热带气象学报  2020, Vol. 36 Issue (2): 189-198  DOI: 10.16032/j.issn.1004-4965.2020.019
0

引用本文  

谢洁岚, 卢超, 高瑞泉, 等. 深圳356米气象塔观测数据的质量控制方法和空气动力学参数研究[J]. 热带气象学报, 2020, 36(2): 189-198.  DOI: 10.16032/j.issn.1004-4965.2020.019.
XIE Jie-lan, LU Chao, GAO Rui-quan, et al. Data processing method of the meteorological data from the 356-meter meteorological tower in shenzhen and research on aerodynamic parameters[J]. JOURNAL OF TROPICAL METEOROLOGY, 2020, 36(2): 189-198.  DOI: 10.16032/j.issn.1004-4965.2020.019.

基金项目

国家重点研发计划课题(2017YFC0209606); 国家自然科学基金重点项目(41630422); 国家重点研发项目课题(2016YFA0602701)共同资助

通讯作者

范绍佳, 男, 广东省人, 博士, 教授, 主要从事大气边界层物理、环境气象领域研究。E-mail:eesfsj@mail.sysu.edu.cn

文章历史

收稿日期:2019-10-15
修订日期:2020-01-04
深圳356米气象塔观测数据的质量控制方法和空气动力学参数研究
谢洁岚 1,4,5, 卢超 2, 高瑞泉 2, 王宝民 1,4,5, 孙天乐 3, 何龙 3, 范绍佳 1,4,5     
1. 中山大学大气科学学院, 广东 珠海 519082;
2. 深圳市国家气候观象台, 广东 深圳 518040;
3. 深圳市环境监测中心站, 广东 深圳 518049;
4. 环珠江口气候环境与空气质量变化野外科学观测研究站, 广东 广州 510275;
5. 南方海洋科学与工程广东省实验室(珠海), 广东 珠海 519082
摘要:气象高塔数据资料弥足珍贵, 对其进行质量控制将为后续科学研究和业务工作的开展提供便利; 此外, 利用塔基观测资料计算空气动力学参数有助于校正模式空气动力学参数理论值。对2017-2018年深圳356 m气象梯度观测塔共13层的每10 s风速、风向、相对湿度、温度探测资料进行数据质量控制, 基于莫宁-奥布霍夫相似理论和数据质量控制后的气象梯度观测塔近地层(10 m、20 m、40 m、50 m和80 m) 1分钟平均的风温资料, 利用最小二乘法拟合迭代计算了近中性条件下深圳气象梯度观测塔下垫面空气动力学粗糙度(z0)和零平面位移(d)。结果表明:深圳气象梯度观测塔的气象探测资料数据质量很高, 连续两年平均数据缺失率为1.28%, 数据错误率为0.01%。近中性边界层条件下, 深圳气象梯度观测塔下垫面空气动力学粗糙度均值为0.35 m, 零平面位移均值为5.33 m, 结果合理可信。研究表明空气动力学参数受下垫面非均匀性、植株柔软性、气流来向、风速等的共同影响。
关键词塔基梯度探测    数据质量控制    粗糙度    零平面位移    深圳356 m气象梯度观测塔    
DATA PROCESSING METHOD OF THE METEOROLOGICAL DATA FROM THE 356-METER METEOROLOGICAL TOWER IN SHENZHEN AND RESEARCH ON AERODYNAMIC PARAMETERS
XIE Jie-lan 1,4,5, LU Chao 2, GAO Rui-quan 2, WANG Bao-min 1,4,5, SUN Tian-le 3, HE Long 3, FAN Shao-jia 1,4,5     
1. School of Atmospheric Sciences, Sun Yat-sen University, Guangzhou 510275, China;
2. Shenzhen National Climate Observatory, Shenzhen, Guangdong 518040, China;
3. Shenzhen Environment Monitoring Center, Shenzhen, Guangdong 518049, China;
4. Observation and Research Station for Climate Environment and Air Quality Change in the Pearl River Estuary, Guangzhou 510275, China;
5. Southern Marine Science and Engineering Guangdong Laboratory(Zhuhai), Zhuhai, Guangdong 519082, China
Abstract: Data collected from high meteorological tower is extremely valuable and data processing will facilitate future scientific research and meteorological service. Besides, calculation of aerodynamic parameters using tower-based observation data will help correct theoretical aerodynamic parameter values in numerical models. In our paper, data processing is conducted on meteorological data from the 356-m meteorological tower in Shenzhen, including data of wind speed, wind direction, relative humidity and temperature at 13 layers with a time interval of 10 seconds from 2017 to 2018. Based on the MoninObukhov similarity theory, the least squares fitting is applied to preprocessed wind and temperature data at near surface layers, i.e., layers at the altitudes of 10 m, 20 m, 40 m, 50 m, and 80 m of the meteorological tower, in order to calculate the aerodynamic roughness length (z0) and the zero plane displacement (d). The results show that the quality of meteorological data from the meteorological tower in Shenzhen is remarkably high. The average data loss rate is 1.28% and the data error rate is 0.01%. Under the condition of near-neutral boundary layer, the mean value of the aerodynamic roughness length of the underlying surface of the meteorological tower in Shenzhen is 0.35m, and the mean value of zero plane displacement is 5.33 m. Compared with previous studies, these results are reasonable and reliable. We find that the aerodynamic parameters are affected by the unevenness and plant softness of the underlying surface, as well as wind direction and wind speed.
Key words: meteorological tower observation    data processing    roughness length    zero plane displacement    356-m meteorological tower in Shenzhen    
1 前言

