年1月—2012年4月全球大陆月平均XCO2浓度随季节呈波动上升,一般是在4或5月达到一年中的峰值,而在8或9月达到一年中的谷值。在增长幅度上,2003年1月—2012年1月,9年之间全球大陆XCO2月均值从374.09×10-6增加到391.51×10-6,增幅为17.43×10-6,平均每年增加1.94×10-6。北美洲大陆和欧亚大陆的XCO2浓度平均值随时间的变化规律与全球大陆的变化规律基本一致,而且在多年增幅上差别也不大,同样是2003年1月—2012年1月,北美洲大陆增幅为18.35×10-6,平均每年增加2.04×10-6,欧亚大陆增幅为18.07×10-6,平均每年增加2.01×10-6,两者XCO2浓度平均值增加趋势基本一致。这种季节变化规律是由两个大陆巨大的城市工业碳排放和北半球森林的碳汇功能共同造成的[27]。Guo等[28]和Parazoo等[12]的研究也表明土地覆被类型特别是植被的初级生产力是造成CO2浓度季节性变化的重要因素之一。南美洲大陆XCO2浓度平均值的季节性变化规律不明显,基本呈近似线性增加,到了后期才稍有波动。2003年1月—2012年1月,南美洲大陆XCO2浓度平均值增幅为16.65×10-6,平均每年增加1.85×10-6。非洲大陆XCO2浓度平均值在时间序列上的变化也随季节呈现波动性,只是波动幅度相比北美洲大陆和欧亚大陆而言较小。2003年1月—2012年1月,非洲大陆XCO2浓度平均值增加幅度为17.98×10-6,平均每年增加2.00×10-6。不同于其他大陆,大洋洲XCO2浓度平均值呈现类似阶梯式上升,在一年当中,6—8月XCO2浓度值上升明显,在其他月份则变化较小。2003年1月—2012年1月,大洋洲XCO2浓度平均值增幅为16.31×10-6,平均每年增加1.81×10-6。整体来看,全球和各个大洲的XCO2浓度平均值都呈逐年上升趋势,相关研究表明这种上升趋势与全球温度的上升趋势有很好的线性相关性,表明XCO2浓度的增加是全球温度上升的主导因素[23]

3.3 全球及大陆XCO2浓度变化速率分析

从以上关于全球大陆XCO2浓度在时间序列上的变化趋势可以看出,尽管增长方式不同,但是在全球范围内XCO2浓度都是不断增加的,为定量分析不同区域XCO2浓度增加的速率,本文引入变化速率的概念,计算公式参考穆少杰等[29]

本文计算了2003—2012年全球大陆范围内4个季节XCO2浓度平均值的变化速率,见图 4。4个季节平均值在全球范围内的变化速率统计值见表 1。可以看出,对于4个季节,XCO2浓度变化速率最大值均超过2.80×10-6,最小值季节性差异较大,夏季最低变化速率只有0.76×10-6,春季、冬季较大,接近1.10×10-6;4个季节各自的平均变化速率则在2.0×10-6左右;XCO2年平均值的变化速率也接近2.0×10-6。从空间上看,无论是4个季节XCO2浓度平均值的变化还是XCO2浓度年平均值的变化,都是北半球变化速率大于南半球,这与不同区域的经济发展水平是一致的,也表明了人类活动排放的CO2是导致全球CO2浓度持续增加的主要因素[30]

图 4 2003—2012年全球大陆四季XCO2浓度变化速率 Figure 4 XCO2 concentration variation rate of the global continent from 2003 to 2012

表 1 2003—2012年全球大陆XCO2浓度值的季节变化统计值 Table 1 Seasonal variation statistical value of global XCO2 concentration from 2003 to 2012
4 结论及讨论

(1) 以卫星光谱反演数据SCIAMACHY-XCO2为基本数据源,基于ArcGIS软件平台,比较分析了3种经典插值方法在XCO2浓度空间插值中的误差特征,结果表明Kriging法平均绝对值误差以及均方根误差均大于另外两种方法,Spline法的平均绝对值误差和均方根误差略低于IDW法,但是Spline法的插值结果容易出现极大值或极小值,因此综合分析IDW法最适合SCIAMACHY-XCO2浓度的空间插值。

(2) 基于IDW法的插值结果,分析全球大陆长时间序列上的XCO2浓度,2003年1月—2012年4月,全球大陆XCO2均值从374.08×10-6增加到391.51×10-6,增幅为17.43×10-6,平均每年增加1.94×10-6

(3) 本文引入XCO2浓度变化速率的概念,定量计算了2003—2012年全球大陆季节尺度XCO2浓度平均值的变化速率,结果显示XCO2浓度平均值的年增长速率都在2.0×10-6左右。

值得说明的是,随着温室气体遥感探测技术的发展,可以获取多种传感器的CO2柱浓度数据产品,因此基于多源数据融合的全球CO2浓度的时空分布模拟有良好的发展前景,实际上,已有相关学者在联合多种卫星反演XCO2数据产品方面开展了相关工作,Wang等[31-32]分析了GOSAT,SCIAMACHY等不同传感器及不同反演算法的XCO2数据产品之间的相关性,提出了联合多种XCO2浓度数据产品进行空间插值的可能性。另一方面,一些新兴的空间插值方法也被应用到XCO2浓度空间插值中,取得较好的效果[24]。因此,在下一步的研究中可以从插值方法和多种数据联合的角度进一步优化XCO2时空分布模拟。

