全 文 ：景观生态学中空间数据的模拟和显示方法概述 3
周　强　王建武 3 3 　(华南农业大学热带亚热带生态研究所 ,广州 510642)
张润杰　(中山大学生物防治国家重点实验室 ,广州 510275)
【摘要】　为了准确描述连续数据在景观中变化的规律 ,介绍了常用的 7 种生态学空间数据模拟方法和 4 种空
间数据显示方法的基本原理和方法 ,以及不同的空间数据取样方法的特点和适用范围 ,并初步探讨了影响生态
学空间数据表达方法的主要因素.
关键词 　生态学空间数据 　模拟方法 　显示方法
文章编号 　1001 - 9332 (2001) 01 - 0141 - 04 　中图分类号 　Q149 　文献标识码 　A
Simulation and display methods of spatial data in landscape ecology. ZHOU Qiang , WAN G Jianwu ( Institute of
Tropical and S ubt ropical Ecology , South China A gricultural U niversity , Guangz hou 510642) and ZHAN G Runjie
( Institute of Entomology & S tate Key L aboratory f or Biocont rol , Zhongshan U niversity , Guangz hou 510275) .2Chin. J . A ppl . Ecol . ,2001 ,12 (1) :141～144.
Simulating and display ecological data over large geographic areas require much time ,many resources ,and considerable
special training. Based on the latest researches all over the world , 7 simulation methods of ecological spatial data and 4
data display formats were reviewed , and several sampling ways were also discussed. Sample density and its spatial dis2
tribution ,spatial dependence ,and estimation accuracy were primarily considered to be the major factors influencing sur2
face representation.
Key words 　Ecological spatial data , Simulation methods , Display formats.
　　3 国家“九五”科技攻关项目 (962015201206)和广东省自然科学基金
资助项目 (980161) .
　　3 3 通讯联系人.
　　2000 - 06 - 16 收稿 ,2000 - 07 - 24 接受.
1 　引 　　言
大尺度下进行的生态学研究往往需要时间、资源和相当丰
富的专业知识 ,要求对巨大的数据集进行有效的管理和多样化
的显示. 景观生态学研究中 ,各种各样的环境地图是记录和显
示研究对象变量的主要方法 ,也是进一步分析各变量间相互关
系的基础[3 ] . 好的变量地图应该尽可能地反映变量在研究尺度
下的实际分布 ,并对用于分析和显示的数据进行合理的生态学
解释. 景观生态学中用于空间数据的模拟和显示的方法很多 ,
在计算机被用于分析复杂空间数据之前 ,常用的数据聚类分析
和等值线地图方法在用于分析复杂空间数据特征的研究中存
在诸多困难 (主要表现在模拟精度和显示效率方面) ,随着数学
和计算机技术的发展 ,新的数学分析模型、数据库技术、遥感分
析系统和地理信息系统等工具被广泛用于空间数据的模拟和
显示 ,并在土壤生态、森林生态、草原生态、昆虫生态以及环境
污染和地下水管理等方面取得了不少成果 [25 ] .
在生态学研究和生态管理系统中 ,给定的地理环境中的种
群差异由特定样点数据决定 ,即根据特定样点值用空间插值的
方法决定待估样点 (地)值. 最常用的插值方法是用平均值和标
准误差之类的统计数据描述整个环境中的变量 ,进而构造一个
平坦的表面模型. 象平均值和边界决定之类的用不连续的样点
值生成的一个总体表面图 ,其原理是依靠基本聚集在一起的不
连续的样点数据来量化面的数量. 这些数据的最基本形式是每
个取样点的数据记录 ,用该方法显示的值较可靠 ,而且有利于
理解生物密度沿景观的连续变化 ,但这种表面图可能在很大程
度上受研究者的主观影响或者是一个纯数学的结果. 因此 ,为
了获取更详细的地面信息 ,用取样点值对未知点进行合理的插
值模拟以及提供更适宜的数据显示方法 (包括遥感数据的分析
和显示)显得非常重要. 本文拟对常用的生态学空间数据插值
方法和空间数据显示方法进行初步的归纳和总结.
