王丹丹,王 偉,劉壽東,邱新法,穆俊宇,莫華陽,崔叢欣,陶潘虹,闕宇杰,俞 樂,陳泓宇,薛舒航

(1:耶魯大學—南京信息工程大學大氣環(huán)境中心,南京 210044)(2:南京信息工程大學應(yīng)用氣象學院,南京 210044)(3:南京信息工程大學大氣科學學院,南京 210044)

太湖小時尺度水面蒸發(fā)特征及3種模型模擬效果對比*

王丹丹1,2,王 偉1,2**,劉壽東1,2,邱新法2,穆俊宇2,莫華陽2,崔叢欣2,陶潘虹2,闕宇杰2,俞 樂2,陳泓宇2,薛舒航3

(1:耶魯大學—南京信息工程大學大氣環(huán)境中心,南京 210044)(2:南京信息工程大學應(yīng)用氣象學院,南京 210044)(3:南京信息工程大學大氣科學學院,南京 210044)

小時尺度水面蒸發(fā)可影響水面大氣邊界層熱力和動力結(jié)構(gòu),分析湖泊小時尺度水面蒸發(fā)主要影響因素,選取準確模擬其特征的蒸發(fā)模型,將有助于改善流域天氣預報和空氣質(zhì)量預報. 基于太湖避風港站2012-2013年通量、輻射和氣象觀測數(shù)據(jù),分析太湖小時尺度水面蒸發(fā)主要影響因子和3個模型(傳統(tǒng)質(zhì)量傳輸模型、Granger and Hedstrom經(jīng)驗模型、DYRESM模型)的模擬效果. 結(jié)果表明：影響太湖小時尺度水面蒸發(fā)的主要因子為水氣界面水汽壓差和風速的乘積,而非凈輻射. 傳統(tǒng)質(zhì)量傳輸模型、Granger and Hedstrom經(jīng)驗模型、DYRESM模型模擬值與全年實測值的一致性系數(shù)分別為0.92、0.87和0.89,均方根誤差分別為28.35、41.58和38.26 W/m2. 傳統(tǒng)質(zhì)量傳輸模型對太湖小時尺度水面蒸發(fā)的日變化和季節(jié)動態(tài)模擬效果最佳,其夜間模擬相對誤差小于3%,除秋季外,其他季節(jié)的模擬絕對誤差均小于4 W/m2. Granger and Hedstrom經(jīng)驗模型系統(tǒng)性地高估太湖潛熱通量,在大氣較為穩(wěn)定的午后(高估22～32 W/m2)和冬季(高估72%)高估最為明顯,模擬效果最差. DYRESM模型也系統(tǒng)地高估太湖潛熱通量,模擬效果居中. 考慮水汽交換系數(shù)隨風速的變化特征將有助于改善傳統(tǒng)質(zhì)量傳輸模型和DYRESM模型對太湖小時尺度水面蒸發(fā)的模擬精度.

太湖；潛熱通量；水面蒸發(fā)模擬；小時尺度;傳統(tǒng)質(zhì)量傳輸模型;Granger and Hedstrom經(jīng)驗模型;DYRESM模型

我國內(nèi)陸湖泊約占國土面積的0.9%[1], 雖然所占比例不大, 但研究湖泊小時尺度水面蒸發(fā)的社會價值和科學意義因人類依水而居而凸顯. 首先,作為大氣水汽的重要來源,大型湖泊小時尺度水面蒸發(fā)能影響成云過程,增強下游降水[2-3]. 同時,小時尺度水面蒸發(fā)是湖泊水分循環(huán)和能量平衡的關(guān)鍵環(huán)節(jié),與陸地蒸散晝強夜弱變化特征不同,夜間湖泊水面蒸發(fā)約占全年蒸發(fā)的48%[4]. 此外,小時尺度水面蒸發(fā)會改變湖面大氣邊界層(Atmospheric boundary layer,ABL)的熱力和動力結(jié)構(gòu)[5],激發(fā)諸如湖陸風等局地環(huán)流,進而影響流域內(nèi)大氣污染物的擴散與傳輸[6-7]. 因此,研究小時尺度水面蒸發(fā)特征對改善流域高時間分辨率的天氣、空氣質(zhì)量預報和精準利用水資源意義重大.

目前,國外已有研究利用渦度相關(guān)技術(shù)(Eddy covariance,EC)直接觀測湖泊潛熱通量[8-11],或采用大孔徑閃爍儀(Large aperture scintillometer,LAS)[12-13]基于能量平衡方程估算潛熱通量. 研究發(fā)現(xiàn),湖泊潛熱通量日變化幅度不明顯,最大值出現(xiàn)在下午而非太陽輻射最強的正午,最小值出現(xiàn)在午夜[5,14-15],得益于水體熱儲量釋放,夜間水面蒸發(fā)顯著[14-16]. 從影響因素而言,影響小時尺度水面蒸發(fā)特征的主因并非凈輻射(Rn)[10,15,17-22],而是水氣界面的水汽壓差(Δe)[23-25]或風速(u)[17,20],且發(fā)現(xiàn)潛熱通量(LE)與兩者乘積uΔe的相關(guān)性比與u或Δe各自的相關(guān)性更強,即小時尺度水面蒸發(fā)很大程度上取決于u與Δe的協(xié)同作用[21]. 基于EC技術(shù),國內(nèi)研究者也在太湖、鄂陵湖、洱海、納木錯和鄱陽湖開展了高時間分辨率的湖泊潛熱通量觀測[26-28],但對湖泊各季節(jié)和全年小時尺度水面蒸發(fā)特征及其影響因素的研究尚需深入.

盡管EC和LAS觀測有助于理解水氣間潛熱通量交換特征及其影響機制,但昂貴的設(shè)備和復雜的操作限制了此類觀測技術(shù)的推廣[19],故模擬湖泊蒸發(fā)過程很有必要[29-30]. 已有研究評估了湖泊蒸發(fā)模型的模擬效果[10,31-33],但大多數(shù)模型(如彭曼模型、溫度—日長模型)局限于對日或更長時間尺度水面蒸發(fā)的模擬,僅有少數(shù)模型可用于模擬小時尺度水面蒸發(fā),如傳統(tǒng)質(zhì)量傳輸模型、Granger and Hedstrom經(jīng)驗模型和DYRESM (Dynamic Reservoir Simulation Model)水文模型. McGloin等[34]分析了這3個模型模擬小型水庫小時尺度水面蒸發(fā)的效果,但對于大型湖泊(如太湖)的模擬效果有待評估. 隨著公眾對天氣預報和氣候預測需求的加強,數(shù)值預報模式和氣候模型將趨于機理綜合化和尺度精細化[35],這需要對小于日尺度的水面與大氣之間的潛熱交換過程進行準確參數(shù)化[34],亟待加強小時尺度水面蒸發(fā)模型的評估.

