文章快速检索     高级检索
  高原气象  2017, Vol. 36 Issue (6): 1655-1664  DOI: 10.7522/j.issn.1000-0534.2017.00006
0

引用本文 [复制中英文]

杨冰韵, 吴晓京, 郭徵. 2017. 基于CloudSat资料的中国地区深对流云物理特征研究[J]. 高原气象, 36(6): 1655-1664. DOI: 10.7522/j.issn.1000-0534.2017.00006
[复制中文]
Yang Bingyun, Wu Xiaojing, Guo Zheng. 2017. The Characteristics of Cloud Properties in Deep Convective Clouds across China with the CloudSat Dataset[J]. Plateau Meteorology, 36(6): 1655-1664. DOI: 10.7522/j.issn.1000-0534.2017.00006.
[复制英文]

资助项目

国家自然科学基金项目(41675110);公益性行业(气象)科研专项(GYHY201406035-3);国家卫星气象中心青年基金项目(201602QT001)

通讯作者

吴晓京.E-mail:wuxj8@cma.gov.cn

作者简介

杨冰韵(1989), 女, 河南南阳人, 硕士研究生, 主要从事卫星遥感资料分析、云-辐射相互作用研究.E-mail:yangby@cma.gov.cn

文章历史

收稿日期: 2016-10-26
定稿日期: 2017-01-05
基于CloudSat资料的中国地区深对流云物理特征研究
杨冰韵, 吴晓京, 郭徵     
国家卫星气象中心, 北京 100081
摘要: 利用2007-2010年和2013-2014年CloudSat卫星资料,分析了中国11个地理区域的深对流云发生率、冰/液态水路径、冰/液态水含量等分布特征及其季节变化。结果显示,深对流云发生率整体呈现从东南到西北递减的趋势,高值区主要集中在西北地区东南部、西藏东南部、西南地区东部和南部、黄淮西部和南部、江汉、江淮、江南和华南等地,就各个地区不同季节而言,江南地区夏季的值最大,达到10.34%。在垂直高度上,深对流云发生率分布在18 km以下,最大值为11.31%,出现在江南夏季4.08~4.56 km高度上。深对流云中冰水路径最大值出现在华南夏季,液态水路径最大值出现在黄淮秋季,西藏地区的深对流云中冰水路径的比例明显高于液态水路径。冰水含量在垂直高度上存在两个高值区,分别位于6~8 km、14~18 km,最大值发生在江南夏季19.44 km左右高度上,达到1 018.87 mg·m-3,季节差异较大的高度位于14~18 km。液态水含量最大值发生在江淮冬季,达到411.50 mg·m-3,高度在9.36 km左右,垂直高度上最大值在2~6 km上均有出现。该结果可以更好地揭示深对流云的气候特征,并为人工影响天气以及数值模式中对深对流云物理量的模拟提供一定的参考依据。
关键词: CloudSat    深对流云    云水含量    
1 引言

深对流云在地球大气系统中起着重要的作用, 它可以把近地面层的热量和水汽通过对流活动输送到对流层顶, 实现地气系统在垂直方向上的物质和能量交换, 同时激发了大尺度上的大气环流, 促使能量在低纬度和高纬度之间进行交换(Fu et al, 1990; Heintzenberg et al, 2009; 王胜杰等, 2010; Takahashi et al, 2014; 叶培龙等, 2014)。此外, 深对流云与许多极端天气的形成密切相关, 深对流过程往往伴随下击暴流、暴雨、雷电等灾害性天气, 会对人类活动造成重大影响(胡雯等, 2010)。因此, 研究深对流云的物理特性, 对于认识深对流活动的物理机制, 了解地气系统中的水汽和能量交换, 有着极其重要的意义。

在卫星观测手段没有广泛应用的时期, 对于深对流云的研究主要依靠地基和飞机观测(银燕等, 2010; Tian et al, 2016)。随着卫星观测技术的发展, 卫星资料逐渐显现出比地基和飞机观测更大的优势, 在空间和时间上的局限性较小, 成为深对流云研究中的一个重要手段。目前卫星资料主要包括红外亮温资料、微波资料、主动星载雷达资料等, 红外资料通常利用云顶亮温阈值的方法对深对流进行判识和追踪(祁秀香等, 2007; 苏爱芳等, 2013), 具有观测时间连续、覆盖范围广等优势, 但亮温低值区同时包含高层卷云区, 不一定与深对流区域相对应, 且亮温阈值选取的不同也会导致深对流云的判识出现误差。微波具有穿透云雨大气的能力, 微波资料可以探测深对流云团内部的结构特征(邱红等, 2007; 方翔等, 2008)。CloudSat卫星作为A-Train系列卫星的成员之一, 具有较高的垂直分辨率, 可以深入云层内部, 对于深对流云垂直结构的研究具有重要意义(赵姝慧等, 2010)。目前已有不少工作利用CloudSat资料研究云的垂直结构和云物理量分布(Luo et al, 2008; 王帅辉等, 2011; 王胜杰等, 2010; 尹金方等, 2013; 杨冰韵等, 2014; 张华等, 2015; 李浩然等, 2015; 马占山等, 2016), 而关于深对流云方面的研究也逐步开展, 主要针对不同研究区域分析深对流的分布特征及云垂直结构特征等(Takahashi et al, 2014; Sassen et al, 2009; Yuan et al, 2011; Luo et al, 2011; Young et al, 2012)。尽管不少学者对全球和不同地区的深对流云结构及其时空特征进行了研究, 但对于深对流云发生率以及云微物理特性, 特别是针对中国不同区域的云物理量的垂直分布以及区域差异方面的研究还比较少。