2 　空间数据的获得
景观生态学中空间数据的来源主要为野外实查和遥感监
测两条途径 . 用传统的野外调查方法获得空间数据 ,工作量较
大 ,且在大尺度下的定位非常困难. 目前 ,全球定位系统 ( GPS)
的出现为野外调查数据的科学性提供了保证 ,在 GPS 指导下
的野外实查将是获得空间数据的一个主要来源 [12 ] .
遥感监测系统的生态学应用已被较广泛地认识 [22 ,28 ] ,特
别是最近人们对生物多样性和精确农业的关注使得这一工具
广为利用[20 ] . 遥感监测系统利用遥感器 (摄像、雷达和扫描等)
获取观察目标在地球表面的信息 (作物、土壤和水) [23 ] . 遥感监
测系统提供的航空像片、卫星数据和其它遥感影像 ,除了自身
可以作为地理信息系统 ( GIS)原始数据被用于一般性参考和粗
略判读量算之外 ,还可通过各种进一步的处理、解释和信息提
取而提供大量有用的空间数据[21 ] . 栅格形式的陆地卫星
(Landsat)数据可用计算机分析处理地面对象的生物物理特征
应 用 生 态 学 报 　2001 年 2 月 　第 12 卷 　第 1 期 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　
CHIN ESE JOURNAL OF APPL IED ECOLO GY ,Feb. 2001 ,12 (1)∶141～144
和地表覆盖情况 ,被广泛应用的衡量地表覆盖程度的 NDV I 指
数就是由 Landsat 数据计算得到. 欧洲遥感卫星 ( ERS21)适用于
受云覆盖困扰的植被研究和制图项目的应用中. 目前 ,NOAA2
AVHRR 卫星数据已经成为监测大面积地域的最常用的选择.
3 　空间数据模拟方法
显示连续数据在景观中变化的方法有多种 ,选择合适的数
据表示方法受数据特性、取样方法、研究目标、研究者的专业能
力等诸多客观和主观因素的影响. 模拟和显示连续数据在景观
中变化的方法基本可分成边界估计方法和连续数据内插估计
方法两大类.
311 　边界估计方法
最简单的插值方法是用地理景观的外部特征描绘出“景观
单元”[15 ] . 这类方法主要用于土壤、地质、植被和土地利用等领
域的专题地图处理. 图像分析中用于边沿检测的算法 ———平行
面技术 ,其前提是假设任何重要变化都发生在边界上 ,边界内
的变化则是均匀的和同质的 ,边界估计方法不一定适用于描述
连续而渐变的变量. 常用的方法有缓冲法和 Dirichlet 多边形
法.
31111 缓冲法 　该法是一种用已知数据点划分区域 ,从点数据
生成表面图的方法. 通过缓冲操作 ,每一已知值可代表一定半
径 (缓冲距离)的圆或其他多边形面积的值. 缓冲方法可能忽视
那些未取样或因距离已超过合理的缓冲距离而没有估值的区
域 ,当样点间的距离小于缓冲距离以及因缓冲区域重叠合并
时 ,数据值的分配可能不确定. Grinsven 等 [11 ]用缓冲法对酸性
土壤中的 Al 分解情况进行了模拟. 此方法比较简单 ,不需要任
何空间参数模型和计算过程 ,但估计的全局误差可能很大.
31112 Dirichlet 多边形法 　该法是缓冲法的延伸 [6 ] . Dirichlet 多
边形的原理是首先确定一个由取样点组成的二维数组 ,然后 ,
未知点的最佳值由最邻近的取样点产生. Dirichlet 多边形完全
按数据点的分布结构确定区域的划分 ,因而可覆盖整个研究区
域. Dirichlet 多边形法也许最适合于定性数据.
大多数的 GIS 和部分统计软件中提供缓冲法和 Dirichlet
多边形法的功能.