本文旨在利用太湖渦度相關(guān)通量、輻射和氣象觀測資料,分析太湖小時尺度水面蒸發(fā)特征及其影響因素,選取傳統(tǒng)質(zhì)量傳輸模型、Granger and Hedstrom經(jīng)驗模型和DYRESM模型模擬太湖小時尺度水面蒸發(fā),并利用EC實測潛熱通量評估各模型的模擬效果,探討其誤差來源,最終得到適用于模擬太湖小時尺度水面蒸發(fā)的模型.

1 資料與方法

1.1 研究站點

太湖是我國第三大淡水湖,水面面積為2400 km2,平均深度為1.9 m,為典型的亞熱帶大型淺水湖泊. 研究站點為太湖東部的湖泊通量觀測站——避風港站(BFG站)(31°10′N,120°24′E)(圖1),該站觀測始于2011年12月15日,本文所用數(shù)據(jù)是2012年1月1日0:00至2013年2月28日24:00的BFG站半小時通量、輻射和小氣候觀測數(shù)據(jù),基于2012年數(shù)據(jù)進行全年分析,冬季分析基于2012-2013跨年數(shù)據(jù). BFG站水域清澈[36]且有沉水植物(以馬來眼子菜(Potamogetonmalaianus)和輪葉黑藻(Hydrillaverticillata)為主)生長[4],四周水域開闊,風浪區(qū)均超過4 km,2 m高度年平均風速為4.0 m/s[15].

圖1 太湖湖泊通量觀測站——避風港站、陸地氣象站——東山站地理位置示意圖及避風港站平臺照片F(xiàn)ig.1 Map showing a lake flux site in Lake Taihu (Bifenggang station) and Dongshan land meteorology station; The instrument platform photo of the Bifenggang station is also shown

1.2 觀測系統(tǒng)

BFG站裝有渦度相關(guān)(EC)觀測系統(tǒng)、四分量凈輻射傳感器、小氣候觀測系統(tǒng)和水溫梯度觀測系統(tǒng)各一套[15],觀測設(shè)備均安裝在4 m×4 m的觀測平臺上.

EC觀測系統(tǒng)由三維超聲風速計(CSAT3,Campbell Scientific Inc.)和開路式紅外氣體分析儀(EC150,Campbell Scientific Inc.)組成,以10 Hz頻率分別測量三維風速/超聲溫度和大氣中水汽、CO2密度,該系統(tǒng)安裝在離水面8.5 m(安裝時)的高度處. 數(shù)據(jù)采集器(CR3000,Campbell Scientific Inc.)基于10 Hz觀測數(shù)據(jù)在線計算30 min平均動量、感熱、潛熱和CO2通量. 為保證EC系統(tǒng)正常運行及觀測數(shù)據(jù)的準確性,紅外氣體分析儀在實驗前進行一次室內(nèi)標定,野外觀測時每季度進行一次場外標定. 四分量凈輻射傳感器(CNR4,Kipp & Zonen B.V.)用于測量太陽向下短波、反射短波、向下長波和向上長波輻射,安裝高度距離水面2 m(安裝時). 小氣候觀測系統(tǒng)由溫濕度傳感器(HMP155A,Vaisala Inc.)和風速風向傳感器(05103,R.M. Young Company)構(gòu)成,其觀測高度與EC相同,用于測量空氣溫度、濕度、風速和風向. 降水量由自動翻筒式雨量計(TE525-L,Campbell Scientific Inc.)測得. BFG站水溫梯度觀測(109-L,Campbell Scientific Inc.)分為水下20、50、100、150 cm 4個梯度,并用相同的溫度傳感器觀測湖泊底泥溫度[4].

1.3 數(shù)據(jù)處理過程

本文對30 min平均通量數(shù)據(jù)進行的后處理包括：兩次坐標旋轉(zhuǎn)[37]、超聲虛溫訂正、密度響應(yīng)校正(WPL校正)[38-39]和數(shù)據(jù)質(zhì)量控制.

首先,基于三維風速數(shù)據(jù),通過兩次坐標旋轉(zhuǎn)將超聲風速的笛卡爾坐標系轉(zhuǎn)換成自然風坐標系[40],使半小時平均水平風與x軸平行,平均側(cè)風速度和平均垂直風速皆為零. 其次,為彌補濕度脈動對超聲溫度測量的影響,基于通量數(shù)據(jù)和空氣溫度對感熱通量H進行超聲虛溫訂正[41-42]. 再次,考慮到熱量和水汽輸送引起的空氣密度脈動,需對潛熱通量LE進行WPL校正[39,43]. 最后,剔除降水時刻的EC通量觀測數(shù)據(jù),基于輻射和小氣候觀測,利用閾值法和滑動平均標準差法剔除潛熱通量異常值并進行數(shù)據(jù)質(zhì)量控制.

1.4 小時尺度水面蒸發(fā)模型

1.4.1 傳統(tǒng)質(zhì)量傳輸模型 該模型[34]依據(jù)水面與空氣之間的濕度差、風速和水汽傳輸系數(shù)來確定水面蒸發(fā),具體表達式如下：

E=CE·ρ·u(qs-qa)

(1)

式中,E為水面蒸發(fā)量(kg·m2/s)；ρ為空氣密度(kg/m3)；qs為水面溫度(Ts)所對應(yīng)的飽和比濕(kg/kg)；qa為空氣比濕(kg/kg)；u為10 m高度處風速(m/s),可依據(jù)風廓線對數(shù)規(guī)律由風速測量值計算得到；CE為標準高度10 m對應(yīng)的水汽傳輸系數(shù),Xiao等[44]綜合考慮了太湖BFG站沉水植物、風速等對水汽傳輸系數(shù)的影響,并進行了大氣穩(wěn)定度校正,確定BFG站的CE為1.0×10-3.

基于Stefan-Boltzmann定律,利用長波輻射觀測值計算得到水面溫度Ts(K),即：

(2)

式中,L↑和L↓分別為四分量凈輻射傳感器所觀測的向上和向下長波輻射(W/m2)；ε為水面比輻射率,為0.97[45-46]；σ是Stefan-Boltzmann常數(shù),取值為5.67×10-8W/(m2·K4).

