基于云雷达和降水雷达资料的一次典型暖云降水成因及粒子类型演变

陈梓桐 李昀英

摘要 针对2020年8月9日南京市一次典型对流性暖云降水过程，结合云雷达和双偏振降水雷达资料，研究了此次短时强降水的雷达回波特征和成因;基于雷达参量和模糊逻辑算法识别了水凝物粒子类型，并分析了降水过程中水凝物粒子的性质和演变。结果表明：此次降水强度大、效率高，雷达观测的云体回波呈现低质心、强回波的热带型结构。正负速度对的出现表明云体中存在较强的涡旋辐合场，谱宽和线性退极化偏比数值偏大，云体中上部存在强上升气流区，這些可表征短时强降水即将发生。模糊逻辑算法识别的降水粒子以雨滴为主，云体顶部主要分布干、湿雪粒子。降水机制主要是云体中云粒子和降水粒子数目多，直径差别较大，取向复杂，在上升气流和涡旋辐合场作用下剧烈碰并增长成大雨滴而发生短时强降水。

关键词暖云降水;模糊逻辑算法;水凝物粒子类型

暖云降水是指云顶温度高于0 ℃的云体产生的降水，云滴碰并增长为雨滴是主要的降水机制（Beard and Ochs，1993）。Kodama et al.（2009）指出暖云为大气低层对流发展提供充沛的热量和水汽，是热带及副热带地区的主要降水来源。分析暖云降水的特征与成因，进一步研究暖云降水机制，可为暖云降水的监测预报、模式模拟等提供科学依据。国内外对暖云特征及降水机制的研究较多，Johnson（1982）认为暖云中的巨型凝结核对降水有重要的触发作用;胡志晋等（1983）指出，较厚暖云中云滴可通过随机重力碰并作用生成雨滴;俞小鼎（2013）发现，暖云云体越厚，其降水效率越高。Kubar et al.（2009）利用CloudSat卫星资料和中分辨率成像光谱仪（Moderate-resolution Imaging Spectroradiometer，MODIS）数据，分析了洋面暖云的云参数分布特征，指出当液态水路径超过250 g/m2时，暖云中有效粒子半径与粒子数密切相关，降水量也较大。

气象雷达是监测、预警强对流天气的重要工具，可观测到降水系统的回波特征及三维结构，获得风场、雨滴谱、粒子相态和云微物理参数的垂直廓线分布等信息（刘黎平等，2015）。毫米波雷达等短波段雷达对弱气象目标物有较高的灵敏度，主要探测以小云滴粒子为主的非降水云和弱降水云，如波长8.6 mm的Ka波段云雷达。短波段雷达具有对云滴显著的散射特性，能探测到云体的内部结构，但容易受到液态水滴的衰减，导致探测范围有限。厘米波雷达等长波段雷达能探测含有大量降水粒子的降水云，且由于波长较长，能在更大范围内探测成熟云体的回波特征。偏振雷达可发射和接受水平、垂直信号波，能有效分辨云体中水凝物粒子的种类，获得降水粒子尺度、形状等多类有效信息（周毓荃等，2015;曹舒娅等，2021）。很多研究都使用单波段雷达资料分析降水过程（朱士超和郭学良，2015;Wen et al.，2017），但只能单独分析云滴或降水粒子的特征，若采用云雷达和降水雷达同步观测同一降水过程，不同波段雷达观测结果便可优势互补，更好地反映云体降水过程中的粒子变化，为降水的监测和预警提供更精细的科学依据。

目前，利用双偏振雷达资料识别降水粒子类型的主要方法有决策树识别法、经典统计判决法和模糊逻辑识别法等（Bringi and Chandrasekar，2001）。云体中水凝物类型复杂，相应的雷达偏振参量数值缺乏十分明确的区分度，决策判别法对于识别水凝物类型不太合适;由于难以构建各类粒子的统计模型，统计判决法应用难度较大;模糊逻辑算法针对各水凝物类型有相应的参量取值范围，各个范围之间允许重叠，因此模糊逻辑识别法在识别粒子类型方面更具优势，在国内外的应用也较为广泛（Park et al.，2009;何宇翔等，2010;Thompson et al.，2014）。