312 　连续数据内插估计方法
当样点数据之间不存在相关性或相关性很小时 ,上述的非
内插法非常有用. 当样点数据之间存在较强的相关性时 ,构建
一个连续起伏的表面须在各样点之间使用内插值法. 内插法依
据临近的已知样点的值和点之间的距离进行插值 ,是一种体现
连续的空间渐变的方法. 最常用的内插法有趋势面分析、样条
函数、Delaunay 三角 形 法 ( Triangulation ) 、逆 距 离 权 重 法
(Weighted inverse distance)和克立格法[7 ] .
31211 趋势面分析 　是拟合数学面的一种统计方法 ,这是一个
总体内插法 (whole2area interpolation) [13 ] . 应用该方法能把数据
分为趋势值和剩余值两部分 ,趋势值相当于数据中的区域性变
化 ,剩余值又包括局部性变化和随机性变化. 由于局部性变化
是局部空间上的规律性变化 ,如果需要获得异常 ,可在局部空
间上对剩余值进一步作趋势面分析 ,把局部性变化和随机性变
化分开[4 ] .
趋势面分析主要在数据有规则变化或有明显特征的情况
下进行插值. 计算趋势面的数学方法很多 ,在实际应用中 ,可根
据数据的特征选用不同的方法. 如空间分布不规则的数据 ,用
多项式函数拟合 ;分布规则的用正交多项式函数拟合 ;有周期
性变化的数据用傅里叶级数拟合 ;多变量可用典型趋势面分析
等. Kilic[3 ]用趋势面分析的方法对意大利北部地区土壤粘度分
布的研究表明 ,趋势面分析比较适用于研究变量的总体分布.
对于生态数据来说 ,趋势面分析法在一般的统计软件中都有 ,
但其实际的应用面不广.
31212 样条函数 　是灵活曲线规的数学等式 ,也是分段函数.
样条函数的基本思想是采用分段多项式逐段逼近已知数据点
( x i , yi ) ( i = 1 , 2 , ⋯n) ,一次拟合只与少数数据点配准 ,同时
保证曲线段的连接处为平滑连续曲线. 样条函数能根据样点数
据产生平滑的线条或多边形 ,进而可用来描叙溪流和土地边界
等实体[2 ] .
样条函数是分段函数 ,所以内插速度快 ,同时样条函数与
趋势面和加权平均相反 ,保留了局部地物特征. 样条函数最主
要的缺点是其误差不能直接估算.
31213 Delaunay 三角形法 　是一种三邻居加权估计 ,即把每一
相邻 Dirichlet 多边形的样点用直线连接 ,由此得到一个称为不
规则三角形的网络结构 ,一般称此网络为 Triangulated Irregular
Network ( TIN) . 每一 TIN 三角形代表一个平面 ,该平面的 3 个
顶点为相邻的 3 个样点值. 未知点的值由 TIN 三角形赋给.
在 TIN 法中 ,相对较远的样点跨越割开的三角形的顶点 ,
覆盖大块的未取样区域 ,因此 , TIN 内插的结果总是在样点的
地理区域限制以内 ,而不用考虑上述的调查条件. 实际工作中 ,
对大面积的未取样区域进行估值的结果通常并不理想. 在 TIN
法或在用一个大的调查半径的平均权重法时 ,插值不理想的大
区域就会产生 ,因为这 2 种方法都倾向扩大每一样点的影响面
积. 相反 ,当用小的调查半径和众多的控制点时 ,单独样点的数
据可能被从最后的表面图中排除. 避免这些问题的方法是 ,样
点之间的距离足够近 ,而且不要求内插算法使用距离太远的控
制点或 TIN 三角形不是太大. 此方法曾被用于对美国 Nebraska
州东部杂草的空间分布与群落稳定性关系的研究 [10 ] .
