全 文 ：数据处理方法不确定性对 CO2通量
组分估算的影响*
刘摇 敏1,2 摇 何洪林1**摇 于贵瑞1 摇 孙晓敏1 摇 朱旭东1,2 摇 张摇 黎1 摇 赵新全3
王辉民1 摇 石培礼1 摇 韩士杰4
( 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 中国科学院研究生院, 北京
100049; 3 中国科学院西北高原生物研究所, 西宁 810001; 4 中国科学院沈阳应用生态研究所, 沈阳 110016)
摘摇 要摇 基于中国陆地生态系统通量观测研究网络(ChinaFLUX)4 个站点(2 个森林站和 2
个草地站)的涡度相关通量观测资料,分析了 CO2 通量数据处理过程中异常值剔除参数设置、
夜间摩擦风速(u*)临界值(u*c)确定及数据插补模型选择对 CO2 通量组分估算的影响.结果
表明: 3 种数据处理方法均对净生态系统碳交换量(NEE)年总量估算有显著影响,其中 u*c确
定是影响 NEE估算的重要因子;异常值剔除、u*c确定及数据插补模型选择导致 NEE 年总量
估算偏差分别为 0郾 62 ~ 21郾 31 g C·m-2·a-1(0郾 84% ~65郾 31% )、4郾 06 ~ 30郾 28 g C·m-2·a-1
(3郾 76% ~21郾 58% )和 0郾 69 ~ 27郾 73 g C·m-2·a-1(0郾 23% ~ 55郾 62% ),草地生态系统 NEE
估算对数据处理方法参数设置更敏感;数据处理方法不确定性引起的总生态系统碳交换量和
生态系统呼吸年总量估算相对偏差分别为 3郾 88% ~11郾 41%和 6郾 45% ~24郾 91% .
关键词摇 涡度相关技术摇 CO2 通量摇 数据处理摇 方差分析摇 不确定性
*国家自然科学基金项目(41071251)、中国科学院重要方向性项目(KZCX2鄄YW鄄433鄄06)、国家重点基础研究发展规划项目(2010CB833500)、
中国科学院信息化专项(099R0410S4)和国家自然科学基金国际(地区)合作交流项目(30721140307)资助.
**通讯作者. E鄄mail: hhonglin@ cern. ac. cn
2010鄄01鄄07 收稿,2010鄄07鄄02 接受.
文章编号摇 1001-9332(2010)09-2389-08摇 中图分类号摇 Q148摇 文献标识码摇 A
Impacts of uncertainty in data processing on estimation of CO2 flux components. LIU Min1,2,
HE Hong鄄lin1, YU Gui鄄rui1, SUN Xiao鄄min1, ZHU Xu鄄dong1,2, ZHANG Li1, ZHAO Xin鄄quan3,
WANG Hui鄄min1, SHI Pei鄄li1, HAN Shi鄄jie4 ( 1Key Laboratory of Ecosystem Network Observation
and Modeling, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of
Sciences, Beijing 100101, China; 2Graduate University of Chinese Academy of Sciences, Beijing
100049, China; 3Northwest Plateau Institute of Biology, Chinese Academy of Sciences, Xining
810001, China; 4 Institute of Applied Ecology, Chinese Academy of Sciences, Shenyang 110016,
China) . 鄄Chin. J. Appl. Ecol. ,2010,21(9): 2389-2396.
Abstract: Based on the eddy covariance observations at 4 sites (2 forested sites and 2 grassland
sites) in Chinese Terrestrial Ecosystem Flux Research Network (ChinaFLUX), this paper analyzed
the effects of three data processing methods, i. e. , spike detection, threshold (u*c) determination
of nocturnal friction velocity (u*), and gap鄄filling model selection, on the estimation of CO2 flux
components. All the three methods had significant impacts on the estimation of annual net ecosystem
exchange (NEE), and the determination of (u*c) was an important factor affecting the annual NEE
estimation. The estimation deviation of the annual NEE caused by spike detection, determination of
(u*c), and gap鄄filling model selection was 0郾 62 -21郾 31 g C·m-2 ·a-1 (0郾 84% -65郾 31% ),
4郾 06-30郾 28 g C·m-2·a-1(3郾 76% -21郾 58% ), and 0郾 69 -27郾 73 g C·m-2 ·a-1(0郾 23% -
55郾 62% ), respectively. Comparing with that of forested ecosystem, the NEE estimation of grass鄄
land ecosystem was more sensitive to the parameter setting of data processing method, and the rela鄄
tive estimation deviation of annual gross ecosystem exchange and ecosystem respiration induced by
the uncertainty in data processing was 3郾 88% -11郾 41% and 6郾 45% -24郾 91% , respectively.
Key words: eddy covariance technique; CO2 flux; data processing; variance analysis; uncertainty.
应 用 生 态 学 报摇 2010 年 9 月摇 第 21 卷摇 第 9 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Sep. 2010,21(9): 2389-2396
摇 摇 涡度相关技术作为测定植被鄄大气间 CO2、水、
热通量的标准方法,可通过计算风速脉动与物理量
脉动的协方差直接求算湍流输送量(湍流通量),在
全球碳、水循环研究中得到广泛应用[1] . 在地势平
坦、植被均匀的下垫面,涡度相关系统观测的垂直
CO2 湍流通量可近似为净生态系统碳交换量( net
ecosystem exchange, NEE) [2] .目前全球已有 500 多
个涡度相关站点长期连续观测生态系统与大气间碳
水交换通量,观测区域覆盖了森林、草原(含高寒草
甸和荒漠草原)和农田等各种陆地生态系统[3] .
