对流云是由于热力或动力原因在不稳定大气层中产生对流所形成的积状云, 对流云产生的降水常伴随雷暴大风、冰雹发生, 大气对流运动强、持续时间短、局地性强, 因此对其加强监测, 提高预报、预警能力是非常有意义的(赵庆云等, 2017)。由于对流云降水天气的中小尺度特性, 其发生、发展的过程十分复杂, 在使用常规数值预报或天气图直接对其定点、定时、定量的短时预报较为困难(周后福等, 2006)。目前, 针对对流云降水的微物理特征的研究及短临预报常利用多普勒天气雷达、卫星观测资料和探空数据(Mecklenburg et al, 2000; Sokol, 2006; 杨冰韵等, 2017; 位晶等, 2018)。天气雷达布设的密度较低, 时间分辨率有限, 很难针对局地强且发展迅速的对流云降水过程提供准确信息; 卫星资料时间、空间分辨率均较低, 难以捕捉到小尺度对流云团的发展和演变特征。国内外不少研究(刘玉玲, 2003; Saha et al, 2012; Chakraborty et al, 2015)均表明, 单站探空可以给出大气温、湿廓线及一系列热力、动力不稳定指数, 是现阶段强对流天气预报的重要参考资料之一, 然而探空观测的时空分辨率过低, 对于监控大气在短期内的垂直变化趋势作用非常有限。随着大气微波遥感技术的发展, 地基微波辐射计具有可无人值守连续工作、高时间和空间分辨率、操作简洁方便等优点, 其应用越来越受到国内外学者的关注。不少研究表明, 地基微波辐射计的一系列反演产品可以作为传统探空资料的补充(刘亚亚等, 2010; Leena et al, 2015)。

地基微波辐射计反演的产品对降水的发生有一定指示意义。在对流云的发展阶段, 暖湿气块上升, 周围温度较低的气块补充下来, 因此在降水发生前, 地基微波辐射计反演的温湿廓线产品会出现低层大气温度下降、湿度、水汽及液态水总量增加的现象(张秋晨等, 2017a; Chakraborty et al, 2014)。目前常用的地基微波辐射计接收22~32 GHz和51~59 GHz两个频段的微波信号, 两个频段分别用于反演大气湿度特征和温度特征。大气温、湿度等产品均由观测亮温值反演而来, 因此亮温数据在降水开始前同样有相似变化, 并且使用亮温数据会避免反演算法中的假设而带来的误差。Won et al(2009)发现在降水开始前2 h, 可以观测到22~30 GHz水汽通道处亮温值有上升现象, 这可以作为预测降水开始的指标之一, 联合分析22 GHz、30 GHz和51 GHz亮温的变化趋势, 可以预报出90%累计雨量在20 mm以下的降水开始时间; Dvorak et al(2012)使用10 GHz亮温变化预测降水, 其研究结果发现预报准确率为74%, 误报率为7%; Chan et al(2011)研究发现使用微波辐射计分别在晴天和阴天观测的亮温和边界层不稳定度指数数据, 可以对风切变的发生有预警作用; 而Chakraborty et al(2014)同时使用了22 GHz和58 GHz亮温值, 发现同时使用二者的变化特征可以提高强对流天气的预报准确率。

地基微波辐射计作为传统探空资料的有利补充最重要的一点便是可以高时间分辨率的反演大气不稳定度指数, 这对于强对流天气的预报及其机理研究均是由价值的。Chan(2009)分析了香港地区强对流天气开始前地基微波辐射计反演的大气相对湿度廓线、水汽密度廓线和KI等参数的变化, 并研究了其对强对流天气的预报作用。Madhulatha et al(2013)研究表明微波辐射计反演的大气不稳定度指数与探空测值有较好的相关性, 并对26次雷暴天气前不稳定度指数变化特征进行分析发现, 可以至少2 h提前预测雷暴天气的发生; 唐仁茂等(2013)利用微波辐射计对咸宁地区一次冰雹天气过程进行了监测分析, 指出利用微波辐射计反演的大气不稳定指数对强对流天气具有一定的预警潜力。

