基于 X 波段双偏振雷达观测的北京地区一次中尺度对流系统微物理特征

Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 61, No. 2 (Mar. 2025)

1.北京大学物理学院大气与海洋科学系, 北京 100871; 2.北京市人工影响天气中心, 北京 100089; †通信作者, E-mail: chenyichen@bj.cma.gov.cn

摘要利用北京房山 X 波段双偏振雷达观测资料和北京市观象台探空资料, 对 2018 年 7 月 16 日发生在北京地区冷锋云系的中尺度对流系统(MCS)进行水成物种类识别和微物理特征分析, 得到如下结果。1)0℃层以上的冰相水成物种类在这次 MCS 的不同阶段和不同区域存在差异。从发展到成熟再到消散阶段, 组合反射率大于 40dBZ 的区域主要水成物是霰和雪, 冰晶的比例较低, 组合反射率在 20～40dBZ 之间的区域主要水成物是霰、雪和冰晶, 这两个区域内霰的比例均随时间逐渐减少, 雪和冰晶的比例随时间逐渐增加。组合反射率小于 20dBZ 的区域霰的比例非常低, 主要水成物是雪和冰晶, 雪的比例随时间逐渐减少, 冰晶的比例随时间逐渐增加。2)本次 MCS 中, 20～40dBZ 回波区域的面积对降水面积起主导作用。3)在对流刚发生时, 卫星亮温观测对降水有较好的监测作用。应用 X 波段双偏振雷达资料分析 MCS 微物理特征有利于理解系统发生的微物理过程, 可为微物理参数化方案的修正提供有益的参考。

中尺度对流系统(mesoscale convective system, MCS)一般定义为红外云图上某一方向尺度超过 100km 的对流系统[1]。MCS 一般发生在较强的热力不稳定、高温高湿和风切变的环境里, 伴随强烈的垂直运动和强降水[2–5]。MCS 中水成物的相态、种类和谱分布等微物理特征非常复杂, 微物理过程尚不清晰。微物理过程还引起 MCS 热力和动力过程的改变以及垂直运动的发展和维持[6–7]。加强 MCS 微物理特征的研究有利于理解系统发生的微物理过程, 进一步认识 MCS 的发展演变规律。

目前在应用数值模拟研究 MCS 微物理特征方面已取得一些进展, 但诸多模拟结果与观测结果之间以及各模拟结果之间存在不一致性。Varble 等[8]对 2006 年热带暖池国际云实验(TWP-ICE)中观测到的一个强 MCS 进行模拟, 并与观测到的雷达反射率和多普勒方法反演的垂直风速进行比较, 发现在混合相态区和冰相区(即有冰相粒子参与微物理过程的区域), 模拟结果与观测结果具有显著的差异。多项研究表明, 不同微物理方案的研究结果存在较大的差异[9–13]。Feng 等[14]采用 Morrison 和 Thompson微物理方案, 对 2011 年暖季美国大陆的 MCS 进行模拟, 发现 Morrison 方案产生更多小的冰晶, 它们保持在高空不降水的云砧中, 而 Thompson 方案产生更多缓慢降落的雪粒子, 它们融化并产生更大的层状雨区和降水。针对 TWP-ICE 观测给出的理想个例, Wang 等[15]利用 WRF 模式对比 3 个只开启云微物理参数化方案的实验, 发现方案之间冰相水成物粒子的差异是由对冰相微物理过程的不同处理导致的。因此, 需要更多的实际观测资料来改进 MCS云微物理参数化方案, 特别是冰相微物理参数化方案, 以便减小模拟结果的不确定性。