气象要素的垂直探测是当代气象观测不可或缺的重要组成部分。利用气象梯度观测塔进行大气边界层垂直结构观测已在世界先进国家得到广泛应用。基于气象梯度观测塔观测数据的应用已从传统的气象学领域拓展到风能、大气污染、建筑工程、农业生态等领域。胡非[1]利用北京中国科学院大气物理研究所325 m气象塔数据进行湍流研究;2015年,亚马逊热带雨林325 m气象塔建成,Andreae等[2]就高塔观测系统在低层大气物质通量输送、湍流、大气污染物、温室气体等方面的观测研究进行介绍,体现了高塔观测在地-气系统科学研究中的重要性和必要性;文明章等[3]利用福建省沿海地区18座风塔70 m高度的观测资料统计和评估了该地区风能资源分布特点;Birmili等[4]在西伯利亚300 m气象塔上开展颗粒物梯度采样实验;Li等[5]基于上海40 m铁塔资料分析了热带气旋强风过程对低层建筑的影响;Desai等[6]在美国447 m气象塔进行甲烷通量观测研究。

随着大气探测技术的不断发展,风廓线仪、微波辐射计、云高仪等各类遥感设备的应用越来越普及。然而遥感设备在近地层多存在盲区,探测准确度对反演算法依赖程度高,且容易受降水、大风等影响而导致数据失真乃至缺测[7-11]。气象梯度观测塔建设成本高、探测高度受限,但塔基观测以其稳定、精确、可长期作业等优势,在低层大气探测领域仍占据无可替代的地位。塔基资料弥足珍贵,除用于科学研究及业务用途,塔基特别是高塔观测是目前气象领域诸多遥感设备进行校准、对比的标杆之一[12],是遥感设备在低层大气探测存在盲区缺陷的必不可少、十分重要的补充。

深圳356 m气象梯度观测塔位于珠江口东岸的深圳市宝安区石岩铁岗水库水源保护区,海拔高度40 m,距珠江口10 km,是目前亚洲最高、世界第二高的桅杆式结构气象梯度观测塔,2016年10月通过验收并正式投入使用,也是国内唯一集边界层气象垂直探测、大气环境监测、雷电防御研究、灾害实景监视以及能源、通信等为一体的综合观测及试验平台[13]。未来粤港澳大湾区建设、发展过程中,深圳气象塔可为湾区气象、生态、工程、环境等领域的垂直梯度观测提供设备搭载平台并形成宝贵的观测资料集。气象梯度观测塔所在地的地理环境如图 1所示。

图 1 深圳356 m气象梯度观测塔地理环境 a.地理位置;b.周边1 km范围内下垫面环境,其中蓝色线为不同类型下垫面分区线,按照风向划分标准进行分区。

下垫面对边界层内(特别是近地层)气象要素的水平和垂直分布影响显著。从图 1b可见:深圳356 m气象梯度观测塔的下垫面为非均匀下垫面,根据下垫面分布情况,本研究将深圳356 m气象观测塔所在下垫面分为三个风向扇区,东北扇区(0 °~90 °风向扇区范围)下垫面尤为复杂,有树林、楼房和高速公路,东南扇区(90 °~180 °风向扇区范围)为树林和水库下垫面,西扇区(180 °~ 360 °风向扇区范围)较为均匀,为乔木和灌木构成的树林下垫面。本研究中对下垫面进行风向扇区划分,方便后续空气动力学参数的研究和讨论。

