2012, Vol. 70
中国气象学会主办。
文章信息
- 蔡 福, 周广胜, 明惠青, 李荣平, 张 果, 何奇瑾, 段居琦. 2012.
- CAI Fu, ZHOU Guangsheng, MING Huiqing, LI Rongping, ZHANG Guo, HE Qijin, DUAN Juqi. 2012.
- 地表反照率动态参数化对陆-气通量模拟的影响：以东北玉米农田为例
- A simulative study of effects of dynamic parameterization of surface albedo on land-atmosphere flux exchanges: A case study of rainfed maize field in northeast China
- 气象学报, 70(5): 1149-1164
- Acta Meteorologica Sinica, 70(5): 1149-1164.
- http://dx.doi.org/10.11676/qxxb2012.097
-
文章历史
- 收稿日期：2011-04-09
- 改回日期：2011-10-21
2. 南京信息工程大学，南京，210044;
3. 中国气象局沈阳大气环境研究所，沈阳，110016;
4. 辽宁省气象服务中心，沈阳，110016
2. Nanjing University of Information Science and Technology, Nanjing 210044, China;
3. Institute of Atmospheric Environment, China Meteorological Administration, Shenyang 110016,China;
4. Liaoning Province Meteorological Service Center, Shenyang 110016,China
地表反照率α表征地球表面对太阳辐射的反射能力(孙治安等，1987)，是计算地表辐射平衡的重要参数，它通过直接影响太阳辐射在地表和大气间的分配来影响大气、陆地、海洋水分与能量循环，进而影响植物光合、呼吸等多种生物化学过程(Wang et al，2001，2002a，2002b)。李崇银(2000)指出：“在其他条件不变的情况下，地表反照率变化0.01所造成的系统能量输入的改变几乎等效于太阳常数变化1%。”地表反照率的准确估算直接影响陆-气热量交换和地表温度计算的准确性，并通过水热耦合效应影响土壤和植被的蒸散(Henderson et al，1993；Betts et al，1997；刘树华等，2001a，2001b；鲍艳等，2007)，从而影响陆面过程或气候模式模拟的准确性(Charney，1975)。地表反照率α由土壤颜色、粗糙度、植被覆盖、表层土壤湿度、太阳高度(hθ)和天气状况等决定(季国良等，2003；刘辉志等，2008)。裸土表面性质单一，地表反照率α影响因子较少，有关参数化方案的研究相对较多。Idso等(1975)、张强等(2003)、鲍艳等(2007)、Wang(2005)、Liu等(2008)、Roxy等(2010)认为，对α变化起作用的主要因子是hθ和表层土壤湿度，且强调了hθ在计算α日动态时的重要作用。相对于裸土，植被下垫面α影响因子较多且机制复杂，很多研究集中在下垫面性质变化相对较小的多年生常绿或落叶森林(Yin，1998; Bartelink，1998 ; Wang，2005)，而一年生如草地、农田等植被反照率研究相对较少。阳伏林等(2009)和张果等(2010)对内蒙古荒漠草原α动态和影响因子研究认为，荒漠草原α与hθ、表层土壤湿度和叶面积指数(LAI)有关，随叶面积指数增大，下垫面粗糙度增大，反射能力下降。同时，现有陆面过程模型的α参数化方案还不完善，如Dickinson(1983)、Dickinson等(1993)发展的“生物圈-大气传输方案”(BATS)中裸土α仅考虑土壤质地和表层土壤湿度的影响，同一植被类型α全年设定为常数，没能反映出动态变化。LSM(Bonan，1996)、ColM(Oleson et al，2004)模型中的裸土α参数化同BATS，植被反照率采用
“二流辐射传输模型”(Dickinson，1983)求得，虽然该模型机理性更强，但模型中的叶面积指数采用月值内插或基于下层土壤温度求得，不能准确反映实际植被生长动态变化对小于月时间尺度的模拟变量(如小时尺度的陆-气通量交换)的影响。可见，现有陆面过程模型还没有很好地反映植被生长动态变化对α的影响，从而影响对陆-气通量的准确模拟。玉米作为重要粮食作物之一，其农田下垫面在一年中性质变化较大，出苗前和收获后为裸土，生长季内有植被覆盖，冠层高度、叶面积指数、植被覆盖度(Fveg)的变化使下垫面粗糙度和α等参数发生改变，导致辐射、水分、热量的分配和传输等一系列物理过程随之变化，在陆面过程研究中是很典型的下垫面类型，具有显著的代表性。目前，玉米农田α参数化方案研究较少，其中Song(1998)、Oguntunde等(2004)将玉米分成两层冠层，利用半经验模型模拟了玉米农田的α。但玉米生长初期植株密度很小，下垫面并未完全被覆盖，将整个玉米生长季考虑成两层冠层并不完全合理。蔡福等(2011a)建立了反映hθ、表层土壤湿度、叶面积指数和植被覆盖度影响的玉米农田α的参数化方法，可实现下垫面分别为裸土和植被时α动态模拟，弥补了现有陆面过程模型中对于植被α赋予定值的不足。东北地区是中国春玉米最大产区，也是中国气候变暖最为剧烈的地区之一。研究(蔡福等，2009; 陈泮勤等，2010)表明，受气候变暖不断加剧的影响，玉米晚熟品种种植面积不断扩大、产量增加(林而达等，2006)，生产布局和结构将发生变化(张厚瑄等，1997；熊伟等，2006)。针对东北玉米种植区开展α动态对陆面过程影响的模拟研究，既有助于了解大范围玉米农田下垫面的陆-气水热交换过程，又可为研究粮食生产布局变化对区域气候影响提供参考。