31214 逆距离权重法 　在利用临近样点值的平均加权值来内
插和估计未知点值的插值法中 ,最常采用的平均加权法是逆距
离权重法. 逆距离权重法中 ,用来估计的已知值被当作是未取
样地的控制点 (或邻居) ,控制点的挑选受离待测点的距离或方
向 (或二者共同)的限制. 每一待估点的控制点的数目由用户自
己控制.
以待估值点到控制点之间的欧氏距离为标准 ,距离越远的
点 ,其加权值也越小 ,待估值点位于覆盖在研究区域上的网格
交叉点处. 通过调整赋与每一控制点的权重 ,使得所有权重的
总和能保证任何一点的估计值的误差为零. 任意控制点的权重
( W′i) 计算公式 : W′i = 1/ Dqi ,其中 , D 为间隔距离 , q 为上升的
Di 的幂. 所有权重在总权重中所占比例的和应相等. 待估值点
Zp 的值由下式计算 : Zp = 6 n1 ( W i Zi) ,其中 , Zi 为控制点 i 的样
241 应 　用 　生 　态 　学 　报 　　　　　　　　　　　　　　　　　　　12 卷
本值 , n 为控制点数目.
当 q 值增加时 ,加在待估点上的权重变得更不相等 ,这种
结果与 Dirichlet 多边形法相似. 当 q 值趋近于 0 时 ,所有权重
都相等 ,则估计值近似等于所有控制点的平均值. 由于当权重
增加时 ,每一控制点的影响变得更小 ,所以当权重为 1/ D 时 ,将
产生相对权重为 1/ D6 更平均的数据 ,图形也相对更平滑 [24 ] .
对于平均权重技术 ,如果调查条件 (如控制点的数目、距
离、点的空间分布) 与网格交点不相配 ,则不能产生估计值. 当
调查条件设计得比较宽或不严格时 ,即使距离比较远的样点也
能被利用上 ,相反 ,当调查条件设计得比较紧时 ,只有一部分被
数据围绕的区域能有内插结果 ,后一种情况多发生在当样点数
目太少或相对待估点分布不均匀时. Fernando 等 [8 ]用逆距离权
重法对由赤霉菌引起的小麦枯萎病的田间扩散规律进行了研
究 ; Gage 等[9 ]用逆距离权重法模拟了森林害虫的空间分布 ,并
以此模拟结果设计了有效的害虫综合治理方法.
31215 克立格 ( Kriging) 插值法 　为了获得未知点或未知区域
的最佳估计值 ,地质统计学提供了一个局部估计方法 ———克立
格 ( Kriging) 法. 此方法的依据是 ,由于任何地质、土壤、水文等
区域性特征变量过于杂乱 ,不能用平滑数学函数进行模拟 ,但
能用随机表面给予恰当的描述. 该方法的内插过程是 :首先探
查区域化变量的随机状态 ,然后模拟这些变量的随机状况 ,最
后用前两步产生的信息估计内插值的权因子. 克立格法是一种
对空间分布数据求最优、线性、无偏内插估计量 (Best Linear
Unbiased Estimation ,BLU E) 的方法. 克立格法与逆距离权重法
的差异在于 ,克立格法在计算每一控制点的权重时 ,能使估计
值与真实值之间的误差最小 [18 ,27 ,32 ] .
克立格法的基本思想就是邻近样本比远的样本有更加接
近的值. 任一点或区域的估计值 Z 3V 可以通过该区域的影响范
围内 n 个有效样品值 Z ( x i) 的线性组合得到 : Z 3V = 6λi Z ( x i ) ,
式中 ,λi 为与样品值 Z ( x i ) 有关的加权系数 ,用来表示样品值
对估计值 Z 3V 的贡献. 对于任一给定的数据信息{ Z ( x i ) , i =
1 , . . . , n}存在一组加权系数λi . 如果使估计方差范围最小 ,其
区域真值就能在最小的可能置信区间内产生 [17 ,30 ,34 ] .
