周港又, 王改利, 郑佳锋, 任涛, 张静怡, 谢冰洁

(1.成都信息工程大学大气科学学院, 成都 610225; 2.中国气象科学研究院灾害天气国家重点实验室, 北京 100081; 3.河南省气象探测数据中心, 郑州 450003)

云中过冷水是指环境温度低于0 ℃时仍保持液态的云滴,这种云滴因缺乏必要凝结核而非常不稳定,会因轻微扰动而凝结成冰[1]。若航空飞行器表面温度低于0 ℃时与过冷水相撞,会很容易结冰,从而导致安全事故的概率剧增。因云中液态与固态粒子具有不同吸收散射特性,而对于温度处在-40～0 ℃的云区,云中的冰晶和过冷水往往并存,过冷水的存在将会导致云辐射的评估出现误差[2]。因此,研究云中过冷水的探测和识别方法,对保障航空飞行安全和促进云结构和物理特征研究等具有重要的意义。

目前云中过冷水的探测仍然是大气探测领域的难点之一,潜在的探测手段包括:飞机探测、卫星探测、探空资料反演以及微波辐射计、激光雷达、毫米波雷达等主被动遥感技术。飞机探测主要依靠机载粒子探头,如Zhou等[3]基于机载探冰仪、云粒子成像仪和云滴探测器,通过云粒子数浓度识别云中过冷水,发现当云粒子数大于5个/ cm3时通常存在过冷水。而大于20个/ cm3时可作为人工降雨的最佳窗口。卫星探测主要依靠星载毫米波雷达、星载激光雷达或星载红外成像仪,如Mace等[4]利用CloudSat搭载的毫米波雷达联合CALIPSO激光雷达资料对南大洋低云中的过冷水进行了研究,发现温度处在-40～0 ℃的云,降水会导致云中过冷水迅速消耗从而出现混合相态。飞机探测通常观测连续性较差,费用高,且易受到飞机积冰影响,而卫星观测的时空分辨率较差,对过冷水探测也具有更多不确定性。相较而言,地基毫米波雷达具有测量精度高、时空分辨率高和连续观测能力强等优点,目前已成为研究过冷水的主流仪器之一。如Kalogeras等[5]利用毫米波雷达联合激光雷达,采用一种基于矩量法的相态划分算法对阿拉斯加北坡地区的云中过冷水进行了研究,总结了不同参量对识别过冷水的影响,发现谱宽对于识别过冷水有较为重要作用。任涛等[6]利用毫米波雷达结合探空资料对青藏高原那曲地区对流云进行了过冷水识别,发现上升气流对于过冷水的形成和发展起决定性作用。并发现微波辐射计的液态水路径(liquid water paths, LWP)产品能够有效验证云中过冷水的存在。

模糊逻辑法作为一种具有较强的兼容性和扩展性的方法,能够有效改进阈值法对过冷水识别的不确定性。如Wang等[1]利用模糊逻辑法对英国Chilbolton地区一次厚积云过程进行了研究,发现此类云中的过冷水集中在云底部。王金虎等[7]利用模糊逻辑法对水凝物分类的研究时发现,引入退偏振比会显著提高水凝物的分类效果。利用模糊逻辑法对过冷水识别的大量研究[7-10],证明了此种方法的可行性与应用潜力。

墨脱位于青藏高原东南部雅鲁藏布大峡谷水汽通道入口处。在西风-季风协同作用下,大量水汽由喜马拉雅山南麓爬坡至墨脱,随后向青藏高原其他地区输送。受印度洋水汽影响,墨脱是西藏地区的“雨窝”,年平均降水量超过2 000 mm,是青藏高原气候系统的独特区域[11]。墨脱上空云降水的物理特征,对于研究多尺度水汽输送和水资源的影响机制至关重要。以墨脱气候观象台云降水综合观测资料为基础,研究发现墨脱地区由于受峡谷地形热力差异影响,对流活动主要出现在夜间和凌晨,墨脱地区降水的雨滴直径小而浓度大,层状云弱降水雨滴直径不超过3 mm,冰晶粒子在下落过程中缓慢增长,但旱季增长更为明显[12-14]。墨脱地区水汽充沛,云中是否存在丰富的过冷水,目前相关研究还未见报道。因此,现利用由中国气象科学研究院在墨脱气候观象台(95.32 °E/29.31 °N, 海拔1 305 m)布设的一部Ka波段毫米波雷达的观测资料,结合同址的微波辐射计的温度资料,采用阈值法和模糊逻辑法对过冷水进行识别。最后,选取了两次层积云过程,对云雷达识别的过冷水液态水路径(LWP)与微波辐射计反演的LWP进行对比,验证算法的合理性,并分析墨脱地区过冷水的特点。