本研究旨在采用2008年锦州玉米农田生态系统野外观测站的定位观测资料，利用已经建立的α动态参数化方法，结合BATS1e(Biosphere-Atmosphere Transfer Schemes version 1e)模型研究α的动态参数化对玉米农田陆-气通量交换的影响。 2 资料及方法 2.1 研究地点
锦州玉米农田生态系统野外观测站位于东北玉米带，地处辽宁省锦州市太和区英屯村玉米地(41°49′N，121°12′E，海拔17 m)，属典型温带季风型气候，1971—2000年年平均气温9.5℃，最冷月1月平均气温-8.0℃，最热月7月平均气温24.4℃，年无霜期为144—180 d，多年平均年降水量565.9 mm(李祎君等，2007)。玉米是主要作物，生长季为5—9月，土壤为典型棕壤，pH值为6.3。该站建有3.5 m高的涡度相关观测和5 m高的气象梯度观测系统，前者配有三维超声风速仪(CSAT3，Campbell Scientific Ltd，USA)和快速响应红外CO2/H2O分析仪(Li-7500，Li Cor Inc，USA)；后者可进行3.5和5 m高度的气温、湿度和风速观测，4.5 m高处的光合有效辐射观测，3.5 m高处的净辐射观测，5 m高处的风向观测，土壤剖面5、10、15、20、40和80 cm 深的土壤温度监测，以及8 cm的地表热通量观测。此外，Driver-2000水分观测系统可对0—100 cm深度每层10 cm共10层的土壤水分进行观测。 2.2 资料来源
利用2008年气温、比湿、降水、风速、太阳总辐射、向下长波辐射、气压等气象要素驱动BATS1e模型，其中，气温、比湿选用气象梯度观测塔5 m高度资料，风速和气压来自涡度相关观测。通量观测系统测得的感热通量、经水热校正后的潜热通量、净入射短波辐射、表层(0.05 m)土壤温度资料用于模拟结果验证，其中2008年2月5—29日感热缺测，1—2月潜热缺测。上述资料均为通过质量控制后的30 min平均值。同时，常规气象资料中的0 m日平均地温也用来对模型模拟结果进行验证。此外，2008年动态叶面积指数数据利用王玲等(2004)所建立的相对积温方法采用玉米各生育期(三叶、七叶、拔节、抽雄、乳熟)叶面积指数实测数据和日平均气温资料求得(图 1)(蔡福等，2011b)。
2.3 模型介绍
BATS1e模型(Dickinson et al，1993)(以下简称模型)为典型的单层大叶模型，包括1层植被、1层雪盖和3层土壤，划分地表类型为20类，土壤质地为12类(沙土1—粘土12)，土壤颜色为8类(淡1—黑8)，考虑了降水、降雪、蒸发蒸散、径流、渗透、融雪等过程，对植被在陆-气水热交换过程及生理过程进行较细致的描述，已与多个大气环流模式耦合，应用非常广泛(Deardoff，1978；Giorgi et al，1991)。对锦州玉米农田而言，模型下垫面类型为农田，土壤质地为沙壤，土壤颜色为棕色，表层土壤厚度为0.1 m，次表层为0.2 m，根层为1 m，全层为10 m。
农田下垫面反照率参数化方案为(Dickinson et al，1993)
农田下垫面性质改变由叶面积指数的季节变化反映，而叶面积指数通过下层(0.2 m)土壤温度的变化来反映
利用蔡福等(2011a)建立的玉米农田α动态参数化方法对原模型方案进行改进，当非生长季下垫面为裸土时，考虑反照率受表层土壤湿度和hθ的影响，式(1)中的αsoil表达式为αsoil=0.435-0.152×ws-0.0546×lnhθ，生长季玉米农田生长最旺盛时α与hθ和叶面积指数有关，αcorv=0.2757-0.0428×lnhθ+0.0045×e0.646×ILA。玉米拔节前Fveg=0.1077×ln(ILA)+0.3575，拔节以后Fveg=0.2415×e0.3565×ILA。将αsoil、αcorv和Fveg各分量的上述关系带入到式(1)中，即实现α的动态参数化。 2.5 模型模拟精度验证方法
为了更直观比较模型改进前后陆面过程各输出变量的模拟精度，引入相对标准差(ENSE)、相对均方差(ERRMS)(米娜等，2009)和模型效率系数(NS用CNS表示)(Gordon，2003)作为判断指标。其中相对标准差表征模拟值相对于实测值的离差程度(郭建侠等，2007)；相对均方差代表模拟与观测间的相对偏差；模型效率系数用于评价模型的效果，从负无穷大到1，当模拟与观测之间的方差超过观测方差，则模型效率系数<0;当模拟与观测之间方差趋近于0，即模型效率系数趋近于1，说明模型很好地模拟了观测值的变化。表达式分别为
为了定量反映α动态参数化对模型各输出量的影响，引入模型改进量I来判断模型改进后各时间步长模拟结果改进与否：Ii=|Poi-oi|-|Pmi-oi|，Po为原模型模拟值，Pm为改进模型模拟值，o为实测值，I大于0，说明模型改进后误差减小，模拟结果得到改善，反之亦然。I累加可得到月或年的改进量总量。 3 结果分析
利用上述α动态参数化方案替换BATS1e模型中的原方案，用2008年模型输入所需实测资料和动态叶面积指数资料驱动模型，分别对模型改进前后的α、辐射、表层土壤温度(Tg)、感热(H)及潜热(λE)等输出量进行比较，研究α动态参数化对陆-气通量的影响。 3.1 模型改进前后叶面积指数、Fveg及α对比
