中国陆地生态系统通量观测站点空间代表性

王绍强，陈蝶聪，2，* ，周 蕾，何洪林，石 浩，闫慧敏，苏 文

(1.中国科学院地理科学与资源研究所生态系统网络观测与模拟重点实验室，北京 100101;2.中国科学院大学，北京 100049)

涡度相关技术是测定大气与生态系统之间CO2交换、水分和能量通量最直接的方法，所提供的数据越来越多地被用作区域性和全球性陆地生态系统和大气间CO2、水、能量交换的分析依据［1］。全球先后建立了500多个基于涡度相关技术的通量观测站点，形成全球性和区域性的通量观测网络(Fluxnet)［2］，包括美国通量网(AmeriFLUX)、欧洲通量网(CarboEurope)、亚洲通量网(AsiaFlux)、中国通量网(ChinaFLUX)等共42个国家、23个区域性通量研究网络［3］。由于通量站点构成的网络本身从未经过正式设计，新增通量观测塔的选址并没有严格地落在整个网络中碳水通量空间代表性较弱的区域，而只是根据建站可行性和经验性判断，并不一定能很好地监测特定区域范围内所有生态系统类型的通量变异特征［2］。同时，通量塔的测量值仅仅代表贡献区尺度的通量，还需要通过尺度扩展方法，应用到区域、国家、洲际或全球尺度来定量化陆地生物圈和大气间的通量净交换量［4］。近几年国外在涡度相关通量尺度扩展方面取得了较大的进展［5-6］，有7个区域性通量观测研究网络对尺度扩展进行了研究，研究内容包括:(1)评价通量网络的代表性［2］;(2)站点尺度的通量如何扩展到更大的空间尺度［7-8］;(3)研究区域、洲际或全球通量的幅度、分布和年际变化［7-8］;(4)评估空间异质性和参数变异性对通量估算的影响［7，9-10］。因此，通量观测数据从站点到区域的尺度扩展，需要首先评价通量观测站点的空间代表性，才能用于区域尺度的生态系统和大气碳水通量交换的时空格局分析。

国外已有科学家对美国通量网和欧洲通量网的代表性开展了定量分析评价［2，11］。例如，Hargrove等［11］研究了美国通量网实际设计对通量观测数据分析的影响，确定美国通量网现有涡度通量塔对整个美国大陆通量环境的代表性程度。Sulkava等［2］提出一种网络设计定量化方法(Quantitative network design，QND)，用来评价现有网络的代表性，通过增加或移除观测站点来优化网络，合理设计使新的通量网络达到最优化。因此，结合多元统计理论和空间分析技术［12］，使得生成的每个生态区内的碳通量都具有相似的影响因素，从而有助于定量表达通量塔代表的空间格局。

中国陆地生态系统通量观测研究网络(ChinaFLUX)于2002年建成，最初拥有8个微气象和16个箱式/气相色谱法观测站，对农田、草地、森林和水体等典型生态系统与大气间CO2、水汽、能量通量进行长期观测研究，带动了我国涡度相关通量观测研究的迅速发展［3］。近几年来，我国科研和教育机构相继在国内建立了一批涡度相关通量观测站点，全国通量观测站达到85个，弥补了ChinaFLUX观测站在我国生态系统空间分布和植被类型代表性上的不足，增强了我国通量观测研究的实力。但是，中国通量观测站点的建设和其他国家的网络建设相似，基本上是依托已有野外台站上进行建设的，覆盖了主要气候区内重要的土地利用类型，然而并没有完全考虑植物、土壤、地形和环境的多样性、干扰和管理措施等的因素，作为一个整体来监测区域尺度生态系统碳通量变异缺乏系统的评价。

目前中国对通量站点代表性的研究更多的是利用风浪区模型［13］，结合实际观测数据，对密云［14］、黑河流域［15］等通量观测站点的空间代表性进行初步分析。由于中国地形复杂，经纬度跨度较大，生态系统类型多样，景观破碎化较严重，现有的通量观测站点仅能反映中国部分生态系统碳通量的空间分布特征。因此，通过对现有观测站点空间代表性程度的定量分析评价，提出我国陆地生态系统通量站点的合理布局，从而使得优化后的通量网络能够代表大部分或主要类型的生态系统，有利于通量数据与遥感资料有效结合，提高碳水通量观测从站点扩展到区域尺度的精度。