虽然涡度相关技术日趋成熟,但基于涡度相关
技术的生态系统碳收支的观测和评价仍存在不确定
性[4-7] .由于涡度相关技术在进行 CO2 湍流通量测
定中受到诸多因素影响,在应用观测数据之前,需进
行一系列的前期数据处理工作 (如坐标轴旋转、
Webb鄄Pearman鄄Leuning 校正、储存项计算、降水剔
除、异常值剔除、夜间数据处理和缺失数据插补
等) [2,8] .目前,国际上已初步形成相对统一的 CO2
通量数据处理流程,许多国家(或网络)也形成了各
自的 CO2 通量数据处理标准化方法并建立了相应
的系统,如 EuroFLUX 的通量数据处理标准化研
究[9]、英国爱丁堡大学的 EdiRe系统、德国拜罗伊特
大学的 TK2 软件等.中国陆地生态系统通量观测研
究网络(ChinaFLUX)通过参考目前通量界[如国际
通量观测研究网络 ( FLUXNET)、 美洲通量网
(AmeriFLUX)、欧洲通量网(EuroFLUX)和亚洲通量
网(AsiaFLUX)等]常用的数据处理方法,针对 30
min通量观测数据,形成了一套相对全面的通量数
据处理流程,并开发了 ChinaFLUX 通量数据处理系
统[10] .但是,通量数据处理通常由不同的数据处理
步骤组成,且每个步骤存在着不同的方法,针对同一
方法,其参数的选择又存在差异,从而导致处理后的
通量资料存在一定的不确定性,其精度和代表性难
以得到保证,难以对不同生态系统 /年份碳收支状况
进行科学的比较和评价,影响了通量资料的共享和
相关研究的开展.因此,深入研究通量数据主要处理
方法及其关键参数设置对 CO2 通量组分估算的影
响,正确评价 CO2 通量组分估算在处理过程中的可
能误差,形成规范化、标准化的通量数据处理流程,
是进行生态系统碳收支评价和比较分析的前提和基
础.目前,国内外已有学者对 CO2 通量观测数据处
理中的一些主要过程进行了比较和研究,结果表明,
3 种坐标轴旋转方法(3 次旋转法、2 次旋转法和平
面拟合法)修正效果因站点而异,下垫面比较规则
的农田和草地站点不同坐标轴旋转方法差异不大,
而在下垫面较复杂的森林站点则差异明显[11];2 种
储存项计算方法(CO2 浓度廓线法和 CO2 浓度变化
法)进行碳通量年总量估算时差异不显著[12-13];不
同缺失数据插补方法导致 NEE 估算偏差为
依25 g C·m-2·a-1 [4] .然而异常值剔除、夜间数据处
理等数据处理过程中,由于参数设置差异对 CO2 通量
组分估算的影响还不清晰,数据插补模型选择对通量
组分年总量估算的影响也有待进一步分析.为此,本
研究依托 ChinaFLUX 通量数据处理系统,以 2003—
2006年 ChinaFLUX 4 个站点(长白山站、千烟洲站、
当雄站、海北站) 30 min CO2 通量观测数据为基础,
重点分析了 CO2 通量数据处理过程中异常值剔除、夜
间数据处理参数设置以及数据插补模型选择对 CO2
通量组分估算的影响,定量评价了 CO2 通量数据在数
据处理过程中的不确定性,为形成统一规范的 Chin鄄
aFLUX通量数据处理流程奠定基础.
1摇 数据来源与研究方法
1郾 1摇 数据来源
本研究数据源于中国陆地生态系统通量观测研究
网络(ChinaFLUX)4个站点(2个森林站、2 个草地站)
的 30 min涡度相关通量观测数据及相关气象数据(表
1),数据采集方法及站点详细信息参见文献[14-16].
表 1摇 研究站点的基本信息
Tab. 1摇 Basic information of the study sites
站点
Site
地理位置
Location
海拔
Elevation
(m)
植被类型
Vegetation
type
观测高度
Height of
observation
(m)
年均温度
Mean annual
temperature
(益)
年均降水量
Mean annual
precipitation
(mm)
年份
Year
CBS 42郾 403毅 N,128郾 095毅 E 738 玉 40 4郾 0 695 2003, 2004
QYZ 26郾 734毅 N,115郾 050毅 E 100 域 39 17郾 9 1485 2003, 2004
DX 29郾 668毅 N,91郾 334毅 E 4333 芋 2 1郾 3 476 2004, 2006
HBGC 37郾 617毅 N,101郾 283毅 E 3293 郁 2 -1郾 2 580 2003, 2004
CBS: 长白山 Changbai Mountains; QYZ: 千烟洲 Qianyanzhou; DX: 当雄 Dangxiong; HBGC: 海北灌丛 Shrub in Haibei. 下同 The same below. 玉:
温带针阔叶混交林 Temperate conifer and broadleaf mixed forest; 域:亚热带人工针叶林 Subtropical evergreen coniferous plantation; 芋:藏北高原典
型草原化草甸 Northern Tibetan Plateau typical steppe-meadow; 郁:藏北高原典型高寒植被 Northern Tibetan Plateau typical alpine vegetation.
