全 文 ：第 51 卷 第 9 期
2 0 1 5 年 9 月
林 业 科 学
SCIENTIA SILVAE SINICAE
Vol. 51，No. 9
Sep．，2 0 1 5
doi:10．11707 / j．1001-7488．20150918
收稿日期: 2014 － 09 － 04; 修回日期: 2015 － 08 － 28。
基金项目: 国家自然科学基金项目(31370637)、国家林业局 948(2013 － 4 － 71)、浙江省教育厅项目(Y201432350)、浙江省基金杰出青年
科学基金项目(LＲ14C160001)、浙江农林大学科研发展基金人才启动项目(2014FＲ025)、浙江省本科院校中青年学科带头人学术攀登项目
( pd2013239)资助。
* 周国模为通讯作者。
缺失数据插补方法及其参数估计窗口大小对
毛竹林 CO2 通量估算的影响
*
徐小军 周国模 杜华强 施拥军 周宇峰
(浙江农林大学环境与资源学院 浙江省森林生态系统碳循环与固碳减排重点实验室 临安 311300)
摘 要: 【目的】通量塔观测的 CO2 通量数据具有较高的缺失比率，给通量塔数据的应用带来困难，因此，需要
建立合理的插补方法对缺失数据进行插补，获取完整和可靠的 CO2 通量数据。本研究分析了不同参数估计窗口大
小条件下基于夜间数据(NB)和基于白天数据(DB)的插补方法对 CO2 通量估算的影响，从而为选择最优的插补方
法提供参考依据。【方法】以 2011 年毛竹林生态系统碳通量塔观测的净生态系统交换量、温度以及光合有效辐射
为基础数据，给定不同的参数估计窗口大小，采用 NB 和 DB 插补方法对 CO2 通量缺失数据进行插补，以实测数据
评价参数估计窗口大小对 CO2 通量估算的影响。【结果】参数估计窗口影响插补的波动程度随窗口增大而降低，
窗口过大时结果不能体现局部变化，过小时结果出现异常，最优值与观测数据缺失量密切相关; 在本研究案例情况
下，对于 NB 方法，生态系统总呼吸速率 Ｒe 插补的最优移动窗口和参数估计窗口分别为 15 天和 90 天，总初级生产
力 GPP 插补的最优移动窗口和参数估计窗口分别为 2 天和 4 天; 而对于 DB 方法，最优移动窗口和参数估计窗口
分别为 2 天和 60 天; NB 方法估算的年尺度 GPP 和 Ｒe 分别高出 DB 方法的 13. 8%和 26. 8%，净生态系统交换量低
于 DB 方法的 32. 2% ; NB 和 DB 方法得到的白天净生态系统交换量非常接近，但两者的 Ｒe 分量具有较大差异。
【结论】缺失数据比率对参数估计窗口大小的选择具有重要影响。通量塔缺失数据插补时，综合考虑数据缺失比
率和下垫面的碳通量季节变化特征，选择合适的插补方法及其参数估计窗口对提高 CO2 通量估算准确性具有
帮助。
关键词: 缺失数据; 插补方法; 窗口大小; 通量塔; 毛竹林; CO2 通量
中图分类号: S718 文献标识码: A 文章编号: 1001 － 7488(2015)09 － 0141 － 09
Effects of Interpolation and Window Sizes in Phyllostachys edulis forest for
Parameter Estimation on Calculation of CO2 Flux
Xu Xiaojun Zhou Guomo Du Huaqiang Shi Yongjun Zhou Yufeng
(1 ． School of Environment and Ｒesource，Zhejiang A＆F University Zhejiang Provincial Key Laboratory of Carbon
Cycling in Forest Ecosystems and Carbon Sequestration Lin’an 311300)
Abstract: 【Objective】Due to high ratio of missing CO2 flux data，a suitable interpolation method is necessary to
collect continuous and reliable CO2 flux data． The objective of this study is to analyze effect of interpolation ( nighttime
data-based method (NB) and daytime data-based method (DB)) with different window sizes for fitting parameters on CO2
flux data estimation，which provides a basis for selecting suitable interpolation method． 【Method］】Based on the data of
net ecosystem exchange (NEE)，temperature and photosynthetically active radiation obtained from the carbon flux tower