利用CloudSat卫星高垂直分辨率的优势, 通过对云分类、云物理量等产品进行分析处理, 针对中国11个不同地理区域研究深对流云发生率、冰/液态水路径、冰/液态水含量等物理量的时空分布特征, 进一步阐释了深对流过程的发生机制及其气候特点, 同时为人工影响天气、天气气候模式等相关领域的发展提供一定的参考依据。

2 资料和方法

CloudSat卫星是2006年由美国发射的极轨卫星, 与Aqua、CALIPSO、PASASOL、Aura等卫星并成为A-Train系列卫星。Aqua卫星主要观测地球大气系统中的水、辐射能量通量、气溶胶、陆地和海洋植被覆盖等, CALIPSO卫星主要监测全球云和气溶胶的垂直结构和特征, PASASOL卫星描述地球大气中云和气溶胶的特征, 区分自然气溶胶和人为气溶胶, Aura卫星研究大气化学成分, 重点观测大气污染和温室气体的水平、垂直分布及变化, CloudSat卫星主要探测云的垂直结构和云物理量的全球分布。这些卫星协同观测, 共享数据信息, 对更好地认识云、气溶胶与天气和气候之间的关系, 从而深入地了解地气系统有着重要意义。CloudSat卫星上搭载的94 GHz毫米波云廓线雷达CPR(Cloud Profile Radar)可以主动向地球发射辐射信号, 每个轨道约有36 383个星下像素点, 沿轨分辨率为1.1 km, 横轨分辨率为1.3 km, 垂直分辨率为0.24 km。图 1为经过中国区域的CloudSat卫星轨道示意图, 每条轨道的重复周期为16天, 可以看到CloudSat探测资料能够捕捉到中国大部分区域的云系, 因此得到的中国不同区域深对流发生率和云物理量数据在理论上具有一定合理性。后面在深对流云整层发生率的分布及其季节变化部分会详细给出本研究区域内的卫星扫描样本个数。国内外已有不少学者(Sassen et al, 2008; 赵姝慧, 2008; Hu et al, 2010; 王帅辉等, 2010; 钟水新等, 2011; 陈玲等, 2015)利用CloudSat资料分析了全球以及中国区域上的云物理量特征, 并与其他卫星资料(MODIS、TRMM、ISCCP、风云卫星资料等)、地面及飞机探测资料(PMS资料等)及数值模式资料(NCEP再分析资料等)作了对比, 说明CloudSat的云物理量数据具有一定的可靠性。CloudSat卫星数据主要包含三个等级的产品, 文中用到的2B-CLDCLASS和2B-CWC-RO均为二级产品, 其中2B-CLDCLASS是云分类产品, 共将云分为卷云、高层云、高积云、层云、层积云、积云、雨层云和深对流云8类(Wang et al, 2007)。2B-CLDCLASS产品的算法流程如下:首先根据全球不同区域的地表观测结果定义8种基本的云类型, 然后利用多遥感仪器算法(Wang et al, 2001)建立在不同云类型的情况下特定垂直高度上最大雷达反射率与温度的对应关系, 进而通过MODIS提供的云物理量的水平和垂直分布、降水或非降水、云的温度、云顶辐射值, 以及CloudSat的CPR雷达提供的云的垂直廓线和水平尺度等, 形成8种云类型的卫星遥感判定标准。本研究围绕2B-CLDCLASS产品中的深对流云展开, 其中深对流云的判定标准为: (1)Zmax>-5 dBZ, -20 ℃ < T < 25 ℃; (2)有降水发生; (3)水平尺度大于100 km; (4) 0 ℃位置Zmax=+5 dBZ; (5)垂直厚度大于6 km(其中Zmax为最大雷达反射率, T为温度)。2B-CWC-RO是云水含量产品, 包括云的液态水含量、冰水含量、有效半径、云滴数浓度等量, 算法中特别区分了水云和冰云(Austin, 2007)。主要的算法流程为: (1)根据2B-GEOPROF产品筛选出CloudSat扫描廓线上的有云区; (2)利用2B-CLDCLASS产品去除缺测及无效的云类型; (3)依据气候特点、温度等标准制定每条廓线上的液态和冰相态粒子尺度分布参数的先验值; (4)结合先验值和2B-GEOPROF产品提供的雷达反射率值, 反演出每条廓线上的液态和冰态粒子尺度分布参数, 进而分别给出水云和冰云的有效半径、云水含量等相关物理量及其误差; (5)根据ECMWF-AUX产品给出的温度廓线(温度小于-20 ℃为冰相态, 大于0 ℃为液态, -20~0 ℃之间为冰相态和液态粒子的线性混合)分别得出冰云和水云云物理量的垂直廓线。

