2023, Vol. 15 
2. 南京创蓝科技有限公司，江苏 南京 211135;
3. 南京大学，国际地球系统科学研究所，江苏 南京 210046
2. Nanjing Climblue Technology Co., Ltd., Nanjing, Jiangsu 211135, China;
3. International Institute for Earth System Science, Nanjing University, Nanjing, Jiangsu 210046, China
二氧化碳(CO2)是大气中最重要的人为排放的温室气体，由于温室效应的影响，近年来导致一系列全球变暖、冰川退缩、海平面上升等自然环境问题[1]。2015年的《巴黎协定》指出，全球各方应加强应对气候变化的威胁，把全球平均气温较工业化前水平的升高量控制在2 ℃之内，只有全球尽快实现温室气体排放达到峰值，21世纪下半叶实现温室气体净零排放，才能降低气候变化给地球带来的生态风险以及给人类带来的生存危机。中国是世界上最大的CO2排放国之一[2-3]，为有效降低温室效应影响，我国承诺到2030年达到碳排放峰值。准确量化人为源碳排放能为我国碳中和战略及未来减排政策的制定提供重要的科学支撑。
目前传统的CO2观测手段主要为地面观测站观测[4]，由于地面站点数量较少且分布不均，限制了碳同化反演的时空分辨率和精度。相比传统观测手段，碳卫星2号(OCO - 2)每16 d即可获取公里级大气CO2浓度数据，实现了由点源至面源的突破。Wang等[5]利用OCO - 2卫星获取的大气CO2柱浓度数据(XCO2)进行了工业碳排放源遥感监测；Bell等[6]研究显示，OCO - 2卫星和激光雷达在XCO2数据梯度上趋于一致，超过100 km范围每度(纬度)的偏差＜0.1×10-6；孔亚文[7]研究显示，碳卫星数据反演的通量修正了先验通量在某些区域对碳吸收和排放明显的高估和低估。
本研究利用OCO - 2卫星监测的高分辨率XCO2数据，评估浙江省典型城市杭州、宁波和嘉兴的XCO2变化特征，并结合拉格朗日粒子扩散模型(LPDM)，识别城市碳排放热点，并评估碳排放对XCO2数据的影响。
1 研究方法 1.1 数据来源XCO2数据来自OCO - 2卫星，时间为2016—2021年(https://search.earthdata.nasa.gov/search)。OCO - 2卫星的设计初衷是为了更好地监测CO2，以较窄的影像幅宽来换取强信号响应，以此反演出CO2变化，因此OCO - 2卫星无法监测到大面积的空间覆盖情况，导致数据量较少[8-9]。数据显示，共获得杭州、宁波、嘉兴3个城市的XCO2数据50次，其中，杭州过境16次，宁波、嘉兴各17次；此外，3个城市每年XCO2数据获取的时间及卫星过境频次均非固定，例如，2020年没有杭州的XCO2数据。
临安大气本底站(区域大气本底观测站)的大气CO2年平均体积分数来自中国气象局发布的2016—2021年《中国温室气体公报》[10-14]，以此数据来补充说明XCO2数据变化趋势。
杭州、宁波和嘉兴的土地覆盖类型数据来自ESRI网站(https://www.arcgis.com/home/item.html?id=d3da5dd386d140cf93fc9ecbf8da5e31)，基于哨兵2号(Sentinel-2)卫星数据制作，时间为2017—2021年，空间分辨率为10 m，共分为10个类型。人口数据和国内生产总值(GDP)数据来自中经网数据有限公司(https://ceidata.cei.cn/jsps/Default)。
1.2 分析方法本研究为了方便讨论，对XCO2数据进行了处理。年平均数据的计算方法为，对某日(即1次过境)单个城市内的所有XCO2网格数据计算平均值，得到该城市某日的XCO2数据值；对当年所有的XCO2数据计算平均值，得到该城市当年的年均值。年增长变化的计算方法为，第N年与第1年的年平均数据之差，再除以(N-1)，得到年增长数据。网格距平值的计算方法为，每个XCO2网格数据与所在城市中所有网格的XCO2数据的平均值之差。
