从20世纪70年代后期开始，全球碳循环研究受到人类的普遍关注^[1]，而Re是全球碳循环中最重要的碳通量组分之一^[2]。每年由光合作用固定的碳有80%通过呼吸作用回到大气中^[3,4]，所以，Re在全球碳收支中占较大的比重，对生态系统的碳循环起着决定性作用^[5]。准确模拟Re不仅有利于有效管理温室气体、评估区域和全球碳循环状况、合理积极应对气候变化，同时也是生态系统与全球变化科学发展的科技任务，具有非常重要的现实与科学意义^[6]。

传统研究Re有两种比较常用的观测方法，分别是涡度相关法和静态箱／气相色谱法。这两种观测方法虽然可以对Re进行直接观测，但是箱式观测法费时费力^[7]，并且还会受到箱内外温差和箱内气压状况等因素的限制^[8]，同时难以获得连续的时间和空间数据，会导致Re观测的不确定性^[9]。同时，涡度相关法只能在有限的站点进行观测。这两种观测方法均不适用于区域乃至全球的Re估算，在这种情况下，通过模型模拟Re成为了一种较为可行的方法。

传统估算Re的模型可以分为3类：统计模型、参数模型和过程模型^[10]。但是传统的模型均存在各种缺点，例如统计模型Chikugo模型，虽然计算简单实用，但因缺乏植物生态学的理论基础而导致估算结果误差大；过程模型CENTURY和BIOME-BGC模型，虽然过程机理清楚，但模型结构过于复杂^[11]。随着遥感和GIS技术的快速发展，遥感模型成为估算区域Re的新方法。

卫星遥感观测不但能够以固定的频率对生态系统要素进行采样，实现重复观察，获得连续的时间和空间数据，还可以实时实地、大范围直观地反映植被Re的时空变化，观测范围能够覆盖区域乃至全球^[12,13]，是模拟Re的有效途径。在Re模型中引入遥感参数，可以简化计算，并且减少了大量的试验工作，避免了研究者对研究对象的直接干扰^[14]。除此之外，相比于其他模型，遥感模型可以应用于模拟区域乃至全球尺度上的Re。所以基于遥感数据的观测范围广、时空分辨率高和周期性强等特点，遥感模型在模拟不同区域的Re方面发挥着重要的作用^[13]。

现有的遥感模型主要有VPRM模型、C-fix模型、DCFM模型、C-Flux模型、ReRSM模型和TPGPP模型等。VPRM模型的优点是结构简单，参数较少，将Re表示为空气温度的线性函数，但是没有考虑土壤水分等因子对Re的影响^[15]。虽然这样的简化有利于利用遥感数据来实现Re的区域计算，但是没有考虑其他生物非生物因素的影响，只是简单地将Re和温度建立线性关系，这样做不可避免地存在着很大的误差^[15,16]。C-Fix模型适用于各个空间尺度的Re模拟，在国内外的研究中均得到广泛运用，但C-Fix模型中计算Re的表达式结构复杂，并且估算精度不高^[14]。DCFM模型综合考虑了土壤温度、树龄和人类活动等因素对Re的影响，缺点是没有考虑土壤水分的影响，从而导致模拟结果精度不高^[17]。相比于VPRM模型、C-fix模型和DCFM模型考虑影响因素不全面、估算精度不高等缺点，C-Flux、ReRSM和TPGPP模型所考虑的影响因子较为全面，且结构简洁过程清楚，所需参数较少，但是目前这3种模型只在有限的站点模拟Re，并未应用于全球更多的站点。因此，本研究利用全球通量网观测数据和卫星遥感数据，选取不同植被类型的站点，用C-Flux、ReRSM和TPGPP模型分别对不同站点的Re进行模拟，比较3种模型的模拟结果，分别分析3种模型的优缺点。

C-Flux模型、ReRSM模型和TPGPP模型共模拟了24个站点（52个站年），包括5种植被类型：农作物（CROP）、落叶阔叶林（DBF）、常绿针叶林（ENF）、草地（GRASS）和混交林（MF）。表1为研究站点的详细信息。

