<button id="yg2go"><code id="yg2go"></code></button>
  •  <cite id="yg2go"></cite>
  • <abbr id="yg2go"><dl id="yg2go"></dl></abbr>
    

  • 亚洲欧美日韩精品久久久,夜色福利一区二区三区,视频日韩p影院永久免费,成人免费视频国产
    




    
    
            
    
                
            
    
    
    

    

    

    
    
        
    
            
    
                
    


                    

                    
    
                        
    

                        
                        其他數(shù)據(jù)論文
                        

                        

                            II 區(qū)論文（已發(fā)表）
                        

                        
                            ?
                            
                                版本

                                

    
        ZH2
    



                            
                        

                        
                            
                                
                                    Vol 8 (3)
                                        
    
                                        2023
                                    
                                

                            
                        

                    
    
                        
    







                        

                        

                        
    
                                下載
                                    
                        
    
                    
    
                    
    
                    
    


                    
    
                        
      
                            
      • 
                            
      • 






















                        
    
                    
    


                    
                    
                    
                    

                    
                        
    2009–2020年基于GOSAT衛(wèi)星的全球中低緯二氧化碳柱濃度數(shù)據(jù)集
    A dataset of global CO2 concentration in global middle and low latitudes based on GOSAT satellite data during 2009–2020
    ?>>
                    
    ：
                        2022
                        -
                        01
                        -
                        21
    ：
                        2022
                        -
                        06
                        -
                        17
    ：
                        2022
                        -
                        02
                        -
                        12
    ：
                        2023
                            -
                            08
                        -
                        11
    

                    


                    
    
                        
    

                    
    

                    
    

                        
                            

                        
                        1813

                        
                            

                        
                        9

                        
                            

                        
                        0

                    
    
                    
    


                    

                        
    


                            
                                
    摘要&關(guān)鍵詞
    摘要：為應(yīng)對日益加劇的溫室效應(yīng)問題，全球各國聯(lián)合簽署了《巴黎協(xié)定》，我國也制定了碳達(dá)峰、碳中和的計(jì)劃和政策。二氧化碳作為最主要的溫室氣體，是國際關(guān)注的重點(diǎn)。因此，獲得高精度、高分辨率的二氧化碳柱濃度時(shí)空分布圖對于推進(jìn)“自上而下”評估碳源、碳匯、碳中和的研究至關(guān)重要。本研究利用GOSAT衛(wèi)星全球數(shù)據(jù)，通過遷移學(xué)習(xí)理論，將時(shí)間信息作為先驗(yàn)廓線融入空間信息，對空間預(yù)測信息進(jìn)行調(diào)整，得到高準(zhǔn)確度的二氧化碳柱濃度時(shí)空預(yù)測結(jié)果。與中低緯的TCCON站點(diǎn)數(shù)據(jù)對比，本算法最終得到的月均二氧化碳柱濃度圖指標(biāo)的綜合結(jié)果R為0.98，RMSE為1.38 ppm，空間分辨率為0.25°。本數(shù)據(jù)集由2009–2020年月均二氧化碳柱濃度文件組成，包含136個(gè)h5文件，可應(yīng)用于長時(shí)間序列的碳源和碳匯計(jì)算。
    關(guān)鍵詞：二氧化碳柱濃度；GOSAT；遷移學(xué)習(xí)；全球
    Abstract & Keywords
    Abstract:?In response to the increasingly intensifying greenhouse effect, Countries around the world jointly signed the Paris Agreement, and China also made plans and policies of peak carbon dioxide emissions, carbon neutral plans. Carbon dioxide is the focus of international concern as the most important greenhouse gas. So, it’s crucial to know how to obtain carbon dioxide concentration of high precision, high resolution temporal and spatial distribution for advancing the top-down assessment of carbon source, carbon sink and carbon neutral research. This paper creatively proposes a method to obtain high-precision and high-resolution temporal and spatial distribution map of global carbon dioxide concentration by using satellite data. We constructed a new prior time curve parameter library for fitting time domain information. In this paper, we used the transfer learning theory to integrate the time information as a prior profile into the spatial information based on the global data of GOSAT satellite. The spatial prediction information was adjusted to obtain more accurate spatio-temporal prediction of carbon dioxide concentration. The spatio-temporal resolution of the product database is 0.25°. Finally, the database has been compared with TCCON data in middle and low latitudes, which shows the correlation coefficient R and RMSE is 0.98 and 1.38 ppm of the monthly average carbon dioxide concentration respectively. The recommended database can be applied to the calculation of carbon sources and carbon sinks on a large scale.
    Keywords:?CO2 concentration;?GOSAT;?transfer learning;?global
    數(shù)據(jù)庫（集）基本信息簡介
    數(shù)據(jù)庫（集）名稱2009–2020年基于GOSAT衛(wèi)星的全球中低緯二氧化碳柱濃度數(shù)據(jù)集
    數(shù)據(jù)作者許靜靜，龔?fù)瑥垊牛瑥埡纻ィR昕，韓舸
    數(shù)據(jù)通信作者張豪偉（haoweizhang@whu.edu.cn）
    數(shù)據(jù)時(shí)間范圍2009–2020年
    地理區(qū)域地理范圍為60°S – 60°N， 180°W – 180°E
    空間分辨率0.25°×0.25°
    數(shù)據(jù)量11.56 GB
    數(shù)據(jù)格式*.h5
    數(shù)據(jù)服務(wù)系統(tǒng)網(wǎng)址http://doi.org/10.11922/sciencedb.j00001.00368
    基金項(xiàng)目國家自然科學(xué)基金（42171464、41971283、41801261、41827801、41801282）；國家重點(diǎn)研發(fā)計(jì)劃（2017YFC0212600）；國家對地觀測數(shù)據(jù)中心開放基金（NODAOP2021005）；LIESMARS特別研究基金。
    數(shù)據(jù)庫（集）組成本數(shù)據(jù)集包含2009–2020年全球中低緯地區(qū)136個(gè)月均二氧化碳柱濃度文件數(shù)據(jù)（h5格式）。文件涵蓋了數(shù)據(jù)點(diǎn)位經(jīng)緯度、空間和時(shí)空插值結(jié)果、模型參數(shù)、空間分辨率等信息。
    Dataset Profile
    TitileA dataset of global CO2 column concentration in middle and low latitudes based on GOSAT satellite data during 2009–2020
    Data authorsXU Jingjing, GONG Wei, ZHANG Jin, ZHANG Haowei, MA Xin, HAN Ge
    Datacorresponding authorZHANG Haowei（haoweizhang@whu.edu.cn）
    Time range2009–2020
    Geographical scope60°S – 60°N, 180°W – 180°E
    Spatial resolution0.25°×0.25°
    Data volume11.56 GB
    Data format*.h5
    Data service system<http://doi.org/10.11922/sciencedb.j00001.00368>
    Sources of fundingNational Natural Science Foundation of China (Grant No. 42171464, 41971283, 41801261, 41827801, 41801282), National Key Research and Development Program of China (2017YFC0212600), Open Research Fund of National Earth Observation Data Center (NODAOP2021005), and LIESMARS Special Research Funding.
    Dataset compositionThis dataset contains 136 files (h5 format) of monthly mean carbon dioxide concentration from 2009 to 2020 in global middle and low latitudes. The document covers the longitude and latitude of data points, spatial and temporal interpolation results, model parameters, evaluation indexes, spatial resolution and other information.
    

