劉良云 宋博文

摘要 全球CO2濃度增加造成的全球變暖已成為人類亟需解決的問題，陸地生態(tài)系統(tǒng)在過去幾十年一直扮演著重要的碳匯角色，吸收了30%左右的人類活動(dòng)排放CO2。本文調(diào)研分析了陸地生態(tài)系統(tǒng)固碳速率空間估算方法，包括樣地調(diào)查、通量監(jiān)測(cè)、模型模擬、遙感估算等，梳理了各種估算方法的研究現(xiàn)狀與進(jìn)展。樣地調(diào)查、通量觀測(cè)等方法可以提供點(diǎn)尺度的固碳速率直接測(cè)量信息，但存在觀測(cè)樣本有限、空間代表性不足等問題。模型模擬方法可以從機(jī)理的角度描述陸地碳、水、能量循環(huán)，模擬預(yù)測(cè)陸地生態(tài)系統(tǒng)固碳速率的狀態(tài)和變化。然而，在模型建立過程中，抽象和簡(jiǎn)化會(huì)引入結(jié)構(gòu)與假設(shè)的不確定性，以及模型驅(qū)動(dòng)數(shù)據(jù)引入的不確定性等問題是碳循環(huán)模型模擬方法面臨的重大挑戰(zhàn)。衛(wèi)星遙感具有全球覆蓋、分辨率精細(xì)、時(shí)間序列觀測(cè)等優(yōu)點(diǎn)，結(jié)合機(jī)器學(xué)習(xí)方法，為地球大數(shù)據(jù)驅(qū)動(dòng)的全球碳源匯估算提供了新的研究范式。但是，當(dāng)前各種固碳速率的監(jiān)測(cè)方法還沒有滿足高度時(shí)空異質(zhì)性的陸地生態(tài)系統(tǒng)固碳量監(jiān)測(cè)需求，未來需要整合地面觀測(cè)、模型模擬和衛(wèi)星遙感等多種技術(shù)手段，提供區(qū)域和全球尺度的陸地生態(tài)系統(tǒng)碳匯精確估算方法體系和科學(xué)數(shù)據(jù)產(chǎn)品。

關(guān)鍵詞全球變暖;碳循環(huán);陸地生態(tài)系統(tǒng);固碳速率;衛(wèi)星遙感;通量觀測(cè);模型模擬

自工業(yè)革命以來，全球大氣CO2濃度已從前工業(yè)時(shí)代的280 ppm（1 ppm=10-6）（Etheridge et al.，1996）增加到2020年的413.2 ppm（Friedlingstein et al.，2020），并正以每年2～3 ppm的速度快速增加（Dlugokencky and Tans，2020）。以全球變暖為主導(dǎo)的氣候變化已成為全球性環(huán)境問題，對(duì)全球可持續(xù)發(fā)展帶來嚴(yán)峻挑戰(zhàn)，積極應(yīng)對(duì)全球變暖形勢(shì)刻不容緩。國(guó)際社會(huì)逐步達(dá)成“溫室氣體減排是抑制全球增溫最有效途徑”這一共識(shí)。

為了實(shí)現(xiàn)二氧化碳的凈零排放即達(dá)到碳中和，就要求在工業(yè)、農(nóng)業(yè)、能源、建筑和交通領(lǐng)域?qū)崿F(xiàn)最大程度減排，但受制于經(jīng)濟(jì)、技術(shù)等因素，少部分排放并不能完全避免。通過森林、海洋等碳匯進(jìn)行自然吸收或借助碳移除技術(shù)應(yīng)用，將有助于達(dá)到人地系統(tǒng)碳收支或碳源匯的平衡。因此，陸地生態(tài)系統(tǒng)碳匯是實(shí)現(xiàn)碳中和的關(guān)鍵技術(shù)途徑。

陸地生態(tài)系統(tǒng)固碳速率有多種定義方式，根據(jù)全球碳計(jì)劃（GCP）的碳循環(huán)分類體系，即陸地生態(tài)系統(tǒng)冠層與大氣間的CO2交換速率，也就是渦度法測(cè)量的生態(tài)系統(tǒng)凈碳通量或凈生態(tài)系統(tǒng)生產(chǎn)力。根據(jù)Friedlingstein et al.（2019）提出的定義，無論是樣地、像元、生態(tài)系統(tǒng)還是區(qū)域尺度的固碳速率，均不包括土地利用和土地利用變化產(chǎn)生的碳通量（Erb et al.，2013;Friedlingstein et al.，2019）。然而，即便同一定義方式，當(dāng)前使用不同方法估算的陸地生態(tài)系統(tǒng)固碳速率存在巨大差異和不確定性，在估算中國(guó)陸地生態(tài)系統(tǒng)固碳速率結(jié)果時(shí)可從（0.177±0.073） Pg（以碳質(zhì)量計(jì)，下同） （Piao et al.，2009）變化到（1.1±0.38） Pg（Wang et al.，2020）。

為盡快實(shí)現(xiàn)碳中和目標(biāo)，需要集成長(zhǎng)期樣地調(diào)查、通量觀測(cè)、衛(wèi)星遙感反演等星地協(xié)同方法，研發(fā)高精度、精細(xì)分辨率、長(zhǎng)時(shí)間序列的中國(guó)陸地生態(tài)系統(tǒng)固碳速率遙感產(chǎn)品，從而大幅降低中國(guó)陸地生態(tài)系統(tǒng)碳匯估算的不確定性，為我國(guó)實(shí)現(xiàn)“雙碳”進(jìn)程提供科學(xué)數(shù)據(jù)和解決方案。本文的目的就是調(diào)研國(guó)內(nèi)外陸地生態(tài)系統(tǒng)固碳速率地面測(cè)量、陸地生態(tài)系統(tǒng)碳循環(huán)模型模擬、全球碳源匯遙感監(jiān)測(cè)等研究現(xiàn)狀，為陸地生態(tài)系統(tǒng)固碳速率的時(shí)空變化、不確定性與影響機(jī)制等研究提供文獻(xiàn)分析和理論支持。

1 國(guó)內(nèi)外研究現(xiàn)狀

1.1 陸地生態(tài)系統(tǒng)固碳速率地面觀測(cè)進(jìn)展

開展長(zhǎng)時(shí)序地面測(cè)量是了解生態(tài)系統(tǒng)碳平衡的基礎(chǔ)。根據(jù)觀測(cè)手段的不同，當(dāng)前陸地碳循環(huán)的主要地面觀測(cè)方式分為渦度相關(guān)（Eddy Covariance，EC） 技術(shù)和樣地調(diào)查方法。

EC技術(shù)是通過測(cè)定和計(jì)算CO2濃度三維風(fēng)速來確定生態(tài)系統(tǒng)尺度上植被冠層與大氣界面的CO2交換通量（于貴瑞和孫曉敏，2006）。EC觀測(cè)資料已經(jīng)成為發(fā)展、標(biāo)定和驗(yàn)證區(qū)域碳循環(huán)模型的基礎(chǔ)（Friend et al.，2007）。目前，國(guó)際上已經(jīng)建立了EuroFlux、AmeriFlux、ChinaFlux等區(qū)域性通量網(wǎng)和全球通量網(wǎng)（FLUXNET），至2016年，全球通量網(wǎng)已包含超過900個(gè)站點(diǎn)，這些站點(diǎn)分布在全球大部分氣候帶區(qū)，并覆蓋了代表性生物群落類型。通量站點(diǎn)的觀測(cè)數(shù)據(jù)在過程模型的參數(shù)化中至關(guān)重要，可以準(zhǔn)確度量碳循環(huán)各分量估計(jì)的不確定性（Beer et al.，2010;Jung et al.，2011;Bonan et al.，2019;Ge et al.，2019）。