对城市温室气体重点源排放的研究主要利用LPDM模型[15-16]。LPDM的核心算法是假定有1个虚拟粒子，从其初始位置出发，计算粒子所在格点的三维气象场的平均风速，以此模拟虚拟粒子的运动情况，得到气团来源的概率分布和驻留时间，以此类推，可以得到某段时间粒子的最终位置。结合污染排放清单，可以计算排放目标地点潜在的污染来源贡献[17-19]。
2 结果与分析 2.1 基于OCO - 2卫星数据的浙江省典型城市XCO2数据时空变化特征2016—2021年杭州、宁波、嘉兴XCO2数据见图 1(a)—(c)。
|
图 1 2016—2021年杭州、宁波、嘉兴XCO2数据 |
由图 1可见，杭州、宁波、嘉兴3个城市的XCO2数据均值在2018年之前分别为410.1×10-6，409.5×10-6和410.3×10-6。从年际变化看，3个城市的XCO2数据均呈上升趋势，年增长量分别为3.1×10-6，2.3×10-6和2.2×10-6。杭州在2019—202 1年增长量最高，增长了8.0×10-6，在2021年达到419.6×10-6，为3个城市最高；宁波也在2019—2021年增长量最高，增长了5.7×10-6；嘉兴在2019—2021年XCO2数据均值变化不大，甚至略有降低，年增长量为-1.0×10-6。
2016—2021年杭州XCO2数据和临安大气本底站CO2体积分数变化见图 2。由图 2可见，临安站大气φ(CO2)为417.7×10-6~436.7×10-6，2016年最低，2021年最高，呈逐年上升的趋势，与杭州XCO2数据变化趋势一致，说明利用OCO-2卫星获取的XCO2数据能够反映大气CO2浓度的变化。
|
图 2 2016—2021年杭州XCO2数据和临安大气本底站CO2体积分数变化 |
温室气体的主要来源是人类活动排放，本研究以城市建筑用地面积、人口数量和GDP变化表征人类活动变化情况，以此分析其对XCO2数据的影响。2016—2021年杭州、宁波、嘉兴XCO2数据变化及建筑用地面积、人口、GDP年变化率见图 3(a)—(c)。由图 3可见，2017年，杭州市的建筑用地面积是3个城市中最大的(2 886.6 km2)，宁波其次(2 450.0 km2)，嘉兴最小(1 618.2 km2)，分别占各自城市总面积的17.2%，27.7%和41.0%；2021年相比2017年，3个城市的建筑用地面积都略有增加，分别增加了0.9%，2.2%和4.8%。从人口和GDP数据来看，2016—2021年，3个城市也均呈持续增加的变化趋势。这与前文3个城市的XCO2数据呈增加趋势基本一致，表明XCO2数据及其增长率与人类活动密切相关。
|
图 3 2016—2021年杭州、宁波、嘉兴XCO2数据变化及建筑用地面积、人口、GDP年变化率 注：建筑用地增长率为当年的建筑用地占比(建筑用地面积占城市总面积的比率)与2016年的建筑用地占比比较；人口、GDP增长率为与2016年数据的变化比率比较。 |
OCO - 2卫星单次过境获取的城市XCO2数据在空间上存在差异，这种差异在一定程度上能够反映城市温室气体排放强度的空间差异。现挑选了宁波2017年7月21日、2018年6月15日、2020年7月22日3日的XCO2数据，这3个卫星数据覆盖宁波的位置基本一致，3条轨迹的φ(XCO2)平均值分别为406×10-6，408×10-6和413×10-6。
这3日的φ(XCO2)距平值分别为-9×10-6 ~ 7×10-6，-14×10-6 ~ 7×10-6，-15×10-6 ~ 9×10-6。正距平分布较集中的区域，可能与附近的温室气体排放源有关。这3日正距平最高的位置，都在宁波市宁海县强蛟镇附近，通过企业信息、地图查询等方式，发现在强蛟镇有一批电力、水泥等企业，宁波市XCO2数据距平值及局部放大遥感影像见图 4(a)—(f)。
|
