本研究评估了遥感卫星、温室气体观测卫星（GOSAT）和轨道碳观测站2（OCO-2）对大气CO2进行区域到地方尺度监测的性能,并综合利用它们的数据集进行多种应用和开发新的改进亚洲各地区二氧化碳监测的方法。卫星数据集首先根据2019年3月在中国上空进行的空降活动中获得的现场CO2观测数据进行验证。其次,将GOSAT和OCO-2的检索结果与几个模型数据进行广泛比较,以确定卫星与模型数据集之间的差异。第三,利用GOSAT数据集分别研究了中亚、东亚、南亚、东南亚和西亚五个亚洲地区大气CO2的时空分布及其控制因素。第四,开发了一个基于神经网络的模型,使用OCO-2数据集估计区域尺度的CO2排放。最后,评估了 OCO-2在城市尺度监测大气CO2的潜力。使用卫星数据集在城市层面监测大气CO2是一项具有挑战性的任务,因为目前的CO2监测卫星已经开发用于区域尺度的CO2监测,并且与背景浓度和自然变化相比,城市规模的大气CO2变化非常小。此外,这种变化通常不会比卫星的测量噪声大多少。在机载实验期间,获得了约0.5至8.0公里高度之间的CO2垂直剖面。利用获取的垂直剖面推导出干空气柱平均CO2摩尔分数,即XCO2。使用OCO-2和GOSAT的XCO2数据产品对机载原位测量获得的XCO2数据进行评估,与GOSAT和OCO-2的XCO2偏差分别是1.33 ppm（0.32%）和-1.70 ppm（-0.41%）。此外,还将卫星数据集的垂直CO2剖面与原位测量数据以及美国国家海洋和大气管理局（NOAA）CarbonTracker和GEOS-Chem模型数据集进行比较。卫星数据集通过展示类似于原位数据集和模型数据集的模式来捕捉二氧化碳的垂直结构。但是,在数据集的大小上发现了一些差异。将GOSAT和OCO-2数据集与亚洲五个地区（即中亚、东亚、南亚、东南亚和西亚）的CarbonTracker模型数据进行比较。将模式数据集估计的XCO2值与卫星数据集在相关性、空间分布、长期时间序列、年增长和季节变化方面进行比较。卫星和模型数据集在空间分布上显示出良好的一致性。比较结果表明,相对于亚洲的CarbonTracker 数据,GOSAT 被高估了 0.61 ppm,OCO-2 被低估了 0.31 ppm。长期时间序列和气候学比较表明,GOSAT和OCO-2都能够捕捉到月度波动和季节变化。根据卫星和模型数据集计算的年增长率也与来自CO2表面观测和世界温室气体数据中心（WDCGG）的NOAA增长率一致。在空间分布上,卫星数据集显示出类似于CarbonTracker的空间分布情况,但是在研究区域的一些部分观察到浓度差异。例如,GOSAT和OCO-2在位于东亚的青藏高原上被高估,而在东亚东部地区被低估了。结果表明,可以从任一数据集中使用二氧化碳来了解其在区域到全球范围内的碳收支、气候变化和空气质量中的作用。在对卫星数据集进行验证和比较后,利用GOSAT L4B产品分别研究了亚洲5个地区近地表CO2的时空分布及其影响因素。受季风影响的地区也作为一个单独的地区进行研究。为研究控制空间分布的因素,研究了近地表CO2与人为排放、风和陆地生态系统的关系,结果表明人为排放主要控制近地表CO2在大部分地区的空间分布。然而,在亚洲地区,风和陆地生态系统也发挥着重要作用。此外,还研究了近地表二氧化碳与相对湿度、降水和植被的关系,以确定它们对亚洲每个地区（包括受季风影响地区）近地表二氧化碳时间分布的影响。受季风影响地区的CO2浓度急剧下降,同时雨季降水量、相对湿度和归一化差异植被指数（NDVI）最高。为了开发使用卫星数据集估算人为CO2排放的模型,我们利用OCO-2中的XCO2和中分辨率成像光谱仪（MODIS）中的净初级生产力（NPP）作为输入数据集,并构建广义回归神经网络基于网络（GRNN）的CO2预测模型。为了从星载观测数据中计算人为排放的CO2,通过计算XCO2异常来对XCO2反演进行去趋势和去季节化处理。然后使用2015年至2018年的XCO2异常、NPP和人为CO2排放数据集的开源数据清单（ODIAC）训练GRNN模型,最后根据NPP和同年得出的XCO2异常。将估算值和ODIACCO2排放量进行比较,结果在空间分布方面表现出良好的一致性。分别估算了东亚和西亚的二氧化碳排放量。此外,分别确定了东亚和西亚的ODIAC排放与XCO2异常之间的相关性,东亚表现出相对较好的结果。结果表明,基于卫星的XCO2反演可用于估算区域尺度的人为CO2排放量,通过增加更多的CO2排放量和浓度数据集,进一步改进GRNN模型可以提高结果的准确性。为了使用卫星数据监测城市范围内的大气CO2,我们使用了 OCO-2在6年（2015-2020）期间的XCO2估算值,以及其他一些数据集,包括NOAA碳追踪模型中的CO2摩尔分数、ODIAC数据集中的CO2排放量,以及从臭氧监测仪器（OMI）反演的NO2对流层柱,对巴基斯坦120多个地区的CO2情景进行排序和解释。为了研究来自星载观测的人为CO2,根据每个区域空间边界内的OCO-2反演计算XCO2异常,然后分析研究区域内XCO2异常的总体空间分布模式。在中巴经济走廊（CPEC）沿线的城市中,可以观察到集中度增加的空间格局。自过去十年以来,靠近CPEC路线的区域正在快速发展。然后将基于卫星的XCO2异常的空间分布模式与几个数据集进行比较,包括ODIAC CO2排放量、OMINO2对流层柱、作物火灾位置、夜间灯光和人口密度,并在所有数据集中观察到空间分布模式的相似性。为了研究巴基斯坦的二氧化碳排放量,计算了各地区空间边界内的二氧化碳排放量。此外,根据平均XCO2异常浓度和平均ODIAC CO2排放量对这些城市进行排名,结果显示,在值较高的城市中具有一致性,但是,在XCO2异常值和ODIAC CO2排放量较低的城市中观察到差异。为了进一步研究XCO2异常和ODIAC排放之间以及与人口密度和NO2柱等其他变量之间的关系,对数据集进行了统计分析。结果表明,XCO2异常与ODIAC排放、NO2柱和种群密度有很好的相关性,如果用更高的值进行分析,这种相关性会增加。