本文针对2020年8月9日南京一次典型对流性暖云造成的短时强降水过程，利用多部雷达（S、K、X波段）的基数据资料，探讨此次降水强度大、时间短的雷达观测特征及原因，并采用模糊逻辑算法识别水凝物类型，分析云粒子和降水粒子等水凝物粒子的演变情况，为暖云降水的雷达监测、预报提供有效参考和科学依据。

1 资料及方法

1.1 资料简介

使用的数据资料包括ERA5再分析资料、自动观测站降水数据、Ka波段云雷达资料、X波段双偏振降水雷达资料、CINRAD-SA型多普勒天气雷达资料。

ERA5再分析资料是欧洲中期天气预报中心第五代全球大气再分析格点数据资料，时间分辨率为1 h，水平分辨率为0.25°×0.25°，垂直分为37个气压层，时间范围从1979年至今，提供各大气参量信息。选用2020年8月9日10—12时（北京时，下同）的大气温度、湿度、水平风场、位势高度等资料，用于分析大气环境场。

714KaDP/G型Ka波段云雷达、PR11-D型X波段双偏振降水雷达和自动观测站均部署在国防科技大学南京院区（118.817°E，31.972°N），CINRAD-SA型雷达位于南京站（118.698°E，32.19°N;图1）。Ka波段云雷达和X波段双偏振降水雷达同步于2020年8月9日对南京地区此次降水过程进行时间-高度观测（Time Height Indicator，THI），因雷达采用定点垂直向上探测方式，可不考虑电磁波信号在大气中非直线传播的影响（Andrieu and Creutin，1995）。CINRAD-SA型天气雷达提供同步的体扫平面（Plan Position Indicator，PPI）数据资料。各部雷达的基本信息如下：Ka波段云雷达采用单发双收全固态脉冲多普勒体制，最大探测范围为74.44 km，提供5类参量数据，包括反射率因子（Z）、无抑制反射率因子（T）、径向速度（V）、速度谱宽（W）、线性退极化偏比（Linear Depolarization Ratio，LDR）。X波段双偏振降水雷达采用同时收发双偏振全相参脉冲多普勒体制，最大探测范围为74.44 km，可探测暴雨、冰雹、大面积降水及其他气象目标，提供8类参量数据：Z、T、V、W、差分反射率（ZDR）、差分传播相移（φdp）、差分传播相移率（KDP）、相关系数（ρhv）。CINRAD-SA型雷达采用降水检测模式VCP21（具备9个仰角：0.5°、1.45°、2.4°、3.35°、4.3°、6.0°、9.9°、14.6°、19.5°），体扫时间为6 min，提供Z、V、W三类基数据，反射率因子的最大观测距离为460 km，多普勒径向速度和谱宽的最大观测距离为230 km。上述三部雷达的性能参数详见表1。

各波段雷达具备不同观测优势。S波段多普勒天气雷达是气象业务中最常用的雷达类型之一，主要观测降水系统的三维回波特征，气象目标主要为直径较大的降水粒子，探测距离较远，衰减程度较弱。X波段双偏振降水雷达的天线直径比S波段雷达的小，具备更高的空间分辨率（方位分辨率和探测精度），地物杂波干扰较小，可探测的气象目标较多，能较好地识别水凝物类型，但难以探测到微小雨滴、非降水云区。Ka波段云雷达波长短，能探测到尺度更小的气象目标，可区分非降水云粒子如雾、轻雾之类，反映云体内部结构，但信号遇到冰雹区和暴雨区时衰减严重，有效探测距离大幅缩短。使用多波段雷达同步观测云体降水过程，能发挥各波段雷达的观测优势，填补观测盲区，反映云粒子和降水粒子随着云体发展、成熟、消亡的同步演变特征，以期为观测和预警暖云强降水提供帮助。