for moso bamboo forest ecosystem in 2011，interpolation ( NB and DB ) with different time window sizes for fitting
parameters were used to estimate missing data through interpolation． Then，the estimated data from interpolation was
compared with the observed data． 【Ｒesults】Time window size for fitting parameter has an effect on the fluctuation of CO2
flux． Fluctuation of CO2 flux decreases as time window size increases． If the time window size is too large，the result can
not reflect the local specific variation in CO2 flux，and if the time window size is too small，it can get abnormal CO2 flux．
林 业 科 学 51 卷
The optimal time window size is closely related to the amount of missing data． As to this case study，for NB method，the
15-day moving window size and 90-day window size for fitting parameters are suitable to interpolate ecosystem respiration
( Ｒe) ． The 2-day moving window size and 4-day window size for fitting parameters are suitable to interpolate gross primary
production (GPP) ． For DB method，the 2-day moving window size and 60-day window size for fitting parameters are
optimal． Annual GPP and Ｒe from NB method are 13． 8% and 26． 8% greater than those from DB method，respectively．
While NEE from NB method is 32． 2% lower than that from DB method． Daytime NEE from NB and DB methods are very
similar，but there is great difference in Ｒe between NB and DB methods． 【Conclusion】The proportion of missing data has
important effect on determining time window sizes for fitting parameters． Taken the proportion of missing data and the
feature of seasonal variation in CO2 flux into account，selecting suitable interpolation method and window size for fitting
parameters is helpful to increase the accuracy of CO2 flux estimation．
Key words: missing data; gap-filling method; window size; flux tower; Phyllostachys edulis forest; CO2 flux
陆地生态系统具有吸收二氧化碳和缓解气候变
化等重要功能( Janssens et al．，2003)。为了评价陆
地生态系统对气候变化的贡献，开展陆地生态系统
与大气之间碳、水和能量交换监测研究至关重要，涡
度相关技术是目前应用较广泛的监测方法(于贵瑞
等，2006a; Ｒunning，2008; Beer et al．，2010; Zhao
et al．，2011)。现有的通量观测研究网络已涵盖全
球各个地区，如美国通量网、欧洲通量网、亚洲通量
网等。由于受系统故障和降雨等因素影响，通量塔
观测数据存在缺失现象，缺失比率高达 20% ～
60%，夜间数据丢失比例较高(Moffat et al．，2007)，
上述问题使得直接获取连续完整的日、月、季、年尺
