2023, Vol. 15 
2. 江苏省地理信息资源开发与应用协同创新中心，江苏 南京 210023;
3. 南京大学，关键地球物质循环前沿科学中心，江苏 南京 210023
2. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing, Jiangsu 210023, China;
3. Frontiers Science Center for Critical Earth Material Cycling, Nanjing University, Nanjing, Jiangsu 210023, China
二氧化碳柱浓度(XCO2)已经从工业革命前的278×10-6上升至2022年的417.2×10-6。大部分研究者认为温室气体排放来自于城市地区，其以不到3%的全球土地面积排放了超过70%的人为温室气体[1-4]。《巴黎协定》确定自2020年后各国自主贡献的减排方式，并从2023年开始每5年开展一次全球碳盘点。精确的城市内部CO2时空分布信息是量化城市人为碳排放、实施碳减排计划的重要前提。
卫星遥感具备客观、连续、稳定、大范围、重复观测的优点，但是主要的在轨CO2浓度监测卫星，如温室气体观测卫星(GOSAT)、轨道碳观测卫星2(OCO - 2)和全球CO2监测科学实验卫星(Tansat)等，均采用被动遥感探测仪和窄幅观测模式，轨道之间存在较大观测空白[5-14]，无法覆盖城市尺度区域。2019年美国宇航局发射了轨道碳观测卫星3(OCO - 3)，其快拍模式(SAM)能够在2 min左右扫描约80 km×80 km的大片区域，首次实现了城市尺度CO2浓度的扫描。
随着OCO - 3快拍模式数据的累积，国内外围绕CO2数据分析和排放反演的研究工作也在同步进行。在卫星数据分析领域，研究主要集中探讨了城市内XCO2分布特征、快拍模式可用性和不确定性来源等，通过对比快拍模式数据和其他卫星以及地基观测数据的异同，证实了快拍模式的可用性和数据的可靠性。快拍模式观测已被运用于城市尺度的人为碳排放反演。国际上已有研究开展了CO2和其人为源同源代理物氮氧化物(NOx)、一氧化碳(CO)的协同反演研究，探讨了如何克服OCO - 3卫星和欧洲哨兵5P卫星(Sentinel-5P)搭载的对流层监测仪(TROPOMI)观测过境时空差异等因素对反演结果的影响。目前国内利用OCO - 3的研究刚刚起步，典型城市内部XCO2的时空特征有待深入研究。
上海市是我国碳排放最大的城市，重工业是上海CO2排放的主要来源[15]。现基于OCO - 3快拍模式，探究上海市内XCO2的时空特征以及快拍模式对于重点源识别的有效性及可靠性，以期为上海市人为碳排放反演提供理论支撑。
1 研究方法与数据来源 1.1 OCO - 3卫星观测本研究选取OCO - 3 Level 2数据Lite V10.4快拍模式的XCO2数据。OCO - 3卫星在纬度小于52°的轨道循环观测地球，平均运行高度约为400 km，每16 d过境1次，空间分辨率为1.6 km × 2.2 km。OCO - 3卫星和OCO - 2卫星配备了相同的光谱仪，因而其灵敏度和性能特征相似，即在3赫兹(Hz)下的观测精度＜1×10-6 [16]。OCO - 3卫星观测模式相比较OCO - 2卫星新加入了SAM模式。SAM模式能够利用指向镜组件在每次卫星过境时独立扫描大面积区域，从而获取大范围的XCO2，有效避免了OCO - 2 Target模式下需要多次重复地扫描小面积区域的问题[8]。
本研究检索时间段为2020年1月—2022年12月[17]。为保证数据质量，本研究选取经过偏差修正和质量筛选后的观测数据，2020—2022年高质量观测共22次，其中春季(3—5月)6次、夏季(6—8月)5次、秋季(9—11月)2次、冬季(12月—次年2月)9次，每刈幅平均足迹数为307个，最高足迹数为864个。为了进行平均的时空分布特征分析，将观测数据统一重采样为0.04°× 0.04°网格，由此得到快拍模式高质量观测覆盖上海地区(30.6—31.9°N，120.8—122.2°E)的数据范围和足迹数。2020—2022年OCO - 3快拍模式在上海地区的覆盖范围和网格观测数量见图 1(a)—(d)。由图 1可见，除秋季刈幅数量较少外，春、夏、冬季，重采样后的快拍模式均能覆盖上海地区面积的58.5%，65.0%，67.6%，如果不考虑人为活动较弱的崇明岛，比例将分别上升至72.5%，86.1%和72.5%。
|
图 1 2020—2022年OCO - 3快拍模式在上海地区的覆盖范围和网格观测数量 |