深圳356 m气象梯度观测塔是全球低纬地区为数不多的气象梯度高塔,观测资料弥足珍贵。在进行科学研究及应用之前,需进行数据质量控制,对缺测、错误数据等进行处理,以保证数据的科学性、可靠性。

空气动力学粗糙度(z0)和零平面位移(d)是描述近地层下垫面特征的重要参数。空气动力学粗糙度是数值模式的重要外参数,在污染物扩散、水循环、环境风效应及大气边界层特性研究中有重要影响[14-18]。空气动力学参数的数值将直接影响地表和低层大气之间的动量、热量和物质传输的计算,影响地表和高空大气环流的模拟结果[19]。在陆面模式中,无植被下垫面粗糙度是根据下垫面类型直接给定理论值,植被下垫面则在无植被下垫面粗糙度基础上考虑大气稳定度、植被高度等再给出参考值[18]。塔基观测资料是校正模式空气动力学参数理论值的有效方法,有必要通过观测并计算得到不同下垫面的空气动力学参数。

空气动力学参数的计算方法按照原理可分为两大类:基于风、温或湍流观测的动力学方法和基于下垫面几何形态特征的形态学方法[20]。动力学方法对于近地层风温资料的精度和准确度有较高要求,在有气象梯度观测塔的地区,常基于莫宁-奥布霍夫相似理论[21],利用塔基资料进行空气动力学参数计算[14, 18, 20, 22]

遵循原始资料最大化保存原则[1, 23-24],本文对深圳356 m气象梯度观测塔2017年1月—2018年12月连续两年的13层每10 s风向(瞬时)、风速(瞬时)、温度(1 min平均)和湿度(1 min平均)探测资料制定数据质量控制方案,剔除明显不合理数据,并分别统计数据缺测率和错误率。需要说明的是,本文形成的数据质量控制流程为数据批量处理的方法,方便长时段时间序列的处理,对于非强天气过程,通过本方法,数据可基本满足科学研究需要;考虑强天气过程(如台风、暴雨等)气象要素波动剧烈,仪器设备在此类过程的观测记录也可能存在失真等问题,因此,对于强天气过程的数据质量控制,我们建议在本文方法基础上,根据实际研究需要做进一步处理。利用质控后的塔基风温数据,基于莫宁-奥布霍夫相似理论,本研究计算了深圳356 m气象梯度观测塔下垫面的空气动力学参数。本研究的目的是通过近两年深圳356 m气象梯度观测塔边界层气象主要观测数据的分析,形成一套适用高塔气象要素探测的数据质量控制技术,同时计算深圳塔下垫面空气动力学粗糙度和零平面位移参数值,为数值模式的参数化方案提供观测数据支撑。

2 塔基探测数据质量控制与空气动力学参数计算方法

考虑深圳356 m气象梯度观测塔目前有13层气象要素探测,探测层数多、探测要素多、时间分辨率高、获取的数据量大,因此本文选取风向、风速、温度、湿度等常用气象参数数据进行数据质量控制,形成数据质量控制流程和程序脚本。

2.1 气象数据质量控制流程

本研究对2017年1月—2018年12月连续两年的深圳356 m气象梯度观测塔13层高度的10 s风向、风速,1 min平均温度和相对湿度的数据进行数据质量控制。表 1给出气象数据概况。

表 1 深圳356 m气象梯度观测塔的风向、风速、温度、相对湿度数据概况

参考彭珍等[24]对中国科学院大气物理研究所325 m气象梯度观测塔数据质量质控方法,结合深圳356 m气象梯度观测塔的探测实际,深圳356 m气象梯度观测塔的探测资料质量控制主要进行数据的缺测率统计、阈值检验、僵值剔除、时间连续性检验。图 2给出深圳356 m气象梯度观测塔气象数据的数据质量控制流程(图 2)。