MODIS网站(https://modis.gsfc.nasa.gov）的MOD15A2H产品（空间分辨率500 m，时间分辨率8 d）为本研究站点叶面积指数（Leaf Area Index，LAI）的数据源，采用三次样条函数对MODIS LAI产品数据进行平滑^[18],消除其因云层影响而导致的明显数据短期波动现象。利用MOD09A2产品的地表反射率数据（空间分辨率500 m，时间分辨率8 d）计算陆地表面水分指数（Land Surface Water Index，LSWI），LSWI的计算公式如下：

其中:ρ_nir是近红外波段的反射率，ρ_swir是短波红外波段的反射率。

从fluxnet网站下载站点数据（http://fluxnet.ornl.gov/），站点气象数据包括日均空气气温T_a（℃）、最低空气气温T_amin（℃）、总光合有效辐射PAR、日均饱和水汽压差VPD（hPa）、土壤温度T_soil（℃）、土壤含水量SW（%）和降水量P（mm），站点通量数据包括总初级生产力GPP（gCm^-2d^-1）和Re（gCm^-2d^-1），其中，Re使用Lolyd＆Taylor方法进行夜间生态系统呼吸速率缺失数据的插补和白天Re的估算^[19]。

其中:R_ref为参考温度T_ref（℃）下呼吸速率（g C m^-2 d^-1），E₀为活化能（J·mol^-1）；参考温度T_ref取为10 ℃；T₀为温度试验常数，取-46.02 ℃；T为空气温度（℃）。

C-Flux模型综合考虑了温度、水分和土壤有机碳对Re的影响。将Re分为自养呼吸R_a和异养呼吸R_h，R_a分为维持呼吸R_m和生长呼吸R_g：

其中:Rm_base表示维持呼吸基础呼吸速率，Q₁₀取值2.0，T_air表示天平均气温（℃），k为辐射衰减系数，取值0.5，FPAR表示植被上层吸收的光合有效辐射（%），R_{g_frac}表示可用于生长呼吸的碳分量，取值0.33^[20]。异养呼吸（R_h）表示如下^[20,21,22] ：

其中:Rh_base表示异养呼吸基础速率，S_STh表示土壤温度的影响，S_SWh表示土壤可获得水分的影响，S_SAh表示站点年龄的影响。R_{h_coef_a}不同植被类型取值不同，T_{_soil}表示土壤温度；对于所有植被类型b=0.86，c=-1.26，d=0.7486，SW表示土壤可获得水分百分比（0~1），当SW>0.5时表示水分无影响；a=0.379，b=2.14，c=-0.158，d=0.9824，age表示树龄^[21]。

所以，C-Flux模型模拟Re的公式如下：

ReRSM模型将Re分为5个部分^[23]：生长呼吸（R_g）、维持呼吸（R_m）、根际微生物呼吸（R_rhi）、微生物呼吸（R_res）和土壤有机质分解（R_SOM）。生长呼吸（R_g）和根际微生物呼吸（R_rhi）与GPP关系密切：

维持呼吸（R_m）、微生物呼吸（R_res）和土壤有机质分解（R_SOM）与温度的相关性很大，三者之和被定义为生态系统有机质呼吸（R_EOM）。

其中:经研究发现，温度可以使用遥感指数LST表示，且T_ref为288.15 K（15 ℃），且T₀设置为227.13 K(-46.02 ℃)，E₀取值为308.56 K。因此，Re可以表示为：

TPGPP模型综合考虑了温度和水分等因素对Re的影响。

其中:R_ref是参考温度下，不受水分限制的Re；f(T_A)是Re对空气温度的响应函数，E₀表示Re对温度的敏感性，T_ref设置为288.15 K（15 ℃），T₀取值为227.13 K（-46.02 ℃）。