1 设备、资料与方法

1.1 设备和资料

本文中使用的毫米波雷达和微波辐射计是在第二次青藏高原综合科学考察研究专题(西风-季风协同作用对亚洲水塔变化的影响)支持下,由中国气象科学研究院于2018年12月首次在墨脱气候观象台布设的。该毫米波雷达(简称“Ka-MMCR”)是由中国气象科学研究院与安徽四创电子股份有限公司联合研制,雷达探测距离为地面上15 km,工作频率为35 GHz(波长为8.6 mm),垂直分辨率为30 m,时间分辨率为16 s。雷达采用了脉冲压缩、相干和非相干积累等技术,并设计了四种观测模式(M1降水模式、M2边界层模式、M3中高层模式、M4卷云模式)进行交替循环观测。考虑到微波辐射计对于非降水云的探测可靠性更好,以及云雷达的探测灵敏度,选用M3模式的观测资料,包括四个基数据:雷达反射率因子Ze(dBZ)、径向速度VD(m/s)、速度谱宽σv(m/s)、退偏振比LDR(dB)。M3模式的主要性能参数如表1所示。

使用的微波辐射计为美国Radiometric公司生产的35通道MP3000A型地基微波辐射计 (简称“MWR”),有效探测范围为0～10 km。0～500 m高度范围的空间分辨率为50 m,500～2 000 m高度范围的空间分辨率为100 m,2 000～10 000 m高度范围的空间分辨率为250 m,时间分辨率为2 min。MWR通过被动测量大气在K和V波段多个频点的微波辐射亮温,通过神经网络法反演得到大气温湿度廓线、水汽密度廓线、水汽积分总量和液态水路径(LWP)等产品[15]。本文中采用的温度数据来自于MWR的温度廓线产品,由于MWR的垂直分辨率与Ka-MMCR(Ka millimeter-wave cloud radar)不同,本文中将MWR的温度数据在垂直方向上进行线性插值,使得其垂直分辨率与Ka-MMCR一致,并以区间中点的温度值代表整个雷达距离库(库长30 m)的温度值,得到垂直方向上与Ka-MMCR距离库对应的温度。

表1 Ka-MMCR M3模式的主要性能参数Table 1 Ka-MMCR major performance parameters of M3 mode

1.2 过冷水识别和微物理特征反演方法

对过冷水位置的识别和提取主要基于阈值法和模糊逻辑算法。过冷水微物理特征的反演,是在过冷水识别结果的基础上,根据经验公式得到过冷水有效粒子半径(Re)、液态水含量(liquid water content,LWC)和LWP。

1.2.1 模糊逻辑法识别云中过冷水

模糊逻辑法最早由Zadeh[16]在1968年提出,其特点是具有较强的兼容性和扩展性,能够有效改进阈值法的刚性判别结果。现将Ka-MMCR的四个基数据:雷达反射率因子Ze(dBZ)、径向速度VD(m/s,下落为负,下同)、速度谱宽σv(m/s),退偏振比LDR(dB)以及MWR反演得到的温度数据T/℃作为输入变量xi。然后通过上述变量构建梯形隶属函数,梯形函数的形状由4个参数X1、X2、X3、X4决定,隶属函数表示为

(1)

式(1)中:x为输入变量;P为粒子隶属度,为探测的参量设定的区间内归属于某一相态的程度,越接近1则表示属于该相态粒子的可能性就越大。因此确定的梯形函数系数X1、X2、X3、X4就显得十分关键。

参照Shupe[17]给出的云粒子相态分类标准如图1所示。图1(a)表示当大气温度T>0 ℃时,粒子相态由Ze和VD阈值识别为液态水、毛毛雨和雨;图1(b)表示当大气温度T<0 ℃,谱宽σv>0.4 m/s时,通过Ze和VD阈值,将粒子识别为过冷水、雪和混合相态 (过冷水与冰晶共存)。图1(c)表示当大气温度T<0 ℃,谱宽σv<0.4 m/s时,粒子相态通过Ze和VD阈值识别为冰和雪。根据上述Shupe[17]提出的各类水凝物粒子分类阈值,并参考李玉莲等[18]关于退偏振比LDR的水凝物分类阈值,设置梯形函数的系数X1、X2、X3、X4,具体设置见表2。

