大氣CO2衛星遙感中植物葉綠素熒光影響的校正

葉函函，王先華，李勤勤，王曉迪

中國科學院安徽光學精密機械研究所，中國科學院通用光學定標與表征技術重點實驗室，安徽 合肥 230031

引 言

溫室氣體引起的全球氣候變化，正促進著相關衛星遙感技術的發展。人類活動向大氣排放大量的溫室氣體CO2、CH4等，導致全球平均氣溫上升、極端天氣頻發[1]。衛星可以在全球范圍內對溫室氣體進行持續觀測，有助于提高人們對溫室氣體與氣候變化關系的認識，也是制定溫室氣體排放政策、控制全球氣候變化最有效的依據。目前國內外正努力發展溫室氣體衛星觀測技術，現今在軌的有日本GOSAT衛星[2]、美國OCO-2衛星[3]以及我國的Tansat[4]、GMI/GF-5等衛星，正在研發并將陸續升空的有歐空局Carbonsat，法國航天局的MicroCarb等。

大氣CO2衛星遙感監測的關鍵在于高精度，而植物葉綠素熒光是影響精度的重要因素之一。全球區域尺度上大氣柱平均CO2干空氣混合比(XCO2)精度要達到1%或更高，才能滿足氣候研究需求[5]。陸地植被中的葉綠素會在紅光和近紅外波長發射熒光信號，而溫室氣體衛星觀測的0.76 μm O2-A光譜帶是植物葉綠素熒光信號較強的區域[6]。葉綠素熒光存在與大氣散射相似的光譜特征，干擾大氣散射相關參數的反演結果，從而影響CO2的反演精度[7-8]。Frankenberg等人發現完全晴空條件下，O2-A帶連續譜強度1%-2%的葉綠素熒光會導致1～2.2 ppm左右的CO2誤差[9]。這種影響強烈依賴于觀測狀態，有氣溶膠影響情況下會變得更加復雜[10]，阻礙1%甚至更高精度的實現。

鑒于現有大氣CO2衛星遙感精度不足的情況[11]，以及植物葉綠素熒光對大氣CO2反演存在不可忽視的影響程度和復雜性，需要研究植物葉綠素熒光影響的校正方法，以改進大氣CO2的反演精度，提高大氣CO2衛星遙感觀測的應用價值。

1 方法設計

1.1 大氣CO2反演及植物葉綠素熒光影響校正方法

在有葉綠素熒光的情況下，衛星觀測輻亮度y可表示為

y=F(x,b)+ε

(1)

式(1)中，F為前向模型，描述大氣輻射傳輸過程和探測器測量過程的物理特性；x是狀態向量，包含大氣CO2含量、大氣散射相關參數以及葉綠素熒光；b為前向模型所需的除x外的其他參數，如溫度、濕度和壓力廓線地表反射率以及儀器光譜響應函數等；ε代表測量噪聲。

采用基于貝葉斯理論的最大后驗概率優化估計算法開展大氣CO2與多參數的同步反演

(2)

式(2)中，xi+1為第i次迭代的狀態向量，Ki=?f/?xi為第i個狀態向量的權重函數，Sε是測量誤差協方差矩陣；Sa是先驗誤差協方差矩陣；y包含O2-A光譜帶、1.6和2.06 μm CO2光譜帶；xa是x的先驗值。

葉綠素熒光存在與大氣散射相似的光譜特征，兩者難以從觀測光譜中準確區分及校正。本文采用Bril等提出的光子路徑長度概率密度函數(PPDF)方法對大氣散射影響進行參數化建模，降低大氣散射參數與葉綠素熒光的光譜相關性。該方法將瑞利散射以及云氣溶膠分別等效為獨立的散射層，將整層大氣分為三個模型化散射層。每層均通過光子反射比α、光程長度變化比ρ、散射層高h和光程概率密度函數調整因子γ四類PPDF參數來表征大氣散射影響[12]。在此基礎上，開發了大氣CO2反演與葉綠素熒光的校正方法，流程如圖1所示。

圖1 大氣CO2反演流程圖Fig.1 Flowchart of atmospheric CO2 retrieval

利用三個光譜帶協同反演大氣CO2濃度、葉綠素熒光強度和PPDF參數。O2-A帶用于反演葉綠素熒光強度與上散射層PPDF參數，CO22.06 μm帶在先驗大氣CO2濃度條件下反演下散射層PPDF參數，對上下散射層PPDF參數進行波長修正后用于校正CO21.6 μm帶的大氣散射影響，獲得大氣CO2濃度。大氣CO2濃度反演計算結束后，繼續反饋給CO22.06 μm帶，更新下散射層PPDF參數，流程循環進行直至所有參數達到同步收斂為止。

1.2 植物葉綠素熒光先驗信息庫的構建

豐富而有效的先驗知識可保證大氣CO2反演中葉綠素熒光信號準確提取并校正。本文采用2015年—2019年共五年的OCO-2葉綠素熒光產品作為信息源。OCO-2回訪周期為16天，綜合考慮葉綠素熒光隨時間的變化程度、回訪周期和有效數據量，采用全球月平均葉綠素熒光強度來分析時空分布及變化特征。

