地面总碳柱观测网络（TCCON）观测的XCO₂数据具有较高的精度和稳定性，是验证和系统校正卫星XCO₂数据的主要数据源。然而，全球目前只有27个在运行的TCCON站点，难以满足XCO₂产品不同区域的验证需求，且基于实测数据的卫星XCO₂数据评价会存在由站点代表性和星地数据空间尺度不匹配等引起的不确定性。Triple-Collocation算法（TC）提供了一种在不需要真实值情况下估计同一目标变量在三个或三个以上数据集上误差的有效方法。本研究首次应用TC技术对2014年9月至2019年3月的GOSAT（Greenhouse gases Observing SATellite）、OCO-2（Orbiting Carbon Observatory 2）不同卫星反演的XCO₂数据和CarbonTracker（CT2019B）模式同化反演的XCO₂数据进行全球评估，并与基于TCCON地面站点测量XCO2数据的直接评估结果进行比较。研究结果表明：（1）基于TC算法的评估结果与传统直接验证结果整体上具有较高的一致性，即CT2019B表现最好，其次是OCO-2，最后是 GOSAT。其中，TC相关系数估计值（CC）比均方根误差估计值（RMSE）具有更高的一致性和更强的鲁棒性；（2）基于TC算法的误差估计表明，三个数据集尤其是GOSAT和CT2019B数据集在大多数陆域区域的误差整体大于海洋区域。虽然CT2019B数据在大多数地区尤其是海洋区域总体上优于GOSAT和OCO-2，但是其在俄罗斯和除西北部的中国大部分区域误差较大。GOSAT在青藏高原地区观察到较大的RMSE值和较低的CC值。而OCO-2在这些区域表现良好，RMSE值低于1 ppm，CC值高于0.98；（3）TC估计的不确定分析表明，TC模型中数据集的选择会对TC验证结果具有影响。今后随着XCO₂数据产品的增加，研究将会应用更多数据进行验证。本研究为地面站点观测稀缺情况下XCO₂数据产品的空间误差估计提供了一种可选的有效误差估计方法。

XCO2,Triple-Collocation算法,全球评估,GOSAT,OCO-2,CarbonTracker