1 引言
陆地表面和大气之间不断进行着不同时空尺度的能量和物质交换， 深刻地影响着区域乃至全球气候的基本特征（Dickinson， 1993； Fu et al， 2020； 曾庆存和林朝晖， 2010）， 为此， 针对不同陆地下垫面， 开展近地层综合观测实验， 发展和改进陆面过程参数化方案（陈广宇等， 2019； 马湘宜等， 2020； 肖宇等， 2017）， 进而准确地确定陆气间各种能量和物质通量， 对气候模拟和预测具有重要意义（胡伟等， 2020； 葛骏等， 2017）。
植被蒸散发占全球陆地蒸散发量近80% （Jasechko et al， 2013）， 对全球气候具有重要的影响。植被与大气间水热交换， 可能影响边界层高度和局地云的形成， 进而影响降水形成（Bali and Collins， 2015； Green et al， 2017）。植被通过光合作用吸收CO2， 影响全球碳循环（Dai et al， 2004）。植被生长过程中引起叶面积指数改变， 可能影响和调制全球气候 （Koster and Walker， 2015）。因此， 陆地植被生态系统碳水热通量的观测和模拟研究一直是国际上关注的热点问题。国内外已经建立起长期的通量观测网（Bonan et al， 2011； Yu et al， 2006）， 并发展了众多的参数化方案用于描述植被-大气间碳水热交换的过程（Foley et al， 1996； Medlyn et al， 2015）， 目的是为了提高气候预测和模拟。
自20世纪80年代起至今， 在全球不同气候区植被下垫面已经开展了大量的近地层综合观测实验（胡隐樵等， 1994； Yu et al， 2006）， 并在观测的基础上发展了不同的参数化方案， 这些方案从仅考虑陆气间物理过程的陆面模式， 如BATS等（Dickinson et al， 1993）， 到包含碳氮循环和动态植被以及灌溉施肥等过程的复杂模式， 如SSiB4， CLM， Noah-MP等（张一帆等， 2020； Niu et al， 2011； Oleson et al， 2010）。在这些模式中， 将植被光合作用机理与气孔阻抗相联系， 并与植被大叶模型相结合（Dai et al， 2004； Foley et al， 1996； Wang， 2000）， 引入植被呼吸， 生长和凋落等过程创建的动态植被模型， 已用于第三代陆面过程模式（Ji， 1995； Niu et al， 2011； Oleson et al， 2010）， 广泛应用于气候、 生态及水文模拟中， 发挥了重要作用。例如， Bonan and Levis （2006）用CLM动态植被模型评估了其对全球生态系统模拟的能力， 发现CLM低估全球森林覆盖度而高估草地覆盖度， 并低估全球植被净生产力， 这可能引起气候模式模拟的陆气耦合强度偏差； Peng and Dan （2014）用双向耦合的AVIM模式模拟了陆地生态系统对CO2升高的响应。这些模拟研究从不同的方面揭示了植被的重要性及其对气候系统的重要影响。然而， 由于植被-大气相互作用的复杂性， 植被碳水热循环相互影响， 导致现有陆面过程模式仍难以准确模拟不同陆地生态系统与大气之间的水， 热和碳通量（Bonan and Levis， 2006； Friedlingstein et al， 2014； Friend et al， 2014）， 因而针对陆地不同植被下垫面开展进一步模式模拟评估是十分必要的， 尤其是通过多模式或多种参数化方案的模拟比较， 检验不同模式的适用性， 对比相关参数化方案的优劣， 对于改进或优化模式， 提高模拟能力具有重要的作用。
