藏東南墨脫地區(qū)云中過冷水的毫米波雷達觀測

周港又, 王改利, 鄭佳鋒, 任濤, 張靜怡, 謝冰潔

(1.成都信息工程大學(xué)大氣科學(xué)學(xué)院, 成都 610225; 2.中國氣象科學(xué)研究院災(zāi)害天氣國家重點實驗室, 北京 100081; 3.河南省氣象探測數(shù)據(jù)中心, 鄭州 450003)

云中過冷水是指環(huán)境溫度低于0 ℃時仍保持液態(tài)的云滴,這種云滴因缺乏必要凝結(jié)核而非常不穩(wěn)定,會因輕微擾動而凝結(jié)成冰[1]。若航空飛行器表面溫度低于0 ℃時與過冷水相撞,會很容易結(jié)冰,從而導(dǎo)致安全事故的概率劇增。因云中液態(tài)與固態(tài)粒子具有不同吸收散射特性,而對于溫度處在-40～0 ℃的云區(qū),云中的冰晶和過冷水往往并存,過冷水的存在將會導(dǎo)致云輻射的評估出現(xiàn)誤差[2]。因此,研究云中過冷水的探測和識別方法,對保障航空飛行安全和促進云結(jié)構(gòu)和物理特征研究等具有重要的意義。

目前云中過冷水的探測仍然是大氣探測領(lǐng)域的難點之一,潛在的探測手段包括:飛機探測、衛(wèi)星探測、探空資料反演以及微波輻射計、激光雷達、毫米波雷達等主被動遙感技術(shù)。飛機探測主要依靠機載粒子探頭,如Zhou等[3]基于機載探冰儀、云粒子成像儀和云滴探測器,通過云粒子數(shù)濃度識別云中過冷水,發(fā)現(xiàn)當云粒子數(shù)大于5個/ cm3時通常存在過冷水。而大于20個/ cm3時可作為人工降雨的最佳窗口。衛(wèi)星探測主要依靠星載毫米波雷達、星載激光雷達或星載紅外成像儀,如Mace等[4]利用CloudSat搭載的毫米波雷達聯(lián)合CALIPSO激光雷達資料對南大洋低云中的過冷水進行了研究,發(fā)現(xiàn)溫度處在-40～0 ℃的云,降水會導(dǎo)致云中過冷水迅速消耗從而出現(xiàn)混合相態(tài)。飛機探測通常觀測連續(xù)性較差,費用高,且易受到飛機積冰影響,而衛(wèi)星觀測的時空分辨率較差,對過冷水探測也具有更多不確定性。相較而言,地基毫米波雷達具有測量精度高、時空分辨率高和連續(xù)觀測能力強等優(yōu)點,目前已成為研究過冷水的主流儀器之一。如Kalogeras等[5]利用毫米波雷達聯(lián)合激光雷達,采用一種基于矩量法的相態(tài)劃分算法對阿拉斯加北坡地區(qū)的云中過冷水進行了研究,總結(jié)了不同參量對識別過冷水的影響,發(fā)現(xiàn)譜寬對于識別過冷水有較為重要作用。任濤等[6]利用毫米波雷達結(jié)合探空資料對青藏高原那曲地區(qū)對流云進行了過冷水識別,發(fā)現(xiàn)上升氣流對于過冷水的形成和發(fā)展起決定性作用。并發(fā)現(xiàn)微波輻射計的液態(tài)水路徑(liquid water paths, LWP)產(chǎn)品能夠有效驗證云中過冷水的存在。

模糊邏輯法作為一種具有較強的兼容性和擴展性的方法,能夠有效改進閾值法對過冷水識別的不確定性。如Wang等[1]利用模糊邏輯法對英國Chilbolton地區(qū)一次厚積云過程進行了研究,發(fā)現(xiàn)此類云中的過冷水集中在云底部。王金虎等[7]利用模糊邏輯法對水凝物分類的研究時發(fā)現(xiàn),引入退偏振比會顯著提高水凝物的分類效果。利用模糊邏輯法對過冷水識別的大量研究[7-10],證明了此種方法的可行性與應(yīng)用潛力。

