2018, Vol. 37
云的分布及其微物理特征在全球天气和气候系统研究中发挥着重要作用(Li et al, 2005)。液态水含量(Liquid Water Content, LWC)及其路径(Liquid Water Path, LWP)是液态水云中最重要的微物理参数之一。首先, 云中液态水含量与辐射之间的相互作用对全球气候变化有着重要影响(Somerville et al, 1984)。其次, 云中液态水含量也是人工影响天气过程中决定人工增雨条件的前提条件之一(江芳等, 2004)。此外, 云中液态水含量与云中积冰的形成具有密切的关系, 其准确描述有助于飞机积冰强度的预报和分析(Cornell et al, 1995)。
毫米波测云雷达不仅能够观测云高、云厚、云量等宏观参数, 而且对云粒子的谱分布参数、液态水和冰水含量等微观参数也具有较强的探测能力(王帅辉等, 2011; 吴举秀等, 2014; 叶培龙等, 2014; 刘黎平等, 2016)。Atlas(1954)最早提出雷达反射率因子与液态水含量之间存在简单的二次方程式关系。此后, Sauvageot et al(1987)和Fox et al(1997)也利用机载微波辐射计、毫米波雷达等探测方式, 通过大量实测数据的统计拟合, 发展了基于经验关系的液态水含量反演方法。但是, 由于这些经验关系受到地域性的限制, 始终无法得到广泛的应用。Pazmany et al(2001)基于雷达探测数据, 采用人工神经网络算法对云中液态水含量进行反演, 并将反演结果与无线电探空仪的测量结果进行对比分析, 结果之间的偏差在20%以内。Austin et al(2001)建立了基于Rodgers最优估计理论的云中液态水含量的反演方案, 但该方法在很大程度上依赖于云粒子谱参数的假定。在国内, 冯伟伟等(2009)针对CloudSat卫星的云中液态水含量反演算法, 开展了算法性能的分析工作。其研究表明, 反演结果的不确定度与谱参数设定等多种因素相关。由于飞机探测可以直接测量云的云粒子谱参数, 故其数据在卫星遥感领域的应用显得尤其重要。王磊等(2014)利用二维粒子分型技术由中国多年的飞机探测资料, 得到了区域性的云粒子谱参数。Wang et al(2014)在以上研究的基础上, 分析了不同粒子谱参数假定对CloudSat云水含量反演的影响, 通过对比指出了CloudSat发布的产品显著高于MODIS业务反演产品, 并且大粒子假定对毫米波雷达云水含量的反演有着显著影响。
地基毫米波云雷达相对于机载和星载毫米波云雷达而言, 其最大的优势在于可对研究区域进行长期无人探测, 获取高时间分辨率的雷达反射率因子廓线, 这对于区域云特征的分析具有重要意义。不仅如此, 多种地基仪器的同步观测, 也有利于对不同观测结果及其算法进行对比和验证。2008年, 美国ARM(Atmospheric Radiation Measurement)移动观测站(AMF-ARM Mobile Facility)(Stokes et al, 1994)在我国寿县地区开展了连续观测, 获取大量基于不同观测手段的云信息, 这些数据已应用于云的宏微观参数特征分析(章文星等, 2012; 邱玉珺等, 2011; 彭亮等, 2011, 2012; 张艳品等, 2014)。但该毫米波云雷达观测资料由于缺乏在云微物理参数研究中的使用, 并没有发布云微物理参数的反演产品。实际上, 微物理参数反演算法的开发需要以飞机探测资料的分析结果作为基础。尽管中国开展了长时间的飞机探测并获取了大量的资料, 但这些资料在遥感领域的应用还比较少见。最近的研究(Wang et al, 2014)也表明, 采用区域性观测的云微物理参数, 有助于改进毫米波雷达反演的云参数结果。但Wang et al(2014)在其研究中, 仅采用了卫星的MODIS的云水总含量进行对比。实际上, 被动微波遥感技术对云层的穿透能力更强, 特别是地基遥感不受地表辐射的影响, 故可以得到更准确的云中液态水总含量, 从而有利于对毫米波云雷达的云微观参数反演结果进行验证。此外, 基于物理迭代反演与经验关系反演算法性能的对比分析也没有报道, 而这对于算法的选择具有重要的参考价值。
为了进一步分析和验证毫米波雷达反演云微物理参数的能力, 首先采用物理迭代法(Physical Iterative Method, PIM)和经验关系法(Empirical Relationship Method, ERM), 分析不同谱参数假定对云中液态水路径反演的影响, 并将反演结果与同步观测的地基微波辐射计廓线仪(Microwave Radiometer Profiler, MWRP)的产品进行对比分析。最后, 提出了基于不同云特征的谱参数选择方案。这一工作不仅可以为地基毫米波雷达资料的应用提供算法支持, 也可以为星载和机载毫米波雷达的云微物理参数反演算法的开发和改进提供参考依据。
2 数据 2.1 WACR数据2008年10-12月, 美国ARM-AMF在我国安徽省寿县进行了综合观测, 为研究我国区域云特征提供了宝贵的资料。在此期间, W波段95 GHz多普勒雷达(WACR-W-band ARM Cloud Radar)是主要的观测仪器之一。它采用垂直向上的探测方式, 能够提供连续的云反射率因子垂直廓线。使用的资料为ARM网站下载的WACR-ARSCL(Active Remote Sensing of Clouds)数据, 该数据为通过ARM数据中心质量检验的c1数据, 时间分辨率为5 s。
2.2 MWRP数据在分析和验证毫米波雷达反演云液态水路径反演结果时, 需要选择一种可信度相对较高的其他探测结果进行对比。地基微波辐射计是用于探测云中液态水路径的最准确方法(Westwater et al, 1978)。目前, 很难采用其他探测方式对微波辐射计的LWP结果进行验证评估。例如, 飞机探测数据只能得到探测路径上的信息, 而无法代表微波辐射计整个指向空间内的云水信息。尽管云雷达可以获取云中液态水含量的垂直分布特征以及整个大气柱的液态水路径, 但其主要问题之一是观测的雷达反射率强烈地依赖于云中的粒子谱分布。尽管目前还没有一种独立的其他观测手段可用于评估微波辐射计云中液态水路径反演结果, 但Crewell et al(2003)已经对该技术进行了全面的理论分析, 结果表明1 K的亮温偏移可使得双通道微波辐射计的反演误差约为30 g·m-2。