雷达观测资料具有较高的分辨率, 可以进行垂直探测, 在三维空间中连续识别微物理特征。近年来, 陆续有学者利用雷达观测资料对 MCS 内部微物理特征进行分析, 得到水成物的种类分布[16–19]。Barnes 等[17]使用 S 和 Ka 双波长双偏振雷达资料, 利用水成物识别算法(hydrometeor identification al-gorithm, HID)研究热带海洋上 36 个 MCS 的微物理特征, 发现冻结的水成物种类分布具有系统性的分层模式, 回波顶部附近有小冰晶, 0℃层以上的中层有雪, 略高于 0℃层的浅层中有霰, 0℃层附近有融化颗粒。Handler 等[18]基于 S 波段双偏振雷达观测资料, 利用 HID 研究美国中纬度 34 个 MCS 的微物理特征, 发现对流区霰粒子出现在 0℃层之上 5km的范围, 雨出现在 0℃层以下, 霰和小冰雹出现在MCS 系统整个生命周期中。

国内对不同地区 MCS 中水成物种类分布的观测研究目前相对较少。李晓敏等[19]基于车载 X 波段双偏振雷达资料, 利用 HID 对北京一次 MCS(雷暴单体)在发展、成熟和消散阶段雷达距离高度显示的水成物种类分布特征进行分析, 发现 MCS 发展阶段 0℃层以上霰的比例非常低, 雪的比例占主导。MCS 成熟阶段, 较多液态粒子上升至 0℃层以上, 凇附过程增强, 使得霰的比例增大, 雪的比例基本上不变。消散阶段液态粒子难以上升至 0℃层以上形成冰晶, 霰的比例明显减少, 雪的比例有所增加。Chen 等[20]利用 HID 展示南京地区飑线中水成物归一化出现频次的垂直分布, 飑线中−20℃与 0℃层之间霰的比例较高, 主要由凇附过程导致, 霰的最大高度可达 12km, 飑线的中层有冰雹出现, 霰和冰雹的融化可能是下层观测到大滴的原因。2016 年, 北京市开始建设 X 波段双偏振雷达组网, 为研究北京地区云微物理特征提供了便利。

HID 是一种基于模糊逻辑的算法, 在水成物分类方面得到广泛的应用[21–24]。Dolan 等[25–26]基于模糊逻辑, 对澳大利亚达尔文地区 7 个雨季雷达数据进行水成物种类识别, 并分析其合理性。在进行分析数据时, 必须考虑应用 HID 对 X 波段双偏振雷达资料进行分类的局限性。雷达在统计学上采样的体积很大, 某个采样体积中包含许多粒子, HID 只提供采样体积中最具可能性的主要水成物种类。此外, 由于分类边界重叠, 应用 HID 得到的水成物种类具有一定的不确定性。尽管如此, HID 依然是目前研究 MCS 微物理特征的最佳选择[27–30]。

镶嵌在冷锋云系内的 MCS 是北京地区产生暴雨和强对流天气的常见天气系统。本文利用北京房山 X 波段双偏振雷达资料以及北京市观象台(台站编号: 54511)的探空数据, 针对 2018 年 7 月 16 日13—18 时期间镶嵌在冷锋前沿的 MCS, 采用 HID进行水成物种类识别, 细致地刻画这次 MCS 中水成物的时空分布特征, 并与前人对南京地区和热带海洋地区 MCS 微物理特征的研究结果[20]进行对比, 以期更加清晰地了解不同地区 MCS 微物理特征的异同。

1 资料和方法

北京房山 X 波段双偏振雷达(116.2°E, 39.7°N)海拔高度为 50m, 扫描策略包括 10 个仰角, 波束宽度为 1°, 最大探测范围为 150km (图 1)。3 分钟完成一次 10 层体积扫描, 距离分辨率达到 75m。为保证数据的可靠性, 未对雷达资料做插值处理。

本文使用 Dolan 等[25]提出的 HID 算法, 该算法搭建在基于 python 语言的 pyCWR 工具库中。每个观测单元第 i 个水成物类型的判别强度 μi 可以表示为

