2024, Vol. 50 
2. 中国气象局乌鲁木齐沙漠气象研究所，乌鲁木齐 830002；
3. 新疆空中云水资源开发利用创新研究院，乌鲁木齐 830002；
4. 新疆乌兰乌苏生态与农业气象野外科学观测研究站，乌鲁木齐 830002；
5. 中国气象局人工影响天气中心，北京 100081；
6. 新疆维吾尔自治区气象技术装备保障中心，乌鲁木齐 830002
2. Institute of Desert Meteorology, CMA, Urumqi 830002;
3. Xinjiang Institute of Air Cloud Water Resources Development and Utilization Innovation, Urumqi 830002;
4. Xinjiang Wulanwusu Field Scientific Experiment Observation Research Station for Ecology and Agrometeorology, Urumqi 830002;
5. CMA Weather Modification Centre, Beijing 100081;
6. Meteorological and Technical Equipment Support Center of Xinjiang, Urumqi 830002
降雪，又称固态降水，是全球特别是中高纬度地区水循环中的关键环节。尽管全球降雪总量只占总降水量的5%，但对中高纬度地区而言，降雪可达当地总降水的50%以上(Levizzani et al，2011；Hou et al，2014；Field and Heymsfield, 2015；Casella et al，2017; 李慧等，2021)。针对降雪系统的研究对于预测地面积雪、冰川水储量、评估全球降水和水文循环等具有重要意义。传统观测降雪系统的方法包括地面测雪仪、地基测雨雷达、空基飞机穿云观测以及天基被动微波遥感等(Kneifel et al，2010；Xie et al，2012；杜佳等，2019；魏玮等，2019；封秋娟等，2021；马新成等，2021)。近十几年来卫星主动遥感技术的快速发展，为测量全球降雪系统创造了新机遇。
GPM(Global Precipitation Meansurement)卫星是新一代全球降水探测卫星，主要目标是提供高空间分辨率的降水观测(Hou et al，2014；Skofronick-Jackson et al，2017；沈程锋和李国平，2022)。GPM核心观测平台搭载了全球首部星载双频降水雷达(DPR)和多通道微波成像仪(GMI)。DPR在热带降雨测量卫星(TRMM)搭载的单频(Ku波段)雷达的基础上，新增了Ka波段，与Ku波段相比，Ka波段的波长更短，有助于提高对弱降雨和降雪的探测能力(Hamada and Takayabu, 2016)，同时双频测雨雷达可以获得精细的云微物理信息(肖柳斯等，2019；赵震，2019；俞琳飞等，2020；魏栋等，2021；施丽娟等，2022)。GPM/DPR提供了全球范围内从65°N至65°S的三维降水观测，覆盖了地球的中高纬度地区，探测降雪是GPM卫星的一个重要目标。
目前，中外学者利用GPM卫星针对降雪系统进行了广泛的研究，如Le and Chandrasekar(2019)通过对奥林匹克山地区降雪个例进行统计分析，发现在DPR与地面测雨雷达的重叠区域内匹配率为87.8%。von Lerber et al(2018)和Rysman et al(2018)利用二维雨滴谱仪等验证了DPR观测降雪系统的有效性为84%~90%。Chase et al(2020)统计发现DPR与X波段雷达所探测的降雪系统一致性较好。Tanelli et al(2008)和Tang et al(2017)发现GPM/DPR观测山区降雪系统比CloudSat/CPR(cloud profile radar)更有效，这可能是因为DPR比CPR观测位置更低，因此可以显示出更大纬度的降雪分布。吴琼等(2017)研究发现DPR相态产品和地基观测结果比较一致且降雪系统回波顶高主要集中在6 km以下。一些学者利用不同类型的微波成像仪对降雪系统进行了观测，对比发现150 GHz和183 GHz的高频微波通道观测降雪云有效性较好(Skofronick et al，2015；Noh et al，2006)。You et al(2017)研究发现GMI中的166 GHz和183 GHz高频通道对降雪探测更为敏感。目前国内利用DPR和GMI观测资料进行降雪系统研究的成果还较少，其探测不同强度、不同发展阶段和不同下垫面的降雪系统能力如何，DPR双频雷达在准确反演降雪云团微物理参量等方面仍需要更深入的了解。
新疆地形地貌复杂、高山环绕、绿洲与荒漠共存且相互作用，形成了独特的冰川-绿洲-荒漠生态气候系统格局，冬春季节降雪天气频繁发生，是我国降雪系统最丰富的地区之一(张俊兰等，2021)。新疆每年冬春季节在全区开展人工增雨(雪)作业，科学开发利用空中云水资源，增加新疆水资源供给。目前利用主动遥感降水卫星研究新疆地区降雪系统三维结构较少见，且多数研究主要利用地基雷达开展降雪系统分析，受到观测站点覆盖范围限制，对沙漠腹地和山区复杂地形中出现的降雪系统缺乏有效探测。GPM卫星提高了现有的降雪探测水平，将二维观测提升到了三维，这为研究不同下垫面地区及不同类型的降雪系统结构提供了支撑。本文对新疆典型区域不同降雪系统的宏微观参量的水平分布和垂直结构特征做了统计分析，为GPM/DPR降水产品在新疆降雪系统的准确应用，填补南疆地区降雪云垂直结构特征的研究空白，构建天山南北不同地区人工增雨(雪)作业指标体系提供科技支撑，对助力新疆绿洲经济社会的高质量发展具有重要的应用价值和现实意义。
