中國陸地生態系統通量觀測站點空間代表性

王紹強，陳蝶聰，2，* ，周 蕾，何洪林，石 浩，閆慧敏，蘇 文

(1.中國科學院地理科學與資源研究所生態系統網絡觀測與模擬重點實驗室，北京 100101;2.中國科學院大學，北京 100049)

渦度相關技術是測定大氣與生態系統之間CO2交換、水分和能量通量最直接的方法，所提供的數據越來越多地被用作區域性和全球性陸地生態系統和大氣間CO2、水、能量交換的分析依據［1］。全球先后建立了500多個基于渦度相關技術的通量觀測站點，形成全球性和區域性的通量觀測網絡(Fluxnet)［2］，包括美國通量網(AmeriFLUX)、歐洲通量網(CarboEurope)、亞洲通量網(AsiaFlux)、中國通量網(ChinaFLUX)等共42個國家、23個區域性通量研究網絡［3］。由于通量站點構成的網絡本身從未經過正式設計，新增通量觀測塔的選址并沒有嚴格地落在整個網絡中碳水通量空間代表性較弱的區域，而只是根據建站可行性和經驗性判斷，并不一定能很好地監測特定區域范圍內所有生態系統類型的通量變異特征［2］。同時，通量塔的測量值僅僅代表貢獻區尺度的通量，還需要通過尺度擴展方法，應用到區域、國家、洲際或全球尺度來定量化陸地生物圈和大氣間的通量凈交換量［4］。近幾年國外在渦度相關通量尺度擴展方面取得了較大的進展［5-6］，有7個區域性通量觀測研究網絡對尺度擴展進行了研究，研究內容包括:(1)評價通量網絡的代表性［2］;(2)站點尺度的通量如何擴展到更大的空間尺度［7-8］;(3)研究區域、洲際或全球通量的幅度、分布和年際變化［7-8］;(4)評估空間異質性和參數變異性對通量估算的影響［7，9-10］。因此，通量觀測數據從站點到區域的尺度擴展，需要首先評價通量觀測站點的空間代表性，才能用于區域尺度的生態系統和大氣碳水通量交換的時空格局分析。

國外已有科學家對美國通量網和歐洲通量網的代表性開展了定量分析評價［2，11］。例如，Hargrove等［11］研究了美國通量網實際設計對通量觀測數據分析的影響，確定美國通量網現有渦度通量塔對整個美國大陸通量環境的代表性程度。Sulkava等［2］提出一種網絡設計定量化方法(Quantitative network design，QND)，用來評價現有網絡的代表性，通過增加或移除觀測站點來優化網絡，合理設計使新的通量網絡達到最優化。因此，結合多元統計理論和空間分析技術［12］，使得生成的每個生態區內的碳通量都具有相似的影響因素，從而有助于定量表達通量塔代表的空間格局。

中國陸地生態系統通量觀測研究網絡(ChinaFLUX)于2002年建成，最初擁有8個微氣象和16個箱式/氣相色譜法觀測站，對農田、草地、森林和水體等典型生態系統與大氣間CO2、水汽、能量通量進行長期觀測研究，帶動了我國渦度相關通量觀測研究的迅速發展［3］。近幾年來，我國科研和教育機構相繼在國內建立了一批渦度相關通量觀測站點，全國通量觀測站達到85個，彌補了ChinaFLUX觀測站在我國生態系統空間分布和植被類型代表性上的不足，增強了我國通量觀測研究的實力。但是，中國通量觀測站點的建設和其他國家的網絡建設相似，基本上是依托已有野外臺站上進行建設的，覆蓋了主要氣候區內重要的土地利用類型，然而并沒有完全考慮植物、土壤、地形和環境的多樣性、干擾和管理措施等的因素，作為一個整體來監測區域尺度生態系統碳通量變異缺乏系統的評價。

目前中國對通量站點代表性的研究更多的是利用風浪區模型［13］，結合實際觀測數據，對密云［14］、黑河流域［15］等通量觀測站點的空間代表性進行初步分析。由于中國地形復雜，經緯度跨度較大，生態系統類型多樣，景觀破碎化較嚴重，現有的通量觀測站點僅能反映中國部分生態系統碳通量的空間分布特征。因此，通過對現有觀測站點空間代表性程度的定量分析評價，提出我國陸地生態系統通量站點的合理布局，從而使得優化后的通量網絡能夠代表大部分或主要類型的生態系統，有利于通量數據與遙感資料有效結合，提高碳水通量觀測從站點擴展到區域尺度的精度。

