2002年—2018年太湖水體溶解二氧化碳濃度衛(wèi)星遙感數(shù)據(jù)集

齊天賜，段洪濤，曹志剛，沈明，肖啟濤，劉東，馬金戈

1.中國科學(xué)院南京地理與湖泊研究所 中國科學(xué)院流域地理學(xué)重點實驗室,南京210008;

2.中國科學(xué)院大學(xué),北京100049;

3.西北大學(xué) 城市與環(huán)境學(xué)院,西安710027

1 引 言

近年來，大氣中CO2濃度持續(xù)升高所帶來的溫室效應(yīng)給社會和經(jīng)濟可持續(xù)發(fā)展帶來嚴(yán)重威脅，已成為人類社會備受關(guān)注的熱點問題。盡管全球湖泊總表面積僅占全球非冰川陸地面積的3.7%（Verpoorter 等，2014），但是湖泊水體往往因為其相對大氣過飽和的溶解CO2濃度（cCO2）而成為顯著的CO2排 放 源（Raymond 等，2013；Borges 等，2015），其排放潛力可能抵消約22%的陸地生態(tài)系統(tǒng)CO2凈吸收（Ciais 等，2013），在全球碳收支中起到關(guān)鍵作用。然而，基于有限野外觀測或間接計算的cCO2數(shù)據(jù)升尺度得到的全球CO2排放量的研究結(jié)果在數(shù)值上可以相差數(shù)倍（Cole 等，2007；Marotta 等，2009；Raymond 等，2013；Holgerson和Raymond，2016），準(zhǔn)確估算全球湖泊CO2排放量仍是一項重大的挑戰(zhàn)（Drake 等，2018），急需修訂和改進。

受限于人力物力，目前已有的全球CO2排放估算研究中使用的湖泊cCO2數(shù)據(jù)多是短期的有限樣點采樣方法，這樣的低頻觀測缺乏時空代表性，難以滿足準(zhǔn)確估算湖泊CO2排放的需求。由于湖泊內(nèi)部物理和生物地球化學(xué)過程的影響（Balmer 和Downing，2011；Natchimuthu 等，2017；Xu 等，2019），cCO2表現(xiàn)出顯著的時空異質(zhì)性，需要較高的時空觀測頻率才能準(zhǔn)確刻畫cCO2變化的年均水平（Klaus等，2019；Loken 等，2019）。同時，目前在國內(nèi)外只有極少數(shù)湖泊具有長時序、較高頻率的連續(xù)觀 測 記 錄（Seekell 和Gudasz，2016；Xiao 等，2020；Yan 等，2021），而這些長期監(jiān)測數(shù)據(jù)展示出cCO2高動態(tài)變化，突出了長期監(jiān)測對CO2排放估算的重要性，也對新的高頻率、大范圍觀測手段提出要求（楊平和仝川，2015；段魏巖和黃昌，2021）。

衛(wèi)星傳感器可以提供高頻率、連續(xù)和大范圍的觀測數(shù)據(jù)，彌補野外觀測方法的不足（張兵等，2021）。利用遙感可反演的環(huán)境變量（例如葉綠素a濃度、水溫、黃色物質(zhì)吸收等）來表征水體中控制cCO2的相關(guān)生物地球化學(xué)過程，從而實現(xiàn)水體cCO2的遙感估算，并重構(gòu)其大范圍、長時序的空間分布。衛(wèi)星遙感技術(shù)在海洋及海岸帶水體cCO2估算研究中已經(jīng)取得了成功的應(yīng)用（Bai 等，2015；Chen 等，2019），而在湖泊水體方面的研究也在穩(wěn)步發(fā)展（Kutser 等，2015；Qi 等，2020）。對于瑞典湖泊，已有學(xué)者作了很多嘗試工作，使用黃色物質(zhì)吸收系數(shù)估算cCO2（Kutser等，2015）。對于富營養(yǎng)化湖泊，也有學(xué)者建立了以葉綠素a為主要變量的cCO2估算模型，實現(xiàn)了太湖長時序cCO2空間分布的重構(gòu)（Qi等，2020）。

