基于Aqua/CERES数据的辽宁省云宏微观特征及其与降水的相关性研究

孙 丽，张晋广，杨 磊，赵姝慧

(1.辽宁省人工影响天气办公室，辽宁 沈阳 110166；2.中国气象局沈阳大气环境研究所，辽宁 沈阳 110166；3.辽宁省气象灾害监测预警中心，辽宁 沈阳 110166)

引 言

地球表面将近60%为各种类型的云覆盖，云不仅是影响辐射和降水的重要因素，也是气候变化模式中主要的不确定因子之一[1-2]。云作为人工增雨的对象，是可持续利用水资源的重要载体[3]。云量、云光学厚度、云水路径、云滴有效半径是人工增雨作业条件判断的重要依据[3-6]。

由于卫星可以连续进行长期、大范围的观测，因此对大范围的空中云特征参量的研究大多采用卫星数据[7]。常用的云数据产品包括国际卫星云气候计划(international satellite cloud climatology project，ISCCP)云资料、CloudSat卫星的云产品以及中分辨率成像光谱仪(moderate resolution imaging spectroradiometer，MODIS)的云观测产品等[8-10]。但ISCCP数据的时空分辨率低，难以给出更为精细的云层信息[10]。而CloudSat作为主动遥感卫星，尽管CloudSat的垂直分辨率可达240 m，但单轨覆盖范围小(横轨分辨率1.4 km)，轨道重复周期长(16 d)，也不能给出云层的发展演变信息[11]。

NASA的云和地球辐射能量系统(clouds and earth’s radiant energy system，CERES)旨在利用成像仪，如Terra和Aqua卫星上搭载的MODIS测量的云和气溶胶特性信息，结合大气顶到地面的辐射信息来研究云在地气系统的作用，从而为改进气候模式提供数据支撑。CERES的云观测资料具有高时空分辨率，且作为地球观测系统(earth observing system，EOS)的重要组成部分，其数据在ISCCP及ERBE(earth radiation budget experiment)的基础上做了大量改进[12]。

为了解辽宁地区云宏微观参量时空分布特征以及云参量与降水的相关性，本文选用2014—2015年CERES Aqua Edition4A SSF数据对辽宁省云的宏微观参量的季节及年平均分布特征进行分析，对不同降水强度下的云特征参量进行统计，并筛选与降水强度相关性较好的参量作为降水云识别因子，建立降水云识别指标。

1 资料与方法

CERES Aqua Edition4A SSF的云产品数据由Aqua卫星上搭载的MODIS观测数据反演而来，空间分辨率为20 km。SSF (single scanner footprint)云参数按层存放，当视场(footprint)内仅有一层云时，无论云高如何均记为低层云。只有当一个星下视场内有不同的两层云时，才会记为两层云。因此有可能两层都是卷云，也有可能两层云都低于4 km。

针对辽宁地区(38.5°N—43.5°N、118.5°E—126°E)(图1)的云量(cloud fraction，CF)、云光学厚度(cloud optical depth，COD)、云顶高度(cloud top height，CTH)、云顶温度(cloud top temperature，CTT)、云顶气压(cloud top pressure，CTP)、云水路径(cloud water path，CWP)、云粒子有效半径(effective radius，ER)进行分析。由于COD为可见光波段的测量结果，因此为保证数据选取时段的一致性，仅对辽宁地区白天的云特性进行分析。为了得到云层的平均特征，在计算云宏微观参量的均值时，不单独考虑云分层情况，仅利用云量作为权重进行加权平均，并将数据插值到0.5°×0.5°的格点上。文中春季为3—5月，夏季为6—8月，秋季为9—11月，冬季为12月至次年2月。在计算季节均值时也利用季节平均云量作为权重对各云参量进行加权计算。除此之外，为衡量云出现的比例，计算云的出现频率(cloud occurrence frequency，COF)，COF是指格点内云出现次数与采样数的比值。值得注意的是，COF与CF是完全不同的概念， CF代表云层出现时遮蔽天空的成数，而COF是指云出现的频率。

为分析降水云与无降水云在宏微观特性上的差异，利用地面小时降水观测数据将卫星数据与地面站点数据进行匹配。选取卫星观测时刻与地面观测时间间隔低于1 h，且与地面站点相距10 km范围以内的卫星云产品代表地面站点上空的云特性，并利用地面小时雨强作为区分降水云与无降水云以及不同雨强的标准。本文所指的辽宁东部及西部地区以122°E为界。

图1 研究区域及其地形(单位：m)Fig.1 The research area and its topographical map (Unit: m)

2 结果分析

2.1 云宏微观参量时空分布

图2为2014—2015年辽宁省四季云宏微观参数空间分布。可以看出，辽宁西部地区COF较东部低，陆地较沿海地区低，这主要是由于辽宁西部处在燕山余脉的背风坡，过山气流较干燥不易成云，而来自海上的湿空气在向陆地的输送过程中，东部山区对暖湿气流产生阻挡作用，使气流被迫抬升而形成云，这也是东部山区多强降水的原因[13-14]。沿海地区COF高的可能原因是陆地高浓度的气溶胶为湿空气凝结成云提供了凝结核。夏季COF普遍偏高，均值可达71%，春季、冬季次之，分别为66.3%和63.3%，秋季最低为59.5%(表1)。