图 4 宁波市XCO2数据距平及局部放大遥感影像 注：黑色五角星为电力企业所在位置。 |
宁波市气象站的气象数据显示，3日的天气均为多云，气温分别为25~36，20~29和26~36 ℃，风向风速分别为偏东风1级、东北风3—4级和东南风2级。可以初步判断，这3日XCO2数据正距平高值基本都在强蛟镇电力企业(碳排放热点源)的下风向地区，极有可能受到企业CO2排放的影响。
为了评估电力企业CO2排放对XCO2数据的影响，本研究利用LPDM模型，模拟气团从电力企业排出后的扩散情况，结果见图 5(a)—(c)。由图 5可见，电力企业的气团扩散路径和XCO2数据的正距平位置基本重合，沿气体扩散方向的XCO2数据较高，与前文结论一致，表明电力企业CO2排放会导致下风向地区的XCO2数据出现局地性增长，以这3日的数据来推测，φ(XCO2)增长了7×10-6~9×10-6。
|
图 5 LPDM模型对电力企业CO2排放的扩散模拟 注：黑色五角星为电力企业所在位置。 |
(1) 分析了2016—2021年浙江省杭州、宁波、嘉兴3个典型城市OCO - 2卫星获取的XCO2数据。从年际变化看，3个典型城市2016—2018年的城市XCO2平均数据基本在410×10-6左右或低于410×10-6；而2019—2021年，较前几年XCO2数据均有不同程度的升高，杭州达到419.6×10-6。2016—2021年，3个城市的XCO2数据年增长量分别为3.1×10-6，2.3×10-6和2.2×10-6，杭州市的增长量最为明显；杭州和宁波在2019—2021年XCO2数据增长量明显，分别为8.0×10-6和5.7×10-6。杭州XCO2数据与临安大气本底站CO2观测数据变化趋势一致。
(2) 以城市建筑用地面积、人口数量和GDP变化表征人类活动变化情况，以此分析其对CO2浓度的影响。从同时段的建筑用地面积来看，2021年相比2017年，杭州、宁波、嘉兴3个城市的建筑用地面积都略有增加，分别增加了0.9%，2.2%和4.8%；从人口和GDP数据来看，2016—2021年3个城市也均呈持续增加的变化趋势。由上可知，CO2浓度的升高与城市化进程和人类活动密切相关。
(3) OCO - 2卫星单次过境获取的城市XCO2数据在空间上存在差异，正距平分布较集中的区域，与附近的温室气体排放源有关；结合LPDM模型，能够识别出城市碳排放热点区域。对宁波市2017年7月21日、2018年6月15日、2020年7月22日这3日典型个例进行分析，结果表明，XCO2数据正距平高值区域基本都在碳排放热点源(电力企业)的下风向地区，电力企业的CO2排放会导致下风向地区的XCO2数据出现局地性增长，以这3日的数据来推测，增长量为7×10-6~9×10-6。
通过以上手段，能够为追踪城市排放热点区域提供支撑，未来可以利用气象扩散模型等工具，定量评估碳排放热点源的排放特征，完善和更新自下而上的碳排放核算清单。
| [1] |
SOLOMON S, QIN D, MANNING M, et al. Climate change 2007: The physical science basis, contribution of working group Ⅰ to the fourth assessment report of the intergovernmental panel on climate change(IPCC)[R]. Cambridge University Press, 2007.
|
| [2] |
MARLAND G, BODEN T A, ANDRES R J. Global, Regional, and National Fossil-Fuel CO2 Emissions(1751—2014)(V. 2017)[J/OL]. (1999-07-09)[2022-12-21]. https://www.osti.gov/dataexplorer/biblio/dataset/1389331.