图 1 经过中国区域的CloudSat卫星轨道 Figure 1 CloudSat satellite orbits across China

利用20072010年, 20132014年的CloudSat卫星云分类产品2B-CLDCLASS、云物理量产品2B-CWC-RO数据对中国地区深对流云的发生率、冰/液态水路径、冰/液态水含量等垂直分布及其季节变化进行分析, 并参考《中国气象地理区划手册》(中国气象局国家气象中心, 2006)中的划分方法, 将中国细分为东北、西北、华北、黄淮、江淮、江南、西南、华南、内蒙古、西藏、江汉等11个地理区域(图 2), 得到不同区域深对流云发生率和相关物理量的分布规律。由于2B-CLDCLASS数据在2011年510月存在空缺, 2B-CWC-RO数据在2011年1月和510月、2012年24月存在空缺, 为保证各个季节中深对流云物理量统计样本的一致性, 故去除2011年和2012年的数据, 只保留20072010年和20132014年两个时间段进行统计分析。具体统计方法:首先根据CloudSat卫星的2B-CLDCLASS云分类产品, 提取经过中国及周边区域(15°N60°N, 70°E150°E)的扫描廓线中深对流云的数据, 得到中国不同地理区域内深对流云发生率的垂直廓线; 然后根据深对流云垂直厚度大于6 km这一判定条件, 认为垂直方向上只要有一层, 则整层就有深对流云发生, 计算出不同地理区域内的整层深对流云发生率; 最后提取2B-CWC-RO产品中冰/液态水路径、冰/液态水含量数据, 计算在深对流云情况下, 不同地理区域内的冰/液态水路径分布以及冰/液态水含量的垂直廓线。

图 2 中国地理区划图 Figure 2 Geographic zoning across China
3 结果和分析 3.1 深对流云发生率的分布及其季节变化 3.1.1 深对流云整层发生率的分布及其季节变化

深对流云整层发生率反映的是不同地区内深对流云在整层上的发生概率, 即在垂直廓线上只要有一层被判定为深对流云则认为整层上有深对流发生。表 1给出了20072010年和20132014年中国不同区域内有深对流发生的样本数和所有扫描点的样本数, 可以看到, 扫描样本数较多的区域深对流样本数也相对较多, 其中西北地区深对流样本数为60 832个, 扫描样本数为4 747 843个, 均为所有区域中最大值, 而江淮、江汉地区的深对流样本数和扫描样本数相对较小。

表 1 不同区域内深对流云样本数和扫描样本数 Table 1 Sample numbers of the profiles of deep convective clouds and the total profiles in different regions

从中国地区深对流整层发生率的分布(图 3)可以看到, 深对流整层发生率整体从东南到西北递减, 与我国降水量以及干湿区的分布趋势有较好的一致性。深对流云发生率高值区主要集中在西北地区东南部、西藏东南部、西南地区东部和南部、黄淮西部和南部、江汉、江淮、江南、华南等地, 其他地区出现高值区的位置比较分散, 具有局地性。形成这种分布的原因主要与水汽的分布有关, 相比西部和北部地区, 中东部地区靠近海洋, 水汽条件更加充沛(廖荣伟等, 2010), 大气的不稳定能量也比内陆地区大, 发生深对流的可能性也更大。西北地区远离海洋造成了水汽的匮乏, 而高原地形产生的热力、动力作用连同盛行环流导致长期处于下沉气流的作用之下(钱正安等, 2001), 抑制了西北地区深对流的发展。此外西藏东南部深对流云发生率偏高的结论与江吉喜(2002)柏晶瑜等(2003)的研究结果有很好的一致性。

图 3 中国地区深对流云整层发生率的分布 Figure 3 The distributions of the probabilities in deep convective clouds at total altitudes over China

通过不同区域内深对流云整层发生率季节变化情况(图 4)可以看出, 整层发生率在10.34%以下, 最大值出现在江南夏季, 而东北、华北地区冬季几乎没有深对流发生。从不同季节来看, 各区域夏季的值普遍最大, 冬季最小, 究其原因, 一方面是夏季天气系统造成的系统性上升运动较多, 如锋面的抬升及槽线、切变线、低压、低涡等; 另一方面, 夏季午后陆地表面受日射而强烈加热, 常常在近地层形成绝对不稳定的层结, 局地热力抬升较多, 使对流容易发展(朱乾根等, 1981)。其中东北、华北、江淮、江南、华南、内蒙古地区的值从大到小依次发生在夏、春、秋、冬季, 西北、黄淮、西南、西藏、江汉地区依次为夏、秋、春、冬。很多研究工作都得出夏季深对流云的发生率比较高, 如郑永光等(2008)认为夏季是强对流天气(如冰雹、雷雨大风等)频发的季节; 陈隆勋等(1999)指出从6月上旬开始青藏高原上空对流云顶逐渐变高, 7月中旬对流发展最旺盛; 李跃清等(2014)研究指出, 由于青藏高原大地形和东部复杂地形与环流的相互作用, 西南地区夏季云系易发展为深对流云系。从区域差异来看, 江南地区的值在四季中普遍最大, 其次为江汉、江淮和华南地区。具体来说, 春季最大值为7.50%, 发生在江南, 其后依次为江汉和江淮, 分别是5.84%和5.64%;夏季最大值发生在江南, 达11.35%, 华南、西南次之, 分别为11.10%和9.16%;秋季最大值发生在江汉, 达6.55%, 其次为江淮(5.13%), 江南(3.94%); 冬季最大值发生在江南, 达2.58%, 其次为江淮(1.38%)和华南(1.35%)。西北地区与其他地区相比深对流云整层发生率较低, 夏季最高也仅为3.13%, 一方面是由于西北地区位于内陆, 水汽条件相对比较缺乏, 更难形成深对流云, 另一方面由于西北地区面积较大, 而深对流容易发生的区域相对较少, 因此整体的深对流发生率也较小。此外, 江南、华南等地夏季深对流活动较多, 除了与局地性对流较为活跃外, 与夏季登陆我国的台风数量较多也有一定关联(陈国春等, 2011; 郑永光, 2011)。总体来说, 深对流云整层发生率在夏季的值普遍较大, 江南、江汉、江淮和华南等地的值相对较高。