1.2 雷达测量参数及其意义

反射率因子Z：是指单位体积中全部水凝物粒子（如雨滴、霰、雪、冰晶、雹等）直径6次方的总和（俞小鼎等，2007），仅与粒子的直径有关，常用分贝（dBZ）表示，即：

其中z0=1 mm6/m3。反射率因子反映了雷达探测体积内水凝物粒子的整体直径大小和数密度，表示气象目标回波的强度，数值越大表明整体粒子越大或数目越多。

差分反射率ZDR：定义为水平偏振波（ZH）和垂直偏振波（ZV）比值的10倍对数值（式（2）），反映目标粒子的形状差异。目标粒子越接近圆形，ZDR的值趋近0。雨滴直径越大越接近扁球形，则ZDR值越大，最大可达3～5 dB。

径向速度V：又称多普勒径向速度，是雷达系统中气象目标在径向上相对于雷达的速度，是全速度的分矢量。径向速度为正值时表示目标远离雷达运动，负值时表示目标靠近雷达运动。当雷达垂直指向时，测得的平均多普勒径向速度是目标粒子降落的末速度和气流的垂直运动速度的矢量和。

速度谱宽W：是与平均速度有关的二阶谱矩的均方根，是速度离散情况的度量。雷达垂直指向时，速度谱宽大小主要受粒子垂直速度、大气湍流的影响。

线性退极化偏比LDR：是指雷达同时测到同极化信号的反射率因子（Z1）和正交极化信号的反射率因子（Z2）的比值（式（3）），LDR与粒子的热力学相态和形状不规则性有关（仲凌志，2009），球形粒子的LDR理论上不存在，LDR绝对值越小表明该粒子的取向越规则或者粒子种类越单一。

1.3 X波段双偏振降水雷达数据处理

本工作使用的Ka波段云雷达数据质量较高，S波段雷达数据已经过业务校正，但X波段双偏振降水雷达的差分传播相位φdp和差分传播相移率KDP数据出现较多噪点，影响模糊逻辑算法的识别结果，因此主要针对X波段雷达φdp资料实施质量控制，并根据式（4）重新计算KDP数值。

式中：r1与r2是降水区中相邻两个距离库的中心离雷达的距离，φdp（r1）和φdp（r2）是这两个库的差分传播相位值。

资料预处理借鉴了黄浩（2018）的方法，分异值剔除和杂波剔除两步。

异值剔除：此次降水过程的有效φdp范围为100°～140°，因此剔除此范围外的异常相位值，认为它们受到较大的后向散射相位干扰。

杂波剔除：当回波的φdp低于0.8时，标记为潜在的非气象回波。在6 km高度以下，衰减订正后的ZH小于30 dBZ、ZDR大于4 dB、φdp小于0.9时，认为对应的回波可能是昆虫回波。

进一步借鉴马建立等（2019）的线性规划方法对经过预处理的φdp进行质量控制，包括滤除噪声和保留有价值变化趋势的φdp等。线性规划的原理和方法在此不赘述。

2 降水过程

2.1 环流背景与天气过程

观测资料显示，2020年8月9日12：10—13：30南京市中部发生了一次暖云强降水过程，其间有多个对流单体生成，集中降水时段（12：10—12：30）内降水量达13.3 mm，根据中国气象局的30 min降雨量等级标准，本次降水级别为短时大暴雨。本工作主要分析造成此次短时强降水的对流云体。再分析资料（图2）表明，降水发生前中高纬西风大槽维持在中国北部，冷空气团控制蒙古-西伯利亚地区;南京位于500 hPa槽线附近，冷空气不断向南输送到南京区域，中高层冷空气汇入。江苏、安徽一带温度较高，暖空气向苏皖地区延伸，且南京位于850 hPa槽前，上升气流较强，有利于诱发对流抬升，来自南海、印度洋的暖湿西南风为南京提供了充足的水汽。整层大气较为湿润（图3），层结上干下湿，1 000～400 hPa之间大气温度递减率小于干绝热递减率但大于饱和湿绝热递减率，大气屬于条件不稳定性质，当水汽输送至此使得空气饱和时，极易诱发对流。南京上空对流有效位能（Convective Available Potential Energy，CAPE）达2 493 J/kg，大气具备较强的对流驱动能量。

此次降水的主云体在安徽芜湖附近初生，随着西南气流向南京移动并显著发展，在南京境内产生降水，之后向东北方向移去。CINRAD-SA型雷达PPI结果（图4）表明，11：39时刻云体强回波区开始移入南京地区，降水主云体于12：01经过两部垂直探测的雷达上空并于12：29离开。