参考文献
[1]
IPCC. Climate change 2007: synthesis report[M]. Cambridge: Cambridge University Press, 2007.
[2]
周凌晞, 周秀骥, 张晓春. 瓦里关温室气体本底研究的主要进展[J]. 气象学报, 2007, 65(3): 457-468.
[3]
King J I F. The radiative heat transfer of planet earth[M]. Michigan USA: University of Michigan Press, 1958.
[4]
Kaplan L D. Inference of atmospheric structure from remote radiation measurements[J]. Josa, 1959, 49(10): 1004-1006. DOI:10.1364/JOSA.49.001004
[5]
陈渭民. 卫星气象学[M]. 北京: 气象出版社, 2003.
[6]
Persky M J. A review of spaceborne infrared Fourier transform spectrometers for remote sensing[J]. Review of Scientific Instruments, 1995, 66(10): 4763-4797. DOI:10.1063/1.1146154
[7]
侯姗姗, 雷丽萍, 关贤华. 温室气体观测卫星GOSAT及产品[J]. 遥感技术与应用, 2013, 28(2): 269-275. DOI:10.11873/j.issn.1004-0323.2013.2.269
[8]
Chahine M T, Chen L, Dimotakis P, et al. Satellite remote sounding of mid-tropospheric CO2[J]. Geophysical Research Letters, 2008, 35(17): 1-5.
[9]
Dils B, Buchwitz M, Reuter M, et al. The greenhouse gas climate change initiative (GHG-CCI): comparative validation of GHG-CCI SCIAMACHY/ENVISAT and TANSO-FTS/GOSAT CO2 and CH4 retrieval algorithm products with measurements from the TCCON[J]. Atmospheric Measurement Techniques, 2014, 7(6): 1723-1744. DOI:10.5194/amt-7-1723-2014
[10]
Reuter M, Bovensmann H, Buchwitz M, et al. Retrieval of atmospheric CO2 with enhanced accuracy and precision from SCIAMACHY: validation with FTS measurements and comparison with model results[J]. Journal of Geophysical Research D: Atmospheres, 2011, 116(4): 1-13.
[11]
Liu Y, Wang X F, Guo M, et al. Mapping the FTS SWIR L2 product of XCO2 and 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. DOI:10.1080/01431161.2011.624132
[12]
Parazoo, N C, Bowman K, Frankenberg C, et al. Interpreting seasonal changes in the carbon balance of southern Amazonia using measurements of XCO2 and chlorophyll fluorescence from GOSAT[J]. Geophysical Research Letters, 2013, 40(11): 2829-2833. DOI:10.1002/grl.50452
[13]
Wang K, Jiang H, Zhang X Y, et al. Analysis of spatial and temporal variations of carbon dioxide over China using SCIAMACHY satellite observations during 2003–2005[J]. International Journal of Remote Sensing, 2011, 32(3): 815-832. DOI:10.1080/01431161.2010.517805
[14]
Buchwitz M, Schneising O, Burrows J P, et al. First direct observation of the atmospheric CO2 year-to-year increase from space[J]. Atmos Chem Phys, 2007, 7: 4249-4256. DOI:10.5194/acp-7-4249-2007
[15]
Schneising O, Buchwitz M, Burrows J P, et al. Three years of greenhouse gas column-averaged dry air molefractions retrieved from satellite. Part 1: carbon dioxide[J]. Atmos Chem Phys, 2008, 8(14): 3827-3853. DOI:10.5194/acp-8-3827-2008
[16]
Mao J, Kawa S R. Sensitivity studies for space-based measurement of atmospheric total column carbon dioxide by reflected sunlight[J]. Applied Optics, 2004, 43: 914-927. DOI:10.1364/AO.43.000914
[17]
Yoshida Y, Ota Y, Eguchi N, et al. Retrieval algorithm for CO2 and CH4 column abundances from short-wavelength infrared spectral observations by the Greenhouse Gases Observing Satellite[J]. Atmospheric Measurement Techniques & Discussions, 2011, 3(6): 4719-4833.
[18]
Buchwitz M, Rozanov V, Burrows J. A near-infrared optimized DOAS method for the fast global retrieval of atmospheric CH4, CO, CO2, H2O, and N2O total column amounts from SCIAMACHY Envisat-1 nadir radiances[J]. Geophys Res, 2000, 105(15): 231-245.
[19]
Buchwitz M, de Beek R, Noël S, et al. Carbon monoxide, methane and carbon dioxide columns retrieved from SCIAMACHY by WFM-DOAS: year 2003 initial data set[J]. Atmos Chem Phys, 2005, 5(12): 3313-3329. DOI:10.5194/acp-5-3313-2005
[20]
Schneising O, Heymann J, Buchwitz M, et al. Anthropogenic carbon dioxide source areas observed from space: assessment of regional enhancements and trends[J]. Atmos Chem Phys, 2012, 12(12): 31507-31530. DOI:10.5194/acpd-12-31507-2012
[21]
Guerlet S, Butz A, Schepers D, et al. Impact of aerosol and thincirrus on retrieving and validating XCO2 from GOSAT shortwave infrared measurements[J]. J Geophys Res, 2013, 118(10): 4887-4905.
[22]