1 研究方法與數據處理

1.1 數據來源

本文收集了中國大陸和臺灣地區的渦度相關通量觀測站點信息(附表1)，按照站點的不同屬性如所在省份、所屬部門和生態系統類型等分類統計，繪制現有通量觀測站點的空間分布圖，為通量生態區的劃分判定提供依據。

通量是生態系統碳循環中最為重要的特征參數之一，進行陸地生態系統碳通量的生態區劃時，主要選擇影響植物光合作用的因素作為變量［16］。渦度相關通量塔所觀測到的是凈生態系統 CO2交換量(Net ecosystem exchange，NEE，本文中簡稱碳通量)，本文收集了11個與生態系統碳通量最為相關的變量，數據空間分辨率1 km×1 km，時間分辨率為年，包括氣象因素、土壤因素和地形因素的非生物因子，以及實際植被狀態、植被生產力的生物因子。氣象資料來自中國生態系統研究網絡(CERN)數據庫，包括1970—2000年30a平均氣溫(TEM)、降水量(PRE)、太陽輻射(RAD)和年日照時數(SUN);地形因素選擇1∶100萬的數字高程模型(DEM);土壤數據包括20世紀80年代土壤普查數據得到的土壤有機碳(SOC)和土壤氮含量(STN);實際植被狀況數據包括MODIS反演得到的2006—2008年平均葉面積指數(LAI)、2005年增強型植被指數(EVI)以及來自中國生態系統研究網絡(CERN)數據庫的1970—2000年平均光合有效輻射(PAR);參照歐洲通量網代表性評價中采用總初級生產力(GPP)作為評價指標［2］，本文采用BEPS模型模擬得到的1990—2000年年均GPP作為植被生產力變量。所選變量數據大部分為多年平均值，盡管在時間尺度上無法完全統一，但是也能反映碳通量影響因素的平均狀況和趨勢。

1.2 數據處理

1.2.1 標準化處理

所有的輸入數據都統一了坐標系和投影格式(Albers投影，南標準緯度線為25°N，北標準緯度線為47°N，中央經線為110°E)，并生成空間分辨率為1 km×1 km的柵格數據(行列數為4888×4000)。由于不同的地圖圖層測量單位的差異會直接影響聚類算法的結果［11］，因此在聚類運算之前所有的變量圖層都必須進行標準化處理。首先統計每個輸入圖層所有像元的最大值和最小值，每個像元減去該變量圖層的最小值后除以最大值與最小值的差值，從而使每個變量圖層的像元值都歸一化為0—1之間(圖1)，所有變量圖層采用統一的圖例，剔除各個變量數量級的差異所導致的聚類誤差。

1.2.2 相關性分析

利用ARCGIS的空間相關性分析模塊對選取的11個輸入變量進行兩兩相關性分析。根據相關性矩陣(表1)可以看出，土壤有機碳與土壤氮含量相關系數達90%，本文沒有隨意剔除其中一個，因為有可能10%的不相關中含有額外的信息能用來區分碳通量差異顯著的兩個地區［11］，所以，所選取的11個變量全都保留用于聚類運算。

1.2.3 主成分分析

主成分分析(PCA)是將原來眾多的變量重新組合成一組新的互相無關的綜合變量，同時根據實際需要，從中取出幾個較少的綜合變量盡可能多地反映原來變量信息的統計方法。對11個已作相關性分析的聚類輸入變量進行主成分分析，計算特征值λi(i=1，2，…，11)并按從大到小順序排列，分別計算主成分貢獻率和累計貢獻率。一般來講，為了達到降維的目的，只提取前幾個主成分，由于第一、第二、第三主成分的累計貢獻率達到86.68%(表2)，根據累計貢獻率大于85%的原則［17］，故選取前三個主成分，用3個新變量PC1、PC2、PC3來代替原來的11個變量。

1.3 多元空間地理聚類

圖1 11個經過標準化的聚類圖層Fig.1 11 standardized clustering layers

表1 11個輸入變量的相關性矩陣Table 1 Correlation matrix of 11 input layers

表2 特征值及主成分貢獻率、累計貢獻率Table 2 Eigen values，principal component contribution rate and cumulative contribution rate