0932 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 21 卷
1郾 2摇 通量数据的处理
本研究应用 ChinaFLUX 通量数据处理系统首
先对站点通量观测数据进行坐标轴旋转、Webb鄄
Pearman鄄Leuning 校正、储存项计算及降水剔除,去
除地形因素、水热因素、冠层空气储存及降水对通量
观测数据的影响[2],然后进行异常值剔除和夜间数
据处理,最后利用非线性回归方法对 NEE 缺失数据
进行插补,并将 NEE同时拆分为总生态系统碳交换
量(gross ecosystem exchange, GEE)和生态系统呼吸
(Reco).本研究重点分析 ChinaFLUX 通量数据处理
系统中异常值剔除、夜间摩擦风速临界值(u*c)确定
及数据插补模型选择对 CO2 通量组分估算的影响,
这 3 种数据处理方法的详细描述如下,其他数据处
理过程参见文献[2,10].
1郾 2郾 1 异常值剔除摇 由于受到生物物理因素(通量
贡献区的改变或湍流条件的快速变化等)及仪器本
身的影响,涡度相关技术获取的观测数据中存在着
偏离正常数据变化范围的“野点冶.目前通常以一定
时间段内的数据偏离平均值方差或标准差的大小为
标准对“野点冶进行剔除. 本研究以 13 d 为窗口,通
过定义连续 3 个数据点中位数的差异(di)判别“野
点冶数据(对白天、夜间数据分别进行处理) [9],具体
算法如下:
di = (NEEi - NEEi-1) - (NEEi+1 - NEEi) (1)
式中:NEE为净生态系统碳交换量(mg CO2·m -2·
s -1);i为半小时观测数据的序数;当 di 满足 Md +
( z 伊 MAD0郾 6745 ) > di > Md - (
z 伊 MAD
0郾 6745 )时,对应的第 i
个观测数据为正常值,否则定义为“野点冶 并进行剔
除;Md 为所有相邻两点间 NEE 差值的中位数;
MAD =median( | di - Md | ),为 13 d 窗口中所有
| di - Md | 的中位数;z为人为定义的异常值识别的
敏感性,z值越大敏感性越低、剔除的数据越少,z 的
参考取值为 4、5郾 5 或 7,本研究主要通过 z的不同取
值来讨论异常值剔除对 CO2 通量组分估算的影响.
1郾 2郾 2 夜间摩擦风速临界值(u*c)确定 摇 由于夜间
空气层结构较稳定,涡度相关技术观测的 CO2 通量
不能真实反映地鄄气间 CO2 交换.目前,国际通量界
通常剔除摩擦风速(u*)临界值(u*c,u* 的夜间观测数据,以确保涡度相关技术的测定是处
于强湍流条件下的观测结果[2] . 夜间数据处理是通
量数据处理过程中的重要步骤,不同处理方法导致
的 NEE 年总量不确定性可达 150 g C · m-2 ·
a-1 [17] .目前常用的 u*c确定方法有经验法、移动点检
验法[18]和平均值检验法[11]等.本研究利用 u*与生
态系统 NEE及环境因素的关系来确定站点 u*c,该
方法的具体内容和算法实现见文献[19].
为了确定站点 u*c的可能取值,本研究利用
bootstrapping方法[20]对站点全年数据进行自助采样
(采样 100 次),结合 u*c确定方法[19]获取站点 u*c,
其中 5% ~95%百分位值可作为站点 u*c的置信区
间.最后,选取 5% 、50%和 95%百分位值作为站点
u*c可能取值(图 1),以分析夜间 u*c取值对 CO2 通
量组分估算的影响.
1郾 2郾 3 数据插补及 CO2 通量组分拆分摇 为了分析异
常值剔除及夜间 u*c确定对 CO2 通量组分估算的影
响,需对处理后的 NEE 缺失数据进行插补及组分拆
分.通常总生态系统碳交换量(GEE)为净生态系统碳
交换量(NEE)与生态系统呼吸(Reco)之差[21],即:
GEE = NEE - Reco (2)
本研究中,白天 NEE 缺失数据利用 Michaelis鄄
Menten方程进行插补[8,21],插补时间尺度为 10 d.
NEE =- 琢AmaxQp
琢Amax + Q
æ
è
ç
ö
ø
÷
p
+ Reco,d (3)
式中:琢为表观初始光能利用效率(mg CO2·滋mol-1
photon);Amax为光饱和时生态系统 CO2 同化能力
(最大光合速率,mg CO2·m-2·s-1);Qp 为入射到
植被上方的光合有效辐射(滋mol·m-2·s-1);Reco,d
为表观暗呼吸速率(Qp =0 时的生态系统呼吸量,mg
CO2·m-2·s-1).
温度和土壤水分条件是控制生态系统呼吸的重
要环境因子,本文分别选取基于温度响应的 Lloyd &
Tayor模型(式 4)和温度水分响应的连乘模型(式 5
和式6)描述生态系统呼吸[22-25] . 在全年尺度对呼
图 1摇 bootstrapping方法获取的夜间摩擦风速临界值(u*c)变
异性(千烟洲,2003 年)
Fig. 1摇 Variability of u*c found with bootstrapping at QYZ in
2003.
