華東沿海高標準農田大氣湍流特征的觀測分析

胡小旭 王偉 徐敏 徐敬爭 陸琛

（1 南京信息工程大學中國氣象局生態系統碳源匯開放重點實驗室，南京 210044；2 南京信息工程大學江蘇省農業氣象重點實驗室，南京 210044；3 南京信息工程大學氣象災害預報預警與評估協同創新中心，南京 210044；4 江蘇省氣候中心，南京 210019；5 航天新氣象科技有限公司，無錫 214028；6 江蘇省海安市氣象局，海安 226600）

0 引言

農田占據了陸表約13%的面積[1]，它與大氣之間的物質和能量交換影響著區域和全球氣候，并在全球碳收支中占有重要地位。首先，衛星觀測顯示農田生態系統會加劇區域和全球變暖，在中國、印度和巴西等農業大國，其白天增暖效應超過5oC[2]。其次，灌溉農田通過蒸散增濕和降低大氣邊界層高度顯著增強濕熱脅迫[3]，在中國華北、印度和巴基斯坦等地尤為明顯。此外，農田生態系統是最活躍的碳庫[4]，固碳量約占中國陸地生態系統的12%[5]。上述農田與大氣之間的物質和能量交換均以湍流方式進行，觀測分析大氣湍流特征是準確量化農田物質和能量通量的基礎。

Monin-Obukhov相似理論是邊界層湍流研究的理論基礎，用于分析邊界層中的外部參數對湍流擴散的影響。該理論大大推動了大氣湍流觀測試驗的開展和觀測儀器的研發[4]。測量湍流通量最直接的方式是渦度相關法[6]，該方法因其直接測定、理論假設少、觀測信息全面等優點，被廣泛用于觀測農田上方的大氣湍流特征。描述大氣湍流特征的常見指標有湍流方差相似性、湍流強度、湍流能譜等[4,7-8]。余錦華等[9]分析了常熟農業生態試驗站的通量觀測數據，發現在非中性條件下，水平風速標準差與大氣穩定度的關系并不滿足“1/3”次方定律，在平流輸送明顯的綠洲農田也觀測到類似結果[10]，而“1/3”次方定律在云貴高原西部[11]和淮河流域[12]農田均成立。在湍流強度方面，楊智等[11]觀測發現云貴高原西部農田湍流強度比華北平原強，而李英等[13]發現同為西部地區的成都平原的農田湍流強度卻與華北平原觀測結果接近，且農田湍流強度隨風速的變化特征尚不明確[14]。郭建俠[15]分析華北玉米下墊面的渦度相關資料發現，動量譜和感熱譜在慣性子區均較為離散，不符合“－4/3”次方規律。可見，由于農田下墊面類型多樣且存在高度異質性，導致不同研究觀測得到的農田大氣湍流特征存在明顯差異，使得大氣邊界層湍流研究基礎理論之一——Monin-Obukhov相似理論在農田的適用性存在挑戰，亟須在開闊、平坦且均一的標準化農田開展大氣湍流特征的觀測分析。

農業農村部經國務院批復同意于2021年9月6日印發的《全國高標準農田建設規劃（2021—2030年）》指出，到2030年建成12億畝（1畝≈666.7 m2）高標準農田，并改造提升現有高標準農田2.8億畝，以此穩定保障1.2萬億斤（1斤＝0.5 kg）以上糧食產能。高標準農田是指田塊平整、集中連片、設施完善、節水高效、農電配套、宜機作業、土壤肥沃、生態友好、抗災能力強，與現代農業生產和經營方式相適應的旱澇保收、穩產高產的耕地[16]。高標準農田經過“田、水、路、林、村”綜合整治，實現了“小田并大田”，下墊面變得均一、平坦，是通量觀測的理想下墊面，理論上Monin-Obukhov相似理論更為適用，但這一推論尚未得到觀測證實。南通市從2008年起建設高標準農田，目前擁有江蘇省內單體最大的“萬頃良田”建設示范區[17]。農田生態系統作為陸地生態系統的重要組成部分，明確高標準農田生態系統的碳收支特征對減少農田碳排放、增加土壤碳存儲意義重大。本文基于南通高標準農田水稻下墊面2020年渦度相關觀測數據，分析其大氣穩定度分布、湍流方差相似性、湍流譜特征、湍流強度和湍流動能等，旨在論證Monin-Obukhov相似理論在高標準農田下墊面的適用性，評估基于湍流交換理論發展起來的渦度相關技術觀測高標準農田碳通量的可靠性，為揭示華東地區典型農田生態系統與大氣之間的物質和能量交換特征提供參考。

