2018, Vol. 37
2. 江苏省大气环境监测与污染控制高技术研究重点实验室, 江苏 南京 210044;
3. 南京信息工程大学大气物理与大气环境学院, 江苏 南京 210044
地球上超过50%的区域都覆盖云, 它在调节地球辐射收支平衡和水循环过程中起到重要作用, 冰云全球平均覆盖率在20%~30%之间(Ockertbell et al, 1992; Heymsfield et al, 2008; Liou, 1986), 与地理位置和季节变化有关。冰云对全球大气有加热和冷却的双重效应(Liou et al, 1980); 冰晶粒子具有不规则形状的特性, 这为冰云的研究增加了难度(Lynch et al, 2002), 因此研究冰云的各物理特性, 对大气气候模式和云、辐射和气候之间复杂的相互作用有重要意义。国际上对于云的研究主要通过地面观测、飞机观测和卫星观测等手段(彭杰等, 2010)。卫星观测由于重复率高、覆盖范围广、真实客观、云参数完备等优势, 已成为研究云的重要手段之一(刘瑞霞等, 2004; 杨冰韵等, 2014)。国际卫星云气候计划ISCCP(International Satellite Cloud Climatology Project)的冰云产品能展现连续20多年的冰云光学特征和微物理特征, 但不能提供垂直方向上的信息。随着气象卫星的发展, 新型的星载云和气溶胶激光雷达和红外探险者卫星CALIPSO(Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observations)和第一颗专门用于观测云的太阳极轨卫星CloudSat发射升空, 使得探究冰云的垂直结构成为可能。
中国西北地区占地面积约345×104 km2, 是中国主要的干旱与半干旱区, 由于沙漠众多, 沙尘天气频发, 水资源匮乏, 大气中存在的冰水含量的大小对降水及气候产生显著影响(Huang et al, 2006)。为了能够更好的提高气候模式对该地区气候变化的准确模拟能力, 有必要对西北地区冰云的垂直特性及时空变化做进一步的探究。目前, 利用卫星资料对西北地区冰云的研究主要集中于对云的宏观特征研究和单一资料分析云分布及各特征量两个方面。例如, 有学者用云分类产2B-CLDCLASS-LIDAR数据分析了中国西部地区及周边地区云的垂直结构特征, 表明各地区单层云的出现概率比多层云的出现概率大(叶培龙等, 2014)。还有学者利用ISCCP D2资料对西北地区云的时空分布及其降水的关系进行分析(陈勇航等, 2005a, 2005b, 2007); 使用CloudSat资料分析得到华北地区单层云和多层云出现频率有明显的季节性变化, 且卷云主要出现在单层云、多层云系统的中上层云中, 夏秋两季出现频率较高(陈超等, 2014)。学者们对于冰云已经做了很多全球范围或者大区域范围的研究, 例如用CloudSat/CALIPSO数据统计得到全球卷云云量的分布特征, 发现全球平均卷云发生率为16. 7%(Sassen et al, 2008); 用CloudSat、CALIPSO和MODIS的数据, 对比了四种不同冰云属性的反演方法, 对冰云的反演提供理想依据, 为后续冰云研究提供基础(Thorwald et al, 2011); 利用CloudSat卫星的2B数据产品, 对云微物理特征量的全球分布和季节变化进行统计分析, 其结果与利用MODIS三级产品计算热带地区的冰云发生频率和冰水路径结果相似(杨冰韵等, 2014; Meyer et al, 2007); 用CloudSat和CALIPSO卫星产品数据分析中国华北地区、日本海地区和太平洋地区的中云分布特征, 探究了三个区域中冰云的冰水路径(IWP)(霍娟, 2015); 但是对于中国各地区以及小范围内的研究较少, 例如对中国西北地区的研究, 现阶段学者们致力于使用多个卫星资料联合反演及分析全球或地区的冰云。
