基于Shuttleworth-Wallace模型的水稻蒸散组分模拟及其特征分析∗

王 宇，周 莉，贾庆宇，王 磊，徐军亮

（1．河南科技大学林学院，洛阳 471023；2．中国气象科学研究院，北京 100081；3．中国气象局沈阳大气环境研究所，沈阳 110016）

基于Shuttleworth-Wallace模型的水稻蒸散组分模拟及其特征分析∗

王 宇1，周 莉2**，贾庆宇3，王 磊1，徐军亮1

（1．河南科技大学林学院，洛阳 471023；2．中国气象科学研究院，北京 100081；3．中国气象局沈阳大气环境研究所，沈阳 110016）

农田蒸散（ET）及其组分的模拟是精准灌溉及准确估算生产力的基础。基于2013-2015年的涡度相关通量观测及辅助观测资料，利用Shuttleworth-Wallace模型（S-W模型）对盘锦水稻的蒸散及其组分进行模拟，并利用结构方程模型分析土壤蒸发占蒸散比例（ES/ET）的控制机制。结果表明：（1）S-W 模型模拟蒸散值在生长季前期偏低，在生长旺季总体偏高；而在生长季后期与观测蒸散基本吻合。（2）就季节变化过程而言，水稻蒸散模拟值呈现明显的日间波动（0.5～10.4mm·d-1），但季节总体变化趋势不明显；蒸腾（TR）则先增大后降低，变化范围为0.1～8.4mm·d-1；土壤蒸发（ES）呈U型曲线，变化范围为0.1～4.7mm·d-1。（3）模拟水稻蒸散3a均值为892mm。在年尺度上，TR与ES各占ET的50%；但在生长季，TR是ET的主要消耗方式：在移栽分蘖期，水稻的植物蒸腾与土壤蒸发较接近，而在其它各生育期及全生育期，水稻的植物蒸腾均达土壤蒸发的2倍以上。（4）结构方程模型分析结果表明，气温是ES/ET最重要的影响因子，ES/ET随气温上升而下降（总影响系数为-0.82）。气温不仅对ES/ET有显著的直接影响（直接影响系数为-0.50），还通过叶面积指数（LAI）对ES/ET产生显著的间接影响（间接影响系数为-0.32）。除气温外，LAI和风速也是ES/ET的重要影响因子，ES/ET随LAI增大而下降（总影响系数为-0.39），随风速增大而增大（总影响系数为0.38）。

结构方程模型；涡度相关；土壤蒸发；植物蒸腾

蒸散（ET）是水分及能量平衡的重要组成部分，是连接生态与水文过程的重要纽带[1]。在农田生态系统中，以蒸散形式消耗的水分可达90%以上。然而，蒸散仍然是目前生态水文过程中不确定性最大的因素之一[2]。蒸散主要包含植物蒸腾（TR）和土壤表面蒸发（ES）两个部分。植物蒸腾与生产力通过叶片气孔调节作用直接相关，土壤蒸发则主要受物理过程影响，对植被生产力无直接影响[3]。因此，准确模拟蒸散组分并研究蒸散分配的控制机制，对于深入理解生态系统的水分循环过程，以及更好地估算生态系统生产力具有重要意义。

单独观测ES和TR的研究始于20世纪70年代。目前，ES的观测方法主要有微型蒸渗仪、土壤热脉冲法、箱法、微型波文比能量平衡法和涡度相关法（置于冠层下方可观测土壤蒸发）等。TR的观测方法主要包括茎流计和叶室法等。近年来快速发展的同位素技术也能将ET拆分为TR和ES[3]。然而，以上方法均存在不同方面的问题，如经济或人工成本高，观测频率低，仪器难以维护，适用范围较窄等，导致在实际应用中都受到不同程度的限制。相比而言，蒸散模型由于其仅需要常规的气象观测资料，且能在各种时间尺度上进行模拟，在农业及生态领域均得到广泛应用和发展[4]。模拟蒸散及其组分的模型可分为机理模型和经验模型，前者包括Shuttleworth-Wallace模型（S-W模型），ENWATBAL模型，Cupid-DPEVAP模型，SWEAT模型，TSEB模型，HYDRUS-1D等，FAO双作物系数法为经验模型[3]。其中，FAO双作物系数法及S-W模型是应用最广泛的两种方法。FAO双作物系数法应用简单、参数少，能较好地估算ET并有效区分ES和TR，但该方法具有一定的经验性，其预定义的条件不能适用于每一个地区，必须利用当地试验资料对作物系数进行修正甚至重新计算[5]。S-W 模型的机理性更强，且大量研究表明，S-W 模型在各类生态系统中均有较好的表现[3]。Gharsallah等[6]比较了 6个蒸散模型在灌溉玉米农田中的表现，发现S-W模型在各生育期的表现均优于其它模型。李俊等[7]比较了Penman-Monteith模型（P-M模型）和S-W模型在冬小麦田中的表现，发现在4、5月冠层稠密时两个模型均有很好的模拟效果，但在生长前期冠层稀疏时S-W模型的表现明显优于P-M模型。刘斌等[8]也分别用 P-M 模型和 S-W 模型模拟了水稻的逐时蒸散量，结果表明，S-W模型模拟效果总体优于P-M模型，尤其是在生长前期水稻冠层稀疏时段，S-W 模型模拟值与蒸渗计实测值更接近。

