Plateau Meteorology

Plateau Meteorology >

2025 , Vol. 44 >Issue 5: 1249 - 1260

DOI: https://doi.org/10.7522/j.issn.1000-0534.2025.00025

Identification of Mixed Precipitation Particles and Analysis of Scale Spectrum Characteristics of Rain， Snow and Hail

  • Shuping ZOU , 1 ,
  • Liping KE 2 ,
  • Kai XIONG 3 ,
  • Dezhang LI 4 ,
  • Yu HUANG 1 ,
  • Bailian CHEN 1
Expand
  • 1. Guizhou Mountainous Meteorological Science research Institute，Guiyang 5500081，Guizhou，China
  • 2. Weining County Meteorological Bureau of Guizhou Province，Weining 553100，Guizhou，China
  • 3. Wuchuan County Meteorological Bureau of Guizhou Province，Wuchuan 564300，Guizhou，China
  • 4. Bijie Meteorological Bureau，Bijie 551700，Guizhou，China

Received date: 2024-04-20

  Revised date: 2025-03-06

  Online published: 2025-04-11

Copyright

© Editorial Department of Plateau Meteorology （CC BY-NC-ND）
Fold

Abstract

Based on the observation time series data of Guizhou DSG1 precipitation phenomenon instrument from 2018 to 2023， the particle number distribution and scale spectrum characteristics of rain， snow and hail three types precipitation were compared and analyzed， and an integrated determination algorithm for precipitation phenomenon type identification was established based on the particle number， particle spectral width， and particle plurality， and the applicability of the algorithm was evaluated.The specific conclusions are： （1） The diameter spectrum widths of rain， snow， and hail droplets are concentrated in the ranges of 1~8 mm， 1~12 mm， and 5~12 mm， respectively.The velocity spectra are concentrated in the ranges of 3~15 m∙s-1， 3~5 m∙s-1， 12~15 m∙s-1， and the particle plurality velocities are 4.4 m∙s-1， 1.1 m∙s-1 and 4.4 m∙s-1.respectively.The rain and snow precipitation types can be effectively recognized by the particle falling velocities.（2） The percentages of rain particles in the raindrop and hail drop spectrum accounted for 50.1% and 64.3%， and the number of snow particles in the snowdrop spectrum accounted for 70.2%， which exceeded half of the total number of particles.The percentage of hail particles in the hail droplet spectrum is 0.19%， which is significantly higher than the short-term heavy precipitation （0.005%）.（3） Particles with particle diameters greater than 3 mm and particle velocities of less than 5 m∙s-1 mainly exist in the process of snowfall.Particles with particle diameters greater than 5 mm and particle velocities greater than 10 m∙s-1 mainly exist in the process of hailstorms and short-term heavy precipitation.Increasing the velocity limit can improve the accuracy of hail particle recognition.（4） By evaluating the integrated determination algorithm for precipitation phenomenon type recognition， the accuracy of single precipitation type recognition reaches more than 95%， and the false alarm rate of hail is only 1.7%， which can effectively reduce the cases of misrecognition as hail in short-term heavy precipitation.

Key words： raindrop spectrum; precipitation type; particle identification; particle diameter; falling speed

Cite this article

Shuping ZOU , Liping KE , Kai XIONG , Dezhang LI , Yu HUANG , Bailian CHEN . Identification of Mixed Precipitation Particles and Analysis of Scale Spectrum Characteristics of Rain， Snow and Hail[J]. Plateau Meteorology, 2025 , 44(5) : 1249 -1260 . DOI: 10.7522/j.issn.1000-0534.2025.00025

1 引言

降水是指云中液态的、 固态的或混合态的水凝（冻）物从空中下落到地面上的一种天气现象， 通常降水类型包含雨滴、 雪花、 冰粒、 米雪、 霰、 雹等， 在一次降水过程中可能同时包含多种降水类型或不同降水类型之间的相互转换， 不同水凝物微物理特性反映了不同降水形成的环境场条件， 这对研究云中水凝物形成过程和相互作用具有重要的指示意义（Rosenfeld and Ulbrich， 2003； 银燕等， 2018）。激光雨滴谱仪又称天气现象仪或降水现象仪， 是近地面测量降水粒子物理特性的一种主要观测手段， 被广泛应用于我国地面气象观测业务和野外云雾观测科学试验中（濮江平等， 2007； 杜波等， 2017； 申高航等， 2021）， 其观测到的降水粒子滴谱统称为雨滴谱， 可反映不同降水类型尺度谱分布特征。研究表明， 雨滴谱数密度随直径增大而迅速减小， 符合M-P分布和Gamma分布（Marshall and Palmer， 1948； Takeuchi， 1978； 陈宝君等， 1998； 郑娇恒和陈宝君， 2007）， 粒子直径与粒子下落速度之间呈Gunn_Kinzer指数函数关系， 它是识别不同降水现象类型的主要依据（Gunn and Kinzer， 1949； Atlas et al， 1973； Ulbrich， 1983； Yuter et al， 2006）。
不同降水类型和不同地区的雨滴谱特征有明显的差异性。譬如， 层状云降水具有雨滴谱窄、 平均粒径小、 数浓度低、 分布均匀， 对流云降水则雨滴谱宽、 平均粒径大、 数浓度高、 分布不均匀（宫福久等， 1997； 刘红燕和雷恒池， 2006； 李慧等， 2018； 李侠丽等， 2019）； 低海拔山区平原对流云降水比层状云降水的雨滴谱更宽， 雨滴数浓度及平均直径大， 高原地区整体雨滴谱更窄， 小雨滴（直径1.0 mm）数浓度更高（李山山等， 2020； 赵城城等， 2021； 彭旺等， 2022； 孙钦宏等， 2023； 刘艳霞等， 2024； 陈普晨等， 2023）。单一降水过程中雨滴谱的粒子下落速度集中分布在2~5 m∙s-1之间， 粒子直径集中分布在0.3~3.8 mm之间， 最大雨滴直径可达到8 mm， 最大下落速度可达到13.5 m∙s-1， 有较多数量的粒子下落速度在5 m∙s-1以上； 伴随冰雹的对流云降水过程（石安英等， 1989； 牛生杰等， 1999； 岳治国和梁谷， 2018； 王俊等， 2021； 刘彦等， 2023）， 粒子直径≥5 mm且粒子速度≥10 m∙s-1的粒子数目明显增多， 谱宽更宽、 非均匀性更明显， 直径0.3~5 mm雨滴和直径5 ~ 11 mm冰雹数浓度分别占总降水粒子数浓度的99.7%和0.3%， 冰雹粒子下落速度达到11.6 m·s-1； 雪或雨夹雪的降水过程， 雪粒子下落速度多集中于0.5~2 m∙s-1， 雨夹雪的尺度谱宽较小， 纯雪的尺度谱宽较大， 大部分的粒子数目集中在直径小于2 mm范围内， 雪粒子直径谱宽可达到10 mm以上， 下落速度大多在5 m∙s-1以下（贾星灿等， 2018； 李遥等， 2019； 王智敏等， 2021； 李慧等， 2021； 杨成芳和赵宇， 2021； 温静等， 2023）。
根据不同降水类型粒子直径和下落末速度的粒子分布特点， 降水现象仪能够自动识别不同降水现象类型（李德俊等， 2014； 毛宇清等， 2022）。对降水现象仪观测应用评估表明（常奋华等， 2022； 杜传耀等， 2019）， 在小雨强时毛毛雨识别准确率会降低， 而在大雨强时易出现雨滴叠加误识别为冰雹的情况， 冰雹的误判均出现在强降水天气过程中， 冰雹误判率达到7.3%， 真正出现冰雹比例仅为0.05%。降水现象判定准确性与人工观测还有一定的差距（杨宁等， 2018）， 需要建立降水现象识别综合判定算法。鉴于此， 本研究基于2018 -2023年贵州DSG1型降水现象仪观测时间序列资料， 对比分析雨、 雪、 雹三类降水的粒子数分布和尺度谱特征， 通过粒子数目、 粒子直径和下落末速度之间的关系， 建立降水现象类型识别综合判定算法并评估算法的适用性。