其中:f(P)是Re对水分的响应函数，k(mm)是双曲线关系的半饱和常数，P是降水量（mm），α是无降水时，Re对水分的响应。

TPGPP模型中Re的模拟公式如下：

其中，不同植被类型的参数不同^[24]，见表2。

利用C-Flux、ReRSM和TPGPP模型分别模拟52个站年1 d和8 d尺度的Re，并计算Re模拟值与实测值之间的决定系数（R²）和均方根误差（Root Mean Square Errror, RMSE）。R²和RMSE计算公式如下：

3种模型模拟结果的R²均大于0.6，且除US-ARc_2005和AT-Neu_2006站年外，RMSE都小于4 gCm^-2d^-1（图1（a））。在3种模型中，TPGPP模型模拟结果的R²与RMSE的波动范围最小，分别为0.69~0.95 gCm^-2d^-1和0.42~2.42 gCm^-2d^-1，ReRSM模型模拟结果的R²与RMSE的波动范围最大，分别为0.61~0.94 gCm^-2d^-1和0.49~6.29 gCm^-2d^-1，C-Flux模型模拟结果R²和RMSE的范围为0.63~0.91 gCm^-2d^-1和0.38~3.59 gCm^-2d^-1。38个（73%）站年的TPGPP模型模拟结果的R²高于其他两种模型，34个（65%）站年的TPGPP模型模拟结果的RMSE低于另两种模型，39个（75%）站年的ReRSM模型模拟结果的R²不低于C-Flux模型，41个（79%）站年的C-Flux模型模拟结果的RMSE低于ReRSM模型。

3种模型模拟结果的R²均大于0.65，且除US-ARc_2005和AT-Neu_2006站年外，RMSE都小于4 gCm^-2d^-1（图1(b)）。在3种模型中，TPGPP模型模拟结果的R²与RMSE的波动范围最小，分别为0.76~0.97 gCm^-2d^-1和0.41~2.45 gCm^-2d^-1，ReRSM模型模拟结果的R²与RMSE的波动范围最大，分别为0.70~0.98 gCm^-2d^-1和0.45~6.07 gCm^-2d^-1，C-Flux模型模拟结果R²和RMSE的范围为0.72~0.96 gCm^-2d^-1和0.30~3.47 gCm^-2d^-1。35个（67%）站年在TPGPP模型模拟结果的R²高于另两种模型，26个（50%）站年在TPGPP模型模拟结果的RMSE低于其他两种模型，40个（77%）站年的ReRSM模型模拟结果的R²不低于C-Flux模型，40个（77%）站年的C-Flux模型模拟结果的RMSE低于ReRSM模型。

1 d尺度和8 d尺度，3种模型模拟结果的R²差异不大（图2(a)和图2(c)），而RMSE的差异较大（图2(b)和图2(d)）。图2（b）表明，在天尺度，RMSE差异最大的站年是US-ARc_2005，ReRSM模型的RMSE为6.29 gCm^-2d^-1，C-Flux和TPGPP模型的RMSE分别是1.32和1.30 gCm^-2d^-1，差异百分比分别为376.52%和383.85%。差异最小的站年是DE-Kli_2006，ReRSM模型模拟的RMSE是2.10 gCm^-2d^-1，C-Flux和TPGPP模型模拟的RMSE分别是1.92和1.95 gCm^-2d^-1，差异百分比分别为9.40%和7.70%。其他站年的RMSE差异百分比范围是9.79%~376.39%。在8 d尺度，RMSE差异最大的站年是RU-Ha1_2004，ReRSM模型模拟的RMSE是2.54 gCm^-2d^-1，C-Flux和TPGPP模型模拟的RMSE分别是0.48和0.95 gCm^-2d^-1，差异百分比分别为429.17%和167.37%。差异最小的站年是DE-Kli_2006，ReRSM模型的RMSE是1.96 gCm^-2d^-1，C-Flux和TPGPP模型的RMSE分别是1.86和1.91 gCm^-2d^-1，差异百分比分别为5.38%和2.62%。其他站年的RMSE差异百分比范围为10.11%~392.41%。