目前，关于蒸散分配的控制机制尚不清楚。多数研究表明，在季节尺度上，叶面积指数（LAI）是ES/ET（或 TR/ET）最主要的影响因子，当 LAI＜3时，ES/ET随LAI增大呈对数减小趋势，当LAI＞3时，ES/ET逐渐趋于稳定[9-10]。但也有一些研究表明，ES/ET随LAI增大呈线性减小趋势，并未发现明显的阈值[11]。还有研究认为，除LAI之外，土壤含水量（SWC）也是ES/ET的重要影响因子[12]。以往研究在确定ES/ET（或TR/ET）的影响因子时，多是通过比较两两相关的决定系数，或利用多元回归等传统统计方法进行分析[11,13-15]。然而，这些方法仅能给出单个自变量对因变量的净影响，却忽略了多个自变量之间普遍存在的相关关系，会导致不同研究得到的结果不一致，甚至完全相反[16-17]。近来被引入到生态学领域的结构方程模型（Structural Equation Modeling，SEM）能有效解决上述问题，它不仅能充分考虑自变量之间的相关关系，还能对传统统计方法中自变量对因变量的净影响进行分解，区分直接影响和间接影响（通过某中间变量对因变量产生间接影响），从而揭示简单相关关系背后的潜在机理[18]。但目前，仍鲜见利用SEM分析蒸散分配控制机制的研究。

辽河三角洲地处中高纬度地区，是重要的水稻生产基地，1988-2006年该区域水稻面积增加977.1km2[19]。水稻的耕作和管理方式明显不同于其它农田，在水稻生育期内地表大部分时间处于水淹状态，通过蒸散消耗的水分巨大。尤其在生长初期，水稻冠层稀疏，植物蒸腾较弱，水稻的蒸散主要以土壤表面蒸发（在水稻田中即水面蒸发）的形式消耗，蒸散与生产力间的耦合关系较弱。鉴于此，本研究基于连续3a（2013-2015）的涡度相关通量观测及辅助的气象、生物因子观测资料，利用S-W模型模拟盘锦水稻的蒸散及其主要组分，并利用结构方程模型对土壤蒸发占蒸散比例的控制机制进行探索，以期为深入理解水稻的水分循环过程及生产力的准确估算提供科学依据。

1 材料与方法

1.1 站点概况

研究站点为中国气象局沈阳大气环境研究所盘锦水稻生态系统野外观测站（40°56'04"N，121°58'11"E，3m）。该站点位于辽河三角洲双台子河口，站点年均温为8.6℃，7月平均气温为24.4℃，1月平均气温为-9.8℃，无霜期约 170d，≥10℃积温约 3500℃·d。年均降水量约为 630mm，其中，7-9月降水量占全年降水量的 70%～80%[19]。冻融期一般从11月初开始，至4月初彻底结束[20]。土壤类型为滨海盐渍型水稻土，质地黏重，通透性较差。表层土壤有机碳含量为 18.9g·kg-1，土壤氮含量为1.04g·kg-1。本区不仅是地表水汇集区，也是地下水汇集区。双台子河在本区是半地下式河流，年内有2/3时间是河水补给地下水，1/3时间是地下水补给河水，并受潮汐影响。因此，沼泽区水源由大凌河、双台子河河水，地下水，大气降水及海潮水补给。

水稻品种为盐丰47，是辽河三角洲地区的主栽品种。一般在4月中旬开始育苗，5月中下旬进行移栽，9月底或10月初成熟收获。2013-2015年水稻各生育期时间节点见表1。从育苗开始一直到8月上旬，每3～5d灌水一次，保持地表被水覆盖（4～10cm）。8月中旬开始，灌水频率适度降低，约每7d灌水一次。最后一次灌水时间为9月中上旬。

1.2 通量、气象观测及LAI数据

利用开路式涡度相关观测系统（安装在3.5m高度）对水、碳通量进行观测。系统主要由三维超声风速仪（Gill Instruments，Ltd，Lymington，UK）和开路式红外气体分析仪（IRGA；LI-7500A，LI-COR，Inc.，Lincoln，NE，USA）组成。三维超声风速仪观测三维风速，红外气体分析仪观测CO2和H2O浓度。原始数据观测频率为10Hz。利用Lagrangian模型[21]对通量源区进行分析，结果表明，90%的通量贡献源区在距观测点361m范围内。在该站点，距通量观测塔上风向 500m范围内下垫面为均一的水稻植被。因此，观测的通量数据对水稻生态系统有较好的代表性。

在观测场内，还同时安装有气象梯度观测系统，包括 3m 高度处的净辐射观测（CNR1，Holland），3m高度处的气温和相对湿度观测（HMP45C，Finland），3m高度处的风速观测（014A，USA）等。3个土壤热通量板（HFP01，Netherlands）分别埋置在土壤表层以下5cm处。两层土壤温度（Adcon-SM1，Austria）观测分别在5cm和35cm土壤深度处。5层土壤湿度（Adcon-SM1，Austria）观测深度为10cm、20cm、30cm、40cm和50cm。除降水观测（RG1，Austria）频率为每分钟观测1次外，其它气象因子的观测频率均为1Hz，所有气象因子均计算30min的平均值，以与通量计算结果相匹配。