图 4 不同地区深对流云整层发生率的季节变化 Figure 4 The seasonal changes of the probabilities in deep convective clouds at total altitudes in different regions
3.1.2 深对流云发生率的垂直分布及其季节变化

由不同区域深对流云发生率垂直分布的季节变化曲线(图 5)可以看出, 深对流云发生率在18 km以下, 最大值为11.31%, 发生在江南地区夏季4.08~4.56 km, 从最大高度往上、下均递减。在四个季节中垂直高度上最大值由大到小依次为夏季、春季、秋季和冬季, 可见夏季相比其他季节来说更容易发生深对流, 除夏季外, 春季最大值7.48%, 出现在江南地区3.6~4.08 km, 秋季最大值6.53%, 出现在江汉地区3.12~4.08 km, 冬季最大值2.58%, 出现在江南地区3.12~3.84 km。总体来看, 在垂直高度上, 春、夏、冬季江南地区的深对流云发生率较大, 秋季江汉地区较大。

图 5 深对流云发生率垂直分布的季节变化 Figure 5 The seasonal changes of the vertical distributions of the probabilities in deep convective clouds

就各个地区而言, 夏季的值普遍比其他季节大, 说明夏季在垂直高度上更容易发生深对流活动, 这与深对流云整层发生率的变化规律一致。此外, 夏季最大值分布的高度也比其他季节高, 说明夏季对流发生的动力和热力条件比较好, 对流发生的高度也相对较大。值得注意的是, 西北地区夏季和秋季、西南地区夏季以及西藏地区四季的深对流发生率分布高度较高, 达到6 km以上, 其中西北地区夏季2.86%(6.24~6.48 km)、秋季0.88%(6~6.24 km), 西南夏季9.01%(5.76~6 km), 西藏地区春季0.71%(6.48~6.72 km)、夏季5.32%(7.2~7.68 km)、秋季1.13%(6.72~7.44 km)及冬季0.02%(5.28~9.6 km)。原因主要是这几个地区的平均海拔较高, 深对流发生的高度也相对较高。

3.2 云水路径的分布及其季节变化

云的冰水路径反映的是整层大气中云的冰水含量的总和。由中国不同区域深对流云中冰水路径均值的季节变化[图 6(a)]可见, 不同区域内的平均值在1 529.20 g·cm-2以下, 最大值出现在华南地区夏季, 最小值为0, 出现在东北和华北地区冬季。从季节差异来看, 除东北和江汉外, 大部分地区冰水路径最大值发生在夏季, 其中西北、华北、黄淮、西南、华南以及内蒙古地区的平均值从大到小依次为夏、春、秋、冬, 这种排序占的比重最大; 江淮地区依次为夏、冬、春、秋, 江南地区为夏、春、冬、秋, 西藏地区为夏、秋、冬、春; 而东北和江汉两个地区最大值分别发生在秋季和春季, 其中东北地区从大到小依次为秋、夏、春、冬, 江汉依次为春、夏、秋、冬。另外, 除江淮、江南地区最小值发生在秋季, 以及西藏地区最小值发生在春季以外, 其他地区最小值均发生在冬季。从区域差异来看, 春季和夏季最大值均出现在华南, 分别为1 301.46 g·cm-2和1 519.70 g·cm-2, 秋季最大值出现在东北地区, 达到1 056.34 g·cm-2, 冬季最大值为935.44 g·cm-2, 出现在江淮地区。总体来看, 华南地区四季的值相对于其他地区来说偏高, 原因可能是其位于我国最南边, 紧邻南海, 水汽条件比较丰富, 再加上下垫面温度较高, 具备良好的对流抬升条件, 可以把水汽输送到较高的高度上, 有助于冰云的形成。冰水路径反映了整层大气中冰水含量的总和, 因此华南地区的冰水路径值相对较高。此外, 西藏地区由于所处海拔较高, 强对流过程更容易把水汽抬升到高处形成冰云, 加之孟加拉湾和南海均可以向西藏地区提供丰富的水汽, 因而冰水路径在四季的值也偏高。

图 6 深对流云中冰水路径(a)和液态水路径(b)的季节变化 Figure 6 The seasonal changes of the ice water path (a) and liquid water path (b) in deep convective clouds

液态水路径反映的是整层大气中云的液态水含量的总和。不同区域深对流云中液态水路径均值的季节变化[图 6(b)]显示, 液态水路径均值在996.95 g·cm-2以下, 最大值出现在黄淮地区秋季, 最小值为0, 出现在东北、华北、内蒙古地区的冬季。从不同季节来看, 春季最大值出现在江淮地区, 达到897.30 g·cm-2, 夏季和秋季均出现在黄淮, 依次为961.67 g·cm-2和996.95 g·cm-2, 冬季出现在华南, 达到737.50 g·cm-2。总的来看, 液态水路径在黄淮、江淮、江南、江汉地区的值比较高, 这些地区也是水汽条件比较充沛同时热力条件比较好的地区。西藏地区在四个季节中的液态水含量均比较低, 而冰水含量相对较高, 说明发生在西藏地区的深对流云中以冰相态的云滴居多, 这与西藏海拔较高因而更容易形成冰云有关。从不同区域来看, 西北、华北、西南和内蒙古四个地区不同季节的值从大到小依次为秋、夏、春、冬, 这种排序所占比例最高, 其次是东北、西藏和江汉地区从大到小依次为夏、秋、春、冬。