圖1顯示了FLUXNET站點(diǎn)、植被總初級(jí)生產(chǎn)力（GPP）和碳儲(chǔ)量的緯度分布特性。盡管FLUXNET覆蓋了多種陸地氣候類型，但其采樣對(duì)于植被生產(chǎn)力、碳儲(chǔ)量的估計(jì)應(yīng)用來說還是有偏差的。大約85%的FLUXNET站點(diǎn)位于30°～55°N，而在高GPP/高碳儲(chǔ)量的熱帶地區(qū)，F(xiàn)LUXNET站點(diǎn)非常稀少。FLUXNET站點(diǎn)分布的氣候區(qū)代表性可以作為估算碳循環(huán)的重要驅(qū)動(dòng)力（Churkina et al.，2005;Baldocchi，2008;Stoy et al.，2009），但鑒于通量觀測(cè)在高通量區(qū)域采樣稀疏，根據(jù)這些數(shù)據(jù)來估算陸地碳循環(huán)仍然存在問題（Beer et al.，2010;Jung et al.，2011）。由于觀測(cè)站點(diǎn)分布不均勻，可能導(dǎo)致全球碳循環(huán)或生態(tài)系統(tǒng)變化監(jiān)測(cè)的較大偏差。

樣地調(diào)查方法，主要指樣地清查，是通過設(shè)立典型樣地，準(zhǔn)確測(cè)定生態(tài)系統(tǒng)中的植被、枯落物或土壤等碳庫的碳儲(chǔ)量，并可通過連續(xù)觀測(cè)來獲知一定時(shí)期內(nèi)的儲(chǔ)量變化情況的推算方法。森林在陸地生態(tài)系統(tǒng)碳匯中發(fā)揮重要作用（Delcourt and Harris，1980）。樣地清查法作為森林資源調(diào)查時(shí)使用的傳統(tǒng)方法，已經(jīng)得到了普遍應(yīng)用。許多研究人員已多次運(yùn)用其中的平均換算因子連續(xù)函數(shù)法估算了區(qū)域尺度的森林生物量及碳匯儲(chǔ)量（Fang et al.，2007）。Fang et al.（2014）利用樣地清查法估算了1970s到2000s期間中國(guó)的森林碳儲(chǔ)量的變化，結(jié)果表明1970s到2000s期間，中國(guó)的森林生物量碳密度從37.1 Mg·hm-1（1 Mg=10-9 Pg）增加到了41.2 Mg·hm-1，增加了4.1 Mg·hm-1;生物量碳庫從起初的4.719 Pg增加到了6.145 Pg，共增加了1.426 Pg。Tang et al.（2018）基于14 371個(gè)樣地調(diào)查數(shù)據(jù)得出中國(guó)陸地生態(tài)系統(tǒng)碳庫新的結(jié)果，表明中國(guó)所有陸地生態(tài)系統(tǒng)的總碳庫是（89.27±1.05） Pg，并且假設(shè)沒有森林砍伐，在未來10～20 a森林生長(zhǎng)會(huì)引起明顯的森林固碳量的增加，約為1.9～3.4 Pg。

圖2對(duì)比顯示了全球森林清查樣地密度、森林/灌叢面積和植被碳儲(chǔ)量的緯度變化特點(diǎn)，結(jié)果顯示森林清查樣地分布也是空間分布不均的。當(dāng)今的森林清單數(shù)據(jù)來源在全球范圍內(nèi)偏向中緯度地區(qū)，在高生物量的熱帶和北方森林中的覆蓋范圍有限。來自國(guó)家森林清單的樣地測(cè)量中顯示，溫帶和北方地區(qū)的森林樣地占主導(dǎo)地位，1 000 km2有5～15個(gè)調(diào)查樣地，而熱帶地區(qū)的抽樣嚴(yán)重不足，1 000 km2的區(qū)域還不足1個(gè)調(diào)查樣地。樣地分布不均導(dǎo)致熱帶地區(qū)碳儲(chǔ)量的估計(jì)偏差可達(dá)30%（Mitchard et al.，2014）。Piao et al.（2009）基于重復(fù)的碳儲(chǔ)量清單和衛(wèi)星綠度信息推測(cè)20世紀(jì)八九十年代中國(guó)陸地生態(tài)系統(tǒng)平均凈碳匯為（0.177±0.073） Pg，而基于大氣反演的結(jié)果得出平均凈碳匯為（0.350±0.330） Pg。

因此，樣地清查在其所觀測(cè)的點(diǎn)尺度上具有觀測(cè)數(shù)據(jù)可靠、估算精度高的優(yōu)點(diǎn)，但也存在空間代表性差、需耗費(fèi)大量的資金和人力、尺度上存在誤差等問題;此外，由于實(shí)際調(diào)查采樣中觀測(cè)周期長(zhǎng)、時(shí)間跨度大、難以對(duì)同一采樣點(diǎn)進(jìn)行重復(fù)定期調(diào)查，且受觀測(cè)標(biāo)準(zhǔn)化的影響，存在標(biāo)定和缺失數(shù)據(jù)處理等方面的不確定性。因此，采用星載激光雷達(dá)觀測(cè)、P波段合成孔徑雷達(dá)等先進(jìn)遙感方法，監(jiān)測(cè)全球森林樹高和生物量，對(duì)于擴(kuò)大樣本量和減少偏差誤差至關(guān)重要（Asner et al.，2014a，2014b;Saatchi et al.，2015）。

盡管模型開發(fā)和優(yōu)化歷來都基于地面測(cè)量數(shù)據(jù)上，但定量遙感正在以越來越高的精度和分辨率對(duì)越來越多的生態(tài)系統(tǒng)參數(shù)進(jìn)行空間量化。通過遙感提供廣泛的時(shí)間和空間覆蓋范圍可以補(bǔ)充地面觀測(cè)。遙感觀測(cè)可以有效克服樣地清查方法統(tǒng)計(jì)采樣偏差，特別是針對(duì)觀測(cè)樣地分布稀疏的國(guó)家和區(qū)域，大大減少或消除了空間欠采樣（Asner and Mascaro，2014;Saatchi et al.，2015）。例如基于光能利用率模型（LUE，Light Use Efficiency）和衛(wèi)星數(shù)據(jù)可以估算植被總初級(jí)生產(chǎn)力，并且與EC測(cè)量結(jié)果存在很好的一致性（Verma et al.，2014）。近年來，融合地面和遙感觀測(cè)的美國(guó)國(guó)家生態(tài)觀測(cè)網(wǎng)絡(luò)（NEON，National Ecological Observatory Network）與澳大利亞生態(tài)觀測(cè)研究網(wǎng)絡(luò)（TERN）成為新一代陸地生態(tài)研究網(wǎng)絡(luò)。生態(tài)觀測(cè)正從傳統(tǒng)的、不連續(xù)的地面樣方觀測(cè)向“天-空-地”多尺度、多要素、多過程的綜合觀測(cè)轉(zhuǎn)變。

1.2 陸地生態(tài)系統(tǒng)固碳速率模型模擬研究進(jìn)展

陸地生態(tài)系統(tǒng)固碳速率是影響全球碳循環(huán)的關(guān)鍵環(huán)節(jié)，陸地生態(tài)系統(tǒng)碳循環(huán)模擬模型也是當(dāng)前估計(jì)陸地生態(tài)系統(tǒng)固碳速率的重要方法之一。