2 资料来源和方法介绍

2.1　测量仪器与数据来源

DSG1型降水现象仪是一种基于激光衰减原理进行测量的光学测量系统， 通过采样区内降水粒子对激光衰减大小来测量降水粒子直径和下落末速度。DSG1降水现象仪的激光束取样面积为54 cm2（18 cm×3 cm）， 采样间隔为1 min， 测量的物理量由降水粒子直径D（探测区间为0~25 mm， 液态降水测量为0.312~6 mm）、 下落末速度V（探测区间为0~20 m∙s-1， 雨滴下落速度测量为0.25~15.2 m∙s-1）和水凝物粒子数组成， 记录的是由1024个格点所组成的32×32二维数据阵列。本文所用雨滴谱数据来自2018 -2023年贵州威宁（56691， 26°52′N， 104°17′E， 2237.5 m）、 毕节（57707， 27°18′N， 105°17′E， 1510.6 m）、 金沙（57714， 27°28′N， 106°14′E， 942 m）和务川（57634， 28°31′N， 107°53′E， 660.3 m）4个台站的DSG1型降水现象仪观测资料， 涵盖积雨云、 层状云和积层混合云三类降水云系， 以及雨、 雪、 雹三类降水天气过程， 通过筛选得到81个降雨日的雨滴谱样本210次， 72个降雪日的雪滴谱样本191次， 10个降雹日的雹滴谱样本10次， 这些样本数据连续观测时间不少于30 min。降雨（雪）量实测资料来自地面台站翻斗式雨量计和称重式记录仪， 降雹信息来自观测站人工记录， 主要包含降雹时间、 降雹密度和降雹大小等。

2.2　降水现象识别方法与雨滴谱尺度算法

在现有降水现象识别中， 通常以连续3 min的3次样本数据作为降水现象识别判定的依据。降水天气现象识别主要依据Gunn_Kinzer 曲线分布函数， 即V=9.65~10.4×e-0.6 D 关系式， 采用等速度线（V=3 m∙s-1 和V=10 m∙s-1）和等直径线（D=0.6 mm 和D=5 mm）来区分单一降水粒子和混合降水粒子的识别区， 以单一降水类型粒子数占比来识别毛毛雨（DR）、 雨（RA）、 雪（SN）、 雨夹雪（RS）、 冰雹（HA）等降水现象类型（杨宁等， 2018； 常奋华等， 2022）。
在实际应用中， 降水粒子滴谱（统称为雨滴谱， 或按雨滴谱、 雪滴谱、 雹滴谱进行区分）表示单位体积内各种大小雨滴的数量随其直径和速度的分布状况， 由粒子直径、 下落末速度、 粒子数目（用色差表示）绘制的二维分布图称为滴谱图（杨宁等， 2018； 常奋华等， 2022）， 它直观地反映降水粒子的分布状况。在统计分布上， 直径谱宽Dw 、 速度谱宽Vw 是指滴谱粒子最大直径和粒子最大末速度， 粒子众数直径Dcg 、 众数速度Vcg 是指粒子数出现最多的格点直径值和格点速度值， 它们反映了降水粒子散落程度和集中分布的特点。

3 三类降水类型粒子谱和粒子数分布特征

3.1　三类降水类型粒子谱宽统计

降水现象类型与降水粒子直径和粒子下落末速度密切相关。基于所选取样本粒子滴谱二维分布特征， 结合现行降水现象类型识别方法以及大雨滴会破碎的特点， 在等速度线3 m∙s-1 、 10 m∙s-1和等直径线D=0.6 mm 、 5 mm的基础上， 将粒子直径谱宽和速度谱宽各分为8段， 以此分析三类降水滴谱的直径谱宽和速度谱宽的分布特征（见表1）。
表1 三类降水滴谱的直径谱宽和速度谱宽的分段统计

Table 1 Segmented statistics of diameter spectrum widths and velocity spectrum widths of three types of precipitation

谱宽/类型 雨（RA） 雪（SN） 雹（HA）
类别 分段 频次/次 百分比/% 频次/次 百分比/% 频次/次 百分比/%

直径谱宽

Dw /mm

 Dw 1.0 9 4.29 7 3.66 0 0.00
1.0≤Dw 3.0 72 34.29 33 17.28 0 0.00
3.0≤Dw 5.0 62 29.52 33 17.28 0 0.00
5.0≤Dw 8.0 58 27.62 55 28.80 1 10.00
8.0≤Dw 10.0 7 3.33 23 12.04 2 20.00
10.0≤Dw 12.0 1 0.48 19 9.95 4 40.00
12.0≤Dw 15.0 0 0.00 14 7.33 0 0.00
Dw ≥15.00 1 0.48 7 3.66 3 30.00