3.3 云水含量的垂直分布及其季节变化

从各区域深对流云中冰水含量均值垂直分布的季节变化(图 7)可以看出, 冰水含量的均值分布在1 018.87 mg·m-3以下, 最大值发生在江南地区夏季, 高度为19.44 km, 不同季节不同高度上的值均存在差异。整体来看, 垂直高度上存在两个最大值, 分别在6~8 km和14~18 km, 季节差异最大的高度主要发生在14~18 km, 其中夏季的值最大, 冬季最小, 主要原因是夏季水汽条件比较充足, 深对流情况下水汽更容易被输送至高层, 形成冰云, 而冬季对流没有其他季节活跃, 冰水含量分布的高度也较低。就不同季节来说, 春季在垂直高度上的两个最大值分别为339.81 mg·m-3(江汉, 高度为7.68 km)和262.30 mg·m-3(华南, 高度为13.92 km), 夏季分别为324.13 mg·m-3(华南, 高度为9.36 km)和1 018.87 mg·m-3(江南, 高度为17.52 km), 秋季分别为258.46 mg·m-3(东北, 高度为6.48 km)和294.96 mg·m-3(西南, 高度为14.64 km), 冬季分别为297.18 mg·m-3(西藏, 高度为6.96 km)和63.52 mg·m-3(江南, 高度为13.44 km)。

图 7 深对流云中冰水含量(左)和液态水含量(右)垂直分布的季节变化 Figure 7 The seasonal changes of the vertical distributions of ice water content (left) and liquid water content (right) in deep convective clouds

在垂直高度上深对流云中液态水含量(图 7)小于411.50 mg·m-3, 最大值发生在江淮冬季, 高度为9.36 km, 约为冰水含量最大高度的一半。整体来看, 垂直高度上最大值在2~6 km上均有出现; 就不同季节来说, 在垂直高度上, 春季的最大值为237.48 mg·m-3(江汉, 高度为4.32 km), 夏季为225.46 mg·m-3(江汉, 高度为4.8 km), 秋季为209.11 mg·m-3(黄淮, 高度为3.84 km), 冬季为411.50 mg·m-3(江淮, 高度为2.88 km)。

4 结论

利用20072010年和20132014年的CloudSat卫星资料, 分析了中国地区11个地理区域(东北、西北、华北、黄淮、江淮、江南、西南、华南、内蒙古、西藏和江汉等)的深对流云发生率、冰/液态水路径、冰/液态水含量等分布及其季节变化, 得出以下主要结论:

(1) 深对流云发生率整体呈现从东南到西北递减的趋势, 高值区主要集中在西北地区东南部、西藏东南部、西南地区东部和南部、黄淮西部和南部、江汉、江淮、江南、华南等地; 深对流云整层发生率在夏季的值普遍较大, 江南、江汉、江淮、华南等地的值相对较高, 其中江南地区夏季的值最大, 达到10.34%, 西北地区的值与其他地区相比较低。在垂直高度上, 深对流云发生率分布在18 km以下, 最大值为11.31%, 发生在江南夏季4.08~4.56 km高度上, 春、夏、冬季江南地区的深对流云发生率最大, 秋季江汉地区最大。

(2) 深对流云中冰水路径最大值为1 529.20 g·cm-2, 出现在华南夏季, 除东北、江汉外, 其他大部分地区最大值均发生在夏季, 华南地区的值较其他地区偏高, 这与华南地区的水汽条件和动力抬升条件较好有关; 液态水路径的最大值为996.95 g·cm-2, 出现在黄淮地区秋季, 黄淮、江淮、江南、江汉地区的值比较高; 西藏地区在四季中的液态水含量均比较低, 而冰水含量相对较高, 说明西藏地区更容易形成冰云。

(3) 深对流云中冰水含量最大值为1 018.87 mg·m-3, 发生在江南地区夏季, 高度为19.44 km。在垂直高度上存在两个最大值, 分别在6~8 km和14~18 km, 季节差异较大的高度在14~18 km, 其中夏季的值明显高于其他季节, 冬季最小; 液态水含量的范围小于411.50 mg·m-3, 最大值发生在江淮地区冬季, 最大高度为9.36 km, 约为冰水含量最大高度的一半, 最大值在2~6 km上均有出现。

