评估基于各向异性的 Monin-Obukhov 相似理论在林冠和复杂地形上的应用

Monin-Obukhov 相似理论（MOST）长期以来一直是天气和气候预测模型中用于大气边界层与表面之间湍流交换参数化的基础。然而，随着研究的深入，发现了MOST基于表面层参数化的诸多局限，尤其是在MOST所基于的平坦和水平均匀地形假设被打破时。最近的研究利用湍流的各向异性这一额外无量纲项，对MOST进行了扩展和泛化，以适应复杂地形。在本研究中，我们检验了这一泛化MOST在速度方差缩放中的表现，重新拟合这些缩放，并研究了湍流各向异性在广泛覆盖47个塔台的全国生态观察网络（NEON）中的关键特征。NEON特别覆盖了从北极圈到热带岛屿的多样生态系统，因此将先前的泛化MOST扩展到植被林冠和其他以前未考察的环境。研究发现，各向异性泛化MOST能够轻松扩展到这些新环境，在各种林冠和地形配置条件下表现稳健。结果还进一步阐明了速度方差缩放如何在不同程度和形式（单分量和双分量）的各向异性之间发生变化，阐明了各向异性程度与关键环境特征之间的关系，并评估了在大气条件、季节和昼夜循环下，林冠与非植被表面之间缩放差异。总体而言，本研究拓展了我们对湍流复杂性的理解，为改进表面层参数化提供了新的路径。