由此可见, 尽管微波辐射计得到的云液态水路径也是反演得到, 目前对其他探测手段的反演结果进行对比验证分析时, 还没有更好的参考结果可用。实际上, 在云参数的直接探测结果获取困难的条件下, 在对一种新的观测系统或方法的反演结果进行验证时, 通常会选择其他相对成熟的探测技术得到的结果作为参考进行对比验证与分析。例如, 地基微波辐射计的大气或云参数反演结果已经应用于其他遥感手段得到的反演结果的定量评估(Han et al, 1995; Greenwald et al, 1999; Jolivet et al, 2005; Mattioli et al, 2007)。
地基微波辐射计廓线仪(MWRP)是在地基微波辐射计的基础上, 利用统计方法反演得出温度、水汽含量和液态水含量(Liljegren, 2002)。Turner et al(2007)得到的ARM微波辐射计LWP的准确度是30 g·m-2。选取与WACR同步观测的MWRP数据作为液态水路径反演结果的“真值”进行对比分析。其中, MWRP数据是通过ARM数据中心质量检验的b1资料(其液态水路径数据来自于MWR-b1资料), 时间分辨率约为60 s。由于MWRP的时间分辨率低于WACR, 因此在使用过程中以MWRP的观测时间为基准, 挑选出与其最接近的WACR反射率因子廓线进行数据的匹配。
3 基本原理和方法 3.1 雷达反射率因子参照Austin et al(2001)在CLOUDSAT云微物理参数算法开发中对云粒子谱的假定方法, 假定液态水云中的粒子谱分布遵循:
| $ N\left( r \right) = \frac{{{N_t}}}{{\sqrt {2 \pi} {\sigma _{\log}}r}}\exp\left[ {\frac{{ - \ln^2\left( {r/{r_g}} \right)}}{{2\sigma ^2_{\log}}}} \right]\;\;, $ | (1) |
式中: Nt表示总的粒子密度; r表示粒子半径; rg表示平均几何半径; σlog表示几何标准偏差的自然对数。可见, 式(1)是由Nt、σlog、rg三个参数确定。
液态水含量和雷达反射率因子的计算公式为:
| $ {\rm LWC} = \frac{{4\pi }}{3}{N_T}{\rho _w}r^3_g\exp\left( {\frac{9}{2}\sigma ^2_{\log}} \right)\;\;, $ | (2) |
| $ Z = 64{N_T}r^6_g\exp(18\sigma ^2_{\log})\;\;, $ | (3) |
式中: ρw表示水的密度, 以上变量均是高度z的函数, 即LWC(z), Z(z)。
3.2 物理迭代法从仪器观测值反演得到大气和云环境参数通常是一个不适定性问题, 一般可以采用物理迭代反演算法(Li et al, 2000, 2004; Yao et al, 2012)。该算法也已用于星载毫米波雷达资料的液态水含量及其路径的反演(Austin et al, 2007), 算法的基础主要是前向模式和最优估计理论。
考虑到云粒子对于雷达回波强度的衰减作用, 将式(3)转化为对数形式[即: ZdBZ=10·lg(Z)], 可得:
| $ {Z^\prime }_{\rm d{B_{FM}}}\left( {{z_i}} \right) = 10\log[64{N_T}r^6_{{g_i}}\exp(18\sigma ^2_{\log})],\;\;i = 1 $ | (4) |
| $ \begin{align} {Z^\prime }_{\rm d{B_{FM}}}\left( {{z_i}} \right) = &10\log\{ 64{N_T}r^6_{{g_i}}\exp(18\sigma ^2_{\log})\\ & \cdot \exp[\frac{{ - 16{\pi ^2}}}{\lambda }{\rm Im}\left( { - K} \right) \cdot \Delta Z \cdot {N_T}\\ & \cdot \exp\left( {\frac{9}{2}\sigma ^2_{\log}} \right)\sum\limits_{j = i + 1}^n {r^3_g} ]\} ,{\rm{ }}i = 2,{\rm{ }} \ldots ,{\rm{ }}n \end{align} $ | (5) |
式(4)、(5)即为前向模式方程。其中: i表示云层位置; 式(4)表示云层最顶层, 式(5)表示顶层以下的各层, 前者不考虑吸收项, 后者需要考虑上层云层对微波的吸收。式中下标FM表示变量是通过前向模式方程计算得到。
由以上可知, 如果得到NT(z)、σlog(z)和rg(z)三个参数, 液态水含量就可以根据式(2)得到。又由液态水路径的定义可知:
| $ {\rm LWP} = \int\limits_0^\infty {{\rm{LWC}}(z){\rm{d}}z} = \sum\limits_{i = 1}^n {\left[ {\Delta z \cdot {\rm{LWC}}\left( {{z_i}} \right)} \right]} \;\;, $ | (6) |
式中: Δz为雷达探测的垂直分辨率。因此, 在液态水路径反演中, 首先需要反演确定谱参数NT、σlog和rg, 然后再由式(2)得出液态水含量, 最后利用式(6)计算得到液态水路径。
