基于多源卫星遥感数据的中国2003年—2018年CO2时空变化研究

肖钟湧， 陈颖锋， 林晓凤， 刘珊红， 谢静晗， 谢先全

1. 集美大学 港口与海岸工程学院, 厦门 361021;

2. 集美大学 地理国情监测研究中心, 厦门 361021

1 引 言

大气中CO2是一种重要的温室气体（Guerlet等，2013），占大气总量不足0.05%。全球大气中CO2浓度已从工业革命前约280 ppm 增加到2020 年的415 ppm，增长了48.21%，主要原因是煤、石油、天然气等化石燃料的燃烧而造成的，其次因为森林的过度采伐，导致植被毁坏，森林通过光合作用吸收CO2能力也大大减弱（朴世龙 等，2019）。全球碳循环的各个碳源汇之间的交换影响大气中CO2的含量（Le Quéré等，2009）。

人类活动排放了大量的CO2，大气中CO2浓度不断增加，导致全球气候变暖，进而影响全球气候环境（IPCC，2013；Reichstein 等，2013；Patra等，2017）。IPCC 第五次报告认为主要是工业革命后化石燃料燃烧产生出大量的温室气体，使得过去100 年（1906 年—2005 年）全球平均气温上升了0.74 ℃（IPCC，2013），IPCC第六次特别报告指出，全球升温可达1.5 ℃。CO2引起的一系列问题严重威胁人类的生存和发展，CO2含量的持续增加，对全球的生态、经济、环境、政治等各个方面都有着重大影响（Houghton，2002；白文广 等，2010；邓安健 等，2020）。中国经济的高速发展，使用化石燃料增加，排放的CO2随之增加（Gregg等，2008；戴丽君和崔伟宏，2012；Wang 等，2011）。因此，需要对CO2时空动态进行深入的研究。卫星遥感具有覆盖范围广、周期短、长时间连续观测的优势，已经成为了大气CO2柱浓度监测主要的手段（张兴赢 等，2007；白文广 等，2010；Buchwitz 等，2013；布然 等，2015；Yang等，2015；Mousavi 等，2017）。目前，可以进行CO2柱浓度观测的卫星传感器主要有SCIAMACHY（Scanning Imaging Absorption Spectrometer for Atmospheric Chartography）和GOSAT FTS （Greenhouse Gases Observing Satellite Fourier Transformation Spectrometer）等，其中GOSAT 是世界上第一颗以温室气体为观测目标的遥感卫星（Yoshida 等，2013），利用卫星遥感反演的大气CO2柱浓度的精度可以达到1 ppm 左右（Cogan 等，2012；Reuter等，2011）。

本文利用2003 年—2018 年卫星遥感（SCIAMACHY/ENVISAT-1 和FTS/GOSAT）反演的CO2柱浓度产品，结合从世界气象组织全球大气观测网上获取的瓦里关地面观测站点的CO2浓度数据，对遥感数据进行验证并校正，构建一个从2003 年—2019 年17 年时序的CO2数据集。在这个基础上进行CO2柱浓度的空间分布和时间变化特征分析，分别利用时间变异系数和空间变异系数来表征时间上的波动情况和空间的异质性，探索中国区域大气CO2变化规律以及其影响因素，为国家制定节能减排和大气环境治理政策提供重要的科学依据。

2 数据与方法

2.1 CO2数据

本研究利用的两个卫星遥感数据分别来自SCIAMACHY 和 GOSAT FTS 观 测 传 感 器。SCIAMACHY 是搭载在欧洲空间局（ESA）2002 年3 月1 日发射的地观测卫星（ENVISAT-1）上的传感器，SCIAMACHY 的宽波段和较高光谱分辨率使得可以反演出对流层、平流层以及中间层的痕量气体含量（张兴赢 等，2007）。SCIAMACHY 工作波段范围为240—2380 nm，光谱分辨率为0.2—1.6 nm，有8 个光谱通道，主要利用近红外波段实现对CO2柱浓度的估算（Buchwitz 等，2005）；空间分辨率为30 km×60 km，时间范围为2003 年1 月至2012 年4 月，时间分辨度为天，即为日产品数据。FTS传感器是搭载在日本宇宙航空开发研究机构于2009 年1 月发射的GOSAT 卫星上，而GOSAT 是全球第一个致力于提供温室气体CO2及CH4精确资料的卫星。GOSAT 卫星的轨道为太阳同步，高度为666 km，过境时间为下午13：00 时，GOSAT 重访周期为3 d。GOSAT 卫星对全球大气CO2浓度进行高光谱遥感探测（Kuze 等，2009），本文使用的GOSAT CO2数据为三级短波红外（SWIR）反演的总柱浓度产品，是利用WFM-DOAS （Weighting Function Modified Differential Optical Absorption Spectroscopy）方法反演的全球CO2柱浓度数据，空间分辨率为2.5°×2.5°，时间范围为2009 年4 月至2018 年12 月，时间分辨度为月，即为月产品数据。