CloudSat搭载的微波雷达, 探测不出冰水含量(Ice Water Content, IWC)小于0. 4 mg·m-3的冰云, 而搭载在CALIPSO上的激光雷达只能检测到光学厚度小于3. 0的冰云(Wu et al, 2009; Liu et al, 2005)。对于冰云的总质量, 薄冰云的贡献很小, 但涉及到辐射效应时, 薄冰云又变得至关重要, 因为它有强烈的温室效应(Mcfarquhar et al, 1999)。由于两种卫星观测技术对冰云的敏感性不同, 在反演方法上存在较大差异, 单一的主动遥感技术只能探测到一部分云, 而被动传感器不能获得垂直方向上的冰云特性。因此将多个传感器联合使用是目前卫星遥感冰云的研究趋势(Eliasson et al, 2010; Wu et al, 2006)。例如使用CALIPSO和CloudSat两种卫星联合数据产品DARDAR(raDAR/liDAR)分析全球冰云分布与特征, 得到理想且更广泛的冰云(Hong et al, 2015)。但是对中国西北地区多种传感器联合分析冰云特性的研究依然缺失。
本文使用两种卫星联合数据产品分析了冰云属性在中国西北地区的特征分布以及冰云在中国西北地区的空间和季节变化特征。有助于我国西北地区冰云研究的进一步发展, 可以为气象领域的研究提供一定的基础科学依据, 对我国西北地区冰云的深入研究具有重要的意义。
2 资料与方法一种新的协同方法是结合CALIPSO卫星和CloudSat卫星数据联合反演得到冰云属性。本文使用雷丁大学开发的DARDAR产品数据进行冰云特性的分析(Delanoë et al, 2008, 2010), 该产品结合这两种卫星的优点对冰云属性进行联合反演。
算法结合雷达反射率、激光雷达后向散射和红外辐射在大气中的水汽窗口反演得到消光系数、冰水含量和有效半径等, 使用的模型包括non-Rayleiigh散射模型和激光雷达的多次散射模型。算法通过状态变量和相关先验估计的选择, 使得被微波雷达和激光雷达探测到的云能够进行地区间的无缝反演, 即当激光的信号不可用(如有强烈衰减)时, 反演使用微波雷达的反射率因子和温度数据; 当微波雷达数据不可用(如存在光学薄云)时, 使用激光雷达的数据准确反演。有学者对该算法进行了研究和验证, 证明了该方法的可用性和准确性(Hogan, 2006; Francis et al, 1998)。
在反演过程中, DARDAR算法采用最优估计法, 第一次提出假设模型中的状态向量(消光系数、浓度和后向散射率)来计算观测参数。用预测和真实的观测相比, 使用高斯-牛顿迭代(Gauss-Newton iteration)的最小化代价函数来得到最好的状态向量预估(Delanoë et al, 2008)。使用多次散射模型来反演激光雷达多次散射, 即使从单个传感器上得到的数据也是可用的, 可以采用文献中的经验方法, 例如, 当只使用激光雷达的数据时, 引入mass-size关系得到IWC(Hogan, 2006; Brown et al, 1995); 在缺乏激光雷达观测的情况下, 使用area-size关系推导出消光系数, 从而根据微波雷达反射率因子Ze和温度计算得出IWC(Francis et al, 1998; Delanoë et al, 2010)。该方法可以在不考虑光学薄云和厚冰云差异的情况下进行反演。
使用与冰水含量和消光系数相关的有效半径公式(Foot, 1988), 如下:
| $ {r_e} = \frac{3}{2}\frac{{IWC}}{{2{\alpha _v}{\rho _i}}}, $ | (1) |
式中: ρi是冰的密度; αv是波长为v时的消光系数。对于反演的准确性, 据估计, 消光系数和IWC有60%的不确定性, 而冰云有效半径有30%依赖于mass-size关系(Julien et al, 2010)。然而, DARDAR产品提供了冰云属性相对最好的反演, 并且提供了更广泛的冰水路径(Stein, 2011; Eliasson et al, 2013)。
使用2012—2016年可用的DARDAR产品数据, 为了辨别冰云, 用DARDAR产品中的云分类指标(DARMASK_Simplified_Categorization)。数据处理中, 只用指标值为1的数据, 表明此不包含过冷水。对冰云属性统计分析时, 选取72°E—116°E, 32°N—52°N为西北地区研究区域。为了能够反映冰云属性的区域性差异, 本文根据已有的研究将中国西北地区划分为5个子区域进行研究[图 1, 此图及下文所涉及的地图是基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)1552号的中国地图制作, 底图无修改], 分别为Ⅰ区:南疆地区(36°N—42°N, 73°E—91°E), Ⅱ区:北疆地区(42°N—50°N, 80°E—95°E), Ⅲ区:河西—内蒙古中西部地区(40°N—50°N, 94°E—110°E), Ⅳ区:祁连山区—青海中西部地区(37°N—40°N, 91°E—103°E), Ⅴ区:西北东部季风区(33°N—38°N, 102°E—110°E)(叶培龙等, 2014)。