夏季CF最高(62.7%)，其次为春季(52.2%)，秋冬季节相差不大，分别为46.3%和48.3%。CF的东西分布差异较大，尤其是冬季，东西部CF差异可达14%以上。

COD能够在一定程度上代表云层发展的深厚程度。东部地区的COD普遍较西部高。其中夏季东西部之间的差异约为2.77，其次为春季和秋季，东西部差异分别为2.63和2.19，冬季差异最小仅为1.16。夏季COD可达冬季的2.5倍以上。

CTH、CTT以及CTP均能在一定程度上代表云顶发展的高度。CTH的空间分布与COF、CF以及COD有所不同，西部CTH要高于东部地区，尤其是冬季，西部平均CTH要比东部高约0.7 km，夏季东西部差异较小，西部平均偏高约0.1 km。这可能是由于冬季水汽条件差，西部地区处于背风坡，水汽条件相对东部更为不利，水汽只有抬升到更高的高度才能凝结成云，而夏季水汽条件较为充沛，东、西部的CTH差异并不显著。夏季平均CTH最高为6.5 km，冬季最低为3.4 km，而CTP则呈相反的季节变化，夏季最低为501.3 hPa，而冬季最高为707.3 hPa。CTT的变化除受云层发展高度影响外，还受环境温度影响，因此与CTP随季节的变化趋势不同，夏季CTT最高，可达258.7 K，秋季次之为255 K，而冬季和春季相差不大，但各季节基本与CTP呈现相似的空间分布特征。由CTT可知，辽宁地区主要以冷云为主，这与刘旸等[15]的研究结果相一致。

图2 2014—2015年辽宁省四季平均COF(单位：%)、CF(单位：%)、COD、CTH(单位：km)、CTP(单位：hPa)、CTT(单位：K)、CWP(单位：g·m-2)和云粒子ER(单位：μm)的空间分布Fig.2 The spatial distribution of mean COF (Unit： %), CF (Unit: %), COD, CTH (Unit: km), CTP (Unit: hPa), CTT (Unit: K), CWP (Unit: g·m-2) and ER (Unit: μm) of cloud particlesin four seasons during 2014-2015 in Liaoning Province

表1 辽宁省2014—2015年四季及全年云宏微观参量的平均值Tab.1 The mean values of micro- and macro-scopic cloud parameters in four seasons and in a whole year during 2014-2015 in Liaoning Province

CWP和云粒子ER的值分别代表云内含水量的多少以及云粒子大小。CWP同样是东部高于西部。其中，夏季东西部差异可达38.6 g·m-2，其次为春季和冬季，东西差分别为28.3和22.9 g·m-2，秋季差别最小仅为14.6 g·m-2。夏季CWP最高可达252.1 g·m-2，约为冬季的2.4倍，这主要是由于夏季较好的水汽条件及动力条件使得云层发展较为深厚，相应的云水条件也要好于其他季节。春季的CWP和秋季相差不大，分别为182.9和191.9 g·m-2。云粒子ER的时空分布与其他变量均有所不同，冬季云粒子ER最高，可达35 μm，而夏季最低，仅为21.7 μm，这可能是由夏季水云出现比例较高导致。除冬季外，ER在东、西部的差异并不显著。但值得注意的是，海洋靠近陆地地区ER值均较高。

图3为2014—2015年辽宁省云宏微观参数年平均值的空间分布。可以看出，除CTH外，其他参量均呈现西低东高的分布特征，这与季节平均的空间分布特征一致，同时也与已有研究给出的辽宁省降水西低东高的空间分布特征一致[16-17]。

图3 辽宁省2014—2015年平均COF(单位：%)、CF(单位：%)、COD、CTH(单位：km)、CTP(单位：hPa)、CTT(单位：K)、CWP(单位：g·m-2)和云粒子ER(单位：μm)的空间分布Fig.3 The spatial distribution of annual average COF (Unit： %), CF (Unit: %), COD, CTH (Unit: km), CTP (Unit: hPa), CTT (Unit: K), CWP (Unit: g·m-2) and ER (Unit: μm) of cloud particles during 2014-2015 in Liaoning Province

2.2 云宏微观特征参数随降水的变化

为分析降水云与无降水云在宏微观特性上的差异，对不同降水强度I下的云宏观参量进行统计。其中降水等级划分参照周毓荃等[4]的分类方法，将降水分为无降水(1档，I=0 mm·h-1)、弱降水(2档，I<1 mm·h-1)、一般降水(3档，1≤I<10 mm·h-1)和强降水(4档，I≥10 mm·h-1)。2014—2015年，所选观测时段内卫星与地面相匹配的样本共有35 758个，其中有云的样本数为32 561个，产生降水的有1501个，文中仅对有云条件下的样本进行分析。