其中, i=1, 2, …, 10, 表示 10 种水成物类型; 判别时应用的 5 个变量为 X 波段双偏振雷达反射率(dBZ)、差分反射率(ZDR)、差分传播相移率(KDP)、协相关系数(CC)和温度(T)(其中温度由北京市观象台 L波段探空系统的无线电探空仪在 13:15(BJT)测得); WZDR, WKDP 和 WCC 分别是变量 ZDR, KDP 和 CC 的权重因子, 本文中这 3 个权重因子分别设置为 0.8, 1.0 和 0.8; βT,i 和 βdBZ,i 的设置使得 dBZ 和 T 对 μ 的贡献最大化。3 个权重因子的设置参照科罗拉多州立大学(Colorado State University, CSU)雷达气象组开发的水成物识别算法中成员 β 函数(membership beta functions, MBFs)设置的权重因子默认值, 它是依据雷达测量的置信度确定的。一个变量权重因子的大小取决于该变量的可靠程度, 本研究认为 KDP 数据更可靠, 所以赋予最大权重。βj,i 为变量名 j 的第 i个水成物类型的隶属度函数, 其表达式为

其中,j 表示 dBZ, ZDR, KDP, CC 和 T 的变量名, xj 表示 j 代表的变量; m, a 和 b 为依赖于 i 和 j 的常数, 其中 m 为曲线的中心位置, a 为半宽值, b 为斜率。HID 算法包括模糊化、规则推断、集成和退模糊 4个过程。模糊化是建立上述 4 个雷达参数和环境温度 T的隶属度函数(式(2)); 规则推断是将不同变量的观测值加权得到每个观测单元内某种水成物种类的判别强度 μi(式(1)); 集成是采用最大集成法, 将每个观测单元中最大判别强度值选出来; 退模糊是确定集成过程得到的最大判别强度值对应的粒子类型[31]。

每个观测单元的水成物粒子可分为毛毛雨(driz-zle)、雨(rain)、冰晶(ice crystals)、干雪(dry aggre-gates snow)、湿雪(wet snow)、垂直排列的冰晶(vertical aligned ice)、低密度霰(low-density grau-pel)、高密度霰(high-density graupel)、冰雹(hail)和大滴(big drops)10 类。其中, 毛毛雨、雨以及大滴为液相粒子; 湿雪为冰相和液相混合相态粒子; 干雪为小冰晶的聚合体; 冰晶以及垂直排列的冰晶均为冰相粒子, 垂直排列的冰晶因电场差异而导致其垂直指向; 低密度霰、高密度霰和冰雹是在 0℃层以上, 经过不同程度的凇附过程形成的。高、低密度霰是直径为 2～5mm 的冰粒。与高密度霰相比, 冰雹通常具有更大的粒径和雷达反射率。

本文基于每个单元的水成物种类计算 MCS 中各层水成物类型的归一化出现频次。相较于前人对截面上水成物的分析方法, 这种归一化的频次分析方法能够更普遍地代表 MCS 中水成物类型。本文按 MCS 的不同区域(组合反射率大于 40dBZ, 20～40dBZ 和小于 20dBZ), 将雷达体扫数据分成 3 组, 每组包含若干“柱”, 每个“柱”为雷达组合反射率单位面积(1km2)格点从地面延伸至回波顶的区域。将垂直方向的 0～15000m 按 500m 间隔分成 30 个区间, 分别统计 3 组数据中 30 个区间内水成物出现的频次, 最后计算每个区间内某水成物出现频次在该区间所有水成物出现频次中的占比。

2 个例介绍

本文结合 ERA5 再分析资料、Himawari-8 静止卫星云图、X 波段雷达回波以及北京基本站降水资料, 对 2018 年 7 月 16 日发生在北京地区的 MCS 做必要的天气背景分析。其中, ERA5 再分析资料是欧洲中期天气预报中心(European Center for Medium-Range Weather Forecasts, ECMWF)发布的第五代全球气候再分析数据集, 数据的空间分辨率为 0.25°× 0.25°, 时间分辨率为 1h, 高空资料垂直分辨率为37 层; Himawari-8 静止卫星云图包括 0.47, 0.51 和0.64μm 通道合成的可见光真彩云图和 10.4μm 通道亮温值低于 238K 的红外伪彩云图; 北京基本站降水资料来自北京市气象局。