下落速度为负,阴影部分表示概率很小的区域图1 Shupe[17]提出的粒子分类示意图Fig.1 Classification schematic diagram of cloud particle by Shupe[17]

通过构造隶属度函数,利用模糊逻辑法计算出相应的隶属度。令i表示输入参量,共计5个,令j表示对应的粒子相态种类,共计6个。所有参量对第j类粒子的隶属度Sj可表示为

(2)

式(2)中:Pij为第i种参量对应第j种粒子相态的隶属度;Ai为第i种参量对识别结果的权重。彭亮等[19]认为径向速度的贡献度较小,本文中选取AVD=0.5,其余Ai均设置为1;Sj为所有参量对第j类粒子相态总的隶属度。通过比较得出最大值Sj,则相对应的粒子相态j作为模糊逻辑法的最终识别结果。

1.2.2 阈值法识别云中过冷水

参考Frisch等[20]的过冷水特征阈值,并加入了Shupe[17]利用谱宽对过冷水与混合相态的区分阈值0.4 m/s。即当T≤0 ℃且σv≥0.4 m/s时,若Ze≥-17 dBZ或VD≤-1 m/s时将粒子识别为混合相态;当T≤0 ℃且σv≥0.4 m/s时,若Ze<-17 dBZ或VD>-1 m/s将粒子识别为过冷水。当T<0 ℃且σv<0.4 m/s时,若Ze≥5 dBZ将粒子识别为雪花。当T<0 ℃且σv<0.4 m/s时,若Ze<5 dBZ将粒子识别为冰晶。

最后,参考了Shupe[17]的相干滤波方法对于两种方法的识别结果进行滤波。其作用是消除相态分类时的散点值与异常值。其步骤是在建立一个7×7的滑动窗口,对于中心的相态,若周围有35个以上距离库为晴空,则将中心相态设置为晴空;若中心的相态不是晴空且周围49个识别结果中与中心同类型的相态超过7个,则保持不变。否则将中心距离库设置为窗口中最丰富的相态识别结果。

1.2.3 过冷水微物理特征反演与评估

液态水含量(LWC)和有效半径(Re)常被应用到云内液态水微物理特征的研究当中。Atlas[21]最早结合飞机实测数据,论证了可用雷达反射率因子反演粒子有效半径和云内液态水等参数,并提出了经验关系式。Frisch等[20]在研究大西洋层云时,发现云滴谱分布基本符合对数正态分布,并提出了反射率因子、数浓度、有效半径和液态水含量等参数的经验关系式。Matrosov等[22]也基于雷达反射率因子进行海洋层状云含水量的研究,得出LWC的单参数反演方法,发现其和反射率因子Ze,粒子数浓度N和粒子谱宽σ三者之间的计算关系。

韦凯华等[23]发现结合毫米波雷达与微波辐射计能够有效反演LWP和Re,结果与经验函数法的结果较为一致。刘黎平等[24]利用毫米波雷达探测的功率谱密度来估算液态水含量和中值直径等。发现空气上升速度的高估会导致相应的液态水含量的高估。李玉莲等[25]也发现基于多普勒速度谱反演的LWP存在一定高估,这主要是由于将某些小冰晶粒子误判为过冷水滴所导致的。对由于墨脱受到印度洋暖湿气流影响,降水具有海洋性特征[15]。因此本文中采用Matrosov等[22]提出的反射率因子Ze与LWC以及Re的关系式,即

表2 不同相态粒子的成员函数特征值Table 2 Membership function values of cloud particles in different phases

(3)

(4)

式中:Ze为反射率因子,mm6/m3;ρ为水的密度,g/m3;N0为粒子浓度,个/m3;σ为对数分布的粒子谱宽。根据不同的云类,N0和σ相应有着不同的取值。根据Frisch等[20]对海洋性层云的研究,云中粒子浓度以及对数谱宽随高度不变。本文中采用李玉莲等[25]对过冷水浓度和对数谱宽的取值,σ取0.31,过冷水粒子浓度取35个/cm3。

LWP反映了垂直柱上的总液水含量,LWP计算公式为

(5)

式(5)中:n表示垂直方向上过冷水的库数;ΔZ为雷达库长。

利用两个统计指标评估阈值法与模糊逻辑法的反演结果。考虑到相关系数对反演值和观测值之间的线性差异不敏感,采用一致性指数d来衡量Ka-MMCR反演的LWP与MWR的LWP的一致性。其计算公式为

(6)