本文运用到的地面观测CO2浓度数据来自世界温室气体数据中心WDCGG（World Data Centre Greenhouse Gases）的瓦里关（WALIGUAN）站点，站点的坐标为36.28°N、100.9°E；该数据用于验证和系统校正卫星观测反演的结果，时间跨度为1994年11月至2014年12月。

2.2 方法

卫星遥感数据来源于2个传感器，数据资料的时间跨度是2003 年1 月—2018 年12 月，空间分辨率不一致。由于卫星反演的参数、观测时的云覆盖和各种气象条件的影响，导致卫星遥感数据反演的CO2在季节上和空间上分布不均。首先对数据进行格式转换，转为矢量文件，并利用最近邻法对遥感数据进行插值，生成空间分辨率为1.5°×1.5°的栅格数据，最后进行空间统计分析处理。

利用瓦里关大气本底CO2浓度数据与卫星遥感数据进行回归分析，验证和校正卫星遥感数据（夏玲君 等，2018）。在时间上，选取同一天的数值；在空间上，提取与地面观测站点经纬度坐标相对应的一个像元值；另外，为了方便数据处理和分析，在时间变化上，通过计算区域平均值来分析CO2柱浓度的变化特征，计算的数据包括空间上所在的459 像元。空间上，计算不同时间尺度（多年平均值和多年月平均）的平均值，分析该地区的空间分布特征，并利用变异系数研究时间上的波动和空间上的异质性。计算多年平均值的像元数为204 个，多年月平均的像元数为17 个。时间上的波动情况和空间的异质性分别用时间变异系数和空间变异系数来表征。变异系数（CV）为标准差（σ）与平均数（μ）的比值，计算公式：

式中，CV 为时间变异系数时，σ和μ分别根据时序变化的数据来计算；而CV 为空间变异系数时，σ和μ分别根据区域空间分布的数据来计算。

为了说明这种周期变化和变化趋势，引入线性和正弦函数叠加模型进行定量讨论（Weatherhead等，1998；张彦军 等，2008）。模型如下：

式中，y表示拟合模型计算的CO2柱浓度的月均值，单位ppm，xt表示不同月份，A、B、C、D、E表示模型参数，A为CO2柱浓度总体水平，B为CO2柱浓度每月变化量，C为变化振幅，D为变化周期，E为峰值或谷值；A+B×xt用来描述CO2柱浓度时间序列数据的线性变化趋势；C×sin（D×xt+E）描述CO2柱浓度月均值周期变化。

3 结果与分析

3.1 CO2柱浓度数据的比较验证

图1 为地面观测的瓦里关WDCGG（World Data Centre Greenhouse Gases）CO2和 卫 星 遥 感SCIAMACHY CO2、GOSAT CO2数据的回归分析。回归方程分别为SCIAMACHY = 0.88 × WDCGG +45.42，其中R2为0.83，RMSE为2.69 ppm；GOSAT=0.78×WDCGG+81.66，R2为0.83，RMSE为1.79 ppm，在0.05 显著性水平上通过显著性检测。分析结果表明，卫星遥感反演和瓦里关地面观测数据相关性较强，但是卫星数据存在一定的系统误差；GOSAT反演的数据不确定性较大，CO2估算的结果与地表观测相比偏差较大，平均偏差为-3.89 ppm，卫星估算的结果整体上低于地面观测的结果；SCIAMACHY 反演的结果较好，偏差较小，平均偏差为1.00 ppm，数值较小时高估，而数值较大时低估。研究表明SCIAMACHY 和GOSAT FTS 产品的整体精度较高，另外，先前研究也得到类似结论（王舒鹏 等，2015，Barkley 等，2007），因此，该数据可以用于分析中国大气CO2的动态变化特征。鉴于此，利用回归分析得出的方程作为SCIAMACHY 和GOSAT 卫星遥感反演的结果校正，利用校正后的数据进行时空分析。