2018 年 7 月 15 日 20 时—18 日 06 时, 北京地区经历一次冷锋过程, 降水时间持续 58 小时。本次冷锋过程在北京地区造成全市平均雨量为 103.1mm的降水(北京市气象局记录)。此次冷锋过程中, 重点关注两个阶段 MCS 的降水过程: 第一阶段 MCS生成于冷锋的前沿, 位于北京地区东南部, 降水时段为 7 月 16 日 13:00—16:00; 第二阶段 MCS 生成于北京上游地区的冷锋云系中, 移动到北京, 降水时段为 16 日 16:00—18:00。

2.1 天气形势和MCS 5小时累积降水量

首先介绍天气形势、云图特征、雷达回波特征和降水量, 从宏观角度了解本次 MCS 的成因, 从而可以更好地解释雷达观测的微物理特征。

从图 2 可以看出, 本次 MCS 具有典型的天气尺度配置[32–34]。从 500hPa 的高度场来看, 西来槽线使得北京地区 500hPa 空中的辐合和上升运动不断增强; 700hPa 的比湿高值区呈现东北–西南走向, 由副高外围的西南气流输送而来; 850hPa 风场上副高外围西南急流(风速大于等于 12m/s)有助于涡度的生成; 地面冷锋位于云系的前界处。

图 3 展示本次 MCS 影响时段(13:00—18:00)北京市基本站的过程累积降水量分布, 其中北京东南部站点的降水来自本次 MCS。本次 MCS 分为两个过程(图 4(a1)中红色箭头所示), 第一个过程发生于北京东南方向的河北和天津境内, 成熟阶段移动到北京地区; 第二个过程从北京西南向东移动至北京地区。两个过程均在北京的东南部造成降水。据北京市观象台记录, 来自本次 MCS 的站点降水量最高达到 15.3mm。

2.2 卫星云图和雷达反射率

图 4 给出 2018 年 7 月 16 日午后的 Himawari-8卫星可见光真彩云图、红外伪彩云图和雷达回波图。可见光亮度越大, 表示云体的反照率越大, 对应的云体就越厚。红外亮温可以反映云顶发展的高度, 亮温越低, 云顶高度越大。10.4μm 通道云顶亮温 TBB<238K时的低温区能较好地识别出强对流云团[35]。图 4 显示, 从 13:00 到 17:00, 云系亮温低值区(小于 210K)迅速扩大, 表明对流云在迅速发展。从可见光真彩云图(图 4(a1)～(e1))可以看到, 2018 年7 月 16 日午后存在由我国东北部延伸至西南部的大范围冷锋云系, 云系的东南侧为晴空或少云区。可见光和云顶红外亮温均显示 13:00 时有多个对流单体(亮温小于 210K 的区域)在北京地区生成, 处于冷锋云系前沿, 排列方向与冷锋云系一致(图 4(a1)和(a2))。对流单体面积较小, 为孤立对流。此时北京上游地区(河北和山西境内)的冷锋云系中镶嵌一组MCS (图 4(a1))。14:00 至 15:00, 北京地区对流单体快速发展, 逐渐连接成线状 MCS, 形成一条细长高亮的白色云带(图 4(b1)和(c1)), 云顶亮温的低温区面积逐渐扩大(图 4(b2)和(c2)), 此时北京上游地区的 MCS 移至河北省中部, 南端与北京地区新生成的线状 MCS 相接, 构成倾斜的“V”字形(图 4(c1))。16:00 时, 上游 MCS 逐渐移近北京地区(图 4(d1)), 北京西南方向的云顶亮温出现大面积低值区(图4(d2))。17:00, 两组 MCS 均覆盖北京地区(图 4(e1)),云顶亮温的低温区面积进一步扩大(图 4(e2))。