从图3可以看出，1 d尺度结果中，在CROP类型，TPGPP模型的R²最高（0.82），RMSE最低（1.66 gCm^-2d^-1），但Re的模拟存在低估的现象；ReRSM模型R²（0.74）高于C-Flux模型，RMSE最高（1.91 gCm^-2d^-1），存在高估Re的现象；C-Flux模型R²最低（0.69），RMSE（1.71 gCm^-2d^-1）低于ReRSM模型，没有明显的高估或低估Re；在ENF植被类型中，ReRSM模型的R²（0.69）低于其他两种模型，TPGPP模型的RMSE（1.08 gCm^-2d^-1）低于其他两种模型；C-Flux模型的R²（0.76）与TPGPP模型（0.76）相近，存在Re低估的现象；在GRASS植被类型中，C-Flux模型低估Re现象严重，TPGPP模型没有明显的高估或低估Re，且该模型的R²最高（0.84），RMSE最低（1.41 gCm^-2d^-1）；在DBF植被类型中，ReRSM模型的R²最低（0.48），RMSE最高（2.50 gCm^-2d^-1），低估Re现象严重；另外两种模型中，TPGPP模型的R²（0.65）略高于C-Flux模型（0.61），RMSE（1.73 gCm^-2d^-1）略低于C-Flux模型（1.85 gCm^-2d^-1）；当Re大于8 gCm^-2d^-1时，两种模型均有一定的低估Re现象；在MF类型中，ReRSM模型的R²最低（0.74），RMSE最高（1.29 gCm^-2d^-1），有低估Re现象；另两种模型没有明显高估或低估Re，且TPGPP模型的R²最高（0.85），RMSE最低（0.89 gCm^-2d^-1）。

图3的8 d尺度结果中，在CROP植被类型，TPGPP模型的R²最高（0.85），Re模拟存在明显的低估现象；ReRSM模型R² （0.78）低于TPGPP模型（0.85），RMSE（1.75 gCm^-2d^-1）高于TPGPP模型（1.61 gCm^-2d^-1），存在高估Re的现象；C-Flux模型R²（0.73）和RMSE最低（1.56 gCm^-2d^-1），没有明显的高估或低估Re；在ENF植被类型中，ReRSM模型的R²（0.75）低于其他两种模型，略微低估Re；C-Flux模型的R²（0.83）与TPGPP模型（0.80）相近，但是存在Re低估的现象；在GRASS植被类型中，C-Flux模型RMSE最低（1.39 gCm^-2d^-1），但明显低估Re；TPGPP模型R²最大（0.87），没有明显的高估或低估Re；在DBF植被类型中，ReRSM模型的R²最低（0.51），RMSE最高（2.39 gCm^-2d^-1），低估Re现象严重；另外两种模型中，TPGPP模型R²（0.69）略高于C-Flux模型（0.66），均有一定的低估Re现象；在MF模型中，ReRSM模型的R²最低（0.80），RMSE最高（1.18 gCm^-2d^-1），有低估Re现象；另两种模型没有明显高估或低估Re，且TPGPP模型的R²和RMSE与C-Flux模型相近。

图4（a）,3种模型中，TPGPP模型模拟Re的R²的最大值最高，为0.95，其次是ReRSM模型，为0.94，C-Flux模型最低，为0.91。TPGPP模型模拟Re的R²的中位数最高，为0.83，其次是ReRSM，为0.82，C-Flux最低，为0.80。TPGPP模型模拟Re的R²的平均值最高，为0.83，ReRSM和C-Flux均为0.80。结果表明，TPGPP模型R²最高，其次是ReRSM，C-Flux最低。从图4（b）中可以看出，TPGPP模型模拟Re的RMSE的最大值最低，为2.42 g C m^-2 d^-1，其次是C-Flux模型，为3.59 gCm^-2d^-1，ReRSM模型最高，为6.29 gCm^-2d^-1。TPGPP模型模拟Re的RMSE的中位数最低，为1.08 gCm^-2d^-1，其次是C-Flux模型，为1.19 gCm^-2d^-1，ReRSM模型最高，为1.72 gCm^-2d^-1。TPGPP模型模拟Re的RMSE的平均值最低，为1.20 gCm^-2d^-1，其次是C-Flux模型，为1.33 gCm^-2 d^-1，ReRSM模型最高，为1.84 gCm^-2d^-1。结果表明，TPGPP模型RMSE最低，其次是C-Flux模型，ReRSM模型最高。