陸地生態(tài)系統(tǒng)模型從機(jī)理的角度描述了陸地碳、水和能量循環(huán)，可模擬預(yù)測(cè)陸地生態(tài)系統(tǒng)的狀態(tài)和變化（Peng，2000）。按照模型的適用情形，陸地生態(tài)系統(tǒng)模型可以分為診斷模型和預(yù)測(cè)模型（Xiao et al.，2019）;按照是否考慮模擬過程中氣候和土壤條件對(duì)植被的類型、結(jié)構(gòu)和組分產(chǎn)生的影響，可以基本分為靜態(tài)植被模型和動(dòng)態(tài)植被模型;按照模型關(guān)注的生態(tài)過程，又可以分為生物過程模型、生物物理模型及生物地球化學(xué)模型（李新等，2021）。近年來，模型研究還逐步加入了大氣CO2施肥效應(yīng)、氮沉降過程、碳-氮耦合、自然和人為干擾的考慮（Sakaguchi et al.，2016）。隨著基于數(shù)據(jù)驅(qū)動(dòng)的光能利用率模型、全球動(dòng)態(tài)植被模型（DGVM，Dynamic Global Vegetation Model）、生物地球化學(xué)耦合模型以及耦合環(huán)流碳循環(huán)模型（Scheiter et al.，2013;Xia et al.，2013）的出現(xiàn)，可進(jìn)一步提高陸地生態(tài)系統(tǒng)模型的模擬能力和適用范圍。

然而，模型的不確定性問題是利用碳循環(huán)模型估計(jì)陸地生態(tài)系統(tǒng)的固碳速率方法面臨的一大挑戰(zhàn)。在模型建立過程中，抽象和簡(jiǎn)化會(huì)引入結(jié)構(gòu)與假設(shè)的不確定性，模型過參數(shù)化、參數(shù)相互作用帶來的參數(shù)確定性，模型驅(qū)動(dòng)數(shù)據(jù)引入的驅(qū)動(dòng)不確定性以及給定初始條件帶來初始條件不確定性等問題（李新等，2021）。由于不同模型的物理機(jī)制、數(shù)據(jù)源以及參數(shù)設(shè)定都不同，它們的估算結(jié)果不確定性很大（Piao et al.，2013;Quéré et al.，2016）。

模型模擬方法存在大量不確定性使得目前模型模擬精度仍難以滿足實(shí)際應(yīng)用的需求，不同模型的預(yù)測(cè)結(jié)果差異也非常大。站點(diǎn)和區(qū)域尺度上的研究都證明了不同的模型在模擬碳通量時(shí)存在很大的差異（Huntzinger et al.，2012;Ichii et al.，2013）。國(guó)際上已經(jīng)啟動(dòng)了一系列模型比較的相關(guān)研究計(jì)劃，如NACP（North American Carbon Program），TRENDY（Trends in net land atmosphere carbon exchanges）等（Fisher et al.，2014），基于統(tǒng)一框架和協(xié)議，這些模型比較計(jì)劃從全球尺度擴(kuò)展到區(qū)域和站點(diǎn)領(lǐng)域，對(duì)多個(gè)模型的多年模擬結(jié)果進(jìn)行比較和不確定性分析，結(jié)果表明，不同模型模擬的碳匯估算存在顯著不確定性（Friedlingstein et al.，2019，2020）。以全球碳計(jì)劃（Global Carbon Project，GCP）發(fā)布的陸地生態(tài)系統(tǒng)碳匯的模型估算結(jié)果（圖3）為例，不同動(dòng)態(tài)植被模型估算結(jié)果差異巨大，2000—2020年期間不同模型模擬的全球陸地生態(tài)系統(tǒng)碳匯強(qiáng)度范圍可達(dá)-0.37～5.82 Pg·a-1（Friedlingstein et al.，2021）。

總體看來，全球碳預(yù)算各部分的平均值和變化趨勢(shì)與1959到2020年間的估算值一致，但在CO2通量的年際至五年之間的變化中，仍存在高達(dá)1 Pg·a-1的差異（Friedlingstein et al.，2021）。研究表明，陸地生態(tài)系統(tǒng)碳匯是受大氣CO2和氮增加對(duì)植物的施肥效應(yīng)的綜合影響，以及氣候變化的影響，例如北溫帶和北方地區(qū)生長(zhǎng)季延長(zhǎng)。盡管系統(tǒng)邊界使得難以準(zhǔn)確確定陸地生態(tài)系統(tǒng)碳匯和土地利用碳排放之間陸地碳通量歸屬，陸地生態(tài)系統(tǒng)碳匯不包括直接由土地利用和土地利用變化（例如植被再生）引起的陸地碳匯，因?yàn)檫@部分屬于土地利用碳排放引起的（Erb et al.，2013）。

根據(jù)DGVM模型模擬結(jié)果（圖4），陸地碳匯從20世紀(jì)60年代的（1.2 ± 0.5）Pg·a-1 增加到2010—2019年的（3.1± 0.6） Pg·a-1，重要的年際變化高達(dá)2 Pg·a-1。通常表明厄爾尼諾現(xiàn)象發(fā)生期間的陸地碳匯減少，能很好對(duì)應(yīng)大氣中CO2濃度增長(zhǎng)率。與20世紀(jì)60年代相比，2010—2019年的陸地碳匯得到了顯著增加，以響應(yīng)大氣中CO2濃度增加和氣候變化的綜合影響。

因此，使用模型模擬估算陸地生態(tài)系統(tǒng)固碳速率，需要考慮模型在不確定性和時(shí)空一致性上存在的問題（李新等，2020）?；谶b感實(shí)測(cè)數(shù)據(jù)改進(jìn)模型或者使用遙感實(shí)測(cè)數(shù)據(jù)約束模型，是克服模型有偏、協(xié)同模型預(yù)測(cè)結(jié)果差異的可能思路（李新等，2020）。當(dāng)前需要考慮如何充分利用大量多源的觀測(cè)資料，協(xié)同地面和遙感技術(shù)手段，降低模型不確定性，以進(jìn)一步提高模型估計(jì)陸地生態(tài)系統(tǒng)固碳速率準(zhǔn)確性。

過去已有研究嘗試在碳循環(huán)模型的框架內(nèi)借助實(shí)測(cè)數(shù)據(jù)改善模型的參數(shù)估計(jì)，或者考慮模型誤差和觀測(cè)數(shù)據(jù)的誤差及其時(shí)空分布，利用實(shí)際的觀測(cè)資料來約束模型，使得模型運(yùn)行過程中的誤差能夠不斷地根據(jù)實(shí)際觀測(cè)結(jié)果得到校正和優(yōu)化，從而得到較傳統(tǒng)模型預(yù)測(cè)更為可靠的同化數(shù)據(jù)集（Raupach et al.，2005;Wang et al.，2009;Rayner，2010;Luo et al.，2011;Bonan et al.，2019），盡可能地降低模型模擬中的不確定性。

在當(dāng)前的大數(shù)據(jù)時(shí)代，基于數(shù)據(jù)驅(qū)動(dòng)的反演算法研究為模型模擬研究改進(jìn)提供了新的思路。集成大數(shù)據(jù)、云計(jì)算、人工智能領(lǐng)域的研究成果，借助遙感觀測(cè)資料等大尺度的實(shí)測(cè)信息，實(shí)現(xiàn)模型-數(shù)據(jù)融合，或許將使得高精度的區(qū)域和全球陸地生態(tài)系統(tǒng)碳匯科學(xué)數(shù)據(jù)生產(chǎn)成為可能。