图1 WDCGG CO2与SCIAMACHY、GOSAT FTS卫星遥感数据的线性回归分析Fig. 1 Linear regression analysis of WDCGG CO2 and SCIAMACHY CO2， GOSAT FTS CO2

3.2 CO2柱浓度的时序变化

首先，利用回归分析得出的方程对SCIAMACHY CO2和GOSAT CO2柱浓度数据进行校正，把这两个数据作为连续的时间序列数据进行分析。2003 年1 月到2009 年3 月的数据来源于SCIAMACHY 传感器，2009 年4 月到2018 年12 月的数据来源于GOSAT FTS 传感器。图2 为2003 年—2018 年中国月和年平均CO2柱浓度的变化。图2 显示了中国CO2柱浓度月均值随月份呈周期性变化，出现明显波动并且呈现上升趋势，CO2柱浓度峰值区发生在每年的春季，谷值区在每年夏末秋初。各年CO2柱浓度月均值最大月和最小月之间的差值约为23.5 ppm；在不同年份的同个月当中，相邻两个月CO2柱浓度增加值变化最大的是2003 年和2004 年的2月，差值为6.4 ppm。

图 2 中国区域月和年均值CO2柱浓度的变化Fig. 2 Variation of regional monthly and yearly mean values of CO2 column concentration over China

利用正弦函数模型对月平均CO2柱浓度时序数据进行拟合，得到拟合方程式为y=370.90+0.22×xt+4.34×sin（0.53×xt-2.04），R2为0.98，RMSE 为1.79 ppm，拟合效果良好。从上式可以看出，方程参数D=0.53 近似理想值D=2π/12，表明该函数波动周期为12个月，季节性循环特征明显。CO2柱浓度的周期特征主要受陆地生态系统植被生长周期、大气化学过程、土壤发生各种化学作用过程和人为排放季节差异的影响（朴世龙 等，2019；邓安健 等，2020）。

图2 也显示了CO2柱浓度呈现逐年递增的变化趋势，在去除周期性变化的影响后，通过显著性检测（显著性水平0.05）。2003年CO2柱浓度年均值为374.4 ppm，2018年CO2柱浓度年均值为413.7 ppm，2003 至2018 年16 年间增长了39.3 ppm，约为10.51%，年均增长率为0.59%；2009 到2010 年增长最多，约为3.6 ppm，为0.94%，2006年到2007年增长的CO2浓度最少，约为1.9 ppm，为0.51%。另一方面，随着时间的推进，CO2柱浓度值的逐渐增大，从时间变异系数可以得出CO2季节波动呈现变小的趋势；从空间变异系数可以得出CO2空间差异也呈现变小的趋势。

3.3 CO2柱浓度的月变化特征

图3 显示了中国大气CO2柱浓度的月变化特征，柱状图是指相同月份的平均值。误差棒为标准差，点线图为变异系数，时间变异系数是利用2003 年—2018 年不同年相同月份数据进行计算的结果，可以用来反映时间上的波动；空间变异系数是利用2003 年—2018 年多年月平均的空间分布数据进行计算的结果，可以反映空间分异特征。图4 和图5 分别为中国多年月、季节平均CO2柱浓度的空间分布特征。

图3 多年区域月均值CO2柱浓度的变化特征Fig. 3 Variation of regional multi-year monthly mean values of CO2 column concentration

图4 多年月平均CO2柱浓度的空间分布特征 （审图号：GS（2021）1638号）Fig. 4 Spatial distribution of multi-year monthly mean values of CO2 column concentration

图5 多年季节平均CO2柱浓度的空间分布特征，春季（MAM）、夏季（JJA）、秋季（SON）、冬季（DJF） （审图号：GS（2021）1638号）Fig. 5 Spatial distribution of multi-year seasonal mean values of CO2 column concentration， spring （MAM）， summer （JJA），Autumn （SON）， winter （DJF）