太湖作為中國第三大淡水湖，長期遭受富營養(yǎng)化問題困擾，頻繁暴發(fā)藍(lán)藻水華（Duan 等，2009），隨之引發(fā)的各種環(huán)境問題也使得太湖成為生態(tài)環(huán)境和碳循環(huán)研究的熱點（Lee 等，2014；秦伯強，2020），相關(guān)學(xué)者針對太湖進行了長期的野外觀測。然而，雖然太湖的野外測數(shù)據(jù)時間序列長，但是其在空間和時間上的分布并不均勻（Xiao等，2020），因此基于現(xiàn)有數(shù)據(jù)得出的估計結(jié)果可能存在較大隨機性和偏差。為了彌補實測數(shù)據(jù)的不足，本文以Qi等（2020）針對太湖構(gòu)建的cCO2遙感估算模型為基礎(chǔ)，先基于MODIS/Aqua 數(shù)據(jù)反演的水色參數(shù)等產(chǎn)品，通過經(jīng)驗?zāi)Ｐ椭鹣裨浪闾逍秃^(qū)表層水體cCO2，再經(jīng)統(tǒng)計平均得到2002-07—2018-12的月平均數(shù)據(jù)集。月平均cCO2數(shù)據(jù)集在時間尺度上對應(yīng)常規(guī)生態(tài)環(huán)境監(jiān)測頻率，在此基礎(chǔ)上利用衛(wèi)星更高的觀測頻率來增強月均數(shù)據(jù)的時空代表性，減小采樣隨機性帶來的偏差，為太湖生態(tài)環(huán)境研究提供支撐。

2 數(shù)據(jù)研發(fā)方法

基于覆蓋太湖全湖（圖1）的MODIS/Aqua 遙感影像數(shù)據(jù)，本文生產(chǎn)了2002年—2018年太湖月平均cCO2空間分布數(shù)據(jù)集。數(shù)據(jù)研發(fā)流程如圖2 所示，總體思路為：首先，獲取原始衛(wèi)星數(shù)據(jù)及產(chǎn)品，對數(shù)據(jù)進行預(yù)處理得到遙感反射率數(shù)據(jù)并對數(shù)據(jù)進行標(biāo)準(zhǔn)化與質(zhì)量控制；接著，利用已發(fā)表的遙感算法反演得到關(guān)鍵水環(huán)境參數(shù)，進而估算太湖逐像元cCO2；最后，對cCO2進行月尺度統(tǒng)計得到太湖月平均cCO2空間分布數(shù)據(jù)集。

2.1 MODIS遙感數(shù)據(jù)獲取、預(yù)處理及篩選

本數(shù)據(jù)集使用美國國家航空航天局（NASA）地球觀測系統(tǒng)星座中Aqua 衛(wèi)星上搭載的中分辨率成像光譜儀MODIS （Moderate Resolution Imaging Spectrum-radiometer）傳感器獲取的太湖影像數(shù)據(jù)及其衍生產(chǎn)品作為模型輸入變量估算太湖cCO2。從NASA 海洋水色網(wǎng)（https：//oceandata.sci.gsfc.nasa.gov/［2021-05-18］）下載太湖區(qū)域2002-07—2018-12 的MODIS/Aqua 的L1A 級數(shù)據(jù)供遙感反射率的計算使用，以及水面日平均光合有效輻射PAR（Einstein m-2·d-1）產(chǎn)品作為估算cCO2的輸入變量。從NASA 地球觀測系統(tǒng)數(shù)據(jù)和信息系統(tǒng)網(wǎng)站EOSDIS（https：//earthdata.nasa.gov［2021-05-18］）下載相同時間段的氣溶膠光學(xué)厚度產(chǎn)品（MYD04_3K）用于大氣校正，以及地表溫度產(chǎn)品（MYD11A1）作為表層水溫（LST）變量來估算cCO2（Liu等，2015）。