最优估计理论是在Rodgers(2000)估计理论的基础上, 依据Bayes判定定理, 给出反演参数最可能的解(用状态向量x来表示)。在给定观测向量y的情况下, 使状态向量x的后验概率达到最大, 即代价函数达到最小值。
首先, 定义代价函数Φ:
| $ \boldsymbol{\varPhi} = {(\boldsymbol{\hat x} - {\boldsymbol{x}_a})^T}\boldsymbol{S}^{ - 1}_a(\boldsymbol{\hat x} - {\boldsymbol{x}_a}) + {[\boldsymbol{y} - \boldsymbol{F}(\boldsymbol{\hat x})]^T}\boldsymbol{S}^{ - 1}_y[\boldsymbol{y} - \boldsymbol{F}(\boldsymbol{\hat x})]\;\;, $ | (7) |
式中: F(x)为前向模式向量;
对代价函数Φ求极小值得到未知状态向量的迭代解:
| $ {\boldsymbol{\hat x}^{k + 1}} = {\boldsymbol{S}_x} \times \{ \boldsymbol{S}^{ - 1}_a{\boldsymbol{x}_a} + {\boldsymbol{K}^{kT}}\boldsymbol{S}^{ - 1}_y[\boldsymbol{y} - \boldsymbol{F}({\boldsymbol{\hat x}^k}) + {\boldsymbol{K}^k}{\boldsymbol{\hat x}^k}]\} \;\;, $ | (8) |
式中: k表示迭代次数; K表示前向模式对于矩阵x中各个元素的敏感性(K=∂F/∂x), Sx表示与反演变量相关的不确定度协方差矩阵。
反演计算过程中, 状态向量的反演结果一般是通过多次迭代获得的, 其中初值向量xa作为迭代的第一猜值, 而迭代的收敛性是通过以下公式进行判定的:
| $ \Delta {\boldsymbol{\hat x}^T}\boldsymbol{S}^{ - 1}_x\Delta \boldsymbol{\hat x} < 0.01{n_x}\;\;, $ | (9) |
式中:
研究表明(Matrosov, 2004), 液态水含量LWC与反射率因子Z之间存在简单的二次方程式关系, 即:
| $ {\rm LWC} = a{Z^{1/2}}\;\;, $ | (10) |
式中: a为待定常数。由式(2)、(3)和(10)可以得出:
| $ a = \frac{\pi }{6}{\rho _w}N^{1/2}_T\exp( - 4.5\sigma ^2_{\log})\;\;. $ | (11) |
将飞机探测资料得到的不同粒子的谱参数分别代入式(11)即可求得对应的a值, 从而确定LWC与Z之间的经验关系式, 再利用式(10)和式(6)得到液态水路径LWP。
3.4 反演方案设计PIM和ERM都与粒子的谱参数密切相关, 表 1给出了Miles et al(2000)给出的大陆型云正态分布参数以及利用飞机探测资料计算得到的北京地区D＜500 μm、D＜1 500 μm液滴正态分布参数(Wang et al, 2014), 并分别选取它们作为PIM的必要参数构成反演方案, 依次命名为WACR-1、WACR-2和WACR-3。其中, D＜500 μm和D＜1 500 μm分别表示算法仅考虑云中直径小于500 μm和1 500 μm的粒子。
|
表 1 云滴谱正态分布参数 Table 1 Normal distribution parameters of droplets |
将选取的谱参数代入式(11)和(10)可以得出对应的经验关系, 并作为液态水路径的反演方案, 依次命名WACR-4、WACR-5和WACR-6, 如表 2所示。
|
|
表 2 谱参数对应的经验关系 Table 2 Spectral parameters used in empirical relationships |
为了分析不同算法的反演性能, 这里分别将PIM和ERM应用于地基毫米波雷达资料反演云中液态水路径。在反演试验中, 为了减小降水对反演结果的影响, 这里根据云的回波强度和云分类结果并结合地基的雨量计观测, 主要选择非降水性或弱降水性的液态水云。选取2008年12月13日07:00(世界时, 下同)-18:00的云进行对比分析, 再将分析结论应用于2008年10月21日17:00-21:00的层状云液态水路径反演。
4.1 总体情况分析由寿县WACR在2008年12月13日07:00-18:00观测的反射率因子(图 1)可知, 这一时段的云体主要为两个持续时间较长、厚度为1~2 km的云团, 且在6 km高度上覆盖着少许薄云。这一时段内的反射率因子相对较小, 仅在09:00-10:00和14:30左右略大, 云顶的高度均在2 km以下。图 2为PIM和MWRP、ERM与MWRP的液态水路径反演结果的对比。总体而言: (1)PIM和ERM与MWRP相比, 整体上具有较好的相关性, 相关系统均接近0.9, 即在云水总含的变化趋势上一致性较好。对比图 1可知, 液态水路径随着云的增大、增厚而增加。在反射率因子明显增大的地方, 液态水路径增大的幅度更大, 如在09:00-10:00和14:30左右, 对应于液态水路径的峰值; (2)WACR-2的结果与MWRP的一致性最好, 即基于区域性的粒子谱参数假定的物理迭代反演算法所得结果与地基微波辐计结果具有更好的一致性, 也表明了区域谱参数对云参数反演的重要性; (3)相对于PIM, 基于不同谱参数假定的ERM结果之间的差异更显著, 这也表明ERM对谱参数的假定更为敏感; (4)不同算法以及不同谱参数假定所得结果与MWRP之间的差异与云的回波强度特征相关。下文将针对具有代表性云特征的几个阶段进行详细分析, 主要为: 07:00-08:30, 08:30-11:00, 11:00-12:30, 13:00-16:00和16:00-18:00。