墨脫位于青藏高原東南部雅魯藏布大峽谷水汽通道入口處。在西風-季風協(xié)同作用下,大量水汽由喜馬拉雅山南麓爬坡至墨脫,隨后向青藏高原其他地區(qū)輸送。受印度洋水汽影響,墨脫是西藏地區(qū)的“雨窩”,年平均降水量超過2 000 mm,是青藏高原氣候系統(tǒng)的獨特區(qū)域[11]。墨脫上空云降水的物理特征,對于研究多尺度水汽輸送和水資源的影響機制至關(guān)重要。以墨脫氣候觀象臺云降水綜合觀測資料為基礎(chǔ),研究發(fā)現(xiàn)墨脫地區(qū)由于受峽谷地形熱力差異影響,對流活動主要出現(xiàn)在夜間和凌晨,墨脫地區(qū)降水的雨滴直徑小而濃度大,層狀云弱降水雨滴直徑不超過3 mm,冰晶粒子在下落過程中緩慢增長,但旱季增長更為明顯[12-14]。墨脫地區(qū)水汽充沛,云中是否存在豐富的過冷水,目前相關(guān)研究還未見報道。因此,現(xiàn)利用由中國氣象科學(xué)研究院在墨脫氣候觀象臺(95.32 °E/29.31 °N, 海拔1 305 m)布設(shè)的一部Ka波段毫米波雷達的觀測資料,結(jié)合同址的微波輻射計的溫度資料,采用閾值法和模糊邏輯法對過冷水進行識別。最后,選取了兩次層積云過程,對云雷達識別的過冷水液態(tài)水路徑(LWP)與微波輻射計反演的LWP進行對比,驗證算法的合理性,并分析墨脫地區(qū)過冷水的特點。

1 設(shè)備、資料與方法

1.1 設(shè)備和資料

本文中使用的毫米波雷達和微波輻射計是在第二次青藏高原綜合科學(xué)考察研究專題(西風-季風協(xié)同作用對亞洲水塔變化的影響)支持下,由中國氣象科學(xué)研究院于2018年12月首次在墨脫氣候觀象臺布設(shè)的。該毫米波雷達(簡稱“Ka-MMCR”)是由中國氣象科學(xué)研究院與安徽四創(chuàng)電子股份有限公司聯(lián)合研制,雷達探測距離為地面上15 km,工作頻率為35 GHz(波長為8.6 mm),垂直分辨率為30 m,時間分辨率為16 s。雷達采用了脈沖壓縮、相干和非相干積累等技術(shù),并設(shè)計了四種觀測模式(M1降水模式、M2邊界層模式、M3中高層模式、M4卷云模式)進行交替循環(huán)觀測。考慮到微波輻射計對于非降水云的探測可靠性更好,以及云雷達的探測靈敏度,選用M3模式的觀測資料,包括四個基數(shù)據(jù):雷達反射率因子Ze(dBZ)、徑向速度VD(m/s)、速度譜寬σv(m/s)、退偏振比LDR(dB)。M3模式的主要性能參數(shù)如表1所示。

使用的微波輻射計為美國Radiometric公司生產(chǎn)的35通道MP3000A型地基微波輻射計 (簡稱“MWR”),有效探測范圍為0～10 km。0～500 m高度范圍的空間分辨率為50 m,500～2 000 m高度范圍的空間分辨率為100 m,2 000～10 000 m高度范圍的空間分辨率為250 m,時間分辨率為2 min。MWR通過被動測量大氣在K和V波段多個頻點的微波輻射亮溫,通過神經(jīng)網(wǎng)絡(luò)法反演得到大氣溫濕度廓線、水汽密度廓線、水汽積分總量和液態(tài)水路徑(LWP)等產(chǎn)品[15]。本文中采用的溫度數(shù)據(jù)來自于MWR的溫度廓線產(chǎn)品,由于MWR的垂直分辨率與Ka-MMCR(Ka millimeter-wave cloud radar)不同,本文中將MWR的溫度數(shù)據(jù)在垂直方向上進行線性插值,使得其垂直分辨率與Ka-MMCR一致,并以區(qū)間中點的溫度值代表整個雷達距離庫(庫長30 m)的溫度值,得到垂直方向上與Ka-MMCR距離庫對應(yīng)的溫度。