使用SeaDAS 7.5 軟件對L1A 數(shù)據(jù)進行替代定標(biāo)，并結(jié)合幾何地理文件處理得到L1B 級數(shù)據(jù)。接著使用SeaDAS 7.5 中的l2gen工具，通過氣象參數(shù)文件以及瑞利散射的查找表對L1B 數(shù)據(jù)進行處理，得到經(jīng)過水汽、臭氧校正與瑞利散射去除后的反射率（Rrc）（Hu 等，2004）。另外，基于已有研究對主流大氣校正算法在太湖的性能評估結(jié)果（Shen 等，2017），本文采用6SV 模型對太湖L1B數(shù)據(jù)進行精確大氣校正以獲取遙感反射率（Rrs）。具體步驟和參數(shù)選擇如下：

（1）觀測幾何：從MODIS 輔助元數(shù)據(jù)中獲取太陽天頂角、方位角、衛(wèi)星天頂角和方位角。計算太湖區(qū)域平均觀測幾何輸入6S模型。

（2）大氣模型：選擇中緯度大氣模型，并根據(jù)影像日期選擇冬季或夏季。

（3）氣溶膠類型和光學(xué)厚度：選擇大陸型氣溶膠模型。氣溶膠光學(xué)厚度使用MYD04_3K 產(chǎn)品在太湖區(qū)域取有效陸地像元平均值作為550 nm 處的光學(xué)厚度輸入。該遙感產(chǎn)品在中國東部湖泊的適用性已得到驗證評估（Shen等，2020）。

（4）地面和傳感器高度：地面高度輸入0 km；傳感器高度設(shè)置-705 km。

（5）光譜響應(yīng)函數(shù)：輸入NASA EOSDIS 網(wǎng)站提供的MODIS傳感器光譜響應(yīng)函數(shù)。

（6）地面反射率特征：選擇均一朗伯體和湖泊水體平均光譜。

將具有不同分辨率的MODIS 反射率與產(chǎn)品數(shù)據(jù)重采樣采樣到250 m的分辨率，以確保所有數(shù)據(jù)都具有相同的空間分辨率以支持進一步的計算。之后，為便于進行后續(xù)一致性檢驗和水質(zhì)參數(shù)的反演，對數(shù)據(jù)進行以下處理：

（1） 將數(shù)據(jù)進行裁剪，獲取太湖區(qū)范圍（30.8°N—31.6°N，119.8°E—120.8°E）的數(shù)據(jù)；

（2）合成Rrc數(shù)據(jù)的真彩色圖像（RGB），通過目視解譯將存在云覆蓋率高、湖體結(jié)冰、太陽耀斑的影像排除，保留云覆蓋低的影像共1242 景，具體時間分布如表1所示；

表1 本數(shù)據(jù)集使用的MODIS/Aqua影像時間分布表Table 1 Temporal distribution of MODIS/Aqua images used in this dataset

（3）對于存在少量云像元的影像，將1240 nm波段的Rrc大于0.1的像元視作云像元剔除；

（4）使用浮藻指數(shù)（FAI）來剔除影像數(shù)據(jù)中的藍(lán)藻水華像元（FAI＞-0.004）（Hu 等，2010），以避免水華浮渣對水色參數(shù)反演的影響；

（5）由于水生植被對遙感反射率（Luo 等，2020）和cCO2動態(tài)（Xiao 等，2017）都存在顯著影響，因此將水生植被區(qū)連同陸地像元通過太湖矢量邊界剔除。

2.2 關(guān)鍵水色參數(shù)反演與cCO2估算

葉綠素a 濃度（Chla）使用Shi 等（2017）提出的Chla 算法反演得到。該算法通過構(gòu)建645 nm與859 nm 波段Rrc值的歸一化差值指數(shù)與Chla 的經(jīng)驗關(guān)系實現(xiàn)對太湖水體Chla 的反演。該算法的決定系數(shù)R2=0.72，最低平均相對誤差為24%，具有較高的反演精度。計算公式如下：