雷达组合反射率图是将每个柱的最强雷达回波组合成一幅图像。粒子的尺寸和粒子数量决定反射率的大小, 因此强组合反射率意味着对流中有许多大的粒子生成。从雷达组合反射率图(图 4(a3)～ (e3))可以看到此次 MCS 的两个时段降水(包含空中降水粒子)情况: 13:00, 北京地区的分散性降水呈线状排列(图 4(a3)), 较好地对应卫星云图亮温低值区; 14:00 至 15:00, 降水逐渐增强, 降水区域向东北方向移动, 并逐渐合并, 呈现典型的线状 MCS 降水特点(图 4(b3)和(c3)); 16:00, 雷达反射率出现低谷期, 北京地区的降水较弱, 同时在北京西南方向的河北境内出现一条南北走向的降雨带(图 4(d3)); 17:00, 北京西南方向降雨带东移并加强(图 4(e3)), 经过北京时再次带来强降水。

上述卫星红外伪彩云图与雷达反射率的对比分析表明, 卫星云顶亮温在 MCS 刚发生时(13:00)对降水有较好的监测作用, 此时卫星云顶红外伪彩云图上有明显的孤立对流。随着 MCS 的发展(图4(a2)、(b2)、(a3)和(b3)), 卫星云顶亮温低值区扩大, 不能有效地监测降水位置(图 4(c2)、(e2)、(c3)和(e3))。

3 水成物种类及微物理特征分析

图 5 展示房山 X 波段双偏振雷达体扫不同组合反射率范围内柱的个数随时间的变化, 可以看出, 柱总数在 16:00 左右明显减少, 意味着降水的快速减弱。因此, 可以认为降水过程存在两个时段, 第一降水时段为 13:00—16:00, 第二降水时段为 16:00 —18:00。结合第 2 节个例介绍可知, 第一时段的降水是由冷锋前缘新生 MCS 引起, 第二时段的降水是由北京上游 MCS 东移引起。

本文将两个降水时段的 MCS 均划分为发展、成熟和消散 3 个阶段, 划分依据如下: 筛选 3 分钟一次雷达体扫的组合反射率, 对 MCS 中 dBZ 最强的位置做截面, 取大于 5dBZ 回波顶部的边缘位置作为截面中的回波顶, 如果连续 3 个时刻的回波顶均在 10km 以上, 则认为 MCS由发展期进入成熟期; 成熟期后, 如果连续 3 个时刻的回波顶低于 10km, 则认为 MCS 由成熟期进入消散期。第一时段降水的 MCS 具有完整的 3 个阶段, 第二时段降水的MCS由上游移动至北京地区, 不能确定其从发展期转变为成熟期的时间节点。

第一时段降水的 MCS 中, 13:00—13:50 为发展期(S1), 13:50—15:15 为成熟期(S2), 15:15—16:00 为消散期(S3)。图 5 显示, 在第一时段降水 MCS 的发展期, 大于 40dBZ 的柱数量变化不大, 20～40dBZ 和小于 20dBZ 的柱数量呈增加的趋势, 与柱总数的变化趋势一致; 在第一时段 MCS 的成熟期, 大于 40dBZ 的柱数量依然变化不大, 20～40dBZ 的柱数量呈增加趋势, 小于 20dBZ 的柱数量增加到峰值后略微减少, 柱总数呈增加趋势; 在第一时段 MCS 的消散期, 大于 40dBZ 的柱数量基本上不变, 15:30 后呈快速减少趋势, 20～40dBZ 的柱数量略有增加后快速减少, 小于 20dBZ 的柱数量呈减少趋势, 柱总数略有增加后快速减少。第一时段降水范围的变化主要来自 20～40dBZ 和小于 20dBZ 回波的贡献, 其中20～40dBZ 的柱数量占柱总数的比例介于 55%～64%之间, 对降水范围起主导作用。