图 2 深圳356 m气象梯度观测塔气象数据质量控制流程

(1)数据缺测率统计。由于设备检修、故障等原因,探测资料难免存在部分时次缺测导致时间序列不完整,因此有必要先进行时间序列完整性重构,将没有观测资料时间进行标记,并统计数据缺失率。方法是首先从原始资料中筛选出某一气象要素,构建完整时间序列,与原始资料时间序列进行比对,得到不同高度层该气象要素的数据缺失率。

(2)阈值检验。参考深圳地区气候特征,结合表 1的仪器量程范围,确定气象要素阈值,将超出阈值范围的数据进行剔除。本研究中风向阈值范围为0~360 °,风速阈值范围为0~60 m/s,温度阈值范围为- 10~50 ℃,相对湿度阈值范围为0~ 100%。

(3)僵值剔除。信号传送过程或仪器工作发生故障时可能会导致数据序列连续记录某一不变的数值,这一数值称为“僵值”,需要对“僵值”进行判断并剔除。本研究将某一气象要素连续出现某个数值的数目超过10个的数据段定为僵值。考虑气象梯度观测塔仪器的探测频率较高(10 s),对于风速、温度和相对湿度,如果找出的僵值与其后第一个与之不同的数据之差大于某个数值(风速:| ∆U | > 0.5,温度:| ∆T | > 5.0,相对湿度:| ∆RH | > 10),那么这段数据剔除,否则予以保留。对于风向,将风向划分为8个扇区([22.6, 67.5],[67.6, 112.5],[112.6, 157.5],[157.6, 202.5],[202.6, 247.5],[247.6, 292.5],[292.6, 337.5],[337.6, 22.5],单位:°),如果找出的僵值与其出现前后的风向在同一风向角扇区内,则保留,若不在同一扇区,则判断僵值与其出现前后的风向之差是否满足| ∆WD | < 5,若满足,则保留,否则予以剔除。

(4)时间连续性检验。对于风速、温度和湿度,除非遇到强天气过程,否则在短时间内气象要素随时间的变化应在一定范围内,短时间内气象要素的剧烈波动需要考虑是否存在错误值。考虑本研究中数据的时间精度是10 s,采用“3σ”原则对数据时间序列进行时间连续性检验。对于某一时间序列,计算5点滑动平均(xmean)和5点滑动标准差(xstd):

若| xi - xmean | > 3xstd,将xi标注为可疑值,人工查询对应时次天气情况,判断是否为异常值。

2.2 空气动力学参数计算

空气动力学参数计算选用风温梯度法。参考郑艳萍等[22]的计算方法,基于深圳356 m气象梯度观测塔近地面10 m、20 m、40 m、50 m和80 m每10 s风向、风速、温度观测资料,求得1 min各高度平均风速、1 min各高度平均温度及1 min最大频率风向,首先计算大气稳定度,根据近地面大气中性条件判据,选择满足中性条件的观测资料,再根据莫宁-奥布霍夫相似理论导出的近地层风速-高度对数律求解零平面位移(d)和粗糙度(z0)。

计算步骤如下。

(1)中性条件判据。

梯度理查逊数是表征近地面大气稳定度的常用参数。梯度理查逊数(Ri)计算如下[25]:

(1)
(2)
(3)
(4)

其中z1z2分别代表 10 m和80 m高度,g=9.8 m/s2γd = 0.009 8 K/m。将式(2)~(4)计算结果代入式(1)可求得Ri,综合参考刘伟等[20]、郑艳萍等[22]、Irwin[26]对中性条件稳定度范围的选取以及深圳实际情况,选取Ri值区间在(-0.01, 0.01)时为中性层结。此外,研究表明[20, 27],若风速太小,z0随风速变化波动较大,因此,在满足| Ri | < 0.01前提下,本研究严格要求所选取时次10 m、20 m、40 m、50 m和80 m高度处风速均需大于2.0 m/s,同时满足上述两个条件对应时次的风速廓线方可用于后续空气动力学参数的计算。

(2)空气动力学参数计算。

根据莫宁-奥布霍夫相似理论,当满足水平均匀和中性层结条件时,风速随高度变化满足对数律[28]

(5)