图 1给出模型改进前后2008年叶面积指数和Fveg的年变化曲线，其中，原模型中叶面积指数在3月5日—12月28日大于0，5—10月变化很小，为高值时段，约为6，改进模型中叶面积指数只在生长季(5月8日—9月23日)大于0，呈“n”形动态变化。Fveg在原模型中全年为0.85，而模型改进后仅在生长季大于0。
 |
| 图 1 模型改进前后叶面积指数与植被覆盖度Fig. 1 Simulated leaf area index and vegetation coverage from the original and modified models |
表 1给出全年各输出变量的模拟精度对比，其中，α在模型改进后模型效率系数CNS明显增大，模型效率提高0.65，ERRMS和ENSE都明显减小。选取1、4、7、10月代表四季分别进行日尺度比较(图 2)，原模型α没有日变化，各月间差异较小，误差由大向小排列顺序为1、7、4、10月。模型改进后α显示出明显的日变化和季节变化特征，正午前后模拟精度高于早晨和傍晚，除个别降水日(如4月22、23日)无法模拟出实际情况外，绝大多数模拟精度都较高，1和7月改进作用更为明显。总的来看，α动态参数化后模拟精度明显提高。
| αo | αm | frso | frsm | nro | nrm | Tgo | Tgm | Ho | Hm | λEo | λEm | Go | Gm | |
| CNS | -0.057 | 0.593 | 0.993 | 0.997 | 0.974 | 0.980 | 0.959 | 0.975 | -0.115 | 0.401 | 0.475 | 0.576 | 0.550 | 0.598 |
| ERRMS | 0.510 | 0.316 | 0.070 | 0.045 | 0.124 | 0.111 | 0.009 | 0.007 | 2.686 | 1.969 | 0.011 | 0.010 | 4.632 | 4.375 |
| ENSE | 0.457 | 0.283 | 0.054 | 0.034 | 0.098 | 0.087 | 0.009 | 0.007 | 0.983 | 0.720 | 0.638 | 0.574 | 0.664 | 0.627 |
| 注：α、frs、nr、Tg、H、λE、G分别代表反照率、净入射短波辐射、净辐射(白天)、表层土壤温度、感热、潜热、土壤热通量；下标o和m代表原模型和改进模型，下同。 | ||||||||||||||
 |
| 图 2 1(a)、4(b)、7(c)、10(d)月模型改进前后α模拟值与实测值对比Fig. 2 Comparison between the observed and simulated α from the original and modified models for January(a)，April(b)，July(c) and October(d) |
对模型改进前后各辐射参量进行对比分析，可以了解α动态参数化的直接影响。地表辐射平衡方程(刘树华等，2005)为
从模型改进前后frs全年模拟精度对比看(表 1)，CNS有所提高，ERRMS和ENSE都有不同程度的减小。模拟值与实测值的决定系数R2增大，比例系数更接近1，且截距也明显减小(图 3)。从年变化看(图 4a)，模型改进前后模拟值较实测值在3—9月都有所低估，在其他月份高估，改进后各月模拟值更接近实测值。图 5给出模型改进后frs日总量模拟误差与改进前对比及改进量的大小，正偏差为对实测值高估，负偏差则为低估(下同)，其中，除3月11日—4月22日和9月24日—10月末这2个时段外，其他大部分时间frs模拟精度都有所提高。分析认为，第1时段可能是土壤正处于解冻期，地表湿度变化明显，α与其关系复杂使统计意义不强，导致裸土α动态参数化方案模拟能力降低；另外，图 2中4月晨昏时段反照率的误差也可造成frs日总量的误差。第2时段可能是因为9月23日玉米收割后秸秆覆盖在地面，使地表湿度对α影响作用减弱，同时秸秆颜色与表土存在差异导致模型模拟能力下降，玉米秸秆清除以后，模拟精度明显提高。上述2个时段一个共同的特点是下垫面性质都发生较大变化，说明这种转变是造成模拟精度较差的重要原因。从frs各月和年的总改进量情况看(表 2)，模型改进量全年总量为81772 kJ/m2，占年总辐射的1.7%，冬季(12—2月)和夏季(6—8月)改进量较大，其中，7月最大，月总量为18159 kJ/m2，占当月总辐射的3.6%。从多个角度比较来看，α的动态参数化对frs模拟精度的改善非常明显。
 |
| 图 3 模型改进前(a)后(b)模拟与观测frs日总量模拟精度比较Fig. 3 Comparison between the observed and simulated daily amounts of frs from the original(a) and modified(b)models |
 |
| 图 4 模型改进前后frs(a)、frl(b)、nr(c)模拟值与实测值年变化比较Fig. 4 Comparison of annual patterns of observed and simulated frs(a)，frl(b)，nr(c)from original and modified models |
 |
| 图 5 模型改进前后frs模拟值与实测值偏差及改进量Fig. 5 Comparison of errors and improvement quantities of the observed and simulated frs from the original and modified models |