第二时段降水的 MCS 从北京上游东移而来, 16:00—17:00 为发展期至成熟期, 17:00—18:00 为消散期。在第二时段降水 MCS 的发展期至成熟期, 大于 40dBZ 的柱数量持续增加, 达到峰值, 20～40dBZ 的柱数量迅速增加到峰值后保持不变, 16:50 后开始减少, 小于 20dBZ 的柱数量快速增加, 16:20 后基本上不变, 与 20～40dBZ 的柱数量变化趋势一致, 快速增加至峰值, 在 16:50 后开始减少; 17:00—18:00 为第二时段 MCS 的消散时段, 大于 40dBZ 的柱数量呈缓慢减少趋势, 20～40dBZ 的柱数量缓慢减少, 17:30 后快速减少, 小于 20dBZ 的柱数量基本上不变。在第二降水时段, 20～40dBZ 的回波仍然对降水范围起主导作用。

第一时段降水的 MCS 包括完整的发展、成熟和消散 3 个阶段, 本文重点分析该时段 MCS 的微物理特征。由于雷达扫描不同仰角之间有缺测的数据, 归一化出现概率比绝对出现频次能更准确地反应 MCS 不同高度的水成物分布情况。图 6 展示第一时段降水中 MCS 的水成物归一化出现频次, 可以看出 3 个阶段(S1, S2 和 S3)中不同组合反射率范围(>40dBZ, 20～40dBZ 和<20dBZ)内水成物出现频次随高度的分布呈现分层的特征。

0℃层在 5.5km 附近, 雨滴存在于 6km 之下的高度, 是 0℃层以下主要的水成物, 其次是毛毛雨。湿雪存在于 4～6km 的高度, 代表 0℃层附近的融化层。6km 以上为冰相, 低密度霰存在于 6～15km 的高度, 雪存在于 6～13km 的高度, 冰晶和垂直排列的冰晶存在于 6～15km 的高度层。含量较少的大滴分布在 6km 以下的高度, 表征强降水的存在。冰雹存在于 6km 之上的冰相区, 表征强对流的存在。高密度霰存在于 3～10km 的高度, 因降落速度大, 跨越 0℃层时来不及融化。组合反射率大于 40dBZ 的范围内, 从 S1 到 S2 再到 S3, 雪的比例明显升高, 低密度霰和高密度霰的比例明显减少, 冰晶的比例略微升高(图 6(a1)～(c1)); 在 20～40dBZ 范围内, 从S1 到 S2 再到 S3, 雪的比例升高, 低密度霰以及高密度霰的比例明显减少, 冰晶的比例明显升高(图 6 (a2)～(c2)); 小于 20dBZ 的范围内, 雪的比例明显减少, 冰晶的比例增多(图 6(a3)～(c3))。

综上所述, 水成物种类的分布存在分层结构, 并且这种分层结构在本次 MCS 的不同阶段变化不大。冰相水成物种类在本次 MCS 不同阶段和不同区域存在差异。对流区(大于 40dBZ)的主要水成物是霰, 其次是雪, 冰晶的比例较低; 过渡区(20～40dBZ) S1 主要水成物是霰, 其次是雪和冰晶, S2 和S3 主要水成物是雪, 其次是霰和冰晶; 层状区(小于 20dBZ)霰的比例非常低, 主要水成物是雪和冰晶。从 S1 到 S2 再到 S3, 对流区和过渡区霰的比例逐渐减少, 雪和冰晶的比例增加, 层状区雪的比例逐渐减少, 冰晶的比例逐渐增加。

4 结论

本文针对 2018 年 7 月 16 日午后导致北京地区降水的中尺度对流系统(MCS), 使用房山 X 波段双偏振雷达观测资料、自动站降水资料和 L 波段探空资料, 结合当日的天气背景, 利用水成物识别算法(HID), 分析所关注 MCS 的微物理特征, 计算 MCS发展、成熟和消散阶段水成物的归一化出现频次, 得到如下主要结论。