其中,U为风速;u*为摩擦速度;κ为冯卡曼常数,取0.4;z为离地高度;d为零平面位移;z0为空气动力学粗糙度。

参考胡张保等[15]在文献中提到的方法,根据中性条件下某时次三层高度的风速资料,通过牛顿迭代法对式(5)进行非线性求解,得到该时次u*的取值范围。再运用最小二乘拟合迭代求最佳拟合解的方法确定最终的粗糙度和零平面位移。根据式(5)可得:

(6)

对式(6)取指数,得,

(7)

,则式(7)可表达为:

(8)

对式(8)进行最小二乘拟合,当方程左右两边拟合相关系数最大时,所得到的ba值为方程最优解,再根据ab的值求解得到最终的dz0

选取不同高度层风速的计算结果可能不同,对所挑选每一时次的近地层风廓线资料,在5层高度风速中选取3层高度风速,可得到10种不同高度层的风速组合([10 m, 20 m, 40 m],[10 m, 20 m, 50 m],[10 m, 20 m, 80 m],[10 m, 40 m, 50 m],[10 m, 40 m, 80 m],[10 m, 50 m, 80 m],[20 m, 40 m, 50 m],[20 m, 40 m, 80 m],[20 m, 50 m, 80 m]和[40 m, 50 m, 80 m]),对10种组合分别求解,最终求取z0d的均值,作为该时次风廓线所求得的空气动力学粗糙度和零平面位移值。

3 结果与讨论 3.1 经数据质量控制后的数据缺测率、错误率统计

本文定义数据缺失的频率为缺测率,数据出现异常值的频率为错误率。

表 2表 3分别为经数据质量控制后2017— 2018年深圳356 m气象梯度观测塔13个高度层风速、风向、相对湿度和温度资料的缺测率和错误率统计结果。

表 2 2017—2018年深圳356 m气象梯度观测塔13个高度层风速、风向、相对湿度、温度资料数据缺测率统计(%)
表 3表 2,但为资料数据错误率统计(%)

表 2可见:(1) 2017—2018年深圳356 m气象梯度观测塔13层风速、风向、相对湿度和温度平均缺测率为1.28%,不同观测高度层平均缺测率为0.7%~2.39%;(2)风向、风速、气温和相对湿度2017年缺测率分别为1.10%、0.87%、1.08%和1.08%,2018年缺测率分别为1.17%、1.16%、1.88%和1.87%;(3) 2017年10 m、20 m、40 m、50 m、80 m、100 m、250 m和320 m高度处风向、风速、相对湿度和温度数据缺测率均低于1%,200 m处风向、风速、相对湿度和温度数据缺测率相对较高,分别为3.60%、3.60%、3.73%和3.73%;(4) 2018年10m处风向、风速、相对湿度和温度数据缺测率相对较高,分别为3.24%、3.23%、3.46%和3.46%。

表 3统计结果可见,深圳356 m气象梯度观测塔2017—2018年数据错误率极小,风速、风向、相对湿度和温度平均错误率仅为0.01%,数据可靠性强。

整体而言,2017—2018年深圳356 m气象梯度观测塔风速、风向、相对湿度和温度数据缺测率较低,错误率极小,数据完整性和准确性高。

3.2 空气动力学参数计算结果

广东四季变化并不明显,根据温度和降水量,可将珠江三角洲全年划分为干季(10月—次年3月)和湿季(4—9月)。

深圳356 m气象梯度观测塔下垫面为非均匀下垫面:东北扇区(0 °~90 °范围)下垫面尤为复杂,有树林、楼房和高速公路,东南扇区(90~180 °范围)为树林和水库下垫面,西扇区(180°~360 °范围)较为均匀,为乔木和灌木构成的树林下垫面。文献调研表明[29-30],不同于城市建筑下垫面和裸土下垫面,植被及水面下垫面空气动力学参数受下垫面性质、稳定度、风速、风向等共同影响。由于本文计算时选取边界层条件为近中性条件,故下文将对空气动力学参数随风向、季节、风速的变化进行讨论。

根据2017—2018年深圳356 m气象梯度观测塔10 m、20 m、40 m、50 m和80m的1分钟平均风速、温度资料,共筛选出9 060个近地层风廓线样本满足本文所设定的中性条件,利用公式(5)~(8)进行求解计算,共求出299组z0和d。图 3给出东北扇区(NE)、东南扇区(SE)、西扇区(W)3种不同风向,干季、湿季2类不同季节的空气动力学参数均值和分布情况。