化石燃料燃烧不仅会释放CO2，也会释放二氧化氮(NO2)至大气中。考虑到NO2的寿命相对CO2较短，在城市地区约为3 ~13 h[18]，由于其浓度增量信号远高于背景值，易被卫星捕捉，因此NO2常被用于确认CO2的烟羽信号来源[19]。本研究除了分析OCO - 3卫星快拍模式的XCO2数据，还参考了搭载在哨兵5号卫星上的对流层观测仪(TROPOMI)的NO2柱浓度数据产品[20]。TROPOMI每秒可获取的影像面积为2 600 km × 7 km，每日影像可覆盖全球。NO2浓度数据采用TROPOMI Level 2的再处理(RPRO)数据产品，并经过数据质量筛选，空间分辨率为3.5 km × 5.5 km，过境时间约为当地时间13：30。参考Kiel等[6]的方法，研究选取在OCO - 3过境时前后3 h内的数据作为有效数据。
1.3 数据来源本研究选用的全球电厂数据库(Global Power Plant Database)涵盖了来自167个国家的约35 000家发电厂，包括火力发电厂(如煤、天然气、石油、核电、生物质、废物、地热)和可再生能源(如水力、风力、太阳能)，包含每个电厂的地理位置、电厂容量、发电量、燃料类型等信息[21]。本研究选取1.3.0版本(2021年6月更新)包含的上海地区全部电厂的经纬度信息。为了确认重点点源位置，参考了上海市环境科学研究院编制的2017年4 km×4 km分辨率长三角人为CO2排放清单[22]。此外，还使用了欧洲中期天气预报中心(ECMWF)的ERA5数据集(the Fifth Generation Atmospheric Reanalysis of the Global Climate)中的风场数据，空间分辨率为31 km × 31 km[23]。
2 结果与讨论 2.1 XCO2季节特征分析由于2020—2022年秋季OCO - 3快拍模式覆盖上海的频次过少，可能会对季节统计结果产生较大的误差，因此仅分析春、夏、冬季的XCO2季节特征。2020—2022年上海市春、夏、冬季XCO2统计结果见表 1。由表 1可见，XCO2春季平均值为422.3×10-6，冬季为417.9×10-6，夏季为415.2×10-6，XCO2年平均值为418.3×10-6。参考《2021年中国温室气体公报》[24]，2021年全球陆地区域大气XCO2年均值为(412.7±2.8)×10-6，中国XCO2年均值为(415.2±2.7)×10-6，华东地区XCO2年均值为(416.9±1.5)×10-6。综上，2020—2022年上海XCO2年均值高于中国和华东地区XCO2年均值，这可能与上海较强的人为排放相关。
|
表 1 2020—2022年上海市春、夏、冬季XCO2统计结果 |
上海市XCO2呈现春季＞冬季＞夏季的特征，与欧亚大陆唯一的全球大气观测计划本底站——中国青海瓦里关站1994—2019年CO2季节平均浓度顺序一致[25]。上海XCO2变化受大气CO2本底值、植被碳源汇、人为碳排放和气象条件共同影响。夏季植被茂盛，光合作用强，植被的碳汇能力降低了大气CO2浓度。春、冬季植被不发育，碳汇能力有限，而春季CO2本底值较高，冬季人为和生物质燃烧排放CO2较高，使得上海春季和冬季XCO2大于夏季。
2.2 XCO2空间分布特征本研究尝试进一步探究城市内部XCO2分布特征。对于城市尺度而言，冬季CO2自然源汇下降，XCO2更能反映城市内部CO2人为排放状况。此外，由于2020—2022年上海的冬季观测数据量远高于其他三季(图 1)，冬季空间平均值更具有空间代表性。上海市冬季XCO2空间平均分布及CO2人为排放清单见图 2(a)(b)。由图 2(a)可见，上海冬季XCO2空间平均分布总体呈中部和东北方向较高的特征，XCO2最大值和最小值的差异达11.8×10-6。由图 2(b)可见，上海市城市中心区域由于人流密集，居民源、交通源排放较强，CO2排放量较高，对应了冬季XCO2高值。宝山区、浦东新区、奉贤区、金山区的沿海区域远离城市中心，人口密度较低、水运便捷，并且扩散条件较优，大型电厂多坐落于此。上海北部沿江地区有多个大型电厂排放的高浓度CO2，被冬季盛行风西北风传输至上海东部多个行政区，导致了沿江嘉定区、宝山区、杨浦区、浦东新区等的CO2排放量较高。此外，冬季上海北部崇明岛也受到了区域传输的影响，临近城市排放的CO2从北向南被传输至上海，导致了崇明岛的XCO2出现高值。本地重点点源排放、市中心居民排放、交通排放以及区域传输的共同作用，导致中部和东北部是上海冬季XCO2的高值区域。
|
图 2 上海市冬季XCO2空间平均分布及CO2人为排放量 注：图 2(b)中圆圈大小代表装机容量，是衡量电厂规模的重要指标。 |
快拍模式能否有效识别点源排放信号，是将OCO - 3数据应用于城市人为碳排放研究的前提。为探究城市人为碳排放导致的XCO2上升情况，将OCO - 3卫星快拍模式观测值减去背景值，以表征化石燃料燃烧导致的XCO2。参考Hakkarainen等[26]和Kort等[27]对于XCO2背景值的定义方法，将同纬度带内CO2观测值的中位数定义为背景值。本研究选取OCO - 3过境(117.4—125.4°E，27.4—35.4°N)范围内全部数据来定义背景值。由于卫星过境时间多在光合作用剧烈的下午，假定各季节内卫星过境时刻自然源碳排放相对固定，因此选取各季节XCO2最低值10%的平均值作为季节背景值。将OCO - 3测得的XCO2值与背景值相减得到的即人为碳排放导致的XCO2增量。
