基于卫星观测与两阶段深度学习模型的全球每日0.05°无缝XCH?重构（2018–2024）

《Environmental Impact Assessment Review》：Global daily 0.05° seamless XCH? reconstruction from satellite observations using a two-stage deep-learning model (2018–2024)

　　

• •
  两阶段模型生成了覆盖全球陆地的0.05°无缝日度XCH?产品。
• •
  多源Swin-UNet重建填补了TROPOMI观测的间隙。
• •
  TCCON约束的TabM校准改善了与地面观测的一致性。
• •
  站组交叉验证和留出的2024年评估支持模型迁移。
• •
  留出的2024年验证达到R² = 0.958，RMSE = 6.36 ppb。

引言

甲烷（CH?）是仅次于二氧化碳（CO?）的第二大人为温室气体（Xu等人，2025）。其强烈的增温效应和相对较短的大气寿命使CH?减排成为限制近期升温的有效手段（IPCC，2023；Song等人，2026）。自2007年以来，全球大气CH?浓度迅速上升，2020至2023年期间年增幅尤为显著（Saunois等人，2025）。在第26届联合国气候变化大会上，全球甲烷承诺呼吁集体将人为甲烷排放量从2020年水平减少至少30%（European Commission，2022）。因此，长期、全球一致的CH?观测对于评估减排政策、制定有效减排策略以及约束全球甲烷预算至关重要。

大气CH?的监测手段包括地面观测网络、大气化学传输模型和卫星遥感。地面傅里叶变换光谱仪网络，包括总碳柱观测网络（TCCON；Wunch等人，2011）和协作碳柱观测网络（COCCON；Frey等人，2019），提供了对XCH?的精确、可溯源的长期测量。然而，其稀疏且不均匀的空间分布限制了全球和区域分析。大气化学传输模型将排放清单与大气物理和化学过程的表征相结合。例如，CarbonTracker-CH?（Oh等人，2025）和哥白尼大气监测服务（CAMS）的温室气体再分析与反演产品（Agustí-Panareda等人，2023），提供了空间和时间上完整的三维场。但其相对较粗的空间分辨率以及对先验排放、传输误差、模型参数化和观测约束的敏感性限制了其对局地浓度梯度的表征能力。短波红外卫星反演补充了上述方法，通过提供广泛的覆盖范围和较高的时空分辨率，同时对低层大气的CH?变化保持敏感性。自2002年以来，ENVISAT/SCIAMACHY（Schneising等人，2012）、GOSAT/TANSO-FTS（Jacob等人，2016）、GOSAT-2/TANSO-FTS-2（Suto等人，2021）和Sentinel-5P/TROPOMI（Lorente等人，2023）逐步增加了甲烷柱平均干空气摩尔分数（XCH?）观测的采样密度和连续性。然而，仪器依赖的轨宽和重访周期、不利的太阳天顶角、云和气溶胶污染以及地表反射率仍然限制着有效反演的可用性。由此产生的间隙和不均匀的时空覆盖限制了连续的区域和全球时间序列分析。

为生成时空上无缝的XCH?产品，重建方法大致可分为观测驱动的地质统计学插值、背景场融合以及机器学习和深度学习方法。观测驱动的方法（如时空克里金）从可用反演的空间和时间自相关中推算XCH?（Li等人，2022；Cao等人，2023）。它们对外部输入的需求较少，且保留了卫星记录的概率结构，但当观测稀疏或空间聚集时，其估计值会变得不确定或过度平滑。因此，通常只有在比原始反演更粗的空间或时间分辨率上才能获得稳定的全球覆盖。背景场融合则将连续的再分析或模型场视为初始估计，并推导出卫星辅助的修正以产生无缝产品（Wang等人，2023b）。尽管该方法改善了连续性，但仍对背景场的误差敏感。频域平滑也可能减弱细尺度梯度和突变变化，且生成的产品通常具有相对较粗的空间分辨率。机器学习和深度学习方法建立了XCH?与多源辅助变量之间的非线性映射，这些辅助变量与CH?源、汇、传输和大气化学有关。它们已被应用于区域和全球尺度，使用了多个卫星传感器的观测数据（Jin等人，2024；Alcibahy等人，2025；Qu等人，2025；Wan等人，2025；Xiao等人，2026）。与前两种方法相比，这些模型能够更有效地表征复杂的非线性关系和耦合的时空变异性，在提高覆盖率和精度的同时保持相对较高的时空分辨率。