                                
    引  言
    近年來，全球氣候變化問題得到了越來越廣泛的關(guān)注，氣候變化問題正深刻地影響著人們的生活，全球氣候變暖導(dǎo)致海平面上升、影響生態(tài)系統(tǒng)穩(wěn)定性、引發(fā)諸如洪澇和干旱等極端惡劣天氣[1-2]。溫室效應(yīng)已經(jīng)被證實(shí)正在發(fā)生，并將長期存在，給人類帶來不可想象的生存風(fēng)險(xiǎn)。產(chǎn)生溫室效應(yīng)的主要原因是大量排放的二氧化碳?xì)怏w[3]，其能夠減少地球上的長波輻射向外發(fā)散，從而使得地球表面溫度升高。由于現(xiàn)代化工業(yè)對化石能源的大量消耗，二氧化碳的排放速度迅速增加，地球的承載能力已經(jīng)無法完全滿足如此大量的溫室氣體，為此我國已將“碳達(dá)峰”、“碳中和”寫入十四五規(guī)劃。因此，如何有效地檢測大氣中的二氧化碳柱濃度的時(shí)空變化，對于實(shí)施減少溫室氣體排放的措施具有重要指導(dǎo)性意義。
    隨著遙感技術(shù)的發(fā)展，各國陸續(xù)發(fā)射了二氧化碳監(jiān)測衛(wèi)星，遙感監(jiān)測已經(jīng)成為二氧化碳柱濃度檢測的主要方法。目前主流的二氧化碳監(jiān)測衛(wèi)星攜帶的均是被動探測器[4-6]，易受云層、污染等各種因素影響，使得衛(wèi)星數(shù)據(jù)在精度和時(shí)空覆蓋等方面存在一定的缺陷。如何克服上述限制，尋找一種能夠獲得高精度、高分辨率的二氧化碳柱濃度時(shí)空分布圖的方法，對于推動“自上而下”評估碳循環(huán)、碳源、碳匯研究具有重要意義。
    對于衛(wèi)星觀測的二氧化碳柱濃度在時(shí)空覆蓋上的不足，傳統(tǒng)的預(yù)測方法是使用空間插值法。這類方法簡單快捷，但由于僅考慮了空間特性，沒有考慮數(shù)據(jù)隨時(shí)間變化的特性[7-10]，其準(zhǔn)確性不足。一些學(xué)者將時(shí)間信息融合進(jìn)插值方法中，將不同時(shí)間段的數(shù)據(jù)分別進(jìn)行插值，得到更好的結(jié)果[11-12]。但是這些方法都忽略了二氧化碳柱濃度的時(shí)間剖面信息。二氧化碳柱濃度變化在時(shí)間尺度上具有連續(xù)性，通過這一信息可以有效判斷檢測的二氧化碳柱濃度是否偏離真實(shí)值，從而增加插值的準(zhǔn)確性。本研究將二氧化碳柱濃度的時(shí)間剖面信息引入插值方法，作為先驗(yàn)信息，對時(shí)空插值方法進(jìn)行改進(jìn)。形成新的時(shí)空插值方法，能夠有效去除傳統(tǒng)插值方法中異常值對插值結(jié)果的影響，具有更高的準(zhǔn)確性。在現(xiàn)有的二氧化碳柱濃度數(shù)據(jù)集中，ZENG等人[13]基于GOSAT-2衛(wèi)星反演的二氧化碳柱濃度，相關(guān)系數(shù)R達(dá)到0.92，LI等人[14]基于OCO-2衛(wèi)星反演的二氧化碳柱濃度，相關(guān)系數(shù)R達(dá)到0.91，上述工作在數(shù)據(jù)集覆蓋面積和周期上取得了卓越的成就。與以上兩個(gè)數(shù)據(jù)集相比，本數(shù)據(jù)集驗(yàn)證精度分別提升了6.5%和7.7%。因此，本數(shù)據(jù)集取得了更高的精確度。
    1
                        ?
                    數(shù)據(jù)采集和處理方法
    1.1
                        ?
                    數(shù)據(jù)采集方法
    本研究使用了GOSAT衛(wèi)星官方數(shù)據(jù)產(chǎn)品（GOSAT Data Archive Service，https://data2.gosat.nies.go.jp/index_en.html），將2009–2020年的二氧化碳柱濃度數(shù)據(jù)作為二氧化碳柱濃度反演的輸入數(shù)據(jù)，使用的具體數(shù)據(jù)為GOSAT_FTS_L3_V2.95。GOSAT是全球首個(gè)用于溫室氣體濃度監(jiān)測的衛(wèi)星，發(fā)射于2009年1月，每3天就可以收集到全球約5.6萬個(gè)觀測點(diǎn)的最新數(shù)據(jù)，專門用于溫室氣體濃度的檢測。其中傅里葉光譜儀（TANSO-FTS）獲取的3個(gè)短波紅外波段光譜分別為氧氣吸收A帶、二氧化碳弱吸收帶、二氧化碳強(qiáng)吸收帶，GOSAT數(shù)據(jù)已廣泛應(yīng)用于全球二氧化碳柱濃度自上而下的反演過程。
    1.2
                        ?
                    數(shù)據(jù)處理方法和流程
    GOSAT數(shù)據(jù)提供了較低空間分辨率的二氧化碳柱濃度，為了反演得到每個(gè)月的二氧化碳柱濃度圖，我們從以下3步進(jìn)行。
    （1）對數(shù)據(jù)進(jìn)行預(yù)處理，去除其中的異常值。