参考文献
Austin R T. 2007. Level 2B radar-only cloud water content (2B-CWC-RO) process description document[J]. CloudSat project report, 5: 1–26.
Fu R, Del Genio A D, Rossow W B. 1990. Behavior of deep convective clouds in the tropical Pacific deduced from ISCCP radiances[J]. J Climate, 3(10): 1129–1152. DOI:10.1175/1520-0442(1990)003<1129:BODCCI>2.0.CO;2
Heintzenberg J, Charlson R J, Brenguier J L, et al, 2009. Clouds in the perturbed climate system-their relationship to energy balance, atmospheric dynamics, and precipitation[C]//Ernst Stru ngmann Forum (2008:Frankfurt, Germany). Cambridge:MIT press.
Hu Y, Rodier S, Xu K, et al. 2010. Occurrence, liquid water content, and fraction of supercooled water clouds from combined CALIOP/ⅡR/MODIS measurements[J]. J Geophys Res, 115(D4): D00H34. DOI:10.1029/2009JD012384
Luo Y, Zhang R, Qian W, et al. 2011. Intercomparison of deep convection over the Tibetan Plateau-Asian monsoon region and subtropical North America in boreal summer using CloudSat/CALIPSO data[J]. J Climate, 24(8): 2164–2177. DOI:10.1175/2010JCLI4032.1
Luo Z, Liu G Y, Stephens G L. 2008. CloudSat adding new insight into tropical penetrating convection[J]. Geophys Res Lett, 35(19): L19819. DOI:10.1029/2008GL035330
Sassen K, Wang Z, Liu D. 2008. Global distribution of cirrus clouds from CloudSat/Cloud-Aerosol lidar and infrared pathfinder satellite observations (CALIPSO) measurements[J]. J Geophys Res, 113(D8): D00A12. DOI:10.1029/2008JD009972
Sassen K, Wang Z, Liu D. 2009. Cirrus clouds and deep convection in the tropics:Insights from CALIPSO and CloudSat[J]. J Geophys Res, 114(D4): D00H06. DOI:10.1029/2009JD011916
Takahashi H, Luo Z J. 2014. Characterizing tropical overshooting deep convection from joint analysis of CloudSat and geostationary satellite observations[J]. J Geophys Res, 119(1): 112–121.
Tian J, Dong X, Xi B, et al. 2016. Retrievals of ice cloud microphysical properties of deep convective systems using radar measurements[J]. J Geophys Res, 121(18): 10820–10839. DOI:10.1002/2015JD024686
Wang Z, Sassen K. 2001. Cloud type and macrophysical property retrieval using multiple remote sensors[J]. J Appl Meteor, 40(10): 1665–1682. DOI:10.1175/1520-0450(2001)040<1665:CTAMPR>2.0.CO;2
Wang Z, Sassen K. 2007. Level 2 cloud scenario classification product process description and interface control document[J]. Colorado State University:Cooperative Institute for Research in the Atmosphere, 5: 50.
Young A H, Bates J J, Curry J A. 2012. Complementary use of passive and active remote sensing for detection of penetrating convection from CloudSat, CALIPSO, and Aqua MODIS[J]. J Geophys Res, 117(D13): D13205. DOI:10.1029/2011JD016749
Yuan J, Houze Jr R A, Heymsfield A J. 2011. Vertical structures of anvil clouds of tropical mesoscale convective systems observed by CloudSat[J]. J Atmos Sci, 68(8): 1653–1674. DOI:10.1175/2011JAS3687.1
柏晶瑜, 徐祥德, 于淑秋. 2003. 青藏高原东南部夏季深对流加热研究[J]. 气象科技, 31(1): 18–22. Bai J Y, Xu X D, Yu S Q. 2003. Summer time deep convection heating over southeast of Tibetan plateau[J]. Meteor Sci Technol, 31(1): 18–22.
陈国春, 郑永光, 肖天贵. 2011. 我国暖季深对流云分布与日变化特征分析[J]. 气象, 37(1): 75–84. DOI:10.7519/j.issn.1000-0526.2011.01.009 Chen G C, Zheng Y G, Xiao T G. 2011. Distribution and spatiotemporal variations of deep convective clouds over China during the warm season[J]. Meteor Mon, 37(1): 75–84. DOI:10.7519/j.issn.1000-0526.2011.01.009
陈玲, 周筠臖. 2015. 青藏高原和四川盆地夏季降水云物理特性差异[J]. 高原气象, 34(3): 621–632. DOI:10.7522/j.issn.1000-0534.2014.00036 Chen L, Zhou Y J. 2015. Different physical properties of summer precipitation clouds over Qinghai-Xizang plateau and Sichuan basin[J]. Plateau Meteor, 34(3): 621–632. DOI:10.7522/j.issn.1000-0534.2014.00036
陈隆勋, 宋玉宽, 刘骥平, 等. 1999. 从气象卫星资料揭示的青藏高原夏季对流云系的日变化[J]. 气象学报, 57(5): 549–560. DOI:10.11676/qxxb1999.053 Chen L X, Song Y K, Liu J P, et al. 1999. On the diurnal variation of convection over Qinghai-Xizang plateau during summer as revealed from meteorological satellite data[J]. Acta Meteor Sinica, 57(5): 549–560. DOI:10.11676/qxxb1999.053
方翔, 邱红, 曹志强, 等. 2008. 应用AMSU-B微波资料识别强对流云区的研究[J]. 气象, 34(3): 22–29. DOI:10.7519/j.issn.1000-0526.2008.03.004 Fang X, Qiu H, Cao Z Q, et al. 2008. Research on severe convective cloud identification by using AMSU-B microwave data[J]. Meteor Mon, 34(3): 22–29. DOI:10.7519/j.issn.1000-0526.2008.03.004