速度谱宽

Vw /（m∙s-1）

 Vw 1.0 0 0.00 0 0.00 0 0.00
1.0≤Vw 3.0 0 0.00 9 4.71 0 0.00
3.0≤Vw 5.0 33 15.71 137 71.73 0 0.00
5.0≤Vw 8.0 45 21.43 41 21.47 0 0.00
8.0≤Vw 10.0 44 20.95 3 1.57 0 0.00
10.0≤Vw 12.0 49 23.33 1 0.52 0 0.00
12.0≤Vw 15.0 35 16.67 0 0.00 7 70.00
Vw ≥15.00 4 1.90 0 0.00 3 30.00
雨、 雪、 雹滴谱的直径谱宽集中分布在1~8 mm、 1~12 mm、 5~12 mm， 分别占总频次的91.4%、 92.7%、 70%； 雨、 雪滴谱速度谱宽集中分布在3~15 m∙s-1、 3~8 m∙s-1， 分别占总频次的98%、 93.2%， 雹滴谱的速度谱宽均≥12 m∙s-1， 最大速度谱宽达到17.6 m∙s-1。雨滴谱直径谱宽大多小于8 mm， 是大雨滴破碎导致的结果， 其速度谱宽≥3 m∙s-1， 反映出雨滴下落速度较快的特点； 雪滴谱的速度谱宽在3~5 m∙s-1的占比达71.7%， 体现了雪粒子尺度较大而下落速度集中分布的特点。雨滴谱、 雹滴谱的直径谱宽和速度谱宽同属于粒子下落速度的大值区， 雪滴谱的直径谱宽和速度谱宽则同属于粒子直径的大值区， 当粒子直径谱宽与速度谱宽的大值区相一致时， 降水类型具有单一性。

3.2　三类降水类型粒子数分布

降水现象类型与不同识别区粒子数占比有关。表2是三类降水滴谱的粒子数统计表， 除DR、 RA、 SN、 RS、 HA外， 把下落速度≥10 m∙s-1且直径5 mm的粒子作为霰（GR）粒子进行统计（吴世美等， 2017）。雨滴谱、 雹滴谱的RA粒子数占比分别为50.1%、 64.3%， 雪滴谱的SN粒子数占比为70.2%， 说明单一降水类型粒子数占总粒子数的半数以上， 这对单一降水现象识别具有很好的指示作用； 雹滴谱的HA、 GR粒子数占比分别为0.19%、 0.17%， 雨滴谱的HA、 GR粒子数占比分别为0.005%、 0.02%， 降雹天气的HA粒子数多于GR， 强降水天气的HA粒子数小于GR， 这对冰雹识别具有一定的参考价值。
表2 三类降水滴谱的粒子数统计

Table 2 Particle number statistics of three types of precipitation

降水粒子

识别

 雨 雪 雹
粒子数/粒 百分比/% 粒子数/粒 百分比/% 粒子数/粒 百分比/%
合计 13523818 100 4582934 100 419040 100
毛毛雨（DR） 4810396 35.57 1278814 27.90 71088 16.96
雨区（RA） 6772450 50.08 78439 1.71 269435 64.30
雪区（SN） 1837033 13.58 3215750 70.17 63236 15.09
雨雪区（RS） 100679 0.74 9925 0.22 13744 3.28
雹区（HA） 632 0.005 3 0.00 809 0.19
霰区（GR） 2628 0.02 3 0.00 728 0.17
在210次降雨过程中， 半数以上的RA粒子满足粒子直径≥3 mm且粒子速度≥5 m∙s-1的有128次， 占61%， RA与SN粒子数比为43∶1（表略， 下同）； 在191次降雪过程中， 半数以上的SN粒子满足粒子直径≥3 mm且5 m∙s-1的有151次， 占79.1%， RA与SN粒子数比为1∶131； 符合粒子直径≥5 mm且粒子速度≥10 m∙s-1的HA粒子， 在冰雹和短时强降水的对流云天气过程均有出现， 而粒子下落速度≥12 m∙s-1的HA粒子， 在降雨、 降雹样本中出现的占比分别为8.6%、 100%。统计结果表明， 以粒子直径3 mm和粒子速度5 m∙s-1作为分布区间， 可以对雨和雪进行区分， 通过粒子下落速度的限定可以改善对HA粒子识别的能力。

3.3　三类降水类型粒子数分档统计

对粒子分档直径和粒子分档速度而言， 分别对应的是32行、 32列的格点粒子数， 通常统计32行和32列的总粒子数， 以表征粒子分档直径和粒子分档速度的分布状况。由于三类降水类型的粒子数量级相差较大， 如表2中雨滴谱、 雪滴谱、 雹滴谱的总粒子数分别约为1.35×107粒、 4.58×106粒、 4.19×105粒， 因而采用归一化的方式统计分析32分档粒子数占粒子总数的百分比情况。图1是2018 - 2023年三类降水滴谱的粒子分档直径和粒子分档速度的粒子数百分比。三类降水粒子直径谱数密度分布具有相似性， 粒子数密度随直径增大而迅速减小， 服从Gamma分布。其中， 雨、 雪、 雹三类降水粒子分档直径（占比5%以上）主要分布在0.437~1.375 mm之间， 粒子数占比分别为88.0%、 84.0%、 83.5%， 粒子分档直径众数分别为0.562 mm、 0.562 mm、 0.687 mm， 粒子数占比分别为19.3%、 15.7%、 14.9%； 雨、 雪、 雹粒子分档速度（占比5%以上）主要集中分布在1.5~5.2 m∙s-1、 0.65~1.7 m∙s-1、 2.2~5.2 m∙s-1之间， 分别占总粒子数的86.3%、 79.0%、 76.8%， 粒子分档速度的众数分别为4.4 m∙s-1、 1.1 m∙s-1、 4.4 m∙s-1， 分别占总粒子数的14.5%、 16.3%、 16.6%。统计分析表明， 雨（雹）滴谱、 雪滴谱的粒子速度谱分布具有相似性， 但两者速度分布区间和速度众数差异显著， 把粒子下落速度作为识别雨、 雪降水类型极具代表性。
图1 粒子分档直径（a）和分档速度（b）的粒子数百分比

Fig.1 Percentage of particle numbers for particle grading diameter （a） and grading speed （b）