表1 Ka-MMCR M3模式的主要性能參數(shù)Table 1 Ka-MMCR major performance parameters of M3 mode

1.2 過冷水識別和微物理特征反演方法

對過冷水位置的識別和提取主要基于閾值法和模糊邏輯算法。過冷水微物理特征的反演,是在過冷水識別結(jié)果的基礎(chǔ)上,根據(jù)經(jīng)驗公式得到過冷水有效粒子半徑(Re)、液態(tài)水含量(liquid water content,LWC)和LWP。

1.2.1 模糊邏輯法識別云中過冷水

模糊邏輯法最早由Zadeh[16]在1968年提出,其特點是具有較強的兼容性和擴展性,能夠有效改進閾值法的剛性判別結(jié)果?，F(xiàn)將Ka-MMCR的四個基數(shù)據(jù):雷達反射率因子Ze(dBZ)、徑向速度VD(m/s,下落為負,下同)、速度譜寬σv(m/s),退偏振比LDR(dB)以及MWR反演得到的溫度數(shù)據(jù)T/℃作為輸入變量xi。然后通過上述變量構(gòu)建梯形隸屬函數(shù),梯形函數(shù)的形狀由4個參數(shù)X1、X2、X3、X4決定,隸屬函數(shù)表示為

(1)

式(1)中:x為輸入變量;P為粒子隸屬度,為探測的參量設(shè)定的區(qū)間內(nèi)歸屬于某一相態(tài)的程度,越接近1則表示屬于該相態(tài)粒子的可能性就越大。因此確定的梯形函數(shù)系數(shù)X1、X2、X3、X4就顯得十分關(guān)鍵。

參照Shupe[17]給出的云粒子相態(tài)分類標準如圖1所示。圖1(a)表示當大氣溫度T>0 ℃時,粒子相態(tài)由Ze和VD閾值識別為液態(tài)水、毛毛雨和雨;圖1(b)表示當大氣溫度T<0 ℃,譜寬σv>0.4 m/s時,通過Ze和VD閾值,將粒子識別為過冷水、雪和混合相態(tài) (過冷水與冰晶共存)。圖1(c)表示當大氣溫度T<0 ℃,譜寬σv<0.4 m/s時,粒子相態(tài)通過Ze和VD閾值識別為冰和雪。根據(jù)上述Shupe[17]提出的各類水凝物粒子分類閾值,并參考李玉蓮等[18]關(guān)于退偏振比LDR的水凝物分類閾值,設(shè)置梯形函數(shù)的系數(shù)X1、X2、X3、X4,具體設(shè)置見表2。

下落速度為負,陰影部分表示概率很小的區(qū)域圖1 Shupe[17]提出的粒子分類示意圖Fig.1 Classification schematic diagram of cloud particle by Shupe[17]

通過構(gòu)造隸屬度函數(shù),利用模糊邏輯法計算出相應(yīng)的隸屬度。令i表示輸入?yún)⒘?共計5個,令j表示對應(yīng)的粒子相態(tài)種類,共計6個。所有參量對第j類粒子的隸屬度Sj可表示為

(2)

式(2)中:Pij為第i種參量對應(yīng)第j種粒子相態(tài)的隸屬度;Ai為第i種參量對識別結(jié)果的權(quán)重。彭亮等[19]認為徑向速度的貢獻度較小,本文中選取AVD=0.5,其余Ai均設(shè)置為1;Sj為所有參量對第j類粒子相態(tài)總的隸屬度。通過比較得出最大值Sj,則相對應(yīng)的粒子相態(tài)j作為模糊邏輯法的最終識別結(jié)果。