LAI数据为从美国橡树岭国家实验室（ORNL）的数据发布中心（DAAC）（http://daacmodis.ornl.gov）下载的MODIS产品。MODIS-LAI的时间分辨率为8d，空间分辨率为1km。基于LAI的少量实际观测数据，对其产品进行了验证。另外，根据MODIS-LAI产品自带的数据质量标记（Quality Flag），对低质量的数据（受云层覆盖影响，或传感器工作不正常）进行剔除，并对数据进行插补，获取了连续的日尺度LAI资料。

表1 2013-2015年水稻生育期（月-日）Table 1 The growth stage of rice in 2013-2015（mm-dd）

1.3 通量计算及数据处理

将 10Hz的原始通量观测数据利用 EddyPro6.0软件处理，得到 30min通量数据，并进行必要的校正，主要包括对 Gill超声风速仪观测的风速分量的迎角订正[22]；对三维风速进行二次坐标旋转，消除地形不平坦等对通量计算的影响；WPL密度效应校正[23]，低频和高频损失校正[24]。按照以下标准对数据进行剔除：（1）原始数据观测不完整的时间段；（2）降水同期的通量数据；（3）异常值数据[25]；（4）对于夜间湍流交换较弱时段的数据，计算摩擦风速阈值[26]，对夜间摩擦风速低于此阈值时的通量数据进行剔除。

为了在日尺度上进行分析，30min数据必须进行插补以获取完整的时间序列，因此，利用边缘分布采样法（Marginal Distribution Sampling method，MDS）对通量数据进行插补[27]。另外，基于夜间生态系统呼吸与表层土壤温度间建立的指数关系，估算白天的生态系统呼吸，而后结合白天的净生态系统碳交换，计算总生态系统生产力（Gross Ecosystem Production，GEP）[27]，为S-W模型的估算提供输入资料。

1.4 Shuttleworth-Wallace模型

Shuttleworth-Wallace模型（S-W 模型）假设生态系统蒸散来自土壤蒸发和植物蒸腾这两个“源”[28]，生态系统总的潜热通量λET可表示为

式中，λT为来自植物蒸腾的潜热通量，λE为来自土壤蒸发的潜热通量（W·m-2），PMc和 PMs为类似于 Penman-Monteith模型估算蒸散的方程式，即

式中，Δ为饱和水汽压随温度变化的斜率（hPa·K-1），ρ 为空气密度（1.293kg·m-3），Cp为空气定压比热（1012J·kg-1·K-1）。D（即 VPD）为空气饱和水汽压差（hPa），γ为干湿表常数（0.67hPa·K-1），rss为潜热从土壤内部到地表的土壤表面阻抗，ras为潜热从土壤表面到冠层高度的空气动力学阻抗，rsc为植被冠层尺度的气孔阻抗，rac为潜热从叶片表面到冠层平均高度的空气动力学阻抗，raa为潜热从冠层高度到参考高度的空气动力学阻抗。R和Rs分别为被冠层和土壤吸收并转化为显热或潜热的净辐射。

式中，Rn为净辐射，Rns为土壤吸收的净辐射，G为土壤热通量，Rns根据叶面积指数（LAI）消光原理求得，即

系数Cc和Cs的计算方法为

式中，ρa、ρc、ρs的计算方法分别为

在5个阻抗因子中，raa、ras、rac的计算方法与S-W模型中原计算方法一致[28]。由于水稻的土壤表面在生长季长期被水覆盖，其表面水汽基本饱和，rss接近于 0且变异较小，因此，可假设 rss为一常数，即

其中，b1为经验参数(s·m-1)。

冠层阻抗rsc用Ball-Berry模型进行估算，即

其中，g0、a1为经验参数，hs为冠层表面空气相对湿度，Cs为冠层表面的CO2浓度，Pn为光合速率（冠层尺度为GEP）[11]。

式（12）、式（13）中涉及的经验参数b1、g0和a1，通过Monte Carlo随机模拟方法获取。具体流程为：（1）确定参数的变化区间；（2）在给定的区间进行10000次Monte Carlo随机模拟；（3）将每次所得蒸散模拟值与观测值进行线性回归（y=kx），得到10000个斜率（k）和决定系数（R2）；（4）在斜率（k）的取值范围为[0.95，1.05]时，选出 R2最大的200个参数化方案；（5）以此200个参数化方案确定出新的参数区间，在此区间内再进行10000次随机模拟；（6）重复步骤3，在斜率（k）取值范围为[0.99，1.01]时，选出R2最大的20个参数化方案；（7）利用这20个参数化方案的平均值作为最终优化参数，代入模型计算，得到植物蒸腾及土壤蒸发的模拟值[11]。

需要指出的是，S-W 模型是基于能量平衡假设建立的，但涡度相关观测及辅助气象观测数据表明站点能量平衡不能完全闭合。因此，要利用涡度相关观测蒸散对S-W模型进行验证及校正，必须对能量平衡不闭合的问题进行处理。根据水稻能量平衡不闭合的原因分析，利用“波文比闭合法”对涡度相关观测的水稻蒸散数据进行强制闭合处理[29]，并将其用于S-W模型的验证及校正。