3.4　降水现象识别算法融合与对比检验

根据三类降水粒子谱宽分布特征， 把粒子直径谱宽分成窄谱（Dw 3.0 mm）和宽谱（Dw ≥3.0 mm）两类， 通过比较粒子直径谱宽和速度谱宽的一致性（若两者相一致时表明降水粒子类型具有单一性， 反之， 则属于混合型降水）， 以区分毛毛雨类弱降水和混合型降水天气类型， 结合粒子数、 粒子谱宽、 粒子速度等技术指标， 建立降水现象识别综合判定算法， 以识别毛毛雨、 雨、 雪、 雨夹雪、 冰雹等降水现象类型。具体判定条件如下：
（1） 毛毛雨的判定： ①当粒子直径0.6 mm的粒子数占比≥60%， 识别为毛毛雨天气； ②在符合雨和毛毛雨的粒子数占比≥60%或雪和毛毛雨的粒子数占比≥60%的条件下， 若粒子直径谱宽3.0 mm、 速度谱宽≤6 m∙s-1时， 识别为毛毛雨天气。
（2） 雨的判定： ①当雨粒子数占比≥60%时， 识别为降雨天气； ②在符合雨粒子数≥30%的条件下， 若粒子众数速度≥1.5 m∙s-1、 粒子直径谱宽≥1.5 mm、 速度谱宽≥5 m∙s-1， 且速度谱宽所对应的直径≥1.2 mm或直径谱宽所对应的速度≥3 m∙s-1时， 识别为降雨天气。
（3） 雪的判定： ①当雪粒子数占比≥60%以上时， 识别为降雪天气； ②在符合雪粒子数≥30%的条件下， 若粒子众数速度≤3.0 m∙s-1、 粒子直径谱宽≥1.5 mm、 速度谱宽≤6 m∙s-1， 且速度谱宽所对应的直径≥3 mm或直径谱宽所对应的速度5 m∙s-1时， 识别为降雪天气。
（4） 雨夹雪的判定： ①若不符合毛毛雨、 雨、 雪的判定条件， 则识别为雨夹雪天气。
（5） 冰雹的判定： ①在符合粒子直径≥5 mm的粒子数≥6粒的条件下， 若雹粒子数与霰粒子数的比值≥0.3、 粒子直径谱宽≥5 mm、 速度谱宽≥12 m∙s-1， 且速度谱宽所对应的直径≥5 mm时， 识别为冰雹天气。
从表3的样本统计结果可以看出， 毛毛雨、 雨、 雪识别正确率分别为100%、 94.3%、 96.4%， 雹、 雨夹雪识别正确率分别为90%、 44.4%， 表明单一雨、 雪天气识别准确率明显好于混合型降水天气。仅从冰雹识别结果来看， 冰雹误报3次， 这与它捕获大雨滴粒子数有关； 冰雹漏报1次， 主要是冰雹直径较小而导致， 该次降雹直径仅为3 mm。
表3 降水现象识别样本统计检验

Table 3 Statistical test of samples for identification of precipitation phenomena

降水类型 毛毛雨（DR） 雨（RA） 雪（SN） 雨夹雪（RS） 雹（HA）
总样本数/次 81 176 165 9 10

降水现象识别

样本数/次

 毛毛雨（DR） 81 7 6 2 0
雨（RA） 0 166 0 1 1
雪（SN） 0 0 159 2 0
雨夹雪（RS） 0 0 0 4 0
雹（HA） 0 3 0 0 9
正确率/% 100 94.3 96.4 44.4 90
基于本综合判别方法的检验结果表明， 单一毛毛雨、 雨、 雪降水天气综合识别准确率达到95%以上， 冰雹误判率仅为1.7%， 小雨强时毛毛雨识别率低的情况得到明显改善， 且有效地减少了在大雨强时因雨滴叠加误识别为冰雹的情况。

4 个例分析

4.1　 2021年5月9日一次冰雹短时强降水天气过程滴谱特征分析

2021年5月9日， 贵州毕节出现了一次冰雹、 短时强降水天气过程， 降雹记录时间为16:59 -17:02（北京时， 下同）， 冰雹直径为5~10 mm， 实际降水时长达4 h， 总降雨量超过100 mm。在此， 仅选取16:57 -17:26（30 min）雨滴谱样本数据， 对应降雨量为23.6 mm， 分为降雹前16:57 -16:58（2 min， 雨量0.9 mm）， 降雹中16:59 -17:02（4 min， 雨量5.5 mm）、 降雹后17:03 -17:26（24 min， 雨量17.2 mm）三个时段， 通过雨滴谱粒子数、 谱宽的时序变化特征， 着重分析冰雹天气出现时段的合理性。图2是2021年5月9日16:57 -17:26三个时段的雨滴谱。其中， 在16:57 -16:58、 16:59 -17:02、 17:03 - 17:26三个时段， 粒子直径谱宽、 速度谱宽分别为7.5 mm、 12 m∙s-1， 13 mm、 15.2 m∙s-1， 11 mm、 15.2 m∙s-1。
图2 2021年5月9日16:57 -17:26三个时段的雨滴谱（单位： 粒）

（a） 降雹前， （b） 降雹中， （c） 降雹后

Fig.2 Raindrop of hail events at 16:57 -17:26 on 9 May 2021.Unit： grain.（a） before hail， （b） during hail， （c） after hail

表4是2021年5月9日16:57 -17:26三个时段的滴谱的粒子数统计表。结合降水现象识别综合判定算法， 此处仅从雨、 雹的粒子数和谱宽的判定条件来看， 三个时段雨粒子数的占比为62.8%， 直径谱宽为13 mm， 速度谱宽为15.2 m∙s-1， 雹粒子数49粒， 符合冰雹判定的条件， 可识别为冰雹天气。
表4 2021年5月9日16:57 -17:26三个时段滴谱的粒子数统计

Table 4 Particle number statistics of three periods from 16:57 -17:26 on May 9， 2021

16:57 -16:58（雨， RA） 16:59 -17:02（雹， HA） 17:03 -17:26（雨， RA）
粒子数/粒 百分比/% 粒子数/粒 百分比/% 粒子数/粒 百分比/%
合计 356 100 13760 100 39321 100
毛毛雨（DR） 42 11.8 3374 24.5 5807 14.8
雨区（RA） 276 77.5 7660 55.7 25598 65.1
雪区（SN） 22 6.2 2363 17.2 6186 15.7
雨雪区（RS） 6 1.7 344 2.5 1638 4.2
雹区（HA） 9 2.5 12 0.1 28 0.1
霰区（GR） 1 0.3 7 0.1 64 0.2
图3是2021年5月9日16:57 -17:26粒子数和降雨量组合的分钟序列。从图3（a）来看， 降水粒子数量与降雨量大小的变化趋势一致， 它直观地反映了整个降雨天气的变化过程。在16:57 - 17:14、 17:15 -17:26出现两次降雨强弱变化过程， 累积粒子数分别为36275粒、 17162粒， 占粒子总数的67.9%、 32.1%， 降雨量分别为15.7 mm、 7.9 mm， 占降雨总量的66.5%、 33.5%， 粒子数比值与降雨量比值相接近。在整个降水阶段， 雨粒子数、 雪粒子数的占比分别在48.2%~77.6%、 5.9%~24.6%之间， 雨粒子数显著多于雪粒子数， 属于单一降水类型［见图3（b）］。
图3 2021年5月9日16:57 -17:26粒子数和降雨量组合的分钟序列