人为活动向大气中排放的CO2，不仅会影响排放源周边区域，也会被传输至下风区域。上海市XCO2增量空间分布和主要电厂分布见图 3(a)—(d)。由图 3可见，夏季边界层中层多盛行东风、东南风，而冬季多盛行西北风。尽管不同季节盛行风向差异很大，但是高排放电厂下风方向均出现了XCO2增量高值，夏季的XCO2增量高值多集中于上海西部和北部区域，而冬季多集中于东部区域。
|
图 3 上海市XCO2增量空间分布和主要电厂分布 |
TROPOMI卫星对上海市NO2柱浓度空间观测情况见图 4(a)—(d)。由图 4可见，重点源的下风方向出现了明显的NO2柱浓度增强信号，NO2柱浓度增强区域与图 3中OCO - 3卫星快拍模式XCO2增强区域接近，证明了OCO - 3快拍模式识别人为排放导致的柱浓度高值信号的能力。此外，OCO - 3快拍模式空间分辨率明显高于TROPOMI卫星，因此更适用于重点排放点源的识别和定量研究。
|
图 4 TROPOMI卫星对上海市NO2柱浓度空间观测情况 |
上海市XCO2春季平均值为422.3×10-6，夏季为415.2×10-6，冬季为417.9×10-6，呈现春季＞冬季＞夏季的季节特征，年平均值为418.3×10-6。受较强城市人为排放的影响，上海市XCO2年均值高于中国XCO2年均值和华东地区年均值。从XCO2空间分布差异来看，上海冬季XCO2高值区主要为中部和东北部。城市中部人口密集，居民源、交通源排放较强，北部沿江区域大型电厂较为集中，在冬季盛行风西北风的作用下，扩散至东部沿江多个行政区域。此外临近城市排放的CO2从北向南被传输至上海，导致了崇明岛XCO2上升。
为探究城市人为碳排放导致的XCO2上升情况，本研究通过定义背景浓度值的方法，得到了上海市人为排放产生的XCO2值。结果表明，高排放电厂下风方向均出现了XCO2增高，夏季上海西部和北部区域增高明显，冬季东部区域增高明显，这与TROPOMI卫星观测的结果基本一致。由于OCO - 3快拍模式空间分辨率明显高于TROPOMI卫星，因此OCO - 3快拍模式不仅具有识别人为排放导致的柱浓度高值信号的能力，还适用于重点排放点源的识别和定量研究。
致谢: 感谢上海市环境科学研究院提供的长三角地区CO2人为排放清单。
| [1] |
FRIEDLINGSTEIN P, O'SULLIVAN M, JONES M W, et al. Global Carbon Budget 2022[J]. Earth System Science Data, 2022, 14(11): 4811-4900. DOI:10.5194/essd-14-4811-2022 |
| [2] |
VANDYCK T, KERAMIDAS K, SAVEYN B, et al. A global stocktake of the Paris pledges: Implications for energy systems and economy[J]. Global Environmental Change, 2016, 41: 46-63. DOI:10.1016/j.gloenvcha.2016.08.006 |
| [3] |
STOCKER T. Climate change 2013: the physical science basis: Working group Ⅰ contribution to the fifth assessment report of the intergovernmental panel on climate change[M]. London: Cambridge university press, 2014.
|
| [4] |
刘良云, 陈良富, 刘毅, 等. 全球碳盘点卫星遥感监测方法、进展与挑战[J]. 遥感学报, 2022, 26(2): 243-267. |
| [5] |
刘毅, 王婧, 车轲, 等. 温室气体的卫星遥感——进展与趋势[J]. 遥感学报, 2021, 25(1): 53-64. |
| [6] |
KIEL M, ELDERING A, ROTEN D D, et al. Urban-focused satellite CO2 observations from the Orbiting Carbon Observatory-3: A first look at the Los Angeles megacity[J]. Remote Sensing of Environment, 2021, 258: 112314. DOI:10.1016/j.rse.2021.112314 |
| [7] |