水面蒸發(fā)量E乘以汽化潛熱L(J/kg)即可轉(zhuǎn)換為潛熱通量(LE)(W/m2),汽化潛熱(L)根據(jù)空氣溫度(Ta,K)通過下式算得：

L=(2.501-0.002361(Ta-273.15))×106

(3)

1.4.2 經(jīng)驗關(guān)系模型(Granger and Hedstrom模型) Granger and Hedstrom[19]提出了一種用于估計湖泊小時尺度LE的簡單經(jīng)驗模型,具體如下：

LE=[b+m(Ta-Ts)+n(esw-ea)]u2

(4)

式中,u2是2 m高度處風速(m/s)；esw為水面溫度Ts所對應(yīng)的飽和水汽壓(hPa)；ea是空氣水汽壓(hPa)；Ta和Ts含義同上. 該模型考慮了大氣穩(wěn)定度對水面蒸發(fā)的影響,大氣穩(wěn)定時(Ta>Ts),湖泊蒸發(fā)受到抑制；大氣不穩(wěn)定時(Ta

大氣穩(wěn)定時：

(5)

大氣不穩(wěn)定時：

(6)

式中,X(m)為風浪區(qū)長度,本文取4000 m.

1.4.3 DYRESM模型 DYRESM是一維水文模型,當湖泊或水庫滿足一維假設(shè),即水體層結(jié)較明顯時,該模型可用于模擬小于日時間尺度的水體溫度、鹽度和密度的垂直分布[47-48]. DYRESM模型無需水面溫度作為初始值輸入,其計算潛熱通量的方法為[48]：

(7)

式中,Qlh為Δt時間段內(nèi)水面蒸發(fā)所對應(yīng)的熱量(J/m2)；水汽傳輸系數(shù)CE為1.3×10-3；汽化潛熱L取2.453×106J/kg；其他變量同上.

2 結(jié)果與討論

2.1 小時尺度太湖水面蒸發(fā)的影響因素

水面蒸發(fā)主要受三個環(huán)節(jié)控制：為蒸發(fā)提供多少可利用能量(凈輻射),維持蒸發(fā)進行的濕度梯度大小(水氣界面水汽壓差)以及水面與大氣之間的水汽交換能力(風速和大氣穩(wěn)定度),故合理的小時尺度水面蒸發(fā)模型應(yīng)包含以上關(guān)鍵過程和主要影響因子. 通過相關(guān)分析可知(表1),影響太湖LE最重要的環(huán)境單因子是水面與空氣之間的水汽壓差Δe(相關(guān)系數(shù)R=0.64),其次是平均風速u(R=0.52),且LE與Δe和u乘積的相關(guān)性更好(R=0.85). 在小時尺度上,凈輻射Rn不是影響LE的重要因子(R=0.30),這與凈輻射和潛熱通量日變化存在相位差異的結(jié)論一致[10,15,17-21,44]. 盡管LE與水氣界面溫度差ΔT和uΔT的相關(guān)系數(shù)分別僅為0.05和0.18,但ΔT會通過大氣穩(wěn)定度間接影響潛熱交換[19],不穩(wěn)定大氣邊界層(ΔT>0)能促進湖泊潛熱交換,穩(wěn)定大氣邊界層(ΔT<0)會抑制潛熱蒸發(fā)[19-21,49-51]. 四季潛熱通量與環(huán)境因子的相關(guān)性與全年分析結(jié)果相似,LE與uΔe最相關(guān),其相關(guān)系數(shù)在春、夏、秋、冬季分別為0.85、0.78、0.88和0.87. 冬季LE與uΔT、ΔT的相關(guān)系數(shù)(R=0.76,R=0.57)明顯大于其他3個季節(jié)的結(jié)果,尤其大于夏季結(jié)果(R=0.03,R=-0.04),而冬季LE與Rn的相關(guān)系數(shù)(R=0.07)明顯小于其它3個季節(jié)的結(jié)果,尤其小于夏季結(jié)果(R=0.38),這與冬、夏季的大氣穩(wěn)定度和輻射差異有關(guān).

表1 太湖避風港站潛熱通量在半小時時間尺度上與環(huán)境因子的相關(guān)系數(shù)*

*R是相關(guān)系數(shù),均通過了0.05的顯著性檢驗.

圖2 渦度相關(guān)觀測的LE與uΔe的幾何平均回歸關(guān)系Fig.2 Geometric mean regression relationship between latent heat flux measured by eddy covariance and the product of wind speed and the vapor pressure difference at water-air interface

由于LE與uΔe均存在觀測誤差,故本文采用幾何平均回歸方法(Geometric mean regression,GMR)[52]對BFG站的LE與uΔe進行線性回歸(圖2),回歸方程為y=1.94(±0.01)x-5.48(±0.57),相關(guān)系數(shù)R高達0.85,即uΔe對LE變化的解釋程度達到72%. 綜合表1和圖2可知,影響太湖小時尺度水面蒸發(fā)最重要的因素是uΔe,而其他環(huán)境因子的貢獻在冬、夏兩季存在差異,冬季LE與uΔT相關(guān)性較強,夏季LE和Rn存在一定的相關(guān)性.

2.2 小時尺度太湖水面蒸發(fā)模型模擬

2.2.1 全年模型模擬效果 從統(tǒng)計結(jié)果而言,傳統(tǒng)質(zhì)量傳輸模型模擬結(jié)果的均值(61.37 W/m2)和中位數(shù)(47.57 W/m2)最接近于實測結(jié)果(均值為60.49 W/m2,中位數(shù)為46.52 W/m2),Granger and Hedstrom和DYRESM模型模擬值的均值分別為84.28和79.83 W/m2,中位數(shù)分別為68.56和61.58 W/m2,均高于實測結(jié)果,且以Granger and Hedstrom模型為甚. 線性回歸分析發(fā)現(xiàn),傳統(tǒng)質(zhì)量傳輸模型模擬的LE與ECLE的回歸方程斜率為0.90,表明該模型有低估太湖水面蒸發(fā)的趨勢,而Granger and Hedstrom和DYRESM模型模擬值與實測值的回歸方程斜率分別為1.15和1.17,表明這2個模型都系統(tǒng)性地高估太湖小時尺度水面蒸發(fā).