1.3 陸地生態(tài)系統(tǒng)固碳速率遙感監(jiān)測(cè)進(jìn)展

當(dāng)前，全球尺度碳源匯遙感估算的主流方法是遙感模型模擬或大氣化學(xué)傳送模式反演方法，即自下而上法（bottom-up）和自上而下法（top-down）。其中，自下而上法利用遙感模型模擬分別估算陸地和海洋生態(tài)系統(tǒng)碳匯;而自上而下法則采用大氣化學(xué)傳輸模式，結(jié)合地基或衛(wèi)星觀測(cè)的大氣CO2濃度觀測(cè)數(shù)據(jù)來反演區(qū)域碳通量。利用大氣CO2濃度數(shù)據(jù)的大氣反演方法對(duì)大氣傳輸模型誤差和化石燃料釋放 CO2估計(jì)偏差反應(yīng)較為敏感（Gurney et al.，2005;Stephens et al.，2007），單一地使用大氣反演方法對(duì)陸地生態(tài)系統(tǒng)碳匯進(jìn)行估算，其不確定性也是巨大的。Wang et al.（2020）利用大氣CO2濃度數(shù)據(jù)估計(jì)2010—2016年中國(guó)陸地生態(tài)系統(tǒng)碳匯強(qiáng)度為（1.11 ± 0.38） Pg·a-1，而Jiang et al.（2016）估計(jì)2006—2009年中國(guó)陸地生態(tài)系統(tǒng)碳匯強(qiáng)度為0.33 Pg·a-1，二者相差3.4倍。

此外，結(jié)合豐富的實(shí)測(cè)數(shù)據(jù)以及定量遙感產(chǎn)品，基于機(jī)器學(xué)習(xí)方法為地球大數(shù)據(jù)驅(qū)動(dòng)的全球碳源匯估算提供了新的研究范式。Huang et al.（2020）基于多源遙感數(shù)據(jù)和全球土壤呼吸地面觀測(cè)數(shù)據(jù)集，構(gòu)建了數(shù)據(jù)驅(qū)動(dòng)模型，生產(chǎn)了2000—2014年全球1 km分辨率陸地生態(tài)系統(tǒng)土壤呼吸產(chǎn)品。Zeng et al.（2020）基于全球通量觀測(cè)資料，采用隨機(jī)森林建立了陸地生態(tài)系統(tǒng)碳通量估算模型，結(jié)合MODIS陸表定量遙感產(chǎn)品和氣象資料，研制了1999—2019年全球0.1°網(wǎng)格、10 d分辨率的陸地生態(tài)系統(tǒng)碳通量產(chǎn)品。近年來，數(shù)據(jù)驅(qū)動(dòng)的植被光合生產(chǎn)力遙感監(jiān)測(cè)得到了更廣泛的發(fā)展，并研制了全球GPP產(chǎn)品（Jung et al.，2009，2011;Beer et al.，2010;Xiao et al.，2010）。Jung et al.（2011）以衛(wèi)星遙感FAPAR數(shù)據(jù)、氣象數(shù)據(jù)和植被類型數(shù)據(jù)作為驅(qū)動(dòng)變量，得到了1982—2011年空間分辨率為0.5°的月GPP產(chǎn)品。Next Generation Ecosystem Experiments（NGEE-Tropics）項(xiàng)目利用網(wǎng)格化的氣象、土壤和地形數(shù)據(jù)集計(jì)算了FLUXNET2015通量站點(diǎn)代表性，通過統(tǒng)計(jì)模型將站點(diǎn)GPP數(shù)據(jù)擴(kuò)展到4 km、月度的全球GPP數(shù)據(jù)集（Kumar et al.，2016）。

盡管數(shù)據(jù)驅(qū)動(dòng)方法簡(jiǎn)單有效，但全球碳源匯的估算仍面臨挑戰(zhàn)，特別是通量站點(diǎn)的數(shù)量和位置分布會(huì)顯著影響估算的準(zhǔn)確性和年際變化（Papale et al.，2015）。全球大約85%的FLUXNET站點(diǎn)處于低通量和中低碳儲(chǔ)量地區(qū)，而具有高通量和高碳儲(chǔ)量的熱帶地區(qū)，通量站點(diǎn)的分布則極其稀疏 （Schimel et al.，2015）。由于通量站點(diǎn)空間分布不均，代表性不足等問題的限制，基于FLUXNET站點(diǎn)數(shù)據(jù)驅(qū)動(dòng)方法的全球GPP產(chǎn)品出現(xiàn)非常嚴(yán)重的高估現(xiàn)象。例如，NGEE-Tropics項(xiàng)目基于數(shù)據(jù)驅(qū)動(dòng)方法反演的2007—2014年全球GPP年均值（149.70 Pg·a-1）明顯高于基于光能利用率模型的GPP估算值（119.43 Pg·a-1）和基于日光誘導(dǎo)葉綠素?zé)晒猓⊿IF）的GPP估算值（118.94 Pg·a-1） （關(guān)琳琳，2017）。相關(guān)研究表明，衛(wèi)星遙感SIF與通量站點(diǎn)GPP之間存在高度相關(guān)性（Frankenberg et al.，2011），并可以提供通量站點(diǎn)稀疏區(qū)域植被脅迫響應(yīng)的觀測(cè)和估計(jì)結(jié)果（Schimel et al.，2015），對(duì)于準(zhǔn)確估算陸地生態(tài)系統(tǒng)固碳速率具有重要意義。

數(shù)據(jù)驅(qū)動(dòng)方法的精度嚴(yán)重依賴于訓(xùn)練樣本。但當(dāng)前樣本數(shù)據(jù)受制于當(dāng)前通量站點(diǎn)的數(shù)量和代表性不足，如果不考慮樣本代表性的權(quán)重，將會(huì)給建立陸地生態(tài)系統(tǒng)固碳速率機(jī)器學(xué)習(xí)模型帶來巨大偏差。因此，評(píng)價(jià)通量站點(diǎn)樣本的代表性、考慮樣本權(quán)重等問題從而降低陸地生態(tài)系統(tǒng)固碳速率遙感模型與產(chǎn)品不確定性，依然面臨巨大的科學(xué)挑戰(zhàn)。

當(dāng)前，全球碳源匯的巨大不確定性既源于碳循環(huán)模式的理論和認(rèn)知缺陷，又包括缺乏精細(xì)時(shí)空分辨率的觀測(cè)數(shù)據(jù)（劉良云等，2021）。由國(guó)際地圈-生物圈計(jì)劃（IGBP），全球環(huán)境變化人文因素計(jì)劃（IHDP）和世界氣候研究計(jì)劃（WCRP）共同發(fā)起的全球碳計(jì)劃（Global Carbon Project，GCP），其目標(biāo)就是全面深入地理解全球碳循環(huán)，并為碳排放相關(guān)政策的制定提供科學(xué)依據(jù)，其中關(guān)鍵是準(zhǔn)確量化全球碳循環(huán)格局和變率。在我國(guó)2010年啟動(dòng)的全球變化研究國(guó)家重大科學(xué)研究計(jì)劃、2016年啟動(dòng)的國(guó)家重點(diǎn)研發(fā)計(jì)劃“全球變化及應(yīng)對(duì)”專項(xiàng)中，生態(tài)系統(tǒng)碳循環(huán)是核心任務(wù)之一。2017年立項(xiàng)的國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目“全球生態(tài)系統(tǒng)碳循環(huán)關(guān)鍵參數(shù)立體觀測(cè)與反演”，其核心任務(wù)就是研制覆蓋全球、參數(shù)完備、時(shí)空分辨率精細(xì)、連續(xù)一致的碳循環(huán)關(guān)鍵參數(shù)產(chǎn)品，共包含陸地生態(tài)系統(tǒng)的15種碳循環(huán)關(guān)鍵參數(shù)的長(zhǎng)時(shí)間序列空間觀測(cè)產(chǎn)品（GLOCC，Global Land & Ocean Carbon Cycle products;劉良云等，2021）。圖5展示15種陸地生態(tài)系統(tǒng)碳循環(huán)關(guān)鍵參數(shù)產(chǎn)品在生態(tài)系統(tǒng)碳循環(huán)過程中的位置和相互關(guān)系，既包括碳循環(huán)模型的關(guān)鍵驅(qū)動(dòng)參數(shù)，如植被覆蓋度、聚集指數(shù)、葉面積指數(shù)、葉綠素含量、葉綠素?zé)晒?、光合有效輻射吸收比例、葉片最大羧化率等，還包括陸地生態(tài)系統(tǒng)碳通量和碳儲(chǔ)量參數(shù)，如表層土壤有機(jī)碳庫、森林?jǐn)_動(dòng)碳損失、森林樹高與生物量、GPP、NPP、NEP等，這些豐富的碳循環(huán)關(guān)鍵參數(shù)產(chǎn)品，可為陸地生態(tài)系統(tǒng)碳源匯的動(dòng)態(tài)精細(xì)評(píng)價(jià)提供了重要基礎(chǔ)數(shù)據(jù)。

