中国东部梅雨季节的雨滴谱特征外文翻译资料

英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料

中国东部梅雨季节的雨滴谱特征

摘要

本研究探讨了梅雨季节的雨滴谱特征，使用的是2009-2011年位于中国南京的地面雨滴谱测量仪器。根据对流和平流云系将雨滴谱分为两类。结果表明对于雨滴的截距参数(log₁₀N_W)和质量加权平均直径(D_m)，在对流云系还是平流云系中的对数直方图中，分别呈现负偏态和正偏态。对于对流云系来说，其斜率相关系数的绝对值要比平流云系要高，尤其是在log₁₀N_W分布中。对流云系中，平均log₁₀N_W和D_m值分别是3.80mm和1.71mm；平流云系中，二者的值分别是3.45mm和1.30mm。同时推导出了对流云系的gamma分布中，形状因子mu;-Lambda;关系以及雷达反射率因子与雨强的Z-R关系，Z-R关系：Z=368R^1.21。最后，讨论了本研究中获得的统计参数的解释，以及与以往研究相比产生的异同的机制。

1. 引言

在全球气候系统中，降水量扮演了一个重要的角色，并且又是很有价值、有研究前景的。对全球降水量的量化也是对于更好理解全球气候的变化有益处的。降水量的分布特征取决于大中尺度的系统混合以及小尺度的气象过程(e.g.，Bruintjes 1999)。产生于自然和人为活动的大气气溶胶过行为(e.g. Zhang 2010)如CCN、冰核，也能够影响微物理与降水过程(e.g. Ramanathanetal 2001)。这些物理过程可能导致一些重要的时间和空间上的微物理变化。

雨滴谱分布DSD在微物理过程中是一个极其重要的方面。DSD在全世界范围的测量显示着他们在尺度和空间下都不一样，且范围很广。(e.g.Bringietal. 2003; Uijlenhoetetal 2003; Ulbrich and Atlas 2007;Leeetal 2009; Radhakrishnaetal.2009; Marzanoetal.2010; Niuetal.2010; Thuraietal.2010; Tokay and Bashor2010; Jaffrainetal.2011)。DSD的多样性与用来确定降水类型、大气条件以及地理环境或者气候机理军有关(Rosenfeld and Ulbrich2003)。DSD的多样性在雷达降水预估方面也是一个很重要的影响因素。通常的Z-R关系被认为是Z=aR^b，Z是雷达反射率因子，R是雨强，这也广泛地被用作雷达降水质量检验QPE。人们早就认识到，Z-R关系与不同DSD的差异(Chandrasekaretal.2003)之间有着密切的联系，这与降雨类型、地理位置和气候制度不同(Rosenfeld and Ulbrich2003)有关。因此，需要研究DSD在各种气候条件下的特征，以改进全球范围内的雷达降雨估计算法。

本文研究了中国东部在亚洲夏季季风季节观测到的DSD的特点。6月至7月东亚上空的夏季季风雨季在中国也被称为梅雨季节，在日本被称为白玉。梅雨季节的特点是沿静止锋产生一个由西向东的雨带(e.g. Tao and Chen 1987; Ninomiya and Murakami 1987; Ding 1991)。梅雨锋前部会在中国东部带来非常强的降水，主要是在长江淮河流域，以及日本南部地区。近年来，作者对日本梅雨时期DSD的特点进行了研究(e.g.Hashimoto and Harimaya 2003，2005;Shusseetal.2009; Oueetal.2010)。然而，对中国梅雨季节的DSD了解不多，主要原因是缺少DSD测量数据的结果。

在2009至2011的梅雨季节，用地面光学雨滴谱仪对南京地区的DSD数据进行测量。本研究的目的是在分析这些雨滴谱数据的基础上，获得中国东部梅雨季节DSD的统计特征。本文的其余部分的结构如下。第2节介绍了仪器和方法，然后是第3节给出的分析结果，最后第4节进行了总结和讨论。

