高分辨率的日二氧化碳浓度制图对监测碳排放、评估碳中和进展及制定减排策略至关重要。然而，当前碳同化模型CarbonTracker模拟的XCO₂空间分辨率过于粗糙，无法满足精细尺度的监测需求。传统的基于回归模型的超分辨率方法仅建立简单的像素级关联关系，不符合二氧化碳时空分布特性。为此，我们开发了一个基于深度学习的时空模型（DeepCarbon），从与大气传输、碳排放和碳汇相关的多源数据中提取时空特征并在精细尺度上评估XCO₂。同时，以0.1°空间分辨率融合了来自OCO-2和CarbonTracker CT2022的XCO₂，获得了覆盖更广泛、样本更丰富的训练标签用于DeepCarbon拟合。完成了中国2015-2020年每日全覆盖0.1°XCO₂制图，分析了研究期间XCO₂增长的变化趋势。实验结果表明，DeepCarbon可以有效提取并融合多源数据的时空特征，实现对CarbonTracker XCO₂的精细化。

时空建模,CarbonTracker,高分辨率日XCO2,时空无缝,OCO-2