在陆面过程模拟评估中， 传统的模式评估方式是直接与观测值对比， 计算相关偏差， 评估模式优劣。例如， 陆面过程模式比较计划 （Henderson-Sellers et al， 1995）， 全球土壤湿度计划（Dirmeyer， 2011）等， 使用相同的大气强迫运行不同的模式， 直接比较各模式模拟的碳水热通量与观测值间的偏差， 进而评估模式的模拟能力。类似的模式比较方法， 对于给定观测数据集， 可识别出一个总体表现“最优”的模式。但是， 由于不同陆面模式在物理过程参数化方案， 土壤植被参数， 模式结构等方面均存在较大差异， 因而模拟的偏差是多种因素的综合体现。直接通过模式比较很难识别出不同模式在那些方面表现更优或更差， 从而难以改进或优化模式。尤其是对于包含动态植被过程的第三代陆面过程模式， 其涉及的物理生化过程较多， 各过程之间相互耦合， 不同参数化方案组合之间具有等效性， 更加难以区分影响模拟结果的关键性要素。为此， 将同一物理过程的多种参数化方案纳入到同一模式动力框架中， 使用相同的大气强迫， 地表参数和初始状态等， 比较模拟的碳水热通量的偏差， 进而归因到相关的物理过程或参数化方案， 可为改进和优化模式提供指导。
Noah-MP模式最显著的特点是为多个物理子过程提供了2~4种不同的参数化方案， 各方案共享同一模式动力框架， 相同地表参数和大气强迫， 能够非常方便的开展不同参数化方案之间的比较（Niu et al， 2011； Yang et al， 2011）。现已利用该模式对全球不同流域， 典型的陆地下垫面， 如冻土， 积雪等， 开展了大量的模拟评估， 并比较了各种不同参数化方案组合的差异或敏感性。例如， Yang et al（2011）评估了Noah-MP中36组不同参数化方案组合对全球50个流域水热通量的模拟性能， 指出径流和地下水过程参数化方案对全球土壤水分和蒸散影响最为明显； Liang et al （2019）利用Noah-MP模式中不同的气孔阻抗和径流参数化方案， 构建了12组模拟试验， 评估了对中国8个流域水分平衡的模拟能力， 发现径流方案对水分平衡影响最为显著； 刘火霖等（2020）评估了Noah-MP模式中与冻融过程相关的4组参数化方案组合对青藏高原冻土下垫面的模拟能力， 发现冻土中液态水渗透率参数化方案对土壤温度和地表能量的模拟更为敏感； 尤元红等（2019）利用Noah-MP模式构建了13824组模拟试验， 评估了模式对新疆阿勒泰地区积雪雪深和雪水当量的模拟能力， 发现对地表湍流交换系数、 雨雪分离和土壤底层温度等物理过程的参数化方案敏感。上述对Noah-MP中不同参数化方案对比研究， 极大的提升了对陆气相互作用物理机制的认识， 也为今后改进陆面模式奠定了坚实的基础。
为了进一步评估Noah-MP模式对热带雨林下垫面碳水热通量模拟能力， 本研究选用西双版纳森林站观测数据， 首先， 利用Noah-MP模式中不同物理过程参数化方案， 构建了72组模拟试验， 开展模式模拟评估； 其次， 利用Tukey’s检验方法， 比较了各物理过程不同参数化方案之间差异， 进而识别出影响碳水热模拟的关键物理过程及最优参数化方案。相关研究对改进陆面参数化方案和深化植被-大气相互作用认识具有一定意义。
2 资料来源和模式简介
2.1 资料来源
使用的资料来源于中国通量观测研究联盟（http： //www.cnern.org.cn/）发布的西双版纳站观测的碳水热通量及气象数据。西双版纳站（101.16°E， 21.54°N）， 位于中国云南省西双版纳州勐腊县勐仑镇的葫芦岛上， 海拔570 m， 是中国科学院在西双版纳热带雨林生态系统建立的长期通量观测站。该站地处东南亚热带北缘， 属于热带季风气候区， 年平均气温约为21.8 ℃， 年平均降雨量约为1 511 mm， 一年中干湿季分明， 各季节温差较小（Tan et al， 2015）。该站下垫面为热带雨林， 是中国大陆热带雨林集中分布的重要区域， 对中国西南地区乃至东南亚地区植被分布具有良好的代表性。