从图4（c）中可以看出，ReRSM模型模拟Re的R²的最大值最高，为0.98，其次是TPGPP模型，为0.97，C-Flux模型最低，为0.96。TPGPP模型模拟Re的R²的中位数最高，为0.89，其次是ReRSM，为0.88，C-Flux最低，为0.87。TPGPP模型模拟Re的R²的平均值最高，为0.88， ReRSM模型次之，为0.87，C-Flu模型最低，为0.86。结果表明，TPGPP模型R²最高，ReRSM模型和C-Flux模型的R²比较接近。从图4（d）中可以看出，TPGPP模型模拟Re的RMSE的最大值最小，为2.45 gCm^-2d^-1，其次是C-Flux模型，为3.47 gCm^-2d^-1，ReRSM模型最高，为6.07 gCm^-2d^-1。TPGPP模型模拟Re的RMSE的中位数最低，为1.04 gCm^-2d^-1，其次是C-Flux模型，为1.12 gCm^-2d^-1，ReRSM模型最高，为1.54 gCm^-2d^-1。TPGPP模型模拟Re的RMSE的平均值最低，为1.14 gCm^-2d^-1，其次是C-Flux模型，为1.21 gCm^-2d^-1，ReRSM模型最高，为1.70 gCm^-2d^-1。结果表明，TPGPP模型RMSE最低，其次是C-Flux模型，ReRSM模型最高。

ReRSM模型中，R_GPP是Re重要组成部分，R_GPP用系数a乘以GPP来表示，其中，系数a的表达式由两部分组成：与LSWI_sm负相关的线性表达式，乘以与T_{n_am}正相关的线性表达式（公式13）。图5中，a值较高的站年，1 d和8 d的模拟结果高估，明显高估的站年有：Ru-Ha1（2002~2004年）、US-ARc（2005年）和CN-Cng（2008~2010年）；a值较低的站年，天和8天模拟结果低估，明显低估的站年有：FI-Hyy(2004、2006年)、US-MMS(2003~2004年)、US-Wcr（2004~2006年）、US-Wi8（2002年）、CA-Gro（2005年）和CA-Oas（2004~2005年）, 这些模拟结果高估的站年，与图3（b）和3（d）中ReRSM模拟结果的RMSE高的站年一致。

进一步分析a值过高或过低的原因，发现与LSWI_sm和年均夜间温度（T_{n_am}）有关。图6中，LSWI_sm与其他站年相比过低，这样就会造成a值过高，从而模拟的Re高估，如站年US-ARc（2005年）（LSWI_sm=0.10）、RU-Ha1（2002~2004年）（LSWI_sm=0.04、0.05和0.05）；CN-Cng（2008~2010年）（LSWI_sm=0.11、0.07和0.09）。LSWI_sm与其他站年相比过高，这样会造成a值过低，从而模拟的Re低估，如站年FI-Hyy（2004和2006年）（LSWI_sm=0.34和0.32）、US-Wcr（2004~2006年）（LSWI_sm=0.32、0.33和0.33）、US-Wi8（2002年）（LSWI_sm=0.33）、CA-Gro（2004~2005年）（LSWI_sm=0.29和0.31）和CA-Oas（2003~2005年）（LSWI_sm=0.27、0.32和0.32）。无论是高估或低估Re，都会导致RMSE增大，因此上述18个站年在ReRSM模型中RMSE高于另两种模型。由此可见，LSWI_sm与其他站年相比过低，会导致模拟的Re高估，反之则低估，这与Gao的结论相吻合^[23]。