胡雯, 黄勇, 汪腊宝. 2010. 夏季江淮区域对流云合并的基本特征及影响[J]. 高原气象, 29(1): 206–213. Hu W, Huang Y, Wang L B. 2010. Characteristic and effect of convective cloud merger in Yangtze and Huaihe river basins in summer[J]. Plateau Meteor, 29(1): 206–213.
江吉喜, 范梅珠. 2002. 夏季青藏高原上的对流云和中尺度对流系统[J]. 大气科学, 26(2): 263–270. Jiang J X, Fan M Z. 2002. Convective clouds and mesoscale convective systems over the Tibetan plateau in summer[J]. Chinese J Atmos Sci, 26(2): 263–270.
李浩然, 孙学金, 王旻燕, 等. 2015. 中国及周边地区白天各类云及其水凝物变化特征研究[J]. 高原气象, 34(6): 1625–1635. DOI:10.7522/j.issn.1000-0534.2014.00129 Li H R, Sun X J, Wang M Y, et al. 2015. Research on different types of cloud and variation characteristics of hydrometeors in cloud over China and its neighborhood in daytime[J]. Plateau Meteor, 34(6): 1625–1635. DOI:10.7522/j.issn.1000-0534.2014.00129
李跃清, 张琪. 2014. 西南地区夏季云量与降水的关系特征分析[J]. 自然资源学报, 29(3): 441–453. DOI:10.11849/zrzyxb.2014.03.008 Li Y Q, Zhang Q. 2014. Contemporaneous relationships between summer cloudiness and precipitation over Southwest China[J]. J Nat Resour, 29(3): 441–453. DOI:10.11849/zrzyxb.2014.03.008
马占山, 刘奇俊, 秦琰琰. 2016. GRAPES_GFS不同湿物理过程对云降水预报性能的诊断与评估[J]. 高原气象, 35(4): 989–1003. DOI:10.7522/j.issn.1000-0534.2015.00069 Ma Z S, Liu Q J, Qin Y Y. 2016. Validation and evaluation of cloud and precipitation forecast performance by different moist physical processes schemes in GRPAES_GFS Model[J]. Plateau Meteor, 35(4): 989–1003. DOI:10.7522/j.issn.1000-0534.2015.00069
祁秀香, 郑永光. 2009. 2007年夏季我国深对流活动时空分布特征[J]. 应用气象学报, 20(3): 286–294. DOI:10.11898/1001-7313.20090304 Qi X X, Zheng Y G. 2009. Distribution and spatiotemporal variations of deep convection over China and its vicinity during the summer of 2007[J]. J Appl Meteor Sci, 20(3): 286–294. DOI:10.11898/1001-7313.20090304
邱红, 方翔, 谷松岩, 等. 2007. 利用AMSU分析热带气旋结构特征[J]. 应用气象学报, 18(6): 810–820. DOI:10.11898/1001-7313.200706123 Qiu H, Fang X, Gu S Y, et al. 2007. The structure of tropical cyclone from advanced microwave sounding unit[J]. J Appl Meteor Sci, 18(6): 810–820. DOI:10.11898/1001-7313.200706123
苏爱芳, 银燕, 吕晓娜, 等. 2013. 黄淮西部地貌过渡区深对流云的时空特征及其天气意义[J]. 气象学报, 71(3): 383–396. DOI:10.11676/qxxb2013.036 Su A F, Yin Y, Lü X N, et al. 2013. Spatial-temporal characteristics and synoptic significance of deep convective clouds over the physiognomy transition region of western Huanghuai[J]. Acta Meteor Sinica, 71(3): 383–396. DOI:10.11676/qxxb2013.036
王胜杰, 何文英, 陈洪滨, 等. 2010. 利用CloudSat资料分析青藏高原、高原南坡及南亚季风区云高度的统计特征量[J]. 高原气象, 29(1): 1–9. Wang S J, He W Y, Chen H B, et al. 2010. Statistics of cloud height over the Tibetan Plateau and its surrounding region derived from the CloudSat Data[J]. Plateau Meteor, 29(1): 1–9.
王帅辉, 韩志刚, 姚志刚. 2010. 基于CloudSat和ISCCP资料的中国及周边地区云量分布的对比分析[J]. 大气科学, 34(4): 767–779. Wang S H, Han Z G, Yao Z G. 2010. Comparison of cloud amounts from ISCCP and CloudSat over China and its neighborhood[J]. Chinese J Atmos Sci, 34(4): 767–779.
王帅辉, 韩志刚, 姚志刚, 等. 2011. 基于CloudSat资料的中国及周边地区云垂直结构统计分析[J]. 高原气象, 30(1): 38–52. Wang S H, Han Z G, Yao Z G. 2011. Analysis on cloud vertical structure over China and its neighborhood based on CloudSat data[J]. Plateau Meteor, 30(1): 38–52.
杨冰韵, 张华, 彭杰, 等. 2014. 利用CloudSat卫星资料分析云微物理和光学性质的分布特征[J]. 高原气象, 33(4): 1105–1118. DOI:10.7522/j.issn.1000-0534.2013.00026 Yang B Y, Zhang H, Peng J, et al. 2014. Analysis on global distribution characteristics of cloud microphysical and optical properties based on the CloudSat data[J]. Plateau Meteor, 33(4): 1105–1118. DOI:10.7522/j.issn.1000-0534.2013.00026
叶培龙, 王天河, 尚可政, 等. 2014. 基于卫星资料的中国西部地区云垂直结构分析[J]. 高原气象, 33(4): 977–987. DOI:10.7522/j.issn.1000-0534.2013.00158 Ye P L, Wang T H, Shang K Z, et al. 2014. Analysis of cloud vertical structure over western China based on active satellite data[J]. Plateau Meteor, 33(4): 977–987. DOI:10.7522/j.issn.1000-0534.2013.00158
银燕, 曲平, 金莲姬, 等. 2010. 热带深对流云对CO, NO, NOx和O3的垂直输送作用[J]. 大气科学, 34(5): 925–936. Yin Y, Qu P, Jin L J. 2010. Vertical transport of CO, NO, NOx, and O3 by tropical deep convective clouds[J]. Chinese J Atmos Sci, 34(5): 925–936.
尹金方, 王东海, 翟国庆, 等. 2013. 基于星载云雷达资料的东亚大陆云垂直结构特征分析[J]. 气象学报, 71(1): 121–133. DOI:10.11676/qxxb2013.010 Yin J F, Wang D H, Zhai G Q, et al. 2013. A study of cloud vertical profiles from the Cloudsat data over the East Asian continent[J]. Acta Meteor Sinica, 71(1): 121–133. DOI:10.11676/qxxb2013.010