2.2 降水特征及成因

为更好地分析此次短时强降水的特征及原因，本文重点分析降水发生前（12：10之前）的雷达观测结果。图5为Ka波段和X波段雷达各参数的时间-高度演变。Ka波段雷达信号更易衰减，探测距离有限，其有效回波高度较低，尤其在降水期间（12：10之后）衰减更明显。云体回波顶高整体较低（图5a、e），约为6 km，而0 ℃层在海拔高度5 836 m（500 hPa）附近（图3），说明云体主回波区处于暖层。超过35 dBZ的强回波区高度位于2～4 km，回波质心高度较低，结构密实，这是类似热带型对流的低质心暖云降水，具有较高的降水效率。中高层风切变较弱（图3），不利于形成高度组织化的强风暴，水汽充足、层结不稳定和持续的槽前上升气流的条件更有利于低质心暖云体生成。云体中上部上升气流和下沉气流并存（图5b、f），此时云体处于成熟阶段，在12：09左右两部雷达均观测到海拔2 km以上的强上升区，一定强度的上升气流能使云体维持较长时间。海拔高度3 km以上，水凝物粒子速度谱宽均超过1.5 m/s，X波段雷达观测到的降水粒子速度谱宽甚至达到3 m/s（图5c、g），反映出云粒子和降水粒子均具有较大的直径差异。

云粒子的LDR数值普遍较大，强回波区数值超过30 dB（图5d），表明云粒子取向复杂。这些特征表明云体中上部云粒子和降水粒子数目较多，直径差异较大，在上升气流带动下速度各不相同，混合运动剧烈。充足的小微滴和剧烈的碰并是产生众多大雨滴的重要条件。但总体上，ZDR基本维持在0.2～0.4（图5h），表明降水粒子直径普遍较小，基本小于1 mm，而在降水期间ZDR整体增加，说明在降水前云体中还存在较强的动力过程使得小微粒在短时间内迅速碰并增长成为大雨滴。上述的云体强上升气流是主要动力原因之一，强而稳定的上升气流使得小雨滴在云体中碰并周期延长，碰并效率提高，在短时间内迅速生成大而多的雨滴。水平尺度上，12：07时刻云体各层均出现不同强度的正负速度对（图6），表明云体中出现了类似中尺度涡旋的辐合场，辐合场位于最强回波区（55 dBZ）的西侧，强回波区包绕在辐合场外围，更有利于云粒子、小雨滴不断向中心辐合场输送，迅速碰并，形成了嵌有涡旋结构的暖云对流单体。但辐合场的持续时间较短，仅维持了一个体扫时间（6 min），在12：18时刻正负速度对消失。因此，大量云粒子和小雨滴在辐合场和持续上升气流中快速碰并增长，在中低空形成大雨滴聚集区，云体成为暖层厚度大、降水能力强的强对流体，这正是云体在短时间内发生强降水的主要原因。之后，随着雨滴碰并增长过程的维持，回波强度逐渐增强，在重力效应影响下雨滴增长区高度下降，并即将产生地面降水（图7）。

3 水凝物粒子类型演变

3.1 水凝物类型的识别

本文采用了模糊逻辑算法识别水凝物类型（Fuzzy logic Hydrometeor Classification，FHC），其基本思路是：使用隶属函数对选定的双偏振参量（X波段双偏振降水雷达参数：Z，ZDR，KDP，ρhv）进行模糊化，并借助温度T筛选控制;设置k个水凝物类型，则每个双偏振参量有k个隶属函数。通过推断规则、集成和退模糊，将输出结果转化成相应的水凝物成分（宋文婷等，2021）。

3.1.1 模糊化和隶属函数

模糊化是指针对隶属函数的若干参数，为雷达参量设置相应的阈值范围，建立对应的模糊基，用隶属函数（Membership Function，MBFij）表示（i表示雷达参量，j表示水凝物成分类型）。函数形式常采用T型函数或β型函数，函数值均介于0和1之间，函数值越接近1代表对应参量属于该模糊基的程度越高。本文选取了T型函数为隶属函数的形式（图8及式（5）），不同水凝物类型的MBFij对应不同的X1、X2、X3、X4参数阈值，确定各类型相应的参数值是FHC的关键环节。本文采用了李晓敏等（2017）水凝物类型分类及隶属函数的参数范围值（表2），以此构造10类水凝物类型的隶属函数。