1. 数据与方法
2. PARSIVEL雨滴谱仪

本研究分析的DSD数据是用Particle Size and Velocity (PARSIVEL)雨滴谱仪收集的。简单地说，仪器是一种地面光学雨滴谱仪表，用于计数和同时测量降水粒子的下降速度和直径。该仪器的核心元件是一种光学传感器，可产生54cm²的水平光片。粒子的大小和下落速度存储在一个32x32矩阵中，该矩阵对应于32个非等距直径类别(从0毫米到25毫米)和32个非等距的下降速度类别(从0米到22.4m s^minus;1)。给定类中的所有粒子都被赋值，这些值对应于大小和速度类的中心。前两个尺寸的档0.062和0.187mm)不使用，因为它们的信噪比较低。因此，最小的尺寸从第三个类开始，即直径0.312毫米。根据WMO，SYNOP，METAR，and NWS天气代码，PARSIVEL可检测和识别八种不同的降水类型，如毛毛雨、混合细雨、雨、混合雨雪、雪、雪粒、冰丸和冰雹。Yuter等人(2006)证实，PARSIVEL可以作为天气传感器使用，因为它有能力区分固体和液体降水。最近，Battaglia等人(2010)、Jaffrain和Berne(2011)和Thurai等人(2011)对PARSIVEL的测量进行了严格评估。一般来说，由于球面假设，PARSIVEL高估了大雨滴直径(Louml;ffler Mang and Joss 2000; Louml;ffler-Mang and Blahak 2001; Battagliaetal 2010)。为了最大限度地减少潜在的仪器误差，本文中观察到的数据按照Battaglia等人(2010)的方法进行了更正。在该方案中，小于1mm的滴被假定为球形(轴比等于1)。对于1到5毫米之间的雨滴，轴比线性变化从1到0.7。对于直径大于5毫米的液滴，轴比设置为0.7。

本研究利用了PARSIVEL在南京梅雨季节(2009-2011)收集的三年雨滴谱仪数据。南京(32°N，118°E)位于中国东部，一直受到梅雨正面系统的影响。连续测量是在1分钟的时间分辨率下进行的。通过检查雨滴谱仪数据的时间序列，我们确定了23个降雨事件(表1)。在此，我们采用了Tokay和Bashor(2010)根据DSD测量结果提出的降雨事件的定义。对于每一个1分钟的DSD样本，如果总数小于10或雨滴谱测的雨强小于0.1 mm h^-1，则它被定义为噪波而忽略，否则它被认为是一个下雨的时次。降雨事件随后根据1小时或连续两个降雨分钟之间更长的无雨期确定。此外，为了数据连续性的处理，持续不到30分钟的降雨事件被舍弃。最后，选定的23个降水时次包括总共7996个1分/级的DSD数据，涵盖2009至2011的三个梅雨季节。

b.雨滴谱

离散瞬间单位体积单位间隔的雨滴谱数浓度是通过PARSIVEL雨滴谱仪计数计算的，公式是：

这里面的n代表数浓度，v代表着雨滴下落速度，D代表着雨滴的下落直径，Delta;Di表示相关的直径间隔，n代表着雨滴下落从Di到Di Delta;Di单位间隔的数浓度。

给定n(di)，可以得出感兴趣的整体降雨参数，包括雷达反射系数Z(mm⁶m^minus;3)、降水率R(mm h ^minus;1)和雨水含量W(gm^minus;3)，这些参数由下列公式得到：

这篇文章中，我们仍然使用大家熟知的Gamma分布函数来表示雨滴谱的分布：N(D)=N₀D^mu;exp(minus;Lambda;D)，这里面的D代表着雨滴下落直径，N₀表示雨滴下落数浓度，而mu;是形状参数，Lambda;是倾斜系数。其中的三个参数(N₀、mu;和Lambda;)是根据Ulbrich和Atlas(1998)和Zhang等人(2003)所述的价矩法，从观测到的分布的第二、第四和第六时刻估计出来的。此外，还采用了截时刻方法(Vivekanandan等人，2004)来测试拟合方法的效果。以前的研究报告详细说明了这两种方法(例如1998的Ulbrich和Atlas);Zhang等人，2003;Vivekanandan等人，2004)，但本研究不详细说明。