西双版纳站提供了高精度、 高分辨率微气象和碳水热通量观测资料。其中， 碳水热通量观测均是利用涡度相关法直接测定， 并由中国通量观测研究联盟完成标准化的质量控制和数据处理， 可用于各种陆面模式、 遥感观测的验证（Yu et al， 2006）。从西双版纳站在2003 -2010年观测的多年气温， 降水， 感热通量（SHF）， 潜热通量（LHF）， 净辐射（Rn）及生态系统与大气间净CO2交换（NEE）的月平均值（图1）可以看出， 在西双版纳站， 月平均最高温和最低温分别出现在6月和12月［图1（a）］， 为22.5 ℃和13.8 ℃， 月平均降水差异明显［图1（b）］， 雨季（5 -10月）降水约占全年降水的80%以上， 干季降水（11月至次年4月）仅占20%。从能量平衡示意图看到［图1（c）］， 各月陆气能量交换均以潜热通量为主， 从NEE［图1（d）］示意图看到， 各月间植被与大气间CO2交换差异并不明显， 湿季较干季略高。本研究使用了2003年1月1日至2010年12月31日间西双版纳站近地层观测数据， 主要变量在干湿季的年平均值如表1所示。从表1中可以看到， 西双版纳干湿季降水量的差异最为明显， 不同季节相差近4倍， 其次是气温， 风速和潜热通量以及NEE， 不同季节相差近40%； 其余变量差异较小， 不超过20%。正是基于干湿季明显的差异， 文中将分干湿季评估模式中的不同参数化方案。
图1 2003 -2010年西双版纳站观测的气温（a）， 降水（b）， 感热、 潜热通量、 净辐射（c）和NEE（d）的月平均值Fig.1 |
表1 西双版纳站气温， 降水， 风速， 相对湿度， 净辐射， 感热通量， 潜热通量及NEE的年平均值Table 1 |
| 季节 | 气温/℃ | 降水/mm | 风速/（m·s-1） | 相对湿度/% | 净辐射/（W·m-2） | 感热通量/（W·m-2） | 潜热通量/（W·m-2） | NEE/（mgCO2·m-2·s-1） |
|---|---|---|---|---|---|---|---|---|
| 干季 | 16.1 | 985.6 | 1.7 | 93.4 | 296.3 | 47.8 | 101.4 | 0.28 |
| 湿季 | 21.8 | 262.5 | 2.5 | 94.8 | 298.9 | 39.7 | 140.9 | 0.35 |
2.2 Noah-MP 模式简介
Noah-MP模型扩展了Noah LSM3.0中的不同物理过程， 详细描述了植被， 土壤， 积雪和大气之间的碳水热交换过程， 并引入了最新发展的陆面参数化方案（Niu et al， 2011； Yang et al， 2011）。该模式的最大特点是为10个物理子过程各提供了2~4种不同的参数化方案可选项， 研究者可根据需要， 选择每个子过程的一种参数化方案， “组合”成为一个模式开展模拟研究， 共有近5万种组合方式。Noah-MP模式已经在全球不同地区和下垫面进行了模拟评估（Yang et al， 2011； Liang et al， 2019； 刘火霖等， 2020； 叶丹等， 2017）， 检验了模式模拟能力， 并与气候模式WRF实现了耦合， 广泛应用于气候研究（Barlage et al， 2015）。
3 方法简介
3.1 数值模拟试验设计