1.5 结构方程模型

结构方程模型（Structural Equation Modeling，SEM）是基于协方差矩阵同时分析多个变量之间因果关系的一种方法，它能将变量之间的依赖关系分解为直接影响和间接影响[18]。与传统的多变量统计方法不同，SEM 首先基于已发表资料及研究者的先验知识设定系统内各因子之间的依赖关系，而后利用观测数据对建立的初始模型进行检验。由于 SEM通常以最大似然法进行参数估计，而最大似然估计的拟合函数符合 χ2分布，因此，在 SEM 中常用 χ2检验来评价模型表现。通常依据χ2检验的P值对初始模型的拟合能力做出判断。P＞0.05表明基于该初始模型拟合得到的数据分布与实际观测数据无显著差异，即说明模型拟合效果较好[17]。

采用AMOS21.0软件运行SEM，分析水稻ES/ET的环境控制机制。SEM构建探索型模型有两种思路：一种是在初始模型中添加所有可能的影响路径，而后根据SEM结果中路径系数的显著性对模型进行必要的修剪（Model trimming）；另一种是在初始模型中只添加有充分理论依据的路径，而后根据输出的修正指数（Modification indices）添加必要的路径，使模型最终通过验证。本研究采用第一种思路，在建立水稻 ES/ET与环境因子关系的初始模型时主要考虑了以下两个方面：（1）以往研究表明，影响水稻蒸散及其组分的因子主要包括净辐射（Rn）、风速（WS）、气温（Ta）、饱和水气压差（VPD）、土壤含水量（SWC）及叶面积指数（LAI）[15-16,30]；（2）在季节尺度上，上述气象及土壤因子会通过影响植物的生长及生物量的分配等（用LAI反映植物的响应）对蒸散及其组分产生间接影响。基于以上考虑，建立的初始模型如图1。

图1 土壤蒸发占蒸散比例（ES/ET）与环境因子关系的结构方程模型初始模型Fig. 1 Initial structural equation model of the relationship between the ratio of soil evaporation to evapotranspiration and the environmental variables

2 结果与分析

2.1 S-W模型的参数调试和蒸散模拟效果分析

2.1.1 涡度相关能量闭合状况

能量平衡闭合状况是反映涡度相关通量观测数据可靠性的重要指标。利用半小时尺度的可利用能量（Rn-G）与潜热、感热通量之和（LE+H）间线性回归（强制过原点）的斜率来评价水稻站点能量平衡闭合状况。结果表明，2013-2015年水稻的能量闭合度分别为77%、74%和76%。该站点的能量闭合度在已有研究的结果范围内，且与其它水稻站点的能量闭合度非常接近[31-32]，说明该站点涡度相关通量观测数据基本可靠。

2.1.2 S-W模型的参数调试

利用S-W模型模拟蒸散及其组分，需先确定关键方程中的经验系数b1、g0和a1。按照Monte Carlo随机模拟方法的计算步骤，综合利用试验期间前两年（2013年和2014年）的涡度相关通量观测及相应的环境因子观测数据，对 3个经验系数进行统一调试。根据模拟与观测ET值线性回归的斜率和R2，选出最优的20套参数，计算各系数的平均值，作为S-W模型最终采用的经验系数（表2）。由表2可见，a1、g0和 b1的最适值分别为 6.08、0.07m·s-1及 30.47s·m-1。估算冠层气孔导度的两个参数 a1、g0的变异系数较小，分别为11.8%和14.3%，土壤表面阻力的变异系数稍大，为31.3%。

表2 Monte Carlo方法模拟的S-W模型关键参数Table 2 Optimized parameters of S-W model simulated with Monte Carlo method

2.1.3 蒸散量模拟效果

基于上述过程得到的经验参数，结合2015年的环境因子数据对水稻蒸散及主要组分进行模拟。以2015年的ET观测数据（30min）对模拟ET进行验证，模型的验证效果见图2。由图2可以看出，模拟蒸散与观测蒸散线性回归的斜率为0.98（R2=0.75），截距为 0，表明S-W模型总体表现良好，可以用于水稻蒸散的模拟。

图2 模拟蒸散与观测蒸散值的对比Fig. 2 Comparison of the simulated and observed hourly evapotranspiration

2.2 水稻日蒸散量及其组分模拟值的动态变化分析

由图3可见，在3个试验年度内，S-W模型模拟的水稻日蒸散量与涡度相关法观测蒸散均表现为季节变化趋势不明显，但日间波动剧烈的特点，各年波动趋势一致，但数值有一定差异。S-W模型在3个试验年度的表现基本一致，具体表现为在生长季前期蒸散模拟值偏低，2015年5月底尤为明显；在生长季中期，除个别时间点（2013年7月21日）外，蒸散模拟值总体偏高；而在生长季后期蒸散模拟值与观测值基本吻合。2013-2015年涡度相关观测水稻日蒸散的总体变化范围为0.3～9.0mm·d-1，最大值一般出现在 5月下旬；而模拟日蒸散的变化范围为0.5～10.4mm·d-1，最大值一般出现在7月。