空間聚類分析是將地理空間實體或地理單元集合依照某種相似性度量原則劃分為若干個類似地理空間實體或地理單元組成的類或簇的過程，類中實體或單元彼此間具有較高相似性，類與類之間的實體或單元具有較大差異性，是空間數據挖掘的重要組成部分［18-19］。本文使用ENVI軟件的非監督分類中的K-means算法，來實現空間聚類(圖2)。非監督分類即在多光譜圖像中搜尋、定義其自然相似光譜集群組的過程，其中不需要人工選擇訓練樣本，僅需極少的人工初始輸入，計算機按照一定規則自動地根據像元光譜或空間等特征組成集群組，然后分析者將每個組和參考數據比較，將其劃分到某一類別中去，主要有K-means算法和ISODATA 算法［20］。

K-means算法在空間聚類各算法中一直處于核心地位，是由MacQueen于1967年提出的，在目前的聚類分析中應用最為廣泛，具有算法簡單且收斂速度快的特點［21］。本研究中采用K-means算法作為多元空間地理聚類的算法，把與碳通量相關的生物與非生物因子作為空間地理聚類的輸入因子，隨機在所有圖層選擇k類中心，每個聚類中心擁有11個變量，隨后剩余的每個柵格，根據其自帶的11個變量的值計算與k類聚類中心的距離，并根據最近距離原則賦值給最近的聚類中心。聚類中心及其屬于該聚類中心的柵格重新計算新的聚類中心，不斷重復這個過程，直到準則函數收斂［22］。

K-means算法具體步驟:

(1)選K個初始聚類中心，z1(k)，z2(k)，…，zk(k)，其中k為迭代運算的次序號，初始時k=1。

(2)逐個將模式樣本x按最小距離準則分配給K個聚類中心中的某一個zj(k)，

(3)計算新的聚類中心，zjk+1( )，1≤j≤K，

式中，Nj為第j個聚類域Sj中所包含的樣本個數。

(4)設e為迭代誤差閾值，可根據需要設置，若

則迭代結束，否則k=k+1，返回(1)。

1.4 通量生態區的代表性評價

圖2 多元空間地理聚類方法示意圖Fig.2 Diagram of multivariate geographic clustering approach

生態區劃是在對生態系統客觀認識和充分研究的基礎上，應用生態學原理和方法，結合地理學、氣候學、土壤學、環境科學和資源科學等多個學科的知識，揭示自然生態區域的相似性和差異性規律，以及人類活動對生態系統干擾的規律，從而進行整合和分異，劃分生態環境的區域單元［23-24］。傅伯杰等［25-26］根據我國的氣候、地貌、地形、生態系統特點以及人類活動規律等特征，將我國劃分為3個生態大區、13個生態地區、57個生態區。Williams等［27］利用多元地理聚類法，從影響通量變化的氣候、地形和土壤等16個因子中挑選出最重要的3個因子，通過主成分分析法進行聚類運算，繪制了美國愛荷華州的農業生態區劃分布圖。與生態區劃相類似，通量生態區劃是根據與生態系統碳通量相關的環境變量的綜合影響，綜合分析各個要素或變量的空間分異特征、結構組合和區域分布對通量的影響。通量生態區內部的氣象因素、土壤因素和地形因素的非生物因子，以及實際植被狀態、植被生產力的生物因子具有高度的相似性，不同的通量生態區能夠反映區域間碳通量的差異。利用多元地理聚類分析方法對每個像元進行空間聚類，得到不同聚類數(25類、50類、75類、100類、150類和200類)的通量生態區。根據中國現有通量觀測站點的空間分布格局，與空間聚類得到的通量生態區進行對比疊加，綜合分析現有通量站點的代表性。

2 結果分析

2.1 中國通量觀測站點的現狀及分析

中國現有85個通量觀測站，其中包括38個森林站、17個農田站、16個草地站、7個荒漠站和7個濕地站(圖3)。從站點分布圖中可以看出，目前中國通量觀測站點大部分分布在中國東部地區;黑河流域(甘肅、青海交界處)有8個通量站點，分布較為密集;西部高寒區和干旱區的通量站點較少，新疆只有1個阜康草地站和1個塔中荒漠站，西藏北部沒有通量站點;西南地區如廣西、貴州兩省缺少通量塔的布設。從生態系統類型統計來看，森林站點最多，占整個中國通量站點的45%，而荒漠、濕地站點較少。