3.1.2 推断规则

推断识别水凝物类型的规则是当某距离库的观测参数同时满足相应的隶属函数时，输出对应的粒子类型j。输出的粒子类型的强度用Rj表示，采用非等权重的方法（式（6））计算，系数Ai表示第i个偏振参量对Rj的权重系数。由于ρhv对不同水凝物类型的区分度较弱，ρhv对应的权重系数值最小;此项工作中KDP数据是经过一定的数据处理和计算后得到的，不同于原始数据，其相应权重也较小。因此设置权重系数如下：AZH=1，AZDR=0.75，AKDP=0.5，Aρhv=0.25。

3.1.3 集成与退模糊

通过上述步骤，每个雷达距离库中10类水凝物类型都有对应的强度值Rj，判断标准采用最大集成法，即每个雷达距离库的水凝物类型为最大强度值maxRj对应的类型J。退模糊是将判别出的最大强度值返回索引值从而得到对应类型的过程。

3.2 水凝物粒子类型的演变

由雷达观测结果可知，回波顶高在0 ℃层附近，云体主体位于暖层，因此云体中冰相粒子较少，水凝物粒子以雨滴为主。图9展示了再分析资料中Ka、X波段雷达上空各层云水含量（specific Cloud Liquid Water Content，CLWC）、云冰含量（specific Cloud Ice Water Content，CIWC）、雨水含量（specific Cloud Rain Water Content，CRWC）的时间变化，550 hPa以上含有少量冰相粒子，450～500 hPa是云水含量丰富层，550 hPa及以下开始出现雨滴，雨水含量在600 hPa和700 hPa（3～4 km）较为丰富，并随着高度减小逐渐减少，且表现出基本一致的时间变化特征：08：00之后，各层雨水含量开始增加，云水含量下降，云水转换成为雨水。此次降水的雨滴粒子主要来源于3～4 km的中低层大气，与上述雷达强回波区高度相符合。

基于X波段双偏振降水雷达基数据，FHC识别结果显示此次降水中水凝物类型和演变均较简单（图10），降水云主体的降水粒子以雨滴（RA）为主，冰相粒子偏少。具体表现为：降水期间主云体各处分布着雨滴粒子，12：06时刻在3.5 km处出现了極少量小冰雹（SH），当地面短时大暴雨转为持续性层云降水时，回波强度减弱至小于30 dBZ，此时相应的降水粒子为毛毛雨（DR）类型。4～5 km之间出现了湿雪粒子（WS），5 km上空干雪粒子（DS）一直存在，伴随着少量干冰、湿雪粒子。FHC识别结果与上文雷达观测结果、气层各相态水含量的结论相符，也验证了使用模糊逻辑算法识别水凝物粒子类型的有效性。

4 结论与讨论

本文利用多部雷达观测资料及ERA5再分析资料，选取南京市一次典型暖云降水过程，针对其降水强度大、时间短的特征分析了原因，并利用模糊逻辑算法识别水凝物粒子类型，分析了水凝物粒子类型的演变，得到如下结论：

1）此次降水发生在层结不稳定能量高、水汽充足、槽前抬升气流强的大气背景条件下。

2）此次典型暖云強降水的雷达观测特征是：回波呈现低质心、强回波的热带型结构，出现可用正负速度对表征的涡旋辐合场，谱宽和线性退极化偏比数值偏大，上升气流偏强。这对暖云强降水的预警有所帮助，尤其需要关注正负速度对和云体中上部强上升气流区的出现，它们可用于表征短时强降水即将发生。

3）模糊逻辑算法识别出的水凝物粒子基本为雨滴，而后转为毛毛雨滴，降水强度减弱，云中存在少量小冰雹和干、湿雪粒子。云粒子和降水粒子数目多，存在较大直径差异，取向复杂，在上升气流和涡旋辐合场作用下剧烈碰并增长，碰并效率较高，在短时间内生成大量大雨滴，雨滴增长区逐渐下降，地面发生短时强降水。