（a） 粒子总数、 降雨量， （b） 雨、 雪粒子数， （c） 雹、 霰粒子数

Fig.3 Minute sequence of particle number and rainfall combination at 16:57 -17:26 on May 9， 2021.（a） Total number of particles， precipitation， （b） particles of rain and snow， （c） particles of hail and graupel

在图3（c）中， 霰粒子存在于整个降水过程中， 雹粒子分布在16:57 -17:01、 17:09 -17:17两个时段。其中， 16:57 -17:01的雹粒子数（27粒）多于霰粒子数（8粒）， 可判定为冰雹天气， 与实际降雹记录时间16:59 -17:02略有差异， 与现有降水现象识别以连续3 min样本数据作为判定依据所导致。在17:09 -17:17时段， 实测降雨量为8.2 mm， 占总降雨量的34.7%， 累积粒子数为14612粒， 占总粒子数的27.3%， 分析认为是大雨滴对降雨强度产生的影响。

4.2　 2022年2月6日一次雨夹雪天气过程滴谱特征分析

2022年2月6日14:46-16:40， 贵州毕节出现了一次雨夹雪天气过程， 持续时间115 min， 降雨（雪）量6.6 mm、 积雪深度为1 cm。通过降水现象识别综合判定算法结果， 可划分为雨（14:46 -15:08， 23 min）、 雪（15:09 -15:19， 11 min）、 雨夹雪（15:20 - 15:23， 4 min）、 雨（15:24 -15:49， 26 min）、 雨夹雪（15:50 -15:56， 7 min）、 雨（15:57 -16:40， 44 min）6个阶段。图4是2022年2月6日14:46 -16:40分段雨、 雪、 雨夹雪滴谱图。
图4 2022年2月6日14:46 -16:40分段雨、 雪、 雨夹雪滴谱图（单位： 粒）

（a） 雨， 14:46 -15:08， （b）雪， 15:09 -15:19， （c） 雨夹雪， 15:20 -15:23， （d） 雨， 15:24 -15:49， （e） 雨夹雪， 15:50 -15:56， （f） 雨， 15:57 -16:40

Fig.4 Segmented spectrum of rain， snow and mixed droplets at 14:46 -16:40 on February 6， 2022.Unit： grain（a） rain， 14:46 -15:08， （b） snow， 15:09 -15:19， （c） rain snow， 15:20 -15:23， （d） rain， 15:24 -15:49， （e） rain snow， 15:50 -15:56， （f） rain， 15:57 -16:40

图5是2022年2月6日14:46 -16:40雨、 雪粒子数和粒子数百分比的分钟序列， 它比较确切地反映了雨、 雪、 雨夹雪天气变化的转化过程。与降水现象识别结果相比较， 把整个雨雪天气过程划分为雨（14:46 -15:07， 22 min）、 雪（15:08 -15:23， 16 min）、 雨（15:24 -15:49， 26 min）、 雨夹雪（15:50 -15:56， 7 min）、 雨（15:57 -16:40， 44 min）5个阶段更为恰当。其中， 3个降雨时段的持续时间为92 min， 雨粒子数占半数以上时长为52 min； 降雪和雨夹雪时段的持续时间为23 min， 雪粒子数占半数以上时长为16 min。分析表明， 这次雨夹雪天气过程以降雨天气为主。
图5 2022年2月6日14:46 -16:40雨、 雪粒子数（a）与粒子数百分比（b）的分钟序列

Fig.5 Minute sequence of rain and snow particle number （a） and particle number percentage （b） at 14:46 -16:40 on February 6， 2022

图6是2022年2月6日14:46 -16:40粒子谱直径谱宽和速度谱宽组合的分钟序列。在降雨集中时段［图6（a）］， 雨滴谱直径谱宽、 速度谱宽分别在1.875~5.5 mm、 5.2~10.4 m∙s-1之间； 在降雪集中时段［图6（a）］， 雪滴谱的直径谱宽、 速度谱宽分别在3.25~11.0 mm、 4.4~6.0 m∙s-1， 雨滴谱的尺度谱小于雪滴谱， 速度谱则大于雪滴谱， 这与雪粒子下落速度大多在5 m∙s-1以下的结论相一致。
图6 2022年2月6日14:46 -16:40粒子谱直径谱宽（单位： mm）和速度谱宽（单位： m∙s-1）组合的分钟序列

（a） 直径谱宽、 速度谱宽， （b） 直径谱宽、 速度谱直径值， （c） 速度谱宽、 直径谱速度值

Fig.6 Minute sequence of particle diameter spectrum（unit： mm） and velocity spectrum （unit： m∙s-1） from 14:46 -16:40 on February 6， 2022.（a） diameter spectrum， velocity spectrum， （b） diameter spectrum， diameter value of the speed spectrum， （c） velocity spectrum、 velocity values of the diameter spectrum

在降雨集中时段［图6（b）， （c）］， 雨滴谱的直径谱宽及对应粒子速度的平均值分别为3.25 mm、 7.6 m∙s-1， 速度谱宽的平均值及对应粒子直径的平均值分别为7.2 m∙s-1、 3.07 mm； 在降雪集中时段［图6（b）， （c）］， 雪滴谱直径谱宽及对应粒子速度的平均值分别为5.22 mm、 3.6 m∙s-1， 速度谱宽及对应粒子直径的平均值分别为4.5 m∙s-1、 3.26 mm； 在雨雪相互转化阶段［图6（b）， （c）］， 如15:19， 粒子直径谱宽及对应粒子下落速度分别为11 mm、 1.9 m∙s-1， 速度谱宽及对应粒子直径分别为5.2 m∙s-1、 2.75 mm； 15:52， 粒子直径谱宽及对应粒子下落速度分别为9.5 mm、 2.2 m∙s-1， 速度谱宽及对应粒子直径分别为5.2 m∙s-1、 2.375 mm。结果表明， 雨、 雪滴谱的直径谱宽和速度谱宽具有一致性， 雨雪转化混合降水滴谱则不具有一致性。