ZHOU M, NI Q, CAI Z, et al. CO2 in Beijing and Xianghe Observed by Ground-Based FTIR Column Measurements and Validation to OCO - 2/3 Satellite Observations[J]. Remote Sensing, 2022, 14(15): 3769. DOI:10.3390/rs14153769 |
| [8] |
BELL E, O'DELL C W, TAYLOR T E, et al. Exploring bias in the OCO - 3 snapshot area mapping mode via geometry, surface, and aerosol effects[J]. Atmospheric Measurement Techniques, 2023, 16(1): 109-133. DOI:10.5194/amt-16-109-2023 |
| [9] |
刘建军, 姜腾龙, 杨晓钰, 等. 基于OCO - 2/OCO - 3数据的山东省CO2柱浓度特征分析[J]. 河北环境工程学院学报, 2023, 33(1): 74-78. |
| [10] |
LEI R, FENG S, XU Y, et al. Reconciliation of asynchronous satellite-based NO2 and XCO2 enhancements with mesoscale modeling over two urban landscapes[J]. Remote Sensing of Environment, 2022, 281: 113241. DOI:10.1016/j.rse.2022.113241 |
| [11] |
WU D, LIU J, WENNBERG P O, et al. Towards sector-based attribution using intra-city variations in satellite-based emission ratios between CO2 and CO[J]. Atmospheric Chemistry and Physics, 2022, 22(22): 14547-14570. DOI:10.5194/acp-22-14547-2022 |
| [12] |
YANG E G, KORT E A, OTT L E, et al. Using space-based CO2 and NO2 observations to estimate urban CO2 emissions[J]. Journal of Geophysical Research: Atmospheres, 2023, 128(6): e2022JD037736. DOI:10.1029/2022JD037736 |
| [13] |
SUN L, LIU W, LI Z, et al. Spatial and structural characteristics of CO2 emissions in East Asian megacities and its indication for low-carbon city development[J]. Applied Energy, 2021, 284: 116400. DOI:10.1016/j.apenergy.2020.116400 |
| [14] |
MIAO L, TANG S, LI X, et al. Estimating the CO2 emissions of Chinese cities from 2011 to 2020 based on SPNN-GNNWR[J]. Environmental Research, 2023, 218: 115060. DOI:10.1016/j.envres.2022.115060 |
| [15] |
LI J S, ZHOU H W, MENG J, et al. Carbon emissions and their drivers for a typical urban economy from multiple perspectives: A case analysis for Beijing city[J]. Applied Energy, 2018, 226: 1076-1086. DOI:10.1016/j.apenergy.2018.06.004 |
| [16] |
Orbiting Carbon Observatory-2 & 3 Data Product User's Guide, Operational Level 2 Lite Files[EB/OL]. (2022-07-05)[2023-05-07]. https://docserver.gesdisc.eosdis.nasa.gov/public/project/OCO/OCO2_V11_OCO3_V10_DUG.pdf.