图4为辽宁省2014—2015年云宏微观特征参数随降水强度的变化。可以看出，随着降水强度增加，云特征参数出现有规律的变化。降水云与无降水云的CF差异显著，其中无降水云的CF均值仅为58.1%，显著低于降水云。随降水强度的增加，CF也有所增大，从弱降水时的95.4%增加到强降水时的98.5%。COD、CTH、CWP和云粒子ER参数均随降水强度的增加而增加，其中降水云的COD及CWP均为无降水云的5倍以上。相比LIU等[18]给出的热带及亚热带降水云与无降水云COD的差异(10倍以上)偏小，这可能是由于LIU等[18]在降水云的分类中剔除了毛毛雨的影响，且热带和亚热带地区云层的发展更为深厚。CTT及CTP随降水强度变化与其他参量呈相反的变化趋势，降水强度越大云层越为深厚，云层发展的高度越高，而对应的CTT和CTP下降，CWP越大，云粒子越大。

图4 2014—2015年辽宁省云宏微观特征参数随降水强度的变化Fig.4 Variation of micro- and macro-scopic cloud parameters with precipitation intensity in Liaoning Province during 2014-2015

2.3 降水云的识别

为筛选与降水相关性较高的因子进行降水云的识别，计算不同云参数与雨强的相关系数r。由于云参数为连续型变量，而降水与否为0、1变量，所以求算其点双列相关系数[19]。具体计算公式如下：

(1)

降水云识别是典型的二元预报问题，采用二元检验中常用的TS(threat score)评分和HSS(Heidke skill score)评分作为评估因子，以获得最佳判断阈值[21]。TS评分和HSS评分的计算公式如下：

(2)

(3)

式中：Na、Nb、Nc和Nd分别为正确肯定、空报、漏报和正确否定的次数，其中Na表示预报和实况均出现降水云的次数；Nb表示预报出现而实况未出现降水云的次数；Nc表示预报不出现而观测出现降水云的次数；Nd则表示预报和观测都不出现降水云的次数。TS取值为0～1， 其中0代表无效，1代表预报效果最好，而HSS取值范围为-1～1，最优值为1。两个因子的评分值越大，则代表预报精度越高。

图5为2014—2015年辽宁省TS评分及HSS评分随COD与CWP变化。可以看出，随COD与CWP的增加，TS和HSS评分值均呈现先增大后减小的趋势。COD为判别因子时，COD取值为35时TS与HSS值均为最大，分别为0.31和0.44。CWP作为降水判别因子时，当CWP=415 g·m-2时，TS与HSS值最大，分别为0.32和0.45。若选择两者同时作为判别阈值，TS与HSS值变化不大。因此，综合TS评分与HSS评分结果，分别选取COD为35和CWP为415 g·m-2作为降水云的识别判据。而且计算发现，利用单一阈值或者两者联合使用对TS和HSS评分影响不大。

图5 2014—2015年辽宁省TS评分及HSS评分随COD(a)与CWP(b)变化Fig.5 The variation of TS and HSS with cloud optical depth (a) and cloud water path (b) in Liaoning Province during 2014-2015

3 结论与讨论

(1)辽宁省云宏微观参量具有显著的时空分布特征，其中辽西地区云的COF、CF、COD以及CWP均低于东部地区，而CTH则呈现西高东低的分布特征。就季节变化而言，除CTP和云粒子ER在冬季值较高外，其他参量的值均在夏季达到最大，这主要是由于夏季水汽和动力条件较好，导致云层发展更为旺盛，而冬季固态粒子较多，从而使云粒子ER更大。

(2)对不同降水强度下的云特征参数进行统计发现，降水云与无降水云的特征参数差异显著。降水云的CF可达95%以上，而无降水云CF均值仅为58.1%，而且COD和CWP值可达无降水云的5倍以上。除CTP和CTT外，其他各云参数均随降水强度增加而增加，CTP和CTT则随降水强度增加而减小。

(3)相比其他参量，COD与CWP与降水强度的相关性较高。通过对两个参量不同取值下的TS及HSS评分值计算发现，TS与HSS评分均呈现先增加后减小的趋势。因此分别选择COD为35和CWP为415 g·m-2，即评分值最高时对应的取值作为降水云的识别阈值，而且利用单一阈值或者两者联合使用对TS和HSS评分的影响不大。

值得注意的是，尽管随着降水等级的增大，云特征参量的统计值出现趋势性变化，但是否出现降水以及雨强大小还与云底高度、云厚等有关[15]，COD与CWP虽能够在一定程度上表征云层的整体信息，但仅依据单一参量进行降水云识别的空报率和漏报率均较高，分别为45%和55%左右，说明单一参数对降水事件的指示能力有限[22]，今后需加强基于多参数识别降水云方法的研究。

DOI:org/10.1029/2008GL033208.