|
图 1 中国西北地区地理区域划分 Figure 1 Northwest China area geographical partition |
冰云发生率在研究地气系统的辐射中起重要作用。为了确定冰云的空间分布和出现概率, 计算冰云发生率Fice的公式如下:
| $ {F_{{\rm{ice}}}} = \frac{{{N_{{\rm{ice}}}}}}{{{N_{{\rm{all}}}}}} \times 100\% , $ | (2) |
式中: Nice是冰云的数量; Nall是所有晴空和云的总数(分辨率为1 km×1 km的水平分布)。
通过2012年12月至2016年11月4年平均的西北地区冰云发生率[图 2(a)]可以看出, 西北地区4年平均冰云发生率为55. 1%, 我国北疆地区和河西—内蒙古中西部地区平均冰云发生率偏大, 分别为57. 8%和58. 3%, 西北东部季风区平均冰云发生率最小(49%), 在新疆塔克拉玛干沙漠地区附近及古尔班通古特沙漠附近出现低值区(43%), 位于内蒙古中西部的沙漠地区也存在冰云发生率相对较低的区域, 受青藏高原高地势影响, 使得我国西北地区靠近青藏高原附近地区冰云发生率偏高。从西北地区冰云发生率月平均[图 2(b)]看到, 2012—2016年我国西北地区冰云发生概率在春季和冬季较大, 且2015—2016年冰云发生率四季变化浮动比前两年大。
|
图 2 2012年12月至2016年11月中国西北地区平均冰云发生率(a, 单位: %)及月平均分布(b) Figure 2 Distribution of occurrence frequency (a, unit: %) and monthly occurrence frequency (b) ofice clouds in Northwest China from December 2012 to November 2016 |
不同季节我国西北地区冰云发生概率的水平分布存在差异(图 3), 其中冰云发生概率的季节平均分别为:春季61. 1%, 夏季52. 6%, 秋季51. 8%, 冬季57%。春季冰云发生率最大值出现在北疆地区(86%), 低值出现在塔克拉玛干沙漠地区附近(31%), 春季冰云出现较多, 除河西—内蒙古中西部部分地区外, 春季冰云发生概率均在70%以上; 夏季冰云发生率在河西—内蒙古中西部地区和西北东部季风区相对较大(57%), 南疆西南部地区冰云发生率偏小(35%); 秋季的冰云发生率在四季中最低, 高值区在南疆地区西南部(81%), 低值区在内蒙古西北部(23. 7%), 我国西北地区中的沙漠地区冰云发生率相对偏低; 冬季西北地区冰云发生率分布和秋季相似, 新疆地区平均冰云发生率比秋季高, 最低值在河西—内蒙古中西部地区(21%)。叶培龙等(2014)研究表明西北地区的总云量、中云量、总云水路径和总光学厚度的高值区均在天山、昆仑山、祁连山一带, 也是西北地区雨量最丰沛的地区, 而低值中心一般分布在塔里木盆地—内蒙古西部戈壁沙漠—黄土高原西北部一带, 即冰云容易发生在水汽丰富的风暴带和对流旺盛的地区, 而与西北地区相似的干旱、半干旱地区都是缺少冰云存在的, 但从DARDAR的统计结果看出, 春季西北地区冰云出现较频繁, 冬季冰云发生率也相对较高, 这种现象主要是由青藏高原特殊的地形引起的(Hogan, 2006); 整个西北地区冰云发生率春夏季明显大于秋冬季, 在我国青藏高原东北部地区(32°N—35°N, 91°E—95°E), 除夏季以外冰云发生率在其他季节都较大, 原因是相对温暖而潮湿的空气随着季节性的热带辐合带和季风运动, 遇到高原高位势高度地形而抬升, 从而使得青藏高原上空成为冰云频发区域(闵敏等, 2011; Tian et al, 2011), 其中, 暖湿空气抬升形成的地形型卷云是导致青藏高原东北坡冰云频发的主要原因(Chen et al, 2005); 而夏季, 高原上由于印度洋暖湿气流受高原地形抬升主要在青藏高原南部形成高云, 印度洋暖湿气流受高原南部山脉阻挡导致夏季高原东北部冰云发生率较低(刘建军等, 2017)。