式中，Rrc（645）、Rrc（859）分別為MODIS 數(shù)據(jù)中645 nm及859 nm波段Rrc的值。

光合有效輻射漫衰減系數(shù)（Kd（PAR））通過490 nm 處的漫衰減系數(shù)（Kd（490））推算得到，兩者的經(jīng)驗關(guān)系及Kd（490）的反演根據(jù)Huang等（2017）針對太湖開發(fā)的半分析算法反演得到。該算法通過645 nm 及531 nm 波段的遙感反射率Rrs（645）與Rrs（531）的比值計算645 nm的顆粒后向散射系數(shù)bbp（645）和吸收系數(shù)a（645）（式（2）—（5）），進而計算645 nm 的漫衰減系數(shù)Kd（645）（式（6）），最后由Kd（645）推算得到Kd（490）。由于該算法中各項經(jīng)驗系數(shù)是根據(jù)模擬與實測數(shù)據(jù)率定的，因此其遙感數(shù)據(jù)大氣精校正的不確定性不會傳遞到參數(shù)中，故本文應(yīng)用時不進行算法系數(shù)重新率定。計算公式如下：

式中，bbp（645）為645 nm 的顆粒后向散射系數(shù)，Rrs（645）與Rrs（531）分別為645 nm 及531 nm 波段的遙感反射率，a（645）為吸收系數(shù)，bb（645）為后向散射系數(shù)，U（645）為中間變量，rrs（645）為恰在水面以下的遙感反射率。

太湖水體逐像元的cCO2估算根據(jù)Qi 等（2020）針對太湖提出的經(jīng)驗算法進行計算。該模型以Chla、LST、Kd（PAR）及PAR 作為輸入變量，構(gòu)建了多元二次多項式經(jīng)驗?zāi)Ｐ蛯崿F(xiàn)對太湖水體cCO2的估算。計算方程如下：

式中，C，L，K，P為經(jīng)過中心化的Chla，ln（LST），ln（Kd（PAR））和PAR 數(shù)據(jù)。以上處理計算均在MATLAB 2016a軟件中進行。

2.3 月平均cCO2空間分布數(shù)據(jù)生成及產(chǎn)品展示

由于經(jīng)數(shù)據(jù)質(zhì)量控制后仍然可能存在少量異常像元，從而產(chǎn)生異常估算結(jié)果，故將日尺度的cCO2數(shù)據(jù)中數(shù)值小于0 及超過176 μmol·L-1（太湖野外采集數(shù)據(jù)中cCO2平均值+3×標(biāo)準(zhǔn)差（Qi等，2020））的數(shù)據(jù)視為異常值進行剔除。之后，將日尺度數(shù)據(jù)按月份分別進行平均，得到2002-07—2018-12的MODIS 月平均cCO2空間分布數(shù)據(jù)集，圖3 展示的是由該數(shù)據(jù)集繪制的月平均cCO2空間分布。

基于數(shù)據(jù)集進行統(tǒng)計分析，發(fā)現(xiàn)太湖的月平均cCO2表現(xiàn)出較大的季節(jié)變化（圖3）。在夏季和秋季（6—11 月），cCO2較低，而在冬季和春季（12—5月），cCO2較高。最低值發(fā)生在10月，最高值發(fā)生在1月。結(jié)合各湖區(qū)虛擬站點的cCO2時間序列變化，太湖中cCO2的空間分布在冬春季差異很大，而在夏季和秋季則有所減弱（圖3、圖4（a））。此外，1—5月，湖中cCO2的最大值在空間上有所變化，從西南地區(qū)向西北湖區(qū)移動。在年際尺度上（圖4（b）），太湖年平均cCO2在2005年前較為平穩(wěn)，在2005年達(dá)到峰值，此后逐年降低。2003年—2018年整個時段太湖年平均cCO2表現(xiàn)出顯著下降趨勢（0.80 μmol·L-1·a-1）。

圖3 MODIS估算的太湖2002年—2018年月平均cCO2空間分布圖Fig.3 Spatial distributions of monthly average MODIS-estimated cCO2 of Lake Taihu from 2002 to 2018

圖4 MODIS估算的2002年—2018年太湖平均cCO2時間序列，虛擬站點位置如圖1所示Fig.4 Time series of MODIS-estimated average cCO2 of Lake Taihu from 2002 to 2018，the locations of virtual sites were shown in Fig.1

