![]()
河流在全球碳循环中发挥着至关重要的作用。基于卫星的方法为评估地表水CO2分压（pCO2）和通量提供了广泛的空间和时间覆盖范围，有效地弥补了实地调查无法提供的宏观信息差距。然而，目前大多数关于水体CO2遥感的研究是在湖泊和海洋进行的，由于河流中pCO2的空间和时间变化很大，因此在估算河流水-气界面CO2通量时存在很大的不确定性，应用遥感估算仍处于探索阶段。
本研究收集了松花江干流200多个样点的pCO2数据，采用多元线性回归（MLR）和两种机器学习算法：随机森林（RF）和XGBoost对松花江pCO2进行了估算。这项研究对于阐明河流系统在全球碳循环中的作用和评估内陆水域对全球气候变化的影响具有重要意义。
1. 收集和汇编松花江pCO2现场测量数据并进行相关性分析，确定敏感光谱变量，用于使用Sentinel-2卫星数据估算pCO2；
2. 基于机器学习方法构建各种pCO2遥感模型并进行比较；
3. 选择性能最好的模型，估算松花江干流pCO2；
4. 基于pCO2估算结果，探究2022年松花江pCO2和通量的季节变化模式。
图1 显示松花江采样点分布的地图。所有实验均在干流进行松花江干流中的pCO2存在显著的季节性变化，夏季(1453±595µatm)最高，秋季(544±329µatm)和春季(316±194µatm)次之。pCO2与温度和降水呈正相关，与其他地形和水质参数呈负相关（图2、图3）。![]()
图2 松花江pCO2与环境驱动因子的相关性分析，符号“×”表示p>0.05，实心圆表示p<0.05图3 松花江pCO2模型的校准和验证：（a）单因子MLR；（b）多因子MLR；（c）单因子RF；（d）多因子RF；（e）单因子XGBoost；（f）多因子XGBoost选择模型6作为估算模型，图4展示了基于校准集(n=161)的输入变量重要性排序。XGBoost模型根据增益(Gain)将EVI(7,8)和降水列为最重要的变量。这表明增强型植被指数和降水因子赋予模型6在解释和预测pCO2的时空格局方面最高的解释力和预测能力。2. 2022年无冰期松花江干流表层pCO2和通量模型反演结果与实测值的季节性趋势密切相关，反演值呈现夏季(445±125µatm)>秋季(373±58µatm)>春季(351±57µatm)的明显季节变化（图5）。为评估表层水pCO2的空间分布，将整个松花江干流分为五段(E1, E2,
E3, W1, W2)。每段的pCO2季节性模式都与整个干流的趋势一致。从空间上看，西松花江(W-SHJ)上游(344±50µatm)的平均pCO2值低于下游(412±48µatm)。东松花江(E-SHJ)中游的平均pCO2值最高(419±49µatm)，而上游和下游的数值相当(388±35 vs.
