吴长江^1,2, 雷莉萍¹, 曾招城³
1. 中国科学院遥感与数字地球研究所 数字地球重点实验室, 北京 100094;
2. 中国科学院大学资源与环境学院, 北京 100049;
3. 美国加州理工学院地质与行星科学系, 美国加利福尼亚州帕萨迪纳市 CA91125
2018年1月15日 收稿; 2018年4月4日 收修改稿
基金项目: 国家重点研发计划项目（2016YFA0600303）资助
通信作者: 雷莉萍, E-mail:leilp@radi.ac.cn

摘要: 定量化分析不同遥感观测卫星所反演的大气CO₂浓度之间的差异，对于利用卫星遥感数据准确揭示全球大气CO₂浓度的时空变化特征具有重要的参考价值。利用CarbonTracker模型模拟的大气CO₂廓线数据对SCIAMACHY、GOSAT和OCO-2卫星反演的大气CO₂柱浓度数据进行校正，并通过计算卫星校正前后的差值分析不同卫星观测平台对大气廓线的响应差异。同时比较分析不同时空尺度的各卫星观测所刻画的大气CO₂柱浓度变化的差异。实验结果表明，SCIAMACHY的差值明显大于其他2颗卫星，且在低纬度和高纬度区域分别显示（-0.25±0.15）×10^-6和（-0.38±0.25）×10^-6的浓度差异。消除这些差异后，3颗卫星的CO₂柱浓度观测数据显示相似的季节变化、年变化特征以及相似的空间分布规律。研究结果表明，模型模拟数据可用来整合这3颗卫星由于观测仪器响应和时空尺度不同所引起的大气CO₂柱浓度数据间的差异。
关键词: 大气CO₂浓度SCIAMACHYGOSATOCO-2模型模拟
Spatio-temporal analysis of differences among atmospheric CO₂ concentrations retrieved from different satellite observations
WU Changjiang^1,2, LEI Liping¹, ZENG Zhaocheng³
1. Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China;
2. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China;
3. Division of Geological and Planetary Sciences, California Institute of Technology, Pasadena, CA 91125, USA