3 cCO2遙感精度評估

3.1 驗證數(shù)據(jù)獲取及統(tǒng)計分析方法

本文中使用的野外觀測驗證數(shù)據(jù)來自太湖湖泊生態(tài)系統(tǒng)研究站（以下簡稱太湖站）2003年—2015年月度及季度湖泊水質(zhì)調(diào)查的數(shù)據(jù)，通過水溫、pH和總堿度計算得到表層水體cCO2。根據(jù)水文和營養(yǎng)狀態(tài)將去除水生植被區(qū)的太湖分為西北湖區(qū)、梅梁灣、貢湖灣、湖心區(qū)及西南湖區(qū)5個子區(qū)域（Xiao 等，2017），分別位于5 個子區(qū)域的共21 個采樣點分布如圖1 所示。太湖站野外觀測數(shù)據(jù)同MODIS 日尺度數(shù)據(jù)匹配的星地同步數(shù)據(jù)經(jīng)過匹配準(zhǔn)則（采樣點采集時間與衛(wèi)星過境時間差不超過±5 h，匹配像元周圍3×3 像元窗口內(nèi)數(shù)據(jù)值的變異系數(shù)小于10%）篩選，共得到的80 個匹配點對（Qi 等，2020）。匹配點對用于cCO2估算模型的精度評估與模型不確定性分析。精度評估所使用的均方根誤差（RMSE）、平均偏差（MB）、平均比（MR）、無偏百分比偏差（UPD）和平均相對偏差（MRD）等統(tǒng)計指標(biāo)的定義與計算公式，模型不確定性分析方法的細(xì)節(jié)，請參考Qi等（2020）。

3.2 模型性能評估

Qi 等（2020）提出的cCO2估算模型具有較高的精度，決定系數(shù)R2=0.84，均方根誤差RMSE=11.81 μmol·L-1，無偏相對誤差UPD=22.46%，模型訓(xùn)練cCO2變化范圍為7.73—119.34 μmol·L-1。星地同步數(shù)據(jù)的對比結(jié)果顯示（圖5（a），表2），模型在整個藻型湖區(qū)的總體驗證精度較好（RMSE=12.83 μmol·L-1，UPD=24.03%），其中西北湖區(qū)、梅梁灣、湖心區(qū)和西南湖區(qū)的驗證精度優(yōu)于總體精度（RMSE＜12.22 μmol·L-1，UPD＜24.98%），而貢湖灣的驗證精度較總體精度要差（RMSE=16.48 μmol·L-1，UPD=32.97%）。此外，貢湖灣的MR接近1，說明模型估算結(jié)果在總體均值上無偏，通過平均得到的月均值能在一定程度上抵消像元尺度的誤差。值得注意的是，西南湖區(qū)的匹配樣點只有2 個，其統(tǒng)計指標(biāo)可能缺乏統(tǒng)計意義。此外，太湖觀測數(shù)據(jù)顯示，MODIS/Aqua 傳感器過境時刻的實測cCO2與24 h 連續(xù)觀測得到的日均cCO2高度一致（R2=0.97，p＜0.01）（Qi 等，2020），說明衛(wèi)星估算的cCO2具有全天均值的代表性，適用于長時間尺度cCO2動態(tài)變化的監(jiān)測評估。

表2 野外觀測與MODIS估算的太湖各湖區(qū)匹配樣點—像元的cCO2差異統(tǒng)計結(jié)果Table 2 Statistic metrics of differences between cCO2 of pixel-sample matchups in different regions of Lake Taihu

不確定分析結(jié)果顯示，cCO2估算模型的估算結(jié)果受輸入變量的隨機誤差影響較小（RMSE=10.24 μmol·L-1和UPD=26.14%），僅占模型構(gòu)建數(shù)據(jù)集范圍（7.73—119.34 μmol·L-1）的約9%。同時，在隨機誤差的影響下模型的估算結(jié)果存在高估（MR＞1），相比真實值最大可能高估約30%，這一高估情況可能傳遞至月平均cCO2數(shù)據(jù)。更多關(guān)于模型性能評估的細(xì)節(jié)請參考Qi等（2020）。