|
图 3 2012年12月至2016年11月西北地区四季平均冰云发生率水平分布(单位: %) Figure 3 Seasonal distribution of ice cloud occurrence frequency from December 2012 to November 2016. Unit: % |
从中国西北地区各地区冰云发生率季节平均趋势图(图 4)可以看出, 各地区冰云发生率随季节变化而不同, 其中南疆地区、北疆地区春冬季冰云发生率较高且季节变化特征明显, 河西—内蒙古中西部地区冰云发生率季节变化最小。除北疆地区冰云发生率在冬季最大以外, 其他地区冰云发生率主要在春季最大。祁连山-青海中西部地区和西北东部季风区呈现冰云发生率春, 夏季大, 秋, 冬季小的变化特征。
|
图 4 2012年12月至2016年11月中国西北各地区冰云发生率季节平均趋势 Figure 4 Seasonal average of ice cloud occurrence frequency in different regions of Northwest China from December 2012 to November 2016 |
冰水含量是描述冰云微物理特性的基本物理量。从中国西北各地区平均冰水含量的垂直分布(图 5)可以看出, 我国西北地区IWC的值大部分在0. 06 g·m-3以下, 在13 km以上几乎没有冷冰水分布。整个西北地区冰云主要分布在3~12 km之间, 最高达到0. 06 g·m-3(3~5 km), IWC在32°N—37°N区域相对较大; 各个地区间IWC差异较大, 西北东部季风区IWC分布最少且分布高度主要位于3~8 km之间, 分别在北疆地区45°N—46°N和祁连山-青海中西部地区38°N—39°N之间存在大值区, 祁连山-青海中西部地区的IWC分布高度较高(5~10 km), 河西-内蒙古中西部地区IWC呈现随纬度增大而减小的趋势。
|
图 5 2012—2016年中国西北各地区平均冰水含量垂直分布(单位: g·m-3) Figure 5 The regional distribution of ice water content from 2012 to 2016. Unit: g·m-3 |
从冰水含量四季垂直分布(图 6)的差异来看, 我国西北地区IWC呈现春夏季大, 秋冬季小的趋势。春季IWC分布较均匀, 主要分布高度在3~10 km间; 夏季的IWC最大, 平均约0. 035 g·m-3, 主要是因为夏季温度高, 蒸发进入大气中的水汽较多, 冰云中的含水量相对较大, 夏季IWC的分布高度在5~10 km, 整体分布在5 km以上, 最大值区域分布在50°N—52°N间, 最高达0. 06 g·m-3(5~7 km)。秋季IWC一般分布在5~10 km间, 但在46°N附近区域冰水含量分布在3~5 km高度。冬季IWC呈中部地区低, 东、西部地区高分布, 且分布高度较低(3~8 km)。
|
图 6 2012—2016年西北地区四季平均冰水含量垂直分布(单位: g·m-3) Figure 6 Seasonal distribution of ice water content of Northwest China from 2012 to 2016. Unit: g·m-3 |