2.2 多元空間聚類通量生態區分析

本文利用多元空間地理聚類方法，分別對影響碳通量的3個主成分變量圖層進行25類、50類、75類、100類、150類和200類的空間聚類運算，結果如圖4所示。從圖中可以看出，西北地區由于生態系統類型單一，環境因子相似，通量生態區劃的界限比較明顯，不同分類數量所導致的區劃間差異較小;南方地區生態系統類型錯綜復雜，隨著聚類個數的增加，通量生態區更加破碎。因此南方地區比西北地區可能需要布設更多的通量觀測站點，來反映復雜地形條件下生態系統類型的通量變化特征。

為了與25、50、75、100、150、200 類的空間聚類運算結果進行對比分析，按照現有85個通量觀測站點，本文還進行了85類通量生態區的計算。隨著通量生態區數量的增加，對生態區的劃分不斷細化，通量生態區面積的平均值、最大值、最小值、標準差呈不同幅度的下降趨勢(表3)。隨著聚類數的增加，原有的比較均質的區域由于環境因子的微小差異，被劃分成更加細致的區域(圖4)。

圖3 中國陸地生態系統通量觀測站點的生態系統類型Fig.3 Ecosystem types of eddy flux tower stations of terrestrial ecosystems in China

圖4 不同聚類數的通量生態區分布，顏色代表不同的生態區Fig.4 Flux-ecoregions based on different number of clusters

將25類通量生態區的平均面積分別除以25、50、75、100、150、200類聚類的通量生態區相應的平均面積，發現通量生態區平均面積縮小的倍數與聚類數增加的倍數一致(表3)。以表3中25類通量生態區面積的平均值、最大值、最小值、極差和標準差分別作為基準，通量生態區面積的平均值和標準差的縮小倍數與聚類數增加的倍數較為一致，最大值的縮小倍數落后于聚類數增加的倍數，而最小值的縮小倍數大于聚類數增加的倍數。隨著通量生態區數量的增加，最小面積減小的速度明顯要快于最大面積的減少，這主要是南方地區環境因子相對復雜，分類更加細化，而北方地區環境因子單一，差異相對較小。

表3 不同聚類數的通量生態區面積Table 3 Areas of different flux-ecoregions

2.3 現有站點與通量生態區的綜合分析

基于現有通量觀測站點的數量，對3個主成分變量圖層進行了85類的聚類運算(圖5)。將現有通量觀測站點與空間聚類得到的85類通量生態區疊加分析，在85個通量生態區中，有51個區含有通量觀測站點，生態區覆蓋率即含有通量觀測站點的生態區的個數占分區個數(即聚類數)的比例為60%，國土面積覆蓋率即含有通量觀測站點的生態區的面積占全國國土面積的比例為63.2%。對85類通量生態區中的51個含有通量觀測點的分區作生態區內所含站點數統計:31個區內只含有一個站點，12個區內含有2個站點，6個區內含有3個站點，2個區內含有4個以上的站點。因此，假設全國有85類生態區，目前這85個站點僅能代表全國60%左右的生態系統碳通量空間特征，還有近40%的區域需要增加通量觀測站點的布設，即新增34個通量觀測站點。

對不同聚類數的通量生態區中現有站點的覆蓋情況進行統計(表4)，發現隨著分區個數的增加，含有通量觀測站點的生態區的個數呈增加趨勢，但是現有站點的生態區覆蓋率和國土面積覆蓋率都在逐漸減小。85類通量生態區的國土面積覆蓋率比75類的高，是由于85類通量生態區的空間聚類是考慮了現有站點的空間分布，導致大部分站點落在面積較大的生態區，沒有站點的生態區數量多而且面積較小，因而按照國土覆蓋率達到90%以上來說比100類通量生態區需要更多地新增站點。從150個通量生態區增加到200個時，含有通量站點的生態區個數和含有1個站點的生態區個數都不變，意味著聚類區的增加不再對現有85個通量站的空間分布有明顯的區劃作用了，可以將150作為當前通量站點數量增加的上限。

現有的85個通量站點在50類和75類聚類的通量生態區中，僅能覆蓋60%—67%的國土面積，說明目前85個站點的分布仍然不平衡，部分地區較為集中，空間代表性需要加強。如果按照85類通量生態區的區劃方案，生態區數量和國土面積覆蓋率都達到90%以上的，僅僅新增加25—26個通量站點即可。其次，150類通量生態區中有62個區包含現有站點，在此基礎上，至少需要增加73個站點才能覆蓋90%以上的通量生態區。同樣150類通量生態區中，現有站點只能覆蓋國土面積的43.5%，若要覆蓋率達到90%以上，需要新增加55個站點，從覆蓋更多國土面積的角度考慮，能夠少增加約20個站點，可以節省建設、運行等費用。