| 1月 | 2月 | 3月 | 4月 | 5月 | 6月 | 7月 | 8月 | 9月 | 10月 | 11月 | 12月 | 年 | |
| frs | 11403 | 11729 | -1346 | -2319 | 3277 | 10509 | 18159 | 14496 | 6993 | -8657 | 6629 | 10899 | 81772 |
| H | -2864 | 9951 | 15794 | 35629 | 7269 | 20651 | 19453 | 25464 | 9665 | 753 | - | ||
| λE | -13612 | 2920 | 9616 | 29887 | 700 | 25363 | 6446 | 13532 | 3301 | 1039 | - |
由式(6)可知，frl受地温、叶温、气温及Fveg的共同影响，其中前二者为模型预报量，表明frl与α关系并不直接。从各月情况看(图 4b)，模型改进后在3月中旬初至9月中旬末frl模拟精度有所改善，其中，5、6月改进较明显，1、2月和10—12月误差有所增大。分析认为，5、6月玉米从出苗至拔节，冠层性质变化最为明显，改进模型实现Fveg的动态变化，进而使模拟精度提高。因7、8月模型改进前后Fveg差异较小，使模拟结果差异不大。原模型在1、2月和10—12月有植被覆盖，由式(6)可知叶温对长波辐射有一定贡献，而原模型中叶温模拟值(图略)的日较差大于改进模型地温日较差，与之对应，原模型frl日较差大于改进模型，表面上与实测值接近，而实际上这几个月因地表无植被，计算frl时无需考虑叶温，表明原模型模拟误差较小是虚假的真实。
从nr年变化看(图 4c)，1—3月和10—12月夜间模型改进后误差较原模型略有增大，主要是frl模拟不理想所致。其余时段，nr模拟精度都有所提高，从白天的统计量比较看(图表略)，CNS有所增大，ERRMS和ENSE都有所减小。表明，模型改进对生长季和全年白天nr模拟精度有改善作用。 3.3 α动态参数化对Tg模拟的影响
模型中表层土壤厚度设定为0.1 m，并假设此层温度不随深度变化，模型改进前后Tg模拟值与表层(0.05 m深处)实测土壤温度相比(图略)，改进后Tg日较差明显大于实测值和原模型模拟值，后二者差异较小。分析原因认为，模型中计算土壤与大气间的感热通量考虑的是0.1 m深土层温度，而理论上应为0 m处土壤温度，意味着模型所模拟的0.1 m土层深度处温度具有0 m的物理意义，而事实上0 m处土壤温度日变化和日际变化都很剧烈，明显大于0.05 m深处，因此，采用0 m深度土壤温度对Tg验证更为合理。由于0 m处温度无30 min实测资料而只有日平均资料，因此，这里对30 min的改进前后Tg模拟值各自求日平均，在日尺度进行比较。由图 6可见，模型改进前后Tg模拟值都能反映Tg的季节动态，其中7、8月误差较其他时段明显偏大，可能是由于该时段农田表面有植被覆盖，辐射和热量传输过程相对更为复杂，模型对其模拟能力不足所致。其他时段改进后模拟值较原模型都更接近实测值。从Tg模拟改进量看，年平均值为0.62 K，其中大部分时段改进量在1 K以上，4、5、12月改进量超过2 K。统计量分析(见表 1)显示，模型改进后ERRMS和ENSE都有所减小，CNS明显增大。可见，α的动态参数化对Tg模拟有明显改进作用。
 |
| 图 6 模型改进前后Tg模拟与实测日均值年变化比较Fig. 6 Comparison of the annual pattern of the observed and simulated diurnal means Tg from the original and modified models |
地表热量平衡方程为
为土壤相对湿度因子，ψ为表层土壤的水位势，Rv为水汽比气体常数，g为重力加速度，qsg和qsf分别为土壤表面和叶片比湿；r″为植株叶片阶梯函数(刘树华等，2001a)。
3.4.1 感热
α动态参数化分别通过叶面积指数、Fveg的动态变化及模型预报量中Tg和表层土壤湿度的改变来影响感热和潜热的模拟精度。图 7给出模型改进前后土壤感热(Hg)、植被冠层感热(Hc)以及地表综合感热(Hs)全年模拟值与实测值比较。由图 7a可见，原模型模拟Hg在全年都很小，而模型改进α后Hg在全年呈双峰分布，高值分布在春、秋季，低值分布在冬、夏季，原因是原模型中Fveg全年为0.85，土壤仅占下垫面的0.15，使Hg年变化不明显，对感热贡献很小。改进模型中Fveg只在生长季大于0，且动态变化，非生长季中土壤感热即是地表感热，随地表温度的增高而增大。在生长季随着Fveg的增大土壤对感热贡献逐渐减小，同时由于降水作用使地表热交换以潜热为主，导致在夏季Hg出现最小值。Hc的情况(图 7b)与Hg恰恰相反，原模型中由于Fveg的持续存在使Hc随气温的季节变化而变化，表现出较明显的年变化，而由于夏季降水增多，地表热交换以潜热为主，因此，6—8月原模型中Hc很小。而改进后Hc只有Fveg大于0时存在，且随之增大而增大，在7、8月模型改进前后Fveg比较接近使Hc差异很小。
从Hs(图 7c)的年变化看，原模型模拟值较改进后偏大，主要是由于植被的拖曳系数(CD)比裸土表面大，使地表与大气间能量传输能力增大，造成原模型中Hc大于改进模型Hg。表面上看，改进前后Hs趋势较一致，但事实上原模型中土壤和植被对Hs贡献与改进后截然不同，说明原模型Hs所反映的是一种假象，这将导致其他变量模拟结果也出现看似与实测值接近且精度较高的假象。可见，下垫面性质和参数的更真实描述在陆面过程模拟中尤为重要。与原模型相比，改进后模拟值与实测值更为接近，其中，3月中旬至4月、5月下旬至6月中旬以及8月中旬至9月上旬模拟误差较大，所处时期分别为土壤解冻期、玉米出苗至拔节期、乳熟至收获，共同特点是地表性质变化较快，其中，第1时段土壤解冻使表层土壤含水量增大，第2时段地表由裸土向有植被覆盖转变且Fveg快速增大，第3时段玉米植株由生长旺盛转为枯黄，Fveg快速减小。