目前, 针对地基微波辐射计反演温湿廓线产品的研究较多, 而针对亮温及大气不稳定度指数产品的分析较少, 本文利用德国RPG公司研发的RPG-HATPRO-G3 14通道地基微波辐射计提供的相关产品, 定量分析其在9次对流云降水前的变化特征, 并与在非降水日中的变化进行对比, 不仅有助于扩大地基微波辐射计资料的利用价值, 将其有效应用于对流云降水开始的预警预报中, 也对针对对流云的人工增雨、防雹作业指挥和进一步提高强对流天气临近预报准确率提供新的手段。

RPG-HATPRO-G3地基微波辐射计根据接收到不同频率下的辐射信息, 产生电压信号(0级数据), 由定标结果将电压数据转换为亮温数据(1级数据)。根据亮温数据, 利用当地多年探空资料正向模拟大气微波辐射, 并结合自带的红外仪和地面微型气象站, 通过神经网络算法反演0~10 km的温湿度廓线、水汽和液态水总量以及大气不稳定度指数等数据(2级数据)。前期的分析研究中将2级数据产品与探空测值进行对比, 结果表明该设备反演不同高度温度、水汽密度与探空差距较小, 相对湿度在2 000 m以下差距较小(张秋晨等, 2017b)。

本研究主要使用了2015年6月至2016年5月的大气亮温和大气不稳定度指数产品, 该设备分别在2015年4月14日和12月23日进行过人工液氮定标, 保证了设备运行稳定。微波辐射计可以探测大气亮温的时间分辨率较高, 1~2 s便可获得14个通道的亮温值。根据水汽和氧气的吸收光谱图(张培昌等, 1995), 22.235 GHz及其附近为水汽吸收线、50~70 GHz为氧气吸收带, 因此在微波辐射计探测的14通道亮温中, 选择22.24和58.00 GHz处的亮温值进行分析, 两种亮温在本文中简称为“22 GHz亮温”和“58 GHz亮温”。微波辐射计提供的大气不稳定度指数是由微波辐射计反演的温湿廓计算得来, 约2 min可获得一组数据, 因此数据量较亮温数据少, 本文分析中选择了KI、LI、SI、TTI和CAPE进行分析。

为了说明大气亮温和不稳定度指数在对流云降水前的演变趋势, 选取了2015—2016年9次对流云降水过程进行分析, 一次降水过程是否为对流云降水, 主要根据多普勒天气雷达观测到的回波特征判断(Gamache et al, 1982), 雷达回波呈块状, 有明显的对流运动, 回波强度最大达38 dBz以上, 可以作为对流云降水; 同时为了兼顾地基微波辐射计反演数据的准确性受降水影响较大(张文刚等, 2013, 2014), 选取的9次对流云降水过程前后12 h内无降水出现。每次降水的开始结束时间及500 hPa影响系统如表 1所示, 文中所用时间为世界时。

表 1(Table 1)

表 1 9次对流云降水主要降水时段及影响系统 Table 1 The period of 9 convective-cloud precipitation events and main weather system 主要降水时段 主要降水时段 500 hPa影响系统 2015年7月14日 06:00—10:26 高空冷涡 2015年7月17日 13:48—15:41 西风槽 2015年8月3日 09:48—20:01 副高边缘 2015年8月7日 07:45—08:52 副高边缘 2015年8月22日 09:06—11:56 西风槽 2015年8月31日 01:30—08:15 西风槽 2015年9月2日 08:09—09:49 高空冷涡 2016年6月13日 09:04—10:39 西风槽 2016年7月19日 19日12:48至20日02:10 高空冷涡

表 1 9次对流云降水主要降水时段及影响系统 Table 1 The period of 9 convective-cloud precipitation events and main weather system