冰云有效半径(re)是描述冰云的重要物理特征参量, 代表非球形冰晶粒子的尺度分布。较小的冰云有效半径会反射/散射较多的太阳辐射, 间接影响云层的散射特性, 有效半径也会影响云的微物理过程(Heymsfield et al, 2008)。Wyser(1998)研究表明, 冰云有效半径是温度与冰水含量的函数, 且冰云有效半径与冰水含量成正相关关系变化。中国西北各地区平均冰云有效半径垂直分布(图 7)显示, 冰云有效半径一般在40 μm以下, 分布规律同冰水含量的分布规律相似, 整个西北地区[图 7(a)]冰云有效半径分布高度在2~12 km。南疆地区冰云有效半径主要分布在5~10 km, 西北东部季风区冰云平均有效半径最小(6 μm); 北疆地区和祁连山-青海中西部地区平均冰云有效半径最大(22 μm), 且祁连山-青海中西部地区冰云有效半径分布高度最为集中(4~10 km); 图 7(d)所示, 冰云有效半径在河西-内蒙古中西部低纬度地区高度分布范围较大(3~12 km), 在高纬度地区高度分布范围较小(5~8 km)。
|
图 7 2012—2016年西北各地区平均冰云有效半径垂直分布(单位: μm) Figure 7 The regional distribution of ice clouds effective radius of Northwest China from 2012 to 2016. Unit: μm |
由西北地区冰云有效半径四季垂直分布(图 8)可知, 冰云有效半径整体趋势为春夏季大, 秋冬季小。春季在垂直方向上主要分布在3~12 km之间, 大值区主要分布在5~8 km高度间; 夏季冰云有效半径与冰水含量的变化趋势相似, 垂直方向上5 km以下几乎没有分布, 图 8(b)中冰云有效粒子半径的大值区分布(37°N—39°N)和图 6(b)中的大值区分布并不一致, 原因是夏季温度较高, 冰水含量较大的地方冰粒子会由于较高的温度从而使其有效半径减小; 秋季我国西北地区冰云有效半径最小且分布高度一般在6~10 km; 冬季西北地区冰云有效半径分布较均匀(11 μm), 变化特征不明显, 但在35°N—37°N纬度上出现一个大值区(21 μm), 垂直方向上分布高度范围在2~12 km之间, 高值分布在5 km附近。相比其他季节, 夏季冰云有效半径的分布高度整体偏高, 主要原因是夏季的温度较高, 低层不利于冰云的形成。
|
图 8 2012—2016年西北地区冰云有效粒子半径四季垂直分布(单位: μm) Figure 8 Seasonal distribution of ice clouds effective radius of Northwest China from 2012 to 2016. Unit: μm |
使用DARDAR产品2012年12月至2016年11月的有效数据, 研究了中国西北地区冰云的水平分布和垂直分布特征, 并分析了其区域及季节变化特征, 主要结论如下:
(1) 西北地区平均冰云发生率约55.1%, 春冬季比夏秋季高, 其中2015—2016年冰云发生率的季节性浮动增强, 除河西—内蒙古中西部部分地区外, 春季冰云发生概率均在70%以上, 四季冰云发生率在西北地区的沙漠区域相对较小。各地区冰云发生率随季节变化不同, 其中南疆、北疆地区春冬季冰云发生率较高且季节变化特征明显; 除北疆地区冰云发生率冬季最大外, 其他地区冰云发生率主要在春季最大。
(2) 中国西北地区在13 km以上几乎没有冷冰水分布, 西北各地区间IWC差异较大, 西北东部季风区分布最少, 祁连山-青海中西部地区分布高度最为集中。我国西北地区IWC呈春夏季大秋冬季小趋势, 其中夏季最大; 由于夏季温度高, 蒸发进入大气中的水汽较多, 冰云中的含水量相对较大, 因此在5 km以下低纬度地区上空不容易形成冰云, IWC非常小; 秋冬季节IWC相对较小。
(3) 中国西北地区的有效半径分布与冰水含量的分布规律相似, 两者成正相关关系, 即在垂直高度上, 冰水含量大的地方冰云有效半径一般较大, 但从本文的研究结果中还可以看出, 因为夏季温度较高, 冰水含量较大的地方冰粒子会由于较高的温度从而使其有效半径减小(37°N—39°N)。各地区冰云有效半径的分布有较大差异, 西北东部季风区冰云有效半径最小, 北疆地区和祁连山-青海中西部地区冰云有效半径最大。西北地区冰云有效半径的四季变化趋势为春夏季大, 秋冬季小, 其中夏季冰云有效半径在5 km高度以下几乎没有分布, 秋季冰云有效半径最小, 集中分布较高。