圖3 3種模型的LE模擬值與EC實測值的散點圖和幾何平均回歸關(guān)系(EC為渦度相關(guān)觀測,TM表示傳統(tǒng)質(zhì)量傳輸模型,GH表示Granger and Hedstrom模型,DR表示DYRESM模型)Fig.3 Scatter plots and geometric mean regression relationship between hourly latent heat flux measured by eddy covariance and simulated by three models(EC represents eddy covariance,TM represents traditional mass transfer model,GH represents Granger and Hedstrom empirical model,DR represents DYRESM model)

本文選取相關(guān)系數(shù)(R)、均方根誤差(RMSE)、Willmott一致性系數(shù)(I)、Nash-Sutcliffe效率(NSE)、平均誤差(MBE)、平均絕對誤差(MABE)、對稱性平均絕對百分比誤差(SMAPE)(公式見表2)來綜合評價3種模型對太湖小時尺度水面蒸發(fā)的模擬效果(表3). 傳統(tǒng)質(zhì)量傳輸模型模擬值與實測值的相關(guān)系數(shù)(R=0.86)、I(0.92)和NSE(0.73)均最大,4個誤差指標均最小,即該模型模擬效果最佳,這與BFG站LE與uΔe的強相關(guān)性(R=0.85)(見2.1節(jié))有關(guān),諸多內(nèi)陸水體EC觀測都得到類似結(jié)論[21,53]. Granger and Hedstrom模型模擬結(jié)果的誤差指標最大,如RMSE高達41.58 W/m2,其模擬值與實測值相關(guān)系性最差(R=0.84)、I值最小(0.87)、NSE效率最低(0.41),即該模型模擬值偏離實測值最大. DYRESM模型模擬效果的評價參數(shù)介于傳統(tǒng)質(zhì)量傳輸模型和Granger and Hedstrom模型之間,模擬效果居中.

表2 太湖小時尺度水面蒸發(fā)模擬效果統(tǒng)計參數(shù)公式*

2.2.2 四季連續(xù)5日模擬結(jié)果 四季連續(xù)5日(1月1-5日、4月4-8日、7月21-25日和10月12-16日)潛熱通量觀測值和模擬值的時間序列見圖4. 7月連續(xù)5日潛熱通量呈現(xiàn)顯著的日變化特征,即午后達到峰值、凌晨降至谷值,其他各月5日潛熱通量日動態(tài)并不明顯,而1月3-4日冷鋒過境帶來的大風降溫天氣能顯著增強太湖水面蒸發(fā). 綜合分析3個模型的模擬結(jié)果發(fā)現(xiàn)(表3),各模型在四季均能較好地模擬BFG站潛熱通量時間變化特征,R均超過0.75,I均高于0.72. 3個模型模擬值的MABE和SMAPE最大值基本分別出現(xiàn)在7月和1月,這與湖泊潛熱通量夏季高冬季低的季節(jié)變化特征相關(guān). 對比分析3個模型模擬結(jié)果發(fā)現(xiàn)(表3),所有統(tǒng)計指標都顯示傳統(tǒng)質(zhì)量傳輸模型在4個時段的模擬效果最佳,DYRESM模型次之,Granger and Hedstrom模型模擬誤差最大. 3種模型模擬效果的對比差異在湖泊水面蒸發(fā)較大時更為明顯(圖4),如7月21-25日的午后時段和1月3-4日冷鋒過境時,且傳統(tǒng)質(zhì)量傳輸模型的優(yōu)勢在7月的連續(xù)5日更為突出,其RMSE不足另外2個模型的1/6.

表3 3種模型模擬太湖小時尺度水面蒸發(fā)效果的統(tǒng)計參數(shù)

注：TM,GH,DR含義同圖3.

圖4 2012年1、4、7和10月連續(xù)5日潛熱通量的渦度相關(guān)觀測值和3種模型模擬值的時間序列圖Fig.4 Hourly time series of latent heat flux measured by eddy covariance and simulated by three models in 5 consecutive days during January,April,July and October in 2012

2.2.3 季節(jié)平均和年平均日變化模擬 EC觀測的LE季節(jié)平均和年平均日變化特征相似,即在午后達到最大值,凌晨達到最小值(圖4). 年均日動態(tài)最大值為81.57 W/m2(14:00),最小值為40.89 W/m2(5:30),其日變化幅度(40 W/m2)明顯小于太湖凈輻射(460 W/m2)和東山站陸地潛熱通量(130 W/m2)[4]. 冬季LE日變化較其他3個季節(jié)波動更明顯,可能與冬季冷鋒頻繁過境有關(guān)[22]. 太湖LE日變化與Rn存在相位差異,通常較多的可利用能量(Rn-ΔQ,ΔQ為水體熱儲量)在午后主要用于潛熱蒸發(fā)[10],這一結(jié)論也被諸多研究所證實[5,14-15]. 同時,季節(jié)和年平均后的LE全天均為正值,表明太湖湖面全天均發(fā)生蒸發(fā),與鄱陽湖EC觀測結(jié)果類似[26]. 此外,得益于水體熱儲量釋放,太湖夜間(19:00-7:30)蒸發(fā)顯著,約占全年蒸發(fā)總量的50%,與Liu等[22](49%)和Li等[5](41%～51%)的觀測結(jié)果相近,略高于McGloin等[14]的觀測結(jié)果(40%).

3個模型模擬的四季平均和年平均LE日變化趨勢與EC實測值相近,但模擬值的峰谷出現(xiàn)時間均落后于觀測結(jié)果約0.5～1.5 h不等. 春、冬季,傳統(tǒng)質(zhì)量傳輸模型上午對潛熱通量的低估比例分別為14%和9%,下午分別高估15%和10%,夜間模擬效果較好,模擬誤差不足3%. 該模型在夏季的模擬效果最好,誤差僅為3%,而在秋季模擬效果最差,全天系統(tǒng)性地低估LE,低估程度約為13%. Granger and Hedstrom模型和DYRESM模型的模擬效果相近,四季均系統(tǒng)性地高估LE日變化. Granger and Hedstrom模型在四季對LE的高估比例分別為48%、38%、18%和72%,而DYRESM模型在四季的高估程度分別為38%、35%、12%和35%. Granger and Hedstrom模型在冬季的高估程度約為DYRESM模型的2倍,與該模型在冬季高估大氣穩(wěn)定度對湖面蒸發(fā)的影響有關(guān)[34]. Granger and Hedstrom模型對上午水面蒸發(fā)的高估程度大于DYRESM模型,下午兩者高估程度相當. 對于年平均日變化而言,傳統(tǒng)質(zhì)量傳輸模型對LE日變化幅度模擬誤差<1 W/m2,夜間模擬值與實測值近乎相等,僅在白天上午略微低估(6%),下午略微高估(4%). Granger and Hedstrom模型對太湖年平均LE日變化的高估程度(38%)大于DYRESM模型的高估程度(29%),午后2個模型高估程度相近,上午和夜間DYRESM模型的高估偏差較Granger and Hedstrom模型小.