    （2）使用簡單克里金插值方法，對每月的GOSAT二氧化碳柱濃度離散數(shù)據(jù)進(jìn)行插值，得到全球區(qū)域的連續(xù)二氧化碳柱濃度數(shù)據(jù)。
    （3）通過遷移學(xué)習(xí)理論，將時(shí)間剖面信息與空間插值信息相結(jié)合，使得插值結(jié)果在符合空間距離相關(guān)性的同時(shí)，更加符合時(shí)間剖面連續(xù)的特性。
    1.2.1
                        ?
                    簡單克里金插值法進(jìn)行預(yù)測
    克里金插值法被稱為空間自協(xié)方差最佳插值法，包括普通克里金法、簡單克里金法、泛克里金法、協(xié)同克里金法等。在本研究中，我們使用簡單克里金插值法對離散的二氧化碳柱濃度數(shù)據(jù)進(jìn)行插值。簡單克里金法具有無偏特性，其加權(quán)值不受特殊條件約束，比普通克里金法更加方便使用。
    為了獲得全球月平均二氧化碳柱濃度分布圖，我們首先對已知的GOSAT二氧化碳柱濃度數(shù)據(jù)進(jìn)行月平均值計(jì)算；然后，對于每個(gè)月的GOSAT二氧化碳柱濃度數(shù)據(jù)，利用簡單克里金法對數(shù)據(jù)空白區(qū)域進(jìn)行合理有效的填充。
    1.2.2
                        ?
                    構(gòu)建先驗(yàn)廓線曲線庫
    簡單克里金法是利用二氧化碳柱濃度的空間距離信息，對于每月的二氧化碳柱濃度進(jìn)行插值時(shí)，僅考慮單月的濃度信息，為了充分利用時(shí)間信息去除空間插值的異常性，本文構(gòu)建了時(shí)間剖面曲線作為先驗(yàn)廓線，用于調(diào)整插值法得到的二氧化碳柱濃度圖。
    先驗(yàn)廓線曲線庫利用了二氧化碳柱濃度隨時(shí)間連續(xù)變化的特性，而簡單克里金法沒有考慮這一時(shí)間特性，其插值結(jié)果在相鄰的月份之間存在不連續(xù)的現(xiàn)象，甚至出現(xiàn)較大偏差。GOSAT衛(wèi)星每3天對同一地區(qū)過境，能夠提供穩(wěn)定的月平均二氧化碳柱濃度數(shù)據(jù)，利用GOSAT衛(wèi)星數(shù)據(jù)構(gòu)建先驗(yàn)廓線曲線庫，可以對異常數(shù)據(jù)進(jìn)行校正。
    首先，我們使用GOSAT_L3數(shù)據(jù)，選取有效的空間點(diǎn)，有效的空間點(diǎn)的月平均二氧化碳柱濃度有效值應(yīng)大于7個(gè)，以保證在進(jìn)行時(shí)間剖面先驗(yàn)廓線曲線擬合時(shí)有足夠多的數(shù)據(jù)，支撐得到有效的擬合結(jié)果。然后利用公式（1）對空間某點(diǎn)擬合，構(gòu)建這一空間點(diǎn)的連續(xù)月平均二氧化碳柱濃度廓線，用來表征二氧化碳柱濃度隨時(shí)間的變化情況，公式如下：
    \[F\left(t\right)=a+b\mathrm{*}t+c\mathrm{*}\mathrm{cos}\left(\frac{2\pi t}{12}\right)+d\mathrm{*}\mathrm{sin}\left(\frac{2\pi t}{12}\right)+e\mathrm{*}\mathrm{cos}\left(\frac{4\pi t}{12}\right)+f\mathrm{*}\mathrm{sin}\left(\frac{4\pi t}{12}\right)+ ?\delta \mathrm{ }\]
    （1）
    式中\(a\)為年平均二氧化碳柱濃度；\(b\)為年際間的分量系數(shù)；\(c\)、\(d\)、\(e\)、\(f\)為季節(jié)分量系數(shù)；\(t\)是采樣間隔；\(?\delta \)為誤差補(bǔ)償項(xiàng)。
    1.2.3
                        ?
                    基于遷移學(xué)習(xí)理論的時(shí)間屬性整合
    利用空間距離進(jìn)行插值，僅考慮空間屬性對于每月的二氧化碳柱濃度空白區(qū)域進(jìn)行插值。由于插值過程僅考慮單月的濃度信息，導(dǎo)致插值得到的相鄰月份二氧化碳柱濃度存在割裂。同時(shí)，其他空白區(qū)域的填充值僅符合空間距離特性，在時(shí)間維度上，其填充值可能出現(xiàn)偏離現(xiàn)象。為了解決這一問題，我們將時(shí)間信息引入空間插值，通過遷移成分分析理論，得到同時(shí)符合空間、時(shí)間連續(xù)特性的二氧化碳柱濃度填充值。