3.3 數(shù)據(jù)集精度評估

由于野外觀測的采樣頻率為月度或季度，其時空代表性不足以直接評估月平均cCO2遙感數(shù)據(jù)集的精度，故將野外觀測數(shù)據(jù)與MODIS月均cCO2數(shù)據(jù)集統(tǒng)計至年尺度，即計算各個子區(qū)域中所有采樣點或像元的年平均cCO2值，對兩者進行比較以評估數(shù)據(jù)集的估算精度。結(jié)果顯示兩者保持著較好的一致性（圖5（b））。其中，西北湖區(qū)和西南湖區(qū)的兩個數(shù)據(jù)集年均值差異要大于其他3個湖區(qū)，西北湖區(qū)MODIS 估算結(jié)果偏低，西南湖區(qū)MODIS 估算結(jié)果偏高，而全湖年平均值的差異要小于各子區(qū)域年均值的差異（表3）。這主要是由于野外采樣點空間分布不均勻及部分季度樣點時間頻率低導(dǎo)致的代表性不足對年平均估算結(jié)果的影響。西北湖區(qū)的月度采樣點主要靠近河口區(qū)域，而開闊水域的樣點區(qū)域均為季度采樣點；西南湖區(qū)的采樣點則全為季度采樣點；而其他3個湖區(qū)中的采樣點基本是月度采樣點，進而導(dǎo)致了年均值估算的較大差異。

表3 野外觀測與MODIS估算的太湖不同區(qū)域年平均cCO2差異統(tǒng)計結(jié)果Table 3 Statistic metrics of differences between annual average cCO2 in different regions of Lake Taihu

圖5 野外觀測與MODIS估算的太湖各區(qū)域cCO2驗證散點圖，各子湖區(qū)的空間位置如圖1所示Fig.5 Validating catter plot of cCO2 estimated by field observation and MODIS in different regions of Lake Taihu，Locations of different regions were shown in Fig.1

綜上所述，雖然MODIS 估算結(jié)果與野外觀測數(shù)據(jù)仍有一定偏差，但是主要是由于數(shù)據(jù)本身時空代表性差異導(dǎo)致，本數(shù)據(jù)集對于深入理解太湖cCO2乃至碳循環(huán)過程的時空變化規(guī)律仍具有極高的應(yīng)用潛力，值得推廣使用。

4 數(shù)據(jù)集存儲格式與命名

數(shù)據(jù)集中月平均cCO2以Geotiff 格式儲存，數(shù)值單位為μmol·L-1，被掩膜的像元及被剔除的異常像元數(shù)值為NaN。數(shù)據(jù)文件的地理坐標(biāo)系為GCS_WGS1984，數(shù)據(jù)命名方式為“Aqua_TH_yyyymm_CO2monthly.tif”，其中yyyy 為年份，mm 為月份。整個數(shù)據(jù)集共198 個文件（下載方式：https：//doi.org/10.5281/zenodo.4729048［2021-05-18］），從2002-07—2018-12，時間段內(nèi)數(shù)據(jù)無缺失月份。

5 數(shù)據(jù)集優(yōu)勢與應(yīng)用價值

本文提供的太湖月平均cCO2數(shù)據(jù)集相比于前人發(fā)表文獻(xiàn)中的數(shù)據(jù)，在時空代表性上均有提升與改進，更加適合相關(guān)但非對應(yīng)專業(yè)學(xué)者分析使用。首先，在統(tǒng)計月平均數(shù)據(jù)時cCO2表現(xiàn)出劇烈的時空變異（圖6），即使是在cCO2較為均一的湖心區(qū)和西南湖區(qū)，以及夏秋季節(jié)（6—9月），其平均cCO2變異系數(shù)都大于15%，證實了傳統(tǒng)野外觀測方法在監(jiān)測太湖cCO2動態(tài)變化方面的局限性與不足。本數(shù)據(jù)集生產(chǎn)過程中每個月可利用影像數(shù)量為6.27±3.04景（平均值±標(biāo)準(zhǔn)差，表1），基本滿足cCO2動態(tài)監(jiān)測的頻率需要（Klaus等，2019）。

