草地覆盖着全球约40%的陆地面积,是世界上分布最广泛的植被类型之一;同时,草地生态系统储存着全球约20%的植被碳库和土壤碳库,在陆地生态系统碳循环中占据着重要的地位。中国北方草地主要由分布在青藏高原的高寒草地和分布在内蒙古高原的温带草地组成,代表了世界上广泛分布的两大草地类型;并且由于其独特的高原地形、高寒和干旱-半干旱环境以及较大的土壤碳储量,中国北方草地生态系统的碳循环过程对气候变化非常敏感。作为主要的碳通量之一,生态系统呼吸（ecosystem respiration,RE）的微小变化都会显著影响陆地生态系统碳收支的大小。然而,由于包含复杂的物理、化学和生物过程及其交互作用,我们对呼吸过程的理解仍然有限,区域和全球尺度的RE估算仍然存在着较大的不确定性。因此,准确评估中国北方草地RE的时空动态及其影响因素,不仅有助于理解区域和全球陆地生态系统碳收支及其对环境变化的响应,也有助于改善我国陆地碳汇能力,促进农牧业生产,具有重要的理论和现实意义。RE受温度、水分、植被生产力和土壤有机碳（soil organic carbon,SOC）等多种生物和非生物因素的影响。其中SOC的大小不仅体现着RE中重要组分-土壤呼吸的碳底物供给质量和数量,也对参考呼吸速率有重要的调控作用。然而,作为目前区域尺度RE估算的主要方法,无论是过程模型、半经验模型还是经验模型,对SOC的影响都欠缺考虑,这可能是导致RE估算不确定性较大的原因之一。基于机器学习的经验模型不需要复杂的理论假设,构建过程简单灵活,有潜力结合SOC的影响进行RE估算,但在实际应用中会受到通量观测网络空间代表性、环境变量和模型结构等不确定性的影响。同时,作为机器学习的分支之一,深度学习模型在数字土壤制图等许多需要对复杂系统进行预测的领域得到了成功应用,并且显示出了比传统模型更好的模拟效果。但其是否适用于RE估算、在区域尺度是否能减小RE模拟的不确定性尚不明确。本研究通过结合通量观测数据、气象数据、遥感数据和土壤数据,首先以RE为观测目标,通过计算环境相似性距离,评估了中国北方草地通量观测网络的空间代表性,量化了各通量站点对观测网络空间代表性的贡献大小,分析了不同草地分类级别对空间代表性评估的影响;然后基于反向传播神经网络（back propagation artificial neural network,BP-ANN）、支持向量机回归（support vector regression,SVR）和随机森林（random forests,RF）三种传统机器学习算法以及一种深度学习算法-栈式自编码网络（stacked autoencoders,SAE）,比较了不同机器学习模型估算中国北方草地RE的性能,评估了训练策略对模型性能的影响,并分析了不同环境变量对模型估算RE性能的影响;最后基于深度学习模型（SAE）,在考虑SOC的影响下发展了中国北方草地的区域尺度RE估算方法,调查了2001-2015年中国北方草地RE的大小和空间格局,并分析了中国北方草地RE空间格局的环境影响因素。主要研究结果如下:（1）以RE为观测目标时,中国北方草地通量观测网络能够较好地体现中国北方草地生态系统的环境特征,两个草地分类级别下空间代表性较强的面积分别占到84.37%和62.57%,但在青藏高原西部地区的空间代表性较弱。按不同草地分类级别评估时,通量观测网络均能代表各草地类型中的大部分区域,但在不同草地类型的空间代表性强弱不同。各通量站点对观测网络空间代表性的贡献差异较大,并且各草地类型通量站点的空间代表性范围总体上与其代表的草地类型分布范围相近,但具有更强的空间异质性。不同草地分类级别下的中国北方草地通量观测网络空间代表性评估结果有显著差异;二级分类时,通量观测网络在青藏西南地区的空间代表性显著变弱。不同草地分类级别下各通量站点对观测网络空间代表性的贡献程度和代表性范围也有显著差异。（2）四种机器学习模型（BP-ANN、SVR、RF、SAE）均能精确地估算中国北方草地的RE。