1.4 中國(guó)陸地生態(tài)系統(tǒng)碳匯估算進(jìn)展

隨著我國(guó)國(guó)內(nèi)生產(chǎn)總值（GDP）上升，化石能源使用量激增導(dǎo)致的CO2排放增加，我國(guó)已成為全球第一大排放國(guó)。因此，中國(guó)陸地生態(tài)系統(tǒng)碳匯成為研究人員關(guān)注的重點(diǎn)（Yang et al.，2022）。近年來，關(guān)于中國(guó)陸地生態(tài)系統(tǒng)碳匯的研究存在眾多結(jié)論。其中，基于樣地清查方法估算得到的中國(guó)陸地生態(tài)系統(tǒng)碳匯介于0.137～0.201 Pg·a-1（Fang et al.，2007，2018;Piao et al.，2009）;基于單一生態(tài)系統(tǒng)模型模擬的碳匯值介于0.07～0.179 Pg·a-1（Cao et al.，2003a，2003b;Mu et al.，2008;Tian et al.，2011b）;而基于多個(gè)模型或結(jié)合樣地清查、通量觀測(cè)等其他數(shù)據(jù)源的結(jié)果為0.118～0.290 Pg·a-1（Piao et al.，2009;Tian et al.，2011a;Jiang et al.，2016;He et al.，2019）?！白陨隙隆钡拇髿夥囱莘椒ǖ玫降奶紖R是“自下而上”的樣地清查和陸地生態(tài)系統(tǒng)模型模擬方法得到的結(jié)果的2.15倍（Piao et al.，2009;Jiang et al.，2013;Yang et al.，2017;Wang et al.，2020）。Yang et al.（2022）提出了基于“自下而上”和“自上而下”方法相結(jié)合的碳匯估算方法，該方法估算我國(guó)陸地生態(tài)系統(tǒng)碳匯強(qiáng)度為0.195～0.246 Pg·a-1。

2 陸地生態(tài)系統(tǒng)固碳速率觀測(cè)方法不確定性評(píng)估

2.1 陸地生態(tài)系統(tǒng)固碳速率樣地清查方法不確定性研究

陸地生態(tài)固碳速率樣地清查方法通過地面樣方調(diào)查、渦動(dòng)相關(guān)（EC）等方法，獲得樣地尺度的固碳速率信息，結(jié)合統(tǒng)計(jì)方法，估算區(qū)域碳匯強(qiáng)度。其估算誤差和不確定性主要包括兩個(gè)方面：樣地空間代表性以及地表覆蓋面積統(tǒng)計(jì)誤差。陸地生態(tài)系統(tǒng)的樣地清查方法主要通過樣方調(diào)查、渦度相關(guān)等方法獲取樣地尺度的碳匯觀測(cè)資料，估算誤差很大程度上來源于地面調(diào)查樣方和通量觀測(cè)站點(diǎn)的空間代表性。降低觀測(cè)樣地的空間代表性的不確定性，將大幅提高后續(xù)陸地生態(tài)系統(tǒng)的碳匯估算精度。

然而，在以往的研究中，這種空間代表性給碳匯估算帶來的不確定性通常被忽略，且尚未提出有效的解決方法。遙感技術(shù)具有全空間覆蓋、長(zhǎng)時(shí)序連續(xù)觀測(cè)的優(yōu)勢(shì)，協(xié)同多源中高空間分辨率的定量遙感產(chǎn)品，開展樣地空間異質(zhì)性和代表性評(píng)估的實(shí)驗(yàn)觀測(cè)方案?，F(xiàn)有多種全球和中國(guó)區(qū)域多時(shí)相30 m地表覆蓋分類產(chǎn)品、水體水色等定量遙感產(chǎn)品，實(shí)現(xiàn)了對(duì)地表覆蓋類型的精細(xì)分類，將奠定樣方空間異質(zhì)性和代表性評(píng)估模型的建立數(shù)據(jù)和實(shí)驗(yàn)觀測(cè)基礎(chǔ)。

樣地和通量觀測(cè)能夠獲得點(diǎn)尺度的生態(tài)系統(tǒng)固碳速率結(jié)果，衛(wèi)星遙感具備全空間覆蓋的優(yōu)勢(shì)，二者協(xié)同可以實(shí)現(xiàn)點(diǎn)面擴(kuò)展，實(shí)現(xiàn)區(qū)域尺度固碳速率高精度監(jiān)測(cè)目標(biāo)。但要解決觀測(cè)樣地的空間代表性的評(píng)估、有限觀測(cè)樣地的系統(tǒng)偏差等問題，亟需發(fā)展新的空間尺度擴(kuò)展模型方法，并結(jié)合遙感大數(shù)據(jù)等技術(shù)突破，降低陸地生態(tài)系統(tǒng)固碳速率的不確定性，實(shí)現(xiàn)多尺度的區(qū)域固碳速率的高精度估算。

2.2 中國(guó)陸地生態(tài)系統(tǒng)固碳速率的模型模擬和遙感監(jiān)測(cè)不確定性研究

碳循環(huán)過程模型具有較強(qiáng)機(jī)理性，但過程復(fù)雜、關(guān)鍵參數(shù)依賴經(jīng)驗(yàn)設(shè)置，從而給陸地生態(tài)系統(tǒng)固碳速率模擬帶來巨大不確定性。大數(shù)據(jù)技術(shù)能夠發(fā)現(xiàn)多源遙感、氣象數(shù)據(jù)與樣地實(shí)測(cè)固碳速率的可靠規(guī)律，提出數(shù)據(jù)驅(qū)動(dòng)的碳循環(huán)直接觀測(cè)新方法，從而大大降低區(qū)域碳匯強(qiáng)度估算的不確定性。但是，所有數(shù)據(jù)驅(qū)動(dòng)的建模方法僅對(duì)訓(xùn)練樣本負(fù)責(zé)，訓(xùn)練樣本的數(shù)量、分布、代表性等會(huì)直接影響模型性能。在大數(shù)據(jù)建模過程中，如何考慮樣地空間代表性，降低陸地生態(tài)系統(tǒng)固碳速率遙感模型的不確定性和系統(tǒng)偏差，已成為亟待解決的問題。

