江淮湖泊群水体溶解二氧化碳遥感算法研究取得进展
湖泊等内陆水体由于自身及其与陆地生态系统剧烈的物质能量循环，对全球温室气体（如CO2）排放以及碳循环过程有着重要贡献。然而，由于湖泊数量众多而人力物力有限，目前的湖泊CO2排放野外实测数据集代表性严重不足，使得目前的全球湖泊CO2排放估计存在极大的不确定性，限制了对全球碳循环过程的深入理解。卫星遥感手段具有相对高频率和大范围的优势，可以显著降低湖泊CO2排放估算的不确定性。但是，开发区域或全球尺度湖泊CO2排放遥感估算方法仍然存在巨大挑战。一方面，由于湖泊水体中CO2相关的生物地球化学过程之间均在剧烈的交互作用（图1），确定湖泊群水体CO2的主导影响因子存在较大困难。另一方面，湖泊群的水体光学特性复杂，对高精度卫星水环境因子产品提出了更高的要求。
图1 湖泊中CO2循环示意图
针对如何利用遥感手段估算区域湖泊群CO2问题，中国科学院南京地理与湖泊研究所段洪涛研究员课题组齐天赐博士以江淮中下游湖泊群为研究对象，结合野外实测表层水体CO2浓度数据与基于Sentinel-3卫星数据获取的湖泊水环境因子等产品，在太湖藻型湖区CO2浓度遥感估算模型的基础上（Qi et al.,ES&T，2020），改进开发了一种适用于中营养-富营养状态湖泊的CO2浓度经验估算模型，并重构了江淮中下游湖泊群2016-2021年的CO2浓度时空动态。相关成果发表在遥感领域顶级期刊Remote Sensing of Environment上（https://doi.org/10.1016/j.rse.2022.113431）。
论文主要结果如下：
（1）以基于Sentinel-3卫星数据获取的叶绿素a浓度、水温、透明度、日总光合有效辐射、瞬时光合有效辐射以及光照时长作为输入变量的二次多项式回归模型可以较好地估算江淮中下游湖泊水体CO2浓度的时空变化。该模型经多角度验证，其绝对偏差小于6.35μmol L-1，相对偏差小于30.31%。同时，所有输入变量随机误差的影响下，模型估算结果的相对偏差小于25%，说明该模型能够准确且稳定地估算江淮中下游湖泊长时序的CO2动态（图2）。
图2 卫星估算的不同营养状态下面积最大的两个湖泊的多年月平均CO2浓度时空分布
（2）2016-2021年间卫星估算的江淮中下游面积大于10km2的113个湖泊的多年平均CO2浓度为18.01±2.64μmol L-11，湖泊间表现出较弱的差异（变异系数：14.66%），但是湖泊内部表现出剧烈的季节分异(变异系数：52.59%)，平均表现为夏秋季低，冬春季高（图3）。与平均大气CO2平衡浓度相比（16.29μmol L-1），约28%的湖泊年平均CO2浓度表现为弱大气CO2汇(14.96±1.13μmol L-1)，其余为源(19.22±2.02μmol L-1)。
图3 2016-2021年江淮中下游湖泊群年均CO2浓度空间分布（b-c）与按照湖泊营养状态（d）与尺寸（e）分类统计后各类别湖泊的月平均CO2浓度时间序列
（3）研究区中113个湖泊的多年平均CO2浓度随湖泊面积增加而显著增加，同时随营养状态指数的增加显著减少（图4），说明湖泊尺寸与营养状态对湖泊CO2浓度的驱动作用。考虑到富营养化湖泊在不同湖泊尺寸中均占大多数，湖泊尺寸对湖泊CO2浓度水平的影响作用似乎比营养状态更为显著。
图4 卫星估算年平均CO2浓度与湖泊营养状态指数(a, b)，以及与湖泊面积(c, d)的关系
以上成果受到国家自然科学基金、江苏省自然科学基金和江苏省碳达峰碳中和科技创新专项资金项目资助。
相关文献：
Qi, T., Xiao, Q., Cao, Z., Shen, M., Ma, J., Liu, D., and Duan, H. (2020). Satellite estimation of dissolved carbon dioxide concentrations in China’s Lake Taihu. Environmental Science and Technology, 54(21): 13709-13718. [DOI: 10.1021/acs.est.0c04044]
Qi, T., Shen, M., Kutser, T., Xiao, Q., Cao, Z., Ma, J., Luo, J., Liu, D., and Duan, H. (2023). Remote sensing of dissolved CO2 concentrations in meso-eutrophic lakes using Sentinel-3 imagery. Remote Sensing of Environment, 286, 113431. [DOI: 10.1016/j.rse.2022.113431]
附件