冰相水成物种类在本次 MCS 的不同阶段和不同区域内存在差异。对流区(大于 40dBZ)主要水成物是霰, 其次是雪, 冰晶的比例较低; 过渡区(20～ 40dBZ)在发展阶段主要水成物是霰, 其次是雪和冰晶, 成熟阶段和消散阶段主要水成物是雪, 其次是霰和冰晶; 层状区(小于 20dBZ)霰的比例非常低, 主要水成物是雪和冰晶。从发展阶段到成熟阶段再到消散阶段, 对流区和过渡区霰的比例逐渐减少, 雪和冰晶的比例增加, 层状区雪的比例逐渐减少, 冰晶的比例逐渐增加。本次 MCS 中 20～40dBZ回波柱数量占总柱数量的比例介于 55%～64%之间, 其区域的面积对降水面积起主导作用。结合X波段雷达资料与 Himawari-8 卫星观测的亮温, 发现在北京地区, 低于 238K 的 10.4μm 通道云顶亮温阈值对MCS 刚发生时的降水有较好的监测作用。

本文对嵌入冷锋中的 MCS 观测资料中的水成物进行了初步分析和探讨, 认识到北京地区冷锋内MCS 中水成物具有垂直分布特征, 揭示了北京地区MCS 不同演变阶段雪和霰等水成物占比的分布规律和潜在机制, 可为进一步分析此类 MCS 的微物理过程及其参数化提供参考。在本文研究结果的基础上, 未来可以在以下两个方面开展进一步的研究工作: 1)虽然目前能够通过雷达资料反演出水成物种类, 但对实际大气中降水形成和演化的基本微物理过程尚缺乏充分的认识, 需要进一步的探测资料加以证实; 2)对不同地区、不同天气背景下 MCS 的水成物种类进行比较, 将有助于理解 MCS 中的微物理过程, 提高降水预报的准确性。

[1] Zipser E J. Use of a conceptual model of the life-cycle of mesoscale convective systems to improve very-short-range forecasts // Browning K A. Nowcasting. New York: Academic Press, 1982: 191–204

[2] 闵锦忠, 张申, 杨婷. 一次梅雨锋暴雨发生发展机制的诊断与模拟. 大气科学学报, 2018, 41(2): 155–166

[3] 徐姝, 东高红, 熊明明. 冷池对引发新乡“7·9”特大暴雨的中尺度对流系统的影响分析. 气象, 2019, 45(10): 1426–1438

[4] 孙晓蕾, 闵锦忠, 王仕奇等. 中尺度对流系统的动热力特征及其演变对风垂直切变的响应. 热带气象学报, 2020, 36(3): 401–415

[5] 俞小鼎, 郑永光. 中国当代强对流天气研究与业务进展. 气象学报, 2020, 78(3): 391–418

[6] Adams-Selin R D, van den Heever S C, Johnson R H. Impact of graupel parameterization schemes on idea-lized bow echo simulations. Monthly Weather Review, 2013, 141(4): 1241–1262

[7] 孙继松. 从天气动力学角度看云物理过程在降水预报中的作用. 气象, 2014, 40(1): 1–6

[8] Varble A, Zipser E J, Fridlind A M, et al. Evaluation of cloud-resolving and limited area model intercompari-son simulations using TWP-ICE observations: 1. Deep convective updraft properties. Journal of Geophysical Research: Atmospheres, 2014, 119(24): 13891–13918

[9] 王文君, 朱彬, 杨素英, 等. 两类双参数云微物理方案对夏季强降水事件模拟能力的对比研究. 大气科学学报, 2018, 41(6): 721–730

[10] Dawn S, Satyanarayana A N V. Sensitivity studies of cloud microphysical schemes of WRF-ARW model in the simulation of trailing stratiform squall lines over the Gangetic West Bengal region. Journal of Atmos-pheric and Solar-Terrestrial Physics, 2020, 209: 105396

[11] 黄乾, 钱悦. 单双参云微物理方案对强降水过程中云宏微观特征模拟的对比分析. 大气科学学报, 2021, 44(4): 615–625

[12] Cao Qian, Zhang Shuwen, Lei Guilian, et al. Impact of different double-moment microphysical schemes on simulations of a bow-shaped squall line in East China. Atmosphere, 2022, 13(5): 667–690