度净生态系统交换量(NEE)、总初级生产力(GPP)
和生态系统呼吸速率(Ｒe)碳通量各分量困难。为
了获取完整和可靠的通量数据，需要采取合理的插
补方法对缺失数据进行插补。
在通量观测数据插补和分量分解上已做了大量
研究(Falge et al．，2001; Moffat et al．，2007; Desai et
al．，2008)。常用的插补和分量分解方法有平均昼
夜变化、查表法和非线性回归等(Falge et al．，2001;
于贵瑞等，2006b)。非线性回归方法是根据一定时
间段内(窗口)有效数据，建立环境因子与有效数据
之间的模型，然后据此插补缺失的数据。Falge 等
(2001)指出建立一套标准的数据插补方法可以增
强区域和全球通量网络不同站点之间的可比性。缺
失数据插补方法之间的差异及其对碳通量各分量估
算结果的影响已得到深入研究(Moffat et al．，2007;
Desai et al．，2008; 刘敏等，2010; 黄昆等，2013)。
通过模拟数据缺失情景，比较 15 种插补方法，结果
表明，插补方法的精度与缺失时间长度和数据累计
时间尺度(半小时或日尺度)等因素密切相关，数据
缺失时间越长，插补难度越大及精度越低(Moffat et
al．，2007)。但是，参数估计窗口对插补结果影响研
究相对较少。在确定合适的参数估计窗口时，需要
综合考虑通量塔下垫面季节变化特征和数据缺失时
间长度。当通量数据季节变化明显时，通常采用 15
天、1 月、双月或季度作为参数估计窗口拟合模型参
数(Hollinger et al．，2004; Ｒichardson et al．，2006;
Noormets et al．，2007; Desai et al．，2008)。采用较小
参数估计窗口可以得到较好的插补效果(Ｒeichstein
et al．，2005; Lasslop et al．，2010)。但在数据缺失时
间长度较大时，过小的参数估计窗口将导致模型参
数无法合理估计以及插补结果远远偏离实际值等问
题。因此，如何确定合适的参数估计窗口对插补结
果的可靠性至关重要。
本研究按 Ｒeichstein 等 ( 2005 ) 和 Lasslop 等
(2010)对 2011 年安吉毛竹(Phyllostachys edulis)林
生态系统碳通量数据进行插补和分量分解: 基于夜
间数据方法(NB)和基于白天数据方法(DB)，分析
不同参数估计窗口对插补结果的影响，进而比较上
述 2 种方法在应用于毛竹林生态系统通量观测数据
插补和分量分解上的差异，为获取详实和连续完整
的毛竹林 NEE，Ｒe 和 GPP 数据及其时空变化研究
提供方法。
1 研究区概况
安吉县位于浙江省西北部(119°14—119°52 E，
30°23—30°53 N)，全县面积 1 886. 45 km2。属亚热
带海洋性季风气候，光照充足、气候温和、雨量充沛、
四季分明，年均降水量 1 400 mm，年均气温 15. 6 ℃。
森林覆盖率达到 69. 4%，拥有山林 13. 2 万 hm2，其中
竹林面积 6. 33 万 hm2。毛竹林面积为 4. 99 万 hm2，
占林地总面积的 37. 8%，为著名的“中国竹乡”。土
壤主要是发育于酸性岩浆岩和沉积岩的红壤土类(谢
莉等，2012)。毛竹林通量观测塔位于安吉县东南部
的山川与天荒坪 2 个乡镇交界处。以观测塔为中心
241
第 9 期 徐小军等: 缺失数据插补方法及其参数估计窗口大小对毛竹林 CO2 通量估算的影响
1 000 m范围内主要森林类型为毛竹林，其平均树高
为 11 m，林分平均密度为3 235 株·hm － 2。此外，还有
少量针阔混交林、农田、城镇和道路等地类。通量观
测塔概况参见孙成等( 2013)。
2 研究方法
2. 1 数据处理
本研究中，缺失数据时间窗口指数据连续缺失
的时间长度; 参数估计窗口指用于拟合模型参数所
需数据的时间长度; 移动窗口指参数估计窗口移动
的时间长度。以 2011 年安吉县毛竹林生态系统通
量塔半小时尺度观测数据为研究数据，数据集共
17 520行。依据净太阳辐射能( Ｒ n )将数据分为白
天和夜间数据，当 Ｒ n ＞ 0 时为白天数据，Ｒ n≤0 时为
夜间数据，其中白天数据 7 822 个，占 44. 65% ; 夜
间数据 9 698 个，占 55. 35%。通过异常值剔除( Li
et al．，2005)及夜间摩擦风速校正等处理后，夜间有
效数据 2 202 个，仅占夜间总数据量的 22. 7%。白
天有效数据 4 953 个，占白天总数据量的 63. 3%。
白天数据的有效比例明显高于夜间数据。白天缺失
数据的时间窗口平均长度为 3. 9 h，长度大于24 h的
有 15 个，主要集中在 6—9 月份，最大缺失数据的时
间窗口长度为 4. 6 天。夜间缺失数据时间窗口平均
长度为 4. 2 h，长度大于 24 h 的有 28 个，最大缺失
数据的时间窗口长度为 6 天。当忽略两个缺失窗口
间隔内小于 3 h 的有效数据，最长缺口达 24 天。可
见，缺失数据量和缺失时间长度较大，数据插补面临
挑战性。
2. 2 插补方法