1 觀測概況與研究方法

1.1 觀測概況

觀測站點位于江蘇省南通市雅周鎮“萬畝良田”工程內，屬北亞熱帶海洋性季風氣候，四季分明。根據海安國家氣象站的多年觀測數據，1981—2010年，年平均氣溫為15.3 ℃，年平均日照時數為2000 h，年平均降水量為1015.1 mm（國家氣象科學數據中心http://data.cma.cn/）。以觀測站點為中心，250 m半徑范圍內地勢平坦，均為農田[18]。地下10～100 cm的土壤類型為細沙土。種植方式為稻（6—10月）麥（11月—翌年5月）輪作。

整個觀測系統由開路式渦度相關系統、小氣候觀測系統、數據采集器、通信設備和供電設備組成（圖1）。渦度相關系統由開路式紅外CO2/H2O分析儀（LI-7500DS，美國LI-COR公司）和三維超聲風速儀（Windmaster Pro，英國Gill公司）組成，分別測量大氣中的CO2/H2O濃度、三維風速和超聲虛溫，架設高度為2.5 m。小氣候觀測系統包括2路溫濕度傳感器（DHC2，航天新氣象科技有限公司），用于測量大氣溫度和相對濕度，架設高度分別為2 m和3 m；翻斗式雨量傳感器（SL3-1，上海氣象儀器廠），架設高度為1.5 m；四分量凈輻射傳感器（FS-J1，航天新氣象科技有限公司），用于測量向下短波、向上短波、向下長波和向上長波輻射通量密度，架設高度為2 m；5路光合有效輻射傳感器（FS-PR，航天新氣象科技有限公司），1路架設高度為2 m，其他4路均架設在0.5 m高度；3路土壤熱通量傳感器（HFP01-05，荷蘭Hukseflow公司），均埋設在土壤5 cm深度；5路土壤溫濕度傳感器，分別觀測5、10、20、40和60 cm處的土壤溫度和體積含水量。渦度相關系統的采樣頻率為10 Hz，小氣候系統的采樣頻率為1 Hz。觀測數據均由數據采集器（CR6000，美國Campbell公司）采集和存儲。整個觀測系統由4塊100 W的太陽能板和4個120 Ah的蓄電池供電。

圖1 研究區域位置（a，紅色三角形為觀測站點位置）和觀測系統（b，農田生態系統小氣候、通量觀測系統的實景照片）Fig. 1 Location of the research area (a, the red triangle representing the location of the observation station) and the observation system (b, the flux observation system for the microclimate of farmland ecosystem)

1.2 研究方法

1.2.1 通量數據處理和質量控制

選取2020年5月1日—10月30日水稻生長期的觀測數據，使用美國LI-COR公司的渦度相關數據處理軟件EddyPro 6.1對10 Hz原始通量數據進行處理，得到30 min平均數據。數據后處理包括野點剔除、超聲虛溫訂正、兩次坐標旋轉和密度效應訂正等[4]。將30 min平均數據分為3個質量等級：0（最高）、1（中等）和2（最低）[19]，剔除1級和2級數據，僅保留0級數據分析大氣湍流特征。通量貢獻區描述的是來自通量傳感器上風方向地表源對觀測垂直通量的相對貢獻[6]。為了明確通量觀測信號的來源，使用美國LICOR公司的渦度相關數據分析軟件Tovi 2.8.1進行通量貢獻源區分析[20]。經上述數據處理和質量控制后，共有4278條0級數據（占比53.5%）可用于湍流特征分析。

1.2.2 湍流特征量計算

（1） 大氣穩定度參數

大氣穩定度參數（ζ）綜合考慮了大氣湍流的熱力（浮力）和動力（風切變）生成機制，計算如下[21]：

式中，z為觀測高度；d為零平面位移；L為Obukhov長度。當時，大氣為中性；當時，大氣不穩定；當時，大氣穩定[22]。

（2） 湍流強度

湍流強度（I）指風速標準差與平均風速的比值，用于描述湍流脈動量的相對波動程度。計算如下：

（3） 湍流動能

1.2.3 湍流方差相似性

由Monin-Obukhov相似理論可知，在開闊、平坦且均一的下墊面上，當湍流充分發展時，近地層的三維風速、溫度、濕度和CO2密度等物理量的標準差經特征尺度參數無量綱化后，均可以表示為大氣穩定度的函數[23]，即：