式(6)中:Oi为第i个时刻MWR的LWP;为MWR的LWP的平均值;Fi为第i个时刻Ka-MMCR的LWP。

同时利用平均绝对误差MAE来衡量平均误差的大小,其公式定义为式(7)

(7)

式(7)中:Oi表示第i个时刻MWR的LWP;Fi为Ka-MMCR反演的LWP;N为观测样本数。

当一致性指数d越接近于1,MAE越接近0时,认为Ka-MMCR反演的LWP与MWR的LWP越接近。

2 典型个例的反演效果分析

墨脱地区云发生较频繁,年平均发生率达65.3%[11]。在总云中以单层云为主,全年平均占比在80%以上。考虑到MWR对于非降水云的探测可靠性更好[26],并且在非降水云中,层积云相较于卷云更容易出现过冷水[27]。因此,挑选墨脱地区两次层积云过程进行过冷水的识别与微物理特征的反演。

2.1 墨脱2018年12月10日层积云

如图2为墨脱2018年12月10日17:13—19:13层积云的雷达探测结果、基于模糊逻辑法的过冷水识别结果和微物理参数的反演结果。图2(a)为雷达反射率因子,可见本次层积云发生在距离地面高度(above ground level,AGL)1.5～4.5 km,回波未接地,故近地面无降水产生。在测站上空持续约2 h,其中17:13—18:30云体发展,逐渐增强并增厚;18:30—19:13,云体厚度减小,云体逐渐消散。强回波出现在18:00—18:40,最大反射率因子接近20 dBZ。根据图1中粒子相态分类示意图,由于本次个例都位于0 ℃层高度以上,可判断强回波处存在大量雪花。图2(b)为谱宽分布图,Shupe[17]发现当雷达探测体积中存在不同类型粒子时谱宽较大,反之,仅存在一种类型粒子时,谱宽较窄。其判断阈值可定为0.4 m/s。此次过程云中部谱宽在0.4 m/s以下,仅在云顶与云底部分谱宽超过了0.4 m/s。说明本次个例的云中部以单相粒子为主,多为冰晶或雪花等固态水凝物,混合相态与过冷水分布在云顶与云底部分区域。图2(c)为多普勒径向速度图,多普勒径向速度包含了粒子下落末速度与大气垂直运动,表征了云中粒子的相对上升或下沉运动。云层大部分区域都以较弱的下沉运动为主,在18:20云底有弱的上升气流。图2(d)为线性退偏振比LDR,其相比于图2(a)反射率因子的区域缩小很多,仅集中在较强回波的区域。LDR主要反映了粒子的非球形特征,LDR值越高则表明粒子取向复杂或粒子种类较多。本次过程的LDR平均值高达-23.2 dB,且LDR高值区与反射率高值区一致,而结合图2(b)发现这些区域谱宽较小,说明此处水凝物粒子种类并不多。故推断粒子可能取向复杂,结合反射率因子,因此可判断为雪花。

图3(a)为过冷水基于模糊逻辑法的识别结果,可知过冷水区域主要集中在云底部和云顶部回波较弱的位置,反射率因子介于-30～-15 dBZ[图3(b)]。在强回波区域有零星的一些区域也被识别为过冷水,且反射率因子达到0以上。结合图2(c)

图2 墨脱2018年12月10日17:12—19:13(BJT)层积云(个例一)过程云雷达观测结果Fig.2 Identification results of stratocumulus clouds (case I) in Medog on December 10, 2018, 17:12—19:13 (BJT)

图3 墨脱2018年12月10日17:12—19:13(BJT)层积云(个例一)过程模糊逻辑法相态识别与微物理特征反演结果Fig.3 Results of the fuzzy logic method for phase identification and microphysical feature inversion result of stratocumulus clouds (case I) in Medog on December 10, 2018, 17:12—19:13 (BJT)

