農(nóng)業(yè)生產(chǎn)和能源消耗等人為因素，導致了活性氮含量的急劇增加。大氣中N沉積，可能是自然生態(tài)系統(tǒng)變化的主要驅(qū)動力，并在很大程度上改變物種的組成、多樣性和功能。NH3是氮沉積的主要組成部分，并可通過水文和大氣傳輸過程得以廣泛傳播。除此之外，NH3還可以引起葉面損傷，降低抗旱和抗霜的能力，進一步導致生態(tài)系統(tǒng)酸化和富營養(yǎng)化，而同時水文和大氣的污染惡化也會影響人類的健康。因此，確定NH3濃度以及不同生態(tài)系統(tǒng)和大氣之間交換的時空變化，有著重要意義。幾年來隨著量子級聯(lián)激光技術的發(fā)展，可以在現(xiàn)場大尺度的測量NH3通量變換，有望成為歐洲ICOS和北美NEON等綜合觀測網(wǎng)絡中的標準觀測方法。但是，由于NH3化學性質(zhì)活躍，粘性非常大，易于附著在器壁或固體顆粒上，且其易于在氣相和顆粒相之間相互轉化，這些特性造成了其測量的困難性。Aerodyne采用TILDAS技術，而且在進氣口管路、高頻通量、采樣止損、氣路管壁以及活性鈍化等方面取得了專利突破，實現(xiàn)了NH3等特殊分子的高精度測量。
德國Thunen氣候智能型研究所的Undine Zoll等人，2014年2月18日至5月8日，在德國西北部靠近Meppen市的一處泥炭地進行了以塔為基礎的NH3濃度和通量的快速響應測量。采用了Aerodyne TILDAS技術，連續(xù)快速測量背景級別的NH3濃度的湍流波動（EC），從而得到了泥炭地生態(tài)系統(tǒng)與大氣之間進行的凈交換。
整個實驗采用Aerodyne氣體監(jiān)測儀，型號QC-TILDAS-76，具備76m光程，0.5L反應池，40Torr壓力，10HZ高頻采樣，17L/min的流速（通過3m的管路）。在進樣口，添加有過濾器、活性鈍化系統(tǒng)等特殊設計，如下圖。

每半小時測量一次氨濃度和通量。NH3濃度變化在2~85ppb之間，短期內(nèi)最大值為110ppb。測量期間的最高值出現(xiàn)在3月初（II）和四月初（III），這與附近施肥和養(yǎng)殖擴散情況相符（下圖1）。NH3濃度的日平均變異性最高出現(xiàn)在II期，最高濃度出現(xiàn)在下午晚些時候(3月5日至15日) 濃度> 30 ppb（下圖2）。整個觀測期間夜間濃度最低。

該試驗還測量了溫度與NH3濃度的相關性。溫度升高，間接導致了NH3濃度的升高（如下圖）。這是因為NH3通常與低相對濕度有關，因此有利于氨從冷凝相向氣相釋放。然而，NH3濃度也有可能隨著溫度的降低而升高，這可能由于較高的溫度會導致酸性氣體反應生成銨鹽如硝酸銨。我們觀察到干燥和/或寒冷條件下NH3濃度較高，而在多雨條件下氨濃度較低，這證實了Mosquera的研究結果。

Undine Zoll等人通過本次實驗認為，在泥炭地現(xiàn)場，用TILDAS技術和慣性入口箱對氨進行EC通量測量具有較高的潛力。(1)可以建立長期觀測網(wǎng)絡，改善氮預算和轉移計算；(2)為更深的洞察氨轉移的機制，和生態(tài)系統(tǒng)應對大氣中氨負載，在空前高的時間分辨率下提供連續(xù)的通量觀測。
在本研究中，Undine等人的得到，估計凈NH3交換在模型和獨立通量測量之間僅相差6%。與使用denuder系統(tǒng)相比，基于TILDAS技術的Aerodyne所測的NH3的沉積值較低，這可能是由于其EC通量的凈信號中有效值占比更大，以及更好地適應特殊模型參數(shù)，特別是Rw值。

Aerodyne NH3痕量氣體監(jiān)測儀：

♦精度precision

1S/10S/100S：50ppt（0.05ppb）/15ppt(0.015ppb)/10ppt(0.001ppb)

♦快速響應時間：10HZ

♦保證精度量程：NH3：0-10000ppb

♦采樣口具備活性鈍化裝置，減小NH3粘度

♦配備顆粒分離裝置，排除樣品氣中的顆粒影響

♦16通道閥控制的復雜采樣系統(tǒng)，獨有的sample/reference切換技術，實現(xiàn)自動化背景校準

♦強大的TDLWintel軟件，提供靈活的儀器控制和實時數(shù)據(jù)分析，直接得到需要的通量結果，并將原始數(shù)據(jù)和
通量結果文件進行存儲。

♦顯示及控制：可遠程操控，無人值守

♦樣品流速：標準0~20slpm，可選擇更大（如500slpm）

本文獻：
Undine Zoll et al. Surface–atmosphere exchange of ammonia over peatland using QCL-based eddy-covariance measurements and inferential modeling. Atmos. Meas. Tech., 2016, 16, 11283–11299.