1 研究方法与数据处理

1.1 数据来源

本文收集了中国大陆和台湾地区的涡度相关通量观测站点信息(附表1)，按照站点的不同属性如所在省份、所属部门和生态系统类型等分类统计，绘制现有通量观测站点的空间分布图，为通量生态区的划分判定提供依据。

通量是生态系统碳循环中最为重要的特征参数之一，进行陆地生态系统碳通量的生态区划时，主要选择影响植物光合作用的因素作为变量［16］。涡度相关通量塔所观测到的是净生态系统 CO2交换量(Net ecosystem exchange，NEE，本文中简称碳通量)，本文收集了11个与生态系统碳通量最为相关的变量，数据空间分辨率1 km×1 km，时间分辨率为年，包括气象因素、土壤因素和地形因素的非生物因子，以及实际植被状态、植被生产力的生物因子。气象资料来自中国生态系统研究网络(CERN)数据库，包括1970—2000年30a平均气温(TEM)、降水量(PRE)、太阳辐射(RAD)和年日照时数(SUN);地形因素选择1∶100万的数字高程模型(DEM);土壤数据包括20世纪80年代土壤普查数据得到的土壤有机碳(SOC)和土壤氮含量(STN);实际植被状况数据包括MODIS反演得到的2006—2008年平均叶面积指数(LAI)、2005年增强型植被指数(EVI)以及来自中国生态系统研究网络(CERN)数据库的1970—2000年平均光合有效辐射(PAR);参照欧洲通量网代表性评价中采用总初级生产力(GPP)作为评价指标［2］，本文采用BEPS模型模拟得到的1990—2000年年均GPP作为植被生产力变量。所选变量数据大部分为多年平均值，尽管在时间尺度上无法完全统一，但是也能反映碳通量影响因素的平均状况和趋势。

1.2 数据处理

1.2.1 标准化处理

所有的输入数据都统一了坐标系和投影格式(Albers投影，南标准纬度线为25°N，北标准纬度线为47°N，中央经线为110°E)，并生成空间分辨率为1 km×1 km的栅格数据(行列数为4888×4000)。由于不同的地图图层测量单位的差异会直接影响聚类算法的结果［11］，因此在聚类运算之前所有的变量图层都必须进行标准化处理。首先统计每个输入图层所有像元的最大值和最小值，每个像元减去该变量图层的最小值后除以最大值与最小值的差值，从而使每个变量图层的像元值都归一化为0—1之间(图1)，所有变量图层采用统一的图例，剔除各个变量数量级的差异所导致的聚类误差。

1.2.2 相关性分析

利用ARCGIS的空间相关性分析模块对选取的11个输入变量进行两两相关性分析。根据相关性矩阵(表1)可以看出，土壤有机碳与土壤氮含量相关系数达90%，本文没有随意剔除其中一个，因为有可能10%的不相关中含有额外的信息能用来区分碳通量差异显著的两个地区［11］，所以，所选取的11个变量全都保留用于聚类运算。

1.2.3 主成分分析

主成分分析(PCA)是将原来众多的变量重新组合成一组新的互相无关的综合变量，同时根据实际需要，从中取出几个较少的综合变量尽可能多地反映原来变量信息的统计方法。对11个已作相关性分析的聚类输入变量进行主成分分析，计算特征值λi(i=1，2，…，11)并按从大到小顺序排列，分别计算主成分贡献率和累计贡献率。一般来讲，为了达到降维的目的，只提取前几个主成分，由于第一、第二、第三主成分的累计贡献率达到86.68%(表2)，根据累计贡献率大于85%的原则［17］，故选取前三个主成分，用3个新变量PC1、PC2、PC3来代替原来的11个变量。

1.3 多元空间地理聚类

图1 11个经过标准化的聚类图层Fig.1 11 standardized clustering layers

表1 11个输入变量的相关性矩阵Table 1 Correlation matrix of 11 input layers

表2 特征值及主成分贡献率、累计贡献率Table 2 Eigen values，principal component contribution rate and cumulative contribution rate

空间聚类分析是将地理空间实体或地理单元集合依照某种相似性度量原则划分为若干个类似地理空间实体或地理单元组成的类或簇的过程，类中实体或单元彼此间具有较高相似性，类与类之间的实体或单元具有较大差异性，是空间数据挖掘的重要组成部分［18-19］。本文使用ENVI软件的非监督分类中的K-means算法，来实现空间聚类(图2)。非监督分类即在多光谱图像中搜寻、定义其自然相似光谱集群组的过程，其中不需要人工选择训练样本，仅需极少的人工初始输入，计算机按照一定规则自动地根据像元光谱或空间等特征组成集群组，然后分析者将每个组和参考数据比较，将其划分到某一类别中去，主要有K-means算法和ISODATA 算法［20］。