C-Flux、ReRSM和TPGPP模型都包含了温度对Re的影响，温度与Re之间建立的关系结构可分为2种：Q₁₀模型指数关系和Arrhenius型方程指数关系^[24]。其中，C-Flux模型属于Q₁₀模型指数关系，不同模型的Q₁₀取值不同。C-Flux模型的Q₁₀取值为2.0，但是，对于不同的植被类型，Q₁₀的取值始终为同一个常数，这样不可避免地存在误差。ReRSM和TPGPP模型使用了Arrhenius型方程指数关系，这与Q₁₀模型相比，结构更为合理，能更好地反映温度对Re的影响。

C-Flux、ReRSM和TPGPP模型都考虑了水分对Re的影响，但各模型所运用的水分因子各不同。C-Flux模型考虑了土壤可获得水分对Re的影响，ReRSM模型使用LSWI_sm来表征水分的影响，TPGPP模型使用降水量数据表征水分因子的影响。对于模拟水分对Re影响准确度的角度，土壤可获得水分是最直接的影响因素^[24]，所以C-Flux模型考虑的水分变量更合理，但是土壤可获得水分数据不易测量，难以推广到大尺度的模型模拟。TPGPP模型使用降水量数据来表征水分因子的影响，降水量数据相比土壤可获得水分数据更易获得，在大尺度使用上实现的可能性更大。但ReRSM模型使用的遥感指数LSWI，比降水量数据更易获得，且可推广到区域甚至全球尺度上。同时，ReRSM模型使用LSWI_sm来表征水分影响，可以较好地模拟Re的季节变化趋势，说明ReRSM模型结构合理，但是，ReRSM模型的模拟结果会因为LSWI_sm的变化而出现高估或低估现象，表明ReRSM模型在考虑水分因子方面的参数有待改进。

很多Re模型认为呼吸与总初级生产力（GPP）之间存在线性关系^[25,26]，这一理论在C-Flux、ReRSM和TPGPP模型中都有体现。C-Flux模型在模拟生长呼吸时考虑GPP的影响，且GPP的系数设为定值0.33^[20]，虽然这样可以使得参数明确，简化模型结构，但是不根据植被类型的不同，分别考虑GPP的影响，会导致模拟结果存在误差，这也是C-Flux模型模拟精度低于其他两种模型的原因之一。ReRSM模型考虑GPP的影响时，其系数由LSWI_sm和LST_{n_am}决定，充分考虑了不同区域的水热条件影响，结构合理，但具体参数还有待改进。TPGPP模型根据不同植被类型，GPP的系数不同，从表2中可以看出，不同植被类型参数差距较大，在考虑植被差异的同时，也加大了模型参数的不确定性。

3种遥感模型都考虑了水分和温度对Re的影响。并且C-Flux和ReRSM模型还考虑了土壤有机碳的影响，但TPGPP模型未考虑土壤有机碳的影响，在这方面，可以对TPGPP模型进一步地改进，使得该模型包括更多Re的影响因子，提高模拟精度。同时，3种模型均未考虑地形因素的影响，而实际上地形是会对Re产生影响的，比如在山地地区垂直分布的地形会造成山地小气候、土壤中的水分也会因为地形而产生侧向移动等^[27]。

遥感模型是融入数理统计方法的半经验模型，同时也考虑了生态系统呼吸的过程机理。在估算大尺度Re方面，遥感模型随着遥感观测技术的发展将大有潜力。不过，目前遥感模型还是存在一些问题，比如基于数理统计拟合出的系数，依赖于有限的观测站点的实测数据，当选择参考的实测数据不同时，系数会产生很大的变化，比如在TPGPP模型中，植被类型ENF中E₀的取值为124.833 K，而在相似结构的DCFM模型中，在ENF中E₀的取值为68.78 K^[17]。所以，尽管TPGPP模型已经根据不同植被类型，将系数由站点尺度，归纳到区域尺度上估算Re，但这种误差仍是不可避免的。所以，如何将由有限站点拟合得到的系数，归纳分析后应用到区域甚至全球范围，这是当前需要解决的问题。