5 结论

本文利用2018 -2023年贵州雨、 雪、 雹三类降水天气的雨滴谱数据， 对比分析雨滴谱的粒子数分布和尺度谱特征， 以及粒子数目、 粒子直径和下落末速度之间的关系， 建立了基于粒子数、 粒子谱宽、 众数速度的降水现象识别综合判定技术指标。结论如下：
（1） 粒子数目、 尺度谱宽分布与降水类型密切相关， 当粒子直径谱宽和速度谱宽一致性较强时， 降水类型具有单一性， 反之则属于为混合型降水类型。雨、 雪、 雹滴谱的直径谱宽分别集中分布在1~8 mm、 1~12 mm、 5~12 mm， 速度谱宽分别集中分布在3~15 m∙s-1、 3~5 m∙s-1， 12~15 m∙s-1， 粒子分档众数速度分别为4.4 m∙s-1、 1.1 m∙s-1、 4.4 m∙s-1。众数速度直观地反映了不同降水粒子相态、 尺度、 密度的物理特性， 把粒子下落速度作为雨、 雪降水类型识别极具代表性。
（2） 雨滴谱、 雹滴谱的雨区粒子数占比分别为50.1%、 64.3%， 雪滴谱的雪区粒子数占比为70.2%， 其对应滴谱的单一降水粒子超过半数； 雹滴谱的雹区粒子数占比为0.19%， 显著高于短时强降水的0.005%， 降雹天气雹粒子多于霰粒子， 强降水天气霰粒子多于雹粒子， 这对识别短时强降水、 冰雹具有很好的指示作用。
（3） 粒子直径≥3 mm和粒子速度5 m∙s-1的粒子， 主要存在于降雪天气过程中， 基于不同类型粒子数占比、 直径、 速度特征可以对雨（雪）进行区分； 粒子直径≥5 mm和粒子速度≥10 m∙s-1的粒子， 主要存在于冰雹和短时强降水的对流云天气过程中， 通过提高速度限定可以提高冰雹粒子识别的准确性。
（4） 降水现象识别算法检验结果表明， 对单一降水现象类型识别准确率达到95%以上， 冰雹误报率仅为1.7%， 有效地减少了在短时强降水中冰雹误识别的情况。对于雨夹雪、 雨夹雹等混合型降水类型， 还有待积累更多的滴谱样本资料做深入分析研究和验证评估， 进而提高混合降水现象识别的准确率。

References

Publishing order | Descend order by publishing year | Descend order by cited within
Atlas D， Srivastava R C， Sekhon R S， 1973.Doppler radar characteristics of precipitation atvertical incidence［J］.Reviews of Geophysics Space Physics， 11（1）： 1-35.DOI： 10.1029/RG011i001p00001 .

Marshall J S， Palmer W M， 1948.The distribution of raindrops with size［J］.Journal of Meteorology， 5（4）： 165-166.DOI： 10.1175 /1520-0469（1948）005 0165： TDORWS2.0.CO； 2 .

Rosenfeld D， Ulbrich C W， 2003.Cloud micro physical properties， processes and rainfall estimation opportunities［J］.Meteorological Monographs， 30（52）： 237-258.DOI： 10.1175/0065-9401（2003）0302.0.CO； 2 .

Gunn R， Kinzer G D， 1949.The terminal velocity of fall for water droplets in stagnant air［J］.Journal of Meteorology， 6（4）： 243-248．DOI： 10.1175/1520-0469 （1949）0060243： TTVOFF2.0.CO； 2 .

Takeuchi D M， 1978.Characterization of raindrop size distributions［C］//Preprints of Conf.Cloud Physics and Atmospheric Electricity．Issaquah： American Meteorological Society， 154-161.

Ulbrich C W， 1983.Natural Variations in the Analytical Form of the Rain-drop Size Distribution［J］.Journal of Applied Meteorology and Climatology， 22（10）： 1764-1775.DOI： 10.1175/1520-0450（1983）0222.0.CO； 2 .

Yuter S E， Kingsmill D E， Nance L B， et al， 2006.Observations of precipitation size and fall speed characteristics with in coexisting rain and wet snow［J］.Journal of Applied Meteorology and Climatology， 45（10）： 1450-1464.DOI： 10.1175/JAM2406.1 .

常奋华， 王帅， 唐辉亮， 等， 2022.降水现象仪数据分析及订正算法研究［J］.海峡科学， 186（9）： 17-22.

Chang F H， Wang S， Tang H L， et al， 2022.Study on the analysis and correction algorithm of precipitation phenomenon instrument data［J］.Strait Science， 186（9）： 17-22.

陈宝君， 李子华， 刘吉成， 1998.三类降水云雨滴谱分布模式［J］.气象学报， 56（4）： 506-512.

Chen B J， Li Z H， Liu J C， 1998.Model of raindrop size distribution in three types of precipitation［J］.Acta Meteorologica Sinica， 56（4）： 506-512.

陈普晨， 李忠勤， 王璞玉， 等， 2023.高寒山区固态降水观测对比研究［J］.高原气象， 42（1）： 116-127.DOI： 10.7522/ j.issn.1000-0534.2022.00021.Chen P C ，

Li Z Q， Wang P Y， et al， 2023.Comparative study of solid precipitation observation in alpine mountains［J］.Plateau Meteorology， 42（1）： 116-127.DOI： 10.7522/ j.issn.1000-0534.2022.00021 .

杜波， 马舒庆， 梁明珠， 等， 2017.雨滴谱降水现象仪对比观测试验技术应用分析［J］．气象科技， 45（6）： 995-1001.DOI： 10.19517/j.1671-6345.20160724.Du B ，

Ma S Q， Liang M Z， et al， 2017.Observation contrast experiment and application of raindrop spectrum precipitation phenomen on instrument［J］.Meteorological Science and Technology， 45（6）： 995-1001.DOI： 10.19517/j.1671- 6345.20160724 .

杜传耀， 尹佳莉， 李林， 等， 2019．降水现象仪观测应用评估［J］.气象， 45（5）： 730-737.DOI： 10.7519/j.issn.1000-0526.2019.05.015.Du C Y ，

Yin J L， Li L， et al， 2019.Application valuation of precipitation phenomen on instrument observation［J］.Meteorological Monthly， 45（5）： 730-737.DOI： 10.7519/j.issn.1000-0526.2019.05.015 .

宫福久， 刘吉成， 李子华， 1997.三类降水云雨滴谱特征研究［J］.大气科学， 21（5）： 607-614．

Gong F J， Liu J C， Li Z H， 1997.Study of the raindrop size distributions for three types of precipitation［J］.Chinese Journal of Atmospheric Sciences， 21（5）： 607-614.