模型的不確定性問題是碳循環(huán)模型面臨的一大挑戰(zhàn)。比如，全球碳計(jì)劃利用16個(gè)DGVM模型對(duì)近60 a的全球陸地碳匯進(jìn)行了集合模擬，但由于驅(qū)動(dòng)數(shù)據(jù)、模型結(jié)構(gòu)及參數(shù)之間的差異，各模型計(jì)算的全球碳匯不確定性與平均碳匯強(qiáng)度相當(dāng)。近年來很多研究通過大數(shù)據(jù)技術(shù)，建立數(shù)據(jù)驅(qū)動(dòng)的生態(tài)系統(tǒng)固碳速率模型，以降低傳統(tǒng)模型方法的不確定性。但是，數(shù)據(jù)驅(qū)動(dòng)方法僅對(duì)樣本有效，訓(xùn)練樣本的數(shù)量、空間分布等會(huì)帶來突出的系統(tǒng)性偏差。

為了克服有限樣本的系統(tǒng)偏差，可以結(jié)合動(dòng)態(tài)全球植被模型和樣地調(diào)查，研究植被、土壤、和氣象等因子（包括日光誘導(dǎo)葉綠素?zé)晒猓⊿IF）、激光雷達(dá)森林樹高等新興植被遙感參數(shù)）對(duì)陸地生態(tài)系統(tǒng)光合、呼吸以及固碳速率的影響，確定機(jī)器學(xué)習(xí)模型的驅(qū)動(dòng)變量;其次，建立觀測(cè)樣地的樣本權(quán)重系數(shù)數(shù)學(xué)模型，根據(jù)權(quán)重系數(shù)的大小，對(duì)于高權(quán)重樣地調(diào)查進(jìn)行樣本擴(kuò)增（可以對(duì)樣本添加非常小隨機(jī)噪聲誤差實(shí)現(xiàn)樣本的擴(kuò)增），增加高權(quán)重樣地對(duì)機(jī)器學(xué)習(xí)模型的影響;第三，基于樣地代表性權(quán)重調(diào)整的數(shù)據(jù)集，開展不同機(jī)器學(xué)習(xí)模型（如隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、高斯過程回歸等）的性能測(cè)試和對(duì)比研究，建立不同生態(tài)系統(tǒng)類型固碳速率的數(shù)據(jù)驅(qū)動(dòng)模型，并利用全球和中國(guó)區(qū)域的觀測(cè)資料，對(duì)不同生態(tài)系統(tǒng)固碳速率的遙感模型進(jìn)行驗(yàn)證。

3 總結(jié)與展望

準(zhǔn)確估算全球和國(guó)別尺度的陸地生態(tài)系統(tǒng)碳匯，量化全球陸地生態(tài)系統(tǒng)固碳速率的時(shí)空分異、變化規(guī)律和驅(qū)動(dòng)機(jī)制，對(duì)于碳中和進(jìn)程評(píng)估和理解全球氣候變化至關(guān)重要，我國(guó)陸地生態(tài)系統(tǒng)固碳速率監(jiān)測(cè)研究還需要加強(qiáng)如下三個(gè)方面的工作：

1） 發(fā)展地面觀測(cè)、衛(wèi)星遙感、模型同化協(xié)同的陸地生態(tài)系統(tǒng)固碳速率的估算方法，大幅降低我國(guó)陸地生態(tài)系統(tǒng)固碳速率估算的不確定性，提供行政區(qū)劃尺度、國(guó)別尺度和全球尺度的陸地生態(tài)系統(tǒng)固碳速率定量計(jì)算方法。

2） 進(jìn)一步加強(qiáng)森林、草地、農(nóng)田、荒漠、濕地、內(nèi)陸水體等類型陸地生態(tài)系統(tǒng)固碳速率定位觀測(cè)研究，揭示陸地生態(tài)系統(tǒng)固碳速率的影響因素，評(píng)估碳匯功能的穩(wěn)定性和持續(xù)性。

3） 研制精細(xì)分辨率、長(zhǎng)時(shí)間序列、高可靠性的陸地生態(tài)系統(tǒng)固碳速率遙感產(chǎn)品，評(píng)估過去幾十年陸地生態(tài)系統(tǒng)固碳速率時(shí)空變化特征，為我國(guó)實(shí)現(xiàn)“雙碳”進(jìn)程提供科學(xué)數(shù)據(jù)。

參考文獻(xiàn)（References）

Asner G P，Mascaro J，2014.Mapping tropical forest carbon：calibrating plot estimates to a simple LiDAR metric[J].Remote Sens Environ，140：614-624.doi：10.1016/j.rse.2013.09.023.

Asner G P，Martin R E，Carranza-Jiménez L，et al.，2014a.Functional and biological diversity of foliar spectra in tree canopies throughout the Andes to Amazon region[J].New Phytol，204（1）：127-139.doi：10.1111/nph.12895.

Asner G P，Martin R E，Tupayachi R，et al.，2014b.Amazonian functional diversity from forest canopy chemical assembly[J].PNAS，111（15）：5604-5609.doi：10.1073/pnas.1401181111.

Baldocchi D，2008.‘Breathing’ of the terrestrial biosphere：lessons learned from a global network of carbon dioxide flux measurement systems[J].Aust J Bot，56（1）：1.doi：10.1071/bt07151.

Beer C，Reichstein M，Tomelleri E，et al.，2010.Terrestrial gross carbon dioxide uptake：global distribution and covariation with climate[J].Science，329（5993）：834-838.doi：10.1126/science.1184984.

Bonan G B，Lombardozzi D L，Wieder W R，et al.，2019.Model structure and climate data uncertainty in historical simulations of the terrestrial carbon cycle （1850—2014）[J].Glob Biogeochem Cycles，33（10）：1310-1326.doi：10.1029/2019GB006175.

Cao M，Prince S D，Li K R，et al.，2003a.Response of terrestrial carbon uptake to climate interannual variability in China[J].Glob Change Biol，9（4）：536-546.doi：10.1046/j.1365-2486.2003.00617.x.

Cao M，Tao B，Li K，et al.，2003b.Interannual variation in terrestrial ecosystem carbon fluxes in china from 1981 to 1998[J].Acta Botanica Sinica-Chinese Edition，45（5）：552-560.

Churkina G，Schimel D，Braswell B H，et al.，2005.Spatial analysis of growing season length control over net ecosystem exchange[J].Glob Change Biol，11（10）：1777-1787.doi：10.1111/j.1365-2486.2005.001012.x.

Delcourt H R，Harris W F，1980.Carbon budget of the southeastern US biota：analysis of historical change in trend from source to sink[J].Science，210（4467）：321-323.doi：10.1126/science.210.4467.321.

Dlugokencky E，Tans P，2020.Trends in atmospheric carbon dioxide，National Oceanic and Atmospheric Administration，Earth System Research Laboratory （NOAA/ESRL）[EB/OL].[2022-01-18].http：//www.esrl.noaa.gov/gmd/ccgg/trends/global.

Erb K H，Kastner T，Luyssaert S，et al.，2013.Bias in the attribution of forest carbon sinks[J].Nature Climate Change，3（10）：854-856.doi：10.1038/nclimate2004.

Etheridge D M，Steele L P，Langenfelds R L，et al.，1996.Natural and anthropogenic changes in atmospheric CO2 over the last 1 000 years from air in Antarctic ice and firn[J].J Geophys Res Atmos，101（D2）：4115-4128.doi：10.1029/95JD03410.

Fang J Y，Guo Z D，Piao S L，et al.，2007.Terrestrial vegetation carbon sinks in China，1981—2000[J].Sci China Ser D Earth Sci，50（9）：1341-1350.doi：10.1007/s11430-007-0049-1.

Fang J Y，Guo Z D，Hu H F，et al.，2014.Forest biomass carbon sinks in East Asia，with special reference to the relative contributions of forest expansion and forest growth[J].Glob Change Biol，20（6）：2019-2030.doi：10.1111/gcb.12512.