1.2.2 閾值法識別云中過冷水

參考Frisch等[20]的過冷水特征閾值,并加入了Shupe[17]利用譜寬對過冷水與混合相態(tài)的區(qū)分閾值0.4 m/s。即當T≤0 ℃且σv≥0.4 m/s時,若Ze≥-17 dBZ或VD≤-1 m/s時將粒子識別為混合相態(tài);當T≤0 ℃且σv≥0.4 m/s時,若Ze<-17 dBZ或VD>-1 m/s將粒子識別為過冷水。當T<0 ℃且σv<0.4 m/s時,若Ze≥5 dBZ將粒子識別為雪花。當T<0 ℃且σv<0.4 m/s時,若Ze<5 dBZ將粒子識別為冰晶。

最后,參考了Shupe[17]的相干濾波方法對于兩種方法的識別結(jié)果進行濾波。其作用是消除相態(tài)分類時的散點值與異常值。其步驟是在建立一個7×7的滑動窗口,對于中心的相態(tài),若周圍有35個以上距離庫為晴空,則將中心相態(tài)設(shè)置為晴空;若中心的相態(tài)不是晴空且周圍49個識別結(jié)果中與中心同類型的相態(tài)超過7個,則保持不變。否則將中心距離庫設(shè)置為窗口中最豐富的相態(tài)識別結(jié)果。

1.2.3 過冷水微物理特征反演與評估

液態(tài)水含量(LWC)和有效半徑(Re)常被應(yīng)用到云內(nèi)液態(tài)水微物理特征的研究當中。Atlas[21]最早結(jié)合飛機實測數(shù)據(jù),論證了可用雷達反射率因子反演粒子有效半徑和云內(nèi)液態(tài)水等參數(shù),并提出了經(jīng)驗關(guān)系式。Frisch等[20]在研究大西洋層云時,發(fā)現(xiàn)云滴譜分布基本符合對數(shù)正態(tài)分布,并提出了反射率因子、數(shù)濃度、有效半徑和液態(tài)水含量等參數(shù)的經(jīng)驗關(guān)系式。Matrosov等[22]也基于雷達反射率因子進行海洋層狀云含水量的研究,得出LWC的單參數(shù)反演方法,發(fā)現(xiàn)其和反射率因子Ze,粒子數(shù)濃度N和粒子譜寬σ三者之間的計算關(guān)系。

韋凱華等[23]發(fā)現(xiàn)結(jié)合毫米波雷達與微波輻射計能夠有效反演LWP和Re,結(jié)果與經(jīng)驗函數(shù)法的結(jié)果較為一致。劉黎平等[24]利用毫米波雷達探測的功率譜密度來估算液態(tài)水含量和中值直徑等。發(fā)現(xiàn)空氣上升速度的高估會導(dǎo)致相應(yīng)的液態(tài)水含量的高估。李玉蓮等[25]也發(fā)現(xiàn)基于多普勒速度譜反演的LWP存在一定高估,這主要是由于將某些小冰晶粒子誤判為過冷水滴所導(dǎo)致的。對由于墨脫受到印度洋暖濕氣流影響,降水具有海洋性特征[15]。因此本文中采用Matrosov等[22]提出的反射率因子Ze與LWC以及Re的關(guān)系式,即

表2 不同相態(tài)粒子的成員函數(shù)特征值Table 2 Membership function values of cloud particles in different phases

(3)

(4)

式中:Ze為反射率因子,mm6/m3;ρ為水的密度,g/m3;N0為粒子濃度,個/m3;σ為對數(shù)分布的粒子譜寬。根據(jù)不同的云類,N0和σ相應(yīng)有著不同的取值。根據(jù)Frisch等[20]對海洋性層云的研究,云中粒子濃度以及對數(shù)譜寬隨高度不變。本文中采用李玉蓮等[25]對過冷水濃度和對數(shù)譜寬的取值,σ取0.31,過冷水粒子濃度取35個/cm3。