    遷移成分分析理論是一種基于特征的遷移學(xué)習(xí)方法，它將兩個(gè)領(lǐng)域的數(shù)據(jù)映射到一個(gè)高維的再生希爾伯特空間。在這個(gè)空間中，通過最小化源數(shù)據(jù)和目標(biāo)數(shù)據(jù)之間的距離，使數(shù)據(jù)的擬合結(jié)果能夠同時(shí)保持兩個(gè)領(lǐng)域的數(shù)據(jù)特性[15-17]。在本研究中，我們通過先驗(yàn)廓線的構(gòu)建，得到時(shí)間域數(shù)據(jù)，通過空間插值，得到空間域數(shù)據(jù)，然后利用遷移成分分析理論，將時(shí)間剖面曲線庫中相應(yīng)的空間點(diǎn)位置擬合數(shù)據(jù)設(shè)為源域，將全球域的空間插值數(shù)據(jù)設(shè)為目標(biāo)域，進(jìn)行遷移學(xué)習(xí)，將每個(gè)時(shí)間剖面數(shù)據(jù)從源域映射到目標(biāo)域，對公式（1）中的參數(shù)c、d、e、f進(jìn)行再次擬合，得到參數(shù)a、b的值，最終擬合結(jié)果即為時(shí)空插值數(shù)據(jù)。
    2
                        ?
                    數(shù)據(jù)樣本描述
    本文所采用的數(shù)據(jù)集為全球中低緯度二氧化碳柱濃度數(shù)據(jù)集，共包含136個(gè)數(shù)據(jù)，數(shù)據(jù)空間分辨率為0.25°，每個(gè)數(shù)據(jù)文件大小約為100 MB。文件命名為“WHUCOC -YYYYMM-VXX.h5”，其中“YYYY”表示數(shù)據(jù)的年份，“MM”表示數(shù)據(jù)月份，“VXX”為產(chǎn)品的版本，時(shí)間采用UTC時(shí)間。每個(gè)文件內(nèi)部包含了12個(gè)字段，其中“Spatiotemporal XCO2”為我們輸出的數(shù)據(jù)集字段，其余字段為輔助字段信息，詳細(xì)的字段介紹如表1所示。 
    表1 
                    ?
                 數(shù)據(jù)字典
    序號字段名稱數(shù)據(jù)類型單位字段介紹
    1Latitude矩陣(度, 分)點(diǎn)位緯度
    2Longitude矩陣(度, 分)點(diǎn)位經(jīng)度
    3Spatial XCO2矩陣ppm空間插值結(jié)果
    4Spatiotemporal XCO2矩陣ppm時(shí)空插值結(jié)果
    5ParmentA矩陣-模型參數(shù) a
    6ParmentB矩陣-模型參數(shù) b
    7ParmentC矩陣-模型參數(shù) c
    8ParmentD矩陣-模型參數(shù) d
    9ParmentE矩陣-模型參數(shù) e
    10ParmentF矩陣-模型參數(shù) f
    11Spatial Resolution浮點(diǎn)型-空間分辨率
    12EvaluationLayer整數(shù)-不確定性
    3
                        ?
                    數(shù)據(jù)質(zhì)量控制和評估
    為了評估時(shí)空插值算法的效果，我們使用全球總碳柱觀測網(wǎng)絡(luò)（TCCON）[18]的觀測數(shù)據(jù)及GOSAT_L3產(chǎn)品數(shù)據(jù)對所獲得的月均二氧化碳柱濃度進(jìn)行準(zhǔn)確性驗(yàn)證。TCCON站的主要設(shè)備是地基傅里葉變換光譜儀。該光譜儀可以記錄近紅外光譜區(qū)域的太陽光譜數(shù)據(jù)，從這些光譜中可以檢索出精確的二氧化碳柱平均濃度。考慮到算法預(yù)測的二氧化碳柱濃度的空間范圍主要在中低緯區(qū)域，我們獲取2009–2020年間全球中低緯地區(qū)TCCON站點(diǎn)的數(shù)據(jù)，表2列出了所用站點(diǎn)的位置信息，將TCCON各個(gè)站點(diǎn)觀測的月平均二氧化碳柱濃度數(shù)據(jù)與算法所預(yù)測的數(shù)據(jù)進(jìn)行匹配，然后使用相關(guān)系數(shù)R和均方根誤差RMSE兩個(gè)評價(jià)指標(biāo)分別對算法預(yù)測結(jié)果進(jìn)行評估。R是研究變量之間線性相關(guān)程度的量，RMSE是一種常用的測量數(shù)值之間差異的度量。數(shù)據(jù)集預(yù)測值與驗(yàn)證值間應(yīng)成正比例關(guān)系，通過這兩個(gè)指標(biāo)可以分別測量兩者之間線性相關(guān)程度及誤差大小。圖1為所有TCCON站點(diǎn)數(shù)據(jù)與產(chǎn)品數(shù)據(jù)對比的散點(diǎn)圖，其中橫軸為TCCON數(shù)據(jù)值，縱軸為相應(yīng)時(shí)間對應(yīng)位置的產(chǎn)品數(shù)據(jù)，我們的算法生成的數(shù)據(jù)與TCCON驗(yàn)證數(shù)據(jù)基本成正比例關(guān)系，表明算法具有較高的準(zhǔn)確度。圖2和圖3分別列出了預(yù)測值與各個(gè)TCCON站點(diǎn)數(shù)據(jù)的R、RMSE，結(jié)果表明，我們的算法的預(yù)測結(jié)果在全球中低緯TCCON站點(diǎn)評價(jià)指標(biāo)的綜合結(jié)果R為0.98，RMSE為1.38。