1 数据和方法 1.1 数据来源GPM卫星搭载的DPR作为全球首部星载双频测雨雷达，由Ku(13.6 GHz)波段和Ka(35.5 GHz)波段雷达组成，Ku_PR(precipitation radar)的扫描方式为normal scan(NS)，观测幅宽约245 km，垂直分辨率为250 m。Ka_PR具有两种观测模式：matched scan(MS)和high sensitivity scan(HS)，观测幅宽约125 km，Ka_MS垂直分辨率与Ku相同(即250 m)，而Ka_HS垂直分辨率为500 m。对于所有模式光束宽度约为0.7°，轨道高度为407 km，Ku_PR和Ka_PR的地面水平分辨率约为5.2 km(表 1)。DPR的降水反演算法包含单频和双频反演算法。GPM/DPR持续稳定运行多年，测量数据经过与地基测雨雷达、雨量计和二维雨滴谱仪等进行了严格的内外部定标和交叉验证，均一性好，可靠性高(Kotsuki et al，2014；Chandrasekar and Le, 2015；Le and Chandrasekar, 2019)。其中GPM/DPR降水产品的回波强度数据均进行了衰减校正，文中剔除了降水产品中出现的奇异值。GMI具有13个频段，能够观测所有云层内的降水，包括微量降雨以及降雪(表 1)，其中166 V&H和183±8 GHz高频通道，能较好地识别出降雪云团的尺度范围，由于GMI的幅宽较大, 达到了885 km，探测出的云团范围较DPR观测范围(幅宽245 km)更大，有利于我们对降雪系统宏观水平结构进行更深入的分析。
|
表 1 GPM仪器参数信息 Table 1 GPM equipment and track parameter information |
自GPM卫星发射以来，积累了丰富的降水观测资料，在文中收集了2014—2021年发生在新疆不同地区的降雪系统作为研究对象，通过与GPM卫星过境时间进行匹配，筛选出了发生在天山和阿勒泰地区、古尔班通古特沙漠和昆仑山北麓戈壁等地区70个降雪系统。文中主要基于GPM/DPR双频测雨雷达提供的已衰减订正的雷达反射率因子(Z)、近地表降水率(R)、回波顶高(STH)、质量加权平均直径(Dm)和粒子数浓度(dBNw)等资料。首先文中详细对比了典型个例DPR单双频反演的不同降水产品在观测降雪系统中的敏感性和差异性特征；然后依据Jeoung et al(2020)利用星-地多源观测数据分析提出的降雪系统分类方法，将降雪云分为三种类型：深厚、浅薄和近地表降雪云，其中深厚降雪云是指STH超过4 km的云，大多是由冷锋系统的大幅抬升所造成的，多位于锋面区和低压中心附近；将浅薄降雪云定义为STH在2~4 km的云，这类降雪云与锋面通过后不稳定气团等有关；将STH低于2 km的云定义为近地表降雪系统；最后针对三类降雪系统的Z、R、STH、Dm和dBNw等参量的水平分布、垂直结构及微物理特性进行了统计分析和个例研究。
GPM中的Ku_PR的Ku_NS(normal scan)扫描宽度为245 km，每条扫描线上有49个像素。而Ka_PR的扫描宽度为125 km，分两种模式进行扫描：在Ka_PR和Ku_PR重叠扫描的地区(Ku_PR的第13~37像素)，Ka_PR同步Ku_PR波束进行匹配扫描模式为Ka_MS，扫描宽度为125 km；当Ku_PR观测两侧的扫描区域时，Ka_PR通过两倍宽度的发射脉冲对匹配扫描的间隔区域进行高灵敏度扫描模式Ka_HS(Ku_PR的第1~12、第38~49像素)，扫描宽度也是125 km。GPM根据不同的扫描方式和单双频反演算法，提供了六种不同的2级降水产品，其中双频反演产品包含：DPR_HS、DPR_MS和DPR_NS；单频反演产品含有：Ka_HS、Ka_MS和Ku_NS。通过对比分析不同降水产品中R的差异性，从图 1中可以看出，Ka_HS和DPR_HS探测的R小，主要识别的是1.0 mm·h-1以下的降水，尤其是可以探测到更多降水强度小于0.5 mm· h-1的弱降水，比例达到了将近40%，这说明Ka_PR在高灵敏模式下工作时，对于弱降水的识别具有很大的优势；Ka_MS和DPR_MS探测的R主要为小于1.0 mm·h-1，对大于1.5 mm·h-1的降水极不敏感，同时对于0.4 mm·h-1以下的降水也不能很好地识别，说明Ka_MS的探测降雪性能相对偏弱(强降雪对Ka波段的衰减大)；DPR_NS、Ku_NS和DPR_MS的频率分布曲线较宽，对较强的R识别能力较好，DPR_NS和Ku_NS探测到的地表降雪强度大(Ku波段适合探测相对强的降雪)，特别是可以很好地识别强度大于1.0 mm·h-1的降雪，占比超过10%，对0.4 mm·h-1以下降雪强度也能较好地识别。
|
图 1 不同降水产品R的频率分布 Fig. 1 Frequency distribution of R for different precipitation products |
星载测雨卫星探测的STH通常定义为测雨雷达反射率因子廓线中出现大于信噪阈值的最高层高度(傅云飞等，2012a)。STH与云中上升气流强弱及稳定度密切相关(Houze et al，2017)。GPM六种不同降水产品STH的统计如图 2所示，可以发现Ka_MS的STH与其他产品存在明显不同，该产品探测的STH明显偏低，这主要是因为Ka_PR做匹配扫描时其最小回波阈值变大所造成的。而其他五种降雪系统的STH统计值比较接近，只是Ku_NS和DPR_NS探测的STH略大(接近6.0 km)，这说明DPR_NS和Ku_NS对较高的降雪系统具有一定的探测能力。总体而言，GPM探测的降雪云的STH主要集中在2.5~6.0 km，这与Kulie et al(2016)和吴琼等(2017)利用GPM/DPR和CloudSat/CPR观测统计得出降雪云的STH绝大多数小于6 km的研究结果较为一致。
|