准确的克立格估计建立在对样点的空间连续性的充分理
解上 ,包括应选择一个适当的半方差模型 ,而且模型的相关系
数对特异值、空间方向、不同区域空间相依性的差异和样点的
选取敏感. 在实际研究过程中 ,样本密度和空间分布将影响克
立格内插法的结果. 样本密度和样本点的空间分布影响空间结
构的分析和解释 ,而克立格内插法建立在对变量的空间结构充
分和准确的理解上 ,同时 ,具体的克立格插值加权过程也必须
使用空间结构的模拟模型和参数.
克立格法有多种 ,指示克立格法是估计某一地方的条件概
率密度函数的一种方法 ,其他方法包括 :协同克立格法、正态克
立格法、多元高斯克立格法、析取克立格法. 最近还有一种改进
了的克立格法 ,称为条件或随机模拟 ,它产生对样本是有条件
的多元等度可能估计 ,比克立格法方法更深一步 ,上述多元估
计对某一地方值的定性或非定性联合给予特征化 ,条件模拟则
能对两个或更多个地方之间的联合概率密度函数进行估计 ,因
而能够测定一种现象在整个地区的连续性. 例如 ,条件模拟可
用于评价昆虫在整个区域内 (高或低) 密度的连续范围. 普通克
立格法的计算方法有主元素消去法、收敛法和迭代法. 计算过
程均已实现程序自动化. 通常 ,计算机软件提供的克立格估计
过程的灵活性和可参与程度较小 ,克立格法、三角形法和逆距
离权重法的差异较小. Martinez[19 ]用 3 种不同的克立格插值法
对山区土壤表层的水分蒸发率的空间分布进行模拟 ,发现协同
克立格法在该项研究中的估计误差最小. Weisz 等 [31 ]把普通克
立格法和 4 种逆距离权重法应用于对园艺害虫综合治理实践
的研究中 ,并对这些方法的准确性和实用性进行了比较. 目前 ,
克立格插值法已广泛应用于环境科学、农林科学、土壤、水文科
学以及植物生态学和动物生态学 ,其在生态学理论研究和生态
管理实践中均有着广泛的发展前景 [1 ,14 ,26 ,29 ,33 ] .
4 　空间数据显示方法
一旦产生了内插值或构建了 TIN ,变量的具体地面分布图
可用以下形式表示 :等值线图、正交表面图、不连续值填充的网
格图和数字高程地图.
411 　等值线图
等值线包括同一研究区域内相等值的连线 ,其结果类似地
形图上的等高线图. 如果由内插值的交叉点生成等值线 ,则等
值线的定义点起源于内插矩阵 ;如果样点数据被三角形化 ,则
等值线交叉点的数据来自 TIN 三角形. 虽然等值线图比较适
合连续变化表面的表示 ,但并不适于数据分析或模拟.
412 　正交投影图
用于等值线地图的网格和 TIN 同样可用于正交投影构建
地面图. 正交投影生成的表面图具有良好的视觉效果 ,能比较
明显地区分样点值之间的差异 ,但是正交投影更注重定性而不
是定量 ,并且它很难测定不连续点的值.
413 　不连续网格
以上讨论的是具有无限数据点的连续表面图. 表面图也可
用众多的相等网格表示每一不同的地理区域 ,这也是许多栅格
地理信息系统软件 (如 GRASS , IDRISI , ARC/ INFO 6 GRID
module)的基本结构. 通过研究区域的上覆网格以及对网格交
点进行内插值 ,一个类似栅格的结构可在矢量系统的基础上生
成.在这种情况下 ,可对栅格值分类 ,可把值相等的栅格整合成
多边形. 样点间的距离越近 ,内插结果就越好 ,但应避免由栅格
值代表所有样本值的情况.
414 　数字高程地图
数字高程地图以数字高程模型 (DEM)为基础 ,反映空间变
量的起伏和连续变化. 实际上数字高程地图在地图学中多指反
映地表高度的地形图 ,但也可用其它连续变化的特征代替 ,在
景观生态学研究中指反映环境变量的三维地图. 数字高程地图
多用来显示专题信息和进行组合分析等方面.