Fang J Y，Yu G R，Liu L L，et al.，2018.Climate change，human impacts，and carbon sequestration in China[J].PNAS，115（16）：4015-4020.doi：10.1073/pnas.1700304115.

Fisher J B，Sikka M，Oechel W C，et al.，2014.Carbon cycle uncertainty in the Alaskan Arctic[J].Biogeosciences，11（15）：4271-4288.doi：10.5194/bg-11-4271-2014.

Frankenberg C，F(xiàn)isher J B，Worden J，et al.，2011.New global observations of the terrestrial carbon cycle from GOSAT：patterns of plant fluorescence with gross primary productivity[J].Geophys Res Lett，38（17）：L17706.doi：10.1029/2011GL048738.

Friedlingstein P，Jones M，OSullivan M，et al.，2019.Global carbon budget 2019[J].Earth Syst Sci Data，11（4）：1783-1838.doi：10.5194/essd-11-1783-2019.

Friedlingstein P，OSullivan M，Jones M W，et al.，2020.Global carbon budget 2020[J].Earth Syst Sci Data，12（4）：3269-3340.doi：10.5194/essd-12-3269-2020.

Friedlingstein P，Jones M W，OSullivan M，et al.，2021.Global carbon budget 2021[J].Earth Syst Sci Data Discuss：1-191.

Friend A D，Arneth A，Kiang N Y，et al.，2007.Fluxnet and modelling the global carbon cycle[J].Glob Change Biol，13（3）：610-633.doi：10.1111/j.1365-2486.2006.01223.x.

Ge R，He H L，Ren X L，et al.，2019.Underestimated ecosystem carbon turnover time and sequestration under the steady state assumption：a perspective from long-term data assimilation[J].Glob Change Biol，25（3）：938-953.doi：10.1111/gcb.14547.

關(guān)琳琳，2017.基于葉綠素?zé)晒獾闹脖豢偝跫?jí)生產(chǎn)力估算[D].北京：中國(guó)科學(xué)院大學(xué). Guan L L，2017.Estimation of gross primary production using sun-induced chlorophyll fluorescence[D].Beijing：University of Chinese Academy of Sciences.（in Chinese）.

Gurney K R，Chen Y H，Maki T，et al.，2005.Sensitivity of atmospheric CO2 inversions to seasonal and interannual variations in fossil fuel emissions[J].J Geophys Res Atmos，110（D10）：D10308.doi：10.1029/2004JD005373.

He H L，Wang S Q，Zhang L，et al.，2019.Altered trends in carbon uptake in Chinas terrestrial ecosystems under the enhanced summer monsoon and warming hiatus[J].Natl Sci Rev，6（3）：505-514.doi：10.1093/nsr/nwz021.

Huang N，Wang L，Song X P，et al.，2020.Spatial and temporal variations in global soil respiration and their relationships with climate and land cover[J].Sci Adv，6（41）.doi：10.1126/sciadv.abb8508.

Huntzinger D N，Post W M，Wei Y，et al.，2012.North American Carbon Program （NACP） regional interim synthesis：terrestrial biospheric model intercomparison[J].Ecol Model，232：144-157.doi：10.1016/j.ecolmodel.2012.02.004.

Ichii K，Kondo M，Lee Y H，et al.，2013.Site-level model-data synthesis of terrestrial carbon fluxes in the Carbo East Asia eddy-covariance observation network：toward future modeling efforts[J].J Forest Research，18（1）：13-20.doi：10.1007/s10310-012-0367-9.

Jiang F，Wang H W，Chen J M，et al.，2013.Nested atmospheric inversion for the terrestrial carbon sources and sinks in China[J].Biogeosciences，10（8）：5311-5324.doi：10.5194/bg-10-5311-2013.

Jiang F，Chen J M，Zhou L，et al.，2016.A comprehensive estimate of recent carbon sinks in China using both top-down and bottom-up approaches[J].Scientific Reports，6（1）：22130.

Jung M，Reichstein M，Bondeau A，2009.Towards global empirical upscaling of fluxnet eddy covariance observations：validation of a model tree ensemble approach using a biosphere model[J].Biogeosciences，6（10）：2001-2013.doi：10.5194/bg-6-2001-2009.

Jung M，Reichstein M，Margolis H A，et al.，2011.Global patterns of land-atmosphere fluxes of carbon dioxide，latent heat，and sensible heat derived from eddy covariance，satellite，and meteorological observations[J].J Geophys Res Biogeosci，116（G3）：G00J07.doi：10.1029/2010JG001566.

Kumar J，Hoffman F M，Hargrove W W，et al.，2016.Understanding the representativeness of fluxnet for upscaling carbon flux from eddy covariance measurements[J].Earth Syst Sci Data Discuss：1-25.

李新，劉豐，方苗，2020.模型與觀測(cè)的和弦：地球系統(tǒng)科學(xué)中的數(shù)據(jù)同化[J].中國(guó)科學(xué)：地球科學(xué)，50（9）：1185-1194. Li X，Liu F，F(xiàn)ang M，2020.Harmonizing models and observations：data assimilation in earth system science[J].Science China Earth Sciences，50（9）：1185-1194.（in Chinese）.

李新，馬瀚青，冉有華，等，2021.陸地碳循環(huán)模型-數(shù)據(jù)融合：前沿與挑戰(zhàn)[J].中國(guó)科學(xué)：地球科學(xué)，51（10）：1650-1663. Li X，Ma H Q，Ran Y H，et al.，2021.Terrestrial carbon cycle model-data fusion：progress and challenges[J].Science China Earth Sciences，51（10）：1650-1663.（in Chinese）.

劉良云，白雁，孫睿，等，2021.“全球生態(tài)系統(tǒng)碳循環(huán)關(guān)鍵參數(shù)立體觀測(cè)與反演” 項(xiàng)目概述與研究進(jìn)展[J].遙感技術(shù)與應(yīng)用，36（1）：11-24. Liu L Y，Bai Y，Sun R，et al.，2021.Stereo observation and inversion of the key parameters of global carbon cycle：Project overview and mid-term progressess[J].Remote Sens Technol Appl，36（1）：11-24.doi：10.11873/j.issn.1004-0323.2021.1.0011.（in Chinese）.

Luo Y Q，Ogle K，Tucker C，et al.，2011.Ecological forecasting and data assimilation in a data-rich era[J].Ecological Applications，21（5）：1429-1442.doi：10.1890/09-1275.1.

Mitchard E T A，F(xiàn)eldpausch T R，Brienen R J W，et al.，2014.Markedly divergent estimates of Amazon forest carbon density from ground plots and satellites[J].Glob Ecol Biogeogr，23（8）：935-946.doi：10.1111/geb.12168.

Mu Q Z，Zhao M S，Running S W，et al.，2008.Contribution of increasing CO2 and climate change to the carbon cycle in Chinas ecosystems[J].J Geophys Res Biogeosci，113（G1）：G01018.doi：10.1029/2006JG000316.

Papale D，Black T A，Carvalhais N，et al.，2015.Effect of spatial sampling from European flux towers for estimating carbon and water fluxes with artificial neural networks[J].J Geophys Res Biogeosci，120（10）：1941-1957.doi：10.1002/2015JG002997.

Peng C H，2000.From static biogeographical model to dynamic global vegetation model：a global perspective on modelling vegetation dynamics[J].Ecol Model，135（1）：33-54.doi：10.1016/S0304-3800（00）00348-3.

Piao S，F(xiàn)ang J，Ciais P，et al.，2009.The carbon balance of terrestrial ecosystems in China[J].Nature，458（7241）：1009-1013.