图 2 不同降水产品STH的箱线图 注：上端和下端代表统计的最大和最小值，箱体自上而下三条线分别代表第75%、50%和20%分位值；+表示异常值。 Fig. 2 Box plot of STH for different precipitation products |
为了清楚地区分不同探测方式所造成Z探测结果的差异，文中将六种降水产品所反演的Z数据集进行了对比分析，如图 3所示，发现DPR_HS和Ka_HS的Z主要分布在10~20 dBz，对大于20 dBz的强降水观测性能较弱，Ka_MS观测到的Z在15~25 dBz范围所占的比例最大，相比于其他降水产品探测到Z更大，但对小于15 dBz的弱降水观测能力不足。DPR_MS、Ku_NS和DPR_NS三者频率分布曲线较为相似，频率分布曲线较宽，对不同强度的降水均有较好响应，可探测到的最强Z约为35 dBz，综合降雪系统识别能力较好。
|
图 3 不同降水产品Z的频率分布 Fig. 3 Frequency distribution of Z for different precipitation products |
综上所述，通过统计对比得出DPR_NS、Ku_NS和DPR_MS在R、STH和Z的识别能力较好。由于双频反演算法中有粒子谱产品，使用双频方法进行探测降水比单频有优势，同时NS探测方式扫描宽度(245 km)较MS探测方式(125 km)更宽，可以探测识别出更多的降雪系统。这与吴琼等(2017)研究得出Ku波段雷达由于仪器灵敏度的大幅提高，对降雪的综合探测能力最强的研究结论一致。因此本文主要使用了GPM双频反演产品DPR_NS进行南北疆降雪系统结构特征的研究。
2 结果分析 2.1 三类降雪云参量特征分析为深入分析不同降雪系统的宏微观特征差异，图 4，图 5分别给出了三种降雪云(深厚、浅薄和近地表降雪云)的出现频率、平均降雪强度、R分布以及有效像元数等。统计发现，超过一半(62.18%)的观测样本是浅薄降雪云，其次是深厚降雪云(36.27%)，近地表降雪云最少(1.54%)，浅薄降雪云出现频率是深厚降雪云的1.71倍。深厚降雪云平均降雪率(0.74 mm·h-1)对总降雪量的贡献最大，其次是浅薄降雪云(0.61 mm·h-1)，最后是近地表降雪云(0.59 mm·h-1)，深厚降雪云平均降雪强度分别比浅薄和近地表降雪云大0.13 mm·h-1和0.15 mm·h-1。
|
图 4 三类降雪云的(a)出现频率和(b)平均降雪率分布 Fig. 4 (a) Frequency and (b) average snowfall rate distribution of three types of snowfall clouds |
|
图 5 三类降雪云的R频率分布 注：N为像元数。 Fig. 5 Frequency distribution of R for three types of snowfall clouds |
从图 5可以发现深厚和浅薄降雪云出现的频率较大，对R贡献最大，且一些大于1.5 mm·h-1的强降雪事件主要集中在浅薄和深厚降雪云。Pettersen et al(2020)分析了在美国密歇根州观测到的四个冬季的降雪云，将降雪云分为浅薄云和深厚云，研究发现浅薄云出现的频率是深厚云的2倍，而这两种类型降雪云对每年降雪量的贡献几乎相等。Kulie et al(2016)发现，在全球范围内浅薄和近地表降雪云的降雪率大多低于0.6 mm·h-1，强降雪主要与深厚云系有关。这些统计结果与本研究中观察到的在新疆地区发生的降雪事件的研究结论较为相似。
如图 6所示，统计得出近地表、浅薄和深厚降雪云的STH分别集中在1.5~2.0、2.0~4.0和4.0~ 6.0 km，深厚降雪云STH平均值(4.5 km)比浅薄(3.3 km)大36%，是近地表(1.88 km)的2.39倍；三类云R分别分布在0.1~1.1、0.1~2.0和0.1~2.5 mm·h-1，主要集中在1.0 mm·h-1以下，大于1.5 mm·h-1以上的降雪率多见于深厚和浅薄降雪云。在深厚降雪云中，存在较高的LWP和IWP，多分布于0~450 g·m-2和0~380 g·m-2，LWP和IWP大值区(100~250 g·m-2)在浅薄降雪云中也有出现，在浅薄降雪云中LWP和IWP主要在0~ 300 g·m-2和0~350 g·m-2，近地表降雪云的绝大多数LWP和IWP值在0~80 g·m-2和0~100 g· m-2。深厚降雪云的LWP均值为110 g·m-2，分别比浅薄降雪云均值95 g·m-2和近地表降雪云的均值75 g·m-2大15.79%和46.67%；三者的IWP均值分别为150、100和50 g·m-2，深厚降雪云均值分别是浅薄、近地表降雪云的1.5倍和3倍。新疆深厚降雪云主要集中在天山和阿勒泰山区。
|
图 6 三类降雪云的(a)STH，(b)R，(c)LWP和(d)IWP频率分布 Fig. 6 Frequency distribution of (a) STH, (b) R, (c) LWP and (d) IWP for three types of snowfall clouds |
通过分析发现，STH与R总体上存在较好的对应关系，出现STH均值越大R越强的现象；LWP和IWP与R之间一般存在正相关，尤其在浅薄和深厚降雪云近地表降雪率达到1.5 mm·h-1以上时，LWP(80~200 g·m-2)和IWP的大值区(100~250 g·m-2)在两类云中均有发现。三类云的LWP和IWP均值随着R的增加而增加。同时也存在一些特殊的情况，如一些降雪云STH很高、R却较低，这种现象可能是因为降雪云是由多层云组成或者云体内上下剧烈的动态分离合并，云中不时出现夹层导致的。Pettersen et al(2018)利用在格陵兰岛观测到的数据，研究发现深厚和浅薄降雪云通常是混合相云，含有大量过冷水，且液水路径比冰水路径偏少。Jeoung et al(2020)研究得出朝鲜半岛东海岸地区近地表、浅薄和深厚降雪云的LWP均值存在逐步增大的现象。这些发现与本文的研究结果较为相似。