19329 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 刘摇 敏等: 数据处理方法不确定性对 CO2 通量组分估算的影响摇 摇 摇 摇 摇 摇
吸缺失数据进行插补,进而分析呼吸模型对 CO2 通
量组分估算的影响.
Reco = Re,refeE0(
1
Tref-T0
- 1Tsoil-T0
) (4)
Reco = Re,ref f(T) f(Sw) (5)
f(T) = eE0(
1
Tref-T0
- 1Tsoil-T0
) (6)
f(Sw) = e(bSw+cSw
2) (7)
式中:Reco为生态系统呼吸(mg CO2 ·m-2 ·s-1 );
Re,ref为参考温度(Tref)下的生态系统呼吸(mg CO2
·m-2·s-1);Tref为参考温度,取 15 益 ,即 288郾 15
K;E0 为活动能量,取 309 K;Tsoil为土壤温度(益),
本文取 5 cm 深处的土壤温度;T0 为生态系统呼吸
为零时的 5 cm深处土壤温度(K);Sw 为土壤 5 cm
深处的含水量(m3·m-3);b、c为试验参数.
1郾 3摇 数据处理
本研究根据 1郾 2 中 3 种通量数据处理方法的可
选参数,分别对各站点通量数据进行处理,结合多因
素方差分析(analysis of variance,ANOVA)定量描述
数据处理方法对 CO2 通量组分估算的影响,所有数
据采用 MATLAB软件进行分析.具体步骤如下:
1)根据通量数据处理方法中可选参数设置(3
种异常值剔除伊3 种 u*c取值伊2 种插补模型 = 18 种
组合)分别对通量数据进行处理,获取站点 CO2 通
量组分(NEE、GEE和 Reco)估算结果集合.
2)根据数据处理方法进行分组,并利用分组后
数据的统计特征值(组间最大差异)表征不同数据
处理方法对 CO2 通量组分年总量估算的影响.以异
常值剔除为例:异常值剔除对 CO2 通量组分估算的
影响,可利用不同 z 值下通量组分估算的最大偏差
来表示.
3)利用多因素方差分析(ANOVA)确定通量数
据处理方法对 CO2 通量组分估算的影响权重.通过
利用 18 组计算资料总偏差的可分解性,将不同数据
处理方法引起的条件偏差与试验误差按照一定的规
则进行比较,确定不同数据处理方法(条件偏差)的
影响程度及相对大小,从而确定对 CO2 通量组分估
算影响最显著的因子以及各因子的影响程度.
2摇 结果与分析
2郾 1摇 夜间摩擦风速临界值(u*c)的取值及其不确定
性
由图 2 可以看出,长白山、千烟洲、当雄和海北
灌丛站不同年份 u*c的可能取值范围在 0郾 13 ~ 0郾 28
m·s-1 . 其中,长白山站u*c最高,其2003、2004年
图 2摇 4 站点 u*c及其不确定性(异常值剔除 z=5郾 5)
Fig. 2摇 u*c values and their uncertainties in 4 sites (with spike
detection z=5郾 5).
5% 、50%和 95%为 bootstrapping方法获取的 u*c百分位值 5% , 50%
and 95% indicated the 5% , 50% and 95% percentiles of the bootstrap鄄
ping u*c estimates. 平均为 bootstrapping方法获取的 u*c均值 Mean re鄄
presented the mean u*c value of bootstrapping u*c estimates. All为所有
有效数据计算获得的 u*c All depicted u*c obtained by all data. CBS:
长白山 Changbai Mountains; QYZ: 千烟洲 Qianyanzhou; DX: 当雄
Dangxiong; HBGC: 海北灌丛 Shrub in Haibei. 03:2003 年数据 Data
in 2003; 04: 2004 年数据 Data in 2004; 06: 2006 年数据 Data in
2006. 下同 The same below.
(简称 CBS03、CBS04,下同)u*c分别为 0郾 26 和 0郾 27
m· s-1;千烟洲站 2003、 2004 年 (简称 QYZ03、
QYZ04,下同)u*c分别为 0郾 17 和 0郾 15 m·s-1;当雄
站 2004、2006 年(简称 DX04、DX06,下同) u*c分别
为 0郾 19 和 0郾 20 m·s-1;海北灌丛站 2003、2004 年
(简称 HBGC03、HBGC04,下同) u*c分别为 0郾 13 和
0郾 17 m·s-1,低于其他 3 站点.站点间 u*c的差异可
能与站点自身特征有关:冠层结构影响空气涡流在
植被冠层中的传输能力,而地形是影响水平对流的
重要因子[9] .由于生态系统下垫面及自身状况随时
间变化,本研究中采用的 u*c确定方法可获取站点
u*c的动态变化,在一定程度上优于同一站点所有年
份采用固定 u*c的传统经验方法[14-16] . 5% ~ 95%百
分位值给出了站点 u*c的可能取值范围,为进一步分
析 u*c取值对 CO2 通量组分估算的影响提供了依
据.本文中 4 个站点的 u*c相对确定性 [(95% -
5% ) / mean]各不相同,其中森林站 u*c较集中,相对
不确定性较小, 如 QYZ04 u*c取值为 0郾 26 ~
0郾 29 m·s-1(相对不确定性为 11郾 7% ),而草地站
u*c的相对不确定性较大,一般在 30%以上(图 2).