为了检验微波辐射计观测亮温数据的精度, 使用美国大气环境研究室(AER, Atmospheric Environment Research, Inc.)开发的辐射传输模式——MonoRTM (the Monochromatic Radiative Transfer Model) v5.4计算了2015年6—9月18个晴空个例的14通道大气亮温。MonoRTM v5.4可以计算6种不同大气情况下的亮温, 在该模式的网站(http://rtweb.aer.com/monortm_frame.html)上可以下载到整体运行程序及详细使用说明。在模式的输入文件中, 使用距离微波辐射计约50 km的章丘探空站提供的不同高度气压、温度、湿度数据, 计算得出对应14通道的亮温值。将探空球释放后1 h内微波辐射计观测亮温的平均值与模式计算值进行对比, 结果如图 1所示。在水汽通道上[图 1(a)], 二者相关系数(R)为0.71(计算结果通过了显著性水平检验, 下同), 平均标准差(SD)为8.66 K, 模拟亮温值的变化趋势与微波辐射计观测值一致, 但模拟值低于观测亮温值。在前两个水汽通道22.24 GHz和23.04 GHz处数据的离散程度较大, 随着频率远离水汽吸收谱线(22.235 GHz)处, 计算亮温与模拟亮温之间的差距逐渐减小。这是因为这两个通道在水汽吸收谱线附近, 亮温值对水汽含量非常敏感, 在使用MonoRTM模式时, 仅仅输入有限层的探空数据, 而在较高层探空数据对水汽的探测也存在一定误差, 这一定程度会对模拟亮温值的精度产生影响; 另外6—9月大气不稳定程度较高, 大气温、湿度的局地性特征较明显, 而探空站与微波辐射计相距较远, 利用探空数据模拟亮温时也会引入一定误差。图 1(b)所示在氧气通道处二者相关系数较高, 达到了0.99, 标准偏差为8.27 K。郭丽君等(2015)利用MonoRTM模拟的大气亮温与微波辐射计观测数据进行对比, 同样有水汽通道模拟值与观测值之间的偏差大于氧气通道偏差的结论。

图 1(Fig. 1)

图 1 MonoRTM模拟亮温与微波辐射计观测亮温对比 Fig. 1 The comparison between the brightness temperature simulated by MonoRTM and the brightness temperature observed by microwave radiometer

为了检验微波辐射计反演的KI、LI、SI、TTI和CAPE的准确性, 将2015年6—9月反演数据与章丘探空提供的同时刻、同类型数据进行相关性分析。由于降水对地基微波辐射计的运行有一定影响, 在计算过程中均将降水时段数据剔除。微波辐射计自带降水传感器, 对降水比较敏感, 因此降水时间以微波辐射计观测为主。与对亮温数据的处理相同, 将探空球释放后1 h内的反演平均值与探空测值进行对比, 结果如图 2所示。由图 2中可见, KI、LI和SI与探空测值的相关系数较高, 均在0.70以上, 而TTI和CPAE的相关性一般。由于仅仅使用了对流云高发的6—9月的数据进行对比, 这个阶段大气不稳定程度较高、局地性较强, 探空站与微波辐射计的距离较远会带来一定误差, 进一步将2015年6月至2016年5月全年的不稳定度指数数据与探空数据进行相同的分析(图略), KI、LI、SI、TTI和CAPE5种不稳定度指数的相关系数分别为0.72, 0.93, 0.86, 0.76和0.62, 相关性结果较6—9月好。

图 2(Fig. 2)

图 2 RPG微波辐射计反演不稳定度指数与探空观测值对比 Fig. 2 The comparison between the instability indices retrieved by microwave radiometer and the instability indices observed by Radiosonde

本文着重分析大气亮温及不稳定度指数在对流云降水前的变化特征, 为了说明出现的特征是特殊的大气现象, 而不是一种随机现象(Chakraborty et al, 2015), 首先分析两类数据在非降水日中的变化趋势。将微波辐射计观测数据取小时平均值, 再计算每个季节同时刻的平均值及标准偏差, 可分别得到2015年6月至2016年5月济南地区夏季、秋季、冬季、春季亮温及不稳定度指数的日变化特征, 本文00:00表示00:00—01:00数据的平均值, 以此类推。表 2为4个季节包含的观测数据月份。

表 2(Table 2)

表 2 四季所对应月份 Table 2 The respective months in four seasons 季节 月份 夏季 2015年6—8月 秋季 2015年9—11月 冬季 2015年12月; 2016年1、2月 春季 2016年3—5月