采用夜间半小时尺度观测数据对 Arrhenius 呼
吸方程(公式 1)进行参数化，然后根据参数化后的
呼吸方程插补夜间生态系统呼吸速率(Ｒen)，并将
白天空气温度代入公式 1 中估算白天生态系统呼吸
速率( Ｒed) ( Ｒeichstein et al．，2005; Lasslop et al．，
2010)。
Ｒen = Ｒref exp E0 1 / Tref － T0 － 1 / Tair － T( )[ ]0 。(1)
式中: Ｒ ref为当参考温度 T ref等于 15 ℃时的呼吸量
(Lasslop et al．，2010 ); E0 为活化能值; T air 为气
温，℃ ; T0为常数 － 46. 02 ℃ (Lloyd et al．，1994)。
采用白天生态系统净交换量(NEEd)和光合有
效辐射量对 Michaelis-Menten 光响应曲线模型 (公
式 2)参数化，然后根据参数化后的模型对 NEEd 缺
失数据进行插补。
NEEd = αβPAＲ
αPAＲ + β
+ Ｒed。 (2)
式中: α 为光响应曲线斜率，即光能利用效率; β 为
光饱和时最大光合速率; PAＲ 为半小时间隔内光合
有效辐射平均值。
将 Ｒed 作为光响应曲线模型的截距，采用白天
数据对模型(式 3)进行参数化，然后根据参数化后
的模型对 NEEd 和夜间呼吸速率缺失数据进行插补
NEEd = αβPAＲ
αPAＲ + β
+ Ｒ ref exp［E0(1 / T ref －
T0 － 1 / T ref － T0)］。 (3)
2. 3 参数化方案
当缺失数据窗口长度超过参数估计窗口或窗口
内有效数据过少时，会出现模型参数拟合值不合理
等问 题 ( Ｒeichstein et al．， 2005; Lasslop et al．，
2010)，此时采用如下处理方法进行参数拟合: 1)固
定生物学含义不明确的参数，避免参数之间高度相
关，提高模型的稳定性。参考文献 Ｒeichstein 等
(2005)，采用 90 天参数估计窗口和 15 天移动窗口
估计 E0值，选择满足 1 倍标准差范围内所有 E0值并
计算均值，将参数 E0设置为常数(181. 45K); 2)当
参数估计窗口内样本个数少于 6 时，模型所有参数
采用离该窗口最近的上一个窗口参数值代替; 3)当
参数估计窗口样本个数大于 6 个时，采用非线性曲
线拟合方法对模型进行参数化，当参数值等于给定
的最大或最小值即临界值(表 1)时，则采用上一个
窗口参数值代替，其他参数重新拟合，如果仍有参数
值等于临界值，则所有参数采用上一个窗口参数值
代替。参数估计窗口内的有效数据用于参数拟合，
然后根据参数化后的模型对移动窗口内的缺失数据
进行插补。考虑夜间数据缺失量较多，NB 方法的
呼吸模型插补时，移动窗口设定为 15 天; 光合响应
曲线模型插补时，移动窗口设定为 2 天。DB 方法模
型插补时，移动窗口设定为 2 天。为了分析不同参
数估计窗口大小对插补结果的影响，本研究比较了
以下 15 个参数估计窗口: 2，4，15，30，60，90，120，
150，180，210，240，270，300，330 和 360 天。模型参
数初始值及临界值见表 1。采用参数化后的模型对
缺失数据进行插补，计算预测值与实测值的均方根
误差 ＲMSE (公式 4) 和相对系统偏置 Biasr (公式
5)，分析碳通量各分量时间序列变化趋势，评价参
数估计窗口对插补结果的影响。
ＲMSE = 1
N∑
N
i = 1
y
^
i － y( )i槡
2 ; (4)
Biasr = 1
N × y
－∑
N
i = 1
y
^
i － y( )i × 100%。 (5)
341
林 业 科 学 51 卷
式中: N 为样本总数; y
^
i，yi和 y
－
分别为第 i 个样本的
预测值、实测值和实测值均值。
表 1 模型参数初始值和临界值
Tab． 1 Initial values and their range of model parameters
参数
Parameters 初始值
Initial value 区间
Ｒange
E0 100 ［50，450］
Ｒ ref 0. 25 ［0，3］
α 0. 003 ［0，0. 5］
β 0. 5 ［0，5］
3 结果与分析
3. 1 参数估计窗口大小对 CO2 通量估算影响分析
3. 1. 1 基于夜间数据方法(NB) 采用实测数据对
模型进行参数化，根据参数化后的模型获取预测值，
然后与实测值相比计算模型插补精度。当参数估计
窗口为 15 天时，对 Ｒen 的插补结果误差最小，ＲMSE
为 0. 215 mg CO2·m
－ 2 s － 1，Biasr 为 － 0. 4% (图 1)。
随着窗口增大，Ｒen 插补结果的 ＲMSE 有所增加但
不明显，Biasr 呈先降后升的趋势(图 1)。
图 2 NB 方法在不同参数估计窗口(15，60，90，360 天)条件下 Ｒen 插补结果
Fig． 2 Ｒen with different window sizes (15，60，90，360 d) for parameter estimation based on NB method