先驗信息庫包含空間位置、時間(年和月)、葉綠素熒光強度(Fs)及其波動程度多維度參量。首先構建一個全球5km分辨率的網格；然后對OCO-2的Fs產品進行柵格化重組，開展區域特征統計計算，對OCO-2 Fs異常產品進行優化，獲得每個柵格對應的Fs產品；最后分析Fs的時間變化特征，建立Fs的值及波動程度與時間的擬合關系，如圖3所示。圖2是2019年1月和7月柵格化的全球月平均Fs分布圖，以及典型季節性草場Park Falls(45.945°N，90.273°W)對應的Fs隨時間變化規律。2019年1月南半球處于夏季，巴西雨林區域和非洲中部雨林區域的Fs較強，最高可達2.1 W·m-2·sr-1·μm-1。7月份北半球進入夏季，美國中部和中國南部地區Fs較強，最高可達2.2 W·m-2·sr-1·μm-1。由圖3可驗證，草場葉綠素熒光的強度具有明顯的季節特征，冬季弱夏季強，每年7、8月份出現最強值。

圖2 2019年1月(a)和7月(b)柵格化的全球月平均Fs分布圖Fig.2 Global grid of monthly mean plant chlorophyll fluorescence of January 2019 (a) and July 2019 (b)

圖3 典型草場Fs季節性變化規律Fig.3 Seasonal variation of plant chlorophyll fluorescence of typical grassland

根據衛星觀測視場，融合多個網格內的Fs產品。以GOSAT為例，取其觀測視場中心點周邊2×2的網格進行信息融合，獲得適合其10 km視場內的Fs信息。其中Fs強度的融合采用平均法，Fs波動程度的融合則取最大范圍，保證Fs先驗信息的合適約束。

2 結果與討論

2.1 衛星觀測數據選擇

葉綠素熒光對大氣CO2反演的影響在葉綠素熒光信號較強的區域尤為明顯，大面積森林和草地上方夏季的衛星觀測適于開展本文的反演工作。TCCON觀測站點的實測數據是溫室氣體反演的可靠參考源，它采用直接的太陽觀測幾何，可以在一定程度上消除葉綠素熒光和大氣散射的影響。本文選擇周圍是大面積的森林和草地的Park Falls站，該站點附近的地表信息如圖4所示，站點及其周圍植被覆蓋濃密，在夏季具有較強的葉綠素熒光發射。

圖4 Park Falls站點附近的地表信息Fig.4 The surface type around Park Fall station

為保證GOSAT觀測視場在植被覆蓋區，以所選站點為中心，選擇經緯度相差1.5°以內的GOSAT觀測數據開展反演驗證工作。

2.2 反演及校正結果分析

采用2015年至2018年每年8月份Park Falls站點上方的GOSAT數據開展CO2反演與校正。由圖2可知，8月份Park Falls站點處于夏季，葉綠素熒光信號較強，基本達到全球最高值2.2 W·m2·sr-1·μm-1。未考慮葉綠素熒光校正的XCO2反演結果(藍色圓圈)與Park Falls站點實測(紅色星號)比較如圖5所示，每年8月的XCO2反演結果明顯低估，低估程度在1.85～2.58 ppm，統計結果見表1所示。

圖5 Park Falls站點附近GOSAT數據XCO2反演結果藍圈和綠菱分別為未校正葉綠素熒光和校正葉綠素熒光的反演結果、紅星代表TCCON實測數據Fig.5 XCO2 retrieval results of GOSAT observations near Park Fall stationBlue circle and green diamond represents uncorrected retrieval results and corrected retrieval results separately,red * star represents TCCON measurements

表1 XCO2反演中葉綠素熒光校正前后的效果對比Table 1 The effect of plant chlorophyll fluorescence correction on XCO2 retrievals results

利用該文的方法校正后，重新獲得的XCO2反演結果如圖5中綠色菱形所示。反演結果的低估情況有較大改善，最大低估程度是1.49 ppm，2017年8月份的反演結果的低估被消除。反演結果的標準差整體上也有一定程度的改善，僅2018年的標準差略大。

3 結 論

針對現有大氣CO2衛星遙感精度不足的情況，以及植物葉綠素熒光對大氣CO2反演存在不可忽視的影響程度和復雜性，提出了一種三光譜帶協同反演大氣CO2、Fs與大氣散射參數來實現葉綠素熒光影響校正的方法。該方法通過采用PPDF因子對大氣散射進行參數化建模，降低葉綠素熒光與大氣散射的光譜相關性，提高兩者協同反演的能力，同時，針對植物葉綠素熒光強度微弱、難以準確同步反演的問題，構建了植物葉綠素熒光衛星遙感先驗信息庫，增強葉綠素熒光強度反演的準確性，從而提高大氣CO2的反演精度。

對2015年至2018年每年8月份Park Falls站點上方的GOSAT數據開展CO2反演與校正。受植物葉綠素熒光的影響，每年8月GOSAT數據反演的XCO2均存在低估，低估程度在2 ppm左右。利用本文方法進行校正，反演結果的低估程度有較大改善，最大低估由2.58 ppm降低到1.49 ppm，甚至2017年8月的低估得以完全改善。本文提出的校正方法對于實現1%(～4 ppm)的CO2反演精度來說，提供了有力支撐。