K-means算法在空间聚类各算法中一直处于核心地位，是由MacQueen于1967年提出的，在目前的聚类分析中应用最为广泛，具有算法简单且收敛速度快的特点［21］。本研究中采用K-means算法作为多元空间地理聚类的算法，把与碳通量相关的生物与非生物因子作为空间地理聚类的输入因子，随机在所有图层选择k类中心，每个聚类中心拥有11个变量，随后剩余的每个栅格，根据其自带的11个变量的值计算与k类聚类中心的距离，并根据最近距离原则赋值给最近的聚类中心。聚类中心及其属于该聚类中心的栅格重新计算新的聚类中心，不断重复这个过程，直到准则函数收敛［22］。

K-means算法具体步骤:

(1)选K个初始聚类中心，z1(k)，z2(k)，…，zk(k)，其中k为迭代运算的次序号，初始时k=1。

(2)逐个将模式样本x按最小距离准则分配给K个聚类中心中的某一个zj(k)，

(3)计算新的聚类中心，zjk+1( )，1≤j≤K，

式中，Nj为第j个聚类域Sj中所包含的样本个数。

(4)设e为迭代误差阈值，可根据需要设置，若

则迭代结束，否则k=k+1，返回(1)。

1.4 通量生态区的代表性评价

图2 多元空间地理聚类方法示意图Fig.2 Diagram of multivariate geographic clustering approach

生态区划是在对生态系统客观认识和充分研究的基础上，应用生态学原理和方法，结合地理学、气候学、土壤学、环境科学和资源科学等多个学科的知识，揭示自然生态区域的相似性和差异性规律，以及人类活动对生态系统干扰的规律，从而进行整合和分异，划分生态环境的区域单元［23-24］。傅伯杰等［25-26］根据我国的气候、地貌、地形、生态系统特点以及人类活动规律等特征，将我国划分为3个生态大区、13个生态地区、57个生态区。Williams等［27］利用多元地理聚类法，从影响通量变化的气候、地形和土壤等16个因子中挑选出最重要的3个因子，通过主成分分析法进行聚类运算，绘制了美国爱荷华州的农业生态区划分布图。与生态区划相类似，通量生态区划是根据与生态系统碳通量相关的环境变量的综合影响，综合分析各个要素或变量的空间分异特征、结构组合和区域分布对通量的影响。通量生态区内部的气象因素、土壤因素和地形因素的非生物因子，以及实际植被状态、植被生产力的生物因子具有高度的相似性，不同的通量生态区能够反映区域间碳通量的差异。利用多元地理聚类分析方法对每个像元进行空间聚类，得到不同聚类数(25类、50类、75类、100类、150类和200类)的通量生态区。根据中国现有通量观测站点的空间分布格局，与空间聚类得到的通量生态区进行对比叠加，综合分析现有通量站点的代表性。

2 结果分析

2.1 中国通量观测站点的现状及分析

中国现有85个通量观测站，其中包括38个森林站、17个农田站、16个草地站、7个荒漠站和7个湿地站(图3)。从站点分布图中可以看出，目前中国通量观测站点大部分分布在中国东部地区;黑河流域(甘肃、青海交界处)有8个通量站点，分布较为密集;西部高寒区和干旱区的通量站点较少，新疆只有1个阜康草地站和1个塔中荒漠站，西藏北部没有通量站点;西南地区如广西、贵州两省缺少通量塔的布设。从生态系统类型统计来看，森林站点最多，占整个中国通量站点的45%，而荒漠、湿地站点较少。

2.2 多元空间聚类通量生态区分析

本文利用多元空间地理聚类方法，分别对影响碳通量的3个主成分变量图层进行25类、50类、75类、100类、150类和200类的空间聚类运算，结果如图4所示。从图中可以看出，西北地区由于生态系统类型单一，环境因子相似，通量生态区划的界限比较明显，不同分类数量所导致的区划间差异较小;南方地区生态系统类型错综复杂，随着聚类个数的增加，通量生态区更加破碎。因此南方地区比西北地区可能需要布设更多的通量观测站点，来反映复杂地形条件下生态系统类型的通量变化特征。