式中，當x為三維風速u、v、w時， 為摩擦風速；當x為溫度（T）、濕度（q）和CO2密度（c）時， 分別為和分別為H2O和CO2的質量密度。

對于溫度、濕度和CO2密度，普適函數用下式擬合[25]：

1.2.4 湍流能譜分析

湍流是由尺度大小不同的湍渦組成，按照頻率（或波長）來研究各種尺度湍渦間的能量分布稱為能譜分析。湍流能譜從低頻到高頻依次為含能渦區、慣性子區和耗散區。經Kolmogorov[4]證明，近地邊界層內小尺度湍渦各向同性，在慣性子區內能量既不產生也不消耗，以“－5/3”次方規律向更小尺度傳遞，可用于檢驗渦度相關系統的響應頻率是否滿足觀測要求。

式中，Fx為湍流能譜函數；x為三維風速u、v、w；為x方向上的無量綱Kolmogorov常數；E為湍流耗散率；波數n為自然頻率，為平均風速。當自然頻率轉換為歸一化頻率時，湍流能譜與歸一化頻率在慣性子區符合“－2/3”次方規律，2個物理量之間的協譜與歸一化頻率在慣性子區符合“－4/3”次方規律。

2 結果與分析

2.1 通量貢獻源區分析

圖2是2020年水稻生長期的通量貢獻源區圖，等值線從內到外依次為10%～80%的通量貢獻源區范圍，顏色表示空間上某一點對通量觀測值的貢獻率。由圖2可知，水稻生長期內80%的通量貢獻源區范圍分布在距離渦度相關系統70 m以內的2塊水稻田內，且主要通量貢獻來源于渦度相關系統東側的稻田，與研究時段內的主導風向一致。

圖2 2020年水稻生長期渦度相關觀測的通量貢獻源區范圍（底圖來源于Google Earth，不同顏色表示每個點對渦度相關觀測值的貢獻率）Fig. 2 Flux footprint area of eddy covariance system during rice growing period in 2020 (The base image is from Google Earth. Different colors indicate the contribution of each point to eddy covariance observation.)

2.2 風向、風速和大氣穩定度特征

如圖3a所示，2020年水稻生長期內主導風向為東東南（ESE，13.1%），其次為東東北（ENE，12.3%）、東（E，12.1%）和東南（SE，10.1%）。觀測高度2.5 m處平均風速在0～4 m/s，0～2 m/s和2～4 m/s的風速頻率分別為53.4%和43.5%。由大氣穩定度參數的概率密度分布圖（圖3b）可知，水稻生長期內，稻田上方大氣以穩定狀態為主，占研究時段的57.3%，大氣不穩定頻數占比為42.2%，大氣中性頻數占比為0.5%。稻田上方大氣穩定度呈現顯著的晝夜變化特征（圖3c），白天（07：00—16：00，北京時）不穩定，夜晚（17：00—次日06：00，北京時，下同）穩定。

圖3 2020年水稻農田風向、風速和大氣穩定度（a）風向玫瑰圖；（b）大氣穩定度—概率密度分布；（c）大氣穩定度日變化（N、E、S、W分別表示北、東、南、西）Fig. 3 Wind direction, wind speed and atmospheric stability over paddy field in 2020(a) Wind rose; (b) Probability density distribution of atmospheric stability parameter; (c) The diurnal variation of atmospheric stability parameter (N, E, S, W indicating wind direction of north, east, south, and west, respectively)

2.3 湍流方差相似性

2.3.1 風速歸一化標準差隨大氣穩定度參數的變化

由圖4可知，三維風速歸一化標準差隨大氣穩定度參數的變化均符合“1/3”次方規律，大氣不穩定時的擬合效果更佳，尤其是在v方向上。大氣不穩定時，v方向上的擬合值與觀測值之間的相關系數R最大，為0.61；u方向上次之，R=0.60；w方向上最低，R=0.52。大氣穩定時，三維風速的歸一化標準差在1～5變化，變化幅度較大氣不穩定時減小，“1/3”次方規律較大氣不穩定時減弱。此時，擬合效果以w方向上最好，R=0.50；u和v方向上R分別為0.41和0.35。大氣中性時，三維風速的歸一化標準差都趨于常數，即