圖5 85類通量生態區劃分Fig.5 85 clusters of flux-ecoregion regionalization

表4 不同聚類數通量生態區內的現有站點覆蓋情況Table 4 The covering of existing sites in different flux-ecoregions

2.4 現有站點與自然地理區劃的綜合分析

為了更好地分析中國通量觀測站點空間代表性，我們將現有通量觀測站點與自然地理區劃［28］疊加分析(圖6)。從圖6中發現，全國55個自然地理區劃生態區中有18個生態區缺乏通量觀測站點，主要集中在中溫帶半干旱地區、南亞熱帶濕潤地區、青藏高原寒帶干旱地區和青藏高原溫帶干旱地區。從這個意義上來講，在18個缺乏通量觀測站點的生態區分別增加通量站點，也能起到增強空間代表性的作用。根據現有通量觀測站點與自然地理區劃生態區的疊加分析，發現在37個含有通量觀測點的自然地理區劃生態區中:13個生態區只含有1個站點，9個生態區含有2個站點，7個生態區含有3個站點，4個生態區含有4個站點，3個生態區含有5個以上的站點。通量觀測站分布的空間變異性較大，85個通量站點中，38個站點分布在生態區邊界，大多數站點位于較偏地區和接近邊界地區，只有8個站點處于生態區中心附近，由此看來，目前通量觀測站點的空間代表性需要加強。

圖6 通量站點在自然地理區劃生態區中的分布Fig.6 Spatial distribution of eddy flux tower stations in geographical regionalization

3 討論

國外已有科學家對美國通量網和歐洲通量網的代表性開展了定量分析評價。Hargrove等［11］首先選取調控碳通量以及影響植被光合作用與呼吸作用的氣候、土壤、干擾等25個環境因子，采用K-means聚類方法，生成9套不同的美國通量生態區劃，為美國通量網找到5個最優的新增地理位置。Sulkava等［2］以歐洲通量網絡為例，根據三類研究問題設計8個模擬情景，將氣候要素和土壤要素或總初級生產力(Gross primary productivity，GPP)作為輸入變量，根據K-means++聚類分析，使同一類中數據點到聚類中心的平均距離平方即量化誤差最小，得到k個聚類，選取與k個聚類中心距離最近的像元作為k個樣本通量塔的位置。同時以GPP為目標變量，根據k個樣本通量塔的數據，用人工神經網絡模型(Artificial neural network，ANN)進行尺度擴展，用GPP的均值、空間變異性、半方差函數參數(塊金值、基臺值、變程)和時空變異性這四項指標來估算現有網絡的代表性。最后根據不同的設計情景，設定平均量化誤差閾值，確定現有站點中應保留的站點數量及新增站點數量，計算尺度擴展結果的不確定性，優化通量網絡中3種植被類型的設計［2］。由此可見，多元統計理論和空間分析技術結合有助于優化通量網絡的設計，推動通量觀測的尺度擴展研究的進一步深入發展。

本研究采用多元地理變量空間聚類方法，基于分層的環境數據空間，把主要影響通量的氣候、土壤、植被特征相似的劃分為一個區域，把中國生態系統劃分成具有相對均質通量特征的生態區域，確定現有渦度通量觀測站點對整個中國陸地生態系統的代表性程度，并根據與碳通量相關的生態系統特征定量化的相似性，為外推現有的通量觀測來估計那些沒有觀測值的生態區通量提供理論基礎。假定每一個通量生態區表示一類生態系統，每一類生態系統至少有一個通量觀測塔，那么劃分的通量生態區越多，需要新增加的通量塔就越多。由于通量塔的建設受到觀測技術的發展程度、資金、運行管理、電力、地形、環境等各方面條件的限制，要在目前85個站點基礎上新增加100多個站點，從而覆蓋200個通量生態區也是不現實的。綜合現有站點對不同聚類數的通量生態區的覆蓋率和區內站點數來看，通量生態區劃分為100—150類比較合適，需要新增的通量塔數量大約25—55個，這樣既覆蓋中國生態系統的大部分主要類型，同時也能充分利用現有通量觀測站點網絡的優勢。