为了与25、50、75、100、150、200 类的空间聚类运算结果进行对比分析，按照现有85个通量观测站点，本文还进行了85类通量生态区的计算。随着通量生态区数量的增加，对生态区的划分不断细化，通量生态区面积的平均值、最大值、最小值、标准差呈不同幅度的下降趋势(表3)。随着聚类数的增加，原有的比较均质的区域由于环境因子的微小差异，被划分成更加细致的区域(图4)。

图3 中国陆地生态系统通量观测站点的生态系统类型Fig.3 Ecosystem types of eddy flux tower stations of terrestrial ecosystems in China

图4 不同聚类数的通量生态区分布，颜色代表不同的生态区Fig.4 Flux-ecoregions based on different number of clusters

将25类通量生态区的平均面积分别除以25、50、75、100、150、200类聚类的通量生态区相应的平均面积，发现通量生态区平均面积缩小的倍数与聚类数增加的倍数一致(表3)。以表3中25类通量生态区面积的平均值、最大值、最小值、极差和标准差分别作为基准，通量生态区面积的平均值和标准差的缩小倍数与聚类数增加的倍数较为一致，最大值的缩小倍数落后于聚类数增加的倍数，而最小值的缩小倍数大于聚类数增加的倍数。随着通量生态区数量的增加，最小面积减小的速度明显要快于最大面积的减少，这主要是南方地区环境因子相对复杂，分类更加细化，而北方地区环境因子单一，差异相对较小。

表3 不同聚类数的通量生态区面积Table 3 Areas of different flux-ecoregions

2.3 现有站点与通量生态区的综合分析

基于现有通量观测站点的数量，对3个主成分变量图层进行了85类的聚类运算(图5)。将现有通量观测站点与空间聚类得到的85类通量生态区叠加分析，在85个通量生态区中，有51个区含有通量观测站点，生态区覆盖率即含有通量观测站点的生态区的个数占分区个数(即聚类数)的比例为60%，国土面积覆盖率即含有通量观测站点的生态区的面积占全国国土面积的比例为63.2%。对85类通量生态区中的51个含有通量观测点的分区作生态区内所含站点数统计:31个区内只含有一个站点，12个区内含有2个站点，6个区内含有3个站点，2个区内含有4个以上的站点。因此，假设全国有85类生态区，目前这85个站点仅能代表全国60%左右的生态系统碳通量空间特征，还有近40%的区域需要增加通量观测站点的布设，即新增34个通量观测站点。

对不同聚类数的通量生态区中现有站点的覆盖情况进行统计(表4)，发现随着分区个数的增加，含有通量观测站点的生态区的个数呈增加趋势，但是现有站点的生态区覆盖率和国土面积覆盖率都在逐渐减小。85类通量生态区的国土面积覆盖率比75类的高，是由于85类通量生态区的空间聚类是考虑了现有站点的空间分布，导致大部分站点落在面积较大的生态区，没有站点的生态区数量多而且面积较小，因而按照国土覆盖率达到90%以上来说比100类通量生态区需要更多地新增站点。从150个通量生态区增加到200个时，含有通量站点的生态区个数和含有1个站点的生态区个数都不变，意味着聚类区的增加不再对现有85个通量站的空间分布有明显的区划作用了，可以将150作为当前通量站点数量增加的上限。

现有的85个通量站点在50类和75类聚类的通量生态区中，仅能覆盖60%—67%的国土面积，说明目前85个站点的分布仍然不平衡，部分地区较为集中，空间代表性需要加强。如果按照85类通量生态区的区划方案，生态区数量和国土面积覆盖率都达到90%以上的，仅仅新增加25—26个通量站点即可。其次，150类通量生态区中有62个区包含现有站点，在此基础上，至少需要增加73个站点才能覆盖90%以上的通量生态区。同样150类通量生态区中，现有站点只能覆盖国土面积的43.5%，若要覆盖率达到90%以上，需要新增加55个站点，从覆盖更多国土面积的角度考虑，能够少增加约20个站点，可以节省建设、运行等费用。

图5 85类通量生态区划分Fig.5 85 clusters of flux-ecoregion regionalization

表4 不同聚类数通量生态区内的现有站点覆盖情况Table 4 The covering of existing sites in different flux-ecoregions