 |
| 图 7 模型改进前后感热模拟值与实测值的比较(a．土壤感热，b．植被感热，c．感热)Fig. 7 Comparison between the observed and simulated sensible heat fluxes(a)Hg，(b)Hc，and (c)Hs from the original and modified models |
从感热改进量月总量看(表 2)，生长季各月(5—9月)要大于非生长季，最大值出现在6月，为35629 kJ/m2，其次是10月，25464 kJ/m2，分别占当月总辐射的7.3%和6.6%，这些月份共同特点是Fveg变化较大，说明下垫面性质的明显变化虽然使模型对感热模拟能力下降，但模拟精度改善更明显。7月改进量在生长季中最小，主要是由于该月降水频繁，地表接受的辐射能量大部分以潜热形式释放，感热此时占地表热平衡比重很小。从全年统计来看(表 1)，模型改进后CNS增大0.516，ERRMS和ENSE都大幅减小。此外，从模型改进前后全年和生长季实测值与模拟值比较情况看(图 8)，前者改进后模拟值可解释实测值的77%，高于原模型1%，而在生长季，改进后模拟值可解释实测值的82%，高于原模型6%。表明，α动态参数化对生长季感热模拟精度提高作用比非生长季更加明显。
 |
| 图 8 模型改进前(a、c)后(b、d)全年(a、b)和生长季(c、d)感热模拟值与实测值比较Fig. 8 Comparison between the observed and simulated sensible heat fluxex from the original(a，c) and modified models(b，d)for the whole year(a，b) and the growing season(c，d) |
潜热与地表和其上大气比湿差、拖曳系数及Fveg有关，原模型中叶面积指数和Fveg没有直接的关联，有Fveg很大而叶面积指数却为0的现象出现，这并不符合实际情况，必然导致潜热模拟结果的不准确。图 9为模型改进前后土壤蒸发潜热λEg、植被冠层蒸发潜热λEc以及地表综合潜热λEs全年模拟情况与实测值比较情况。由图 9a可见，模型改进后一年中大部分时段λEg明显比原模型值偏大，原因是土壤在下垫面所占比例明显大于改进前。7月下旬—8月上旬在改进模型中Fveg与0.85比较接近，使λEg与原模型值相差很小。就冠层而言(图 9b)，因原模型Fveg在全年都为0.85，使λEc一直存在，在降水日及之后几天出现峰值，而改进模型λEc只在生长季Fveg大于0时存在，在Fveg最大且降水较多的7月上中旬出现峰值。表面上看模型改进前后λEs(图 9c)变化趋势比较相似，但因Fveg差异较大，使土壤和植被对其贡献明显不同，因此，原模型λEs所反映出的情况也是一种假象。与实测值相比，6月20日以前的一些降水日及邻近时段，改进后λEs模拟精度低于原模型，原因是原模型此阶段的Fveg大于改进模型，使地表水分蒸发增大，导致潜热模拟值增大，造成虚假真实。7、8月为玉米生长旺季，当降水频繁时，潜热模拟值与真实值较接近，而在非降水日λEs模拟值都比实测值偏小，主要是由于模型对非降水日的表层土壤湿度明显低估(蔡福等，2011c)，造成用于蒸散的土壤水分不足所致。同时，模型对感热、土壤热通量的模拟偏差导致地表能量分配模拟不准确，也会造成潜热误差。此外，模型对冠层与大气湿度差、热传输系数模拟得不准确也都将给潜热模拟带来误差。
 |
| 图 9 模型改进前后潜热模拟值与实测值的比较(a．λEg，b．λEc，c．λEs)Fig. 9 Comparison between the observed and simulated latent heat fluxex(a)λEg，(b)λEc，and (c)λEs from the original and modified models |
统计量分析表明(表 1)，CNS有所增大，ERRMS和ENSE都略有减小；从改进量月总量看(表 2)，潜热改进幅度在大多月份小于感热，改进量月际间格局与感热基本一致，最大值也是在6月，为29887 kJ/m2，其次是8月和10月，分别为25363和13532 kJ/m2，生长季中7月改进最小，原因是该月降水频繁，地表提供供给蒸发的水分充足，使潜热在一年中最大，模型改进前后Fveg差异很小，进而使模型改进前后变化不大。从模型改进前后模拟值与实测值的相关性对比来看(图 10)，模拟值对实测值解释能力在全年分别为53%和61%；在生长季分别为55%和64%，说明模型改进对潜热模拟精度提高有一定改善作用，生长季略好于非生长季。
 |
| 图 10 模型改进前(a、c)后(b、d)全年(a、b)和生长季(c、d)潜热模拟值与实测值比较Fig. 10 Comparison between the observed and simulated latent heat fluxex from the original(a，c) and modified models(b，d)for the whole year(a，b) and the growing season(c，d) |