|
| [3] |
TIAN H, LU C, CIAIS P, et al. The terrestrial biosphere as a net source of greenhouse gases to the atmosphere[J]. Nature, 2016, 531(7593): 225-228. DOI:10.1038/nature16946 |
| [4] |
LIU Y, GUO J, YUE T, et al. Simulation and analysis of carbon dioxide concentration in the surface layer[J]. Journal of Geo-Information Science, 2017, 19(2): 197-204. |
| [5] |
WANG S, ZHANG Y, HAKKARAINEN J, et al. Distinguishing anthropogenic CO2 emissions from different energy intensive industrial sources using OCO-2 observations: A case study in northern China[J]. Journal of Geophysical Research: Atmospheres, 2018, 123(17): 9462-9473. DOI:10.1029/2018JD029005 |
| [6] |
BELL E, O'DELL C, DAVIS K, et al. Evaluation of OCO - 2 XCO2 variability at local and synoptic scales using lidar and in situ observations from the ACT-America campaigns[J]. Journal of Geophysical Research: Atmospheres, 2019, 125(10): 1-31. |
| [7] |
孔亚文. 多源碳卫星XCO2同化反演系统研发及应用研究[D]. 北京: 中国科学院大学, 2020.
|
| [8] |
NASA. NASA's OCO-2 brings sharp new focus on global carbon[EB/OL]. (2014 - 04 - 02)[2022 - 12 - 21]. http://www.nasa.gov/jpl/news/oco20140402/index.html.
|
| [9] |
WUNCH D, WENNBERG P O, OSTERMAN G, et al. Comparisons of the orbiting carbon observatory-2(OCO - 2) XCO2 measurements with TCCON[J]. Atmospheric Measurement Techniques, 2017, 10(6): 1-45. |
| [10] |
中国气象局. 2016年中国温室气体公报[EB/OL]. (2018-01-17)[2022-12-21]. https://www.cma.gov.cn/zfxxgk/gknr/qxbg/201801/t20180117_1709267.html.
|
| [11] |
中国气象局. 2017年中国温室气体公报[EB/OL]. (2019-04-30)[2022-12-21]. https://www.cma.gov.cn/zfxxgk/gknr/qxbg/201904/t20190430_1709280.html.
|
| [12] |
中国气象局. 2019年中国气候变化蓝皮书[EB/OL]. (2019-05-24)[2022-12-21]. https://www.cma.gov.cn/zfxxgk/gknr/qxbg/201905/t20190524_1709279.html.
|
| [13] |
中国气象局. 2020年中国温室气体公报[EB/OL]. (2023-01-19)[2022-12-21]. https://www.cma.gov.cn/zfxxgk/gknr/qxbg/202301/t20230119_5274986.html.
|
| [14] |
中国气象局. 2021年中国温室气体公报[EB/OL]. (2023-01-19)[2023-12-21]. https://www.cma.gov.cn/zfxxgk/gknr/qxbg/202301/t20230119_5274988.html.
|
| [15] |
DRAXLER R R, HESS G D. An overview of the HYSPLIT_4 Modeling system of trajectories, dispersion, and deposition[J]. Australian Meteorological Magazine, 1998, 47: 295-308. |
| [16] |
STOHL A, ECKHARDT S, FORSTER C, et al. A replacement for simple back trajectory calculations in the interpretation of atmospheric trace substance measurements[J]. Atmospheric Environment, 2002, 36(29): 4635-4648. DOI:10.1016/S1352-2310(02)00416-8 |
| [17] |
ZHOU D, DING K, HUANG X, et al. Transport, mixing and feedback of dust, biomass burning and anthropogenic pollutants in Eastern Asia: A case study[J]. Atmospheric Chemistry and Physics, 2018, 18(22): 16345-16361. DOI:10.5194/acp-18-16345-2018 |
| [18] |
DING A J, FU C B, YANG X Q, et al. Ozone and fine particle in the Western Yangtze River Delta: An overview of 1 Yr data at the sorpes station[J]. Atmospheric Chemistry and Physics, 2013, 13(11): 5813-5830. DOI:10.5194/acp-13-5813-2013 |
| [19] |
DING A J, WANG T, FU C B. Transport characteristics and origins of carbon monoxide and ozone in Hong Kong, South China[J]. Journal of Geophysical Research: Atmospheres, 2013, 118(16): 9475-9488. DOI:10.1002/jgrd.50714 |