|
图 1 2008年12月13日07:00-18:00寿县WACR观测的反射率因子(单位: dBZ) Figure 1 WACR reflectivity of Shouxian during 07:00-18:00 on 13 December 2008.Unit: dBZ |
|
图 2 2008年12月13日07:00-18:00不同反演方案的液态水路径结果与MWRP测量结果之间的对比 Figure 2 Comparison of the retrieved LWP values from WACR with different retrieval schemes and the LWP values from MWRP during 07:00-18:00 on 13 December 2008 |
为了更好地分析反演结果与测量结果之间的关系, 这里给出了与反射率因子相对应的粒子径向速度(大于0表示向下)、线性退偏振比(Linear Depolarization Ratio, LDR)和温度(图 3)。其中, 径向速度和退偏振比为毫米波雷达探测数据, 温度为微波辐射计廓线仪反演数据, 图 3(c)中的黑色线条表示0 ℃层高度。
|
图 3 2008年12月13日07:00-18:00与反射率因子相对应的径向速度(a, 单位: m·s-1)、线性退偏振比(b, 单位: dBZ)和温度(c, 单位: ℃)分布 图(c)中黑线表示0 ℃层 Figure 3 Theradial velocity (a, unit: m·s-1), linear depolarization ratio (b, unit: dBZ) and temperature (c, unit: ℃) corresponding to the reflectivity during 07:00-18:00 on 13 December 2008.In Fig. 3(c), the black line indicates the 0 ℃ level |
在07:00-08:30, WACR-1(WACR-4)略大于WACR-2(WACR-5), WACR-2(WACR-5)又略大于WACR-3(WACR-6), 且WACR-1(WACR-4)更接近于MWRP, 即采用小粒子谱假定的方案反演结果优于考虑大粒子谱假定的方案。从图 1可见, 在07:00-08:30的云比较稀薄, 雷达反射率因子较小, 对应的云粒子直径也较小, 而三种谱参数方案的主要区别就在于考虑的粒子大小不同。若过多地考虑大粒子, 则必然会导致粒子数量的减小, 从而致使液态水路径也显著减小。同时也注意到, PIM和ERM的反演结果均小于MWRP的结果。参照图 3(b), 在07:00-08:30, 上层云位置明显在0 ℃层高度之上, 且LDR开始出现高值(大于-15 dBZ), 推测此时上层云中可能有少量含水量较大的过冷水。因此, 两种算法均不适合反演此类云的液态水路径。
由图 2可知, 08:30-11:00 MWRP测量结果均在400 g·m-2以上, 最大值达到800 g·m-2。根据姚展予等(2001)给出的阈值, 可判定期间发生了降水, 再结合图 1中低空反射率因子接近0 dBZ, 图 3中径向速度急剧的增大, 更加确定了降水的发生。下面将08:30-11:00分为降水前期(08:30-09:00)、降水中期(09:00-10:00)、降水后期(10:00-11:00)三个阶段进行讨论。
在降水前期, WACR-1与MWRP的大小和趋势基本一致, 优于WACR-2和WACR-3, 即采用谱参数D＜50 μm方案的PIM算法能较好的反演降水前期的液态水路径。在降水中期, WACR-2(D＜500 μm)优于WACR-1和WACR-3, 但与MWRP仍有显著差异, 同时EIM结果也更差, 即两种算法都难以准确反演降水期的液态水路径。在降水后期, WACR-2和WACR-5与MWRP的大小和趋势基本一致, 即谱参数D＜500 μm方案的两种算法均能较好的反演降水后期的液态水路径。此时, LWP呈逐渐减小的趋势, 这可能是由于在降水后期, 粒子的直径相对较小, 故WACR-2和WACR-5的反演结果也相对较好。
11:00-12:30, 两种算法中谱参数D＜50 μm的方案与MWRP结果都能保持较好的一致, 即WACR-1(WACR-4)与MWRP一致, 说明基于谱参数D＜50 μm方案的两种算法均能较好地反演此类层状云的液态水路径。此时的云特征表现为:云底较低、厚度小、反射率因子分布均匀且较小, 径向速度和LDR均较小, 温度基本在0 ℃以上。这些特征表明云层为典型的液态水层状云, 故WACR-1和WACR-4的反演结果较好。
13:00-16:00, WACR-2和MWRP在变化趋势和量值上具有较好的一致性。表明基于谱参数D＜500 μm方案的PIM算法能够准确反演此类层状云的液态水路径。此时的云特征主要表现为:云底低、厚度较大(相对于层状云)、反射率因子较大, 径向速度和LDR较小, 温度在0 ℃附近。
在16:00-18:00, 由LDR和温度图可知, 在1~2 km高度范围内温度小于0 ℃, 可能是混合相态的云。此外, 在高空还存在着卷云, 其云底很高、温度很低, 主要为冰相云。故对16:00-18:00的结果对比分析存在较大困难。
4.2 结果对比与分析为了更加直观地反映两种算法对不同特征云的反演能力, 表 3列出了LWP对比结果。其中Z表示反射率因子, V表示径向速度, H0表示0 ℃层高度, R为相关系数, AE为平均绝对误差(单位: g·m-2), RE为平均相对误差(单位: %), RMSE为均方根误差(单位: g·m-2), /表示反演结果不理想。
|
|
表 3 对比结果的概况 Table 3 The summary of comparison results |