把净辐射、感热和潜热实测资料代入式(7)可得到G，假定其为真实值，模型改进前后与其相比较(图 11)显示，模型改进后G模拟值的日较差在大部时段大于原模型，与Tg情况一致，说明二者具有较好的一致性，也进一步证明改进后Tg较原模型更接近真实值。在大部分时间改进后G值都较原模型更接近真实值，但7、8月日较差比实测值偏小，主要是因为模型对7月潜热和8月感热过高估计以及对frs偏低估计所引起。全年统计量检验结果显示(表 1)，模型改进后CNS明显增大，ERRMS和ENSE都不同程度减小，模拟值对真实值解释能力在全年分别为63%和67%(图 12)，在生长季分别为55%和59%，说明α的动态参数化对G模拟有明显的改进作用。
 |
| 图 11 模型改进前后G模拟值与计算值的比较Fig. 11 Comparison between the calculated and simulated surface soil heat fluxex from the original and modified models |
 |
| 图 12 模型改进前(a、c)后(b、d)全年(a、b)和生长季(c、d)G模拟值与实测值比较Fig. 12 Comparison between the calculated and simulated soil heat fluxex from the original(a，c) and modified models(b，d)for the whole year(a，b) and the growing season(c，d) |
利用2008年辽宁锦州玉米农田生态系统野外观测站动态连续的通量、气象及生物因子观测数据，采用α动态参数化方案对BATS1e模型进行改进，分析了模型改进对陆-气通量模拟的影响。结果表明，引入α动态参数化方案后，模型实现了日、季α的动态模拟，全年模拟误差明显减小，模型效率提高了0.65，在作物生长季α参数化引入叶面积指数，使植被覆盖状况的动态变化直接反映α的改变，使模拟结果更为真实；辐射各分量中frs模拟精度改进最为明显，改进量年总量占年总辐射的1.7%，冬、夏季大于春、秋季，7月最大，占当月总辐射的3.6%；frl在5、6月冠层Fveg快速变化时模拟精度提高显著；nr在生长季和全年白天模拟精度有所提高。考虑模型中Tg的真实物理意义，用0 m地温实测值对模拟结果进行检验，除7、8月Fveg较大时改进作用不明显外，其余大部分时段Tg模拟精度都有所提高，多数月份平均改进量在1 K以上，年平均改进量为0.62 K。
考虑植被和土壤对热通量作用的差异，分别对二者模拟结果进行分析，认为引入动态叶面积指数和Fveg后，使热通量模拟过程更接近真实，而原模型模拟结果表面上看与实测值趋势较一致，但实际上并不真实，这与房云龙等(2010)所提到的模型模拟结果有时出现“虚假正确”的现象相吻合。综合比较发现，感热在模型改进后模拟精度改善最明显，CNS增大0.516，在生长季模拟值对实测值解释能力提高幅度大于非生长季，分别为6%和1%，在下垫面性质变化明显的6月和10月模拟精度改善作用强于其他月份。潜热模拟精度因α动态参数化而提高的幅度小于感热，CNS增大0.1，在生长季模拟值对实测值解释能力提高9%，好于非生长季的8%，改进量月际间格局与感热基本一致。虽然模型改进后潜热模拟精度有所提升，但总体上误差仍较大，分析认为是模型对非降水日表层土壤湿度明显低估导致用于蒸散的土壤水分不足所致，与周文艳等(2005)采用相同模型所得结论一致，可见BATS1e模型中对土壤水分的模拟需要改进，进而潜热模拟精度才可提高。G模拟精度在非生长季高于生长季，对实测值的解释能力都提高4%，实际上是感热和潜热模拟精度提高以后二者共同作用的结果。
本研究所采用的α动态参数化方案由统计方法得到，在下垫面性质发生改变时，如春季因土壤化冻使表层土壤湿度明显增大、裸土到出苗、出苗至拔节以及因作物收获使下垫面由植被向裸土转变，都将使α发生较明显变化，模型对其还不能很好表达，但正是这些下垫面性质变化较大的时刻模型改进对模拟精度改善更加明显，说明这些时刻是决定模型模拟准确性的关键，也充分反映出下垫面参数的动态性对陆面过程模拟的重要意义。α动态参数化使模型各输出变量的模拟精度得到不同程度改善，不仅仅是因为α的改变引起地表获得辐射各分量分配的变化，更重要的是参数化方案通过实现叶面积指数和Fveg等决定下垫面性质各参数的动态变化，使地表水热交换过程更接近实际，进而提高模型模拟能力，表明建立陆面过程各变量间的相互联系比简单提高某一参量模拟准确性更为重要。另外，α的动态变化在一天中每一时刻影响着陆-气通量的模拟结果，这种影响在瞬时或日尺度上比较微弱，但随时间尺度的延长，该影响的累积量将足以影响到月、年等气候尺度上各气象要素的模拟，可见，陆面过程模型中各种陆面参数(如反照率、粗糙度等)直接赋值为常数或简单给出季节变化对陆面过程模拟的影响是不可忽视的，它将进一步影响到对气候变化的模拟。因此，开展各类陆面参数的动态参数化研究十分必要。
| 鲍艳, 吕世华, 奥银焕等. 2007. 反照率参数化改进对裸土地表能量和热过程模拟的影响. 太阳能学报, 28(7): 775-782 |
| 蔡福, 张玉书, 陈鹏狮等. 2009. 近50年辽宁热量资源时空演变特征分析. 自然资源学报, 24(9): 1635-1646 |
| 蔡福, 周广胜, 李荣平等. 2011a. 地表反照率动态参数化方案研究——以玉米农田为例. 自然资源学报, 26(10): 1775-1788 |
| 蔡福, 周广胜, 李荣平等. 2011b. 东北玉米农田下垫面参数动态特征. 生态学杂志, 30(3): 494-501 |
| 蔡福, 周广胜, 李荣平等. 2011c. 陆面过程模型对下垫面参数动态变化的敏感性分析. 地球科学进展, 26(3): 300-310 |