本次暖云降水机制主要是云滴碰并增长为雨滴，物理过程较简单，但降水强度大，效率高。此类降水具有可提前预报特征，特别是雷达观测中正负速度对的出现，对降水预报具有重要意义。

结合云雷达与降水雷达资料，可以追踪分析云滴演变为雨滴的踪迹，推演云的内部过程和降水机制。但限于雷达设备在台站的有限布局，能同时获得云雷达和降水雷达资料的强对流个例有限，本文结论的普适性还有待更多个例的验证。

参考文献（References）

Andrieu H，Creutin J D，1995.Identification of vertical profiles of radar reflectivity for hydrological applications using an inverse method.part Ⅱ：formulation[J].J Appl Meteor，34（1）：240-259.doi：10.1175/1520-0450（1995）034<0240：iovpor>2.0.co;2.

Beard K V，Ochs H T III，1993.Warm-rain initiation：an overview of microphysical mechanisms[J].J Appl Meteor，32（4）：608-625.doi：10.1175/1520-0450（1993）032<0608：wriaoo>2.0.co;2.

Bringi V N，Chandrasekar V，2001.Polarimetric Doppler weather radar[M].Cambridge：Cambridge University Press.doi：10.1017/cbo9780511541094.

曹舒娅，孙伟，韦芬芬，等，2021.双偏振雷达在江苏“7.6”降雹过程中的应用分析[J].大气科学学报，44（4）：549-557. Cao S Y，Sun W，Wei F F，et al.，2021.Study of “7.6” hail event in Jiangsu based on Dual-Polarization weather radar observations[J].Trans Atmos Sci，44（4）：549-557.doi：10.13878/j.cnki.dqkxxb.20201116001.（in Chinese）.

何宇翔，肖辉，吕达仁，2010.利用极化雷达分析层状云中水凝物粒子性状分布[J].大气科学，34（1）：23-34. He Y X，Xiao H，Lü D R，2010.Analysis of hydrometeor distribution characteristics in stratiform clouds using polarization radar[J].Chin J Atmos Sci，34（1）：23-34.（in Chinese）.

胡志晋，严采蘩，王玉彬，1983.层状暖云降雨及其催化的数值模拟[J].气象学报，41（1）：79-88. Hu Z J，Yan C F，Wang Y B，1983.Numerical simulation of rain and seeding processes in warm layer clouds[J].Acta Meteorol Sin，41（1）：79-88.（in Chinese）.

黄浩，2018.基于最优化理论的双偏振雷达降雨参数反演研究[D].南京：南京大学. Huang H，2018.A research on optimization-based rainfall parameter retrieval using polarimetric radar data[D].Nanjing：Nanjing University.（in Chinese）.

Johnson D B，1982.The role of giant and ultragiant aerosol particles in warm rain initiation[J].J Atmos Sci，39（2）：448-460.doi：10.1175/1520-0469（1982）039<0448：trogau>2.0.co;2.

Kodama Y M，Katsumata M，Mori S C，et al.，2009.Climatology of warm rain and associated latent heating derived from TRMM PR observations[J].J Climate，22（18）：4908-4929.doi：10.1175/2009jcli2575.1.

Kubar T L，Hartmann D L，Wood R，2009.Understanding the importance of microphysics and macrophysics for warm rain in marine low clouds.part I：satellite observations[J].J Atmos Sci，66（10）：2953-2972.doi：10.1175/2009jas3071.1.

李晓敏，周筠珺，肖辉，等，2017.基于X波段双偏振雷达对雷暴单体中水成物粒子演变特征的研究[J].大气科学，41（6）：1246-1263. Li X M，Zhou Y J，Xiao H，et al.，2017.Research on the evolution characteristics of hydrometeors in a thunderstorm cell with X-band dual-polarimetric radar[J].Chin J Atmos Sci，41（6）：1246-1263.doi：10.3878/j.issn.1006-9895.1705.16268.（in Chinese）.