表 2 四季所对应月份 Table 2 The respective months in four seasons

图 3对非降水日22 GHz亮温的分析可以发现, 夏、秋、冬和春季日平均值分别为63.764, 38.985, 16.683和29.74 K, 22 GHz亮温在夏、秋、冬和春四季有一定的日变化, 日变化差分别为2.503, 4.166, 0.672和3.688 K, 由图 3中可以看出夏季和秋季在06:00—08:00有小的峰值。

图 3(Fig. 3)

图 3 2015年6月至2016年5月济南地区四季非降水日22 GHz亮温日变化 Fig. 3 The daily variation of brightness temperature at 22 GHz in non-precipitation days of four seasons in Jinan from June 2015 to May 2016

图 4所示58 GHz亮温夏、秋、冬和春季非降水日平均值分别为298.183, 287.028, 274.392和287.983 K, 日变化差分别为3.8, 2.70, 2.74和3.92 K, 均在06:00—08:00出现峰值, 但是日变化差值仅为小时平均值、日平均值的1%左右, 日变化与22 GHz相比差别不明显。

图 4(Fig. 4)

图 4 2015年6月至2016年5月济南地区四季非降水日58 GHz亮温日变化 Fig. 4 The daily variation of brightness temperature at 58 GHz in non-precipitation days of four seasons in Jinan from June 2015 to May 2016

表 3给出的2015年6月至2016年5月夏、秋、冬和春季非降水日KI、LI、SI、TTI和CAPE 5种大气不稳定度指数的变化。按照5种指数的定义, KI、TTI和CAPE数值越高, SI和LI数值越低, 说明大气不稳定程度越高, 由表 3可见, 5种不稳定度指数均在夏季达到不稳定程度最高的峰值, KI、TTI和CAPE达到26.830 K, 44.255 K和1 680.043 J·kg^-1, LI和SI达到-5.00 K8和0.901 K; 冬季大气不稳定程度最弱。5种指数在四季非降水日中存在一定的日变化, 夏、秋季的日变化差略大于冬、春季。从四季日变化曲线图看(图略), 06:00—08:00 5种指数达到不稳定程度最高的峰值, 这种变化特征在夏、秋季较为明显, 而其他时刻没有明显变化。

表 3(Table 3)

表 3 四季非降水日5种大气不稳定度指数变化特征 Table 3 The daily variation of 5 instability indices in non-precipitation days of four seasons 季节 数值 KI/K LI/K SI/K TTI/K CAPE/(J·kg-1) 夏季 日均值 26.830 -5.007 0.901 44.255 1680.043 日最大值 28.981 -1.612 1.657 46.050 3208.200 日最小值 25.404 -9.094 -0.473 43.315 590.130 日变化差 3.577 7.482 2.130 2.735 2618.070 秋季 日均值 8.684 8.487 8.743 36.586 191.274 日最大值 10.621 11.531 9.260 38.625 640.550 日最小值 7.100 4.025 7.653 35.678 0.079 日变化差 3.521 7.506 1.607 2.947 640.471 冬季 日均值 -5.616 15.347 11.702 35.611 0.834 日最大值 -3.201 17.228 12.184 37.033 6.979 日最小值 -7.2434 12.448 11.399 34.785 0 日变化差 4.0423 4.78 0.785 2.248 6.979 春季 日均值 4.296 3.874 6.641 40.743 382.352 日最大值 6.315 7.256 7.122 42.099 1026.900 日最小值 1.169 -0.680 5.798 39.823 71.053 日变化差 5.146 7.936 1.324 2.276 955.847

表 3 四季非降水日5种大气不稳定度指数变化特征 Table 3 The daily variation of 5 instability indices in non-precipitation days of four seasons

图 5所示为9次对流云降水开始前2 h 22 GHz和58 GHz大气亮温的变化趋势, 为了能够对相同时刻的数据进行对比, 将所用数据每间隔2 min求该时刻前10 min内的平均值, 将此平均值作为该时刻的特征值。降水前2 h可获得60个时刻的数值, 再对9次降水过程相同时刻的数据计算平均值及标准偏差。