对于Gamma分布的DSD模型，n阶矩表示为

这里的Gamma;(x)表示完全的Gamma分布函数。除了积分降雨参数外，另外两个值得关注参数是质量加权平均直径Dm(mm)，计算为大小分布的4阶矩与3阶矩的比值：

N_W数由Bringi等人（2003）定义为。这里的rho;w（1g/cm3）表示水的密度

c.降水类型

降水通常分为两大类：层状和对流降水。以前的研究(例如，Bringi等人，2006; Shusse等人，2009)表明，梅雨事件也分为层状和对流降水。一般来说，强（弱）降雨是由对流(层状)降雨产生的。图1显示了根据表1中所有23起降雨事件计算的降雨频率分布及其对总降雨量的贡献。总体而言，在0-5mm h^minus;1、5-10 mmh^minus;1，以及10mmh^minus;1以上降雨率，整个数据集中的发生频率和对总降雨量的相应贡献分别为75%和24%，11%和15%，14%和61%。因此，梅雨季节总降雨量的75%以上是由5毫米以上的雨强提供的，尽管整个数据集的样本划分仅为25%(1950样本)。在这里，降雨率的频率分布形态与在日本上空的梅雨观察到的相似(e.g.，Hashimoto and Harimaya 2003)。

本研究中的降雨类型分类主要基于雨滴谱仪数据。已经制定了几种基于雨滴谱仪的分类方案，以区分对流型和平流型降雨类型(例如，Tokyo and short 1996; tested 2001; bringi 2003)。考虑到本研究的主要目的是描述梅雨季节的DSD特征，并进一步将DSD与Bringi等人(2003)报告的其他地区的数据集进行比较，在此采用Bringi等人(2003)提出的分类办法。该方案是基于连续5个2-min DSD样品的雨率R的标准偏差。在分析典型层状中的雨滴谱仪数据的基础上，Bringi等人(2003)将R=1.5mmh^minus;1作为平流和对流分类的阈值。分类标准以Rge;0.5mm h^minus;1和层状降雨的Rge;1.5mm h^minus;1和对流降雨的Rge;5.0mm h^minus;1。Marzano等人(2010)也采用了类似于Bringi等人(2003)的概念，但他们使用R=10 mm h^minus;1作为分离对流降雨的门槛。需要指出的是，使用R=10mmhminus;1的阈值对于从对流降雨中划分层状是合理的(例如，Testud等人，2001;Thurai等人，2010);然而，对流降雨的早期和结束阶段也被排除在数据集中，因为雨率可能小于10mm h^minus;1。

根据Bringi等人(2003)的分类标准，这里采用的分类程序与Marzano等人(2010)的分类程序相似。具体而言，对于瞬时的雨率R，R(ti)，如果R值从tminus;ns到ti ns h^minus;1高于0.5mm，且其标准偏差小于1.5mm h^minus;1，则将其归类为层状;否则，如果从tminus;ns到ti ns的r值高于5毫米h^minus;1，且标准偏差大于1.5mm h^minus;1，则将其归类为对流。既不属于层状也不属于对流类型的样本R(ti)被归类为混合型，被排除在研究之外。这里ns已设置为5个样本。该方法产生了1562对流样本和4184个层状样本，分别占整个数据集的19.5%和52.3。超过80%的降雨量在5mm h^minus;1的样本被归类为对流，占整个数据集中总降雨量的62%。对流和分层降雨的平均降雨量值分别约为17.8mm h^minus;1和2.0mm h^minus;1。

3.结论

a.D_mand N_W的分布

图2显示了整个对流和层状数据中D_m和log₁₀N_W的相对频率直方图，以及平均值、标准偏差和偏度等关键参数。对于整个数据(图2a)，D_m直方图是高度正倾斜的，而log₁₀N_W直方图是稍微负倾斜的。直方图的标准偏差较大(D_m为0.29mm，log₁₀N_W为0.35)，这表明分析数据集的D_m和N_W变化很大。D_m和log₁₀N_W值的平均值分别为1.40mm和3.55(相对的N_{W 剩余内容已隐藏，支付完成后下载完整资料}

资料编号：[18501]，资料为PDF文档或Word文档，PDF文档可免费转换为Word