    圖1
                    ?
                TCCON站點(diǎn)數(shù)據(jù)與產(chǎn)品數(shù)據(jù)對比
    Figure 1 Comparison between TCCON site data and product data
    在使用GOSAT_L3產(chǎn)品對數(shù)據(jù)集進(jìn)行評估時(shí)，為了評估算法的準(zhǔn)確性，我們將模型預(yù)測的結(jié)果與2009–2020年的GOSAT_L3數(shù)據(jù)進(jìn)行了比較。為了在全局范圍內(nèi)均勻驗(yàn)證，我們?yōu)槊總€(gè)20°經(jīng)度區(qū)間刪除了一列GOSAT_L3數(shù)據(jù)。刪除的數(shù)據(jù)將用作驗(yàn)證的驗(yàn)證集。R和RMSE被用作評估指標(biāo)來評估驗(yàn)證集和預(yù)測數(shù)據(jù)。對比結(jié)果（圖4）顯示，2010–2020年R的平均值為0.96，RMSE的平均值為0.53 ppm。由于數(shù)據(jù)為2009年6月至12月，精度較低，表明該模型不適用于不完整年份。總的來說，我們的模型產(chǎn)品可以填補(bǔ)全球XCO2的空白區(qū)域。與此同時(shí)，將我們的算法與同類的算法[19]進(jìn)行比較，我們的預(yù)測結(jié)果的R值顯著提高，評價(jià)指標(biāo)R在所有站點(diǎn)的綜合值（0.98）提高了4.6%，與主流算法相比，我們反演的二氧化碳柱濃度圖分辨率0.25°，高于其他算法的1°空間分辨率，我們反演的數(shù)據(jù)集具有更長的時(shí)間跨度，從2009年到2020年，時(shí)間跨度達(dá)12年。
    表2  
                    ?
                中低緯插值區(qū)域TCCON站點(diǎn)位置信息
    TCCON站點(diǎn) (英文縮寫)經(jīng)度（度）緯度（度）
    Jet Propulsion Laboratory (JPL)-118.1834.20
    Caltech (Ca)-118.1334.14
    Edwards (Ed)-117.8834.96
    Four Corners (FC)-108.4836.80
    Lamont (La)-97.4936.60
    Park Falls (PF)-90.2745.94
    Manaus (Ma)-60.60-3.21
    Izana (Iz)-16.4828.30
    Ascension Island (AI)-14.33-7.92
    Orléans (Or)2.1147.97
    Zugspitze (Zu)10.9847.42
    Garmisch (Ga)11.0647.48
    Nicosia (Ni)33.3835.14
    Réunion Island (RI)55.49-20.90
    Hefei (He)117.1731.90
    Burgos (Bu)120.6518.53
    Anmeyondo (An)120.6536.54
    Saga (Sa)130.2933.24
    Edwards (Ed)130.89-12.43
    Tsukuba (Ts)140.1236.05
    Rikubetsu (Ri)143.7743.46
    Wollongong (Wo)150.88-34.41
    Lauder01&02&03 (Lau)169.68-45.04