三种传统机器学习模型中,SVR模型的估算性能最高,其次为RF模型;BP-ANN模型的估算性能最低。同时,由于能够从环境变量中提取影响RE的深层特征,深度学习模型（SAE）的估算精度最高,决定系数（coefficient of determination,R2）达到0.858,均方根误差（root mean squared error,RMSE）为0.472g C m-2 d-1,平均绝对误差（mean absolute error,MAE）为0.304 g C m-2 d-1。由于机器学习模型强大的泛化能力,在中国北方草地整体训练模型与在不同生态系统分别训练模型的RE估算性能相似,同时这四种机器学习模型在高寒草地的估算性能(R2>0.88,RMSE<0.43 g C m-2 d-1,MAE<0.30 g C m-2 d-1)高于在温带草地的估算性能(R2<0.72,RMSE>0.64 g C m-2 d-1,MAE>0.40 g C m-2 d-1)。使用增强型植被指数（enhanced vegetation index,EVI）时,这四种模型的估算性能要高于使用归一化植被指数（normalized difference vegetation index,NDVI）;而当同时使用NDVI和EVI时,模型的估算性能最高。通过对环境变量的相对重要性进行评估发现,EVI和土壤碳密度（soil organic carbon density,SOCD）分别体现了植被生产力和土壤碳库的变化,是估算中国北方草地RE最重要的两个环境变量;高寒草地生态系统的RE更受热量限制,空气温度比生长季陆表水分指数(growing season land surface water index,LSWIGS)对RE估算的影响更强;温带草地生态系统的RE更受水分限制,LSWIGS比空气温度对RE估算的影响更强。（3）本研究提出的深度学习方法能够精确模拟中国北方草地RE(R2=0.87,RMSE=0.45 g C m-2 d-1,MAE=0.29 g C m-2 d-1)和SOCD(R2=0.61,RMSE=1.75 kg C m-2,MAE=1.28 kg C m-2)的时空变异,并且通过考虑SOC对碳底物供给的影响及其与水分对碳底物供给的共同限制作用,减小了中国北方草地区域尺度RE估算的不确定性。2001-2015年中国北方草地的多年平均RE为436.71±8.14g C m-2 yr-1,具有较强的空间异质性;青藏高寒草地和内蒙温带草地RE的空间格局有显著差异:青藏高寒草地的RE呈东南到西北逐渐递减的空间格局,而内蒙温带草地的RE则呈东北到西南逐渐递减的空间格局。多年平均生长季EVI的空间变异体现了植被生产力的空间差异,SOCD的空间变异体现了SOC的空间差异,二者分别是调控中国北方草地RE空间格局的主要因素和次要因素;气候因素中,影响高寒草地RE空间格局的主要因素为温度（多年平均气温）,而在温带草地则为水分（多年平均生长季陆表水分指数）;各环境因素之间相互制约和协同,共同作用于呼吸过程,导致各环境因素对中国北方草地不同区域的RE空间格局影响强度存在着显著差异。综上所述,本研究基于深度学习模型,提出了一种考虑SOC影响的RE估算方法,通过提取环境变量中的深层特征和考虑SOC对碳底物供给的影响及其与水分对碳底物供给的共同限制作用,精确模拟了中国北方草地RE的时空变异,并降低了中国北方草地区域尺度RE估算的不确定性;综合考虑气候、植被和土壤因子,在区域尺度上揭示了中国北方草地的RE空间格局主要由植被生产力和SOC调控,而温度是调控青藏高寒草地RE空间格局的主要气候因素,水分则是调控内蒙温带草地RE空间格局的主要气候因素,同时各环境因素之间相互制约和协同,共同作用于呼吸过程,导致各环境因素对中国北方草地不同区域的RE空间格局影响强度存在着显著差异。本研究将深度学习方法应用到生态学问题中,促进了对区域尺度RE的准确量化和草地生态系统碳收支及其对环境变化响应的准确评估,加深了对陆地生态系统碳循环过程的理解。