虽然当参数估计窗口大小为 15 天时误差最
小，但是 Ｒen 预测值变化趋势出现异常波动 (图
图 1 NB 方法在不同参数估计窗口
条件下对 Ｒen 缺失数据插补精度变化
Fig． 1 Gap-filling accuracy of Ｒen with different
window sizes for parameter estimation based on NB method
2)，随着窗口从 15 天增大到 360 天(图 2)，Ｒen 预
测值局部波动幅度降低，呈单峰变化，冬季 Ｒen 速
率较低和夏季高的常态趋势。随着窗口增大，夏季
Ｒen 预测值不断增大而冬季降低(图 2)。另一方面，
窗口越小，局部 Ｒen 值波动幅度越大，表明减小窗口
更有利于反映短时间区间内呼吸速率的差异性。在
确保 Biasr 尽量小(图 1)和体现短时间区间内 Ｒen 波
动性的情况下，用于插补 Ｒen 缺失数据和预测 Ｒed 的
441
第 9 期 徐小军等: 缺失数据插补方法及其参数估计窗口大小对毛竹林 CO2 通量估算的影响
最优参数估计窗口为 90 天(图 2)，此时 Ｒen 缺失数
据插补结果的 Biasr 为 － 8. 41%，从 Biasr 为负值可
推出其年尺度累计值存在系统低估。
根据 Arrhenius 呼吸模型预测 Ｒed，利用公式 2
对白天缺失数据进行插补。移动窗口为 2 天，不同
参数估计窗口的插补效果见图 3。当参数估计窗口
为 4 天时，插补 误差最小，ＲMSE 为 0. 253 mg
CO2·m
－ 2 s － 1及 Biasr 为 － 1. 89%。当移动窗口为 2
天和参数估计窗口为 4 天时插补结果最优。随着参
数估计窗口增大，ＲMSE 增加(图 3)。NEEd 预测值
及其 5 日滑动平均值的变化趋势(图 4)表明随着窗
口从 4 天增大到 360 天(图 4)，季节性波动越不明
显。在体现季节波段性的前提下，参数估计窗口为
4 天时的 NEEd 插补结果相对较好(图 4)。
图 4 NB 方法在不同参数估计窗口(4，15，90，360 天)条件下 NEEd 插补结果
Fig． 4 NEEd with different window sizes (4，15，90，360 d) for parameter estimation based on NB method
3. 1. 2 基于白天数据方法(DB) 当移动窗口为 2
天及参数估计窗口为 4 天时，模型误差最小，NEEd
插补结果的 ＲMSE 和 Biasr 分别为 0. 256 mg CO2·
m － 2 s － 1和 － 3. 15% (图 5)。随着窗口增大，NEEd
插补结果的 ＲMSE 增加并趋向稳定，但 Biasr 呈起伏
变化，总系统偏差存在高估或低估(图 5)。DB 方法
在不同参数估计窗口条件下 Ｒen 插补结果变化趋
势(图 6)表明参数估计窗口过小时，Ｒen 预测值出
现明显异常 (图 6)，相应的 Ｒed 也出现明显异常。
DB 方法在不同参数估计窗口条件下 NEEd 插补结
图 3 NB 方法在不同参数估计窗口条件下对
NEEd 缺失数据插补的精度变化
Fig． 3 Gap-filling accuracy of NEEd with different window
sizes for parameter estimation based on NB method
果变化趋势 (图 7)分析表明当参数估计窗口大于
60 天时，DB 方法的 NEEd 预测值变化趋势较合理
(图 7)，窗口越大预测值变异程度越小。综合考虑
模型预测精度和更好地保留变异信息，参数估计窗
口为 60 天时插补结果最优，此时的 NEEd 插补结果
ＲMSE 和 Biasr 分别为 0. 277 mg CO2·m
－ 2 s － 1 和
－ 3. 06% (图 5)，从 Biasr 为负值可推出其年尺度净
交换量存在系统低估。
541
林 业 科 学 51 卷
图 5 DB 方法在不同参数估计窗口条件下对
NEEd 缺失数据插补的精度
Fig． 5 Gap-filling accuracy of NEEd with different
window sizes for parameter estimation based on DB method
3. 2 基于 NB 和 DB 方法的碳通量各分量比较
根据 NB 和 DB 方法最优参数估计窗口插补和
分量分解得到的日尺度的 NEE，GPP 和 Ｒe 散点图
分析表明，2 种方法的 NEE 和 GPP 结果非常接近，
Ｒ2 分别为 0. 73 和 0. 83，无明显的系统偏差。NB 方
法的 GPP 稍高于 DB 方法的 GPP，主要原因是由于
NB 方法估算的 Ｒe 明显高于 DB 方法(图 8)。
NB 和 DB 方法插补和分量分解得到的年尺度
碳通量各分量分析表明，NB 方法的 GPP 和 Ｒe 高于
DB 方法的结果，分别高出 13. 8%和 26. 8%，而 NEE
低于 DB 方法 32. 2% (表 2)。NB 和 DB 方法 2 种方
法插补得到的 NEEd 相差最小，NB 方法约高出 DB