圖5 渦度相關(guān)觀測和模型模擬的太湖潛熱通量(a～d)季節(jié)平均和(e)年平均日變化(EC,TM,GH和DR含義同圖3)Fig.5 Seasonally (a-d) and annually (e) averaged diurnal variations in latent heat flux measured by eddy covariance and simulated by three models in Lake Taihu(EC,TM,GH and DR have the same meanings to Fig.3)

圖6 3種模型LE模擬誤差(模擬值減去實測值)的年平均日變化(A)和季節(jié)變化(B)(b圖底部給出了各季節(jié)實測LE的平均值)Fig.6 Annually averaged diurnal variations(a) and seasonally averaged variations(b) in simulation errors (simulation minus measurement) of latent heat flux modelled by three models(The mean EC LE values for each season are also included at the bottom of Fig.(b))

2.3 模型模擬誤差分析

2.3.1 模型模擬誤差的時間變化特征 傳統(tǒng)質(zhì)量傳輸模型的LE模擬值在夜晚(21:00-5:30)與ECLE值一致性最佳；在6:00-15:00模擬值小于實測值,且在上午(7:00-9:00)低估程度最大(5～7 W/m2)；在15:30-20:30模擬值大于實測值,日落前后(16:00-19:00)高估最明顯(2～5 W/m2). Granger and Hedstrom模型和DYRESM模型模擬誤差的日變化特征相似,其模擬值始終大于LE觀測值,兩者均在16:00左右高估程度最大,上午8:00左右高估程度最小. 具體而言,Granger and Hedstrom模型和DYRESM模型午后對LE高估值分別為22～32和20～29 W/m2,上午高估程度分別為15～20和7～16 W/m2(圖5e和圖6a).

傳統(tǒng)質(zhì)量傳輸模型在春、夏、冬季模擬效果明顯優(yōu)于其它模型,對LE的高估分別為3.7、2.3和1.5 W/m2. 但該模型在秋季對LE低估了9.0 W/m2,與DYRESM模型模擬效果(高估8.7 W/m2)相當,仍優(yōu)于Granger and Hedstrom模型(高估12.6 W/m2). 傳統(tǒng)質(zhì)量傳輸模型秋季模擬效果較差,可能與秋季BFG站沉水植物生長旺盛降低了水汽界面的動量粗糙長度有關(guān)[28,44]. Granger and Hedstrom模型和DYRESM模型在四季均高估太湖水面蒸發(fā),2個模型夏季模擬值的絕對誤差最大,對太湖蒸發(fā)的高估分別為32.5和29.4 W/m2；而2個模型冬季模擬值的相對偏差最大,分別達到LE實測值(28.22 W/m2)的72%和35%. 另外,Granger and Hedstrom模型高估程度在春、夏、秋季比DYRESM模型大3～5 W/m2,而冬季卻高達10 W/m2(圖5a～d和圖6b). Granger and Hedstrom模型引入空氣與水面的溫度差來表征大氣穩(wěn)定狀況,該模型高估了大氣穩(wěn)定度對潛熱通量的重要性[34],低估了水汽界面濕度差對湖泊潛熱交換的貢獻. 太湖水面上方大氣全天超過90%的時間都處于不穩(wěn)定狀態(tài)[4],僅在太陽落山前呈微弱的逆溫現(xiàn)象,故強調(diào)大氣穩(wěn)定度貢獻的Granger and Hedstrom模型會全天高估太湖潛熱通量,以太陽落山前大氣穩(wěn)定時為甚. 冬季水面經(jīng)常出現(xiàn)大氣穩(wěn)定狀況[34],這也解釋了為什么冬季Granger and Hedstrom模型模擬值與ECLE值相關(guān)性最差.

圖7 避風港站CE值隨u的變化特征(大圓點為1 m/s間隔內(nèi)的平均值,誤差線表示各間隔內(nèi)觀測值的1倍標準差)Fig.7 Variation in transfer coefficient of water vapor (CE) with wind speeds at 10 m height at the BFG station(Big circle denotes the bin average (bin width of 1 m/s),Error bars are one standard deviation of measurements for each bin)

2.3.2 水汽傳輸系數(shù)取值帶來的誤差 傳統(tǒng)質(zhì)量傳輸模型和DYRESM模型對湖泊水面蒸發(fā)的模擬效果依賴于水汽交換系數(shù)的取值[44]. 圖7顯示了BFG站水汽交換系數(shù)CE值隨10 m高度風速的變化關(guān)系. BFG站CE值在0.8×10-3～2.1×10-3之間變化,當u<4 m/s時,CE隨風速增加而迅速減小至1.0×10-3；當u>4 m/s時,CE值幾乎不隨風速變化,在0.8×10-3上下波動,與Xiao等[44]研究結(jié)果相似. 對比觀測值和Garratt模型模擬值發(fā)現(xiàn)[25],在低風速(u<2 m/s)不穩(wěn)定大氣狀況下,Garratt模型對CE值低估了0.2×10-3～0.8×10-3；在中高風速(u>5 m/s)穩(wěn)定或中性大氣狀況下,Garratt模型對CE值高估了0.25×10-3.

綜上分析,傳統(tǒng)質(zhì)量傳輸模型CE全天取定值(1.0×10-3),在上午中等風速(u≈ 4 m/s)條件下,模型的CE值接近實際值,該模型上午對LE的低估(6%)主要是其他因素引起；而午后高風速(u>5 m/s)條件下,CE值約為0.8×10-3,模型高估的0.2×10-3CE值使其午后高估了4%的LE. 該模型秋季系統(tǒng)性地低估LE,與秋季BFG站沉水植被生長旺盛,降低水面粗糙度,模型CE取值偏低有關(guān)[44]. 對于DYRESM模型,CE取值(1.3×10-3)偏大,使得該模型系統(tǒng)性地高估LE. 此外,該模型中汽化潛熱L取常數(shù)(2.453×106J/kg),忽略了其隨溫度而變化的特征,對模擬結(jié)果具有一定影響.

3 結(jié)論

用3種模型對太湖小時尺度水面蒸發(fā)進行模擬，發(fā)現(xiàn)傳統(tǒng)質(zhì)量傳輸模型適用性最佳，DYRESM模型模擬效果次之,Granger and Hedstrom模型經(jīng)驗性強,適用性最差. 具體結(jié)論如下：

1)影響太湖小時尺度水面蒸發(fā)的主要單因子是水—氣界水汽壓梯度和風速,且兩者乘積與潛熱通量觀測值相關(guān)性最強(0.85),對其解釋程度達到72%.