    圖2
                    ?
                各TCCON站點(diǎn)觀測數(shù)據(jù)與預(yù)測數(shù)據(jù)XCO2的相關(guān)系數(shù)R
    AS: 所有站點(diǎn)相關(guān)系數(shù)R的均值，各站點(diǎn)名以英文縮寫替代
    Figure 2 Correlation coefficient R between the observation data at each TCCON site and predicted data of XCO2


    圖3  
                    ?
                各TCCON站點(diǎn)觀測數(shù)據(jù)與預(yù)測數(shù)據(jù)XCO2的均方根誤差RMSE
    AS: 所有站點(diǎn)相關(guān)系數(shù)R的均值，各站點(diǎn)名以英文縮寫替代
    Figure 3 Root mean square error (RMSE) between the observation data at each TCCON site and predicted data of XCO2


    圖4
                    ?
                XCO2預(yù)測值與GOSAT_L3產(chǎn)品對比
    Figure 4 Comparison between predicted XCO2 and GOSAT L3 XCO2
    4
                        ?
                    數(shù)據(jù)價(jià)值
    本數(shù)據(jù)集是2009–2020年全球中低緯度地區(qū)二氧化碳柱濃度數(shù)據(jù)，具有高精度、高分辨率、長時(shí)間跨度的特點(diǎn)。本數(shù)據(jù)集的空間分辨率為0.25°×0.25°，與TCCON站點(diǎn)數(shù)據(jù)相比，本數(shù)據(jù)集的相關(guān)系數(shù)R和均方根誤差RMSE分別可達(dá)到0.98和1.38 ppm。本數(shù)據(jù)集反映了全球二氧化碳濃度長期動態(tài)變化，數(shù)據(jù)連續(xù)性強(qiáng)、實(shí)用性高，可應(yīng)用于全球范圍內(nèi)長時(shí)間序列的碳源和碳匯計(jì)算。
    [1]
     FODEN W B, YOUNG B E, AKAKAYA H R, et al. Climate change vulnerability assessment of species[J]. Wiley Interdisciplinary Reviews: Climate Change, 2019, 10.
    +?CSCD?·?Baidu Scholar
    [2]
    O’NEILL B C, DONE J, GETTELMAN A, et al. The benefits of reduced anthropogenic climate changE (BRACE): a synthesis[J].Climatic Change, 2018, 146(3/4): 287–301. DOI:10.1007/s10584-017-2009-x.
    +?CSCD?·?Baidu Scholar
    [3]
    SHERWOOD S C, WEBB M J, ANNAN J D, et al. An assessment of earth's climate sensitivity using multiple lines of evidence[J]. Reviews of Geophysics (Washington, D C: 1985), 2020, 58(4): e2019RG000678. DOI:10.1029/2019RG000678.
    +?CSCD?·?Baidu Scholar
    [4]
    劉毅, 王婧, 車軻, 等. 溫室氣體的衛(wèi)星遙感—進(jìn)展與趨勢[J]. 遙感學(xué)報(bào), 2021, 25(1): 53–64. [LIU Y, WANG J, CHE K, et al. Satellite remote sensing of greenhouse gases: progress and trends[J]. Journal of Remote Sensing, 2021, 25(1): 53–64.]
    +?CSCD?·?Baidu Scholar
    [5]
    LIU Y, WANG J, YAO L, et al. The TanSat mission: preliminary global observations[J]. Science Bulletin, 2018, 63(18): 1200–1207. DOI:10.1016/j.scib.2018.08.004.
    +?CSCD?·?Baidu Scholar
    [6]
    HAN G, XU H, GONG W, et al. Feasibility study on measuring atmospheric CO2 in urban areas using spaceborne CO2-IPDA LIDAR[J]. Remote Sensing, 2018, 10(7): 985. DOI:10.3390/rs10070985.
    +?CSCD?·?Baidu Scholar
    [7]
    ZENG Z C, LEI L P, GUO L J, et al. Incorporating temporal variability to improve geostatistical analysis of satellite-observed CO2 in China[J]. Chinese Science Bulletin, 2013, 58(16): 1948–1954.
    +?CSCD?·?Baidu Scholar
    [8]
    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.
    +?CSCD?·?Baidu Scholar
    [9]