由图4可见，植物蒸腾（TR）总体呈先增大后减小的趋势。受夏季降水事件频繁的影响，TR在生长旺季常表现出高峰与低谷交错出现的剧烈波动特征。与TR相反，生长季的土壤蒸发（ES）总体呈现U型曲线，即在生长季前期较高，而后逐渐下降，在整个生长旺季（7、8月）维持较低水平，至9月后开始上升，生长季后期ES明显小于生长季前期。TR的变化范围在0.1～8.4mm·d-1，最大值一般出现在7月。ES的变化范围在 0.1～4.7mm·d-1，最大值一般出现在 5月。与土壤蒸发类似，土壤蒸发占蒸散的比例（ES/ET）总体上也呈U型曲线，在生长初期最大，达到80%以上；而后快速下降，至7月达到谷底，在生长旺季（7、8月）保持低值（10%左右），而后又快速升高，到生长末期达到 60%左右，低于生长初期。

图3 试验期间水稻日蒸散量观测值和模拟值的变化过程Fig. 3 Variations of the observed and simulated daily evapotranspiration during the measurement campaign

图4 试验期间模拟植物蒸腾（TR）、土壤蒸发（ES）及土壤蒸发占蒸散比例（ES/ET）的变化过程Fig. 4 Variations of the plant transpiration(TR), soil evaporation(ES) and the ratio of soil evaporation to evapotranspiration(ES/ET) during the measurement campaign

2.3 不同时间尺度水稻蒸散量及其组分模拟值的变化分析

2.3.1 生育期尺度

将水稻生育期划分为5个阶段，得到3个试验年度水稻各生育期蒸散量及其组分的变化，由表 3可以看出，在移栽分蘖期，水稻的植物蒸腾与土壤蒸发较接近，而在其它各生育期及全生育期，水稻的植物蒸腾均为土壤蒸发的2倍以上。2013年，S-W模型模拟的水稻蒸散在分蘖拔节期和孕穗抽穗期明显偏高，在其它生育期表现较好，相对误差均低于10%，全生育期偏高11.2%。2014年，S-W模型在移栽分蘖期和分蘖拔节期模拟的水稻蒸散偏低，而在中后期偏高，全生育期偏高9.5%。2015年，在移栽分蘖期和孕穗抽穗期对水稻蒸散的模拟值偏低，在其它生育期表现较好，相对误差低于5%，全生育期表现为轻微的低估（偏低3.5%）。

表3 按生育期统计分析蒸散量及其组分的模拟效果Table 3 Simulation results of evapotranspiration and its components for each growth stage

2.3.2 年尺度

2013-2015年，水稻的模拟 ET年均值为892mm，与观测年均 ET（874mm）接近，其中，S-W模型模拟蒸散年总量在2013和2014年偏高，在2015年偏低。试验期间水稻年尺度ES以及TR占ET的比例相对稳定，3a综合各占50%。水稻ET及其组分有明显的年际变化。2014和2015年水稻模拟ET值大于2013年，但其组分的年际变化趋势与模拟ET不同：2015年的ES明显大于2013和2014年，而2013年与2014年差异较小；对于TR来说，按从大到小排列依次为2014年＞2013年＞2015年（表4）。

表4 按年统计分析蒸散量及其组分的模拟效果Table 4 Simulation results of evapotranspiration and its components for each year

2.4 S-W模型模拟ES/ET的控制因子分析

利用研究期间（2013-2015）的所有数据，对基于已有资料建立的结构方程模型（SEM）初始模型进行检验。模型拟合评价指数结果表明，在去除土壤含水量（SWC）对叶面积指数（LAI）的影响之后（影响不显著且路径系数很小），修改模型能顺利通过检验（P＞0.05），且该模型对ES/ET的总解释率达到 91%，因此，可以利用修改模型得出的路径系数对各因子间的关系进行分析（图5）。

图5 土壤蒸发占蒸散比例（ES/ET）与环境因子关系的结构方程模型Fig. 5 Structural equation model of the relationship between ES/ET (the ratio of soil evaporation to evapotranspiration) and the environmental factors

为了更好地对模型中各影响因子的重要性进行比较，对图5的结果进行整理得到表5。从表5可以看出，在日尺度上，对 ES/ET影响最大的环境因子是Ta，其次为LAI和WS，SWC对ES/ET也有较弱的影响，而VPD和Rn对ES/ET的影响较小，可忽略不计。Ta对ES/ET的总影响、直接影响和间接影响（通过LAI对ES/ET产生影响）均为负向，其直接影响大于间接影响。LAI和WS对ES/ET的影响强度相近，但LAI对ES/ET的影响为负向，WS对 ES/ET的影响为正向。WS对ES/ET的影响主要为直接影响。SWC对ES/ET有直接的负向影响。

表5 环境因子对日尺度土壤蒸发占蒸散比例（ES/ET）的影响系数Table 5 Effect coefficients of the environmental factors on daily-scale ratio (ES/ET) of soil evaporation to evapotranspiration

3 结论与讨论

（1）2013-2015年水稻站点的能量平衡闭合度分别为 77%、74%和 76%，在已有研究报道的结果范围内[31-32]。导致能量平衡不闭合的因素很多，如地形不平坦、能量平衡各分量（净辐射、土壤热通量及湍流通量）测定源区域不匹配、高（或低）频通量成分的损失、平流的影响及湍流交换较弱等[33]。在该站点，地形起伏造成的影响可以忽略不计；高（或低）频通量损失也已在后期数据处理中进行校正；由于地形平坦且观测点周围均为统一管理的水稻田，垂直和水平平流的影响也可忽略不计[34]，因此，推测该站点能量平衡不闭合的主要原因可能是湍流通量的低估。近年在水稻等多个农田的研究结果也表明，涡度相关系统观测蒸散往往显著低于蒸渗计测量结果[8,33]。