2)傳統(tǒng)質(zhì)量傳輸模型在春、夏、冬季模擬的絕對誤差和相對誤差均分別小于4 W/m2和7%,而秋季的模擬誤差(低估9 W/m2,13%)與DYRESM模型(高估8.7 W/m2,12.7%)的數(shù)值相當,Granger and Hedstrom模型四季模擬誤差均最大,以冬季高估最為明顯(20 W/m2,72%). 傳統(tǒng)質(zhì)量傳輸模型模擬值與實測值日變化最為接近,夜間模擬相對誤差小于3%,Granger and Hedstrom模型在午后高估最為明顯(22～32 W/m2).

3)傳統(tǒng)質(zhì)量傳輸模型和DYRESM模型忽略了水汽交換系數(shù)隨風速的變化特征,給太湖小時尺度水面蒸發(fā)模擬帶來誤差,以低風速和高風速下最為明顯. Granger and Hedstrom模型過于強調(diào)大氣穩(wěn)定度對水面蒸發(fā)的影響,使其在大氣穩(wěn)定時段(日落前后和冬季)的模擬誤差最大.

[1] Ma RH, Yang GS, Duan HTetal. China’s lakes at present: Number, area and spatial distribution.ScienceChinaEarthSciences, 2011,54(2): 283-289. DOI:10.1007/s11430-010-4052-6.

[2] Samuelsson P, Kourzeneva E, Mironov D. The impact of lakes on the European climate as simulated by a regional climate model.BorealEnvironmentResearch, 2010,15(2): 113-129.

[3] Zhao L, Jin JM, Wang SYetal. Integration of remote-sensing data with WRF to improve lake-effect precipitation simulations over the Great Lakes region.JournalofGeophysicalResearchAtmospheres, 2011,117(D9): 9102. DOI:10.1029/2011JD016979.

[4] Wang Wei. Energy budget at Lake Taihu and its response to climate change [Dissertation]. Nanjing: Nanjing University of Information Science and Technology, 2014. [王偉. 太湖能量收支及其對氣候變化的響應(yīng)[學位論文]. 南京: 南京信息工程大學, 2014.]

[5] Li ZG, Lyu SH, Ao YHetal. Long-term energy flux and radiation balance observations over Lake Ngoring, Tibetan Plateau.AtmosphericResearch, 2015,155(155): 13-25. DOI:10.1016/j.atmosres.2014.11.019.

[6] Flagg D, Brook J, Sills Detal. Lake Breezes in Southern Ontario: Observations, models and impacts on air quality.NatoSecurityThroughScience, 2008: 679-680. DOI:10.1007/978-1-4020-8453-9_84.

[7] Sills DML, Brook JR, Levy Ietal. Lake breezes in the southern Great Lakes region and their influence during BAQS-Met 2007.AtmosphericChemistry&Physics, 2011,11(15): 7955-7973. DOI:10.5194/acp-11-7955-2011.

[8] Tanny J, Cohen S, Assouline Setal. Evaporation from a small water reservoir: Direct measurements and estimates.JournalofHydrology, 2008,351(1-2): 218-229. DOI:10.1016/j.jhydrol.2007.12.012.

[9] Tanny J, Cohen S, Berger Detal. Evaporation from a reservoir with fluctuating water level: Correcting for limited fetch.JournalofHydrology, 2011,404(3-4): 146-156. DOI:10.1016/j.jhydrol.2011.04.025.

[10] Nordbo A, Launiainen S, Mammarella Ietal. Long-term energy flux measurements and energy balance over a small boreal lake using eddy covariance technique.JournalofGeophysicalResearchAtmospheres, 2011,116(D2): 3-25. DOI:10.1029/2010JD014542.

[11] McGloin R, McGowan H, McJannet Detal. Quantification of surface energy fluxes from a small water body using scintillometry and eddy covariance.WaterResourcesResearch, 2014,50(1): 494-513. DOI:10.1002/2013WR013899.

[12] McJannet DL, Cook FJ, McGloin RPetal. Estimation of evaporation and sensible heat flux from open water using a large aperture scintillometer.WaterResourcesResearch, 2011,47(5): 1-14. DOI:10.1029/2010WR010155.

[13] McJannet D, Cook F, McGloin Retal. Long-term energy flux measurements over an irrigation water storage using scintillometry.Agricultural&ForestMeteorology, 2013,168(1): 93-107. DOI:10.1016/j.agrformet.2012.08.013.

[14] McGloin R, McGowan H, McJannet D. Effects of diurnal, intra-seasonal and seasonal climate variability on the energy balance of a small subtropical reservoir.InternationalJournalofClimatology, 2015,35(9): 2308-2325. DOI:10.1002/joc.4147.

[15] Wang W, Xiao W, Cao Cetal. Temporal and spatial variations in radiation and energy balance across a large freshwater lake in China.JournalofHydrology, 2014,511(7): 811-824. DOI:10.1016/j.jhydrol.2014.02.012.

[16] Liu HZ, Feng JW, Sun JHetal. Eddy covariance measurements of water vapor and CO2fluxes above the Erhai Lake.ScienceChinaEarthSciences, 2015,58(3): 1-12. DOI:10.1007/s11430-014-4828-1.

[17] Blanken PD, Rouse WR, Culf ADetal. Eddy covariance measurements of evaporation from Great Slave Lake, Northwest Territories, Canada.WaterResourcesResearch, 2000,36(4): 1069-1077.

[18] Lenters JD, Kratz TK, Bowser CJ. Effects of climate variability on lake evaporation: Results from a long-term energy budget study of Sparkling Lake, northern Wisconsin (USA).JournalofHydrology, 2005,308(1-4): 168-195. DOI:10.1016/j.jhydrol.2004.10.028.

[19] Granger RJ, Hedstrom N. Modelling hourly rates of evaporation from small lakes.Hydrology&EarthSystemSciences, 2011,15(1): 267-277. DOI:10.5194/hess-15-267-2011.

[20] Assouline S, Tyler SW, Tanny Jetal. Evaporation from three water bodies of different sizes and climates: Measurements and scaling analysis.AdvancesinWaterResources, 2008,31(1): 160-172. DOI:10.1016/j.advwatres.2007.07.003.