2郾 2摇 数据处理方法对净生态系统碳交换量(NEE)
估算的影响
由表 2 可以看出,4 个站点的数据原始缺失率为
9郾 2% (QYZ04) ~ 20郾 8% (DX04),各站点白天、夜间
2932 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 21 卷
表 2摇 数据处理过程中数据缺失率*
Tab. 2摇 Percentage of data missing in data processing
站点鄄年份
Site鄄year
原始缺失a)
Missing
z
4 5郾 5 7
u*c
5% 50% 95%
CBS03 玉 0郾 063 0郾 129 0郾 107 0郾 098 0郾 381 0郾 391 0郾 402
域 0郾 078 0郾 137 0郾 118 0郾 105 0郾 118 0郾 118 0郾 118
CBS04 玉 0郾 121 0郾 182 0郾 163 0郾 154 0郾 386 0郾 394 0郾 401
域 0郾 128 0郾 194 0郾 172 0郾 161 0郾 172 0郾 172 0郾 172
QYZ03 玉 0郾 075 0郾 142 0郾 116 0郾 107 0郾 415 0郾 422 0郾 430
域 0郾 074 0郾 129 0郾 106 0郾 093 0郾 106 0郾 106 0郾 106
QYZ04 玉 0郾 066 0郾 138 0郾 111 0郾 098 0郾 430 0郾 439 0郾 445
域 0郾 067 0郾 117 0郾 096 0郾 084 0郾 096 0郾 096 0郾 096
DX04 玉 0郾 132 0郾 162 0郾 148 0郾 142 0郾 428 0郾 444 0郾 465
域 0郾 120 0郾 149 0郾 134 0郾 127 0郾 134 0郾 134 0郾 134
DX06 玉 0郾 083 0郾 125 0郾 103 0郾 095 0郾 431 0郾 442 0郾 453
域 0郾 089 0郾 122 0郾 106 0郾 100 0郾 106 0郾 106 0郾 106
HBGC03 玉 0郾 073 0郾 129 0郾 106 0郾 097 0郾 405 0郾 426 0郾 450
域 0郾 078 0郾 116 0郾 102 0郾 096 0郾 102 0郾 102 0郾 102
HBGC04 玉 0郾 075 0郾 138 0郾 114 0郾 105 0郾 382 0郾 404 0郾 434
域 0郾 079 0郾 121 0郾 105 0郾 098 0郾 105 0郾 105 0郾 105
a)数据缺测及进行基本剔除(降水剔除)后数据缺失情况 Data not measured or deleted due to evident technical problems. z: 异常值剔除后数据缺
失率 Percentage of data deleted after spike detection according with different z values. u*c:夜间数据处理后的数据缺失率( z=5郾 5) Percentage of data
deleted after nocturnal correction (after previous removal of spikes using z=5郾 5) according with different u*c . 玉和域分别表示白天和夜间数据缺失率
玉 and 域 indicated daytime and nighttime, respectively. *数据缺失率相对于全年数据而言 All the percentages were relative to the whole year. 03:
2003 年数据 Data in 2003; 04: 2004 年数据 Data in 2004; 06: 2006 年数据 Data in 2006. 下同 The same below.
原始数据缺失率基本相同.经异常值剔除,剔除了全
年 3% ~13%的数据,3 种 z值( z=4,z=5郾 5,z=7)情
况下的数据剔除率相差 2% ~ 3% .同时,通过 u*c剔
除了 50%以上的夜间数据,3 种 u*c百分位值(5% 、
50%和 95% )剔除的夜间数据率相差 2% ~3% .
摇 摇 由图 3 可以看出,3 种数据处理方法导致站点
NEE年总量估算总绝对偏差为 16郾 72 g C·m-2·
a-1(DX04) ~ 54郾 48 g C·m-2·a-1(QYZ04),其中森
林站点的估算绝对偏差普遍高于草地站点,这与森林
站点本身全年 NEE总量较高有关;3种数据处理方法
导致各站点 NEE年总量估算相对偏差(绝对偏差 /均
值)为 10郾 66%(QYZ04) ~142郾 51% (HBGC03),由于
草地生态系统全年 NEE 总量较低,其 NEE 估算结
果对数据处理方法较敏感,数据处理方法的不同可
能导致草地生态系统碳源汇估算出现偏差. 不同处
理方法对 NEE年总量估算的影响因站点、年份不同
而异,单项数据处理方法由于参数设置差异
导致 NEE 年 总 量 估 算 绝 对 偏 差 最 高 可 达
30郾 28 g C·m-2·a-1(QYZ04),相对偏差最高可达
65郾 31% (HBGC03).
摇 摇 异常值剔除通过控制数据有效性从而影响
NEE年总量估算. z 的不同取值导致 4 个站点 NEE
年总量估算偏差为 0郾 62 ~ 20郾 32 g C·m-2 ·a-1
(0郾 84% ~65郾 31% ),其中森林站点为 3郾 64 ~ 17郾 94
g C·m-2 · a-1 (0郾 84% ~ 5郾 98% ),草地站点为
0郾 62 ~20郾 32 g C·m-2·a-1(1郾 11% ~65郾 31% )(图
3).与 u*c取值和数据插补模型选择对 NEE 估算的
影响相比,草地生态系统异常值剔除由于 z 值选取
导致的 NEE 估算偏差较大,而 DX04 由于数据总体
缺失量较多(原始缺失率为 20郾 8% )、异常值剔除中
z值变化导致的数据剔除量差异不明显,从而导致
DX04 不同 z值下的 NEE 年总量估算偏差较小. 各
站点 NEE年总量估算值与异常值剔除强弱( z 值选
取)没有明显的一致性,NEE 年总量估算更多地依
赖于异常值剔除与其他因素的综合影响.