    TOMOSADA M, KANEFUJI K, MATSUMOTO Y, et al. A prediction method of the global distribution map of CO2 column abundance retrieved from GOSAT observation derived from ordinary kriging[C]//2009 ICCAS-SICE. Fukuoka. IEEE, : 4869–4873.
    +?CSCD?·?Baidu Scholar
    [10]
    TOMOSADA M, KANEFUJI K, MATSUMOTO Y, etal. Application of the spatial statistics to the retrieved CO2 column abundances derived from GOSAT data[C]. Proceedings of the 4th WSEAS International Conference on REMOTE SENSING (REMOTE'08), Venice, Italy, 2008.
    +?CSCD?·?Baidu Scholar
    [11]
    TSUTSUMI Y, MORI K, HIRAHARA T, et al. GAW Report No. 184 Technical Report of Global Analysis Method for Major Greenhouse Gases by the World Data Center for Greenhouse Gases[R]. 2009.
    +?CSCD?·?Baidu Scholar
    [12]
    YE Y, DENG J S, HUANG L Y, et al. Modeling and prediction of NPP-VIIRS nighttime light imagery based on spatiotemporal statistical method[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(6): 4934–4946. DOI:10.1109/TGRS.2020.3011695.
    +?CSCD?·?Baidu Scholar
    [13]
    ZENG Z C, LEI L P, HOU S S, et al. A regional gap-filling method based on spatiotemporal variogram model of $\hbox{CO}2$ columns[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(6): 3594–3603. DOI:10.1109/tgrs.2013.2273807.
    +?CSCD?·?Baidu Scholar
    [14]
    LI J, JIA K, WEI X Q, et al. High-spatiotemporal resolution mapping of spatiotemporally continuous atmospheric CO2 concentrations over the global continent[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 108: 102743. DOI:10.1016/j.jag.2022.102743.
    +?CSCD?·?Baidu Scholar
    [15]
    PAN S J, YANG Q. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2010, 22(10): 1345–1359. DOI:10.1109/tkde.2009.191.
    +?CSCD?·?Baidu Scholar
    [16]
    DONG Y N, DU B, ZHANG L P, et al. Dimensionality reduction and classification of hyperspectral images using ensemble discriminative local metric learning[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(5): 2509–2524. DOI:10.1109/TGRS.2016.2645703.
    +?CSCD?·?Baidu Scholar
    [17]
    DONG Y N, LIANG T Y, ZHANG Y X, et al. Spectral–spatial weighted kernel manifold embedded distribution alignment for remote sensing image classification[J]. IEEE Transactions on Cybernetics, 2021, 51(6): 3185–3197. DOI:10.1109/TCYB.2020.3004263.
    +?CSCD?·?Baidu Scholar
    [18]
    LIU C, WANG W, SUN, Y. TCCON data from Hefei, China, Release GGG2014R0. TCCON data archive, hosted by CaltechDATA, California Institute of Technology, Pasadena, CA, U.S.A. (2010).
    +?CSCD?·?Baidu Scholar
    [19]
    MA X, ZHANG H W, HAN G, et al. A regional spatiotemporal downscaling method for CO2 columns[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(10): 8084–8093. DOI:10.1109/TGRS.2021.3052215.
    +?CSCD?·?Baidu Scholar
    數(shù)據(jù)引用格式
    許靜靜, 龔?fù)? 張勁, 等. 2009–2020年基于GOSAT衛(wèi)星的全球中低緯二氧化碳柱濃度數(shù)據(jù)集[DS/OL]. Science Data Bank, 2023. (2022-06-30). DOI: 10.11922/sciencedb.j00001.00368. 
    