2.2 个例分析 2.2.1 降雪系统水平结构文中主要结合地面观测数据以及GPM卫星过境信息等，从70次降雪系统中选取了具有新疆代表性下垫面(山区、河谷，沙漠和戈壁)的典型降雪个例开展了详细分析，如图 7所示，分别为2015年11月1日阿勒泰山区降雪(图 7a, A个例)；2015年11月19日西天山伊犁河谷降雪(图 7b, B个例)；2016年11月16日古尔班通古特沙漠降雪(图 7c, C个例)；2017年2月19日发生在南疆昆仑山北麓戈壁地区的降雪(图 7d, D个例)。通常测雨雷达给出降水的水平分布主要以R来表征，反映了不同强弱降水的空间分布(傅云飞等，2012b；刘鹏等，2012)，进而可以对降水系统发展过程进行推断。图 7为所选四次例子地表降水强度的水平分布，从图中可以看到四次降雪个例均为层状云，大部分区域的降雪率不足1 mm·h-1，最大不超过5 mm·h-1。A个例发生于北疆阿勒泰山区，降雪系统为一个独立降雪云团单体，存在一个强降雪中心，识别的降水像元为12 593个，降雪率最大达到了4.8 mm·h-1，最小为0.1 mm·h-1，平均值为0.86 mm·h-1；B个例发生在伊犁河谷，降雪率的分布较均匀，主要分布在0.10~3.09 mm·h-1，平均值为0.59 mm·h-1，降水像元为13 083个，是四个降水系统中雨团面积最大的；C个例是在古尔班通古特沙漠腹地出现的降雪系统，降雪率集中在0.16~2.03 mm·h-1，平均值0.47 mm·h-1，是所有个例中降雪最弱的，降水像元为12 348个；D个例降雪在昆仑山北麓出现，降水像元为7399个，降雪率最小值为0.03 mm· h-1，最大值为3.81 mm·h-1，平均值是0.56 mm· h-1，云系分布较分散，降雪面积为所有个例中最小。阿勒泰山区和伊犁河谷的降雪系统无论是降雪率和面积都要大于发生在古尔班通古特沙漠和南疆昆仑山北麓的降雪系统。这与王秀琴等(2019)得出新疆地区强降雪的发生北疆多于南疆，山区多于盆地，西部多于东部等研究结果较一致。
|
图 7 四次降雪系统的R分布 注：黑线为轨道宽度。 Fig. 7 Distribution of R during four snowfall systems |
云层中的降雨及降雪可以辐射出自己的能量，通过对这些能量的大小和频段进行对比分析，能够区分降雨和降雪系统、计算降水强度。GMI具有13个频段，其中5个低频段适合观测各类液态降水，4个中频段能够捕获液态、固态混合降水，4个高频段适合观测固态降水。通过对南北疆地区降雪系统的分析，发现在4个高频通道中166 V&H和183±8 GHz通道能较好地识别出了降雪系统的尺度范围，由于GMI的幅宽较大，达到了885 km，探测出的降雪系统范围较GPM/DPR_2A级降水产品(245 km)更大，有利于我们对南北疆降雪系统宏观水平结构进行更深入的分析。
图 8a、8b分别为166 GHz垂直和水平极化通道，图 8c为183±8 GHz高频通道观测的四次降雪云系微波辐射亮温信息。通常云系中冰云的亮温小于233 K，水云的亮温则高于273 K，当介于233~273 K则为冰水混合云(Braga and Vila, 2014)。2015年11月1日17时(北京时，下同)在阿勒泰地区上空出现一大片完整云系，低于240 K亮温区在东西和南北方向大体为150 km，最低亮温约200 K，降雪云系较深厚，其南侧亮温变化位于270~300 K，为晴空少云区，该降雪云主要为冰云。2015年11月19日05时在西天山伊犁河谷出现低亮温单体云系轮廓(200~230 K)，其东西宽约350 km，南北宽约150 km，降雪云系面积较大，降雪系统发展旺盛，在云系的南侧和东侧，存在零星小块云团，最低亮温在230 K左右，云系主要以冰云为主体。2016年11月16日04时古尔班通古特沙漠出现降雪，降雪系统分布较分散，亮温主要分布在240~280 K，该降雪云为典型的冰水混合云。2017年2月19日23时昆仑山北麓喀什与和田地区出现降雪系统，云顶部降水粒子相态出现明显的空间差异，降雪云以77.5°E为界主要分为两部分，西半部分降雪云亮温集中在230 K以下，该部分云团是冰云，东半部分降雪云亮温多为240 K以上，则主要是冰水混合云。通过图 8中3个高频通道识别结果对比，认为166 GHz通道对降雪云的观测敏感性较好，观测结果最为细致。
|
图 8 GMI的(a)166 GHz垂直极化通道，(b)166 GHz水平极化通道, (c)183±8 GHz垂直极化通道探测的四次降雪系统微波辐射亮温 注：黑线为DPR轨道宽度，图a~c中下角1~4分别表示四次降雪系统。 Fig. 8 Microwave radiation brightness temperatures of four snowfall systems detected by (a) 166 GHz vertical polarization channel, (b) 166 GHz horizontal polarization channel, (c) 183±8 GHz vertical polarization channel of GMI |
统计分析降雪系统近地表降水强度(图 7)与云顶166 GHz水平通道亮温(图 8b)之间的关系，表明弱降雪(小于0.5 mm·h-1)对应的降雪云顶亮温变化位于230~275 K；中等降雪(大于0.5 mm·h-1且小于1.0 mm·h-1)相应的亮温变化位于220~265 K，即该降水强度相应的云顶多为冰水混合相态云；而强降雪(大于1.0 mm·h-1)相应的亮温则低于230 K，即强降雪云顶为冰相。研究结果说明地面降雪强度越大，降雪云顶越高，两者呈正相关。当降雪云内部较强的上升气流将水汽带到高层，形成大量的冰晶或过冷水滴粒子时，STH相对越大，当这些粒子在下落时，相互之间发生碰并-聚合现象，对应近地表降水粒径越大，降水强度更高(Houze et al，2017)。