结合表 3以及最优方案反演结果与MWRP测量结果的对比(图 4), 对最优方案的反演误差进行分析可知, 反演结果与MWRP测量结果的相关性均较强, 相关系统的最大值为0.97, 最小值也达到0.87。从散点在对角线的分布来看, 在08:30-09:00和10:00-11:00两时段内[图 4(a), (b)]分布最为集中, 其线性拟合直线与对角线比较接近, 因此AE和RE也较小。在11:00-12:30和11:00-12:30时段内的[图 4(d), (e)]LWP值相对较小, 且主要分布在对角线附近。因此, AE和RE也较小, 且在11:00-12:30采用WACR-4方案的AE和RE分别为14.93 g·m-2和15.04%。从散点在线性拟合直线的分布来看, 以上四个时段内对应的最优方案得到的RMSE相对其他方案较小, 最小值为11:00-12:30采用方案WACR-4得到的18.20 g·m-2。在10:00-11:00和13:00-16:00[图 4(c), (f)], 由于LWP含部分较大值, 且大值区与对角线的距离较大, 导致误差偏大, AE和RMSE的最大值分别为10:00-11:00采用WACR-5方案得到的55.92 g·m-2和88.40 g·m-2, RE的最大值为13:00-16:00采用方案WACR-5得到的31.77%。
|
图 4 2008年12月13日WACR不同时段的液态水路径反演结果与MWRP测量结果对比的散点分布 Figure 4 Comparison of WACR retrieved LWP and MWRP LWP values in different periods on 13 December 2008 |
通过2008年10月21日17:00-21:00反射率因子(图 5)可见, 17:00-19:00云反射率因子相对较小且分布较均匀, 厚度约为1 km, 19:00-21:00云反射率因子和厚度相对较大。依据以上对比分析的讨论, 对于17:00-19:00的观测选择WACR-1方案, 19:00-21:00的观测选择WACR-2方案, 同时将基于观测结果的优化方案命名为WACR-12。这一个例的具体方案选择情况见表 4。
|
图 5 2008年10月21日17:00-21:00 WACR的反射率因子(单位: dBZ) Figure 5 Reflectivities of WACR during 17:00-21:00 on 21 October 2008.Unit: dBZ |
|
|
表 4 层状云液态水路径反演优化方案 Table 4 Optimized retrieval schemes of the stratiform cloud LWP |
需要注意的是, 因降水、高湿、露水等因素所致的微波辐射计天线着水是影响其探测准确度的因素之一(Ware, 2004)。Cadeddu et al(2013)的研究结果显示, 在降水条件下微波辐射的观测亮温将显著增大, 故其LWP反演结果也会显著增大。例如, 姚展予等(2001)将LWP是否大于400 g·m-2作为降水影响的判断值。从图 5的雷达回波图上看, 回波及地。此外, 地面气象观测的相对湿度也大于90%。因此, 看起来17:00-21:00可能存在降水。但同步的地基观测结果表明, 所用数据的观测时段内无降水发生, 且观测的云底高度大于200 m。反演的LWP产品的绝大多数值也小于400 g·m-2。因此, 尽管微波辐射计观测可能会受到高湿、露水等因素所致的天线着水问题的影响, 但从反演结果的范围来看仍在合理范围之内。因此, 这里仍然将该个例作为分析对象。
5.2 检验结果分别用方案WACR-1、WACR-2和WACR-12, 针对2008年10月21日17:00-21:00的层状云反演液态水路径, 并将结果与MWRP的测量结果进行对比, 即对这里提出的优化方案进行检验。由WACR-12与MWRP的液态水路径对比(图 6)可见, 优化方案WACR-12的反演结果与MWRP的测量结果在变化趋势上具有很好的一致性。
|
图 6 2008年10月21日17:00-21:00 WACR-12与MWRP之间的液态水路径对比 Figure 6 Comparison of LWP results between WACR-12 and MWRP from 17:00 to 21:00 on 21 October 2008 |
由WACR-1、WACR-2、WACR-12与MWRP的液态水路径对比的散点分布(图 7)可见, WACR-1的反演结果较差, 偏差较大; WACR-2的反演结果总体偏小, 且误差也相对较大; 优化方案WACR-12的反演结果相比于前两者有较大的改善。类似于表 3, 表 5给出了反演结果与MWRP产品对比统计结果。由表可见, 优化方案WACR-12与MWRP比较, R为0.78, 是三种方案中的最大值, AE、RE和RMSE分别为31.88 g·m-2, 76.62%和92.42 g·m-2, 均是三种方案中的最小值。由此可见, 优化方案可显著地改进反演结果。
|
图 7 2008年10月21日毫米波雷达液态水路径反演与微波辐射计LWP对比的散点分布 Figure 7 Comparisons between WACR LWP retrievals and microwave radiometer LWP on 21 October 2008 |
|
|
表 5 液态水路径反演结果与测量结果的相关误差 Table 5 Correlated errors between retrieval results and measure results of LWP |
基于毫米波云雷达观测反演云中液态水含量的PIM和ERM算法, 首先设计了基于不同谱参数假定的反演方案。随后, 将两种算法分别应用于ARM观测站的地基毫米波雷达针对层状云的观测资料, 并将结果与微波辐射计的观测结果进行了对比分析。主要得出以下结论:
(1) 由物理迭代反演算法得到的LWP结果显著地优于经验统计法。两种算法所得结果与MWRP的测量结果之间具有较强的相关性, 但总体上PIM与MWRP之间的差异相对较小。
(2) 两种反演算法均对云粒子谱参数的假定有较强的依赖性, 但PIM对其的依赖性相对较弱。
(3) 基于中国区域的飞机探测资料得到的谱参数能够得到更优的反演结果。这一结果表明, 区域性谱参数可以改进液态水路径的反演。同时也说明, 飞机探测资料对云微物理参数反演算法的开发具有重要价值。
(4) 云中可能存在的大粒子是云雷达液态水路径反演高估的可能原因之一。随着粒子直径的增大(主要表现为雷达反射率因子显著增大), 这种影响也会更加显著。
(5) 基于云特征的云参数反演初值选择方案, 可以显著地改进云中液态水路径的反演结果。因此, 在反演过程中, 针对不同特征的云, 需要采用不同的初值选择方案以提高反演的精度。
本研究的首要目的是讨论区域性的飞机探测资料在云参数反演中的应用效果, 这对于飞机探测资料在遥感领域的应用具有重要的指导意义。此外, 不同算法的比较对于加深对各种反演算法的认识, 并为未来地基或星载云雷达参数反演业务算法的开发具有重要的借鉴意义。
当然, 需要注意以下问题: (1)云粒子的谱参数分布形态的假定对于云参数反演结果存在影响。若实际的云粒子谱参数分布形态与实际不符, 则会影响云参数的反演精度。因此, 进一步开展更广泛的飞机探测获取更具代表性的云粒子参数谱参数显得尤其重要。(2)对于中高云存在的条件, 基于液态水假定得到的云雷达LWP与地基微波辐射计会存在显著差异, 这可能是受到云中存在的冰晶粒子的影响。因此, 在未来的研究中, 需要进一步讨论混合相态的云以及冰云参数的反演问题, 而这同样需要更丰富的飞机探测资料和科学的数据分析方法作为基础。(3)由于ARM站点观测期间, 结合云的垂直结构以及大气温度廓线信息, 仅确认了两天的观测个例可能存在连续的液态水云观测。尽管看起来只有两个个例, 但由于仪器的时间分辨率较高, 实际的廓线条数相当可观的, 特别是微波辐射计观测结果能够覆盖液态水云所具有的典型LWP值区间。
致谢 所用的寿县地区毫米波云雷达和微波辐射计资料由ARM提供, 在此谨表感谢！
Atlas D. 1954. The estimation of cloud parameters by radar[J]. J Meteor, 11(4): 309–317.
DOI:10.1175/1520-0469(1954)011<0309:TEOCPB>2.0.CO;2 |
|
Austin R T, Stephens G L. 2001. Retrieval of stratus cloud microphysical parameters using millimeter-wave radar and visible optical depth in preparation for CloudSat.Ⅰ-Algorithm formulation[J]. J Geophys Res, 106(D22): 28233–28242.
DOI:10.1029/2000JD000293 |
|
Austin R T, 2007. Level 2B radar-only cloud water content (2B-CWC-RO) process description document[J/OL]. CloudSat Data Processing Cent., Coop. Inst. for Res. in the Atmos., Colo. State Univ., Fort Collins. http://cloudsat.cira.colostate.edu/dataICDlist.php. [2016-07-14]
|
|
Cadeddu M P, Liljegren J C, Turner D D. 2013. The Atmospheric Radiation Measurements (ARM) program network of microwave radiometers:instrumentation, data, and retrievals[J]. Atmospheric Measurement Techniques, 6(9): 2359–2372.
DOI:10.5194/amt-6-2359-2013 |
|
Ware R, Cimini D, Herzegh P, et al, 2004. Ground-based microwave radiometer measurements during precipitation[C]//Rome, Italy: 8th Specialist Meeting on Microwave Radiometry, 24-27.
https://www.researchgate.net/publication/229042551_Ground-based_microwave_radiometer_measurements_during_precipitation |
|
Cornell D, Donahue C A, Keith C, 1995. A comparison of aircraft icing forecast models[R]. Air Force Combat Climatology Center Scott AFB IL.
|
|
Crewell S, Löhnert U. 2003. Accuracy of cloud liquid water path from ground-based microwave radiometry 2.Sensor accuracy and synergy[J]. Radio Science, 38(3): 8042.