图 3 三种不同风向、干湿季不同季节空气动力学粗糙度(z0)和零平面位移(d)结果 a、b分别为东北扇区、东南扇区、西扇区三种不同风向空气动力学粗糙度和零平面位移分布特征;c、d分别为干湿季空气动力学粗糙度和零平面位移分布特征。横坐标括号中的数字为样本数,“*”表示均值。

图 3a3b可知:东北扇区NE(0°~90°)粗糙度最大,为0.63 m,零平面位移高度为7.53 m;西扇区W(180°~360°)粗糙度次之,为0.32 m,零平面位移高度为4.34 m;东南扇区SE(90°~180°)粗糙度最小,为0.12 m,零平面位移高度为5.12 m。根据加权平均求得空气动力学粗糙度(z0)和零平面位移(d)平均值分别为0.35 m和5.33 m。

深圳356 m气象梯度观测塔下垫面主要为树林(以乔木和灌木为主)、水库和少量低矮建筑,树林平均高度为2~7 m[31],可认为是郊区非均匀下垫面。何奇瑾等[32]在研究中指出,零平面位移高度可认为是植株高度的2/3或建筑物高度的2/3~3/4,因此计算得到零平面位移高度(d=5.33 m)合理。经文献调研[28, 33],多树乡村、密林粗糙度量级介于10-1~100,广阔水面粗糙度量级介于10-4~ 10-3; Jegede等[34]计算非洲一灌木下垫面z0均值为0.24±0.10 m; 刘伟等[20]计算得珠海市凤凰山常绿阔叶林下垫面z0的取值范围为0.94~2.08 m。对比以往研究,本文计算得到粗糙度(z0=0.35 m)量级合理。

图 3c3d可见:湿季、干季的空气动力学粗糙度均值分别为0.39 m和0.56 m,零平面位移分别为5.14 m和7.07 m。季节差异主要与盛行风向有关,湿季深圳地区盛行偏南风、西南风和东南风,南面为平滑水面和树林,因而粗糙度较小,零平面位移较低;干季盛行偏北风、东北风和西北风,北面为民宅及树林,粗糙度和零平面位移均较大。

图 4给出不同风速区间内的空气动力学粗糙度分布特征。

图 4 全扇区(a)、东北扇区(b)、东南扇区(c)和西扇区(d)不同风速区间z0分布情况 横坐标括号中的数字为样本数。

图 4a可见:从全风向扇区来看,当风速区间小于4 m/s时,粗糙度均值随风速的增大而增加;风速大于4 m/s时,粗糙度均值随风速的增大而减小。这一变化规律主要与植被及水面下垫面的柔软性特征有关[29-30]。对于具有柔软特性的下垫面,风速较小时,气流会造成下垫面的起伏波动(如树干枝叶的上下摆动、水面的涟漪等),此时不同风速区间对应的粗糙度的增加可能与树林或水面在风影响下的“增高”有关;而当风速达到一定量级以后,风速对空气动力学粗糙度的阻挡消减作用显现出来[27, 29-30],粗糙度随风速的增大而减小。从图 4b4d可知,类似规律同样发现在样本数较多的东北扇区(0 °~90 °)和西扇区(180 °~360 °)存在。东南扇区(图 4c)未发现类似规律,考虑与该扇区风廓线样本数较少有关。

值得指出的是,从图 4还可看到,当风速大于4 m/s时,粗糙度分布的离散程度更小,说明该风速条件下空气动力学粗糙度的计算差异较小。前面已经提及本研究用于计算空气动力学参数的风廓线各层风速均大于2 m/s,一方面考虑了风速太小,风温法所计算的参数离散程度比较大[27],另一方面又需考虑有尽量多的样本来保证计算结果的代表性,因而选取2 m/s作为风廓线选取的阈值。从目前得到结果看,风速大于4 m/s也许会是更合适的筛选条件,后续若气象梯度观测塔观测时间足够长,可以考虑以4 m/s进行筛选,也许可以对空气动力学参数进行更准确、精细的计算。

4 结论与展望

本文对深圳356 m气象梯度观测塔2017— 2018年13层的每10 s风速、风向、相对湿度和温度探测资料制定了数据质量控制方案,基于莫宁-奥布霍夫相似理论和数据质量控制后气象梯度观测塔近地层(10 m、20 m、40 m、50 m和80 m)1 min平均的风温资料,利用最小二乘法拟合迭代计算了近中性条件下深圳气象梯度观测塔下垫面空气动力学粗糙度(z0)和零平面位移(d)。得到以下结论。