Abstract: Quantitative analysis of the differences among the CO₂ concentrations retrieved from different satellites is important for understanding possibility of combining different satellites for observing the spatio-temporal variations in global atmospheric CO₂ concentration. In this study, we investigated the differences among the atmospheric CO₂ concentrations derived from SCIAMACHY, GOSAT, and OCO-2 by comparing with CO₂ simulations from CarbonTracker. Firstly, the sensitivities of the three satellites to CO₂ concentrations were quantified by adjusting the measurements based on the CO₂ profiles from CarbonTracker. Secondly, the spatio-temporal patterns of XCO₂ retrievals from the three satellites were further compared. The results show that SCIAMACHY shows averaged biases of (-0.25 ±0.15)×10^-6 and (-0.38 ±0.25)×10^-6 at high and low latitude regions, respectively, which are significantly larger than those showed by the other two satellites. Moreover, we found that, after removing these differences, the observations from the three satellites demonstrate similar seasonal and annual variations as well as similar spatial patterns. These results show that model simulations can be utilized to remove or reduce the differences among the XCO₂ retrievals from different satellites.
Keywords: atmospheric CO₂ concentrationSCIAMACHYGOSATOCO-2model simulations
自工业革命以来，由于化石燃料的燃烧、工业排放等人类活动的快速增加，全球大气CO₂浓度逐年以约2×10^-6的增速升高，已成为导致全球变暖的重要原因^[1]。近年来，为减缓大气CO₂浓度的持续升高以遏制全球变暖，各国均制定了相关减排政策。覆盖全球的大气CO₂浓度数据可以帮助我们深入认知全球大气CO₂浓度在区域和时间上的变化特征，进而为减排实施效果评估提供参考。
随着大气CO₂卫星观测技术的进步，卫星遥感观测已成为获取全球和区域大气CO₂浓度数据的主要手段之一。卫星观测具有覆盖范围广，以统一的观测方法揭示全球和区域大气CO₂浓度时空变化特征的优势。目前已有3颗卫星观测反演的大气CO₂柱浓度(XCO₂)产品可以利用。它们包括，2002年搭载于ENVIronmental SATellite的SCIAMACHY (SCanning Imaging Absorption spectroMeter for Atmospheric CHartographY)、2009年第一颗专门用于温室气体观测的GOSAT (Greenhouse Gases Observing Satellite)卫星以及2014年发射的OCO-2(Orbiting Carbon Observatory-2)卫星。中国为了应对全球气候变化、全面监测全球CO₂浓度分布情况，已于2016年12月发射首颗CO₂观测科学实验卫星TANSAT^[2]，这是暨日本GOSAT卫星和美国OCO-2卫星之后的第3颗全球“嗅碳”卫星。这些卫星观测数据的初步应用研究表明，基于卫星观测反演的CO₂柱浓度数据一方面可以揭示人为排放引起的大气CO₂浓度增量时空分布特征^[3-5]，另一方面也可以利用大气CO₂浓度的季节变化研究分析陆地生态系统碳源、碳汇时空变化特征^[6]，显示了卫星观测数据的应用潜力。
然而，由于SCIAMACHY、GOSAT和OCO-2有着不同的设计指标和观测模式，导致它们对XCO₂反演有着不同的敏感性。SCIAMACHY是搭载于ENVISAT的大气成分综合探测传感器，轨道周期为35d，空间分辨率为60km, 其反演的XCO₂数据精度在2.5×10^-6左右, 可利用数据时间范围2003—2012年。GOSAT的观测周期为3d，空间分辨率10.5km, 其XCO₂反演精度在1×10^-6左右。OCO-2卫星的时空分辨率分别为16d和3km, 产品反演精度在0.5×10^-6左右；其高空间分辨率使得其数据在刻画区域CO₂浓度时空变化特征方面具有明显优势^[7]。以上这3颗卫星的XCO₂数据产品覆盖了2003—2016年近14年的全球卫星观测数据。
利用卫星观测的大气光谱反演大气CO₂柱浓度时，不但受气象条件、气溶胶以及地表辐射等影响，而且也受卫星传感器的设计指标和观测模式等多种因素的影响。由于不同CO₂观测卫星的传感器敏感性、观测模式以及XCO₂反演算法等不同造成多颗卫星XCO₂数据产品在物理量和时空尺度上存在差异，且这些差异在不同地区和不同时间存在着随机性^[8]，在进行全球CO₂的时空特征分析时必须对这些差异予以考虑。根据Connor和Rodger^[9]关于大气XCO₂反演算法的相关理论，在集成利用多颗卫星XCO₂数据时，应该考虑不同反演算法因采用不同的平均核函数(averaging kernel)和先验CO₂分布(prior CO₂ profile)给XCO₂数据产品造成的差异。基于该理论在对SCIAMACHY和GOSAT数据进行融合时，可以利用CarbonTracker数据集对两颗卫星的XCO₂数据进行敏感性分析^[10]。目前还没有研究对SCIAMACHY、GOSAT和OCO-2这3种不同传感器之间的响应差异进行定量分析。
本文以CarbonTracker模型的大气CO₂柱面层浓度数据为基准，定量分析SCIAMACHY、GOSAT和OCO-2的XCO₂产品及其差异的时空分布特征，为这3颗卫星数据的数据融合处理与应用提供参考。
1 数据来源和方法我们收集SCIAMACHY、GOSAT和OCO-2卫星观测反演的2003-01—2016-03近14年的XCO₂数据产品(见表 1)，以及对应时段的CarbornTracker大气CO₂模拟数据。利用CarbornTracker柱面层浓度数据分析不同卫星XCO₂的响应差异及其时空分布特征，在进行时空尺度归一处理后，比较分析不同卫星反演的大气CO₂柱浓度的季节变化和全球分布特征。
Table 1

表 1 多源卫星XCO2数据相关信息Table 1 XCO2 data products from multi-satellite observations 观测平台 SCIAMACHY GOSAT OCO-2 覆盖时间段 2003-01—2009-05 2009-06—2014-06 2014-09—2016-03 观测时刻 10：00 13：00 13：36 时间分辨率/d 35 3 16 空间分辨率 30km×60km 10.5km 2.25km×1.25km CO2剖面分布 10 20 20 数据产品版本 BESD v02.01.01 ACOS 3.5 Lite OXCO2 r7 Lite 数据发布机构 ESA/CCI NASA/ACOS NASA/OCO-2 数据精度/×10-6 2.5 [8] 1.0 [8] 0.46 [7] 本文简称名 SCIAMACHY-XCO2 GOSAT-XCO2 OCO2-XCO2