DOI:10.1029/2002RS002634 |
|
Fox N I, Illingworth A J. 1997. The retrieval of stratocumulus cloud properties by ground-based cloud radar[J]. J Appl Meteor, 36(5): 485–492.
DOI:10.1175/1520-0450(1997)036<0485:TROSCP>2.0.CO;2 |
|
Han Q, Welch R, Chou J, et al. 1995. Validation of satellite retrievals of cloud microphysics and liquid water path using observations from FIRE[J]. J Atmos Sci, 52(23): 4183–4195.
DOI:10.1175/1520-0469(1995)052<4183:VOSROC>2.0.CO;2 |
|
Jolivet D. 2005. Quantification of the accuracy of liquid water path fields derived from NOAA 16 advanced very high resolution radiometer over three ground stations using microwave radiometers[J]. J Geophys Res, 110(D11): D11204.
DOI:10.1029/2004JD005205 |
|
Li J, Menzel W P, Zhang W, et al. 2004. Synergistic use of MODIS and AIRS in a variational retrieval of cloud parameters[J]. J Appl Meteor, 43(11): 1619–1634.
DOI:10.1175/JAM2166.1 |
|
Li J, Wolf W W, Menzel W P, et al. 2000. Global soundings of the atmosphere from ATOVS measurements:The algorithm and validation[J]. J Appl Meteor, 39(8): 1248–1268.
DOI:10.1175/1520-0450(2000)039<1248:GSOTAF>2.0.CO;2 |
|
Li L, Heymsfield G M, Tian L, et al. 2005. Measurements of ocean surface backscattering using an airborne 94-GHz cloud radar-Implication for calibration of airborne and spaceborne W-band radars[J]. J Atmos Ocean Technol, 22(7): 1033–1045.
DOI:10.1175/JTECH1722.1 |
|
Liljegren J C. 2002. Microwave radiometer profiler handbook[M]. Washington D C: Manual, Argonne National Laboratory.
|
|
Matrosov S Y, Uttal T, Hazen D A. 2004. Evaluation of radar reflectivity-based estimates of water content in stratiform marine clouds[J]. J Appl Meteor. 2004, 43(3): 405–419.
|
|
Mattioli V, Westwater E R, Cimini D, et al. 2007. Analysis of radiosonde and ground-based remotely sensed PWV data from the 2004 North Slope of Alaska Arctic Winter Radiometric Experiment[J]. J Atmos Ocean Technol, 24(3): 415–431.
DOI:10.1175/JTECH1982.1 |
|
Miles N L, Verlinde J, Clothiaux E E. 2000. Cloud droplet size distributions in low-level stratiform clouds[J]. J Atmos Sci, 57(2): 295–311.
DOI:10.1175/1520-0469(2000)057<0295:CDSDIL>2.0.CO;2 |
|
Pazmany A L, Sekelsky J B M S M, McLaughlin D J, et al, 2001. 2B. 1 multi-frequency radar estimation of cloud and precipitation properties using an artificial neural network[C]//Conference on Radar Meteorology of the American Meteorological Society. American Meteorological Society, 30: 154-156.
https://ams.confex.com/ams/30radar/techprogram/paper_21161.htm |
|
Rodgers C D. 2000. Inverse methods for atmospheric sounding:Theory and practice[M]. Singapore: World scientific.
|
|
Sauvageot H, Omar J. 1987. Radar reflectivity of cumulus clouds[J]. J Atmos Ocean Technol, 4(2): 264–272.
DOI:10.1175/1520-0426(1987)004<0264:RROCC>2.0.CO;2 |
|
Somerville R C J, Remer L A. 1984. Cloud optical thickness feedbacks in the CO2 climate problem[J]. J Geophys Res, 89(D6): 9668–9672.
DOI:10.1029/JD089iD06p09668 |
|
Stokes G M, Schwartz S E. 1994. The Atmospheric Radiation Measurement (ARM) program:Programmatic background and design of the cloud and radiation test bed[J]. Bull Amer Meteor Soc, 75(7): 1201–1221.
DOI:10.1175/1520-0477(1994)075<1201:TARMPP>2.0.CO;2 |
|
Greenwald T J, Christopher S A, Chou J, et al. 1999. Intercomparison of cloud liquid water path derived from the GOES 9 imager and ground based microwave radiometers for continental stratocumulus[J]. J Geophys Res, 104(D8): 9251–9260.
DOI:10.1029/1999JD900037 |
|
Turner D D, Clough S A, Liljegren J C, et al. 2007. Retrieving liquid water path and precipitable water vapor from the Atmospheric Radiation Measurement (ARM) Microwave Radiometers[J]. IEEE Trans Geosci Remote Sens, 45(11): 3680–3690.
DOI:10.1109/TGRS.2007.903703 |
|
Wang L, Li C, Yao Z, et al. 2014. Application of aircraft observations over Beijing in cloud microphysical property retrievals from CloudSat[J]. Adv Atmos Sci, 31(4): 926–937.
DOI:10.1007/s00376-013-3156-2 |
|
Westwater E R. 1978. The accuracy of water vapor and cloud liquid determination by dual-frequency ground-based microwave radiometry[J]. Radio Science, 13(4): 677–685.