刘黎平，郑佳锋，阮征，等，2015.2014年青藏高原云和降水多种雷达综合观测试验及云特征初步分析结果[J].气象学报，73（4）：635-647. Liu L P，Zheng J F，Ruan Z，et al.，2015.The preliminary analyses of the cloud properties over the Tibetan Plateau from the field experiments in clouds precipitation with the vavious radars[J].Acta Meteorol Sin，73（4）：635-647.doi：10.11676/qxxb2015.041.（in Chinese）.

马建立，陈明轩，李思腾，等，2019.线性规划在X波段双线偏振多普勒天气雷达差分传播相移质量控制中的应用[J].气象学报，77（3）：516-528.Ma J L，Chen M X，Li S T，et al.，2019.Application of linear programming on quality control of differential propagation phase shift data for X-band dual linear polarimetric Doppler weather radar[J].Acta Meteorol Sin，77（3）：516-528.doi：10.11676/qxxb2019.023.（in Chinese）.

Park H S，Ryzhkov A V，Zrnic' D S，et al.，2009.The hydrometeor classification algorithm for the polarimetric WSR-88D：description and application to an MCS[J].Wea Forecasting，24（3）：730-748.doi：10.1175/2008waf2222205.1.

宋文婷，李昀英，黃浩，等，2021.基于S波段双偏振雷达资料的降水粒子类型识别算法及应用[J].大气科学学报，44（2）：209-218. Song W T，Li Y Y，Huang H，et al.，2021.Hydrometeors classification and its application based on S-band dual polarization radar data[J].Trans Atmos Sci，44（2）：209-218.doi：10.13878/j.cnki.dqkxxb.20200318001.（in Chinese）.

Thompson E J，Rutledge S A，Dolan B，et al.，2014.A dual-polarization radar hydrometeor classification algorithm for winter precipitation[J].J Atmos Ocean Technol，31（7）：1457-1481.doi：10.1175/jtech-d-13-00119.1.

Wen J，Zhao K，Huang H，et al.，2017.Evolution of microphysical structure of a subtropical squall line observed by a polarimetric radar and a disdrometer during OPACC in Eastern China[J].J Geophys Res：Atmos，122（15）：8033-8050.doi：10.1002/2016JD026346.

俞小鼎，2013.短时强降水临近预报的思路与方法[J].暴雨灾害，32（3）：202-209. Yu X D，2013.Nowcasting thinking and method of flash heavy rain[J].Torrential Rain Disasters，32（3）：202-209.doi：10.3969/j.issn.1004-9045.2013.03.002.（in Chinese）.

俞小鼎，姚秀萍，熊廷南，等，2007.多普勒天气雷达原理与业务应用[M].北京：气象出版社. Yu X D，Yao X P，Xiong Y N，et al.，2007.Principles and operational applications of Doppler weather radar[M].Beijing：China Meteorological Press.（in Chinese）.

仲凌志，2009.毫米波测云雷达系统的定标和探测能力分析及其在反演云微物理参数中的初步研究[D].北京：中国气象科学研究院. Zhong L Z，2009.Calibration and capability analysis of China new generation of cloud radar-HMBQ and its preliminary application in retrieving cloud microphysics parameters[D].Beijing：Chinese Academy of Meteorological Sciences.（in Chinese）.

周毓荃，蒋元华，蔡淼，2015.北京“7.21”特大暴雨云降水结构及云雨转化特征[J].大气科学学报，38（3）：321-332. Zhou Y Q，Jiang Y H，Cai M，2015.Characteristics and transformation of cloud and precipitation of the extreme torrential rain in Beijing on 21 July 2012[J].Trans Atmos Sci，38（3）：321-332.doi：10.13878/j.cnki.dqkxxb.20141201010.（in Chinese）.

朱士超，郭学良，2015.华北一次积层混合云微物理和降水特征的数值模拟与飞机观测对比研究[J].大气科学，39（2）：370-384. Zhu S C，Guo X L，2015.A case study comparing WRF-model-simulated cloud microphysics and precipitation with aircraft measurements in stratiform clouds with embedded convection in Northern China[J].Chin J Atmos Sci，39（2）：370-384.doi：10.3878/j.issn.1006-9895.1405.14117.（in Chinese）.

（责任编辑：张福颖）