2.2.2 降雪系统垂直结构根据雷达探测原理
(张培昌等，2001)，雷达测得的降水回波垂直结构变化反映了云中液态、固态或两者混合态粒子在垂直高度上的分布情况，当云中上升运动越强，云滴粒子会漂浮越高，从而雷达回波图上的高处便会出现相对大的回波强度。通常用等频率高度(CFAD)的统计方法来明晰不同降水的垂直结构差异(Yuter and Houze, 1995)。此方法能较好地反映降水系统在垂直方向上的变化，解决了传统空间横截面不易描述降水云结构特征的难题。
从图 9中可以看出，四次降雪系统的Z最大值在28~35 dBz，占比小于0.1%。降雪Z及对应高度占比的大值区(高于0.4%)集中在17~25 dBz和2.0~4.5 km(A个例)、18~24 dBz和1.45~3.65 km(B个例)、16.0~23.5 dBz和0.75~3.75 km(C个例)，15.5~24.5 dBz和2.50~4.65 km(D个例)。分析发现A、B和D个例的CFAD分布存在“左倾”结构，Z分布区间较宽，云垂直结构较深厚，云中较强的上升气流导致更多的冰晶和过冷水粒子悬浮在较高水平，产生倾斜的云体状态，三者属于典型的发展阶段云团。而C个例的Z主要在3.75 km高度以下，雨团较狭窄，降水集中于云垂直轮廓的下部，云团处于成熟阶段。
|
图 9 四次降雪系统Z的CFAD分布 Fig. 9 CFAD distribution of Z during four snowfall systems |
总体上，降水云剖面结构在很大程度上取决于云的发展阶段，发展中的云在上部雷达回波强度最大，而成熟的云在垂直轮廓的下部最大。强盛的向上气流将大量水汽从下层带到上层，产生丰富的大冰粒和过冷水滴，并在云中迅速产生高浓度的大粒子(Yuter and Houze, 1995)，在云垂直结构中形成显著的核心区。Ye et al(2020)研究发现云中微物理过程的发展演变与上升气流关系密切。
雨滴谱指的是在单位体积内粒子大小的分布。在云降水物理学研究中，滴谱是一个十分重要的参量，获取准确的滴谱信息有助于我们了解降水的微物理结构(李慧等，2021)。降水系统垂直结构上的滴谱参数Dm和dBNw在各高度出现的频次，反映了云内微物理特征变化及其生命周期。图 10，图 11为四次降雪系统的Dm和dBNw的CFAD分布，四个降雪系统的Dm最大值在1.8~2.5 mm，占比小于0.2%，Dm及对应高度占比的大值区(高于1.0%)集中在1.00~1.22 mm和2.2~4.5 km(A个例)、1.00~1.25 mm和1.45~3.65 km (B个例)、0.95~1.28 mm和0.65~3.75 km(C个例)、1.00~ 1.20 mm和2.50~4.65 km(D个例)；四次个例的dBNw大值区集中在33~35、32.0~33.7、33.5~34.7和32.0~34.3，主要分布于0.75~4.70 km高度上。在2.5 km以下沙漠和戈壁地区降雪近地面的Z、Dm和dBNw值较阿勒泰山区和伊犁河谷的降雪云团均偏小。结合图 7的近地表降雪量，研究发现降雪系统中降水粒子大小、数浓度与地表降水量呈现较好的对应关系。Zagrodnik et al(2018)研究得出降水粒子大小和数浓度合理配置会显著增加地面降水量。结合图 7中近地表降雪率数据进行分析，得出Dm为1.00~1.22 mm和dBNw为33~35的配置产生的降雪最强，降水强度不仅与降水粒子大小有关，而且还受到粒子浓度的影响。
|
图 10 四次降雪系统Dm的CFAD分布 Fig. 10 CFAD distribution of Dm during four snowfall systems |
|
图 11 四次降雪系统dBNw的CFAD分布 Fig. 11 CFAD distribution of dBNw during four snowfall systems |
雨滴谱参量受降水不同发展阶段影响较大：发展阶段由于受强上升气流的影响，降水粒子需增长到足够大才能降落，因此发展阶段Dm最大，但云内水汽含量较少，因而dBNw最低；成熟阶段对流发展达到峰值，因此回波发展最高，降水最强，且降水云内水汽充足，Dm和dBNw也比较大；消散阶段云内上升气流最弱，Dm最小，dBNw略高于发展阶段(Zhang and Fu, 2018)。研究表明四次降雪系统的Dm和dBNw分别集中于1.0~1.5 mm和31~36，Dm和dBNw大值分布的高度范围分别为0.65~4.65 km和0.75~4.70 km。降水粒子Dm值随着高度下降而不断增大，由于云中碰并-聚合等微物理过程的影响，越靠近地面降水粒子数浓度越大，层状云降水更强。白云飞(2023)利用GPM/DPR数据分析得出东北地区降雪云平均Dm为1.6~2.2 mm，dBNw分布在38~40。潘佩翀等(2020)得出青海三江源地区降雪系统平均Dm主要分布在2.01~2.33 mm。通过对比，发现新疆地区雪滴谱中Dm小于1.4 mm的占比最大，与东北和三江源地区相比明显偏小。这可能是因为新疆地区低层空气较干燥，空气柱中水汽含量较少，过冷水含量偏低，而在祁连山和东北等地区降雪云团中水汽较丰沛，过冷水丰富，固态降水粒子在靠近地面时融化后攀附在一起导致的碰并效应，使得降雪系统出现大粒子占比较多。
3 结论与讨论目前对新疆地区降雪系统结构的认知仍有限，尤其对沙漠腹地和山区复杂地形中出现的降雪系统缺乏有效探测。本文基于2014—2021年GPM/DPR和GMI的探测结果，对比了DPR不同降水产品在观测新疆降雪系统中的敏感性，统计了三种降雪云(深厚、浅薄和近地表)的宏微观物理特性差异，揭示了新疆具有代表性的山区、河谷、沙漠和戈壁等不同下垫面的四次降雪系统水平和垂直结构特征，研究表明如下：