由于受陆地生态系统的生长周期、大气化学过程和人为排放的季节性变化等因素的影响（朴世龙 等，2019；邓安健 等，2020），导致了中国区域大气CO2柱浓度月变化在时间上和空间上存在明显的差异，月变化呈现弦曲线变化，最小值和最大值分别出现在8月和4月，2003年—2018年多年 平 均 值 分 别 为397.8±12.4 和387.8±12.0 ppm。2018 年8 和4 月平均分别为407.7 和416.3 ppm。一年中波动最大出现在冬季的1 月，变异系数为0.037；在浓度最小的8 月，CO2相同月份波动较小，变异系数约为0.031。

春季3 月、4 月、5 月，CO2柱浓度高值区主要集中于中国中部和东部地区，而中国西部地区的CO2柱浓度值都相对较低。主要原因是春季土壤和植物呼吸作用强烈，产生CO2，而植物的光合作用相对较弱，大气中的CO2消耗较弱，使春季的CO2柱浓度值较高（Dettinger和Ghil，1998）；5—8月，全国整个区域CO2柱浓度都出现下降，其中，从6月到7月下降幅度最大，区域多年月平均值下降约为4.8 ppm。主要原因是光照、气温、降水等因素有利于植被生长，陆地生态系统植物生长旺盛，植物光合作用消耗大量CO2，虽然此时土壤呼吸也是一年中最强的时候，但植物光合作用CO2吸收量远远大于土壤呼吸的释放量，所以自5月份植物生长季开始，大气中的CO2浓度开始下降。随着植物蒸腾作用越来越强，进入夏季，降水、温度和阳光充足，植物生长旺盛，植物的光合作用达到最强，植物干物质积累最快，从大气中吸收大量的CO2（邓安健 等，2020），从而导致夏季的CO2下降，因此，到8 月降至全年最低，特别是7 和8 月的东北地区，森林覆盖度大，植被生长旺盛，光合作用强，消耗掉大气中大量的CO2（夏玲君 等，2018），而且工业排放较小，这些因素的综合作用，使得CO2柱浓度水平出现最低值，尤其在7 月空间异质性最明显，空间变异系数为0.0074，在中国的西部、东南沿海的高值区和东北的低值区，最大值和最小值分别为394.5 ppm和382.4 ppm。

进入秋季以后，植物CO2吸收作用开始减弱，而同时土壤呼吸作用缓慢增强，导致CO2的释放量开始大于CO2的吸收量，因此，此时大气中的CO2浓度开始上升；9 月后，整个区域的CO2柱浓度逐渐上升，但是不同区域变化存在明显的差异，空间变化最小出现在9 月，空间变异系数为0.0031，从图4中可以看出，整个区域都保持在较为相近的浓度水平，最大值和最小值分别为394.2 ppm 和384.6 ppm。人类活动对大气的影响强弱的差异以及自然环境状况差异等因素，使得CO2柱浓度的分布呈现明显的时空差异，且高值分布地区相对较集中和稳定。

冬季，当植物停止生长并逐渐枯萎的时候，光合作用几乎消失。而且冬季气温较低不利于植物落叶分解，土壤微生物活动也受到抑制；3 月后期气温开始上升，土壤微生物活动加强使得CO2从生物质中被分解释放出来，同时还释放了土壤中的CO2。另外，受人为活动，如化石燃烧、交通尾气和秸秆燃烧等的影响（刘立新 等，2009），而且在大气中滞留的时间与温度有显著的负相关关系，使得大气中的CO2浓度仍保持上升趋势。因此，冬季CO2柱浓度保持在较高的水平，而且空间差异更加明显，如2 月，2003 年—2018 年CO2柱浓度的394.1±13.7 ppm，2018年2月为414.3 ppm；次年春季，由于植物和土壤的呼吸作用增强，而植物的光合作用相对较弱，CO2浓度上升趋势保持到4 月份（白文广 等，2010；Liu 等，2015），特别是在中国中部和华北地区，由于集中供暖消耗大量的煤炭、石油等化石能源，并且供暖设备多为烧煤小锅炉为主，大数量的煤炭燃烧使得大量CO2排放到大气中（邓安健 等，2020），持续出现高值区。2月，2003年—2018年多年月平均可达400.8 ppm，2018 年2 月，月平均最高可达426.9 ppm；12 月，在四川盆地出现高值中心，2003 年—2018 年多年月平均可达398.8 ppm，2018年12月，月平均最高可达425.5 ppm。该地也是人为活动比较强烈的地区，此外，独特的地形和天气特征也是影响高值的重要原因。盆地地形和湿热天气特征，使得CO2柱浓度不易扩散，形成浓度高的区域。华北地区的高浓度主要受人为排放影响，冬季大面积和长时间燃烧煤用于供暖，CO2排放量大，而且滞留时间长；此时植被大部分落叶，光合作用减弱，不利于植被对大气中CO2的吸收，致使CO2柱浓度高。