LWP反映了垂直柱上的總液水含量,LWP計算公式為

(5)

式(5)中:n表示垂直方向上過冷水的庫數(shù);ΔZ為雷達庫長。

利用兩個統(tǒng)計指標評估閾值法與模糊邏輯法的反演結(jié)果。考慮到相關(guān)系數(shù)對反演值和觀測值之間的線性差異不敏感,采用一致性指數(shù)d來衡量Ka-MMCR反演的LWP與MWR的LWP的一致性。其計算公式為

(6)

式(6)中:Oi為第i個時刻MWR的LWP;為MWR的LWP的平均值;Fi為第i個時刻Ka-MMCR的LWP。

同時利用平均絕對誤差MAE來衡量平均誤差的大小,其公式定義為式(7)

(7)

式(7)中:Oi表示第i個時刻MWR的LWP;Fi為Ka-MMCR反演的LWP;N為觀測樣本數(shù)。

當一致性指數(shù)d越接近于1,MAE越接近0時,認為Ka-MMCR反演的LWP與MWR的LWP越接近。

2 典型個例的反演效果分析

墨脫地區(qū)云發(fā)生較頻繁,年平均發(fā)生率達65.3%[11]。在總云中以單層云為主,全年平均占比在80%以上?？紤]到MWR對于非降水云的探測可靠性更好[26],并且在非降水云中,層積云相較于卷云更容易出現(xiàn)過冷水[27]。因此,挑選墨脫地區(qū)兩次層積云過程進行過冷水的識別與微物理特征的反演。

2.1 墨脫2018年12月10日層積云

如圖2為墨脫2018年12月10日17:13—19:13層積云的雷達探測結(jié)果、基于模糊邏輯法的過冷水識別結(jié)果和微物理參數(shù)的反演結(jié)果。圖2(a)為雷達反射率因子,可見本次層積云發(fā)生在距離地面高度(above ground level,AGL)1.5～4.5 km,回波未接地,故近地面無降水產(chǎn)生。在測站上空持續(xù)約2 h,其中17:13—18:30云體發(fā)展,逐漸增強并增厚;18:30—19:13,云體厚度減小,云體逐漸消散。強回波出現(xiàn)在18:00—18:40,最大反射率因子接近20 dBZ。根據(jù)圖1中粒子相態(tài)分類示意圖,由于本次個例都位于0 ℃層高度以上,可判斷強回波處存在大量雪花。圖2(b)為譜寬分布圖,Shupe[17]發(fā)現(xiàn)當雷達探測體積中存在不同類型粒子時譜寬較大,反之,僅存在一種類型粒子時,譜寬較窄。其判斷閾值可定為0.4 m/s。此次過程云中部譜寬在0.4 m/s以下,僅在云頂與云底部分譜寬超過了0.4 m/s。說明本次個例的云中部以單相粒子為主,多為冰晶或雪花等固態(tài)水凝物,混合相態(tài)與過冷水分布在云頂與云底部分區(qū)域。圖2(c)為多普勒徑向速度圖,多普勒徑向速度包含了粒子下落末速度與大氣垂直運動,表征了云中粒子的相對上升或下沉運動。云層大部分區(qū)域都以較弱的下沉運動為主,在18:20云底有弱的上升氣流。圖2(d)為線性退偏振比LDR,其相比于圖2(a)反射率因子的區(qū)域縮小很多,僅集中在較強回波的區(qū)域。LDR主要反映了粒子的非球形特征,LDR值越高則表明粒子取向復(fù)雜或粒子種類較多。本次過程的LDR平均值高達-23.2 dB,且LDR高值區(qū)與反射率高值區(qū)一致,而結(jié)合圖2(b)發(fā)現(xiàn)這些區(qū)域譜寬較小,說明此處水凝物粒子種類并不多。故推斷粒子可能取向復(fù)雜,結(jié)合反射率因子,因此可判斷為雪花。