贾星灿， 马新成， 毕凯， 等， 2018.北京冬季降水粒子谱及其下落速度的分布特征［J］.气象学报， 76（1）： 148-159．DOI： 10.11676/ qxxb2017.076.Jia X C ，

Ma X C， Bi K， et al， 2018.Distribution characteristics of winter precipitation particle spectrum and its falling velocity in Beijing［J］.Acta Meteorologica Sinica， 76（1）： 148-159.DOI： 10.11676/ qxxb2017.076 .

李德俊， 熊守权， 柳草， 等， 2014.鄂西北两次强降雪的滴谱特征和积雪深度预估方法［J］.气象， 40（5）： 612-618.DOI： 10.7519/j.issn.1000-0526.2014.05.012．Li D J ，

Xiong S Q， Liu C， et al， 2014.Droplet spectrum characteristics and depth forecast method of two snowstorms in Northwest of Hubei［J］.Meteorological Monthly， 40（5）： 612-618.DOI： 10.7519/j.issn.1000-0526.2014.05.012 .

李慧， 银燕， 单云鹏， 等， 2018.黄山层状云和对流云降水不同高度的雨滴谱统计特征分析［J］.大气科学， 42（2）： 268-280.DOI： 10.3878/j.issn.1006-9895.1705.16291.Li H ，

Yin Y， Shan Y P， et al， 2018.Statistical characteristics of raindrop size distribution for stratiform and convective precipitation at different altitudes in Mt.Huangshan［J］.Chinese Journal of Atmospheric Sciences， 42（2）： 268-280.DOI： 10.3878/j.issn.1006-9895.1705.16291 .

李慧， 苏立娟， 郑旭程， 等， 2021.呼和浩特降雨和降雪过程粒子谱分布特征分析［J］.气象， 47（1）： 71-81．DOI： 10.7519/j.issn.1000-0526.2021.01.007.Li H ，

Su L J， Zheng X C， et al， 2021.Analysis on characteristics of particle size distribution during rain and snow processes in Hohhot［J］.Meteorological Monthly， 47（1）： 71-81.DOI： 10.7519/j.issn.1000-0526.2021.01. 007 .

李山山， 王晓芳， 万蓉， 等， 2020.青藏高原东坡不同海拔区域的雨滴谱特征［J］.高原气象， 39（5）： 899-911.DOI： 10.7522/j.issn.1000-0534.2019.00086.Li S S ，

Wang X F， Wan R， et al， 2020.The characteristics of raindrop spectrum in different altitude region on the eastern slope of Qinghai-Xizang Plateau［J］.Plateau Meteorology， 39（5）： 899-911.DOI： 10.7522/j.issn.1000-0534.2019.00086 .

李侠丽， 潘先洁， 童应祥， 等， 2020.两次强降水过程雨滴谱特征及差异［J］．气象科技， 47（2）： 322-328.DOI： 10.19517/j.1671-6345.20180132.Li X l ，

Pan X J， Tong Y X， et al， 2020.Raindrop spectral characteristics of two different types of heave precipitation based on raindrop spectral data［J］.Meteorological Science and Technology， 45（6）： 995-1001.DOI： 10.19517/j.1671-6345.20180132 .

李遥， 牛生杰， 吕晶晶， 等， 2019.2018年冬季南京三次暴雪过程微物理特征分析 ［J］.大气科学， 43（5）： 1095-1108.DOI： 10.3878/j.issn.1006-9895.1811.18189.Li Y ，

Niu S J， Lü J J， et al， 2019.Analysis on microphysical characteristics of three blizzard processes in Nanjing in the winter of 2018 ［J］.Chinese Journal of Atmospheric Sciences， 43（5）： 1095-1108.DOI： 10.3878/j.issn.1006-9895.1811.18189 .

刘红燕， 雷恒池， 2006.基于地面雨滴谱资料分析层状云和对流云降水的特征［J］.大气科学， 30（4）： 693-702.DOI： 10.3878/j.issn.1006-9895.2006.04.14.Liu H Y ，

Lei H C， 2006.Characteristics of rain from stratiform versus convective cloud based on the surface raindrop data ［J］.Chinese Journal of Atmospheric Sciences， 30（4）： 693-702， DOI： 10.3878/j.issn.1006-9895.2006.04.14 .

刘彦， 苏德斌， 杨宁， 等， 2023.基于二维雨滴谱仪的巴彦淖尔地区降雹谱个例分析［J］.高原气象， 42（3）： 748-757.DOI： 10.7522/j.issn.1000-0534.2022.00059.Liu Y ，

Su D B， Yang N， et al， 2023.Case study of hail size distribution in Bayannur area based on two-dimensional video disdrometer［J］.Plateau Meteorology， 42（3）： 748-757.DOI： 10.7522/j.issn.1000-0534.2022.00059 .

刘艳霞， 文军， 谢晓林， 2024.青藏高原中东部和四川盆地的夏季雨滴谱对比分析研究［J］.高原气象， 43（1）： 28-41.DOI： 10.7522/j.issn.1000-0534.2023.00033.Liu Y X ，

Wen J， Xie X L， 2024.A comparative study on the summer raindrop size distribution among areas over the central and eastern Qinghai-Xizang （Tibetan） Plateau and the Western Sichuan Basin［J］.Plateau Meteorology， 43（1）： 28-41.DOI： 10.7522/j.issn.1000-0534.2023.00033 .

毛宇清， 李力， 姜有山， 等， 2022.一次春季雨雪天气的降水相态演变特征分析［J］.暴雨灾害， 41（3）： 290-297．DOI： 10.3969/j.issn.1004-9045.2022.03.005.Mao Y Q ，

Li L， Jiang Y S， et al， 2022.Analysis on the phase transformation of precipitation in a rain and snow event in spring ［J］.Torrential Rain and Disasters， 41（3）： 290-297.DOI： 10.3969/j.issn.1004-9045.2022.03.005 .

牛生杰， 马磊， 翟涛， 1999.冰雹谱分布及 Ze-E 关系的初步分析［J］.气象学报， 57（2）： 217-225.

Niu S J， Ma L， Zhai T， 1999.Preliminary analysis of the hail stone spectra distribution and the relations between Ze and E［J］.Acta Meteorologica Sinica， 57（2）： 217-225.

彭旺， 李琼， 魏加华， 等， 2022.柴达木盆地东北缘山区和平原区雨滴谱特征对比研究［J］.高原气象， 41（6）： 1471-1480.DOI： 10.7522/j.issn.1000-0534.2021.00122.Peng W ，

Li Q， Wei J H， et al， 2022.The mountainous and plain areas on the northeastern margin of the Qaidam Basin contrast study on raindrop spectrum characteristics［J］.Plateau Meteorology， 41（6）： 1471-1480.DOI： 10.7522/j.issn.1000-0534.2021.00122 .