|
| [17] |
OCO - 2/OCO - 3 Science Team, ABHISHEK C, VIVIENNE P. OCO - 3 Level 2 bias-corrected XCO2 and other select fields from the full-physics retrieval aggregated as daily files, Retrospective processing v10.4r, Greenbelt, MD, USA, Goddard Earth Sciences Data and Information Services Center(GES DISC)[DB/OL]. [2023-05-07]. https://doi.org/10.5067/970BCC4DHH24.
|
| [18] |
DE F B, LU Z, STREETS D G, et al. Estimates of power plant NOx emissions and lifetimes from OMI NO2 satellite retrievals[J]. Atmospheric Environment, 2015, 116: 1-11. DOI:10.1016/j.atmosenv.2015.05.056 |
| [19] |
REUTER M, BUCHWITZ M, SCHNEISING O, et al. Towards monitoring localized CO2 emissions from space: co-located regional CO2 and NO2 enhancements observed by the OCO - 2 and S5P satellites[J]. Atmospheric Chemistry and Physics, 2019, 19(14): 9371-9383. DOI:10.5194/acp-19-9371-2019 |
| [20] |
VAN GEFFEN J, BOERSMA K F, ESKES H, et al. S5P TROPOMI NO2 slant column retrieval: method, stability, uncertainties and comparisons with OMI[J]. Atmospheric Measurement Techniques, 2020, 13(3): 1315-1335. DOI:10.5194/amt-13-1315-2020 |
| [21] |
Global Energy Observatory, Google, KTH Royal Institute of Technology in Stockholm, Enipedia, World Resources Institute. 2018. Global Power Plant Database. Published on Resource Watch and Google Earth Engine[DB/OL]. [2023-05-07]. https://datasets.wri.org/dataset/globalpowerplantdatabase.
|
| [22] |
AN J, HUANG Y, HUANG C, et al. Emission inventory of air pollutants and chemical speciation for specific anthropogenic sources based on local measurements in the Yangtze River Delta region, China[J]. Atmospheric Chemistry and Physics, 2021(21): 2003-2025. |
| [23] |
HERSBAC H, BELL B, BERRISFORD P, et al. ERA5 hourly data on pressure levels from 1940 to present. Copernicus Climate Change Service(C3S) Climate Data Store(CDS)[DB/OL]. [2023-05-10]. https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-pressure-levels?tab=overview.
|
| [24] |
中国气象局. 2021年中国温室气体公报[EB/OL]. (2023-01-09)[2023-05-19]. https://www.cma.gov.cn/zfxxgk/gknr/qxbg/202301/t20230119_5274988.html.
|
| [25] |
LIU S, FENG Z, LIN H, et al. Changes of atmospheric CO2 in the tibetan plateau from 1994 to 2019[J]. Journal of Geophysical Research: Atmospheres, 2021, 126(20): e2021JD035299. DOI:10.1029/2021JD035299 |
| [26] |
HAKKARAINEN J, IALONGO I, TAMMINEN J. Direct space-based observations of anthropogenic CO2 emission areas from OCO-2[J]. Geophysical Research Letters, 2016, 43(21): 11400-11406. |
| [27] |
KORT E A, FRANKENBERG C, MILLER C E, et al. Space-based observations of megacity carbon dioxide[J]. Geophysical Research Letters, 2012, 39: L17806. |