圖3(a)為過冷水基于模糊邏輯法的識別結(jié)果,可知過冷水區(qū)域主要集中在云底部和云頂部回波較弱的位置,反射率因子介于-30～-15 dBZ[圖3(b)]。在強回波區(qū)域有零星的一些區(qū)域也被識別為過冷水,且反射率因子達到0以上。結(jié)合圖2(c)

圖2 墨脫2018年12月10日17:12—19:13(BJT)層積云(個例一)過程云雷達觀測結(jié)果Fig.2 Identification results of stratocumulus clouds (case I) in Medog on December 10, 2018, 17:12—19:13 (BJT)

圖3 墨脫2018年12月10日17:12—19:13(BJT)層積云(個例一)過程模糊邏輯法相態(tài)識別與微物理特征反演結(jié)果Fig.3 Results of the fuzzy logic method for phase identification and microphysical feature inversion result of stratocumulus clouds (case I) in Medog on December 10, 2018, 17:12—19:13 (BJT)

可看出,這些區(qū)域集中在云內(nèi)粒子上升和下沉的交匯處。此處的過冷水經(jīng)過碰并聚合,粒子大小可能已達到了毛毛雨或小雨滴的程度,從而導(dǎo)致其反射率因子偏高。以往研究[1,6,19,21]表眀,一般過冷水分布在云頂或者云底,如芬蘭Hyytiala地區(qū)過冷水滴在云頂有連續(xù)的分布[21],北京延慶縣地區(qū)的層云中則在云底有連續(xù)分布的過冷水[18],英國Chilbolton地區(qū)一次厚度達6 km的厚積云過程的過冷水都集中在云層底部[1]。而墨脫地區(qū)具有更為豐富的過冷水,同時位于云頂和云底以及云中。從過冷水的反射率因子來看,墨脫地區(qū)與其他地區(qū)較為一致,云底或者云頂?shù)倪^冷水反射率因子基本不超過-15 dBZ,但云中過冷水的反射率因子較強,可以達到0 dBZ以上。圖3(c)為過冷水的液態(tài)水含量LWC,可見在云體弱回波區(qū)反演的過冷水LWC基本在0.3 g/m3以下,最大不超過0.4 g/m3,僅在反射率因子高于0的過冷水區(qū)域的LWC較高,LWC平均值高達3.0 g/m3。結(jié)合圖3(d)過冷水反演的有效半徑Re來看,云體弱回波區(qū)反演的過冷水Re在7～15 μm,在反射率因子高于0的過冷水區(qū)域Re平均值高達30 μm。說明此處已形成了粒徑較大,反射率較高,達到毛毛雨或小雨滴程度的過冷水粒子,驗證了上文的結(jié)果。吳舉秀等[28]發(fā)現(xiàn)過冷水層的有效半徑在8～11 μm,LWC小于0.2 g/m3,基本與本文結(jié)論相符。

圖4為閾值法的識別結(jié)果。與圖3(a)模糊邏輯法的識別結(jié)果對比可見,閾值法比模糊邏輯法識別的過冷水要少很多,這是由于閾值法的剛性判別特征造成的。另外二者對冰晶和混合相態(tài)的識別結(jié)果存在較大差異,閾值法識別出較大范圍的冰晶區(qū)域和較少的混合相態(tài)區(qū)域,這主要是因為僅憑借反射率因子Ze<5 dBZ的閾值條件進行識別過于籠統(tǒng),缺少了LDR、VD等判別因子。二者識別的雪花區(qū)域比較一致。