通过 u*c确定夜间有效观测数据量将影响生态
系统呼吸模型的构建,从而影响 NEE 年总量估算结
果.夜间 u*c取值下森林生态系统 NEE 年总量估算
偏差为 16郾 13 ~ 30郾 28 g C·m-2 ·a-1 (3郾 76% ~
6郾 87% ),草地生态系统为 4郾 06 ~ 11郾 61 g C·m-2·
a-1(5郾 57% ~21郾 58% )(图 2).总的看来,u*c不同取
值导致不同生态系统类型间 NEE 估算偏差的差异
较大,而同一生态系统类型不同站点间则差异较小.
对于森林生态系统而言,u*c确定对 NEE 年总量估
算的影响普遍高于异常值剔除和数据插补模型选择
的影响,合理范围内的 u*c确定是影响森林生态系统
NEE年总量估算的重要因子,这与 Papale 等[9]
的研究结论一致 . 草地生态系统不同站点间u*c确
39329 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 刘摇 敏等: 数据处理方法不确定性对 CO2 通量组分估算的影响摇 摇 摇 摇 摇 摇
图 3摇 3 种数据处理方法对 CO2 通量组分年总量估算的影响
Fig. 3摇 Effects of three processing methods on the estimation of annual CO2 component flux.
a)CO2 通量组分估算结果及其偏差 Total estimation and bias of annual CO2 component flux; b)不同数据处理方法对 CO2 通量组分年总量估算的
影响 Bias introduced by different processing methods on annual CO2 component flux. S:异常值剔除 Spike detection; U: u*c确定 Determination of u*c;
F: 数据插补模型 Gap鄄filling model. 下同 The same below.
定引起的 NEE估算偏差差异不大.这可能与草地生
态系统的碳源汇功能受环境因素影响较大有关,数
据有效性的合理界定可能是影响草地站点 NEE 年
总量估算的重要因子.
本研究利用非线性回归方法对缺失数据进行插
补,同时比较了呼吸模型选择对 CO2 年总量估算的
影响.从图 3 可以看出,呼吸模型选择导致的站点全
年 NEE估算偏差普遍低于 15 g C·m-2·a-1,其中
CBS04 两种呼吸模型导致的 NEE 年总量估算偏差
最小(0郾 69 g C·m-2·a-1,0郾 23% ),而在个别异常
年份(如 QYZ03),呼吸模型的不同选择导致的 NEE
估算偏差可达 27郾 73 g C·m-2·a-1(6郾 14% ),主要
是由于 QYZ2003 受到严重干旱胁迫的影响[14],基
于温度水分的连乘模型可反映受干旱胁迫影响的生
态系统实际呼吸,而 Lloyd & Tayor 模型忽略了水分
对生态系统呼吸的影响,从而导致两种呼吸模型获
取的站点 NEE年总量估算差异较大.表明草地生态
系统利用 Lloyd & Tayor 模型得到的 NEE 年总量值
普遍低于基于温度水分响应的连乘模型所得结果,
其原因可能是由于草地生态系统(DX 和 HBGC)受
水分胁迫的影响,基于温度响应的 Lloyd & Tayor 模
型未考虑水分胁迫对生态系统呼吸的抑制作用,高
估了生态系统呼吸,使生态系统 NEE 低估.因此,在
气候异常(特别是干旱年份)条件下,利用考虑水分
条件的生态系统呼吸模型对 CO2 通量观测数据进
行插补,将更能真实反映生态系统碳交换状况.
方差分析表明,异常值剔除、夜间 u*c确定及数
据插补模型选择均对站点 CO2 通量组分估算有显
著影响(P<0郾 05),且不同数据处理方法对 NEE 年
总量估算的影响权重因站点、年份而异(图 4). 其
中,异常值剔除及夜间 u*c确定对全年 NEE 估算的
影响权重分别为 1% ~ 31% 、3% ~ 61% . 森林生态
系统 NEE年总量估算受 u*c取值的影响较大,其影
响权重普遍高于 40% ,而对于气候异常年份的森林
4932 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 21 卷
站点(QYZ03)而言,呼吸模型的选择是影响全年
NEE估算的关键因子,影响权重可达 88% ;数据处
理方法对草地生态系统 NEE 年总量估算的影响权
重在站点及年际间变异较大,这可能与草地生态系
统对环境因子及有效数据的界定较敏感有关. 在数
据处理过程中也存在数据处理方法对估算结果的综
合影响,以 CBS03 为例,异常值剔除和数据插补(S
*F)对 NEE年总量估算的综合影响达 12% .因此,
根据站点实际情况,选择合适的通量数据处理方法、
减少通量数据估算的不确定性,将是通量界需要了
解和分析的重要问题.