（2）将3a的数据分为两部分，2013和2014年的数据用于确定参数，2015年数据用于对S-W模型进行验证。结果表明，模拟蒸散与涡度相关法观测蒸散的线性回归斜率为0.98，截距为0，R2为0.75，说明S-W模型可以较精确地估算水稻的蒸散。进一步比较日尺度模拟蒸散与观测蒸散的变化曲线发现，S-W 模型在水稻生长季后期表现较好，前期易出现低估，中期易出现高估。原因可能有以下几个方面：首先，模型结果必然受到模型结构的影响。S-W模型未考虑降水后叶片截留水分蒸发过程[8,11]，因此，模型不能捕捉强降雨事件后蒸散量的快速上升趋势，导致模型出现低估；其次，由于MODIS-LAI数据时间分辨率较粗（8d），且像元对应空间尺度和范围与通量观测源区不完全匹配，也会导致模型的模拟出现偏差。另外，需要指出的是，由于资料限制，本研究无法对蒸散组分（植物蒸腾和土壤蒸发）进行独立验证。蒸散总量模拟值与观测值吻合并不能说明S-W模型能准确模拟蒸散的各个组分。因此，今后应通过设置茎流计等观测实验，对蒸散组分进行长期观测，进而对模型进行更加严格的验证。

（3）2013-2015年，水稻的模拟 ET年均值为892mm，与观测年均 ET（874mm）接近。综合 3a数据而言，年土壤蒸发量与植物蒸腾量基本相当，各占蒸散量的 50%左右。但在生长季，植物蒸腾仍是蒸散的主要消耗方式。对水稻各生育期的蒸散及其组分进行统计发现，在移栽分蘖期，水稻的植物蒸腾与土壤蒸发较接近，而在其它各生育期及全生育期，水稻的植物蒸腾均达土壤蒸发的2倍以上。

（4）以往研究分析ET或ES/ET的主要影响因子，多是通过比较两两相关的决定系数，或者利用多元回归等传统统计方法进行[11,13-16]。然而，这些传统统计方法往往忽略了环境因子之间的自相关，导致部分结果难以解释甚至互相矛盾[17]。对盘锦水稻ES/ET与各环境因子作简单相关分析，结果表明，LAI（R=-0.866）与 ES/ET的相关性最大，且 ES/ET随LAI的增大呈对数减小趋势。这与以往研究的结果基本一致[9-11]。但SEM的结果表明，Ta是ES/ET最重要的影响因子，Ta除了对ES/ET有直接影响外，还通过LAI对ES/ET产生间接影响。结合相关分析与SEM结果可以发现，两两相关结果中LAI与ES/ET之间相关系数较高，部分原因是 LAI与其它环境因子之间有较好的相关性，即植物的生长及生物量分配过程必然会受到气温等环境因子的影响。构建的结构方程模型对ES/ET的总解释率达到91%，说明该模型结构基本合理，且模型结构已经包含了水稻ES/ET的大部分影响因子。因此，该模型对理解蒸散分配的控制机制有重要的参考意义。

References

[1]Xu C Y,Singh V P.Evaluation of three complementary relationship evapotranspiration models by water balance approach to estimate actual regional evapotranspiration in different climatic regions[J].Journal of Hydrology,2005,308:105-121.

[2]Ding R S,Kang S Z,Zhang Y Q,et al.Partitioning evapotranspiration into soil evaporation and transpiration using a modified dual crop coefficient model in irrigated maize field with ground-mulching[J].Agricultural Water Management,2013,127:85-96.

[3]Kool D,Agam N,Lazarovitch N,et al.A review of approaches for evapotranspiration partitioning[J].Agricultural and Forest Meteorology,2014,184:56-70.

[4]Shugart H H.Methods in ecosystem science[M].New York:Springer Press,2000:373-388.

[5]冯禹,龚道枝,王罕博,等.基于双作物系数的旱作玉米田蒸散估算与验证[J].中国农业气象,2017,38(3):141-149.Feng Y,Gong D Z,Wang H B,et al.Estimating rainfed maize evapotranspiration using the FAO dual crop coefficient method on the Loess Plateau[J].Chinese Journal of Agrometeorology,2017,38(3):141-149.(in Chinese)

[6]Gharsallah O,Facchi A,Gandolfi C.Comparison of six evapotranspiration models for a surface irrigated maize agro-ecosystem in Northern Italy[J].Agricultural Water Management,2013,130:119-130.

[7]李俊,韩凤明,同小娟,等.麦田蒸散模型的改进及其对阻力参数的敏感性分析[J].中国农业气象,2014,35(6):635-643.Li J,Han F M,Tong X J,et al.Evapotranspiration models for a winter wheat field: the improvements and analyses on their sensitivities to the resistance parameters[J].Chinese Journal of Agrometeorology,2014,35(6):635-643.(in Chinese)

[8]刘斌,胡继超,张雪松,等.稻田逐时蒸散量的测定及其模拟方法的比较[J].灌溉排水学报,2014,33(4):369-373.Liu B,Hu J C,Zhang X S,et al.Measurement simulation of hourly evapotranspiration in paddy field with different methods[J].Journal of Irrigation and Drainage,2014,33(4):369-373.(in Chinese)

[9]Zhu G F,Su Y H,Li X,et al.Estimating actual evapotranspiration from an alpine grassland on Qinghai- Tibetan plateau using a two-source model and parameter uncertainty analysis by Bayesian approach[J].Journal of Hydrology,2013,476:42-51.

