近年来，中国大气二氧化碳浓度逐年上升。卫星观测是获取大气二氧化碳浓度的主要手段。然而，目前用于测量大气二氧化碳的星载传感器观测范围较窄，无法获得时空连续的大气二氧化碳浓度。因此，本数据集提出了一种基于 DSC-DF-LGB（Deep Separable Convolutional Neural Network and Deep Forest concatenated with LightGBM）模型的日全覆盖 XCO2 数据集生成方法，以获取中国大气二氧化碳的时空分布。建立 DSC-DF-LGB 模型的目的是训练 OCO-2 XCO2 检索与相关变量（再分析 XCO2 、植被参数、人为因素、海拔高度和气象参数）之间的映射关系。利用该模型生成了 2015 至 2020 年中国每日 0.1° 全覆盖 XCO2 数据集。全覆盖和高分辨率的 XCO2 数据集可为碳源和碳汇研究提供数据支持。
包括估算后得到的 XCO2数据和现场测量的XCO2数据。
数据集提出了一种基于 DSC-DF-LGB（Deep Separable Convolutional Neural Network and Deep Forest concatenated with LightGBM）模型的日全覆盖 XCO2 数据集生成方法，以获取中国大气二氧化碳的时空分布。
交叉验证（CV）结果表明，该模型在估算XCO2方面具有很强的性能，R2 和 RMSE 分别为 0.9633 和 0.9761 ppm。TCCON 独立现场验证结果表明，估算的 XCO2 与现场测量值高度一致，R2 和 RMSE 分别为 0.8786 和 1.5452 ppm。
本作品采用
知识共享署名
4.0 国际许可协议进行许可。
CSTR:11738.11.NCDC.ZENODO.DB6751.2025
10.5281/zenodo.13352556