图 5(Fig. 5)

图 5 9次对流云降水开始前2 h亮温的变化趋势(a)及标准偏差(b) Fig. 5 Average variation (a) and bias (b) of brightness temperature 2 h before 9 convective-cloud precipitation events

从图 5(a)中可以看出, 22 GHz亮温在-120~-60 min(负值表示降水开始前时刻, 下同)变化不大, -60 min至降水开始呈现上升趋势, 但-40 min数值达到峰值后略降, 降水-34 min后持续上升, 从86.214 K上升至108.585 K, 增加22.371 K。降水-2 h, 22 GHz亮温数值均大于80 K。对比图 3可以发现, 对流云降水开始前2 h的22 GHz亮温值大于四季非降水日均值, 且变化值也大于四季的日变化差, 这说明对流云降水前22 GHz亮温值的变化比非降水日的变化剧烈, 该数据对对流云降水的发生有指示意义。图 5(b)所示的22 GHz亮温平均值标准偏差, 在降水开始前呈缓慢上升, 仅在-14 min有波动, 其他时刻数据约在15 K。

图 5(a) 58 GHz亮温在-120~-20 min内波动、缓慢上升, -24 min至降水开始数值持续下降, 从-24 min的299.138 K下降至298.0.98 K, 下降1.040 K, 小于图 4中四季非降水日变化差; 降水前2 h 58 GHz亮温数值均大于298 K, 接近春、夏季非降水日均值。由此可见仅仅通过58 GHz亮温数值的变化特征对夏季对流云降水的开始指示意义不强, 而应结合22 GHz亮温同时分析。图 5(b)中所示降水开始前120 min内58 GHz亮温变化平均值的标准偏差为4.3 K左右, 没有明显波动。

与对亮温数据的分析相同, 9次对流云降水开始前2 h不稳定度指数KI、LI、SI、TTI和CAPE的变化特征(图 6)显示, KI在-40 min左右出现持续的上升, 上升2.198 K; TTI在-42 min起呈上升趋势, 整体上升2.103 K, 在-6 min有小波动; KI和TTI均是综合反映对流层中低层温度和湿度分布的组合物理量, 二者数据越大, 表示大气越不稳定。CAPE值在-26 min左右持续上升约553.991 J·kg^-1。LI和SI则在降水前40 min左右开始持续下降, 前者下降1.897 K, 后者下降1.398 K。5种不稳定度指数在临近降水时的持续变化可以说明大气不稳定程度不断加强、发生强对流天气的几率不断增加(郑婧等, 2009; 吕晓娜等, 2017)。

图 6(Fig. 6)

图 6 9次对流云降水开始前2 h大气不稳定度指数的变化趋势 Fig. 6 Average variation of 5 instability indices 2 h before 9 convective-cloud precipitation events

除了上述分析中指出的临近降水开始前剧烈而持续的变化外, 5种不稳定度指数在其他时刻均呈波动变化, 峰值和谷值出现的时间有一定相似性, 这是由于5种不稳定度指数均由微波辐射计反演的相同时刻的大气温、湿廓线计算, 因此其变化趋势有一定相似性。

对比表 3给出的非降水日中的变化, 9次对流云降水前2 h的变化差均小于非降水日变化差, 但从9次对流云降水开始前2 h大气不稳定度指数的变化趋势(图 6)也可以看出, 对流云降水开始前2 h, KI值均大于38 K、TTI均大于48 K、LI均小于-7 K、SI均小于-2 K、CPAE>2 100 J·kg^-1, 即KI、TTI和CAPE均大于非降水日日均值, LI和SI均小于非降水日均值, 这可以看作是对流云降水开始的阈值。有利于强对流天气发生的大气不稳定指数的量本身就存在一个区间, 许多学者的研究表明不同地区、不同季节发生强对流天气的物理量的阈值均不同(章国材, 2011)。而地基微波辐射计提供的较高时间分辨率的不稳定度数据可以为预报对流云降水发生的阈值提供参考。上述分析可见, 同时考虑5种不稳定指数在对流云降水前持续变化差值和阈值, 可为预报对流云降水的发生提供参考。