388±39µatm)。2022年夏季，松花江大部分河段的pCO2值均呈过饱和状态。图5 松花江干流pCO2的时空分布。D1、D2和D3代表E-SHJ的上、中、下游，而E1和E2代表W-SHJ的上、下游2022年，松花江的CO2通量呈季节性变化（图6），春季为-6.47±6.58mmol/㎡/d，夏季为2.37±11.63mmol/㎡/d，秋季为-4.22±6.49mmol/㎡/d。在春季和秋季，松花江干流分别从大气中吸收了10.85和7.75Gg C，而在夏季则向大气中排放了3.0Gg C。总体而言，在无冰期，松花江干流是大气的碳汇，年CO2通量为-15.6Gg C。
图6 2022年松花江平均CO2通量的空间分布
松花江在不同景观的CO2通量具有明显的空间差异。2022年松花江干流的CO2通量可以按如下顺序排列：农田河段>草地河段>湿地河段>森林河段。农田河段被确定为大气碳源，平均CO2通量为0.21±1.72mmol/㎡/d。草地、湿地和森林河段的CO2通量分别为-1.9±0.62mmol/㎡/d、-2.51±1.22mmol/㎡/d和-3.92±6.74mmol/㎡/d，均为负值。河流CO2通量与耕地覆盖率呈正相关，与森林覆盖率呈负相关（图7）。图7 CO2通量与不同流域景观格局之间的回归分析。绿点代表森林河段，黄点代表农田河段河流碳循环由于受到气候、地貌和人类活动等多种因素的影响，具有复杂性。并且河流pCO2的时空异质性给碳通量估算带来了很大挑战。利用遥感技术构建河流pCO2估算模型进行时空反演，可以降低不确定性。北方河流是大气CO2的重要来源，对气候变化的响应值得进一步研究。估算的松花江pCO2值低于同级别的其他河流，可能与纳入模型的气候因子（降水量和温度）的变化有关。研究结果表明，降水量与松花江pCO2的时空变化解释度更高，可能因为降水加速了沿岸土壤呼吸作用释放的CO2进入河流，土壤是影响河流pCO2时空变化的重要因素。松花江反演的CO2通量(-2.77±5.73mmol/㎡/d)明显低于中国其他主要河流(黄河、长江上游)和国外部分河流(密西西比河、鄂毕河)的排放速率，松花江在该年份更像是一个弱CO2汇。气候因子：研究纳入了降水量作为模型的输入因子，降水可能加速了周边土壤呼吸作用释放的CO2进入河流。流域土地利用类型：松花江流域的农田面积与CO2通量呈正相关（图6），这与已有的研究相符，农田河段被认为是大气CO2的源。相比之下，森林河段在2022年表现为大气CO2的汇，抵消了部分农耕区域的排放。然而，该发现与美国部分河流的研究结论相悖，后者认为森林河段由于降水和地形的影响，CO2通量应该更高。机器学习模型需要大量数据才能准确模拟环境现象，由于春季和夏季的采样数据不足，模型的季节性结果可能存在误差。受云的影响，无法获取足够的高质量卫星影像来研究河流pCO2的月度变化，模型只能研究季节尺度的变化；受陆地混合像元的影响，难以准确捕捉流域内小型支流pCO2的时空变化，模型仅估算干流的CO2通量，忽略了小型河流可能具有较高的pCO2。今后应深入研究遥感数据融合，使之与实测的日尺度和小时尺度数据相匹配，并估算支流的CO2通量。仅在晴朗无云的白天进行采样，模型未考虑昼夜pCO2的差异，今后应增加典型景观河段的昼夜采样，以减少昼夜变化带来的误差。河流面积有季节性显著变化，而模型未充分考虑汛期水域面积的变化带来的影响。模型采用全球数据集计算气体交换速率，缺乏实测数据验证，可能导致通量估算偏差。未来研究应纳入径流数据，以更好地评估气体交换速率，提高通量估算精度，使用卫星影像估计气体交换速率可能是一个很有前途的研究领域。此外，在气候变化背景下，河流pCO2的时间变化可能会因风暴等极端天气事件而改变，这可能会导致模型模拟中出现一些系统性不确定性。以上总结仅代表个人对论文的理解，仅供研究参考所用，不用于商业用途。若上述理解内容有误，请以论文原文为主。未经同意，禁止转载。
https://doi.org/10.1016/j.jhydrol.2024.131074点击左下方 “阅读原文” 可下载论文原文。
湖泊遥感与智慧流域创新团队，主要围绕湖泊开展历史重构、现状观测和未来变化模拟等模型研制和应用实践工作，并在流域尺度开展大数据智慧管理平台研究，保障湖泊水质安全。团队拥有博士和硕士导师4人（段洪涛，罗菊花，刘东，谭振宇），可分别在中国科学院南京地理与湖泊研究所、西北大学以及南京信息工程大学（国科大南京学院联合培养）等招收博、硕士研究生，欢迎报考！同时，长期招收联合培养研究生，欢迎咨询！
联系人：段洪涛研究员，htduan@niglas.ac.cn。