MWR對非降水云的LWP測量結(jié)果具有較好的可靠性[26]。因此利用MWR測量的LWP作為參考,對云雷達反演的LWP結(jié)果進行初步驗證。由于MWR探測的時間分辨率低于Ka-MMCR,因此對Ka-MMCR進行時間窗為2 min的滑動平均。圖5為本次個例識別的過冷水路徑LWP與微波輻射計反演的LWP的對比圖,可以看出閾值法的LWP明顯小于MWR的LWP,而模糊邏輯法的LWP更接近MWR的LWP。從定量評估來看,模糊邏輯法的LWP與MWR的LWP一致性指數(shù)d為0.63,MAE為55.6 g/m2,閾值法的LWP與MWR的LWP一致性指數(shù)d為0.46,MAE為121.9 g/m2。因此,模糊邏輯法相比閾值法更為合理。結(jié)合圖4(a)與圖3(a)可見閾值法在反射率因子較高的地方漏識了較大粒徑的過冷水,這些發(fā)展旺盛的過冷水由于反射率因子較大,對LWP的貢獻較高,可能是MWR在18:00、18:20和18:43峰值出現(xiàn)的原因。

圖5 墨脫2018年12月10日17:12—19:13(BJT)層積云(個例一) Ka-MMCR反演的 過冷水LWP與MWR觀測液態(tài)水路徑LWP的對比Fig.5 Comparison of MWR observed liquid water path LWP with Ka-MMCR inversion of supercooled water liquid water path on December 10, 2018, at 17:12—19:13 (BJT) for the stratocumulus clouds (case 1) in Medog

2.2 墨脫2019年9月10日層積云

如圖6為墨脫2019年9月10日5:58—6:54層積云的雷達探測結(jié)果及模糊邏輯法識別提取和反演的過冷水結(jié)果。各子圖含義與圖2相同。圖6(a)為本次個例的反射率因子時空分布圖,可見本次層積云分布在4～5 km,在測站上空持續(xù)1 h。相較于墨脫2018年12月10日的層積云過程,本次過程沒有強回波中心,云體反射率因子都在-5 dBZ以下,且都位于0 ℃層高度以上,-20 ℃層高度以下。圖6(b)譜寬分布圖中可見,云中下部區(qū)域譜寬低于0.4 m/s,以單相粒子為主。云頂部分則譜寬高于0.4 m/s,主要以取向復(fù)雜的混合相態(tài)與過冷水為主。圖6(c)為多普勒徑向速度圖,云內(nèi)大部分區(qū)域以弱的下沉氣流為主,上升氣流集中在云頂?shù)牟糠謪^(qū)域。本次過程由于回波較弱,交叉極化信號的信噪比較低使得無法獲取有效的LDR。

圖7(a)為模糊邏輯法識別的過冷水結(jié)果,同樣可以看到,此次過程存在豐富的過冷水,過冷水區(qū)域主要位于云的頂部和云的底部,但云頂?shù)倪^冷水多于云底位置。本次過程由于反射率因子不強,云中未識別出冰晶與雪花等固態(tài)水凝物,主要以混合相態(tài)與過冷水為主。混合相態(tài)與反射率因子大于-15 dBZ的區(qū)域位置較為一致,過冷水則主要集中于反射率因子低于-15 dBZ的位置[圖7(b)]。圖7(c)和圖7(d)是過冷水的液態(tài)水含量LWC和有效半徑Re,LWC基本低于0.3 g/m3,平均值為0.2 g/m3。有效半徑Re基本不超過15 μm,平均值為12 μm,這與吳舉秀等[28]的結(jié)論一致。

圖6 墨脫2019年9月10日05:58—06:54層積 云過程(個例二)云雷達觀測結(jié)果Fig.6 Identification results of stratocumulus clouds (case II) in Medog on September 10, 2019, 05:58—06:54 (BJT)

圖7 墨脫2019年9月10日05:58—06:54層積云過程 (個例二)模糊邏輯法相態(tài)識別與微物理特征反演結(jié)果Fig.7 Results of the fuzzy logic method for phase identification and microphysical feature inversion result of stratocumulus clouds (case II) in Medog on September 10, 2019, 05:58—06:54 (BJT)

圖8為閾值法的識別結(jié)果,與模糊邏輯法的識別結(jié)果[圖5(a)]對比可看出,閾值法識別的過冷水區(qū)域與模糊邏輯法較一致。但在譜寬小于0.4 m/s的區(qū)域,閾值法識別為冰晶,而模糊邏輯法綜合了多個模糊基的判別條件,并未將這些區(qū)域籠統(tǒng)的識別為冰晶。