本研究中， 主要关注Noah-MP 模式对碳水热通量的模拟能力， 此时模式必须要包含动态植被过程。此外， 西双版纳站地处热带， 其气温和土壤温度均高于冰点， 因而模式中的部分物理过程， 如土壤冻融过程， 积雪反照率等均对模拟结果不产生影响。排除这些物理过程影响后， Noah-MP的10个物理子过程中仅保留了4个， 分别是土壤湿度限制气孔阻抗（BTR）， 近地层湍流交换（SFC）， 植被辐射传输（RAD）和径流及地下水（RUN）过程。表2中列出这4个物理子过程及其所使用的参数化方案， 可以看到共有72种组合方式， 即可形成72个“模式”用于模拟评估。
表2 Noah-MP模式中物理过程及参数化方案选项简介Table 2 |
| 简称 | 物理过程 | 参数化方案选项 |
|---|---|---|
| BTR | 土壤湿度限制气孔阻抗 | 1.Noah方案： 土壤湿度限制因子表示为土壤湿度的线性函数 2.CLM方案： 土壤湿度限制因子表示为土壤水势的线性函数 3.SSIB方案： 土壤湿度限制因子表示为土壤水势的指数函数 |
| RUN | 径流和地下水 | 1.SIMGM方案： 径流方案基于TOPMODEL模型， 并采用简单地下水方案 2.SIMTOP方案： 径流方案基于TOPMODEL模型， 并采用平衡态地下水方案 3.Schaake96方案： 超渗产流方案， 且底层土壤是自由排水 4.BATS方案： 利用BATS模式中的地表和次地表径流方案 |
| SFC | 近地层湍流交换 | 1.Chen97方案： 分别考虑热力和动力粗糙度对湍流交换系数影响， 但不考虑零平面位移的影响 2.M-O方案： 基于M-O相似理论， 考虑零平面位移， 但不区分热力和动力粗糙度 |
| RAD | 植被辐射传输 | 1.MOD方案： 改进的二流传输方案， 植被透光系数与太阳高度角相关 2.GAP0方案： 二流传输方案中设定植被透光系数为gap=0 3.GAPFVEG方案： 二流传输方案设定植被透光系数为gap=1-FVEG， FVEG为植被覆盖度 |
在评估过程中， 基于Noah-MP模式构建的72组模拟试验均使用相同的大气强迫， 植被及土壤参数和土壤温湿度的初始值。其中， 大气强迫变量使用了2003年1月1日至2010年12月31日间西双版纳站观测的每半小时风速， 风向， 气温， 相对湿度， 气压， 向下短波辐射和向下长波辐射。植被和土壤参数均使用查表法从Noah-MP模式的地表参数集中获得， 这些参数集是由模式开发者根据观测或优化方法获得， 可认为是对应地表类型的最优参数。土壤温湿度的初始值使用2003年1月1日的观测值， 并利用2003年的大气强迫反复驱动每个模式， 作为“spin-up”过程， 直到连续两年间模拟的土壤温湿度的年平均值之差小于年平均值的0.1%， 从而认为模式达到初始的水热平衡（Liang et al， 2019）。为了评估72组模拟试验对碳水热过程的模拟能力， 利用模式输出的每半小时的感热， 潜热通量和NEE， 和西双版纳站观测的相应通量作对比。
3.2 模式评估方法
研究中采用了泰勒评分（Taylor skill score）用于评估模式。该评估方法由Taylor 首先提出， 能综合反映观测与模拟之间的相关性和偏差（Taylor， 2001）， 现已广泛应用于气候模式评估中， 其具体表达形式如下：
式中： R 表示观测和模拟值之间的相关系数； R0表示模式集合中的最大相关系数； σobs和σsim分别表示观测和模拟值的标准偏差； Taylor 评分的变化范围为0~1， 越接近于1， 表示模式模拟能力越好。为了评估模式模拟值与观测值之间的相关性和模拟精度， 使用相关系数（R）和归一化标准偏差（NSEE）予以衡量。归一化标准偏差可以表示为：