表 1 多源卫星XCO2数据相关信息Table 1 XCO2 data products from multi-satellite observations

1.1 多源卫星XCO₂观测数据对于ENVI/SCIAMACHY数据，我们收集精度较好的BESD v02.01.01算法反演的XCO₂数据产品(http://www.esa-ghg-cci.org/)(下文简称SCIAMACHY-XCO₂)，覆盖2003-01—2009-05时段。经地基观测数据验证，其单点观测数据的反演精度在3×10^-6以内，区域偏差在2.5×10^-6左右^[11]。GOSAT卫星采用NASA/ACOS团队利用GOSAT数据反演的ACOS v3.5lite XCO₂数据(http://disc.sci.gsfc.nasa.gov/acdisc/documentation/ACOS.html)(下文简称GOSAT-XCO₂)，该产品的时间段包含2009-06—2014-06，其反演验证精度为1×10^-6左右^[12]。OCO-2卫星采用ACOS算法反演的OCO2_7 r_Lite XCO₂数据(http://oco2.gesdisc.e-osdis.nasa.gov/data/s4pa/OCO2_DATA/OCO2_L2_Lite_FP.7r)(下文简称OCO2-XCO₂)，覆盖2014-09—2016-03时段，该数据的验证精度约0.5×10^-6[13]。
1.2 模型模拟数据对应卫星观测数据的时段为2003—2016年，本文收集3h间隔的CT(CarbonTracker)模型数据(ftp://aftp.cmdl.noaa.gov/products/carbontracker/co2/molefractions)。CT是NOAA/ESRL/GMD的模式小组基于大气传输模型TM5研发的一种大气反演模型, 它将大气传输模型与卡尔曼滤波法相结合，自下而上估算地球表面二氧化碳吸收和释放随时间变化的情况。CT已被广泛用于全球及区域的碳时空变化特征分析，特别是许多研究利用其模拟的大气CO₂浓度数据对SCIAMACHY、GOSAT等卫星观测数据比较验证^[14]。该CT模拟的CO₂数据为3h时间分辨率、纬度2°×经度3°格网、垂直剖面25层CO₂浓度分布。CT数据分为两个时段，其一为CT2015 (2003-01—2014-12), 另一为CT-NRT.v2016-1 (2015-01—2016-03)。这两套数据均由CarbonTracker同化地面观测和航空观测数据生成^[15]。
1.3 实验方法卫星观测反演大气CO₂柱浓度的算法中，利用先验CO₂剖面分布作为先验值，计算卫星传感器对CO₂的响应特征即平均核函数^[16]。卫星传感器指标不同，其平均核函数也不同。在多源卫星数据的融合应用时，需要考虑各反演算法所采用的平均核函数和先验CO₂剖面分布带来的差异^[16]。本文以CT模型的垂直CO₂分布数据(25层)为基准，分别计算SCIAMACHY-XCO₂、GOSAT-XCO₂和OCO-XCO₂由于仪器对CO₂响应不同所引起的XCO₂差异：

$\Delta {\rm{XCO}}{{\rm{2}}_t} = {\mathit{\boldsymbol{h}}^{\rm{T}}}\left( {\mathit{\boldsymbol{I}} - \mathit{\boldsymbol{a}}} \right)({\mathit{\boldsymbol{X}}_{{\rm{M}}, t}} - {\mathit{\boldsymbol{X}}_{{\rm{a}}, t}}).$

(1)