圖9為本次層積云過程云雷達觀測識別的過冷水的LWP與微波輻射計的LWP對比,可以看出,基于模糊邏輯法和閾值法識別的過冷水的LWP隨時間的變化情況,都與MWR的LWP具有較好的一致性,但量值上小于MWR的LWP。從定量評價參數(shù)來看,模糊邏輯法識別的過冷水的LWP與MWR的LWP一致性指數(shù)d為0.78, MAE為39.5 g/m2。閾值法識別的過冷水的LWP與MWR的LWP一致性指數(shù)d為0.60,MAE為48.5 g/m2。綜合兩個評價指標,可以認為模糊邏輯法相比閾值法更為合理。

圖8 墨脫2019年9月10日05:58—06:54 (BJT)層積云 (個例一)使用閾值法的相態(tài)識別結(jié)果Fig.8 Identification results of the threshold method of stratocumulus clouds (individual case I) in Medog on September 10, 2019, 05:58—06:54, (BJT) using threshold method and fuzzy logic method

圖9 墨脫2019年9月10日05:58—06:54層積云 (個例二) Ka-MMCR反演的過冷水LWP與 MWR的液態(tài)水路徑LWP的對比Fig.9 Comparison of MWR observed liquid water path LWP with Ka-MMCR inversion of SLW liquid water path on September 10, 2019, at 05:58—06:54 (BJT) for the stratocumulus clouds (case II) in Medog

3 結(jié)論

利用布設(shè)在墨脫氣候觀象臺的Ka波段毫米波云雷達基數(shù)據(jù)和微波輻射計的溫度廓線數(shù)據(jù),采用模糊邏輯法和閾值法進行過冷水識別,并通過經(jīng)驗公式反演了過冷水的微物理參數(shù)。在此基礎(chǔ)上,選取了兩個層積云過程進行過冷水識別及微物理參數(shù)反演,并將兩種方法反演的液態(tài)水路徑與微波輻射計的進行對比驗證,得出如下主要結(jié)論。

(1)模糊邏輯法和閾值法識別的過冷水基本合理,采用經(jīng)驗公式反演的LWP的變化趨勢和微波輻射計的LWP基本一致,模糊邏輯法優(yōu)于閾值法,其反演的LWP與微波輻射計的LWP具有更大的一致性指數(shù)以及更小的平均絕對誤差。

(2)墨脫地區(qū)的層積云過程具有豐富的過冷水,過冷水主要分布在反射率因子較小的云底與云頂處,其反射率因子基本不超過-15 dBZ,粒子有效半徑介于7～15 μm,液態(tài)水含量(LWC)基本位于0.01～0.3 g/m3。嵌入云中的過冷水分布較少,但其反射率因子較強,可超過0,有效半徑可達30 μm,LWC最大可超過3.0 g/m3。

(3)從墨脫兩次層積云的過冷水分布及其微物理特征來看,云中過冷水的分布與云過程的持續(xù)時間、云層厚度、反射率強度等因素密切相關(guān)。總的來說,墨脫地區(qū)云中過冷水的反射率因子、液態(tài)水含量、粒子有效半徑等參量與其他地區(qū)較為一致。但是,墨脫的過冷水分布更為豐富,可以同時存在于云底、云頂及云中。

基于Ka-MMCR基數(shù)據(jù)和微波輻射計的溫度資料,通過模糊邏輯法和閾值法識別墨脫地區(qū)層積云的過冷水并進行分析,得到的結(jié)果對于保障航空飛行安全、人工影響天氣等研究有積極意義。然而,由于本文工作所采用的梯形函數(shù)以及閾值設(shè)定均借鑒于國內(nèi)外學(xué)者的研究成果,對于墨脫當?shù)氐牡赜蛱厥庑晕吹玫介L時間觀測的檢驗。此外,在反演云微物理參數(shù)時采用的經(jīng)驗公式在墨脫地區(qū)的適用性還需要檢驗。