根據本文3.3節的結果，若要使國土面積覆蓋率達90%以上，對于85類通量生態區，可在準格爾盆地、柴達木盆地、青藏高原、阿拉善高原、呼倫貝爾高原、大興安嶺、黑龍江東北部、三江平原、云貴高原、四川盆地、東南地區等增加25個站點;對于100類通量生態區，可在準格爾盆地、塔里木盆地、柴達木盆地、青藏高原、阿拉善高原、鄂爾多斯高原、大興安嶺、黑龍江東北部、三江平原、東北平原、云貴高原、四川盆地、東南地區等地區增加21個站點;對于150類通量生態區，可在全國大部分地區增加55個站點。

綜合中國通量觀測站點的現狀和通量生態區的結果分析，西部高寒區和干旱區的通量站點較少，西南地區廣西、貴州兩省缺少通量塔的布設，加之南方地區生態系統類型破碎復雜，未來的通量觀測站點布局可考慮在上述地區增加新的渦度相關通量站點，提高中國生態系統通量觀測站點的代表性。

4 結論

本文通過收集主要影響碳通量的變量數據(包括氣象因素、土壤因素和地形因素的非生物因子、實際植被狀態以及植被生產力)，用主成分分析法得到3個主成分變量，基于K-means空間聚類分析方法，分別計算出25、50、75、85、100、150、200類的通量生態區。利用中國現有的85個渦度相關通量觀測站點，與75—200類的通量生態區進行對比分析，能代表30%—60%的生態系統類型。綜合現有站點對不同聚類數的通量生態區的覆蓋率和區內站點數來看，考慮現有站點分布格局，通量生態區劃分為100—150類比較合適;考慮到渦度相關設備運行成本，在盡可能利用現有通量觀測塔的基礎上，通量站點可增加至100—150個，這樣能覆蓋中國陸地生態系統的大部分主要類型。

本研究采用3個主成分變量進行通量生態區的空間聚類，由于信息量的減少會對聚類的結果和分析有一定的影響。其次，進行K-means聚類運算時，像元變化閾值、最多迭代次數和聚類數量的設置主觀性較強，也會影響到分類結果。第三，本文重點是用空間聚類方法獲得的通量生態區，來評價現有站點在通量生態區的空間分布情況，尚未分析聚類中心和現有通量塔位置之間的關系，難以定量化通量站點的最優位置。第四，由于難以獲取所有85個通量站點的月或年通量觀測值，本文無法對比分析通量生態區的GPP模擬值與站點的GPP觀測值，從而未能更加有效地定量評價新增站點在現有網絡中的代表性，無法確定現有站點中應保留的站點數量及新增站點數量。由于現有通量觀測站點空間代表性有待提高，在現有站點空間格局的基礎上，結合中國地形的破碎化和生態系統類型的多樣性，需要找出更多的定量化的指標，提出我國陸地生態系統通量站點的合理布局，從而為通量觀測從站點擴展到區域提供基礎數據，使通量數據與遙感觀測資料有機地結合，更加有效地用于檢驗過程機理模型的模擬結果。

［1］Baldocchi D D，Falge E，Gu L H，Olson R，Hollinger D，Running S，Anthoni P，Bernhofer C，Davis K，Evans R，Fuentes J，Goldstein A，Katul G，Law B，Lee X H，Malhi Y，Meyers T，Munger W，Oechel W，Paw K T，Pilegaard K，Schmid H P，Valentini R，Verma S，Vesala T，Wilson K，Wofsy S.FLUXNET:A new tool to study the temporal and spatial variability of ecosystem-Scale carbon dioxide，water vapor，and energy flux densities.American Meteorological Society，2001，82(11):2415-2434.

［2］Sulkava M，Luyssaert S，Zaehle S，Papale D.Assessing and improving the representativeness of monitoring networks:The European flux tower network example.Journal of Geophysical Research，2011，116:G00J04，doi:10.1029/2010JG001562.

［3］Yu G R，Sun X M.Principles of Flux Measurement in Terrestrial Ecosystems.Beijing:Higher Education Press，2006.

