本文是一篇综述性论文，题为《基于卫星数据的人为地面碳排放研究综述》，由Kai Hu、Qi Zhang、Shen Gong、Fuying Zhang、Liguo Weng、Shanshan Jiang和Min Xia共同撰写，发表于2024年的《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》期刊。该论文旨在通过卫星数据对全球碳排放进行量化分析，并探讨机器学习在这一领域的应用。
全球变暖问题的严重性使得利用卫星数据估算地面二氧化碳排放量变得至关重要。然而，现有的综述未能跟上最新的研究进展。因此，本文通过Citespace软件进行可视化分析，概述了两种量化二氧化碳的方法：地面观测和卫星遥感。尽管地面观测具有独特的优势，但卫星遥感因其广泛的空间覆盖和长期连续性在理解碳循环方面具有重要作用。此外，本文还整合了机器学习在碳排放领域的应用，将其分为基于地面排放清单数据的直接估算和基于碳卫星数据的地面碳排放估算两部分。这种创新方法结合了卫星观测数据和地面数据，能够准确估算当前的地面碳排放，并具有强大的空间分布特征。
地面观测与卫星观测的比较
地面观测方法包括使用各种仪器（如气体检测器、地面基站验证方法等）来监测二氧化碳浓度。尽管地面观测方法在局部范围内具有高精度，但其空间覆盖范围有限，且难以实现全球范围内的实时监测。相比之下，卫星遥感技术通过高空间和时间分辨率的观测，能够提供全球和区域的二氧化碳浓度数据。本文详细介绍了GOSAT和OCO-2等主要碳卫星的发展历程及其数据集。
机器学习在碳排放估算中的应用
机器学习技术在碳排放估算中的应用逐渐成熟。本文总结了基于经典统计方法、时间序列模型和人工神经网络（ANN）的碳排放预测方法。特别是，研究者们提出了直接从卫星监测的二氧化碳浓度中推断地面碳排放的方法，并通过聚类和广义回归神经网络（GRNN）等模型成功区分了背景浓度和季节性变化。此外，深度学习模型（如Transformer）也被引入，用于处理卫星遥感数据，进一步提高了估算的精度。
大气反演算法
本文详细介绍了多种大气反演算法，包括加权函数修正差分光学吸收光谱法（WFM-DOAS）、贝叶斯误差扩散法（BESD）、日本国立环境研究所（NIES）算法、遥感技术公司（Remotec）算法和大气二氧化碳观测空间（ACOS）算法。这些算法各有优缺点，适用于不同的碳卫星数据。通过比较这些算法的性能，本文为研究者提供了选择合适算法的指导。
本文的主要贡献包括： 1. 利用Citespace软件分析了国内外碳排放研究的热点和前沿问题，识别了碳交易、排放源定位和多尺度碳排放估算等关键领域。 2. 总结了遥感碳卫星和地面观测仪器的发展历史，比较了它们的优缺点，为未来仪器优化和算法改进提供了参考。 3. 总结了GOSAT和OCO-2卫星在不同时间间隔的XCO2数据集，并介绍了地面人为排放数据集，为探索大气二氧化碳浓度趋势和人类排放的影响提供了基础数据。 4. 首次从机器学习的角度全面探讨了地面碳排放估算，不仅提高了估算精度，还引入了直接地面估算方法，为未来的碳排放估算研究提供了新的视角。
未来的二氧化碳监测研究面临诸多挑战和机遇。研究者可以考虑以下方向： 1. 增强遥感技术：改进数据技术，优化算法以减少气溶胶和云的干扰，利用神经网络填补数据空白，提高时空分辨率。 2. 整合地面排放模型：结合多种数据集，构建更全面的排放模型，考虑语义、海拔和气象数据，以更细致地理解碳排放的空间分布。 3. 持续改进机器学习技术：发展更精确的机器学习方法，探索更深层次的算法，以有效建模复杂的碳排放关系。 4. 卫星技术创新：创新卫星技术，提供更高的时空分辨率，满足多样化的监测需求，支持深入的气候研究和政策制定。
本文系统综述了基于卫星数据的地面碳排放研究，涵盖了地面观测、卫星观测以及卫星与地面观测的集成应用。通过Citespace软件，本文全面回顾了全球碳排放领域的研究进展，详细分析了不同地面观测站、适用的算法以及广泛使用的MRV系统。本文还深入探讨了大气反演算法，并总结了机器学习在碳排放估算中的应用。未来的研究将集中在提高遥感精度、整合多样化的排放模型数据、推进机器学习技术和创新卫星技术等方面，为实现碳中和目标提供科学依据。