方法 4. 6% (56 g C·m － 2 a － 1)，而对于 Ｒen，NB 的结
果高出 DB 方法 23. 7% (190. 5 g C·m － 2 a － 1)。
图 6 DB 方法在不同参数估计窗口(4，15，60，360 天)条件下 Ｒen 插补结果
Fig． 6 Ｒen with different window sizes (4，15，60，360 d) for parameter estimation based on DB method
表 2 NB 和 DB 方法之间插补得到的年尺度碳通量各分量比较①
Tab． 2 Comparisons of carbon flux components estimated by using NB and DB methods g C·m － 2 a － 1
方法 Method GPP NEE Ｒe Ｒen Ｒed NEEd
NB － 1 899. 7 － 417. 5 1 482. 2 802. 5 679. 7 － 1 220. 0
DB － 1 637. 0 － 552. 0 1 085. 0 612. 0 473. 0 － 1 164. 0
①负值表示吸收，正值表示排放。Positive mean absorption，neqative mean emission．
4 结论与讨论
缺失数据插补时，不同参数估计窗口对插补后
的结果具有明显的影响，窗口越小越能体现碳通量
短期变化幅度(Lasslop et al．，2010)，但在缺失数据
比率较高时结果出现异常现象。采用 NB 方法进行
641
第 9 期 徐小军等: 缺失数据插补方法及其参数估计窗口大小对毛竹林 CO2 通量估算的影响
图 7 DB 方法在不同参数估计窗口(4，15，60，360 天)条件下 NEEd 插补结果
Fig． 7 NEEd with different window sizes (4，15，60，360 d) for parameter estimation based on DB method
Ｒe 插补时，最优移动窗口和参数估计窗口分别为
15 天和 90 天，GPP 插补时最优移动窗口和参数估
计窗口分别为 2 和 4 天，而 DB 方法的最优移动窗
口和参数估计窗口分别为 2 和 60 天，本研究采用的
参数估计窗口明显大于 Lasslop 等(2010)所采用的
参数估计窗口 4 ～ 15 天，这主要原因是 Lasslop 等
(2010)所用到的数据有效比率高达 80% 且最长缺
失时间长度不超过 750 h，其有效数据比率明显高于
本研究采用的数据而其缺失时间长度明显小于本研
究所采用的数据，可见参数估计窗口最优值与数据
缺失量及其缺失时间长度密切相关。无论是 NB 还
是 DB 方法，结果表明随着参数估计窗口增大，夏季
呼吸速率不断增大而冬季呼吸速率降低，这主要原
因是窗口越大，窗口内包含的呼吸速率实测值和温
度值域变化范围越大，相比小窗口，大窗口的呼吸模
型曲线陡度要大于小窗口的模型曲线，因此模型曲
线斜率越大，会导致温度低处(冬季)越低，温度高
处(夏季)越高的结果。白天缺失数据插补时的最
优参数估计窗口明显小于夜间缺失数据插补时的最
优参数估计窗口，主要是白天数据的缺失比率较低，
使得在较小的参数估计窗口内有足够多的样本用于
参数估计，使得模型参数拟合值更加稳定和准确，降
低模型不确定性。在数据缺失比率较高的前提下，
采用过小的参数估计窗口将使窗口内样本过少，进
而引起呼吸方程参数不确定性大，最后造成呼吸速
率预测值出现明显异常(图 2 和 6)。缺失数据比率
对参数估计窗口大小的选择具有重要的影响，因此
本研究得出的最优窗口只适用于本研究案例，同时
可作为安吉县毛竹林通量塔观测数据插补时的参
考值。
在碳通量各分量统计结果上，NB 和 DB 方法存
在差异。NB 方法的 GPP 稍高于 DB 方法的 GPP(图
8)，该结果与 Lasslop 等(2010)和黄昆等(2013)相
一致。NB 方法基于通量塔实测的夜间呼吸数据对
呼吸方程进行拟合，更有利于真实反映 Ｒe 对温度
变化的敏感性(Lasslop et al．，2010)。另一方面，NB
方法拟合的 Ｒ ref大于 DB 方法的 Ｒ ref，夜间呼吸对温
度的响应与白天呼吸对温度的响应方式有差异，
将 NB 方法采用夜间呼吸拟合的参数用于预测白
天呼吸，可能存在高估的问题 ( 黄昆等，2013 )。
NB 方法的 GPP 和 Ｒe 高出 DB 方法结果的比例与
黄昆等(2013)结果相似。从碳通量各分量对比分
析得出，NB 和 DB 方法之间 NEEd 非常接近，主要
原因是白天观测数据缺失比率较低 (刘敏等，
2010)，因此导致 2 者方法之间插补结果差异的主
要因素是呼吸速率分量不同，这一方面与夜间观
测数据缺失比率过高造成两者方法模型参数不确
定性较大密切相关。另一方面，由于昼夜生态系
统呼吸温度敏感性具有差异性，采用 NB 方法时将
高估白天生态系统呼吸( Lasslop et al．，2010)。总
741
林 业 科 学 51 卷
图 8 NB 和 DB 方法插补的日尺度碳通量分量散点图