(1)本研究为深圳356 m气象梯度观测塔风向、风速、相对湿度和温度数据制定了一套质量控制方案。

(2)2017—2018年深圳356 m气象梯度观测塔风向、风速、相对湿度和温度数据平均缺测率为1.28%,平均错误率为0.01%,数据质量高。

(3)深圳356 m气象梯度观测塔下垫面平均动力学粗糙度为0.35 m,平均零平面位移为5.33 m,结果合理可信。

从本文结果来看,气象梯度观测塔观测资料的完整性和准确性都较高,有利于后续科学研究的开展,本文目前仅针对常用的风、温、湿数据资料进行数据质量控制,日后将进一步发展塔基全要素数据质量控制方案。

空气动力学粗糙度作为数值模式中重要的基本参数,在复杂非均匀下垫面影响因素繁多。Hu等[35]和Shen等[36]均指出目前数值模式中不同类型下垫面所对应的空气动力学粗糙度的取值并不准确。Hu等[35]利用卫星遥感资料给出中国不同植被类型下垫面z0参数化算法,并认为该算法可应用于高分辨率数值模式;Shen等[36]将珠三角地区实际计算得到的z0值加入WRF/Chem模式,发现对风速模拟的准确性得到提升。如何将复杂非均匀下垫面(特别是几何形态可变的下垫面,如植被、水面等)在不同季节、不同气象背景条件下的粗糙度变化更好地在数值模式中得以体现,优化参数化方案以提高数值模式的准确度,仍是接下来需要进一步深入研究的重要问题。