2.4 现有站点与自然地理区划的综合分析

为了更好地分析中国通量观测站点空间代表性，我们将现有通量观测站点与自然地理区划［28］叠加分析(图6)。从图6中发现，全国55个自然地理区划生态区中有18个生态区缺乏通量观测站点，主要集中在中温带半干旱地区、南亚热带湿润地区、青藏高原寒带干旱地区和青藏高原温带干旱地区。从这个意义上来讲，在18个缺乏通量观测站点的生态区分别增加通量站点，也能起到增强空间代表性的作用。根据现有通量观测站点与自然地理区划生态区的叠加分析，发现在37个含有通量观测点的自然地理区划生态区中:13个生态区只含有1个站点，9个生态区含有2个站点，7个生态区含有3个站点，4个生态区含有4个站点，3个生态区含有5个以上的站点。通量观测站分布的空间变异性较大，85个通量站点中，38个站点分布在生态区边界，大多数站点位于较偏地区和接近边界地区，只有8个站点处于生态区中心附近，由此看来，目前通量观测站点的空间代表性需要加强。

图6 通量站点在自然地理区划生态区中的分布Fig.6 Spatial distribution of eddy flux tower stations in geographical regionalization

3 讨论

国外已有科学家对美国通量网和欧洲通量网的代表性开展了定量分析评价。Hargrove等［11］首先选取调控碳通量以及影响植被光合作用与呼吸作用的气候、土壤、干扰等25个环境因子，采用K-means聚类方法，生成9套不同的美国通量生态区划，为美国通量网找到5个最优的新增地理位置。Sulkava等［2］以欧洲通量网络为例，根据三类研究问题设计8个模拟情景，将气候要素和土壤要素或总初级生产力(Gross primary productivity，GPP)作为输入变量，根据K-means++聚类分析，使同一类中数据点到聚类中心的平均距离平方即量化误差最小，得到k个聚类，选取与k个聚类中心距离最近的像元作为k个样本通量塔的位置。同时以GPP为目标变量，根据k个样本通量塔的数据，用人工神经网络模型(Artificial neural network，ANN)进行尺度扩展，用GPP的均值、空间变异性、半方差函数参数(块金值、基台值、变程)和时空变异性这四项指标来估算现有网络的代表性。最后根据不同的设计情景，设定平均量化误差阈值，确定现有站点中应保留的站点数量及新增站点数量，计算尺度扩展结果的不确定性，优化通量网络中3种植被类型的设计［2］。由此可见，多元统计理论和空间分析技术结合有助于优化通量网络的设计，推动通量观测的尺度扩展研究的进一步深入发展。

本研究采用多元地理变量空间聚类方法，基于分层的环境数据空间，把主要影响通量的气候、土壤、植被特征相似的划分为一个区域，把中国生态系统划分成具有相对均质通量特征的生态区域，确定现有涡度通量观测站点对整个中国陆地生态系统的代表性程度，并根据与碳通量相关的生态系统特征定量化的相似性，为外推现有的通量观测来估计那些没有观测值的生态区通量提供理论基础。假定每一个通量生态区表示一类生态系统，每一类生态系统至少有一个通量观测塔，那么划分的通量生态区越多，需要新增加的通量塔就越多。由于通量塔的建设受到观测技术的发展程度、资金、运行管理、电力、地形、环境等各方面条件的限制，要在目前85个站点基础上新增加100多个站点，从而覆盖200个通量生态区也是不现实的。综合现有站点对不同聚类数的通量生态区的覆盖率和区内站点数来看，通量生态区划分为100—150类比较合适，需要新增的通量塔数量大约25—55个，这样既覆盖中国生态系统的大部分主要类型，同时也能充分利用现有通量观测站点网络的优势。

根据本文3.3节的结果，若要使国土面积覆盖率达90%以上，对于85类通量生态区，可在准格尔盆地、柴达木盆地、青藏高原、阿拉善高原、呼伦贝尔高原、大兴安岭、黑龙江东北部、三江平原、云贵高原、四川盆地、东南地区等增加25个站点;对于100类通量生态区，可在准格尔盆地、塔里木盆地、柴达木盆地、青藏高原、阿拉善高原、鄂尔多斯高原、大兴安岭、黑龙江东北部、三江平原、东北平原、云贵高原、四川盆地、东南地区等地区增加21个站点;对于150类通量生态区，可在全国大部分地区增加55个站点。