2郾 3摇 数据处理方法对总生态系统碳交换量(GEE)
及生态系统呼吸(Reco)估算的影响
对涡度相关通量观测数据进行处理的过程中,
数据处理方法不确定性不可避免地对 GEE 和 Reco
估算产生影响.数据处理方法不确定性导致的 GEE
和 Reco年总量估算偏差因站点、年份而异,大多数站
点 GEE和 Reco年总量估算的绝对偏差普遍低于 150
g C·m-2·a-1,约为 NEE 年总量估算偏差的 2 ~ 4
倍,相对偏差分别为 3郾 88% ~ 11郾 41%和 6郾 45% ~
24郾 91% .从图 3 可以看出,数据处理方法不确定性
导致的 GEE 和 Reco年总量估算偏差在量级和数值
上比较相似,可能是由于站点夜间有效呼吸数据较
少 ( u*c处理后的夜间通量观测数据一般只有20%
图 4摇 数据处理方法对 NEE 年总量估算影响的多因子方差
分析(ANOVA)
Fig. 4摇 Effects of data processing methods on annual NEE esti鄄
mation with ANOVA test.
*两种处理方法对 CO2 通量估算的综合影响 Comprehensive effects
of two processing methods. 图中影响权重小于 1%的数值未列出 The
effect weights <1% were not illustrated.
~ 30%有效),将夜间呼吸数据进行模型参数估计
及外推至白天呼吸的过程中,通量数据处理的细微
差别可能对 Reco估算产生较大影响,而 NEE 为直接
观测数据,白天有效数据率较高;由于 GEE 为 NEE
与 Reco之差,且呼吸模型差异引起的 Reco估算的绝对
偏差高于 NEE,因而导致 GEE 与 Reco变化规律相对
一致.
3摇 结摇 摇 论
以 ChinaFLUX 中 4 个站点的涡度通量观测数
据为基础,依托 ChinaFLUX 通量数据处理系统,重
点分析了 CO2 通量数据处理过程中异常值剔除参
数选取、夜间 u*c确定及缺失数据插补模型选择对碳
通量组分(NEE、GEE和 Reco)估算的影响.研究结果
表明:1)利用 u*与生态系统 NEE 及环境因素关系
确定站点 u*c的方法在一定程度上优于同一站点所
有年份采用固定 u*c的传统经验方法. 通过 boot鄄
strapping方法获取站点 u*c的可能取值范围及其不
确定性,是分析站点 u*c取值对生态系统 CO2 通量
组分估算的有效手段. 2) CO2 通量数据处理过程
中,异常值剔除参数选取、u*c确定及缺失数据插补
模型选择导致站点 NEE 年总量估算总绝对偏差为
16郾 72 ~ 54郾 48 g C·m-2·a-1,森林站点普遍高于草
地站点.就相对偏差而言,草地生态系统 NEE 估算
对数据处理方法参数设置更敏感. 数据处理过程所
导致的 GEE 和 Reco年总量估算相对偏差分别为
3郾 88% ~ 11郾 41%和 6郾 45% ~ 7郾 75% . 3)多因素方
差分析(ANOVA)表明,不同通量数据处理方法由于
参数设置差异对碳通量组分年总量估算都存在显著
影响(P<0郾 05),不同数据处理方法对 NEE 估算年
总量的影响权重因站点、年份而异,其中 u*c确定是
影响森林生态系统 NEE年总量估算的重要因子,而
特殊年份下数据插补模型选择可能导致 NEE 估算
结果出现较大偏差.
本研究仅定量评价和分析了通量数据处理过程
中主要数据处理方法(异常值剔除、夜间数据 u*c确
定及缺失数据插补)不确定性对 CO2 通量组分年总
量估算的可能影响,由于涡度相关碳通量估算和评
价同时受到通量数据观测误差及插补参数优化方法
选择等多种因素的影响,对这些因素的分析,还需要
开展更深入的分析和讨论,从而为涡度相关通量资
料的共享、推广和比较提供参考.