5 　结 　　语
描述连续数据在景观中变化的插值模型和遥感数据在生
态学尤其在生态管理系统中有重要作用 . 生态数据地图的获得
3411 期 　　　　　　　　　　　　　　周 　强等 :景观生态学中空间数据的模拟和显示方法概述 　　　　　　　　　
和解释受空间数据的处理方法和取样点的空间分布影
响[13 ,16 ] . 通常情况是 ,没能选择既适当又有效的生成正确地图
的方法 ,或者是地图软件本身无法灵活地适应给定的管理情
况. 有些辅助制图软件用不连续的样点数据生成一个连续的起
伏的生物属性表面图 ,但在这一过程中既没有考虑景观特点对
生物分布的影响 ,也没考虑样点本身的空间分布特点 ,最后导
致生成地图的准确程度和实用价值不高. 因此 ,在实际研究过
程中 ,大尺度的生态数据的管理和分析应建立在对研究对象的
空间结构和分析方法的充分和准确的理解基础上.
参考文献
1 　Agterberg FD. 1982. Recent developments in Geomathematics. Geo
Processing ,2 :1～32
2 　Burrough PA. 1986. Principles of geographical information systems for
land resources assessment . Monographs on Soil and Pesources Survey
No. 12. Oxford :Oxford University Press.
3 　Burrough PA. 1996. Spatial aspects of ecological data. In : Jongman
RHG , ter Braak CJ F eds. Data analysis in community and landscape
ecology. Cambridge :Cambridge University Press. 213
4 　Cliff AD , Orl TK. 1981. Spatial Prosesses Models and Applications.
London : Pion Ltd. 9～23
5 　Davis J . 1986. Statistics and Data Analysis in Geology. 2nd edition.
New York :Wiley. 550
6 　Davis PM. 1994. Statistics for describing populations. In : Pedigo L P
and Buntin GD eds. Handbook of Sampling Methods for Arthropods in
Agriculture. Florida :CRC Press. 34～50
7 Eberhardt LL , Thomas J M. 1991. Designing field environmental
studies. Ecol Monogr ,61 (1) :53～73
8 　Fernando WGD ,Paulitz TC ,Seaman WL et al . 1997. Head blight gra2
dients caused by Gibberella zeae from area sources of inoculum in
wheat field plots. Phytopathol ,87 (4) :414～442
9 　Gage SH , Wirth TM , Simmons GA. 1991. Predicting regional gypsy
moth (Lymantriidae) population trends in an expanding population
using pheromone trap catch and spatial analysis. Envi ron Entomol ,19
(2) :370～377
10 　Gerhards R ,Wyse PD Y ,Mortensen D et al . 1997. Characterizing spa2
tial stability of weed populations using interpolated maps. Weed Sci ,45
(1) :108～119
11 　Grinsven HJ M ,Riemsdijk WH ,Otjes R et al . 1992. Rates of aluminum
dissolution in acid sandy soils observed in column experiments. J Envi2
ron Qual ,21 (3) :439～447
12 　Johnston CA. 1998. Geographic Information System in Ecology. Ox2
ford :Blackwell Science Ltd. 149～151
13 　Kareiva P. 1994. Space :the final frontier for ecological theory. Ecolo2
gy ,75 (1) :1～15
14 　Lam NS. 1983. Spatial interpolation methods :a review. The A merican
Cartographer ,10 :129～149
15 　Lan Y2Ch (兰运超) ,Li G2M (利光秘) , Yuan Zh (袁　征) . 1991. The
Principle of Geography Information System. Guangzhou : Guangdong
Province Map Press. 12～13 (in Chinese)