[21] Liu HP, Zhang Y, Liu SHetal. Eddy covariance measurements of surface energy budget and evaporation in a cool season over southern open water in Mississippi.JournalofGeophysicalResearchAtmospheres, 2009,114(D4): 83-84. DOI:10.1029/2008JD010891.

[22] Liu HP, Zhang QY, Dowler G. Environmental controls on the surface energy budget over a large southern inland water in the United States: An analysis of one-year eddy covariance flux data.JournalofHydrometeorology, 2012,13(6): 1893-1910. DOI:10.1175/JHM-D-12-020.1.

[23] Stull RB ed. AnIntroduction to Boundary Layer Meteorology. New York: Kluwer Academic Publishers, 1988: 515-520.

[24] Henderson-Sellers B. Calculating the surface energy balance for lake and reservoir modeling: A review.ReviewsofGeophysics, 1986,24(3): 625-649. DOI:10.1029/RG024i003p00625.

[25] Garratt JR. TheAtmospheric Boundary Layer. Cambridge: Cambridge University Press, 1994: 316.

[26] Zhao Xiaosong, Wang Shigang, Li Meietal. Energy flux measurements and environmental controls in summer over the Poyang Lake, China.JLakeSci, 2014,26(6): 955-962. DOI:10.18307/2014.0619. [趙曉松, 王仕剛, 李梅等. 鄱陽湖夏季水熱通量特征及環(huán)境要素影響分析. 湖泊科學, 2014,26(6): 955-962.]

[27] Zhao Xiaosong, Li Mei, Wang Shigangetal. Comparison of actual water evaporation and pan evaporation in summer over the Lake Poyang, China.JLakeSci, 2015,27(2): 343-351. DOI:10.18307/2015.0220. [趙曉松, 李梅, 王仕剛等. 鄱陽湖夏季水面蒸發(fā)與蒸發(fā)皿蒸發(fā)的比較. 湖泊科學, 2015,27(2): 343-351.]

[28] Xiao Wei, Liu Shoudong, Li Xuhuietal. Transfer coefficients of momentum, heat and water vapor in the atmospheric surface layer of a large shallow freshwater lake: A case study of Lake Taihu.JLakeSci, 2012,24(6): 932-942. DOI:10.18307/2012.0617. [肖薇, 劉壽東, 李旭輝等. 大型淺水湖泊與大氣之間的動量和水熱交換系數(shù)——以太湖為例. 湖泊科學, 2012,24(6): 932-942.]

[29] Ren Xiaoqian, Sun Shufen, Chen Wenetal. A review of researches on the lake numerical modeling.AdvancesinEarthScience, 2013,28(3): 347-356. [任曉倩, 孫菽芬, 陳文等. 湖泊數(shù)值模擬研究現(xiàn)狀綜述. 地球科學進展, 2013,28(3): 347-356.]

[30] Sun Shufen, Yan Jinfeng, Xia Nanetal. The heat transfer research between land or water and atmosphere.ChineseScience：G:PhysicsMechanicsAstronantics, 2008,38(6): 704-713. [孫菽芬, 顏金鳳, 夏南等. 陸面水體與大氣之間的熱傳輸研究. 中國科學: G 輯: 物理學·力學·天文學, 2008,38(6): 704-713.]

[31] Mcjannet DL, Cook FJ, Burn S. Comparison of techniques for estimating evaporation from irrigation water storage.WaterResourcesResearch, 2013,49(3): 206-207. DOI:10.1002/wrcr.20125.

[32] Rosenberry DO, Winter TC, Buso DCetal. Comparison of 15 evaporation methods applied to a small mountain lake in the northeastern USA.JournalofHydrology, 2007,340(3-4): 149-166. DOI:10.1016/j.jhydrol.2007.03.018.

[33] Mao Rui. Forecasting model of evaporation from Taihu Lake and its application.JLakeSci, 1992,4(4): 8-13. DOI:10.18307/1992.0402. [毛銳. 太湖水面蒸發(fā)量預報模型及其應(yīng)用. 湖泊科學, 1992,4(4): 8-13.]

[34] McGloin R, McGowan H, McJannet Detal. Modelling sub-daily latent heat fluxes from a small reservoir.JournalofHydrology, 2014,519(Part B): 2301-2311. DOI:10.1016/j.jhydrol.2014.10.032.

[35] Dutra E, Stepanenko VM, Balsamo Getal. An offline study of the impact of lakes on the performance of the ECMWF surface scheme.BorealEnvironmentResearch, 2010,15(2): 100-112.

[36] Liu XH, Zhang YL, Yan Yetal. Wind and submerged aquatic vegetation influence bio-optical properties in large shallow Lake Taihu, China.JournalofGeophysicalResearchBiogeosciences, 2013,118(2): 713-727. DOI:10.1002/jgrg.20054.

[37] Lee X, Finnigan J, Kyaw TPU. Coordinate Systems and Flux Bias Error. In: Lee X, Massman W, Law B eds. Handbook of Micrometeorology: A guide for surface flux measurement and analysis. New York: Kluwer Academic Publishers, 2004: 33-66.

[38] Lee X, Massman WJ. A perspective on thirty years of the Webb, Pearman and Leuning density corrections.Boundary-LayerMeteorology, 2011,139(1): 37-59. DOI:10.1007/s10546-010-9575-z.

[39] Webb EK, Pearman GI, Leuning R. Correction of flux measurements for density effects due to heat and water vapour transfer.QuarterlyJournaloftheRoyalMeteorologicalSociety, 1980,106(447): 85-100. DOI:10.1002/qj.49710644707.

[40] Wilczak JM, Oncley SP, Stage SA. Sonic anemometer tilt correction algorithms.Boundary-LayerMeteorology, 2001,99(1): 127-150. DOI:10.1023/A:1018966204465.

[41] Foken T, Leuning R, Oncley SRetal. Corrections and data quality control. In: Aubinet M, Vesala T, Papale D eds. Eddy covariance. Berlin: Springer Netherlands, 2012: 85-131.

[42] Mauder M, Foken T. Documentation and instruction manual of the eddy covariance software package, 2004.

[43] Leuning R. Measurements oftrace gas fluxes in the atmosphere using eddy covariance: WPL Corrections Revisited. In: Lee X, Massman W, Law B eds. Handbook of Micrometeorology: A guide for surface flux measurement and analysis. New York: Kluwer Academic Publishers, 2004: 119-132.

[44] Xiao W, Liu SD, Wang Wetal. Transfer coefficients of momentum, heat and water vapour in the atmospheric surface layer of a large freshwater lake.Boundary-LayerMeteorology, 2013,148(3): 479-494. DOI:10.1007/s10546-013-9827-9.