(1) 对比得出DPR_NS、Ku_NS和DPR_MS在R、STH和Z的识别能力较好，由于使用双频方法进行探测降水比单频有优势，同时NS探测方式扫描宽度更宽，可以探测识别出更多的降雪系统，综合得出DPR_NS数据集对降雪的综合探测能力最强。
(2) 文中按照云顶高度将降雪云分为三种类型：深厚、浅薄和近地表降雪云。统计发现超过一半(62.18%)的是浅薄降雪云，其次是深厚降雪云(36.27%)，近地表降雪云最少(1.54%)。深厚云平均降雪率(0.74 mm·h-1)对总降雪量的贡献最大，三者的LWP和IWP多分布于80~450 g·m-2和100~380 g·m-2，STH、LWP和IWP与R总体上呈正相关。
(3) 发生在阿勒泰山区和伊犁河谷的降雪系统无论在降雪强度和面积都要大于发生在古尔班通古特沙漠和南疆昆仑山北麓戈壁的降雪系统。在GMI中166 GHz高频通道对识别降雪云敏感性最好，亮温集中分布在200~275 K，出现在阿勒泰山区和伊犁河谷的降雪云主要是冰云，发生在古尔班通古特沙漠和南疆昆仑山北麓戈壁的降雪云则以冰水混合云为主。
(4) 四次降雪系统的Z集中在16~25 dBz，云垂直结构较好表征了云的发展阶段，即发展中的云体中上部回波强度最大，而成熟的云在垂直轮廓的下部最大。Dm和dBNw大值区分别出现高度在0.65~4.65 km和0.75~4.70 km。当Dm集中在1.00~1.22 mm及dBNw主要分布在33~35时产生的降水最强，降水强度不仅与降水粒子大小有关，而且还受到粒子数浓度的影响。在沙漠和戈壁地区2.5 km以下近地面降雪云的Z、Dm和dBNw值较山区降雪云团均偏小。由于新疆地区水汽含量低，下垫面较干燥，降雪粒子直径小于1.4 mm的占比最大，与东北和青海三江源等地区相比明显偏小。
文中利用DPR和GMI对发生在新疆地区典型降雪系统的敏感性和云结构特征进行了统计分析。本文还存在一些局限性，统计样本量偏少，在研究中对降雪系统天气背景的分析不足。在后续的工作中将注重对不同天气形势下的降雪系统进行遴选归类后进行综合研究，以得到更为全面的研究结果，不断加深我们对西北干旱区降雪系统的物理学认知，为该地区数值天气模式的改进提供参考依据。
白云飞, 2023. 东北地区温带气旋暴雪的统计分析和个例研究[D]. 南京: 南京信息工程大学. Bai Y F, 2023. Statistical analysis and case study of extratropical cyclone blizzard in Northeast China[D]. Nanjing: Nanjing University of Information Science & Technology(in Chinese).
|
杜佳, 杨成芳, 戴翼, 等, 2019. 北京地区4月一次罕见暴雪的形成机制分析[J]. 气象, 45(10): 1363-1374. Du J, Yang C F, Dai Y, et al, 2019. Formation mechanism of an infrequent blizzard in Beijing in April[J]. Meteor Mon, 45(10): 1363-1374 (in Chinese).
|
封秋娟, 牛生杰, 侯团结, 等, 2021. 山西一次降雪云物理特征的飞机观测研究[J]. 大气科学, 45(5): 1146-1160. Feng Q J, Niu S J, Hou T J, et al, 2021. Aircraft-based observation of the physical characteristics of snowfall cloud in Shanxi Province[J]. Chin J Atmos Sci, 45(5): 1146-1160 (in Chinese).
|
傅云飞, 曹爱琴, 李天奕, 等, 2012a. 星载测雨雷达探测的夏季亚洲对流与层云降水雨顶高度气候特征[J]. 气象学报, 70(3): 436-451. Fu Y F, Cao A Q, Li T Y, et al, 2012a. Climatic characteristics of the storm top altitude for the convective and stratiform precipitation in summer Asia based on measurements of the TRMM precipitation radar[J]. Acta Meteor Sin, 70(3): 436-451 (in Chinese).
|
傅云飞, 刘奇, 王雨, 等, 2012b. 热带测雨卫星搭载的仪器及其探测结果在降水分析中的应用[J]. 中国工程科学, 14(10): 43-50. Fu Y F, Liu Q, Wang Y, et al, 2012b. TRMM satellite onboard instruments and the application on precipitation analysis of their measurements[J]. Strategic Study CAE, 14(10): 43-50 (in Chinese).
|
李慧, 苏立娟, 郑旭程, 等, 2021. 呼和浩特降雨和降雪过程粒子谱分布特征分析[J]. 气象, 47(1): 71-81. Li H, Su L J, Zheng X C, et al, 2021. Analysis on characteristics of particle size distribution during rain and snow processes in Hohhot[J]. Meteor Mon, 47(1): 71-81 (in Chinese).