［4］Xiao J F，Zhuang Q L，Baldocchi D D，Law B E，Richardson A D，Chen JQ，Oren R，Starr G，Noormets A，Ma SY，Verma SB，Wharton S，Wofsy SC，Bolstad P V，Burns SP，Cook D R，Curtis P S，Drake B G，Falk M，Fischer M L，Foster D R，Gu L H，Hadley JL，Hollinger D Y，Katul G G，Litvak M，Martin T A，Matamala R，McNulty S，Meyers T P，Monson R K，Munger JW，Oechel W C，Paw U K T，Schmid H P，Scott R L，Sun G，Suyker A E，Torn M S.Estimation of net ecosystem carbon exchange for the conterminous United States by combining MODIS and Ameri Flux data.Agricultural and Forest Meteorology，2008，148(11):1827-1847.

［5］Xiao J F，Zhuang Q L，Law B E，Baldocchi D D，Chen J Q，Richardson A D，Melillo J M，Davis K J，Hollinger D Y，Wharton S，Oren R，Noormets A，Fischer M L，Verma SB，Cook D R，Sun G，McNulty S，Wofsy SC，Bolstad P V，Burns SP，Curtis P S，Drake B G，Falk M，Foster D R，Gu L H，Hadley JL，Katulk GG，Litvak M，Ma SY，Martinz T A，Matamala R，Meyers T P，Monson R K，Munger JW，Oechel W C，Paw U K T，Schmid H P，Scott R L，Starr G，Suyker A E，Torn M S.Assessing net ecosystem carbon exchange of U.S.terrestrial ecosystems by integrating eddy covariance flux measurements and satellite observations.Agricultural and Forest Meteorologys，2011，151(1):60-69.

［6］Jung M，Reichstein M，Bondeau A.Towards global empirical upscaling of FLUXNET eddy covariance observations:Validation of a model tree ensemble approach using a biosphere model.Biogeosciences，2009，6(10):2001-2013.

［7］Xiao J F，Davis K J，Urban N M，Keller K，Saliendra N Z.Upscaling carbon fluxes from towers to the regional scale:Influence of parameter variability and land cover representation on regional flux estimates.Journal of Geophysical Research，2011，116:G00J06，doi:10.1029/2010JG001568.

［8］Jung M，Reichstein M，Margolis H A，Cescatti A，Richardson A D，Arain M A，Arneth A，Bernhofer C，Bonal D，Chen J Q，Gianelle D，Gobron N，Kiely G，Kutsch W，Lasslop G，Law B E，Lindroth A，Merbold L，Montagnani L，Moors E J，Papale D，Sottocornola M，Vaccari F，Williams C.Global patterns of land-atmosphere fluxes of carbon dioxide，latent heat，and sensible heat derived from eddy covariance，satellite，and meteorological observations.Journal of Geophysical Research，2011，116:G00J07，doi:10.1029/2010JG001566.

［9］Desai A R.Climatic and phenological controls on coherent regional interannual variability of carbon dioxide flux in a heterogeneous landscape.Journal of Geophysical Research，2010，115:G00J02，doi:10.1029/2010JG001423.

［10］Chasmer L，Kljun N，Hopkinson C，Brown S，Milne T，Giroux K，Barr A，Devito K，Creed I，Petrone R.Characterizing vegetation structural and topographic characteristics sampled by eddy covariance within two mature aspen stands using lidar and a flux footprint model:Scaling to MODIS.Journal of Geophysical Research，2011，116:G02026，doi:10.1029/2010JG001567.

［11］Hargrove W W，Hoffman F M，Law B E.New analysis reveals representativeness of the AmeriFlux network.EOS，Transactions，American Geophysical Union，2003，84(48):529-544.

［12］Hargrove W W，Hoffman F M.Potential of multivariate quantitative methods for delineation and visualization of ecoregions.Environmental Management，2005，34(S1):S39-S60.

［13］Mi N，Yu G R，Wang P X，Wen X F，Sun X M.A preliminary study for spatial representiveness of flux observation at ChinaFLUX sites.Science in China Series D:Earth Sciences，2006，49(S2)24-35.

［14］Gong L J，Liu SM.Flux spatial representativeness of Miyun//Chinese Meteorological Society.Proceeding of Ecological Meteorology Operation Establishment and Agricultural Meteorology Disaster Warning.Beijing:Chinese Meteorological Society，2007.

［15］Shuang X，Liu S M，Xu Z W，Wang W Z.Investigation of spatial representativeness for surface flux measurements in the Heihe river basin.Advances in Earth Science，2009，24(7):724-733.