[45] Arya PS, Holton JR. Introduction to Micrometeorology. New York: Academic Press, 2001: 398.

[46] Fiebrich CA, Martinez JE, Brotzge JAetal. The Oklahoma mesonet’s skin temperature network.JournalofAtmospheric&OceanicTechnology, 2010,20(20): 1496-1504. DOI:10.1175/1520-0426(2003)020<1496:TOMSTN>2.0.CO;2.

[47] Imberger J, Patterson JC. A dynamic reservoir simulation model-DYRESM: 5. Transport Models/inland & Coastal Waters, 1981: 310-361.

[48] Imerito A. Dynamic Reservoir Simulation Model DYRESM v4: v4.0 Science Manual. Centre for Water Research University of Western Australia, Perth, 2010.

[49] Weisman RN, Brutsaert W. Evaporation and cooling of a lake under unstable atmospheric conditions.WaterResourcesResearch, 1973,9(5): 1242-1257.

[50] Verburg P, Antenucci JP. Persistent unstable atmospheric boundary layer enhances sensible and latent heat loss in a tropical great lake: Lake Tanganyika.JournalofGeophysicalResearchAtmospheres, 2010,115(D11): D11109. DOI:10.1029/2009JD012839.

[51] Bouin MN, Legain D, Traulle Oetal. Using scintillometry to estimate sensible heat fluxes over water: First insights.Boundary-LayerMeteorology, 2012,143(3): 451-480. DOI:10.1007/s10546-012-9707-8.

[52] Travis CC, Arms AD. Bioconcentration of organics in beef, milk, and vegetation.EnvironmentalScience&Technology, 1988,22(3): 271-4.

[53] Zhang QY, Liu HP. Seasonal changes in physical processes controlling evaporation over inland water.JournalofGeophysicalResearchAtmospheres, 2015,119(16): 9779-9792. DOI:10.1002/2014JD021797.

[54] Legates DR, Mccabe GJ. Evaluating the use of “goodness-of-fit” Measures in hydrologic and hydroclimatic model validation.WaterResourcesResearch, 1999,35(1): 233-241. DOI:10.1029/1998WR900018.

[55] Willmott CJ. On the validation of models.PhysicalGeography, 1981,55(2): 184-194.

[56] Nash JE, Sutcliffe JV. River flow forecasting through conceptual models part I-A discussion of principles.JournalofHydrology, 1970,10(3): 282-290. DOI:10.1016/0022-1694(70)90255-6.

[57] Dawson CW, Harpham C, Wilby RLetal. Evaluation of artificial neural network techniques for flow forecasting in the River Yangtze, China.Hydrology&EarthSystemSciences, 2002,6(4): 619-626.

[58] Dawson CW, Abrahart RJ, See LM. Hydrotest: A web-based toolbox of evaluation metrics for the standardised assessment of hydrological forecasts.EnvironmentalModelling&Software, 2007,22(7): 1034-1052. DOI:10.1016/j.envsoft.2006.06.008.

[59] Makridakis S. Accuracy measures: Theoretical and practical concerns.InternationalJournalofForecasting, 1993,9(4): 527-529. DOI:10.1016/0169-2070(93)90079-3.

CharacteristicsofmodellinghourlywatersurfaceevaporationinLakeTaihuandcomparisonofsimulationresultsbythreemodels

WANG Dandan1,2, WANG Wei1,2, LIU Shoudong1,2, QIU Xinfa2, MU Junyu2, MO Huayang2, CUI Congxin2, TAO Panhong2, QUE Yujie2, YU Le2, CHEN Hongyu2& XUE Shuhang3

(1:Yale-NUISTCenteronAtmosphericEnvironment,NanjingUniversityofInformationScienceandTechnology,Nanjing210044,P.R.China)(2:CollegeofAppliedMeteorology,NanjingUniversityofInformationScienceandTechnology,Nanjing210044,P.R.China)(3:CollegeofAtmosphericScience,NanjingUniversityofInformationScienceandTechnology,Nanjing210044,P.R.China)

Water surface evaporation on hourly timescale can affect the thermal and dynamic structure of the aloft atmospheric boundary layers. Understanding the main drivers of hourly evaporation and accurate evaporation model can improve weather forecast and air quality prediction in catchment. Based on half-hour flux, radiation and micrometeorological observations at the Bifenggang site in Lake Taihu in 2012 and 2013, the main drivers of Lake Taihu hourly evaporation were investigated. Then the performance of three models (traditional mass transfer model, Granger and Hedstrom model and DYRESM model) was evaluated against latent heat flux measured by eddy covariance. The results showed that the main driver for Taihu hourly evaporation was the product of the water vapor pressure difference at water-atmosphere interface and wind speed, rather than the expected net radiation. The Willmott index of agreement between simulated values and measured values were 0.92, 0.87, 0.89 for traditional mass transfer model, Granger and Hedstrom model and DYRESM model, respectively, with the corresponding root mean square error of 28.35 W/m2, 38.26 W/m2and 41.58 W/m2. The traditional mass transfer model showed the best performance on the diurnal time scale, especially at night when the simulation relative error was less than 3%. Except autumn, the absolute errors of traditional mass transfer model were less than 4 W/m2. Granger and Hedstrom model performed worst and systematically overestimated the latent heat flux at Lake Taihu, particularly in the afternoon (overestimate of 22-32 W/m2) and winter (overestimate of 72%) when the atmospheric boundary layer was stable. Although with overestimation, DYRESM model still performed considerably better than Granger and Hedstrom model and ranked middle. The parameterization of transfer coefficient for water vapor with wind speed can improve the hourly evaporation simulation at Lake Taihu by traditional mass transfer model and DYRESM model.

Lake Taihu;latent heat flux; modelling water surface evaporation; hourly time scale; traditional mass transfer model; Granger and Hedstrom model; DYRESM model

*國家自然科學基金青年項目(41505005)、江蘇省自然科學基金青年項目(BK20150900)、國家自然科學基金項目(41475141,41575147)、南京信息工程大學人才啟動經(jīng)費項目(2014r046)和南京信息工程大學2015年度大學生實踐創(chuàng)新訓練計劃項目(201510300023)聯(lián)合資助. 2016-11-10收稿；2017-02-24收修改稿. 王丹丹(1993～)，女，碩士研究生；E-mail：18751971206@163.com.

**通信作者; E-mail： wangw@nuist.edu.cn.