综合中国通量观测站点的现状和通量生态区的结果分析，西部高寒区和干旱区的通量站点较少，西南地区广西、贵州两省缺少通量塔的布设，加之南方地区生态系统类型破碎复杂，未来的通量观测站点布局可考虑在上述地区增加新的涡度相关通量站点，提高中国生态系统通量观测站点的代表性。

4 结论

本文通过收集主要影响碳通量的变量数据(包括气象因素、土壤因素和地形因素的非生物因子、实际植被状态以及植被生产力)，用主成分分析法得到3个主成分变量，基于K-means空间聚类分析方法，分别计算出25、50、75、85、100、150、200类的通量生态区。利用中国现有的85个涡度相关通量观测站点，与75—200类的通量生态区进行对比分析，能代表30%—60%的生态系统类型。综合现有站点对不同聚类数的通量生态区的覆盖率和区内站点数来看，考虑现有站点分布格局，通量生态区划分为100—150类比较合适;考虑到涡度相关设备运行成本，在尽可能利用现有通量观测塔的基础上，通量站点可增加至100—150个，这样能覆盖中国陆地生态系统的大部分主要类型。

本研究采用3个主成分变量进行通量生态区的空间聚类，由于信息量的减少会对聚类的结果和分析有一定的影响。其次，进行K-means聚类运算时，像元变化阈值、最多迭代次数和聚类数量的设置主观性较强，也会影响到分类结果。第三，本文重点是用空间聚类方法获得的通量生态区，来评价现有站点在通量生态区的空间分布情况，尚未分析聚类中心和现有通量塔位置之间的关系，难以定量化通量站点的最优位置。第四，由于难以获取所有85个通量站点的月或年通量观测值，本文无法对比分析通量生态区的GPP模拟值与站点的GPP观测值，从而未能更加有效地定量评价新增站点在现有网络中的代表性，无法确定现有站点中应保留的站点数量及新增站点数量。由于现有通量观测站点空间代表性有待提高，在现有站点空间格局的基础上，结合中国地形的破碎化和生态系统类型的多样性，需要找出更多的定量化的指标，提出我国陆地生态系统通量站点的合理布局，从而为通量观测从站点扩展到区域提供基础数据，使通量数据与遥感观测资料有机地结合，更加有效地用于检验过程机理模型的模拟结果。

［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.

参考文献:

［3］于贵瑞，孙晓敏.陆地生态系统通量观测的原理与方法.北京:高等教育出版社，2006.

［13］米娜，于贵瑞，温学发，孙晓敏.中国通量观测网络(ChinaFLUX)通量观测空间代表性初步研究.中国科学(D辑:地球科学)，2006，(增刊I):22-33.

［14］宫丽娟，刘绍民.密云通量观测的空间代表性 //中国气象学会.中国气象学会2007年年会生态气象业务建设与农业气象灾害预警分会场论文集.北京:中国气象学会，2007.

［15］双喜，刘绍民，徐自为，王维真.黑河流域观测通量的空间代表性研究.地球科学进展，2009，24(7):724-733.

［17］张文彤.SPSS统计分析高级教程.北京:高等教育出版社，2004.

［18］陈四清，杨春成.基于聚类有效性函数的面状地理实体聚类.测绘科学技术学报，2006，23(1):44-47.

［19］柳盛，吉根林.空间聚类技术研究综述.南京师范大学学报:工程技术版，2010，10(2):57-62.

［20］赵英时.遥感应用分析原理与方法.北京:科学出版社，2003.

［21］王艳，宋振柏，吴佩林.城市功能分区的空间聚类方法研究及其应用——以济南市为例.地域研究与开发，2009，28(1):27-31.

［22］林冬云，刘慧平.应用空间聚类进行点数据分布研究.北京师范大学学报:自然科学版，2006，42(4):419-423.［23］刘国华，傅伯杰.生态区划的原则及其特征.环境科学进展，1998，6(6):67-72.

［24］程叶青，张平宇.生态地理区划研究进展.生态学报，2006，26(10):3424-3433.

［25］傅伯杰，陈利顶，刘国华.中国生态区划的目的、任务及特点.生态学报，1999，19(5):591-595.

［26］傅伯杰，刘国华，陈利顶，马克明，李俊然.中国生态区划方案.生态学报，2001，21(1):1-6.

［28］黄秉维.中国综合自然区划的初步草案.地理学报，1958，24(4):348-365.

附表1 中国陆地生态系统通量观测站点信息Attached table 1 Information of eddy flux tower stations of terrestrial ecosystems in China

续表