Fig． 8 Scatter plots between different carbon flux
components by using NB and DB methods
之，NB 和 DB 方法各有弊端，NB 方法在插补夜间
呼吸速率缺失数据时采用实测夜间呼吸速率数据
对呼吸速率方程参数进行拟合，Ｒe 结果更能反映
实际变化，但当实测夜间呼吸速率数据缺失比率
较高时，会导致拟合的参数不确定性大。而 DB 方
法中模型需要拟合的参数过多且参数之间存在高
度自相关，使得呼吸方程参数难以得到合理约束
和拟合，缺乏生物学意义，得到的结果同样存在较
大不确定性。在应用时，需要综合考虑数据缺失
比率和下垫面的碳通量季节变化特征，确定合适
的参数估计窗口，结合 2 种方法减少插补结果不
确定(黄昆等，2013)。
参 考 文 献
黄 昆，王绍强，王辉民，等 ． 2013．中亚热带人工针叶林生态系统碳
通量拆分差异分析 ． 生态学报，33(17) :5252 － 5265．
(Huang K，Wang S Q，Wang H M，et al． 2013． An analysis of carbon
flux partition differences of a mid-subtropical planted coniferous
forest in southeastern China． Acta Ecologica Sinica，33 ( 17 ) :
5252 － 5265． ［in Chinese］)
刘 敏，何洪林，于贵瑞，等 ． 2010． 数据处理方法不确定性对 CO2
通量组分估算的影响 ． 应用生态学报，21(9) :2389 － 2396．
(Liu M，He H L，Yu G Ｒ，et al． 2010． Impacts of uncertainty in data
processing on estimation of CO2 flux components． Chinese Journal of
Applied Ecology，21(9) :2389 － 2396． ［in Chinese］)
孙 成，江 洪，周国模，等 ． 2013． 我国亚热带毛竹林 CO2 通量的
变异特征 ． 应用生态学报，24(10) :2717 － 2724．
( Sun C，Jiang H，Zhou G M，et al． 2013． Variation characteristics of
CO2 flux in Phyllostachys edulis forest ecosystem in subtropical
region of China． Chinese Journal of Applied Ecology，24 ( 10 ) :
2717 － 2724．［in Chinese］)
谢 莉，陈三雄，彭庭国，等 ． 2012． 浙江安吉主要植被类型土壤水
库库容特性研究 ．亚热带水土保持，24(3) :14 － 18．
(Xie L，Chen S X，Peng T G，et al． 2012． Study on the properties of
soil reservoir in the main vegetation types of Anji county of Zhejiang
Province． Subtropical Soil and Water Conservation，24 (3 ) :14 －
18． ［in Chinese］)
于贵瑞，伏玉玲，孙晓敏，等 ． 2006a．中国陆地生态系统通量观测研
究网络 (ChinaFLUX) 的研究进展及其发展思路 ． 中国科学: D
辑，36(A01) : 1 － 21．
(Yu G Ｒ，Fu Y L，Sun X M，et al． 2006a． Progresses and prospects of
Chinese terrestrial ecosystem flux observation and research network
(ChinaFLUX ) ． Science in China Ser: D Earth Sciences， 36
(A01) : 1 － 21． ［in Chinese］)
于贵瑞，孙晓敏 ． 2006b． 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 ．
(Yu G Ｒ，Sun X M，2006b． Principles of flux measurement in terrestrial
ecosystems． Beijing: Higher Education Press． ［in Chinese］)
Beer C，Ｒeichstein M，Tomelleri E，et al． 2010． Terrestrial gross carbon
dioxide uptake: global distribution and covariation with climate．
Science，329(5993) : 834 － 838．
Desai A Ｒ，Ｒichardson A D，Moffat A M， et al． 2008． Cross-site