另外, 从图 6中对应的标准偏差可以看到, 其数值较大且呈无规律波动, 这说明本文在求平均值时, 有些变化趋势更加剧烈的现象被平均掉了。这是因为影响9次对流云降水发生的天气条件不同, 云水含量等微物理特征有一定区别, 降水前大气亮温及其反演产品的数值大小各有不同, 产生降水的持续时间及雨强也有不同。对其进一步研究可结合微雨雷达、云雷达等地基设备和卫星观测、反演产品, 针对不同降水过程进行更加细致的分析。

实际应用地基微波辐射计实时监控软件时可以发现, 虽然大气亮温及不稳定度指数的整体变化趋势与上述分析相同, 但是由于微波辐射计观测的亮温值主要受仪器上部云系中的水汽、温度影响, 而云内部微物理结构复杂, 高时间分辨率观测下相邻两个亮温及其反演产品也会出现与整体变化趋势相反的现象, 这对通过实时监控数据来判断降水开始有一定的迷惑性, 因此了解降水前各项数据单位时间内变化值的变化趋势是有必要的。

由上述分析可知, 22 GHz亮温的变化对对流云降水的开始更有指示意义, KI和TTI、LI和SI在对流云降水前的变化趋势相似, 且KI和SI在日常业务中利用较多, 因此分析时仅选择9次对流云降水开始前1 h内22 GHz亮温、KI、SI和CAPE数据, 分别计算相邻两个观测数值差值与观测时间的比值, 即时间变化率, 将计算结果按10 min间隔分为6组, 分别统计不同数值范围内的数据比例, 结果见表 4所示。

表 4(Table 4)

表 4 降水前不同时间段内大气不稳定度指数的时间变化率所占比例 Table 4 The 5 instability indices proportion of time rate of change 1 h before 9 convective-cloud precipitation events 项目 数值范围 大气不稳定度指数的时间变化率所占比例/% -60~-50 min -50~-40 min -40~-30 min -30~-20 min -20~-10 min -10~0 min 22 GHz亮温 -1.12~-0.84 K·s-1 0 0 0 0 0 0.27 -0.84~-0.56 K·s-1 0 0 0.03 0 0 1.91 -0.56~-0.28 K·s-1 0.46 1.35 0 0 0 1.29 -0.28~0 K·s-1 49.64 51.71 51.48 49.43 44.64 39.11 0~0.28 K·s-1 49.24 45.01 48.38 50.49 53.56 45.47 0.28~0.56 K·s-1 0.66 1.21 0.07 0.09 1.33 9.44 0.56~0.84 K·s-1 0 0.58 0 0 0.47 2.07 0.84~1.12 K·s-1 0 0.14 0.04 0 0 0.44 KI -0.025~-0.0125 K·s-1 2.17 0 0 0 0 0 -0.0125~0 K·s-1 43.48 38.1 43.59 37.5 37.03 35.29 0~0.0125 K·s-1 50 52.38 51.28 62.5 55.56 57.82 0.0125~0.025 K·s-1 2.17 9.52 5.13 0 7.41 0 0.025~0.0375 K·s-1 2.18 0 0 0 0 3.94 0.0375~0.05 K·s-1 0 0 0 0 0 2.95 SI -0.04~-0.03 K·s-1 0 0 0 0 0 2.94 -0.03~-0.02 K·s-1 0 0 0 0 0 2.94 -0.02~-0.01 K·s-1 0 4.76 5.13 0 0 0 -0.01~-0 K·s-1 41.3 38.1 38.46 50 62.96 50 0~0.01 K·s-1 58.7 57.14 56.41 50 37.04 44.12 CAPE -12~-9 J·(kg·s)-1 2.17 0 0 0 0 0 -9~-6 J·(kg·s)-1 0 0 0 0 0 0 -6~-3 J·(kg·s)-1 2.17 0 2.56 3.11 2.52 1.88 -3~0 J·(kg·s)-1 45.65 52.38 46.15 40.63 48.15 47.06 0~3 J·(kg·s)-1 47.83 38.1 41.03 46.88 41.93 42.18 3~6 J·(kg·s)-1 0 9.52 8.69 9.38 3.7 3.65 6~9 J·(kg·s)-1 0 0 1.57 0 3.7 2.05 9~12 J·(kg·s)-1 2.18 0 0 0 0 3.18

