干旱区凝结水时空模拟研究进展

刘楷愈, 庄艳丽, 赵文智, 段群滔, 陈白丽, 黄仁杰, 孙婷婷, 罗立辉

Progress in spatial and temporal simulation of dew in arid regions

Kaiyu Liu, Yanli Zhuang, Wenzhi Zhao, Quntao Duan, Baili Chen, Renjie Huang, Tingting Sun, Lihui Luo

表1 主要模拟模型及其优缺点

Table 1 The main simulation models and their advantages and disadvantages

模型类型	模型名称	模型公式	输入参数	优点	缺点
经验模型	统计回归模型	—	无固定参数输入，选择当地对凝结水形成影响最大的气象因子。通常为常规气象数据（气温、露点温度、风速风向、相对湿度和云量等）	构建简单，参数易获取，站点模拟精度高	气象因子对模型模拟结果影响很大，不适用于区域模拟
经验模型	阈值模型	—		构建简单，参数易获取，站点模拟精度高	气象因子对模型模拟结果影响很大，不适用于区域模拟
物理模型	能量平衡模型	R_n=LE+H（叶片表面） R_n=LE+H+G（土壤表面） R_n=R_i+R_he+R_cond（人造凝结面）	R_n：净辐射；LE：潜热通量；H：显热通量；G：土壤热通量；R_i：凝结面吸收与释放的长波辐射之差；R_he：凝结面失去的显热；R_cond：凝结水释放的潜热	能反映凝结过程中的能量平衡关系	模型构建较复杂，计算需要众多参数，且不易获取
	Penman-Monteith公式法	$L E = \frac{0.408 ∆ (R_{n} - G) + γ \frac{C_{n}}{T + 273} U_{2} (e_{s} - e_{a})}{∆ + γ (1 + C_{d} U_{2})}$	R_n：净辐射；G：土壤热通量；γ：湿度计常数；Δ：饱和蒸汽压随温度的增加；C_n和C_d：随参考作物类型和计算时间步长而变化的常数；U₂：2 m高处风速；e_s：饱和蒸汽压；e_a：实际蒸汽压	不需要表面温度变量。既考虑了空气动力学和辐射项的作用，又涉及作物的生理特征。可用于区域潜热通量的计算	把植物冠层当成整体，不适用于稀疏植被或多种植被覆盖的区域
	波文比能量平衡法	$L E = \frac{R_{n} - G}{1 + \frac{γ ∆ T}{∆ e_{a}}}$	LE：潜热通量；γ：湿度计常数；ΔT和Δe_a为不同高度冠层的温度差和蒸汽压差	计算简单，可模拟植物冠层中凝结水的形成。对大气层没有特别要求和限制，避免了热和蒸汽传导率给模型带来的误差	水平衡计算过程中，由于多种因素的影响，易产生误差。只有在开阔均一下垫面才能保证较高精度
	涡动相关法	LE=LE/L	LE：潜热通量；L：汽化潜热(2 450 J·kg^-1)；D：凝结水量(mm)	可以直接获取长期的水通量观测数据	存在能量不闭合问题，会造成凝结水量的低估
半经验模型	Beysens模型	$\frac{d h}{d t} = \{\begin{array}{l} 0.37 \times [- 0.0238893 H^{2} + 0.204323 H + 1 - (0.21891 H^{2} - \\ 1.04963 H + 18.0132) \times 10^{- 3} T_{d}] (\frac{T_{d} + 273.15}{285}) \times & i f \frac{d h}{d t} > 0 \\ (1 - \frac{N}{8}) + [1 - e x p {(- \frac{u}{u_{0}})}^{20}] \times b (T_{d} - T_{a}) \\ 0 & i f \frac{d h}{d t} < 0 \end{array}$	H：海拔；T_d：露点温度；N：云量；u：10 m处风速；u₀：凝结水形成的风速阈值4.4 m·s^-1；T_a：气温；b:T_d-T_a与露水量的斜率	只需要基础的观测数据，适用范围广，可用于区域模拟	模型假设的下垫面为发射率为1的凝结面，经验系数不具有普遍适用性
人工智能模型	人工神经网络模型	—	选择对凝结水形成影响较大的影响因子，经过筛选确定输入参数	可处理复杂环境下凝结水量与影响因素之间的非线性关系	需要大量的训练数据集，对数据质量要求较高
人工智能模型	支持向量机模型	—	选择对凝结水形成影响较大的影响因子，经过筛选确定输入参数	可处理复杂环境下凝结水量与影响因素之间的非线性关系	需要大量的训练数据集，对数据质量要求较高