式中：h是压力权重向量(pressure-weighted)，a是经对应CT模型剖面层数(25层)扩展处理后的卫星反演数据的平均核向量(averaging kernel)，I是单元矩阵，X_{M, t}是指CT模型对应卫星观测时间t的CO₂剖面分布向量(CO₂ profile)，X_{a, t}为经对应CT模型剖面层数扩展处理后的卫星先验CO₂剖面分布向量(prior CO₂ profile)。
在计算处理中，为解决如表 1所示各卫星数据的CO₂剖面分布层数与CT不同，首先采用基于大气垂直气压层将各卫星层浓度进行内插或外扩到CT模型的CO₂层浓度分布。如OCO-2数据包含20层CO₂浓度分布，则将其按照气压水平分布线性内插或外扩至CT模型的25层CO₂浓度分布。另一方面, 通过对CT模型的8时段剖面CO₂分布进行线性插值获取卫星观测时间t时的模型剖面CO₂分布。
另外，由表 1可知SCIAMACHY、GOSAT以及OCO-2的XCO₂数据的过境观测时刻不同(分别为10：00、13：00和13：36, LST-local standard time)。由于陆地生态系统的地气碳交换以及人为排放等作用，同一地点的大气CO₂浓度随时间而变化^[17-18]。同时，3颗卫星观测的空间尺度(30km×60km、10.5km、2.25km×1.5km)和重访周期(35、3和16d)也存在明显的差异。为减小观测时间给卫星XCO₂数据带来的影响，需要将这些数据转换为同一时空尺度，以剔除卫星观测不同时空尺度的差异。本文以13：00 (LST)作为统一的基准时刻，利用CT模型的剖面层浓度分布(13：00)通过式(2)将3颗卫星观测XCO₂数据转换至基准时刻(13：00, LST)的XCO₂数据。

${\rm{XCO}}{{\rm{2}}_{{\rm{mod, st}}}} = \frac{{{\mathit{\boldsymbol{\omega }}^{\rm{T}}}{\mathit{\boldsymbol{X}}_{{\rm{st}}}}^{\rm{M}}}}{{{\mathit{\boldsymbol{\omega }}^{\rm{T}}}{\mathit{\boldsymbol{X}}_t}^{\rm{M}}}} \times {\rm{XCO}}{{\rm{2}}_{{\rm{adj}}, t}}.$

(2)

式中，XCO2_{mod, st}是转换到基准时刻(13：00, LST)的卫星XCO₂。XCO2_{adj, t}为经式(1)去除卫星先验CO₂分布(prior CO₂ profile)差异后的XCO₂，即(XCO2_{adj, t}=XCO2_{ret, t}+ΔXCO2_t)，这里XCO2_{ret, t}为卫星在实际观测时间t反演的XCO₂。X_st^M和X_t^M分别为CT在基准时刻的层浓度分布和CT在卫星数据实际观测时间t对应的层浓度分布; ω是大气压力权重向量(列向量)。
2 结果分析与讨论2.1 观测仪器引起的XCO₂差异图 1给出根据公式(1)以模型为基准计算的SCIAMACHY-XCO₂、GOSAT-XCO₂以及OCO-XCO₂的差异。可以看出，不同卫星显示不同的差值，以SCIAMACHY-XCO₂的差值幅度最大，且以6月附近出现最大差值(最大达0.6×10^-6)的周期性变化，而GOSAT-XCO₂和OCO-XCO₂并没有显示明显的差异。这与SCIAMACHY较低的观测精度有关。SCIAMACHY传感器对近地表大气CO₂分子的敏感性低于GOSAT和OCO-2。另外，GOSAT-XCO₂的差值相对于OCO-XCO₂也显示了6月附近最大约0.1×10^-6的季节性变化。由图 1的各卫星差异可以知道，从时间序列上SCIAMACHY和GOSAT之间最大有约1×10^-6的差异。因此，在进行大气CO₂浓度的时间序列分析时，必须考虑消除或减小这种差异。
Fig. 1

	Download: JPG larger image
图 1 各卫星数据校正前后差值的时间序列 Fig. 1 Differences between the adjusted XCO2 values from equation (1) and the original XCO2 retrievals 图 1 各卫星数据校正前后差值的时间序列 Fig. 1 Differences between the adjusted XCO2 values from equation (1) and the original XCO2 retrievals -->

为进一步分析不同卫星观测差异的全球时空变化特征，我们按2°纬度带统计计算差值的月平均，得到如图 2所示差值时空分布图。由图 2可以发现，北半球从高纬度到低纬度的差值变化上，SCIAMACHY-XCO₂显示出由(-1.0~0.8)×10^-6的变化，热带区域附近差值最大达0.8×10^-6，且与图 1结果相同，差值在北半球显示了明显的季节性变化特征；而GOSAT-XCO₂和OCO2-XCO₂的差值基本在(-0.4~0.4)×10^-6范围变化。
Fig. 2