尽管取得了这些进展，但在近期TROPOMI时期内生成覆盖全球陆地的高分辨率连续日度XCH?数据集仍然具有挑战性。现有的长期全球日度产品仅提供0.1°或更粗的分辨率，这限制了它们解析强梯度源区和局地异常中细尺度变化的能力。现有的机器学习和深度学习重建将任务表述为对独立表格样本的逐像素回归。因此，它们无法显式建模XCH?与共置预测因子之间的关系如何随周围空间环境而变化或如何在连续日期间演变，限制了其捕捉局部梯度、空间纹理和时间持续性的能力。这些研究还主要依赖于再分析背景、反演参数和有限的一组气象或陆地表面变量，使得与CH?源、汇、传输和大气化学相关的信息整合不够充分。重建的卫星产品还可能保留了与TCCON等高准确度地面观测之间的区域、季节和场景相关差异。因此，剩余的挑战是在单一框架内满足以下四项要求：细网格全球日度重建、多样过程相关预测因子的整合、图像上下文和跨日持续性的显式表征，以及与可溯源地面测量的校准。

为满足这些要求，我们开发了一个全球XCH?重建与校准的两阶段框架。第一阶段以TROPOMI XCH?为训练目标，在三分支架构中整合了六类环境预测因子，该架构结合了Swin-UNet与ConvLSTM。第二阶段对第一阶段估计值与TCCON观测值之间的残差差异进行了建模。我们比较了六个候选表格模型，并将选定的模型应用于全球以生成校准后的产品。所生成的数据集支持甲烷趋势分析、排放热点识别、区域源汇动力学特征描述，以及将观测到的XCH?变异性归因于自然和人为驱动因素的努力。

章节摘要

卫星XCH?数据

训练标签的主要来源是Sentinel-5P/TROPOMI Level-2甲烷产品S5P_L2_CH4_HiR（V2）。Sentinel-5P是一颗太阳同步、近极轨卫星，赤道过境时间约为当地时间13:30。TROPOMI利用短波红外CH?吸收带和氧A带的测量值反演甲烷柱平均干空气摩尔分数（XCH?）。在近天底观测条件下，SWIR足迹约为

第一阶段连续重建及与TCCON的一致性

表S4报告了两个第一阶段模型的训练配置和选定的检查点。2018至2022年和2023至2024年模型的验证集R²值分别为0.955和0.937。第一阶段产品、原始TROPOMI反演和CAMS场在相同的有效站日样本上与TCCON进行了评估，使用了共同的指标；共位程序详见附录S3。相对于TCCON，原始TROPOMI反演的R² = 0.888，RMSE = 12.24 ppb，

讨论

我们将卫星观测驱动的重建和地面观测约束的残差校准在一个两阶段框架中进行了关联。第一阶段从稀疏的TROPOMI观测中恢复了完整的日度空间场，第二阶段则调整了第一阶段估计值与TCCON之间的系统性差异。这种分离使卫星观测、多源环境预测因子和地面准确度基准在同一框架内各自发挥不同作用。

结论

我们开发了一个两阶段框架，对稀疏的TROPOMI XCH?观测进行重建，并将重建场与TCCON进行校准，生成了2018至2024年全球陆地的无缝日度0.05°数据集。第一阶段在所有TCCON共位样本中达到R² = 0.935和RMSE = 9.65 ppb。在六个残差校准模型中，TabM表现出了最强的泛化能力，在10折站组交叉验证中R² = 0.954，RMSE = 7.86 ppb，在

资金来源

本研究得到了河南省高等教育教学改革研究项目（项目编号：2024SJGLX0292）的支持。

数据与代码可用性

用于模型开发的所有数据集均可从表S1所列的公开来源获取。本研究生成的无缝XCH?数据集可公开获取，来源为国立青藏高原/第三极环境数据中心（Wang，2026；doi:10.11888/Atmos.tpdc.303574；CSTR：https://cstr.cn/18406.11.Atmos.tpdc.303574）。用于数据预处理、模型训练、验证和推理的代码可在//github.com/wangjiawei-ops/global-xch4-two-stage-reconstruction

利益冲突声明

作者声明他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

致谢

我们衷心感谢欧洲航天局提供Sentinel-5P/TROPOMI甲烷产品，以及欧洲中期天气预报中心和哥白尼气候变化服务提供ERA5和ERA5-Land气象数据。我们还感谢表S1所列公开数据集的提供者。

王伟杰｜徐天毅｜朱贵芬