|
刘鹏, 王雨, 冯沙, 等, 2012. 冬、夏季热带及副热带穿透性对流气候特征分析[J]. 大气科学, 36(3): 579-589. Liu P, Wang Y, Feng S, et al, 2012. Climatological characteristics of overshooting convective precipitation in summer and winter over the tropical and subtropical regions[J]. Chin J Atmos Sci, 36(3): 579-589 (in Chinese).
|
马新成, 董晓波, 毕凯, 等, 2021. 北京海坨山区低槽降雪云系演变特征的观测研究[J]. 气象学报, 79(3): 428-442. Ma X C, Dong X B, Bi K, et al, 2021. The characteristics and evolution of low trough snowfall cloud system in the Haituo Mountain, Beijing[J]. Acta Meteor Sin, 79(3): 428-442 (in Chinese).
|
潘佩翀, 解宏伟, 魏加华, 2020. 高海拔地区冬季降雪滴谱特征分析[J]. 青海大学学报, 38(1): 81-86. Pan P C, Xie H W, Wei J H, 2020. Analysis of characteristics of the snow size spectra in the high altitude regions in winter[J]. J Qinghai Univ, 38(1): 81-86 (in Chinese).
|
沈程锋, 李国平, 2022. 基于GPM资料的四川盆地及周边地区夏季地形降水垂直结构研究[J]. 高原气象, 41(6): 1532-1543. Shen C F, Li G P, 2022. The vertical structure of orographic precipitation during warm season in the Sichuan Basin and its surrounding areas by using GPM dual-frequency spaceborne precipitation radar[J]. Plateau Meteor, 41(6): 1532-1543 (in Chinese).
|
施丽娟, 冯婉悦, 雷勇, 等, 2022. GPM日降水产品在中国大陆的准确性评估[J]. 气象, 48(11): 1428-1438. Shi L J, Feng W Y, Lei Y, et al, 2022. Accuracy evaluation of daily GPM precipitation product over Mainland China[J]. Meteor Mon, 48(11): 1428-1438 (in Chinese).
|
王秀琴, 卢新玉, 马禹, 等, 2019. 基于灾情数据的新疆雪灾的评估与区划[J]. 冰川冻土, 41(4): 836-844. Wang X Q, Lu X Y, Ma Y, et al, 2019. Study on snow disaster assessment method and snow disaster regionalization in Xinjiang[J]. J Glaciol Geocryol, 41(4): 836-844 (in Chinese).
|
魏栋, 刘丽伟, 田文寿, 等, 2021. 基于卫星资料的西北地区高原涡强降水分析[J]. 高原气象, 40(4): 829-839. Wei D, Liu L W, Tian W S, et al, 2021. Analysis of the heavy precipitation caused by plateau vortex in Northwest China based on satellite data[J]. Plateau Meteor, 40(4): 829-839 (in Chinese).
|
魏玮, 刘黎平, 吴翀, 等, 2019. 杭州"12·05"降雪天气过程的偏振雷达观测分析[J]. 气象, 45(9): 1248-1261. Wei W, Liu L P, Wu C, et al, 2019. Analysis of dual-polarization radar observation during the 5 December 2015 snowfall process in Hangzhou[J]. Meteor Mon, 45(9): 1248-1261 (in Chinese).
|
吴琼, 仰美霖, 窦芳丽, 2017. GPM双频降水测量雷达对降雪的探测能力分析[J]. 气象, 43(3): 348-353. Wu Q, Yang M L, Dou F L, 2017. Study of GPM dual-frequency radar in detecting snow[J]. Meteor Mon, 43(3): 348-353 (in Chinese).
|
肖柳斯, 张阿思, 闵超, 等, 2019. GPM卫星降水产品在台风极端降水过程的误差评估[J]. 高原气象, 38(5): 993-1003. Xiao L S, Zhang A S, Min C, et al, 2019. Evaluation of GPM satellite- based precipitation estimates during three tropical-related extreme rainfall events[J]. Plateau Meteor, 38(5): 993-1003 (in Chinese).
|
俞琳飞, 张永强, 张佳华, 等, 2020. 卫星降水产品在太行山区的适用性初步评估[J]. 高原气象, 39(4): 819-829. Yu L F, Zhang Y Q, Zhang J H, et al, 2020. Preliminarily evaluate the applicability of satellite precipitation products over the Taihang Mountains[J]. Plateau Meteor, 39(4): 819-829 (in Chinese).
|
张俊兰, 施俊杰, 李伟, 等, 2021. 乌鲁木齐暴雪天气的环流配置及中尺度系统特征[J]. 沙漠与绿洲气象, 15(1): 1-8. Zhang J L, Shi J J, Li W, et al, 2021. Atmospheric circulation and meso-scale system characteristics of snowstorm in Urumqi[J]. Desert Oasis Meteor, 15(1): 1-8 (in Chinese).
|
张培昌, 杜秉玉, 戴铁丕, 2001. 雷达气象学: 2版[M]. 北京: 气象出版社. Zhang P C, Du B Y, Dai T P, 2001. Radar Meteorology: 2nd ed.[M].