张华, 杨冰韵, 彭杰, 等. 2015. 东亚地区云微物理量分布特征的CloudSat卫星观测研究[J]. 大气科学, 39(2): 235–248. Zhang H, Yang B Y, Peng J, et al. 2015. The characteristics of cloud microphysical properties in East Asia with the CloudSat dataset[J]. Chinese J Atmos Sci, 39(2): 235–248.
赵姝慧, 2008. 利用TRMM卫星和Cloudsat卫星对不同类型云系的中微尺度结构的研究分析[D]. 南京: 南京信息工程大学. Zhao S H, 2008. A study on the mesoscale and microscale structure in different types of clouds by TRMM satellite and Cloudsat satellite[D]. Nanjing:Nanjing University of Information Science and Technology.
郑永光, 陈炯, 朱佩君. 2008. 中国及周边地区夏季中尺度对流系统分布及其日变化特征[J]. 科学通报, 53(4): 471–481. Zheng Y G, Chen J, Zhu P J. 2008. Distributions and daily variations of Mesoscale Convective Systems over China and its neighborhood in summer[J]. Chinese Sci Bull, 53(4): 471–481.
中国气象局国家气象中心. 2006. 中国气象地理区划手册[M]. 北京: 气象出版社. National Meteorological Center. 2006. China meteorological geographic division[M]. Beijing: China Meteorological Press..
钟水新, 王东海, 张人禾, 等. 2011. 基于CloudSat资料的冷涡对流云带垂直结构特征[J]. 应用气象学报, 22(3): 257–264. DOI:10.11898/1001-7313.20110301 Zhong S X, Wang D H, Zhang R H, et al. 2011. Vertical structure of convective cloud in a cold vortex over Northeastern China using CloudSat data[J]. J Appl Meteor Sci, 22(3): 257–264. DOI:10.11898/1001-7313.20110301
朱乾根, 林锦瑞, 寿绍文. 1981. 天气学原理和方法[M]. 北京: 气象出版社. Zhu Q G, Lin J R, Shou S W. 1981. Principles and methods of synoptic meteorology[M]. Beijing: China Meteorological Press.
The Characteristics of Cloud Properties in Deep Convective Clouds across China with the CloudSat Dataset
YANG Bingyun , WU Xiaojing , GUO Zheng     
National Satellite Meteorological Center, Beijing 100081, China
Abstract: The deep convective clouds are important regulators of the earth-atmosphere system and also closely relate to the formation of many extreme weathers such as downbursts, storms and lightning. The measurement of cloud profile radar (CPR) from CloudSat has the advantage in detecting the accurate properties in deep convective clouds in different altitudes. The spatial and temporal variations of the probability and cloud microphysical properties in deep convective clouds, for exemple, the ice water content (IWC), liquid water content (LWC), ice water path (IWP) and liquid water path (LWP), were analyzed across eleven sub-regions in China based on the CloudSat dataset during 2007-2010 and 2013-2014. The results indicate that the probability of deep convective clouds decreased from southeast to northwest parts generally. The high values were mainly concentrated over the southeast of Northwest China, the southeast of Tibet, the east and south of Southwest China, the west and south of Huanghuai, Jianghan, Jianghuai, Jiangnan, and South China. Generally, it can be demonstrated that the deep convective clouds are more likely to occur in summer. For each area in different seasons, the highest value of the probability of deep convective clouds in total altitudes was 10.34% over Jiangnan in summer. The value of probability was much larger over Jiangnan, Jianghan, Jianghuai or Huanan than other areas, while it was lower over Northwest China. Moreover, among the different altitudes, the probabilities were located below 18 km and the maximum reached 11.31% at roughly 4.08~4.56 km over Jiangnan. The maximum value of IWP and LWP occurred over South China in summer and Huanghuai in autumn, respectively. Over Tibet, the value of IWP was much larger than that of LWP in the deep convective clouds, because the average altitude of Tibet was relatively high and the ice clouds were formed much easily than liquid clouds. Vertically, the maximum IWC with a magnitude of 1 018.87 mg·m-3 occurred near the altitude of 19.44 km over Jiangnan in summer. Two peaks of IWC were detected at 6~8 km, and 14~18 km where the significant seasonal difference occurred. In addition, the maximum LWC was 411.50 mg·m-3 at the altitude of 9.36 km over Jianghuai in winter and the peak of LWC in the vertical height occurred from 2 km to 6 km. The results in this work can explain climatic features of deep convective clouds and provide an observational basis for weather modification and simulations of deep convective clouds in models.
Key Words: CloudSat    deep convective cloud    cloud water content