圖4 u、v、w風速分量歸一化標準差（σw、σv、σu）隨大氣穩定度參數（ζ）的變化（a～c）不穩定條件下；（d～f）穩定條件下（菱形為縱坐標在ζ某個區間范圍內的平均值，不穩定條件下ζ區間為－102～－101～－100～－10?1～－10?2～－10?3～－10?4，穩定條件下ζ區間為10?5～10?4～10?3～10?2～10?1～100～101）Fig. 4 Normalized standard deviation of u, v, w wind components variation with atmospheric stability parameter ζ(a-c) Unstable conditions; (d-f) Stable conditions (The diamond represents the ζ bin average within a certain interval;ζ interval is －102 to －101 to －100 to －10?1 to －10?2 to 10?3 to －10?4 under unstable conditions; ζ interval is 10?5 to 10?4 to 10?3 to 10?2 to 10?1 to 100 to 101 under stable conditions)

2.3.2 標量歸一化標準差隨大氣穩定度參數的變化

圖5為溫度、濕度和CO2密度歸一化標準差隨大氣穩定度參數的變化。溫度的歸一化標準差隨大氣穩定度的變化在大氣不穩定時符合“1/3”次方規律，但在大氣穩定時符合“－1”次方規律。比濕的歸一化標準差隨大氣穩定度參數的變化在大氣不穩定時符合“1/3”次方規律，大氣穩定時趨于常數3.49。CO2密度歸一化標準差與大氣穩定度參數的關系在大氣不穩定和穩定條件雖然可以用“1/3”次方擬合，但結果較為離散，相關系數僅分別為0.13和0.05。

圖5溫度（T）、濕度（q）和密度（c）的歸一化標準差隨大氣穩定度參數（ζ）的變化（a～c）不穩定條件下；（d～f）穩定條件下（菱形為縱坐標在ζ某個區間范圍內平均值，不穩定條件下ζ區間為－101～－100～－10?1～－10?2～－10?3～－10?4，穩定條件下ζ區間為10?4～10?3～10?2～10?1～100）Fig. 5 Relationship between normalized standard deviation of T, q, c and atmospheric stability parameter ζ(a-c) Unstable conditions; (d-f) Stable conditions (The diamond represents the ordinate ζ average value within a certain interval; ζ interval is －101 to －100 to －10?1 to －10?2 to 10?3 to －10?4 under unstable conditions; ζ interval is 10?4 to 10?3 to 10?2 to 10?1 to 100 under stable conditions)

2.4 湍流能譜分析

圖6為三維風速分量的歸一化功率譜和垂直風速與溫度、濕度、CO2的協譜。在慣性子區（0～10 Hz）內，u、v的功率譜均符合“－2/3”次方規律，峰值分別出現在0.002 Hz和0.003 Hz附近；w的功率譜斜率略小于－2/3，峰值出現在0.3 Hz附近。三維風速的功率譜在大于0.1 Hz的高頻區間均上翹，說明觀測系統受到高頻噪音的影響。垂直風速與溫度、濕度和CO2密度的協譜均與標準譜線[26]一致，在慣性子區內均符合“－4/3”斜率特征，峰值都出現在0.1 Hz附近。可見，渦度相關系統能夠有效地觀測該高標準農田上方垂直風速與溫度、濕度和CO2密度的協方差。

圖6 三維風速分量的歸一化功率譜（a，虛線為－2/3次方斜率線）和垂直風速（w）與溫度（T）、比濕（q）、CO2密度（c）的協譜（b，虛線為－4/3次方斜率線）（黑色實線為Kaimal標準曲線）Fig. 6 Normalized power spectra of three-dimensional wind components（a, dash line representing the －2/3 slope）and normalized cospectrum of vertical wind speed (w) with temperature (T), specific humidity (q) and CO2 density(c)（b, dash line representing the －4/3 slope) (solid line denoting the standard spectra of Kaimal)

2.5 湍流統計量分析

2.5.1 湍流強度

由圖7a可見，u和v方向上的湍流強度概率密度分布一致，分別有97.4%和96.1%的湍流強度集中分布在0.2～0.6，峰值均出現在0.45附近。與u、v方向相比，w方向上的湍流強度明顯較低，概率密度峰值出現在0.2附近，0.05～0.4范圍內的湍流強度占99.6%。三個方向上的湍流強度均隨風速增大而減小（圖7b）。風速小于2 m/s時，湍流強度隨風速增加迅速降低；當風速超過3 m/s時，湍流強度趨于常數，即從區間均值來看，當風速超過1 m/s時，u方向上的湍流強度開始大于v方向的結果；當風速超過5 m/s時，