Beijing: China Meteorological Press (in Chinese).
|
赵震, 2019. 2016年台风"莫兰蒂"结构特征的多源卫星探测分析[J]. 高原气象, 38(1): 156-164. Zhao Z, 2019. Multi-satellite observations on the structure characteristics of Typhoon Meranti in 2016[J]. Plateau Meteor, 38(1): 156-164 (in Chinese).
|
Braga R C, Vila D A, 2014. Investigating the ice water path in convective cloud life cycles to improve passive microwave rainfall retrievals[J]. J Hydrometeor, 15(4): 1486-1497.
|
Casella D, Panegrossi G, Sanò P, et al, 2017. Evaluation of the GPM-DPR snowfall detection capability: Comparison with CloudSat-CPR[J]. Atmos Res, 197: 64-75.
|
Chandrasekar V, Le M D, 2015. Evaluation of profile classification module of GPM-DPR algorithm after launch[C]//2015 IEEE International Geoscience and Remote Sensing Symposium. Milan, Italy: IEEE: 5174-5177.
|
Chase R J, Nesbitt S W, McFarquhar G M, 2020. Evaluation of the microphysical assumptions within GPM-DPR using ground-based observations of rain and snow[J]. Atmosphere, 11(6): 619.
|
Field P R, Heymsfield A J, 2015. Importance of snow to global precipitation[J]. Geophys Res Lett, 42(21): 9512-9520.
|
Hamada A, Takayabu Y N, 2016. Improvements in detection of light precipitation with the Global Precipitation Measurement Dual-Frequency Precipitation Radar (GPM DPR)[J]. J Atmos Ocean Technol, 33(4): 653-667.
|
Hou A Y, Kakar R K, Neeck S, et al, 2014. The global precipitation measurement mission[J]. Bull Amer Meteor Soc, 95(5): 701-722.
|
Houze Jr R A, McMurdie L A, Petersen W A, et al, 2017. The Olympic mountains experiment (OLYMPEX)[J]. Bull Amer Meteor Soc, 98(10): 2167-2188.
|
Jeoung H, Liu G S, Kim K, et al, 2020. Microphysical properties of three types of snow clouds: implication for satellite snowfall retrievals[J]. Atmos Chem Phys, 20(23): 14491-14507.
|
Kneifel S, Löhnert U, Battaglia A, et al, 2010. Snow scattering signals in ground-based passive microwave radiometer measurements[J]. J Geophys Res Atmos, 115(D16): D16214.
|
Kotsuki S, Terasaki K, Miyoshi T, 2014. GPM/DPR precipitation compared with a 3.5-km-resolution NICAM simulation[J]. SOLA, 10(1): 204-209.
|
Kulie M S, Milani L, Wood N B, et al, 2016. A shallow cumuliform snowfall census using spaceborne radar[J]. J Hydrometeor, 17(4): 1261-1279.
|
Le M D, Chandrasekar V, 2019. Ground validation of surface snowfall algorithm in GPM dual-frequency precipitation radar[J]. J Atmos Ocean Technol, 36(4): 607-619.
|
Levizzani V, Laviola S, Cattani E, 2011. Detection and measurement of snowfall from space[J]. Remote Sens, 3(1): 145-166.
|
Noh Y J, Liu G S, Seo E K, et al, 2006. Development of a snowfall retrieval algorithm at high microwave frequencies[J]. J Geophys Res Atmos, 111(D22): D22216.
|
Pettersen C, Bennartz R, Merrelli A J, et al, 2018. Precipitation regimes over central Greenland inferred from 5 years of ICECAPS observations[J]. Atmos Chem Phys, 18(7): 4715-4735.
|
Pettersen C, Kulie M S, Bliven L F, et al, 2020. A composite analysis of snowfall modes from four winter seasons in Marquette, Michi- gan[J]. J Appl Meteor Climatol, 59(1): 103-124.
|
Rysman J F, Panegrossi G, Sanò P, et al, 2018. SLALOM: An all-surface snow water path retrieval algorithm for the GPM microwave imager[J]. Remote Sens, 10(8): 1278.
|
Skofronick-Jackson G, Hudak D, Petersen W, et al, 2015. Global precipitation measurement cold season precipitation experiment (GCPEx): for measurement's sake, let it snow[J]. Bull Amer Meteor Soc, 96(10): 1719-1741.
|
Skofronick-Jackson G, Petersen W, Berg W, et al, 2017. The global precipitation measurement (GPM) mission for science and society[J]. Bull Amer Meteor Soc, 98(8): 1679-1695.
|
Tanelli S, Durden S L, Im E, et al, 2008. CloudSat's cloud profiling radar after two years in orbit: Performance, calibration, and processing[J]. IEEE Trans Geosci Remote Sens, 46(11): 3560-3573.
|
Tang G Q, Wen Y X, Gao J Y, et al, 2017. Similarities and differences between three coexisting spaceborne radars in global rainfall and snowfall estimation[J]. Water Resour Res, 53(5): 3835-3853.
|
von Lerber A, Moisseev D, Marks D A, et al, 2018. Validation of GMI snowfall observations by using a combination of weather radar and surface measurements[J]. J Appl Meteor Climatol, 57(4): 797-820.
|
Xie X X, Löhnert U, Kneifel S, et al, 2012. Snow particle orientation observed by ground-based microwave radiometry[J]. J Geophys Res Atmos, 117(D2): D02206.
|
Ye B Y, Jung E, Shin S, et al, 2020. Statistical characteristics of cloud occurrence and vertical structure observed by a ground-based Ka-band cloud radar in South Korea[J]. Remote Sens, 12(14): 2242.
|
You Y, Wang N Y, Ferraro R, et al, 2017. Quantifying the snowfall detection performance of the GPM Microwave Imager channels over land[J]. J Hydrometeor, 18: 729-751.
|
Yuter S E, Houze Jr R A, 1995. Three-dimensional kinematic and microphysical evolution of Florida cumulonimbus.Part Ⅱ: frequency distributions of vertical velocity, reflectivity, and differential reflectivity[J]. Mon Wea Rev, 123(7): 1941-1963.
|
Zagrodnik J P, McMurdie L A, Houze Jr R A, 2018. Stratiform precipitation processes in cyclones passing over a coastal mountain range[J]. J Atmos Sci, 75(3): 983-1004.
|
Zhang A Q, Fu Y F, 2018. Life cycle effects on the vertical structure of precipitation in East China measured by Himawari-8 and GPM DPR[J]. Mon Wea Rev, 146(7): 2183-2199.
|