Dils B, de Maziere M D, Blumenstock T, et al. Comparisons between SCIAMACHY and ground-based FTIR data for total columns of CO, CH4, CO2 and N2O[J]. Atmos Chem Phys, 2006, 6(3): 1953-1976.
[23]
Schneising O, Reuter M, Buchwitz M, et al. Terrestrial carbon sink observed from space: variation of growth rates and seasonal cycle amplitudes in response to interannual surface temperature variability[J]. Atmos Chem Phys, 2014, 14(8): 133-141.
[24]
Yue T X, Zhao M W, Zhang X Y. A high-accuracy method for filling voids on remotely sensed XCO2 surfaces and its verification[J]. Journal of Cleaner Production, 2015, 103: 819-827. DOI:10.1016/j.jclepro.2014.08.080
[25]
Oshchepkov S, Bril A, Yokota T, et al. Effects of atmospheric light scattering on spectroscopic observations of greenhouse gases from space: validation of PPDF-based CO2 retrievals from GOSAT[J]. Geophys Res, 2012, 117(D12): D12-D123305.
[26]
Hammerling D M, Michalak A M, O'Dell C, et al. Global CO2 distributions over land from the Greenhouse Gases Observing Satellite (GOSAT)[J]. Geophysical Research Letters, 2012, 39(8): 8804.
[27]
Shim C, Lee J, Wang Y. Effect of continental sources and sinks on the seasonal and latitudinal gradient of atmospheric carbon dioxide over East Asia[J]. Atmos Environ, 2013, 79(7): 853-860.
[28]
Guo M, Wang X, Li J, et al. Examining the relationships between land cover and greenhouse gas concentrations using remote-sensing data in East Asia[J]. Int Remote Sens, 2013, 34(12): 4281-4303. DOI:10.1080/01431161.2013.775535
[29]
穆少杰, 李建龙, 陈奕兆, 等. 2001—2010年内蒙古植被覆盖度时空变化特征[J]. 地理学报, 2012, 67(9): 1255-1268. DOI:10.11821/xb201209010
[30]
Keeling C D, Piper S C, Whorf T P, et al. Evolution of natural and anthropogenic fluxes of atmospheric CO2 from 1957 to 2003[J]. Tellus, 2011, 63(1): 1-22.
[31]
Wang T X, Shi J C, Jing Y Y, et al. Investigation of the consistency of atmospheric CO2 retrievals from different space-based sensors: intercomparison and spatiotemporal analysis[J]. Chinese Science Bulletin, 2013, 58(33): 4161-4170. DOI:10.1007/s11434-013-5996-7
[32]
Wang T, Shi J, Jing Y, et al. Combining XCO2 measurements derived from SCIAMACHY and GOSAT for potentially generating global CO2 maps with high spatiotemporal resolution[J]. Plos One, 2014, 9(8): e105050. DOI:10.1371/journal.pone.0105050
Study on the Spatial-Temporal Change Characteristics of Global CO2 Concentration Based on SCIAMACHY Retrievals
Zhao Mingwei1, Li Chenchen1, Zhang Xingying2, Wang Chun1, Jiang Ling1, Sun Jinglu3    
1. Anhui Center for Collaborative Innovation in Geographical Information Integration and Application, Chuzhou University, Chuzhou 239000, China;
2. National Satellite Meteorology Center, China Meteorological Administration, Beijing 100081, China;
3. Anhui Institute of Economics, Hefei 230051, China
Abstract: Retrieval estimation based on satellite spectrum characteristics is the principle means to observe the global carbon dioxide concentration and analyze its spatial-temporal tendency today. However, only discrete carbon dioxide concentration data can be obtained limited to the observation condition and retrieval technique. So spatial interpolation method is needed to produce continuous carbon dioxide concentration in space. In this study, the XCO2 concentration data released by the SCIAMACHY research team was taken as the basic data, several classical interpolation methods (IDW, Kriging, and Spline) were compared in the XCO2 concentration interpolation, and the error statistical indicators (MAE, Max_AE, RMSE) showed that IDW was the optimal method for this research. Then, spatial distribution data of XCO2 concentration in the global continent from January 2003 to April 2012 were produced based on IDW, and its spatial-temporal tendency was also analyzed. The XCO2 concentration in global scale all showed an increased trend during this period, and on the average level of the global continent, the increase of XCO2 concentration was 17.43×10-6, the average increase rate of XCO2 was about 2×10-6 per year, and the rate of increase in the Northern Hemisphere was higher than that in the Southern Hemisphere.
Key words: SCIAMACHY    XCO2    spatial interpolation    spatial-temporal analysis