圖6 月平均cCO2變異系數(shù)箱型圖Fig.6 Box plots of coefficient of variation for monthly average cCO2 in Lake Taihu

其次，本數(shù)據(jù)集經(jīng)過質(zhì)量控制與統(tǒng)計處理，除了少數(shù)月份因有效影像數(shù)據(jù)不足導(dǎo)致的數(shù)據(jù)缺失外，每個月份都能展示出完整的太湖藻型湖區(qū)cCO2空間分布（圖3）。這相比于以往基于野外采樣數(shù)據(jù)插值得到的空間分布結(jié)果（Xiao 等，2020）具有更加合理且豐富的空間細(xì)節(jié)，有利于深度挖掘cCO2的時空動態(tài)變化。相比于日尺度的空間分布結(jié)果（Qi 等，2020），雖然時間分辨率有所下降，但是月平均數(shù)據(jù)極大程度的削減了由于云層、藍(lán)藻水華覆蓋所導(dǎo)致的數(shù)據(jù)缺失，降低了非遙感專業(yè)學(xué)者使用數(shù)據(jù)的門檻，而且月尺度的時間尺度可以更好的匹配傳統(tǒng)生態(tài)環(huán)境野外調(diào)查的時間頻率，支持其研究分析。

本數(shù)據(jù)集展示的太湖月尺度cCO2空間分布，對太湖CO2通量估算以及區(qū)域碳收支研究有著重要意義。相比于以往以發(fā)表或共享的基于野外調(diào)查采樣點數(shù)據(jù)估算的多年平均CO2通量空間分布（Xiao等，2020）或是基于渦度相關(guān)方法測量的梅梁灣觀測站點的2012年—2014年CO2通量數(shù)據(jù)（Xiao 等，2014），本數(shù)據(jù)集提供了太湖CO2通量更加細(xì)致的空間分異信息。以2018年的月平均cCO2數(shù)據(jù)為例，其與大氣CO2濃度的飽和度比顯示出劇烈的空間變化（圖7）。例如，秋季（9—11月）飽和度比在西北湖區(qū)沿岸表現(xiàn)出類似于河口羽狀流的CO2排放熱點（飽和度比＞1），在開闊水域表現(xiàn)出大小不一的CO2吸收區(qū)域（飽和度比＜1）。這些空間信息不僅有助于減小太湖CO2通量估算的不確定性，還有助于深入理解湖泊碳循環(huán)的時空過程。

圖7 MODIS估算的太湖2018年月平均cCO2相對大氣的飽和度比空間分布圖Fig.7 Spatial distributions of monthly average MODIS-estimated cCO2 saturation ratio in equilibrium with the atmosphere of Lake Taihu in 2018

6 結(jié) 論

本文使用基于MODIS 數(shù)據(jù)反演得到的水色參數(shù)以及NASA 發(fā)布的衛(wèi)星產(chǎn)品，通過經(jīng)驗?zāi)Ｐ蛯μ逍秃^(qū)表層水體cCO2進行逐像元的估算，并對結(jié)果進行統(tǒng)計平均得到2002-07—2018-12 的長時序月平均cCO2數(shù)據(jù)集，以期與歷史湖泊調(diào)查數(shù)據(jù)的時間頻率一致，并通過統(tǒng)計平均以增強數(shù)據(jù)集的時空代表性，進而提升其對深入理解湖泊中cCO2時空變化規(guī)律與湖泊碳循環(huán)過程研究的應(yīng)用潛力。本文給出了估算模型本身的性能評估以及不確定性分析結(jié)果，并進一步評估了遙感數(shù)據(jù)集與野外數(shù)據(jù)年均值的一致性，研究人員可以以此為依據(jù)判評估本產(chǎn)品對自身研究的適用性，并進一步分析其研究結(jié)果的不確定性大小及來源。此外，本文還展示了數(shù)據(jù)集的優(yōu)勢特點與應(yīng)用價值，希望能給相關(guān)學(xué)者以啟發(fā)。