DOI:10.1029/RS013i004p00677 |
|
Yao Z, Li J, Han H J, et al. 2012. Asian dust height and infrared optical depth retrievals over land from hyperspectral longwave infrared radiances[J]. J Geophys Res, 117(D19): D19202.
DOI:10.1029/2012JD017799 |
|
冯伟伟, 姚志刚, 韩志刚, 等. 2009. 星载毫米波云雷达反演液态水云含水量的算法性能分析[J]. 解放军理工大学学报(自然科学版), 10(Suppl1): 95–102.
Feng W W, Yao Z G, Han Z G, et al. 2009. Analysis of the cloud liquid water path from satellite-borne millimeter wave cloud Radar[J]. Journal of PLA University of Science and Technology (Natural Science Edition), 10(Suppl1): 95–102.
|
|
江芳, 魏重, 雷恒池, 等. 2004. 机载微波辐射计测云中液态水含量(Ⅱ):反演方法[J]. 高原气象, 23(1): 33–39.
Jiang F, Wei C, Lei H C, et al. 2004. Measurement of column cloud liquid water content by airborne upward-looking microwave radiometer (Ⅱ):Retrieval method[J]. Plateau Meteor, 23(1): 33–39.
|
|
刘黎平, 周淼. 2016. 垂直指向的Ka波段云雷达观测的0℃层亮带自动识别及亮带的特征分析[J]. 高原气象, 35(3): 734–744.
Liu L P, Zhou M. 2016. Characteristics of bright band and automatic detection algorithm with vertical pointed Ka band cloud Radar[J]. Plateau Meteor, 35(3): 734–744.
DOI:10.7522/j.issn.1000-0534.2014.00160 |
|
彭亮, 陈洪滨, 李柏. 2011. 模糊逻辑法在3mm云雷达反演云中水凝物粒子相态中的应用[J]. 遥感技术与应用, 36(1): 1–10.
Peng L, Chen H B, Li B. 2011. An application of Fuzzy Logic Method to cloud hydrometeor classifications using the ARM WACR data[J]. Remote Sensing Technology and Application, 36(1): 1–10.
DOI:10.11873/j.issn.1004-0323.2011.1.1.1 |
|
彭亮, 陈洪滨, 李柏. 2012. 3 mm多普勒云雷达反演云内空气垂直速度的研究[J]. 大气科学, 36(1): 1–10.
Peng L, Chen H B, Li B. 2012. A case study of deriving vertical airs velocity from 3-mm cloud radar[J]. Chinese J Atmos Sci, 36(1): 1–10.
|
|
邱玉珺, 杨会文, 倪婷, 等. 2012. 基于美国AMF寿县观测的云特性研究[J]. 大气科学学报, 35(1): 80–86.
Qiu Y J, Yang H W, Ni T, et al. 2012. Cloud property analysis by using DOE AMF measurements in Shouxian of China[J]. Trans Atmos Sci, 35(1): 80–86.
|
|
王磊, 李成才, 赵增亮, 等. 2014. 二维粒子形状分类技术在云微物理特征分析中的应用[J]. 大气科学, 38(2): 201–212.
Wang L, Li C C, Zhao Z L, et al. 2014. Application of 2D habit classification in cloud microphysics analysis[J]. Chinese J Atmos Sci, 38(2): 201–212.
DOI:10.3878/j.issn.1006-9895.2013.12176 |
|
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, et al. 2011. Analysis on cloud vertical structure over China and its neighborhood based on CloudSat Data[J]. Plateau Meteor, 30(1): 38–52.
|
|
吴举秀, 魏鸣, 周杰. 2014. 六角形冰晶的94 GHz毫米波后向散射特性的模拟计算分析[J]. 高原气象, 33(1): 252–260.
Wu J X, Wei M, Zhou J. 2014. Simulated calculation of backscattering characteristics of hexagonal ice crystals with 94 GHz Radar[J]. Plateau Meteor, 33(1): 252–260.
DOI:10.7522/j.issn.1000-0534.2013.00003 |
|
姚展予, 王广河, 游来光, 等. 2001. 寿县地区云中液态水含量的微波遥感[J]. 应用气象学报, 12(Suppl1): 88–95.
Yao Z Y, Wang G H, You L G, et al. 2001. Microwave remote sensing of cloud liquid water path over Shouxiang[J]. J Appl Meteor Sci, 12(Suppl1): 88–95.
|
|
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.
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 |
|
张艳品, 章文星, 吕达仁, 等. 2014. 卫星(IASI探测仪)观测云顶高与地基云雷达观测的对比验证[J]. 大气科学, 38(5): 874–884.
Zhang Y P, Zhang W X, Lü D R, et al. 2014. Cloud top heights measured by METOP-A IASI Instrument compared with ground-based cloud radar[J]. Chinese J Atmos Sci, 38(5): 874–884.
|
|
章文星, 吕达仁. 2012. 地基热红外云高观测与云雷达及激光云高仪的相互对比[J]. 大气科学, 36(4): 657–672.
Zhang W X, Lü D R. 2012. Cloud base heights by ground based sky IR brightness temperature measurements compared with Cloud radar and Ceilometer in Shouxian[J]. Chinese J Atmos Sci, 36(4): 657–672.
DOI:10.3878/j.issn.1006-9895.2012.11057 |