Download: JPG larger image

图 2 同时期各卫星差值(ΔXCO2)沿纬度带的变化, SCIAMACHY (2003-01—2009-05)，GOSAT (2009-06—2014-06)，OCO-2 (2014-09—2016-03) Fig. 2 The spatio-temporal distributions of the monthly averaged differences (ΔXCO2) from SCIAMACHY, GOSAT, and OCO-2, respectively 图 2 同时期各卫星差值(ΔXCO2)沿纬度带的变化, SCIAMACHY (2003-01—2009-05)，GOSAT (2009-06—2014-06)，OCO-2 (2014-09—2016-03) Fig. 2 The spatio-temporal distributions of the monthly averaged differences (ΔXCO2) from SCIAMACHY, GOSAT, and OCO-2, respectively -->

2.2 卫星XCO₂的时空变化特征利用各卫星XCO₂原数据，经式(1)和(2)进行处理后得到经校正和时间调整后观测点上XCO2_{mod, st}的数据。对时间转换前后的数据进行对比可以发现，卫星过境时刻与基准时刻(13：00, LST)相同的GOSAT-XCO₂以及相近的OCO-XCO₂(13：36, LST)，都显示很小的差异；而与基准时刻有较大时差的SCIAMACHY-XCO₂(10：00, LST)经调整后差异减小，减小幅度在6月最大达0.8×10^-6，这与大气CO₂浓度值从早上到午后随时间降低的日间变化规律一致^[19]。进一步将3颗卫星不同时空分辨率的数据统一到同一时空尺度，以8d为一个时间单位和30km为空间半径单位，从2003年1月开始到2016年3月，对落在时空范围(T=8d, R=30km)内的XCO2_{mod, st}数据进行集合平均。该时空尺度的设定尽可能兼顾表 1所示的各卫星原始时空尺度，以保留更多的卫星观测信息。
图 3以7月为例给出对应SCIAMACHY、GOSAT和OCO-2数据时期的XCO₂的全球分布。由图 3可以看出，在北半球，各卫星都显示明显的由北向南XCO₂升高的空间变化规律。图 4所示的全球所有XCO₂数据点的时序变化，与地面观测显示一致的变化特征，各时期的卫星XCO₂显示出相同的季节变化规律，且也显示全球平均约2×10^-6的年际增量的变化规律。
Fig. 3

	Download: JPG larger image
图 3 各卫星XCO2数据时空尺度统合后的月均值 Fig. 3 The monthly averaged XCO2 values in 1°×1° grid from the XCO2mod, st data and from SCIAMACHY, GOSAT, and OCO-2, respectively 图 3 各卫星XCO2数据时空尺度统合后的月均值 Fig. 3 The monthly averaged XCO2 values in 1°×1° grid from the XCO2mod, st data and from SCIAMACHY, GOSAT, and OCO-2, respectively -->

Fig. 4

	Download: JPG larger image
图 4 各卫星XCO2数据时空尺度统合后的时序变化 Fig. 4 Seasonal variations of the XCO2mod, st data from 2003 to 2016 图 4 各卫星XCO2数据时空尺度统合后的时序变化 Fig. 4 Seasonal variations of the XCO2mod, st data from 2003 to 2016 -->

3 结论利用多颗卫星观测积累的CO₂长时间序列数据，考虑不同卫星观测的差异，将改进我们对大气CO₂全球时空变化特征的认知。本文利用CarbonTracker模型模拟数据作为基准，对SCIAMACHY、GOSAT、OCO-2不同卫星观测反演的XCO₂数据进行传感器敏感性分析，发现相对于GOSAT和OCO-2，SCIAMACHY卫星数据存在较大的差异。对卫星原始数据进行卫星不同响应差异校正和时空尺度统合处理后，各卫星观测的XCO₂时间序列变化反映全球大气CO₂浓度的总体上升和空间分布特征。同时，我们也发现卫星观测数据还存在很大范围的数据空白区，这有待于进一步研究空缺数据的填补处理方法，以生成全球时空连续的XCO₂数据。随着主动式探测CO₂激光雷达的研制和应用，可以大大提高CO₂观测的时空覆盖度^[20]。
感谢欧空局提供的SCIAMACHY-XCO₂数据集；美国ACOS团队提供的ACOS-XCO₂和OCO-2 XCO₂数据集；同时也感谢美国地球系统观测实验室(ESRL)提供的CarbonTracker-XCO₂模型数据。
参考文献