式中： Si表示模拟值； Oi表示观测值； i表示样本点； N表示样本量。
3.3 参数化方案比较方法
为了检验每个物理子过程中不同参数化方案之间的差异， 研究中采用了Tukey’s检验。Tukey’s检验最早由Tukey提出， 主要用于检验多组试验总体均值彼此之间是否存在显著差异（Tukey， 1949）。设有m组试验， 其中Y1， Y2， Y3， …， Ym分别为m组试验的均值， Tukey’s检验用于比较所有i≠j时， 两种试验所代表的总体均值ui和uj之间差异。其中， 零假设和备择假设分别为：
Tukey’s检验过程中使用学生化极差分布（Studentized range distribution）：
式中： Ymax 和Ymin分别是两组试验最大和最小值； n 是样本量； N 是试验总数。如果
则两组试验平均值Yi和Yj在显著性水平α上具有差异， 式中qα（m， N-m）可通过学生化极差分布查表获得。例如， 对于SFC子过程， 共有2种参数化方案（m=2）， 为了检验Chen97和M-O方案之间的差异， 其零假设是两种方案无差异， 备择假设是存在差异。此时包含两种方案的模拟试验总数为72组（N=72）， 对每一种方案其样本数为36（n=36）， 自由度N-m为32， 使用显著性水平α=0.05， 并查表获得q0.05（32） 值， 如果式（6） 能够成立， 则拒绝零假设， 反之， 接受零假设。
4 模拟结果
4.1 模拟的碳水热通量
图2为Noah-MP模式的72组参数化方案组合， 模拟的西双版纳站感热通量， 潜热通量和NEE与相应的观测值间的对比示意图。从图2中可以看到， 72组模拟试验总体上能合理的反映干季和湿季的感热， 潜热和NEE的日变化特征， 但是模拟的干季和湿季的感热通量均在午后存在较大偏差， 对潜热通量位相模拟均存在超前现象， 对湿季NEE在夜间存在较大偏差。从72组模拟试验的集合平均值可以看到， 干季模拟的感热［图2（a）］、 潜热［图2（b）］通量集合平均值较观测值偏高， NEE图2（c）］与观测值较为接近； 湿季模拟的感热［图2（d）］、 潜热［图2（e）］通量和NEE［图2（f）］的集合平均值均较观测值偏高。从表3中的相关系数（R）可以看到， 碳水热通量的集合模拟平均值与观测值相关系数在干季和湿季均较高， 说明模式可以很好的模拟日变化特征。而从表3中的归一化标准偏差（NSEE）看到， 干季和湿季模拟的感热通量均偏差较大， 但潜热通量偏差均较小； 干季模拟的NEE偏差较小， 湿季较大。综合而言， Noah-MP模式能够合理模拟干季和湿季的潜热通量和干季的NEE， 但模拟的干季和湿季感热通量和湿季的NEE偏差较大。
图2 72组模拟试验模拟的感热通量， 潜热通量和NEE与相应的观测值比较Fig.2 |
表3 72组模拟试验的集合平均值与观测值之间的归一化标准偏差（NSEE）和相关系数（R）Table 3 |
| 季节 | 感热通量 | 潜热通量 | NEE | |||
|---|---|---|---|---|---|---|
| R | NSEE | R | NSEE | R | NSEE | |
| 干季 | 0.87 | 0.40 | 0.99 | 0.07 | 0.97 | 0.09 |
| 湿季 | 0.87 | 0.40 | 0.99 | 0.05 | 0.97 | 0.30 |