3.4 CO2柱浓度的空间特征

图6 为中国CO2柱浓度空间分布特征。从图6可以看出，多年平均CO2柱浓度空间分布特征显著，总体呈现出东高西低的特征。2003年—2018年多年平均CO2柱浓度值在388—398 ppm 之间变化，标准差在10—15 ppm 之间变化。高值区主要分布在东部的亚热带和温带地区，多年平均最大CO2柱浓度约为395.5 ppm，2018 年年平均最大CO2柱浓度可达417.9 ppm；次高值区新疆西部，2003 年—2018年多年平均CO2柱浓度约为394.5 ppm；2018年年平均最大CO2柱浓度约为417.6 ppm。具体而言，高值区主要分布在中国华北环渤海湾、华东及华南等地区，同时向西延伸至部分华中地区；最低值区域是在内蒙古北部，2003 年—2018 年多年平均CO2柱浓度约为390.1 ppm，2018 年平均CO2柱浓度约为409.5 ppm。CO2柱浓度较低的主要原因是草地、森林覆盖度高，CO2的消耗大，而且人为CO2排放量少。

图6 中国CO2柱浓度空间分布特征（审图号：GS（2021）1638号）Fig. 6 Spatial distribution characteristics of CO2 column concentration

从省级行政区尺度来看，2003 年—2018 年多年平均CO2柱浓度均值最高的5 个省分别是山西省、上海市、浙江省、江苏省和湖北，分别为395.4 ppm、395.3 ppm、395.2 ppm、395.1 ppm 和394.5 ppm；柱浓度均值最低的5 个省分别是黑龙江、内蒙古、青海、吉林和西藏，分别为391.4 ppm、391.5 ppm、391.7 ppm、391.8 ppm 和392.0 ppm。2018 年平均CO2柱浓度均值最高的5 个省分别浙江、江苏、重庆、陕西和江西，分别为417.8 ppm、416.8 ppm、416.7 ppm、416.4 ppm 和416.3 ppm；柱浓度均值最低的5 个省分别青海、内蒙古、西藏、甘肃和黑龙江，分别为412.1 ppm、412.2 ppm、412.7 ppm、413.1 ppm 和413.2 ppm。这个结果反映了人为排放对CO2柱浓度的贡献大的特点。

从图6 中可以看出，CO2柱浓度的季节波动最大出现在云南省，多年平均的12 个月标准差可达15 ppm，时间上的变异系数约为0.038；其次，在华南地区季节波动较大，再次是东北地区。季节波动最小的是四川盆地，时间上的变异系数约为0.025。各地区CO2柱浓度变化的具体原因受陆地生态系统的生长周期、大气化学过程和人为排放的季节性变化等因素的影响外，在一些粮食产地，剧烈的农作物季节变化，也是影响季节波动的主要原因（白文广 等，2010）。在中国东南部沿海地区，土地利用变化和人为排放的季节性是影响CO2柱浓度波动的重要因素（Guo等，2013）。

图7为2003年—2018年中国CO2柱浓度增长的空间分布特征，从中可以看出，2018 年均值最大的区域CO2柱浓度已达419 ppm，这与当前全球CO2浓度持续增长趋势的背景相符（赵明伟 等，2017）。2003 年，CO2柱浓度空间分布的数据范围在368—380 ppm 变化；到2018 年，数据范围在408—419 ppm 变化；在空间上，2018 年比2003 年增长的数值在31.0—45.4 ppm，增长的百分比范围在8.9%—12.2%。从图7（c）和7（d）可以得出，中国2003 年—2018 年CO2柱浓度在整个区域出现较大的增长，但是增长率在空间上存在明显的异质性。增长较大的区域为CO2柱浓度较高的区域，最大增长率出现在辽宁和吉林的交界处，CO2柱浓度增长量约为45.4 ppm，约为12.2%；其次是重庆与四川东部，CO2柱浓度增长量约为44.5 ppm，约为11.8%；在云南省的中部地区，CO2柱浓度增长量约为44.3 ppm，约为11.9%；增长较小的区域出现在中国中部，主要是甘肃省、青海省和四川省的交界处的赣南藏族自治州和阿坝藏族羌族自治州，最低的增长约为34.2 ppm，约为8.9%。按省级行政区来看，辽宁省CO2柱浓度的增长量最大，约为43.3 ppm，增长的百分率为11.7%；甘肃CO2柱浓度的增长量最小，约为37.5 ppm，增长的百分率为10.0%。