[10]Zhao W,Liu B,Chang X,et al.Evapotranspiration partitioning,stomatal conductance,and components of the water balance:a special case of a desert ecosystem in China[J].Journal of Hydrology,2016,538:374-386.

[11]Hu Z,Yu G,Zhou Y,et al.Partitioning of evapotranspiration and its controls in four grassland ecosystems:application of a two-source model[J].Agricultural and Forest Meteorology,2009,149(9):1410-1420.

[12]Wang L,Liu H,Bernhofer C.Grazing intensity effects on the partitioning of evapotranspiration in the semiarid typical steppe ecosystems in Inner Mongolia[J].International Journal of Climatology,2016,36(12):4130-4140.

[13]董军,岳宁,党慧慧,等.应用修订的 Shuttleworth-Wallace 模型对半干旱区覆膜玉米蒸散的研究[J].中国生态农业学报,2016,24(5):674-683.Dong J,Yue N,Dang H H,et al.Estimation of evapotranspiration in maize fields with ground mulching with plastic film in semi-arid areas using revised Shuttleworth-Wallace model[J].Chinese Journal of Eco-Agriculture,2016,24(5): 674-683.(in Chinese)

[14]赵丽雯,赵文智,吉喜斌.西北黑河中游荒漠绿洲农田作物蒸腾与土壤蒸发区分及作物耗水规律[J].生态学报,2015,35(4):1114-1123.Zhao L W,Zhao W Z,Ji X B.Division between transpiration and evaporation,and crop water consumption over farmland within oases of the middle stream of Heihe River basin,Northwestern China[J].Acta Ecologica Sinica,2015,35(4):1114-1123.(in Chinese)

[15]郭春明,任景全,张铁林,等.东北地区春玉米生长季农田蒸散量动态变化及其影响因子[J].中国农业气象,2016,37(4):400-407.Guo C M,Ren J Q,Zhang T L,et al.Dynamic change of evapotranspiration and influenced factors in the spring maize field in Northeast China[J].Chinese Journal of Agrometeorology, 2016,37(4):400-407.(in Chinese)

[16]张雪松,闫艺兰,胡正华.不同时间尺度农田蒸散影响因子的通径分析[J].中国农业气象,2017,38(4):201-210.Zhang X S,Yan Y L,Hu Z H.Using path analysis to identify impacting factors of evapotranspiration at different time scales in farmland[J].Chinese Journal of Agrometeorology,2017,38(4):201-210.(in Chinese)

[17]Grace J B.Structural equation modeling and natural systems[M].Cambridge University Press,2006:3-21.

[18]王酉石,储诚进.结构方程模型及其在生态学中的应用[J].植物生态学报,2011,35(3):337-344.Wang Y S,Chu C J.A brief introduction of structural equation model and its application in ecology[J].Chinese Journal of Plant Ecology,2011,35(3):337-344.(in Chinese)

[19]周广胜,周莉,关恩凯,等.盘锦湿地生态系统野外观测站概况[J].气象与环境学报,2006,22(4):1-6.Zhou G S,Zhou L,Guan E K,et al.Brief introduction of Panjin wetland ecosystem research station[J].Journal of Meteorology and Environment,2006,22(4):1-6.(in Chinese)

[20]王宇,周莉,贾庆宇,等.盘锦芦苇沼泽的土壤冻融特征[J].湿地科学,2016,(3):295-301.Wang Y,Zhou L,Jia Q Y,et al.Soil freeze-thaw characteristics of Phragmites australis Marshes in Panjin[J].Wetland Science,2016,(3):295-301.(in Chinese)

[21]Kljun N,Calanca P,Rotach M W,et al.A simple parameterisation for flux footprint predictions [J]. Boundary-Layer Meteorology,2004,112(3):503-523.

[22]Nakai T,Shimoyama K.Ultrasonic anemometer angle of attack errors under turbulent conditions[J].Agricultural and forest meteorology,2012,162:14-26.

[23]Webb E K,Pearman G I,Leuning R.Correction of flux measurements for density effects due to heat and water vapour transfer[J].Quarterly Journal of the Royal Meteorological Society,1980,106(447):85-100.

[24]Lee X,Massman W,Law B.Handbook of micrometeorology:a guide for surface flux measurement and analysis[M].Springer Science & Business Media,2006:101-118.

[25]Papale D,Reichstein M,Aubinet M,et al.Towards a standardized processing of Net Ecosystem Exchange measured with eddy covariance technique:algorithms and uncertainty estimation[J].Biogeosciences,2006,3(4):571-583.