图3中给出了72组模拟试验模拟的感热（SHF）， 潜热通量（LHF）和NEE的Taylor评分的箱型图， 图中中线表示中位数， 胡须上线表示最大值， 胡须下线表示最小值， 矩形盒上下边分别表示上下四分位数。从图3可以看出， 干季［图3（a）］模拟的感热通量和NEE的Taylor 评分中位数大于0.7， 潜热通量大于0.8， 湿季［图3（b）］模拟感热通量的Taylor评分的中位数大于0.7， 潜热和NEE均大于0.8， 说明72组模拟试验中大部分模拟试验模拟能力较好， 尤其是对于干季和湿季的潜热通量均有较好的模拟能力。从Taylor评分的变化范围（最大值与最小值之差）看到， 干季NEE的变化范围最大， 感热通量次之， 潜热通量最小； 湿季感热通量变化最大， 潜热通量和NEE变化范围均较小。由于72组模拟试验是由Noah-MP模式不同参数化方案组合而成， Taylor评分的差异说明参数化方案选择对模拟干季碳水热通量， 湿季的感热通量影响较大， 但对湿季的潜热通量及NEE影响较小。
4.2 不同参数化方案之间的比较
为了进一步展示不同模拟试验之间的差异， 利用Tukey’s检验方法， 对比选择的4个物理过程在模拟碳水热通量时， 不同参数化方案的影响。分析过程中， 将72组模拟试验根据参数化方案的数目， 分成不同的组， 每一组中仅仅包含同一物理过程的一种方案。例如， 对于辐射传输过程， 共有3种参数化方案， 于是将72个模拟试验分成3组， 每组含有24个试验， 每一组中仅包含一种辐射方案。图4、 5和图6分别是利用Tukey’s检验不同物理过程的各种参数化方案在模拟感热、 潜热和NEE时Taylor 评分的差异， 均通过了0.05显著性检验。在图中标注了同一字母的参数化方案之间不存在显著差异， 而标注了不同字母的参数化方案具有显著差异， 且标注了字母“B”的方案较“A”的方案更优， 因为采用“B”方案时， Taylor评分更高。
在模拟感热通量（图4）时， 无论干季和湿季， 只有SFC过程的2种参数化方案体现出了差异， 并且均是M-O方案模拟性能更好， 其余三个物理过程的参数化方案均没有明显差异， 说明在西双版纳森林站， 感热通量模拟只与近地层参数化相关， 其它物理过程参数化方案影响非常小。在模拟潜热通量（图5）时， 在干季， BTR过程的三种参数化方案存在差异， 其中， NOAH和CLM方案较SSIB方案更优， 其它物理过程各参数化方案间均不存在显著差异。在湿季， SFC过程和BTR过程的参数化方案对模拟潜热通量均具有重要影响， 对于SFC过程， 仍然是M-O方案表现更优， 对于BTR过程， NOAH方案要较CLM和SSIB方案更优。如图6所示， 在干季和湿季， 均是SFC过程和BTR过程参数化方案对模拟的NEE影响较为明显， 其它过程较小， SFC过程的M-O方案更优， BTR过程的NOAH方案更优。
根据Tukey’s 检验结果， 对于碳水热模拟， 无论干季和湿季， SFC和BTR过程参数化方案影响较为明显， 而其它过程影响较小。SFC过程的M-O方案表现最优， BTR过程的NOAH参数化方案表现最优， 对于RUN和RAD过程的各种参数化方案， 并没有体现出显著差异。
5 讨论
结合上述的模拟结果， 进一步研究不同参数化方案影响碳水热模拟的物理机制， 对深化该地区陆气相互作用具有重要意义。为此， 分别选取对干季和湿季模拟结果影响最为显著的SFC和BTR过程， 并结合相应的参数化方案探讨其影响碳水热的物理机制。
5.1 SFC过程