参考文献
[1]摇 Baldocchi DD. Assessing the eddy covariance technique
59329 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 刘摇 敏等: 数据处理方法不确定性对 CO2 通量组分估算的影响摇 摇 摇 摇 摇 摇
for evaluating carbon dioxide exchange rates of ecosys鄄
tems: Past, present and future. Global Change Biology,
2003, 9: 479-492
[2]摇 Yu G鄄R (于贵瑞), Sun X鄄M (孙晓敏). Theory and
Methodology for Flux Measurement in Terrestrial Ecosys鄄
tem. Beijing: Higher Education Press, 2006 ( in Chi鄄
nese)
[3]摇 Wang J鄄M (王介民), Wang W鄄Z (王维真), Ao Y鄄H
(奥银焕), et al. Turbulence flux measurements under
complicated conditions. Advances in Earth Science (地
球科学进展), 2007, 22(8): 791-797 (in Chinese)
[4]摇 Moffat AM, Papale D, Reichstein M, et al. Compre鄄
hensive comparison of gap鄄filling techniques for eddy co鄄
variance net carbon fluxes. Agricultural and Forest Mete鄄
orology, 2007, 147: 209-232
[5]摇 Hagen SC, Braswell BH, Linder E, et al. Statistical
uncertainty of eddy flux鄄based estimates of gross ecosys鄄
tem carbon exchange at Howland Forest, Maine. Journal
of Geophysical Research Atmospheres, 2006, 111:
D08S03, doi:10. 1029 / 2005JD006154
[6]摇 Richardson AD, Hollinger DY, Burba GG, et al. A
multi鄄site analysis of random error in tower鄄based meas鄄
urements of carbon and energy fluxes. Agricultural and
Forest Meteorology, 2006, 136: 1-18
[7]摇 Liu M, He HL, Yu GR, et al. Uncertainty analysis of
CO2 flux components in subtropical evergreen coniferous
plantation. Science in China Series D: Earth Sciences,
2009, 52: 257-268
[8]摇 Falge E, Baldocchi D, Olson R, et al. Gap filling strat鄄
egies for defensible annual sums of net ecosystem ex鄄
change. Agricultural and Forest Meteorology, 2001,
107: 43-69
[9]摇 Papale D, Reichstein M, Aubinet M, et al. Towards a
standardized processing of net ecosystem exchange meas鄄
ured with eddy covariance technique: Algorithms and
uncertainty estimation. Biogeosciences, 2006, 3: 571 -
583
[10] 摇 Li C (李 摇 春), He H鄄L (何洪林), Liu M (刘 摇
敏), et al. The design and application of CO2 flux data
processing system at China FLUX. Geo鄄informatics Sci鄄
ence (地球信息科学), 2008, 10(5): 557 -565 ( in
Chinese)
[11]摇 Zhu Z鄄L (朱治林), Sun X鄄M (孙晓敏), Yuan G鄄F
(袁国富), et al. Study on the processing method of
nighttime CO2 eddy covariance flux data in ChinaFLUX.
Science in China Series D (中国科学·D 辑), 2004,
34(suppl. II): 37-45 (in Chinese)
[12]摇 Hollinger DY, Kelliher FM, Byers JN, et al. Carbon鄄
dioxide exchange between an undisturbed old鄄growth
temperate forest and the atmosphere. Ecology, 1994,
75: 134-150
[13]摇 Zhang M (张 摇 弥), Wen X鄄F (温学发), Yu G鄄R
(于贵瑞), et al. Effects of CO2 storage flux on carbon
budget of forest ecosystem. Chinese Journal of Applied
Ecology (应用生态学报), 2010, 21(5): 1201-1209
(in Chinese)
[14]摇 Zhang J鄄H (张军辉), Yu G鄄R (于贵瑞), Han S鄄J
(韩士杰), et al. Seasonal and annual variation of CO2
flux above a broad鄄leaved Korean pine mixed forest. Sci鄄
ence in China Series D (中国科学·D 辑), 2006, 36
(suppl. I): 60-69 (in Chinese)
[15]摇 Liu Y鄄F (刘允芬), Yu G鄄R (于贵瑞), Wen X鄄F (温
学发), et al. Seasonal dynamics of CO2 fluxes from
subtropical plantation coniferous ecosystem. Science in
China Series D (中国科学· D辑), 2006, 36(suppl.
I): 91-102 (in Chinese)
[16]摇 Shi P鄄L (石培礼), Sun X鄄M (孙晓敏), Xu L鄄L (徐
玲玲), et al. Net ecosystem CO2 exchange and control鄄
ling factors in a steppe 鄄Kobresia meadow on the Tibetan
Plateau. Science in China Series D (中国科学·D辑),
2006, 36(suppl. I): 194-203 (in Chinese)
[17]摇 Williams M, Richardson AD, Reichstein M, et al. Im鄄
proving land surface models with FLUXNET data. Bio鄄
geosciences, 2009, 6: 1341-1359
[18]摇 Gu LH, Falge EM, Boden T, et al. Objective threshold
determination for nighttime eddy flux filtering. Agricul鄄
tural and Forest Meteorology, 2005, 128: 179-197
[19]摇 Reichstein M, Falge E, Baldocchi D, et al. On the sep鄄
aration of net ecosystem exchange into assimilation and
ecosystem respiration: Review and improved algorithm.
Global Change Biology, 2005, 11: 1424-1439
[20]摇 Efron B, Tibshirani RJ. An Introduction to the Boot鄄
strap. New York: Chapman & Hall, 1993
[21]摇 Dixon RK, Brown S, Houghton RA, et al. Carbon pools
and flux of global forest ecosystems. Science, 1994,
263: 185-190
[22]摇 Zhang X鄄Q (张小全), Xu D鄄Y (徐德应). Physiologi鄄
cal Model of Forest Growth and Yield. Beijing: China
Science and Technology Press, 2002 (in Chinese)
[23]摇 Lloyd J, Taylor JA. On the temperature dependence of
soil respiration. Functional Ecology, 1994, 8: 315-323
[24]摇 Fang C, Moncrieff JB. The dependence of soil CO2 ef鄄
flux on temperature. Soil Biology & Biochemistry, 2001,
33: 155-165
[25]摇 Davidson EA, Verchot LV, Cattanio JH, et al. Effects
of soil water content on soil respiration in forests and cat鄄
tle pastures of eastern Amazonia. Biogeochemistry,
2000, 48: 53-69
作者简介摇 刘摇 敏,女,1983 年生,博士研究生.主要从事陆
地生态系统碳循环模型数据融合及数值模拟研究,发表论文
3 篇. E鄄mail: liusimin122@ 163. com
责任编辑摇 杨摇 弘
6932 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 21 卷