当前位置:首页 > 新闻动态 > 学术进展

小型养殖水体通量观测方法研究的新进展

发布时间:2019-07-03

作者:太湖通量网

小型水体(< 0.01 km2)作为内陆水体温室气体循环的重要组成部分,约占所有池塘和湖泊总数量的90%以上。根据Holgerson等(2016)对现有水体温室气体通量研究统计的结果,超小型水体(< 0.001 km2)的面积虽然只占全球池塘和湖泊总面积的8.6%,但其CO2CH4排放分别占内陆水体CO2 CH4扩散总排放的15.1%40.6%。目前,对小型水体碳排放量的估算仍存在较大的不确定性,在Holgerson的研究中指出,小型水体甲烷排放估算的不确定性约为30%,这些不确定性的来源不仅与小型水体的面积、数量以及空间分布的不确定性有关,也与缺少高频、连续的通量观测有密切的关系。因此,利用适宜的通量观测方法对小型水体的温室气体通量进行准确测量,不仅能够有效的降低小型水体碳排放估算的不确定性,同时也是全球水体温室气体排放准确估算的重要基础。

南京信息工程大学南信大-耶鲁大气环境中心李旭辉教授研究小组的博士研究生赵佳玉,在安徽省全椒县官渡大气环境试验基地的小型池塘通量站,利用涡度相关(Eddy covariance, EC)和通量梯度(Flux-gradient, FG)两种高频高精度的微气象学通量观测方法,对该区域池塘(图1)的温室气体通量进行了同步观测和对比评价。研究结果表明,在小型水体应用EC方法主要受到两方面的挑战:高频通量损失和通量源区信号干扰。通过协谱分析(图2)并量化了频谱校正对EC温室气体通量观测的影响,由于频谱损失造成的三种气体(H2O, CH4CO2)通量误差分别为8%18%14%。此结果表明,频谱校正是利用EC方法观测小型水体温室气体通量时,在数据后处理过程中不可缺少的一步,尤其对于采用光路较长的开路式CH4浓度传感器测量的CH4通量。同时通过与FG方法观测结果的对比,以及通量源区模型的计算(图3-6),尽管EC具有相对较低的观测高度,但观测的通量依然受到目标区域外其他土地类型信号的干扰。 涡度相关观测的 CO2通量受到目标区域外信号干扰最为严重,CH4通量受影响最小。通量-梯度方法在小型水体应用过程中的主要不确定性来源于气体湍流扩散系数的计算。本研究利用空气动力学方程(AE)、修正后的波文比方程(MBR)以及中性层结下的风廓线方程(WP)计算了目标气体的湍流扩散系数。与EC观测的通量结果进行对比(表1),发现基于AE方程计算的湍流扩散系数得到的通量值与EC方法观测的通量值具有最好的一致性和最小的误差。同时,本研究使用实测数据首次验证了Horst1999)关于通量贡献源区的理论假设,利用Horst提出的三种足迹参数化模型模拟得到的结果表明,基于两层高度廓线模型的通量源区小于基于几何平均高度梯度模型的源区、也小于同样使用几何平均高度的一维EC观测的源区。基于该研究的分析讨论,在合理设置观测高度的基础上,采用不同仪器的组合方案,即利用三维超声风速仪获取气体湍流扩散系数,使用通量梯度系统中高精度的气体分析仪获取目标气体浓度,是适合小型水体温室气体通量观测的微气象方法。

该研究由国家自然科学基金(415751474180109341475141)、江苏高校优势学科建设工程项目PAPD)共同资助完成。研究成果发表在Agricultural and Forest Meteorology上。

Jiayu Zhao, Mi Zhang, Wei Xiao, Wei Wang, Zhen Zhang, Zhou Yu, Qitao Xiao, Zhengda Cao, Jingzheng Xu, Xiufang Zhang, Shoudong Liu, Xuhui Lee. "An evaluation of the flux-gradient and the eddy covariance method to measure CH4, CO2, and H2O fluxes from small ponds." Agricultural and Forest Meteorology 275 (2019): 255-264.

文章链接:https://www.sciencedirect.com/science/article/pii/S0168192319302096

Figure 1. Map showing the target ponds (Ponds D and F), measurement location (marked by the star) and the acceptable wind direction range (red lines).

 

Figure 2. Ensemble averaged co-spectra for Period 1(a, b) and Period 2 (c, d). The ideal curve (black line) represents the Kaimal model. 

 

Figure 3. Comparison of latent heat flux measured with the flux-gradient method and the eddy-covariance method. Also shown are regression equation, linear correlation (r) and significance (p). Parameter bounds on the regression coefficients are 95 % confidence intervals.

 

Figure 4. Same as in Figure 2 but for CO2 flux.

 

Figure 5. Same as in Figure 3 but for CH4 flux

Figure 6. Flux footprint for the EC and the FG system according to the footprint model of Kljun (2015). Footprint contour lines are shown in intervals of 10% from 10% to 80 %. The percent value in each panel is the source contribution from the two target ponds.

 

Table 1 Mean value(± one standard error) of CH4, CO2 and latent heat flux during the observation periods

 

   Method

Period 1

Period 2

All data

 

 

CH4 flux (µg m-2 s-1)

 

EC

0.92 (±0.094)

1.39 (±0.109)

1.31 (±0.093)

AE

1.25 (±0.158)

1.36 (±0.125)

1.34 (±0.107)

MBR

1.71 (±0.155)

1.66 (±0.152)

1.66 (±0.129)

WP

1.42 (±0.212)

0.98 (±0.129)

1.05 (±0.113)

 

 

CO2 flux (mg m-2 s-1)

 

EC

0.098 (± 0.019)

-0.006 (± 0.004)

0.011 (± 0.006)

AE

0.104 (± 0.014)

0.006 (± 0.001)

0.022 (± 0.004)

MBR

0.111 (± 0.021)

0.007 (± 0.002)

0.024 (± 0.005)

WP

0.120 (± 0.018)

0.004 (± 0.001)

0.023 (± 0.005)

 

 

Latent heat flux (W m-2)

 

EC

43.3 (± 6.10)

65.2 (± 2.69)

60.2 (± 2.60)

AE

30.2 (± 4.48)

55.9 (± 2.47)

50.0 (±2.32)

WP

26.2 (± 3.31)

38.1 (± 2.16)

35.4 (±1.87)