可看出,这些区域集中在云内粒子上升和下沉的交汇处。此处的过冷水经过碰并聚合,粒子大小可能已达到了毛毛雨或小雨滴的程度,从而导致其反射率因子偏高。以往研究[1,6,19,21]表眀,一般过冷水分布在云顶或者云底,如芬兰Hyytiala地区过冷水滴在云顶有连续的分布[21],北京延庆县地区的层云中则在云底有连续分布的过冷水[18],英国Chilbolton地区一次厚度达6 km的厚积云过程的过冷水都集中在云层底部[1]。而墨脱地区具有更为丰富的过冷水,同时位于云顶和云底以及云中。从过冷水的反射率因子来看,墨脱地区与其他地区较为一致,云底或者云顶的过冷水反射率因子基本不超过-15 dBZ,但云中过冷水的反射率因子较强,可以达到0 dBZ以上。图3(c)为过冷水的液态水含量LWC,可见在云体弱回波区反演的过冷水LWC基本在0.3 g/m3以下,最大不超过0.4 g/m3,仅在反射率因子高于0的过冷水区域的LWC较高,LWC平均值高达3.0 g/m3。结合图3(d)过冷水反演的有效半径Re来看,云体弱回波区反演的过冷水Re在7～15 μm,在反射率因子高于0的过冷水区域Re平均值高达30 μm。说明此处已形成了粒径较大,反射率较高,达到毛毛雨或小雨滴程度的过冷水粒子,验证了上文的结果。吴举秀等[28]发现过冷水层的有效半径在8～11 μm,LWC小于0.2 g/m3,基本与本文结论相符。

图4为阈值法的识别结果。与图3(a)模糊逻辑法的识别结果对比可见,阈值法比模糊逻辑法识别的过冷水要少很多,这是由于阈值法的刚性判别特征造成的。另外二者对冰晶和混合相态的识别结果存在较大差异,阈值法识别出较大范围的冰晶区域和较少的混合相态区域,这主要是因为仅凭借反射率因子Ze<5 dBZ的阈值条件进行识别过于笼统,缺少了LDR、VD等判别因子。二者识别的雪花区域比较一致。

MWR对非降水云的LWP测量结果具有较好的可靠性[26]。因此利用MWR测量的LWP作为参考,对云雷达反演的LWP结果进行初步验证。由于MWR探测的时间分辨率低于Ka-MMCR,因此对Ka-MMCR进行时间窗为2 min的滑动平均。图5为本次个例识别的过冷水路径LWP与微波辐射计反演的LWP的对比图,可以看出阈值法的LWP明显小于MWR的LWP,而模糊逻辑法的LWP更接近MWR的LWP。从定量评估来看,模糊逻辑法的LWP与MWR的LWP一致性指数d为0.63,MAE为55.6 g/m2,阈值法的LWP与MWR的LWP一致性指数d为0.46,MAE为121.9 g/m2。因此,模糊逻辑法相比阈值法更为合理。结合图4(a)与图3(a)可见阈值法在反射率因子较高的地方漏识了较大粒径的过冷水,这些发展旺盛的过冷水由于反射率因子较大,对LWP的贡献较高,可能是MWR在18:00、18:20和18:43峰值出现的原因。

图5 墨脱2018年12月10日17:12—19:13(BJT)层积云(个例一) Ka-MMCR反演的 过冷水LWP与MWR观测液态水路径LWP的对比Fig.5 Comparison of MWR observed liquid water path LWP with Ka-MMCR inversion of supercooled water liquid water path on December 10, 2018, at 17:12—19:13 (BJT) for the stratocumulus clouds (case 1) in Medog

2.2 墨脱2019年9月10日层积云

如图6为墨脱2019年9月10日5:58—6:54层积云的雷达探测结果及模糊逻辑法识别提取和反演的过冷水结果。各子图含义与图2相同。图6(a)为本次个例的反射率因子时空分布图,可见本次层积云分布在4～5 km,在测站上空持续1 h。相较于墨脱2018年12月10日的层积云过程,本次过程没有强回波中心,云体反射率因子都在-5 dBZ以下,且都位于0 ℃层高度以上,-20 ℃层高度以下。图6(b)谱宽分布图中可见,云中下部区域谱宽低于0.4 m/s,以单相粒子为主。云顶部分则谱宽高于0.4 m/s,主要以取向复杂的混合相态与过冷水为主。图6(c)为多普勒径向速度图,云内大部分区域以弱的下沉气流为主,上升气流集中在云顶的部分区域。本次过程由于回波较弱,交叉极化信号的信噪比较低使得无法获取有效的LDR。

图7(a)为模糊逻辑法识别的过冷水结果,同样可以看到,此次过程存在丰富的过冷水,过冷水区域主要位于云的顶部和云的底部,但云顶的过冷水多于云底位置。本次过程由于反射率因子不强,云中未识别出冰晶与雪花等固态水凝物,主要以混合相态与过冷水为主。混合相态与反射率因子大于-15 dBZ的区域位置较为一致,过冷水则主要集中于反射率因子低于-15 dBZ的位置[图7(b)]。图7(c)和图7(d)是过冷水的液态水含量LWC和有效半径Re,LWC基本低于0.3 g/m3,平均值为0.2 g/m3。有效半径Re基本不超过15 μm,平均值为12 μm,这与吴举秀等[28]的结论一致。