参考文献
[1]
胡非.湍流, 间歇性与大气边界层[M].北京: 科学出版社, 1995.
[2]
ANDREAE M O, ACEVEDO O C, ARAÙJO A, et al. The Amazon Tall Tower Observatory (ATTO):overview of pilot measurements on ecosystem ecology, meteorology, trace gases, and aerosols[J]. Atmos Chem Phy, 2015, 15(18): 10723-10776.
[3]
文明章, 吴滨, 林秀芳, 等. 福建沿海70米高度风能资源分布特点及评估[J]. 资源科学, 2011, 33(7): 1346-1352.
[4]
BIRMILI W, STOPFKUCHEN K, HERMANN M, et al. Particle penetration through a 300 m inlet pipe for sampling atmospheric aerosols from a tall meteorological tower[J]. Aerosol science and technology, 2007, 41(9): 811-817.
[5]
LI Q S, LI J C, HU S Y. Monitoring of near-surface winds and wind pressures on an instrumented low-rise building during Super Typhoon Rammasun[J]. Journal of Structural Engineering, 2019, 145(2): 04018255.
[6]
DESAI A R, XU K, TIAN H, et al. Landscape-level terrestrial methane flux observed from a very tall tower[J]. Agricultural and Forest Meteorology, 2015, 201: 61-75.
[7]
田晓敏, 刘东, 徐继伟, 等. 大气探测激光雷达技术综述[J]. 大气与环境光学学报, 2018, 13(5): 321-341.
[8]
张旭斌, 万齐林, 薛纪善, 等. 风廓线雷达资料质量控制及其同化应用[J]. 气象学报, 2015, 73(1): 159-176.
[9]
鲍艳松, 钱程, 闵锦忠, 等. 利用地基微波辐射计资料反演0~10km大气温湿廓线试验研究[J]. 热带气象学报, 2016, 32(2): 163-171.
[10]
邱金桓, 陈洪滨, 王普才, 等. 大气遥感研究展望[J]. 大气科学, 2005, 29(1): 131-136.
[11]
熊超超, 谢丽萍, 吴维. 大气边界层探测技术初步分析[J]. 气象水文海洋仪器, 2010, 27(3): 77-79.
[12]
罗红艳, 杨红龙, 卢超, 等. 深圳风廓线雷达与气象梯度观测塔对风速观测的对比分析[J]. 广东气象, 2017, 39(6): 72-76.
[13]
古锐昌. 深圳气象梯度观测塔建设及初步效益[J]. 气象科技进展, 2019, 9(3): 82-83.
[14]
高志球, 卞林根, 逯昌贵, 等. 城市下垫面空气动力学参数的估算[J]. 应用气象学报, 2002, 13(S1): 26-33.
[15]
胡张保, 俞炳丰. 城市下垫面空气动力学参数确定方法综述[J]. 气象与环境学报, 2008, 24(5): 55-60.
[16]
茅宇豪, 刘树华, 李婧. 不同下垫面空气动力学参数的研究[J]. 气象学报, 2006, 64(3): 325-334.
[17]
唐玉琪, 谈建国, GRIMMOND C S, 等. 典型特大城市下垫面空气动力学特征参数的计算与分析研究[J]. 热带气象学报, 2016, 32(4): 503-514.
[18]
肯巴提·波拉提, 李煜斌. 北京城市下垫面动力学参数的计算与分析[J]. 大气科学学报, 2017, 40(4): 570-567.
[19]
黄瑾, 钟中, 郭维栋, 等. 非均匀地表空气动力学有效粗糙度的统计特征[J]. 物理学报, 2013, 62(5): 194-199.
[20]
刘伟, 魏信, 石文, 等. 复杂地形条件下零平面位移和空气动力学粗糙度的计算——以珠海南亚热带常绿阔叶林地区为例[J]. 热带气象学报, 2016, 32(4): 524-532.
[21]
FOKEN T. 50 years of the Monin-Obukhov similarity theory[J]. Boundary-Layer Meteorology, 2006, 119(3): 431-447.
[22]
郑艳萍, 杨小千, 王宝民.城市下垫面空气动力学参数的确定[C]/第32届中国气象学会年会.天津: 201510.
[23]
刘郁珏, 胡非, 程雪玲, 等. 北京325米气象梯度观测塔上CO2梯度观测数据质量控制与评价[J]. 大气科学, 2016, 40(2): 390-400.
[24]
彭珍, 胡非. 北京城市化进程对边界层风场结构影响的研究[J]. 地球物理学报, 2006, 49(6): 1608-1615.
[25]
毕雪岩, 刘烽, 吴兑. 几种大气稳定度分类标准计算方法的比较分析[J]. 热带气象学报, 2005, 21(4): 402-409.
[26]
IRWIN J S. Estimating plume dispersion-a recommended generalized scheme[C]//Symposium on turbulence, diffusion, and air pollution, 4th, Reno, NV, January 15-18, 1979, preprints. 1978.
[27]
邱玉珺, 吴风巨, 刘志. 梯度法计算空气动力学粗糙度存在的问题[J]. 大气科学学报, 2010, 33(6): 697-702.
[28]
张宏昇.大气湍流基础[M].北京: 北京大学出版社. 2014.
[29]
张强, 曾剑, 姚桐. 植被下垫面近地层大气动力状态与动力学粗糙度长度的相互作用及其参数化关系[J]. 科学通报, 2012, 57(8): 647-655.
[30]
李彬, 李永青, 石洪源, 等. 不同风速条件下海表空气动力学粗糙度参数化方案[J]. 海洋湖沼通报, 2019, 41(3): 12-18.
[31]
陈勇, 孙冰, 廖绍波, 等. 深圳市主要植被群落类型划分及物种多样性研究[J]. 林业科学研究, 2013, 26(5): 636-642.
[32]
何奇瑾, 周广胜, 周莉, 等. 盘锦芦苇湿地空气动力学参数动态特征及其影响因素分析[J]. 气象与环境学报, 2007, 23(4): 7-12.
[33]
STULL R B. An introduction to boundary layer meteoroloty[M]. Kluwer Academic Publishers, Dordrecht. 1988.
[34]
JEGEDE O O, FASHEUN T A, ADEYEFA Z D, et al. The effect of atmospheric stability on the surface-layer characteristics in a lowwind area of tropical West Africa[J]. Boundary-layer meteorology, 1997, 85(2): 309-323.
[35]
HU D, XING L, HUANG S, et al. Parameterization of aerodynamic roughness of China's land surface vegetation from remote sensing data[J]. Journal of Applied Remote Sensing, 2014, 8(1): 083528.
[36]
SHEN C, SHEN A, TIAN C, et al. Evaluating the impacts of updated aerodynamic roughness length in the WRF/Chem model over Pearl River Delta[J]. Meteorology and Atmospheric Physics, 2020, 132: 427-440.