由于青藏高原特殊的地形导致春季和冬季西北地区冰云出现较频繁(Hogan, 2006); 我国青藏高原东北部, 冰云发生率在春、秋冬季都较大, 夏季最小。学者发现由于季节性的热带辐合带与亚洲季风活动引起的季节性卷云的时空变化特征, 使得青藏高原东北坡出现高值区域主要在春冬季频发, 国外学者的研究也指出在青藏高原北部地区水汽在春季相比其他地区要高(闵敏等, 2011; Tian et al, 2011), 而夏季高原上由于印度洋暖湿气流受高原地形抬升主要在青藏高原南部形成高云, 印度洋暖湿气流受高原南部山脉阻挡导致夏季高原东北部冰云发生率较低(刘建军等, 2017), 这解释了本论文中青藏高原冰云发生率春冬季较高夏季较低, 与其他学者已有的研究结果具有很好的一致性。
使用DARDAR数据, 探究冰云相关微物理量在中国西北各地区的空间和季节性变化特征, 结果显示使用DARDAR数据得出的结论与其他学者使用其他数据的研究结果具有较好相似性, 表明该数据产品在中国区域内可用, 具有一定参考价值, 对加深理解中国西北地区冰云的气候效应有意义, 但文中缺乏对相关现象的成因分析和讨论以及相关结论的对比分析, 这是今后需要加强开展的研究方向和内容。
Brown P R A, Francis P N. 1995. Improved measurements of the ice water content in cirrus using a total-water probe[J]. J Atmos Ocean Technol, 12(2): 1139–1145.
|
|
Chen B, Liu X. 2005. Seasonal migration of cirrus clouds over the Asian Monsoon regions and the Tibetan Plateau measured from MODIS/Terra[J]. Geophys Res Lett, 32(1): L01804.
DOI:10.1029/2004GL020868 |
|
Delanoë J, Hogan R J. 2008. A variational scheme for retrieving ice cloud properties from combined radar, lidar, and infrared radiometer[J]. J Geophys Res, 113(D7): 1829–1836.
|
|
Delanoë J, Hogan R J. 2010. Combined CloudSat-CALIPSO-MODIS retrievals of the properties of ice clouds[J]. J Geophys Res, 115(4): 1307–1314.
|
|
Eliasson S, Buehler S A, Milz M, et al. 2010. Assessing observed and modelled spatial distributions of ice water path using satellite data[J]. Atmos Chem Phys, 11(1): 375–391.
|
|
Eliasson S, Holl G, Buehler S A, et al. 2013. Systematic and random errors between collocated satellite ice water path observations[J]. J Geophys Res Atmos, 118(6): 2629–2642.
DOI:10.1029/2012JD018381 |
|
Foot J S. 1988. Some observations of the optical properties of clouds.Ⅰ:Stratocumulus[J]. Quart J Roy Meteor Soc, 114(479): 129–144.
DOI:10.1002/qj.49711447907 |
|
Francis P N, Hignett P, Macke A. 1998. The retrieval of cirrus cloud properties from aircraft multi-spectral reflectance measurements during EUCREX'93[J]. Quart J Roy Meteor Soc, 124: 1273–1291.