图7 2003年—2018年CO2柱浓度变化的空间分布特征（审图号：GS（2021）1638号）Fig. 7 The spatial distribution variation characteristics of CO2 column concentration from 2003 to 2018

从图7 中可以进一步看出，CO2柱浓度的增长率存在一条明显的分界线，这条分界线从东北到西南，与中国地理分界线（黑河—腾冲线）重合，说明了CO2柱浓度的增长与人口分布、工业生产、土地利用变化和能源消费总量等有着密切的关系。

4 结 论

本研究利用SCIAMACHY 和GOSAT FTS 卫星遥感传感器反演的CO2产品，结合瓦里关地面站点观测的CO2浓度数据进行验证，并对遥感数据进行校正，最后分析了2003 年—2018 年中国CO2时空变化特征及其影响因素。研究结果表明：

（1）卫星遥感数据和地面观测的结果相关性较强，但是数据存在一定的系统误差。GOSAT CO2的数据不确定性较大，整体上低于地面观测结果，平均偏差为-3.89 ppm；而SCIAMACHY 的结果较好，平均偏差为1.00 ppm，数值较小时高估，而数值较大时低估。

（2）中国CO2柱浓度月均值随月份呈周期变化并且呈现上升趋势，拟合分析结果为y=370.90+0.22×xt+4.34×sin（0.53×xt-2.04），R2为0.98，RMSE为1.79。说明拟合效果好。拟合分析表明12个月波动周期。2003至2018年这16年间增长了39.3 ppm，约为10.51%，年均增长率为0.59%。

（3）CO2柱浓度月变化在时间上和空间上存在明显的差异，月变化呈现弦曲线变化，最小值和最大值分别出现在8月和4月，2003年—2018年多年平均值分别为397.8±12.4 ppm和387.8±12.0 ppm；2018年8和4月平均分别为407.7 ppm和416.3 ppm；一年中波动最大出现在冬季的1月，在浓度最小的8 月，CO2相同月份波动较小。在7 月，空间异质性最明显，在2018 年7 月，最大值和最小值分别为419.6 ppm和398.1 ppm。

（4）CO2柱浓度空间分布特征显著，总体呈现出东高西低的特征。2003 年—2018 年多年平均CO2柱浓度值在388—398 ppm变化，标准差在10—15 ppm 变化。2018 年平均最大CO2柱浓度在东部的亚热带和温带地区，年平均最大CO2柱浓度可达417.9 ppm。在新疆西部，年平均最大CO2柱浓度约为417.6 ppm。最低值是在内蒙古北部，2018 年平均CO2柱浓度约为409.5 ppm。从省级行政单元来看，2018 年平均CO2柱浓度均值最高的是浙江省，约为417.8 ppm，最低的是青海省，约为412.1 ppm。

（5）中国2003 年—2018 年CO2柱浓度在整个区域出现较大的增长，但是增长率在空间上存在明显的异质性，2018 年年均值最大的区域已达419 ppm。在空间上，2018年比2003年增长的数值在31.0—45.4 ppm，增长的百分比范围在8.9%—12.2%。CO2柱浓度的增长率存在一个明显的分界线，这条分界线从东北到西南，与中国地理分界线（黑河—腾冲线）重合。增长较大的区域在高值区，出现在辽宁和吉林的交界处；增长较小的区域在中国中部，主要是甘肃省、青海省和四川省的交界处的赣南藏族自治州和阿坝藏族羌族自治州。

志 谢本研究数据来自ENVISAT-1 卫星大气制图扫描成像吸收仪（SCIAMACHY）、GOS⁃AT 卫星傅里叶变换光谱仪（FTS）和世界温室气体数据中心（WDCGG）的CO2产品，作者在此表示感谢！