表 4 降水前不同时间段内大气不稳定度指数的时间变化率所占比例 Table 4 The 5 instability indices proportion of time rate of change 1 h before 9 convective-cloud precipitation events

由表 4可以看出, 22 GHz亮温在降水前1 h的时间变化率数值大小范围为-1.12~1.12 K·s^-1, 数值主要集中在-0.28~0.28 K·s^-1, 但随着临近降水, 在此范围的数据所占比例有减少的趋势; 而-10~0 min内, 数值的波动较大, 大于0.28 K·s^-1的数据所占比例达到11.95%, 3.47%的数值在小于-0.28 K·s^-1的范围内, 这两个数据均比其他时刻内大。KI变化率数据主要集中在-0.0125~0.0125 K·s^-1内; -60~-50 min内有2.17%的数据在-0.025~-0.0125 K·s^-1内, 说明在此时间段数值也会存在较明显的下降趋势; -10~0 min, 在0.025~0.05 K·s^-1内的数值比例比其他时刻大, 达到6.89%, 特别是只有在该时刻才有大于0.0375 K·s^-1的大值。SI的时间变化率数值范围在-0.04~0.01 K·s^-1, 数据主要集中在-0.01~0.01内, 随着临近降水, 小于0的数值所占比例有增大趋势, -10~0 min时间段内, 会有-0.02~-0.04的大值出现, 所占比例为5.88%。CAPE的时间变化率数值范围为-12~12 J·(kg·s)^-1, 但是仅在-60~-50 min时间段有2.17%的数值-12~-9 J·(kg·s)^-1范围内, 其他时间段数据均在-6~12 J·(kg·s)^-1范围内。与上述其他3个特征量相比, CAPE在不同时段的数值波动较大, 随着临近降水, 在-6~-3 J·(kg·s)^-1范围内的小值所占比例有下降的趋势, 变化率有增大的趋势, 在-10~0 min内出现3.18%的数据在9~12 J·(kg·s)^-1范围内。

综合上述分析, 5种大气不稳定度指数在9次对流云降水开始前, KI和SI平均值出现持续变化的时间较早, 且其时间变化率在-10 min后出现明显大值, 波动相对较小, 对降水开始预警的指示意义较好。

(1) 为了说明大气亮温及5种不稳定指数在对流性降水前的变化特征不是随机出现的, 对其在四季非降水日的日变化特征进行分析。22 GHz亮温、58 GHz亮温及大气不稳定度指数均存在一定的日变化。22 GHz日变化与58 GHz相比明显; 5种指数在四季非降水日中存在一定的日变化, 夏、秋季的日变化差略大于冬、春季。

(2) 9次对流云降水开始前2 h, 22 GHz亮温出现持续上升的时间早于58 GHz亮温出现持续下降的时间, 且变化值大于非降水日变化差, 对对流云降水发生的指示意义较58 GHz亮温数值好。

(3) 9次对流云降水前40 min, KI和TTI呈持续上升趋势、LI和SI持续下降, 而CAPE出现持续变化的时间稍晚; 虽然对流云降水前持续变化值均比非降水日变化差小, 但-2 h内KI、TTI和CPAE均大于非降水日日均值, 而LI和SI均小于非降水日均值, 其数值可为对流云降水开始的阈值提供参考, 同时考虑持续变化差值和阈值, 对预报对流云降水发生有参考意义。

(4) 对22 GHz亮温、KI、SI和CAPE计算时间变化率发现, 在临近降水的-10~0 min出现变化率大值的比例比其他时段高; 22 GHz亮温数值有一定波动, 在临近降水时同时出现负变化率大值的比例也比其他时段高; KI和SI变化率大值出现的比例比CPAE大, 且CPAE变化率数值在不同时段的波动均较大, 同时考虑其在9次对流云降水前的平均值出现持续变化的时间较早, 因此对对流云降水的指示意义较好。