图6 墨脱2019年9月10日05:58—06:54层积 云过程(个例二)云雷达观测结果Fig.6 Identification results of stratocumulus clouds (case II) in Medog on September 10, 2019, 05:58—06:54 (BJT)

图7 墨脱2019年9月10日05:58—06:54层积云过程 (个例二)模糊逻辑法相态识别与微物理特征反演结果Fig.7 Results of the fuzzy logic method for phase identification and microphysical feature inversion result of stratocumulus clouds (case II) in Medog on September 10, 2019, 05:58—06:54 (BJT)

图8为阈值法的识别结果,与模糊逻辑法的识别结果[图5(a)]对比可看出,阈值法识别的过冷水区域与模糊逻辑法较一致。但在谱宽小于0.4 m/s的区域,阈值法识别为冰晶,而模糊逻辑法综合了多个模糊基的判别条件,并未将这些区域笼统的识别为冰晶。

图9为本次层积云过程云雷达观测识别的过冷水的LWP与微波辐射计的LWP对比,可以看出,基于模糊逻辑法和阈值法识别的过冷水的LWP随时间的变化情况,都与MWR的LWP具有较好的一致性,但量值上小于MWR的LWP。从定量评价参数来看,模糊逻辑法识别的过冷水的LWP与MWR的LWP一致性指数d为0.78, MAE为39.5 g/m2。阈值法识别的过冷水的LWP与MWR的LWP一致性指数d为0.60,MAE为48.5 g/m2。综合两个评价指标,可以认为模糊逻辑法相比阈值法更为合理。

图8 墨脱2019年9月10日05:58—06:54 (BJT)层积云 (个例一)使用阈值法的相态识别结果Fig.8 Identification results of the threshold method of stratocumulus clouds (individual case I) in Medog on September 10, 2019, 05:58—06:54, (BJT) using threshold method and fuzzy logic method

图9 墨脱2019年9月10日05:58—06:54层积云 (个例二) Ka-MMCR反演的过冷水LWP与 MWR的液态水路径LWP的对比Fig.9 Comparison of MWR observed liquid water path LWP with Ka-MMCR inversion of SLW liquid water path on September 10, 2019, at 05:58—06:54 (BJT) for the stratocumulus clouds (case II) in Medog

3 结论

利用布设在墨脱气候观象台的Ka波段毫米波云雷达基数据和微波辐射计的温度廓线数据,采用模糊逻辑法和阈值法进行过冷水识别,并通过经验公式反演了过冷水的微物理参数。在此基础上,选取了两个层积云过程进行过冷水识别及微物理参数反演,并将两种方法反演的液态水路径与微波辐射计的进行对比验证,得出如下主要结论。

(1)模糊逻辑法和阈值法识别的过冷水基本合理,采用经验公式反演的LWP的变化趋势和微波辐射计的LWP基本一致,模糊逻辑法优于阈值法,其反演的LWP与微波辐射计的LWP具有更大的一致性指数以及更小的平均绝对误差。

(2)墨脱地区的层积云过程具有丰富的过冷水,过冷水主要分布在反射率因子较小的云底与云顶处,其反射率因子基本不超过-15 dBZ,粒子有效半径介于7～15 μm,液态水含量(LWC)基本位于0.01～0.3 g/m3。嵌入云中的过冷水分布较少,但其反射率因子较强,可超过0,有效半径可达30 μm,LWC最大可超过3.0 g/m3。

(3)从墨脱两次层积云的过冷水分布及其微物理特征来看,云中过冷水的分布与云过程的持续时间、云层厚度、反射率强度等因素密切相关。总的来说,墨脱地区云中过冷水的反射率因子、液态水含量、粒子有效半径等参量与其他地区较为一致。但是,墨脱的过冷水分布更为丰富,可以同时存在于云底、云顶及云中。

基于Ka-MMCR基数据和微波辐射计的温度资料,通过模糊逻辑法和阈值法识别墨脱地区层积云的过冷水并进行分析,得到的结果对于保障航空飞行安全、人工影响天气等研究有积极意义。然而,由于本文工作所采用的梯形函数以及阈值设定均借鉴于国内外学者的研究成果,对于墨脱当地的地域特殊性未得到长时间观测的检验。此外,在反演云微物理参数时采用的经验公式在墨脱地区的适用性还需要检验。