使用空气动力学梯度方法测量中国中部典型小麦田中的二氧化氮通量

《Atmospheric Pollution Research》：Measurement of nitrogen dioxide flux in a typical wheat field of central China using the aerodynamic gradient method

　　

段倩倩|周家成|何志伟|倪川|崔伟华|张伟军|霍彦峰|凌新峰|赵伟雄

中国科学院安徽光学精密机械与物理研究所大气物理化学实验室，中国合肥230031

摘要

农业土壤是大气氮氧化物（NO_x）的主要来源，但原位NO_x通量测量数据仍然稀少且分布不均，这限制了对土壤NO_x排放机制的理解，并在排放估算中引入了较大的不确定性。在这项研究中，我们采用了一种基于空气动力学梯度的（AG）系统，结合宽带腔增强吸收光谱技术，在淮河流域的小麦田中测量了二氧化氮（NO₂）的通量。经过包括稳定性和浓度梯度测试在内的质量控制后，有54.5%的测量数据被保留下来。我们构建了一个极端梯度提升（eXtreme Gradient Boosting）模型，该模型结合了NO₂通量和11个驱动因素来填补缺失的数据。该模型表现优异，在训练集上的相关系数为0.97，均方根误差为18.16 μg N m^-2 h^-1；在测试集上的相关系数为0.83，均方根误差为38.60 μg N m^-2 h^-1。最终得到的平均NO₂通量为49.95 μg N m^-2 h^-1，表明该田地是NO₂的净排放源，而基于原始数据的估算值则高出了11.2%。机器学习分析显示，净辐射、环境NO₂浓度、摩擦速度、一氧化碳和臭氧是关键驱动因素，表明NO₂通量主要来源于土壤释放的一氧化氮的光化学氧化过程，同时受到小麦冠层的影响。根据平均通量和小麦种植面积估算，淮河流域的小麦田每年向大气中贡献约21.95 Gg N。

引言

氮氧化物（NO_x）是大气中重要的活性氮气体，参与了对流层臭氧（O₃）（Pollack等人，2013年；Tan等人，2019年）和细颗粒物（Hales，1982年；Hauglustaine等人，2014年）的形成，因此在对流层光化学过程中起着关键作用。NO_x主要来源于燃烧过程（Delmas等人，1997年；Jiang等人，2020年；Jiang等人，2022年；Schreier等人，2015年），其次是土壤排放（Hudman等人，2012年；Lerdau等人，2000年；Lu等人，2021年）。随着人为燃烧排放的逐渐减少，土壤NO_x排放的相对贡献持续增加。在偏远地区，土壤排放甚至成为控制大气O₃浓度的关键因素（Chen等人，2022年；Geddes等人，2022年；Lu等人，2021年；Sha等人，2021年；Tan等人，2023年；Wang等人，2022年）。然而，目前关于土壤NO_x排放的原位观测数据仍然严重不足且分布不均，导致对其驱动机制的理解不完整，NO_x排放估算存在较大不确定性（Huber等人，2024年；Ke等人，2022年；Li等人，2025年；Shen等人，2022年；Weng等人，2020年）。因此，系统而准确地测量不同地区的土壤NO_x通量至关重要。由于淮河流域是中国最重要的粮食生产区之一，对该地区农业土壤中NO₂通量的研究仍然有限（Tang等人，2020年）。

空气动力学梯度（AG）方法是一种广泛采用的通量测量技术，能有效整合土壤的空间异质性并实现连续观测，从而提供更强的时空代表性（Kang等人，2023年；Ke等人，2020年；Stella等人，2012年；Zhang等人，2024年；Wada等人，2023年）。该方法基于近地面边界层内物质或能量的通量与其浓度梯度的比例关系，从多个高度的浓度和气象测量数据中推导出通量（Ke等人，2020年；Stella等人，2012年；Zhang等人，2024年）。AG基通量的准确性依赖于大气处于稳态以及存在显著垂直梯度的条件。然而，只有少数研究对这些前提条件进行了全面的质量控制（Stella等人，2012年），这为通量估算引入了额外的不确定性。

此外，这些严格的质量控制程序可能导致数据序列的不连续性，观测过程中的仪器故障也会引入数据缺失。根据Stella等人（2012年）使用AG方法测量的O₃、NO和NO₂通量的标准，有效数据的比例低于70.2%。这些不连续的数据集导致通量信息不完整，从而增加了对农业土壤中NO₂通量及其机制理解的不确定性。因此，通过填补缺失数据的技术重建完整的数据集具有重要意义。然而，据我们所知，目前尚未有关于NO₂通量数据填补的研究。

在这项研究中，我们开发了一种基于AG的NO₂通量观测系统，采用了宽带腔增强吸收光谱（BBCEAS）技术来高灵敏度地检测NO₂。利用该系统，在淮河流域的一个典型小麦田中获得了原位NO₂通量数据。为了确保数据的可靠性，通过稳态和浓度梯度测试对所得通量进行了严格验证。基于NO₂通量及其驱动因素，进一步使用极端梯度提升（XGBoost）模型填补了缺失数据。最后，分析了其背后的机制，并估算了该地区小麦田每年产生的土壤来源NO₂量。

章节片段

站点描述

NO₂通量测量是在安徽省寿县寿县国家气候观测站（32°26'2.104"N, 116°47'58.913"E）的观测塔上进行的。该地区位于中国中部的淮河流域。观测站位于寿县以南约10公里处，地处姚口镇镇武行政村的耕地上。观测塔周围主要是耕地，只有237国道距离它1.1公里

NO₂通量的质量分析和不确定性估算

图3(a)显示了观测期间NO₂浓度稳定指数S_x的时间序列。两个测量高度的S_x分布基本一致。在8米高度，S_x的范围为0.64%至89.18%，其中78.1%的数据满足稳定性要求；在4米高度，范围为0.24%至87.20%，其中81.5%的数据满足稳定性要求。两个高度的S_x都表现出明显的日变化，夜间值较高，白天值较低（图4）

结论

在这项研究中，我们使用配备BBCEAS NO₂分析仪的AG基方法报告了小麦田中的NO₂通量测量结果。质量分析显示，超过78.1%的NO₂浓度满足稳定性要求，82.0%的梯度信号噪声比大于1。在观测期间，白天的NO₂通量不确定性为35.8%，显著低于夜间的通量不确定性（50.8%）。在去除未通过稳定性和梯度测试的数据后，有54.5%的NO₂

CRediT作者贡献声明

倪川：方法论。何志伟：方法论。周家成：写作——审稿与编辑、项目管理、资金获取。赵伟雄：写作——审稿与编辑、资金获取。段倩倩：写作——审稿与编辑、初稿撰写、可视化、调查、正式分析。张伟军：资金获取、概念构思。崔伟华：方法论。凌新峰：资源支持。霍彦峰：资源支持

Fang和Yujing，2009年。

? 作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

国家自然科学基金（U21A2028、42430104、42305124）、国家重点研发计划（2022YFC3701101、2023YFC3705502）、HFIPS主任基金（BJPY2023A02）、安徽省重点研发计划（2023t07020009）以及安徽青年科学家和技术人才支持计划（RCTJ202407）的支持。