DOI:10.1002/qj.49712454812 |
|
Heymsfield A J, Protat A, Bouniol D, et al. 2008. Testing IWC retrieval methods using radar and ancillary measurements with in situ data[J]. J Appl Meteor Climatol, 47(1): 135–163.
DOI:10.1175/2007JAMC1606.1 |
|
Hogan R J. 2006. Fast approximate calculation of multiply scattered lidar returns[J]. Applied Optics, 45(23): 5984–5992.
DOI:10.1364/AO.45.005984 |
|
Hong Y, Liu G. 2015. The characteristics of ice cloud properties derived from CloudSat and CALIPSO measurements[J]. J Climate, 28(9): 3880–3901.
DOI:10.1175/JCLI-D-14-00666.1 |
|
Huang J, Lin B, Minnis P, et al. 2006. Satellite-based assessment of possible dust aerosols semi-direct effect on cloud water path over East Asia[J]. Geophys Res Lett, 33(19): L19802.
DOI:10.1029/2006GL026561 |
|
Liou K N. 1986. Influence of cirrus clouds on weather and climate processes:A global perspective[J]. Mon Wea Rev, 114(6): 1167–1199.
DOI:10.1175/1520-0493(1986)114<1167:IOCCOW>2.0.CO;2 |
|
Liou K N, Bohren C. 1980. An introduction to atmospheric radiation[J]. Physics Today, 26(7): 66–67.
|
|
Liu Z, Omar A H, Hu Y, et al, 2005. CALIOP algorithm theoretical basis document-Part 3: Scene classification algorithms[R/OL]. Release 1. 0, PC-SCI-202, NASA Langley Research Center, Hampton, VA, 56. [2017-04-22]. http://www-calipso.larc.nasa.gov/resources/pdfs/PC-SCI-202_Part3_v1.0.pdf.
|
|
Lynch D K, Sassen K, Del Genio A, et al. 2002. Cirrus[M]. Oxford: Oxford University Press.
|
|
Mcfarquhar G M, Heymsfield A J, Spinhirne J, et al. 1999. Thin and subvisualtropopause tropical cirrus:Observations and radiative impacts[J]. J Atmos Sci, 57(12): 1841–1853.
|
|
Meyer K, Yang P, Gao B C. 2007. Tropical ice cloud optical depth, ice water path, and frequency fields inferred from the MODIS level-3 data[J]. Atmos Res, 85(2): 171–182.
DOI:10.1016/j.atmosres.2006.09.009 |
|
Ockertbell M E, Hartmann D L. 1992. The effect of cloud type on earth's energy balance:Results for selected regions[J]. J Climate, 5(10): 1157–1171.
DOI:10.1175/1520-0442(1992)005<1157:TEOCTO>2.0.CO;2 |
|
Sassen K, Wang Z. 2008. Classifying clouds around the globe with the CloudSat radar:1-year of results[J]. Geophys Res Lett, 35(4): 228–236.
|
|
Stein T H M, Delano J, Hogan R J. 2011. A comparison among four different retrieval methods for ice-cloud properties using data from CloudSat, CALIPSO, and MODIS[J]. J Appli Meteor Climatol, 50(9): 1952–1969.
DOI:10.1175/2011JAMC2646.1 |
|
Tian W, Tian H, Dhomse S, et al. 2011. A study of upper troposphere and lower stratosphere water vapor above the Tibetan Plateau using AIRS and MLS data[J]. Atmos Sci Lett, 12(2): 233–239.
DOI:10.1002/asl.v12.2 |
|
Wu D L, Austin R T, Deng M, et al. 2009. Comparisons of global cloud ice from MLS, CloudSat, and correlative data sets[J]. J Geophys Res, 2009(D8): D00A24.
DOI:10.1029/2008JD009946 |
|
Wu D L, Jiang J H, Davis C P. 2006. EOS MLS cloud ice measurements and cloudy-sky radiative transfer model[J]. IEEE Trans Geosci Remote Sens, 44(5): 1156–1165.
DOI:10.1109/TGRS.2006.869994 |
|
Wyser K. 1998. The effective radius in ice clouds[J]. J Climate, 11(7): 1793–1802.