濮江平， 赵国强， 蔡定军， 等， 2007.Parsiviel激光降水粒子谱仪及其在气象领域的应用［J］．气象与环境科学， 30（2）： 3-8.

Pu J P， Zhao G Q， Cai D J， et al， 2007， Parsiviel precipitation particle spectrometer and application in meteorological realm［J］.Meteorological and Environmental Sciences， 30（2）： 3-8.

申高航， 高安春， 周茂山， 等， 2021.DSG5型降水天气现象仪观测数据分析与应用［J］.气象科技， 49（1）： 40 -45.DOI： 10.19517/j.1671-6345.20200028.Shen G H ，

Gao A C， Zhou M S， et al， 2021.Analysis and application of data observed by DSG5 precipitation weather phenomenon instrument［J］.Meteorological Science and Technology， 49（1）： 40-45.DOI： 10.19517/j.1671-6345.20200028 .

石安英， 孙玉稳， 田志熙， 1989.冰雹谱分布特征的探讨［J］．高原气象， 8（3）： 279-283.

Shi A Y， Sun Y W， Tian Z X， 1989.Discussion on distribution characteristics of hail spectrum［J］.Plateau Meteorology， 8（3）： 279-283.

孙钦宏， 马洪波， 齐彦斌， 等， 2023.2021年夏季长白山麓雨滴谱分布特征［J］．应用气象学报， 34（4）： 336- 347.DOI： 10.11898/100-7313.20230307.Sun Q H ，

Ma H B， Qi Y B， et al， 2023.Distribution characteristics of raindrop spectrum at Changbai Mountain foothills in summer of 2021［J］.Journal of Applied Meteorological Science， 34（4）： 336-347.DOI： 10.11898/100-7313.20230307 .

王俊， 王文青， 王洪， 等， 2021.短时强降水和冰雹云降水个例雨滴谱特征分析［J］.高原气象， 40（5）： 1071-1086.DOI： 10.7522/j.issn.1000-0534.2020.00091.Wang J ，

Wang W Q， Wang H， et al， 2021.Characteristics of the raindrop size distribution during a short-time heavy rainfall and a squall line accompanied by hail［J］.Plateau Meteorology， 40（5）： 1071-1086.DOI： 10.7522/j.issn.1000-0534.2020.00091 .

王智敏， 冯婉悦， 李圆圆， 等， 2021.乌鲁木齐地区两次暴雪过程的滴谱特征分析［J］.沙漠与绿洲气象， 15（3）： 62-68.DOI： 10.12057/j.issn.1002-0799.2021.03.008.Wang Z M ，

Feng W Y， LI Y Y， et al， 2021.Droplet spectrum characteristics of two snowstorms in Urumqi［J］.Desert and Oasis Meteorology， 15（3）： 62-68.DOI： 10.12057/j.issn.1002-0799.2021.03.008 .

温静， 雷正翠， 温龙， 等， 2023.一次强寒潮过程的多相态降水分析［J］.气象科技， 51（5）： 704-713.DOI： 10.19517/1671-6345.20220229.Wen J ，

Lei Z C， Wen L， et al， 2023.Analysis of multi-phase precipitation during a strong cold wave at end of march 2020［J］.Meteorological Science and Technology， 51（5）： 704-713.DOI： 10.19517/1671-6345.20220229 .

吴世美， 徐飞英， 沈杨迪， 2017.一次冰雹天气的降水现象仪观测分析［J］.贵州气象， 41（5）： 79-81.

Wu S M， Xu F Y， Shen Y D， 2017.Observation analysis of precipitation phenomenon meter to a hail weather process ［J］.Journal of Guizhou Meteorology， 41（5）： 79-81.

杨成芳， 赵宇， 2021.基于加密观测的一次极端雨雪过程积雪特征分析［J］.高原气象， 40（4）： 853-865.DOI： 10.7522/j.issn.1000-0534.2020.00072.Yang C F ，

Zhao Y， 2021.Study on snow cover characteristic of extreme rain-snow event based on intensive observation datat［J］.Plateau Meteorology， 40（4）： 853-865.DOI： 10.7522/j.issn.1000-0534.2020.00072 .

杨宁， 张晋， 刘钧， 2018.雨滴谱式降水现象仪降水类型判定算法优化探究［J］.气象科技进展， 8（6）： 89-94.DOI： 10.3969/j.issn.2095-1973.2018.06.010.Yang N ，

Zhang J， Liu J， 2018.Research on the algorithm optimization of precipitation type recognition based on raindrop spectrum precipitation phenomenon instrument［J］.Advances in Meteorological Science and Technology， 8（6）： 89-94.DOI： 10.3969/ j.issn.2095-1973.2018.06.010 .

银燕， 刁一伟， 刘超， 等， 2018.大气物理学［M］.北京： 气象出版社， 128-137.

Yin Y， Diao Y W， Liu C， et al， 2018.Atmospheric physics［M］.Beijing： Meteorological Press， 128-137.

岳治国， 梁谷， 2018.陕西渭北一次降雹过程的粒子谱特征分析［J］.高原气象， 37（6）： 1716-1724.DOI： 10.7522/j.Issn.1000-0534.2018.00023.Yue Z G ，

Liang G， 2018.Characteristics of precipitation particles in a hailstorm process in Weibei area of Shaanxi Province［J］.Plateau Meteorology， 37（ 6）： 1716－1724.DOI： 10.7522/j.issn.1000－0534.2018.00023 .

赵城城， 张乐坚， 梁海河， 等， 2021.北京山区和平原地区夏季雨滴谱特征分析［J］.气象， 47（7）： 830-842.DOI： 10.7519/j.issn.1000-0526.2021.07.006.Zhao C C ，

Zhang L J， Liang H H， et al， 2021.Microphypical characteristics of the raindrop size distribution between mountain and plain areas over Beijing in summer［J］.Meteorological Monthly， 47（7）： 830-842.DOI： 10.7519/ j.issn.1000-0526.2021.07.006 .

郑娇恒， 陈宝君， 2007.雨滴谱分布函数的选择： M-P和Gamma分布的对比研究［J］.气象科学， 27（1）： 17-25.

Zheng J H， Chen B J， 2007.Comparative study of exponential and gamma functional fits to observed raindrop size distribution［J］.Scientia Meteorologica Sinica， 27（1）： 17-25.

Options
Outlines

/

〈 〉

The system is designed and developed by Beijing magtec Technology Development Co., Ltd. with technical support: support@magtech.com.cn