［16］Song T，Wang SQ，Gao JX，Han Y W.A study on the scaling-up of CO2fluxes at Haibei station based on GISand RStechnologies.International Journal of Intelligent Information Technology Application，2010，3(2):71-78.

［17］Zhang W T.Senior Tutorial of SPSSStatistical Analysis.Beijing:Higher Education Press，2004.

［18］Chen SQ，Yang CC.Clusteringmethod for area geographical entities based on cluster validity function.Journal of Zhengzhou Institute of Surveying and Mapping，2006，23(1):44-47.

［19］Liu S，Ji GL.A review of researches on spatial clustering.Journal of Nanjing Normal University:Engineering and Technology，2010，10(2):57-62.

［20］Zhao Y S.Principles and Methods of Remote Sensing Application Analysis.Beijing:Science Press，2003.

［21］Wang Y，Song Z B，Wu P L.A study on spatial clustering of urban function partition.Areal Research and Development，2009，28(1):27-31.

［22］Lin D Y，Liu H P.Spatial clustering analysis in the point data distribution.Journal of Beijing Normal University:Natural Science，2006，42(4):419-423.

［23］Liu G H，Fu B J.The principle and characteristics of ecological regionalization.Advances in Environmental Science，1998，6(6):67-72.

［24］Cheng Y Q，Zhang P Y.Progress on eco-geographical regionalization researches.Acta Ecologica Sinica，2006，26(10):3424-3433.

［25］Fu B J，Chen L D，Liu G H.The objectives，tasks and characteristics of China ecological regionalization.Acta Ecologica Sinica，1999，19(5):591-595.

［26］Fu B J，Liu G H，Chen L D，Ma K M，Li JR.Scheme of ecological regionalization in China.Acta Ecologica Sinica，2001，21(1):1-6.

［27］Williams C L，Hargrove W W，Liebman M，James D E.Agro-ecoregionalization of Iowa using multivariate geographical clustering.Agriculture，Ecosystems and Environment，2008，123(1/3):161-174.

［28］Huang B W.Primary scheme of comprehensive natural geographical zonation.Acta Geographica Sinica，1958，24(4):348-365.

參考文獻:

［3］于貴瑞，孫曉敏.陸地生態系統通量觀測的原理與方法.北京:高等教育出版社，2006.

［13］米娜，于貴瑞，溫學發，孫曉敏.中國通量觀測網絡(ChinaFLUX)通量觀測空間代表性初步研究.中國科學(D輯:地球科學)，2006，(增刊I):22-33.

［14］宮麗娟，劉紹民.密云通量觀測的空間代表性 //中國氣象學會.中國氣象學會2007年年會生態氣象業務建設與農業氣象災害預警分會場論文集.北京:中國氣象學會，2007.

［15］雙喜，劉紹民，徐自為，王維真.黑河流域觀測通量的空間代表性研究.地球科學進展，2009，24(7):724-733.

［17］張文彤.SPSS統計分析高級教程.北京:高等教育出版社，2004.

［18］陳四清，楊春成.基于聚類有效性函數的面狀地理實體聚類.測繪科學技術學報，2006，23(1):44-47.

［19］柳盛，吉根林.空間聚類技術研究綜述.南京師范大學學報:工程技術版，2010，10(2):57-62.

［20］趙英時.遙感應用分析原理與方法.北京:科學出版社，2003.

［21］王艷，宋振柏，吳佩林.城市功能分區的空間聚類方法研究及其應用——以濟南市為例.地域研究與開發，2009，28(1):27-31.

［22］林冬云，劉慧平.應用空間聚類進行點數據分布研究.北京師范大學學報:自然科學版，2006，42(4):419-423.［23］劉國華，傅伯杰.生態區劃的原則及其特征.環境科學進展，1998，6(6):67-72.

［24］程葉青，張平宇.生態地理區劃研究進展.生態學報，2006，26(10):3424-3433.

［25］傅伯杰，陳利頂，劉國華.中國生態區劃的目的、任務及特點.生態學報，1999，19(5):591-595.

［26］傅伯杰，劉國華，陳利頂，馬克明，李俊然.中國生態區劃方案.生態學報，2001，21(1):1-6.

［28］黃秉維.中國綜合自然區劃的初步草案.地理學報，1958，24(4):348-365.

附表1 中國陸地生態系統通量觀測站點信息Attached table 1 Information of eddy flux tower stations of terrestrial ecosystems in China

續表