Piao S L，Sitch S，Ciais P，et al.，2013.Evaluation of terrestrial carbon cycle models for their response to climate variability and to CO2 trends[J].Glob Change Biol，19（7）：2117-2132.doi：10.1111/gcb.12187.

Quéré C，Andrew R M，Canadell J G，et al.，2016.Global carbon budget 2016[J].Earth Syst Sci Data，8（2）：605-649.doi：10.5194/essd-8-605-2016.

Raupach M R，Rayner P J，Barrett D J，et al.，2005.Model-data synthesis in terrestrial carbon observation：methods，data requirements and data uncertainty specifications[J].Glob Change Biol，11（3）：378-397.doi：10.1111/j.1365-2486.2005.00917.x.

Rayner P J，2010.The current state of carbon-cycle data assimilation[J].Curr Opin Environ Sustain，2（4）：289-296.doi：10.1016/j.cosust.2010.05.005.

Saatchi S，Mascaro J，Xu L，et al.，2015.Seeing the forest beyond the trees[J].Glob Ecol Biogeogr，24（5）：606-610.doi：10.1111/geb.12256.

Sakaguchi K，Zeng X，Leung L R，et al.，2016.Influence of dynamic vegetation on carbon-nitrogen cycle feedback in the Community Land Model （CLM4）[J].Environ Res Lett，11（12）：124029.doi：10.1088/1748-9326/aa51d9.

Scheiter S，Langan L，Higgins S I，2013.Next-generation dynamic global vegetation models：learning from community ecology[J].New Phytol，198（3）：957-969.doi：10.1111/nph.12210.

Schimel D，Pavlick R，F(xiàn)isher J B，et al.，2015.Observing terrestrial ecosystems and the carbon cycle from space[J].Glob Change Biol，21（5）：1762-1776.doi：10.1111/gcb.12822.

Stephens B B，Gurney K R，Tans P P，et al.，2007.Weak northern and strong tropical land carbon uptake from vertical profiles of atmospheric CO2[J].Science，316（5832）：1732-1735.doi：10.1126/science.1137004.

Stoy P C，Richardson A D，Baldocchi D D，et al.，2009.Biosphere-atmosphere exchange of CO2 in relation to climate：a cross-biome analysis across multiple time scales[J].Biogeosciences，6（10）：2297-2312.doi：10.5194/bg-6-2297-2009.

Tian H Q，Melillo J，Lu C Q，et al.，2011a.Chinas terrestrial carbon balance：contributions from multiple global change factors[J].Glob Biogeochem Cycles，25（1）：GB1007.doi：10.1029/2010GB003838.

Tian H Q，Xu X F，Lu C Q，et al.，2011b.Net exchanges of CO2，CH4，and N2O between Chinas terrestrial ecosystems and the atmosphere and their contributions to global climate warming[J].J Geophys Res Biogeosci，116（G2）：G02011.doi：10.1029/2010JG001393.

Tang X L，Zhao X，Bai Y F，et al.，2018.Carbon pools in Chinas terrestrial ecosystems：new estimates based on an intensive field survey[J].PNAS，115（16）：4021-4026.doi：10.1073/pnas.1700291115.

Verma M，F(xiàn)riedl M A，Richardson A D，et al.，2014.Remote sensing of annual terrestrial gross primary productivity from MODIS：an assessment using the fluxnet La Thuile data set[J].Biogeosciences，11（8）：2185-2200.doi：10.5194/bg-11-2185-2014.

Wang J，F(xiàn)eng L，Palmer P I，et al.，2020.Large chinese land carbon sink estimated from atmospheric carbon dioxide data[J].Nature，586（7831）：720-723.

Wang Y P，Trudinger C M，Enting I G，2009.A review of applications of model-data fusion to studies of terrestrial carbon fluxes at different scales[J].Agric For Meteorol，149（11）：1829-1842.doi：10.1016/j.agrformet.2009.07.009.

Xia J Y，Luo Y Q，Wang Y P，et al.，2013.Traceable components of terrestrial carbon storage capacity in biogeochemical models[J].Glob Change Biol，19（7）：2104-2116.doi：10.1111/gcb.12172.

Xiao J F，Zhuang Q L，Law B E，et al.，2010.A continuous measure of gross primary production for the conterminous United States derived from MODIS and AmeriFlux data[J].Remote Sens Environ，114（3）：576-591.doi：10.1016/j.rse.2009.10.013.

Xiao J F，Chevallier F，Gomez C，et al.，2019.Remote sensing of the terrestrial carbon cycle：a review of advances over 50 years[J].Remote Sens Environ，233：111383.doi：10.1016/j.rse.2019.111383.

Yang D X，Zhang H F，Liu Y，et al.，2017.Monitoring carbon dioxide from space：retrieval algorithm and flux inversion based on GOSAT data and using CarbonTracker-China[J].Adv Atmos Sci，34（8）：965-976.doi：10.1007/s00376-017-6221-4.

Yang Y H，Shi Y，Sun W J，et al.，2022.Terrestrial carbon sinks in China and around the world and their contribution to carbon neutrality[J].Sci China Life Sci，1-35.doi：10.1007/s11427-021-2045-5.

于貴瑞，孫曉敏，2006.陸地生態(tài)系統(tǒng)通量觀測(cè)的原理與方法[M].北京：高等教育出版社. Yu G R，Sun X M，2006.Principles of Flux Measurement in Terrestrial Ecosystems[M].Beijing：Higher Education Press.（in Chinese）.

Zeng J，Matsunaga T，Tan Z H，et al.，2020.Global terrestrial carbon fluxes of 1999—2019 estimated by upscaling eddy covariance data with a random forest[J].Scientific Data，7（1）：313.

Calculating the carbon sequestration rate of terrestrial ecosystems：methods，progress and challenges

LIU Liangyun，SONG Bowen

Aerospace Information Research Institute，Chinese Academy of Sciences，Beijing 100094，China

Global warming，which is caused by the rapid increase of atmospheric CO2，has become an urgent problem for sustainable human development around the world.Terrestrial ecosystems have played an important carbon sink role over the past several decades，by absorbing about 30% of the CO2 emitted by anthropogenic activities.This paper reviews the methods used to estimated the carbon sequestration rate of terrestrial ecosystems，including sampling inventory，flux monitoring，model simulation and remote sensing，and analyzes the progresses and challenges of the current approaches for calculating terrestrial carbon sequestration.Sampling inventory and flux observations can provide direct measurement of plot-scale carbon sequestration rate，yet there remain many problems，such as limited observation samples and insufficient spatial representation.Model simulation methods can describe the terrestrial carbon cycles and simulate the state and change of carbon sequestration rates in terrestrial ecosystems.However，using the approximating and simplifying processes of available models，together with the uncertainties introduced by model-driven data，it is very challenging to accurately model the carbon sequestration rate of terrestrial ecosystems.Satellite remote sensing，which possesses the advantages of global coverage，fine resolution and time-series observations，combined with machine learning methods，can provide a new approach for the estimation of the carbon sequestration rate of terrestrial ecosystems.At present，the various accounting methods that are available for carbon sequestration rates have yet to meet the needs of monitoring carbon sequestration in terrestrial ecosystems，due to the high spatial and temporal heterogeneity.In the future，it is of utmost importance to integrate various accounting approaches，such as ground observations，model simulations and satellite remote sensing，so as to provide an accurate estimation of terrestrial ecosystem carbon sinks at the regional and global scales.

global warming;carbon cycle;terrestrial ecosystems;carbon sequestration rate;satellite remote sensing;flux observation;model simulation

doi：10.13878/j.cnki.dqkxxb.20220303002

（責(zé)任編輯：劉菲）