                            
                            
    
                                    
                                    
    
                                        稿件與作者信息
                                        
                                            
                                        
                                        
                                            
                                        
                                    
    
                                    
    
                                        
                                            
    論文引用格式
    許靜靜, 龔?fù)? 張勁, 等. 2009–2020年基于GOSAT衛(wèi)星的全球中低緯二氧化碳柱濃度數(shù)據(jù)集[J/OL]. 中國科學(xué)數(shù)據(jù), 2023, 8(3). (2023-06-30). DOI: 10.11922/11-6035.noda.2022.0003.zh.
    許靜靜
    XU Jingjing
    主要承擔(dān)工作：論文撰寫，數(shù)據(jù)質(zhì)量控制和評估。
    女，在讀碩士，研究方向?yàn)榧す膺b感技術(shù)與二氧化碳?xì)怏w。
    龔?fù)?/span>
    GONG Wei
    主要承擔(dān)工作：任務(wù)監(jiān)督。
    男，教授，研究方向?yàn)榧す膺b感技術(shù)與方法。
    張勁
    ZHANG Jin
    主要承擔(dān)工作：數(shù)據(jù)制作。
    男，高級工程師，研究方向?yàn)榧す膺b感技術(shù)與方法。
    張豪偉
    ZHANG Haowei
    主要承擔(dān)工作：整體思路的設(shè)計(jì)。
    haoweizhang@whu.edu.cn
    男，碩士，在讀博士，研究方向聚焦在大氣遙感和二氧化碳?xì)怏w的研究。
    馬昕
    MA Xin
    主要承擔(dān)工作：數(shù)據(jù)制作。
    男，博士，副教授，研究方向?yàn)槊咨⑸浼す饫走_(dá)及差分吸收探測激光雷達(dá)技術(shù)。
    韓舸
    HAN Ge
    主要承擔(dān)工作：數(shù)據(jù)制作。 
    男，副教授，研究方向?yàn)樾滦图す膺b感技術(shù)研究及其在定量遙感中的應(yīng)用。
    國家自然科學(xué)基金（42171464、41971283、41801261、41827801、41801282）；國家重點(diǎn)研發(fā)計(jì)劃（2017YFC0212600）；國家對地觀測數(shù)據(jù)中心開放基金（NODAOP2021005）；LIESMARS特別研究基金。 
    National Natural Science Foundation of China (Grant No. 42171464, 41971283, 41801261, 41827801, 41801282), National Key Research and Development Program of China (2017YFC0212600), Open Research Fund of National Earth Observation Data Center (NODAOP2021005), and LIESMARS Special Research Funding. 
    

                                        


                                        
    

    
    
    出版歷史
    
    
    

        

        
            
    
            II區(qū)出版時(shí)間：2023年8月11日
            （
            版本ZH2）
    
        

        

    
        

        

        


        
        

        

        

        

        

    
    

    



                                        
                                    
    


                                
    


                        
    

                    
                
    

            
    
            
        
    
    
    


    
    
    
    
    
        
    
        
        
    參考文獻(xiàn)列表中查看
    
    
    
    
    
    
        
    
    
    

    
    
    
    
    
    
        
    
            
    
                
    
                    
                    
    中國科學(xué)數(shù)據(jù)
    
                    
    csdata
    
                    
                
    
                
    
                    
    
                        


                    
    
                    
      
                        

                        
      
                        
    • 
                            
                                
      --
      
                            
                        
      •