16 　Legendre P. 1993. Spatial autocorrelation : Trouble or new paradigm ?
Ecology ,74 (6) :1659～1673
17 　Liebhold AM , Simons EE , Sior A. 1993. Geostatistics and geographic
information systems in applied insect ecology. A nnu Rev Entomol ,
38 :303～327
18 　Li H2B(李哈滨) ,Wang Zh2Q (王政权) ,Wang Q2Ch (王庆成) . 1998.
Theory and methodology of spatial heterogeneity quantification. Chin
J A ppl Ecol (应用生态学报) ,9 (6) :651～657 (in Chinese)
19 　Martinez CA. 1996. Multivariate geostatistical analysis of evapotranspi2
ration and precipitation in mountainous terrain. J Hydrol ,174 (1/ 2) :
19～35
20 　Mulla DJ . 1997. Geostatistics , remote sensing and precision farming.
In :Lake J V ,Bock GR eds. Precision Agriculture :Spatial and Temporal
Variability of Environmental Quality. London :Wiley. 100～115
21 　Peng W2L (彭望禄) . 1991. Remote Sensing and Geography Informa2
tion System. Beijing :Beijing Normal University Press. 1～9 (in Chi2
nese)
22 　Quattrochi DA , Pelletier RE. 1991. Remote sensing for analysis of
landscapes :an introduction. In : Turner M G ed. Quantitative Methods
in Landscape Ecology. The Analysis and Interpretation of Landscape
Heterogeneity. New York :Springer. 51～76
23 　Richards JA. 1996. Classifier performance and map accuracy. Remote
Sens Envi ron ,57 :161～166
24 　Ripley B. 1981. Spatial Statistics. New York :Wiley. 252
25 　Roberts EA , Ravlin FW , Fleischer ST. 1993. Spatial data representa2
tion for integrated pest management programs. A m Entomol ,39 :92～
107
26 　Robertson GP ,Huston MA ,Evans FC et al . 1988. Spatial variability in
a successional plant community :patterns of nitrogen availability. Ecol2
ogy ,69 (5) :1517～1524
27 Rossi RE , Mulla DJ , Journel AG. 1992. Geostatistical tools for
modeling and interpreting ecological spatial dependence. Ecol Mono2
graphs ,62 (2) :277～314
28 　Roughgarden J , Running SW , Matson PA. 1991. What does remote
sensing do for ecology ? Ecology ,72 (5) :1918～1922
29 　Shi G2Sh (石根生) ,Li D2M (李典谟) . 1997. Geostatistic analysis of
spatial pattern of Dendroli m us punctat us. Chin J A ppl Ecol (应用生
态学报) ,8 (6) :612～616 (in Chinese)
30 　Wang Zh2Q (王政权) . 1999. Geostatistics Applied in Ecology. Beijing :
Science Press. 109～126 (in Chinese)
31 　Weisz R ,Fleischer S ,Smilowitz Z. 1995. Map generation in high2value
horticultural integrated pest management : appropriate interpolation
methods for site2specific pest management of Colorado potato beetle
(Coleoptera :Chrysomelidae) . J Econ Entomol ,88 (16) :1650～1657
32 　Zhou G2F(周国法) ,Xu R2M (徐汝梅) . 1998. Research on the Biogeo2
statistics. Beijing :Science Press. 3～5 (in Chinese)
33 　Zhou Q ,Zhang RJ , Gu DX. 1999. Geostatistical analysis of the spatial
dependence of Nilaparvata L ugens population in rice fields. In :Zhang
R2J eds. Integrated Pest Management in Rice2based Ecosystem.
Guangzhou : Editorial Department of Journal of Zhongshan Univ. 272
～277 (in Chinese)
34 　Zhou Q (周　强) ,Zhang R2J (张润杰) , Gu D2X(古德祥) . 1998. Re2
view of geostatistics in applied insect population spatial structure. Zool
Res (动物学研究) ,19 (6) :482～488 (in Chinese)
作者简介 　周　强 ,男 ,1968 年生 ,博士 ,博士后在站 ,主要从事
景观生态学和化学生态学研究 ,发表论文 15 篇 ,被 SCI 引用 1
篇. Tel :020285280211 ,020285283023 ,E2mail :qzhou @scau. edu. cn
441 应 　用 　生 　态 　学 　报 　　　　　　　　　　　　　　　　　　　12 卷