| 陈泮勤, 程邦波, 王芳等. 2010. 全球气候变化的几个关键问题辨析. 地球科学进展, 25(1): 69-95 |
| 房云龙,孙菽芬,李倩等.2010. 干旱区陆面过程模型参数优化和地气相互作用特征的模拟研究.大气科学, 34(2): 290-306 |
| 郭建侠, 卞林根, 戴永久. 2007. 在华北玉米生育期观测的16 m高度CO2浓度及通量特征. 大气科学, 31(4): 695-708 |
| 季国良, 马晓燕, 邹基玲等. 2003. 黑河地区绿州和沙漠地面辐射收支的若干特征. 干旱气象, 21(3): 29-33 |
| 李崇银. 2000. 气候动力学引论 (第二版). 北京: 气象出版社, 283-308 |
| 李祎君, 许振柱, 王云龙等. 2007. 玉米农田水热通量动态与能量闭合分析. 植物生态学报, 31(6): 1132-1144 |
| 林而达, 许吟隆, 蒋金荷等. 2006. 气候变化国家评估报告Ⅱ:气候变化的影响与适应. 气候变化研究进展, 2(2): 51-56 |
| 刘树华, 李新荣, 刘立超等. 2001a. 陆面过程参数化模式的研究. 中国沙漠, 21(3): 303-311 |
| 刘树华, 文平辉, 张云雁等. 2001b. 陆面过程和大气边界层相互作用敏感性实验. 气象学报, 59(5): 533-548 |
| 刘树华, 邓毅, 胡非等. 2005. 森林下垫面陆面物理过程及局地气候效应的数值模拟试验. 气象学报, 63(1): 1-12 |
| 刘辉志, 涂钢, 董文杰. 2008. 半干旱区不同下垫面地表反照率变化特征. 科学通报, 53(10): 1220-1227 |
| 米娜, 陈鹏狮, 张玉书等. 2009. 几种蒸散模型在玉米农田蒸散量计算中的应用比较. 资源科学, 31(9): 1599-1606 |
| 孙治安, 翁笃鸣. 1987. 我国地表反射率的气候计算及其时空分布特征. 南京气象学院学报, 10(2): 189-200 |
| 王玲, 谢德体, 刘海隆等. 2004. 玉米叶面积指数的普适增长模型. 西南农业大学学报 (自然科学版), 26(3): 303-311 |
| 熊伟, 居辉, 许吟隆等. 2006. 气候变化对中国农业温度阈值影响研究及其不确定性分析. 地球科学进展, 21(1): 70-76 |
| 阳伏林, 周广胜, 张峰等. 2009. 内蒙古温带荒漠草原生长季地表反射率特征及数值模拟. 应用生态学报, 20(12): 2847- 2852 |
| 张果, 周广胜, 阳伏林. 2010. 内蒙古荒漠草原地表反照率变化特征. 生态学报, 30(24): 6943-6951 |
| 张厚瑄, 林而达. 1997. 中国农业响应全球气候变化的策略问题. 农业环境保护, 16(1): 35-39 |
| 张强, 王胜, 卫国安. 2003. 西北地区戈壁局地陆面物理参数的研究. 地球物理学报, 46(5): 616-623 |
| 周文艳,罗勇,郭品文.2005. 10层陆面过程模式及其Offline独立试验. 南京气象学院学报,28(6):730-738 |
| Bartelink H H. 1998. Radiation interception by forest trees: A simulation study on effects of stand density and foliage clustering on absorption and transmission. Ecol Model, 105(2-3): 213-225 |
| Betts A K, Ball J H. 1997. Albedo over the boreal forest. J Geophys Res, 102(24): 28901-28910 |
| Bonan G B. 1996. A land surface model (LSM Version 1.0) for ecological, hydrological, and atmospheric studies: Technical description and user's guide. Boulder, Colorado: NCAR Technical Note, NCAR/TN-417 + STR |
| Charney J G. 1975. Dynamics of deserts and drought in the Sahel. Quart J Roy Meteor Soc, 101(428): 193-202 |
| Deardoff J W. 1978. Efficient prediction of ground surface temperature and moisture, with inclusion of a layer of vegetation. J Geophys Res, 83(C4): 1889-1904 |
| Dickinson R E. 1983. Land surface processes and climate-surface albedos and energy balance. Adv Geophys, 25: 305-353 |
| Dickinson R E, Henderson-Sellers A, Kennedy P J. 1993. Biosphere-Atmosphere Transfer Scheme (BATS) Version le as Coupled to the NCAR Community Climate Model. NCAR Technical Note, NCAR/ TN2387 + STR, 72 |