对于SFC过程， 主要用于刻画近地层湍流传输过程中的湍流交换系数， 在Noah-MP中的可选方案为Chen97和M-O方案， 两种参数化方案的差异主要体现在Chen97方案分别考虑了热力和动力粗糙度对湍流交换系数影响， 没有考虑零平面位移的影响， 而M-O方案中考虑了零平面位移， 但设定热力和动力粗糙度相等（Niu et al， 2011； Yang et al， 2011）。如图7 SFC过程对碳水热的影响所示， 可以看到M-O方案模拟的碳水热通量与观测值更为接近， 而对比两种方案模拟的湍流交换系数［图7（d）］可以看到， Chen97模拟值较M-O大， 通过能量平衡 （Niu et al， 2011； 尤元红等， 2019）， 导致两种方案模拟的植被温度存在明显差异［图7（e）］。湍流交换系数与植被温度之积， 决定了感热和潜热通量差异［图7（a）， （b）］。不仅如此， 植被温度差异又引起光合同化速率差异［图7（e）］， 最终导致NEE差异［图7（c）］。结合西双版纳站下垫面为热带雨林的实际状况， 该站植被高大， 零平面位移对通量具有重要的影响， 因此考虑了零平面位移影响的M-O方案更合理的描述了该地区湍流交换， 相应的M-O方案模拟的碳水热通量与观测值更为接近。
5.2 BTR过程
对于BTR过程， 主要用于描述土壤湿度对植被气孔开合的影响， 可直接影响植被蒸腾和光合同化速率。在Noah-MP模式中该过程表示为一个限制因子（Niu et al， 2011）， 变化范围为0~1， 提供三种可选方案， 为NOAH， CLM和SSIB方案。其中， NOAH和CLM方案分别将限制因子表示成土壤湿度和土壤水势的线性函数， 而SSIB表示为土壤水势的指数函数。在模拟中， 可以看到SSIB方案模拟的限制因子最大， CLM方案次之， NOAH方案最小， 相应的， 模拟的气孔阻抗中， NOAH方案最大， 导致其模拟的蒸腾和NEE最小。结合西双版纳站实际情形， 该地区土壤含水量较高， 植被根系较深， 土壤湿度对气孔阻抗影响较大。因此， NOAH方案更加合理地描述了该地区土壤湿度对蒸散发和光合作用的影响。
6 结论
陆地生态系统与大气间的能量和物质交换对区域气候具有重要影响， 准确地观测和模拟陆气间的碳水热通量有助于深化对陆气相互作用机制的认识和改善气候模拟。但是， 由于现有的陆面过程模式参数化方案存在较大差异， 导致不同模式模拟结果间存在显著的差异。为此， 评估不同模式对植被下垫面的模拟能力， 对比不同参数化方案的差异， 对于提高陆面模式模拟能力， 改进参数化方案具有重要指导意义。Noah-MP模式使用同一动力框架， 同一陆面参数集， 并对每一物理过程提供多种参数化方案选项， 可以方便地用于比较参数化方案差异。本研究中使用了西双版纳热带雨林站近地层综合观测数据， 使用Noah-MP模式开展了72组模拟试验， 用于验证模式模拟能力， 并对比不同物理过程的参数化方案的差异。得到如下结论：
（1） 72组模拟试验可以合理模拟西双版纳站干湿季的碳水热通量日变化特征， 且所有模拟试验Taylor评分均超过0.6， 说明Noah-MP模式中不同参数化方案组合对西双版纳站碳水热通量具有较好的模拟能力。72组试验模拟的干季碳水热通量和湿季的感热通量和NEE差异较为明显， 说明不同物理过程的参数化方案选择对模拟结果具有重要影响。
（2） 利用Tukey’s 检验， 对比了RAD， RUN， BTR和SFC四个物理过程的不同参数化方案模拟碳水热通量的差异， 发现SFC和BTR过程参数化方案对碳水热通量影响最为显著， 且SFC过程的M-O方案， BTR过程的NOAH方案模拟性能更好。 结合西双版纳站实际状况， 该站下垫面植被高大， 零平面位移对湍流通量具有重要影响， M-O方案中考虑了零平面位移， 更加合理的描述了该地区近地层湍流交换过程； 该站土壤含水量较高， 植被根系较深， 土壤湿度对蒸散发和光合作用限制较小， NOAH方案模拟的土壤湿度限制因子最小， 更加合理的描述了该地区土壤湿度对蒸散发和光合的影响。