[1]	Schneising O, Heymann J, Buchwitz M, et al. Anthropogenic carbon dioxide source areas observed from space:assessment of regional enhancements and trends[J]. Atmospheric Chemistry & Physics, 2013, 13(5): 2445-2454.
[2]	刘毅, 杨东旭, 蔡兆男. 中国碳卫星大气CO2反演方法:GOSAT数据初步应用[J]. 科学通报, 2013, 58(11): 996-999.
[3]	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): 400-406.
[4]	Janardanan R, Maksyutov S, Oda T, et al. Comparing GOSAT observations of localized CO2 enhancements by large emitters with inventory-based estimates[J]. Geophysical Research Letters, 2016, 43(7): 3486-3493. DOI:10.1002/grl.v43.7
[5]	布然, 雷莉萍, 郭丽洁, 等. 大气CO2浓度时空变化卫星遥感监测的应用潜力分析[J]. 遥感学报, 2015, 19(1): 34-45.
[6]	He Z, Zeng Z C, Lei L, et al. A data-driven assessment of biosphere-atmosphere interaction impact on seasonal cycle patterns of XCO2 using GOSAT and MODIS observations[J]. Remote Sensing, 2017, 9(3): 251-272. DOI:10.3390/rs9030251
[7]	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): 2209-2238. DOI:10.5194/amt-10-2209-2017
[8]	Kulawik S, Wunch D, O'Dell C, et al. Consistent evaluation of ACOS-GOSAT, BESD-SCIAMACHY, CarbonTracker, and MACC through comparisons to TCCON[J]. Atmospheric Measurement Techniques, 2015, 8(6): 6217-6277. DOI:10.5194/amtd-8-6217-2015
[9]	Connor B J, Rodgers C D. Intercomparison of remote sounding instruments[J]. Journal of Geophysical Research Atmospheres, 2003, 108(D3): 2152-2206.
[10]	Jing Y, Shi J, Wang T, et al. Mapping global atmospheric CO2 concentration at high spatiotemporal resolution[J]. Atmosphere, 2014, 5(4): 870-888. DOI:10.3390/atmos5040870
[11]	Butz A, Deutscher N M. The greenhouse gas climate change initiative (GHG-CCI):comparative validation of GHG-CCI SCIAMACHY/ENVISAT and TANSO-FTS/GOSAT CO2 and CH4[J]. Atmospheric MeasurementTechniques Discussions, 2014, 6(5): 8679-8741.
[12]	O'Dell C W, Connor B, Bosch H, et al. The ACOS CO2 retrieval algorithm-Part 1:Description and validation against synthetic observations[J]. Atmospheric Measurement Techniques, 2012, 4(1): 99-121.
[13]	Worden J R, Doran G, Kulawik S, et al. Evaluation and attribution of OCO-2 XCO2 uncertainties[J]. Atmospheric Measurement Techniques, 2017, 10(7): 1-28.
[14]	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 Atmospheres, 2011, 116(D4): 220-237.
[15]	Peters W, Jacobson A R, Sweeney C, et al. An atmospheric perspective on North American carbon dioxide exchange:CarbonTracker[J]. Proc Natl Acad Sci USA, 2007, 104(48): 18925-18930. DOI:10.1073/pnas.0708986104
[16]	Rodgers C D. Inverse methods for atmospheric sounding[M]. London: World Scientific, 2000: 187-196.
[17]	Gurney K R, Law R M, Denning A S, et al. Towards robust regional estimates of CO2 sources and sinks using atmospheric transport models[J]. Nature, 2002, 415(6872): 626-630. DOI:10.1038/415626a
[18]	Law R M, Rayner P J, Steele L P, et al. Using high temporal frequency data for CO2 inversions[J]. Global Biogeochemical Cycles, 2002, 16(4): 1053-1070.
[19]	Chevallier F, Broquet G, Pierangelo C, et al. Probabilistic global maps of the CO2 column at daily and monthly scales from sparse satellite measurements[J]. Journal of Geophysical Research Atmospheres, 2017, 122(14): 7614-7629. DOI:10.1002/jgrd.v122.14
[20]	Han G, Ma X, Liang A, et al. Performance evaluation for China's planned CO2-IPDA[J]. Remote Sensing, 2017, 9(8): 768-789. DOI:10.3390/rs9080768