| Giorgi F, Marinuci M R. 1991. Validation of a regional atmospheric model over Europe: Sensitivity of wintertime and summertime simulations to selected physics parametrizations and lower boundary conditions. Quart J Roy Meteor Soc, 117(502): 1171-1206 |
| Gordon W S. 2003. Climate change, hydrology, and ecological models: Intercomparison and validation[D]. Austin: University of Texas |
| Henderson-Sellers A, Yang Z L, Dickinson R E. 1993. The project for intercomparison of land-surface parameterization schemes. Bull Amer Meteor Soc, 74(7): 1335-1348 |
| Idso S B, Jackson R D, Reginato R J, et al. 1975. The dependence of bare soil albedo on soil water content. J Appl Meteor, 14(1): 109-113 |
| Liu H Z, Wang B M, Fu C B. 2008. Relationships between surface albedo, soil thermal parameters and soil moisture in the semi-arid area of Tongyu, Northeastern China. Adv Atmos Sci, 25(5): 757-764 |
| Oguntunde P G, van de Giesen N. 2004. Crop growth and development effects on surface albedo for maize and cowpea fields in Ghana, West Africa. Int J Biometeorol, 49(2): 106-112 |
| Oleson K W, Dai Y J, Gordon Bonan, et al. 2004. Technical Description of the Community Land Model (CLM). NCAR Technical Note, NCAR/ TN461 + STR, 23 |
| Roxy M S, Sumithranand V B, Renuka G. 2010. Variability of soil moisture and its relationship with surface albedo and soil thermal diffusivity at Astronomical Observatory, Thiruvananthapuram, south Kerala. J Earth Syst Sci, 119(4): 507-517 |
| Song J. 1998. Diurnal asymmetry in surface albedo. Agri Forest Meteor, 92(3): 181-189 |
| Wang S S, Grant R F, Verseghy D L, et al. 2001. Modelling plant carbon and nitrogen dynamics of a boreal aspen forest in CLASS the Canadian land surface scheme. Ecol Model, 142(1-2): 135-154 |
| Wang S S, Grant R F, Verseghy D L, et al. 2002a. Modelling carbon dynamics of boreal forest ecosystems using the Canadian land surface scheme. Climatic Change, 55(4): 451-477 |
| Wang S S, Grant R F, Verseghy D L, et al. 2002b. Modelling carbon-coupled energy and water dynamics of a boreal aspen forest in a general Circulation Model Land surface scheme. Int J Climatol, 22(10): 1249-1265 |
| Wang S S. 2005. Dynamics of surface albedo of a boreal forest and its simulation. Ecol Model, 183(4): 477-494 |
| Yin X W. 1998. The albedo of vegetated land surfaces: systems analysis and mathematical modeling. Theor Appl Climatol, 60(1-4): 121-140 |