evaluation of eddy covariance GPP and ＲE decomposition
techniques． Agricultural and Forest Meteorology，148 ( 6 ) : 821 －
838．
Falge E，Baldocchi D，Olson Ｒ，et al． 2001． Gap filling strategies for
defensible annual sums of net ecosystem exchange． Agricultural and
Forest Meteorology，107(1) : 43 － 69．
Hollinger D Y，Aber J，Dail B， et al． 2004． Spatial and temporal
variability in forest-atmosphere CO2 exchange． Global Change
Biology，10(10) : 1689 － 1706．
Janssens I A，Freibauer A，Ciais P，et al． 2003． Europe’s terrestrial
biosphere absorbs 7% to 12% of European anthropogenic CO2
emissions． Science，300(5625) : 1538 － 1542．
Lasslop G ，Ｒeichstein M，Papale D，et al． 2010． Separation of net
841
第 9 期 徐小军等: 缺失数据插补方法及其参数估计窗口大小对毛竹林 CO2 通量估算的影响
ecosystem exchange into assimilation and respiration using a light
response curve approach: critical issues and global evaluation．
Global Change Biology，16(1) :187 － 208．
Li Z Q，Yu G Ｒ，Wen X F，et al． 2005． Energy balance closure at
ChinaFLUX sites． Science in China Ser． D Earth Sciences，
48( Supp II) : 51 － 62．
Lloyd J，Taylor J A． 1994． On the temperature dependence of soil
respiration． Functional Ecolgy，8(3) :315 － 323．
Moffat A M，Papale D，Ｒeichstein M， et al． 2007． Comprehensive
comparison of gap-filling techniques for eddy covariance net carbon
fluxes． Agricultural and Forest Meteorology，147(3) : 209 － 232．
Noormets A，Chen J，Crow T Ｒ． 2007． Age-dependent changes in
ecosystem carbon fluxes in managed forests in northern Wisconsin，
USA． Ecosystems，10(2) : 187 － 203．
Ｒeichstein M，Falge E，Baldocchi D，et al． 2005． On the separation of
net ecosystem exchange into assimilation and ecosystem respiration:
review and improved algorithm． Global Change Biology，11 ( 9 ) :
1424 － 1439．
Ｒichardson A D，Braswell B H，Hollinger D Y，et al． 2006． Comparing
simple respiration models for eddy flux and dynamic chamber data．
Agricultural and Forest Meteorology，141(2) : 219 － 234．
Ｒunning S W． 2008． Ecosystem disturbance， carbon， and climate．
Science，321(5889) : 652 － 653．
Zhao M，Ｒunning S W． 2011． Ｒesponse to comments on“Drought-
induced reduction in global terrestrial net primary production from
2000 through 2009”． Science，333(6046) : 1093 － 1093．
(责任编辑 于静娴)
941