圖7 三維風方向上湍流強度的概率密度分布（a）和湍流強度隨風速的變化特征（b）（標記為0.2區間平均值）Fig. 7 Probability density distribution of turbulence intensity of three-dimensional wind speeds (a) and variation ofturbulence intensity with wind speed (b) (Marks are bin averages with width of 0.2)

2.5.2 湍流動能

由圖8a可知，大氣中性時，湍流動能最大；當大氣趨向穩定和不穩定時，湍流動能迅速下降。熱力湍流對湍流動能的貢獻（～10?4）明顯小于動力湍流。中性條件下，動力湍流對湍流動能的貢獻最大。大氣穩定時，逆溫對應的負浮力抑制湍流發展，對湍流動能的貢獻為負值。湍流動能隨平均風速增大而增加（圖8b），可用二次函數擬合兩者之間的關系，相關系數R＝0.86。湍流動能呈現白天高、夜晚低的日變化特征（圖8c），從06：00開始增大，13：00達到峰值0.96 m2/s2，隨后下降，03：00降至最低值0.22 m2/s2。湍流動能日變化與風速一致，可見湍流動能主要受動力湍流控制。

圖8 湍流動能隨大氣穩定度（ζ）、風速和時間的變化特征（a）湍流動能、動力湍流和熱力湍流貢獻隨大氣穩定度的變化；（b）湍流動能隨風速的變化特征；（c）湍流動能和風速的日變化特征Fig. 8 Variations of turbulent kinetic energy with atmospheric stability(ζ), wind speed and time(a) Turbulent kinetic energy, mechanical turbulence and thermal turbulence varying with atmospheric stability; (b)Turbulent kinetic energy varying with wind speed; (c) Diurnal variations of turbulent kinetic energy and wind speed

3 討論

已有研究發現，長三角常熟地區水稻在非中性條件下水平風速標準差與大氣穩定度之間的關系較分散，難以滿足“1/3”次方定律[9]。華北玉米下墊面垂直風速與溫度的協譜在慣性子區內不符合“－4/3”次方斜率規律[15]。與上述研究相比，本研究選取的高標準農田中，三維風速歸一化標準差隨大氣穩定度的變化均符合“1/3”次方規律，且三維風速的湍流譜在慣性子區中均符合“－2/3”次方關系，垂直風速與標量的協譜在慣性子區中都符合“－4/3”次方規律。可見，Monin-Obukhov相似理論在高標準農田更為適用，渦度相關系統能夠準確地觀測該高標準農田上的感熱、水汽和CO2通量。大氣近中性時，三維風速的歸一化標準差都趨于常數。不同農田在中性條件下得到的風速分量歸一化標準差值基本符合的規律。本研究區域與常熟同屬于長三角地區，本區域與常熟稻田的結果接近， 但大于成都地區農田結果可能與周圍地形和農作物差異有關。從湍流強度概率密度峰值來看，本研究中高標準農田的湍流強度峰值約為華北平原觀測結果的2倍[15]，也明顯大于成都平原的觀測結果與云貴高原大理地區結果相當。

4 結論

基于南通高標準農田水稻下墊面2020年5—10月渦度相關觀測數據，分析了大氣穩定度分布、湍流方差相似性、湍流譜特征、湍流強度和湍流動能等，得到以下結論。

1）水稻生長期內，80%的通量貢獻源區范圍分布在距離渦度相關系統70 m以內的2塊水稻田內，且以東側稻田貢獻為主。稻田上方大氣呈現白天不穩定、夜晚穩定的晝夜變化特征。

2）Monin-Obukhov相似理論在該高標準農田適用。三維風速歸一化標準差隨大氣穩定度的變化均符合“1/3”次方規律，大氣不穩定時擬合效果更佳。溫度、比濕、CO2密度的歸一化標準差隨大氣穩定度的變化在不穩定條件下符合“1/3”次方規律。

3）渦度相關系統能夠觀測該高標準農田的感熱、潛熱和CO2通量。在慣性子區，三維風速的湍流能譜符合“－2/3”次方關系，垂直風速與溫度、濕度和CO2密度的協譜符合“－4/3”次方規律。

4）該高標準農田水平方向上的湍流強度大于垂直方向上結果，三個方向上的湍流強度隨風速增大均趨于常數。大氣中性時湍流動能最大，以動力湍流貢獻為主。湍流動能隨風速呈二次函數增大，并呈現與風速類似的晝高夜低的日變化特征。