DOI:10.1175/1520-0442(1998)011<1793:TERIIC>2.0.CO;2 |
|
陈超, 孟辉, 靳瑞军, 等. 2014. 基于CloudSat云分类资料的华北地区云宏观特征分析[J]. 气象科技, 42(2): 294–301.
Chen C, Meng H, Jin R J, et al. 2014. Cloud macroscopic characteristics over North China based on CloudSat data[J]. Meteor Sci Technol, 42(2): 294–301.
|
|
陈勇航, 陈艳, 黄建平, 等. 2007. 中国西北地区云的分布及其变化趋势[J]. 高原气象, 26(4): 741–748.
Chen Y H, Chen Y, Huang J P, et al. 2007. Distribution and variation trend of cloud over Northwestern China[J]. Plateau Meteor, 26(4): 741–748.
|
|
陈勇航, 黄建平, 陈长和, 等. 2005a. 西北地区空中云水资源的时空分布特征[J]. 高原气象, 24(6): 905–912.
Chen Y H, Huang J P, Chen C H, et al. 2005a. Temporal and spatial distributions of cloud water resources over Northwestern China[J]. Plateau Meteor, 24(6): 905–912.
|
|
陈勇航, 黄建平, 王天河, 等. 2005b. 西北地区不同类型云的时空分布及其与降水的关系[J]. 应用气象学报, 16(6): 717–727.
Chen Y H, Huang J P, Wang T H, et al. 2005b. Temporal and spatial distributions of the different clouds over Northwestern China with the relation to precipitation[J]. J Appli Meteor, 16(6): 717–727.
|
|
霍娟. 2015. 基于CloudSat/CALIPSO资料的海陆上空中云的物理属性分析[J]. 气候与环境研究, 20(1): 30–40.
Huo J. 2015. Physical properties of mid-level clouds based on CloudSat/CALIPSO data over land and sea[J]. Climatic Environ Res, 20(1): 30–40.
DOI:10.3878/j.issn.1006-9585.2014.13188 |
|
刘建军, 陈葆德. 2017. 基于CloudSat卫星资料的青藏高原云系发生频率及其结构[J]. 高原气象, 36(3): 632–642.
Liu J J, Chen B D. 2017. Cloud occurrence frequency and structure over the Qinghai-Tibetan Plateau from CloudSat observation[J]. Plateau Meteor, 36(3): 632–642.
DOI:10.7522/j.issn.1000-0534.2017.00028 |
|
刘瑞霞, 刘玉洁, 杜秉玉. 2004. 中国云气候特征的分析[J]. 应用气象学报, 15(4): 468–476.
Liu R X, Liu Y J, Du B Y. 2004. Cloud climatology characteristics of China from ISCCP data[J]. J Appli Meteor, 15(4): 468–476.
|
|
闵敏, 王普才, 宗雪梅. 2011. 中国地区卷云分布特征的星载激光雷达遥感[J]. 气候与环境研究, 16(3): 301–309.
Min M, Wang P C, Zong X M. 2011. Cirrus cloud distribution over China from Spaceborne Lidar observations[J]. Climatic Environ Res, 16(3): 301–309.
|
|
彭杰, 沈新勇, 王志立, 等. 2010. 中国地区云的观测研究进展[J]. 安徽农业科学, 38(24): 13070–13073.
Peng J, Shen X Y, Wang Z L, et al. 2010. Overview of observational researches on cloud over China[J]. Anhui Agricultural Sciences, 38(24): 13070–13073.
DOI:10.3969/j.issn.0517-6611.2010.24.056 |
|
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.
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): 977–98.
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): 977–98.
DOI:10.7522/j.issn.1000-0534.2013.00158 |
2. Jiang Su Key Laboratory of Atmospheric Environment Monitoring and Pollution Control, Nanjing 210044, Jiangsu, China;
3. The School of Atmospheric Physics, Nanjing University of Information & Technology, Nanjing 210044, Jiangsu, China