同一站年在不同模型中，模拟结果存在差异，计算每站年模型间R²和RMSE差异的最大值（模拟结果最大值减去最小值），并分别从不同时间尺度（1 d和8 d尺度）进行差值比较。从图7（a）中可以看出，1 d尺度模拟结果中，RMSE差值最大的是US-ARc_2005（4.99 gCm^-2d^-1），最小的为CA-Obs_2005（0.11 gCm^-2d^-1）；8 d尺度模拟结果中，RMSE差值最大的是US-ARc_2005（4.83 gCm^-2d^-1），最小的是DE-Kli_2006（0.05 gCm^-2d^-1）。1 d和8 d尺度RMSE的差值间区别很小，变化范围为0.00~0.41 gCm^-2d^-1。

图7（b）,1 d尺度模拟结果中，R²差值最大的是BE-Lon_2005（0.16），最小的是CA-TP4_2004（0.00）；8 d尺度模拟结果中，R²差值最大的是CA-TP4_2003（0.16），最小的是US-NR1_2002（0.00）。1 d和8 d尺度模拟结果的R²的差值差异较大，变化范围为0~0.08，所以不同时间尺度的R²差距变化较大，且8 d尺度模型间的结果差异小于 1 d尺度的模拟结果差异。

3种模型在不同站年的模拟结果表现各不相同。当模拟的时间尺度不同时，同一模型的模拟结果也会存在差异，这既与模型本身的结构有关，也与不同时间尺度导致的数据量不同相关。不同时间尺度模拟结果的比较，可以更全面地展现不同模型模拟Re的特点与不足，以得到进一步地改进。

通过对3种模型模拟结果的比较，得到以下结论：对于植被类型为CROP的站年，1 d和8 d尺度，ReRSM模型的模拟结果明显高估，TPGPP模型明显低估，C-Flux模型在3种模型中表现最好；对于植被类型为ENF的站年，1 d和8 d尺度，C-Flux模型的模拟结果明显低估，ReRSM和TPGPP模型不存在明显的高估或低估，但TPGPP模型的R²高于ReRSM模型，且RMSE更低，所以TPGPP模型更适合模拟植被类型为ENF的站年；对于植被类型为GRASS的站年，1 d和8 d尺度，C-Flux模型的模拟结果明显低估，ReRSM模型模拟结果最差，TPGPP模型的模拟结果最好；对于植被类型为DBF的站年，1 d和8 d尺度，3种模型均存在低估现象，其中，ReRSM模型的模拟结果低估最严重，效果最差，当Re大于8 gCm^-2d^-1时，C-Flux和TPGPP模型均有一定的低估Re现象，TPGPP模型比C-Flux模型的表现较好一点；对于植被类型为MF的站年，天和8天尺度，3种模型均没有明显的高估或低估，TPGPP模型表现最好，C-Flux模型次之，ReRSM模型最差。1 d和8 d尺度的所有站年，TPGPP模型模拟效果最好，分别有73%和67%的站年的TPGPP模型模拟结果的R²高于其他两种模型，65%和50%的站年的TPGPP模型模拟结果的RMSE低于另两种模型。所有站年的1 d和8 d尺度站年，分别有75%和77%站年的ReRSM模型模拟的Re与观测Re之间的R²明显高于C-flux模型，然而79%和77%的站年RMSE高于C-flux模型，这表明ReRSM模型结构合理，能较好地模拟Re的季节变化趋势，但模型参数有待改进。ReRSM模型中，LSWIsm与其他站年相比过低时，会导致模拟的Re高估，反之则低估。

本文主要比较3种模型在站年尺度上模拟Re的表现，3种模型都有各自的特点与不足。对于不同植被类型，每种模型的模拟表现均有差异。本文通过46个站年的模拟结果比较，TPGPP模型在1 d和8 d尺度上的模拟效果最好，分别有73%和67%的站年的TPGPP模型模拟结果的R²高于其他两种模型，65%和50%的站年的TPGPP模型模拟结果的RMSE低于另两种模型。从模型结构、数据获取难易程度和模拟精度等角度综合考虑，TPGPP模型比其他两种模型，更适合模拟区域甚至全球尺度上的Re，但针对TPGPP模型存在的不足，例如未考虑土壤有机碳和地形因素对Re的影响，需要进一步研究加以改进。