[26]朱治林,孙晓敏,温学发,等.中国通量网(ChinaFLUX)夜间CO2涡度相关通量数据处理方法研究[J].中国科学:地球科学,2006,49(S2):34-44.Zhu Z L,Sun X M,Wen X F,et al.Study on the processing method of nighttime CO2,eddy covariance flux data in ChinaFLUX[J].Science in China Series D:Earth Sciences,2006,49(Supple2):34-44.(in Chinese)

[27]Reichstein M,Falge E,Baldocchi D,et al.On the separation of net ecosystem exchange into assimilation and ecosystem respiration:review and improved algorithm[J].Global Change Biology,2005,11(9):1424-1439.

[28]Shuttleworth W J,Wallace J S.Evaporation from sparse crops-an energy combination theory[J].Quarterly Journal of the Royal Meteorological Society,1985,111(469):839-855.

[29]Wohlfahrt G,Haslwanter A,Hörtnagl L,et al.On the consequences of the energy imbalance for calculating surface conductance to water vapour[J].Agricultural and Forest Meteorology,2009,149(9):1556-1559.

[30]高磊,申双和,邵立瑛,等.水稻蒸散特征及日尺度作物系数估算[J].中国农业气象,2016,37(2):158-165.Gao L,Shen S H,Shao L Y,et al.Evapotranspiration characteristics and crop coefficient estimation of paddy rice[J].Chinese Journal of Agrometeorology,2016,37(2):158-165.(in Chinese)

[31]Alberto M C R,Wassmann R,Hirano T,et al.Comparisons of energy balance and evapotranspiration between flooded and aerobic rice fields in the Philippines[J].Agricultural Water Management,2011,98(9):1417-1430.

[32]Hatala J A,Detto M,Sonnentag O,et al.Greenhouse gas(CO2,CH4,H2O) fluxes from drained and flooded agricultural peatlands in the Sacramento-San Joaquin Delta[J].Agriculture, ecosystems & environment,2012,150:1-18.

[33]刘渡,李俊,于强,等.涡度相关观测的能量闭合状况及其对农田蒸散测定的影响[J].生态学报,2012,32(17):5309-5317.Liu D,Li J,Yu Q,et al.Energy balance closure and its effects on evapotranspiration measurements with the eddy covariance technique in a cropland[J].Acta Ecologica Sinica,2012,32(17):5309-5317.(in Chinese)

[34]Li L,Yu Q.Quantifying the effects of advection on canopy energy budgets and water use efficiency in an irrigated wheat field in the North China Plain[J].Agricultural Water Management,2007,89(1-2):116-122.

Characteristics of Evapotranspiration and Its Components Simulated Using Shuttleworth-Wallace Model in Rice Paddy Field

WANG Yu1, ZHOU Li2, JIA Qing-yu3, WANG Lei1, XU Jun-liang1
(1. College of Forestry, Henan University of Science and Technology, Luoyang 471023, China; 2. Chinese Academy of Meteorological Sciences, Beijing 100081; 3. Institute of Atmospheric Environment, China Meteorological Administration, Shenyang 110016)

The simulation of evapotranspiration (ET) and its components in croplands is critical for the precise irrigation and accurate estimation of ecosystem productivity. Based on the eddy-covariance flux measurement and ancillary data during 2013-2015, evapotranspiration and its components were simulated using the Shuttleworth-Wallace model (S-W model) in a rice paddy field in Panjin. The controlling mechanism of the ratio of soil evaporation to evapotranspiration (ES/ET) was analyzed with the structural equation modeling (SEM) method.The results showed that: (1) the simulated ET was close to the observed ET in the late growing season, however, it was lower than the observed ET in the early growing season and higher in the peak growing season. (2) As for the seasonal variation, the simulated ET showed a drastic day-to-day fluctuation (0.5-10.4mm·d-1) but no clear seasonal pattern; the plant transpiration (TR) was higher in the peak growing season and lower at the start and the end of the growing season, with the range of 0.1-8.4mm·d-1; ES showed a U-type curve, with the range of 0.1-4.7mm·d-1. (3)The simulated mean annual ET was 892mm during 2013-2015. TR was equal to ES at the annual scale. As for the growing season scale, TR was the main consumer of the ET: TR was close to ES in the transplanting-tillering stage,while in the other growth stages and the whole growing season, TR was more than twice as ES. (4) The SEM results indicated that air temperature (Ta) was the primary controlling factor of the ES/ET (total effect=-0.82). Ta was shown to influence ES/ET both directly (direct effect=-0.50) and indirectly through its regulation on leaf area index(LAI, indirect effect=-0.32). In addition, the LAI and wind speed (WS) were also shown to have significant effects on ES/ET. ES/ET decreased with LAI (total effect=-0.39) and increased with WS (total effect=0.38).

Structural equation modeling; Eddy covariance; Soil evaporation; Plant transpiration

10.3969/j.issn.1000-6362.2017.11.003

王宇,周莉,贾庆宇,等.基于Shuttleworth-Wallace模型的水稻蒸散组分模拟及其特征分析[J].中国农业气象,2017,38(11):709-719

2017-01-10**

。E-mail：zhouli@camscma.cn

国家自然科学基金项目（41205117）；公益性行业（气象）科研专项（GYHY201506019）；国家自然科学

基金项目（41401063）；河南科技大学博士科研启动基金项目（13480043）

王宇（1985-），博士，讲师，主要研究方向为生态系统水碳循环、生态系统模型。E-mail：yuwang911@163.com