[13] 毛智, 朱志鹏, 张如翼, 等. 不同云微物理方案对青藏高原一次强降水的模拟影响分析. 热带气象学报, 2022, 38(1): 81–90

[14] Feng Zhe, Leung L R, Houze Jr R A, et al. Structure and evolution of mesoscale convective systems: sensi-tivity to cloud microphysics in convection-permitting simulations over the United States. Journal of Advan-ces in Modeling Earth Systems, 2018, 10(7): 1470–1494

[15] Wang Y, Long C N, Leung L R, et al. Evaluating regional cloud-permitting simulations of the WRF model for the Tropical Warm Pool International Cloud Experiment (TWP-ICE), Darwin, 2006. Journal of Geophysical Research: Atmospheres, 2009, 114(D21): 203–224

[16] Homeyer C R, Kumjian M R. Microphysical charac-teristics of overshooting convection from polarimetric radar observations. Journal of the Atmospheric Scien-ces, 2015, 72(2): 870–891

[17] Barnes H C, Houze Jr R A. Precipitation hydrometeor type relative to the mesoscale airflow in mature ocea-nic deep convection of the Madden-Julian Oscillation. Journal of Geophysical Research: Atmospheres, 2014, 119(24): 13990–14014

[18] Handler S L, Homeyer C R. Radar-observed bulk mi-crophysics of midlatitude leading-line trailing-strati-form mesoscale convective systems. Journal of App-lied Meteorology and Climatology, 2018, 57(10): 2231– 2248

[19] 李晓敏, 周筠珺, 肖辉, 等. 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. 大气科学, 2017, 41(6): 1246–1263

[20] Chen G, Zhao K, Wen L, et al. Microphysical charac-teristics of three convective events with intense rainfall observed by polarimetric radar and disdrometer in Eastern China. Remote Sensing, 2019, 11(17): 2004–2024

[21] Vivekanandan J, Zrnic D S, Ellis S M, et al. Cloud microphysics retrieval using S-band dual-polarization radar measurements. Bulletin of the American Meteoro-logical Society, 1999, 80(3): 381–388

[22] 刘亚男, 肖辉, 姚振东, 等. X波段双极化雷达对云中水凝物粒子的相态识别. 气候与环境研究, 2012, 17(6): 925–936

[23] 冯亮, 肖辉, 孙跃. X波段双偏振雷达水凝物粒子相态识别应用研究. 气候与环境研究, 2018, 23(3): 366–386

[24] 朱怡杰, 邱玉珺, 陆春松. 青藏高原那曲夏季云中水成物分布特征的毫米波雷达观测. 气象, 2019, 45(7): 945–957

[25] Dolan B, Rutledge S A. A theory-based hydrometeor identification algorithm for X-band polarimetric ra-dars. Journal of Atmospheric and Oceanic Technology, 2009, 26: 2071–2088

[26] Dolan B, Rutledge S A, Lim S, et al. A robust C-band hydrometeor identification algorithm and application to a long-term polarimetric radar dataset. Journal of Applied Meteorology and Climatology, 2013, 52(9): 2162–2186

[27] Barnes H C, Houze Jr R A. Comparison of observed and simulated spatial patterns of ice microphysical pro-cesses in tropical oceanic mesoscale convective sys-tems. Journal of Geophysical Research: Atmospheres, 2016, 121(14): 8269–8296

[28] Grazioli J, Tuia D, Berne A. Hydrometeor classifica-tion from polarimetric radar measurements: a cluste-ring approach. Atmospheric Measurement Techniques, 2015, 8(1): 149–170

[29] Kouketsu T, Uyeda H, Ohigashi T, et al. A hydrometeor classification method for X-band polarimetric radar: construction and validation focusing on solid hydro-meteors under moist environments. Journal of Atmos-pheric and Oceanic Technology, 2015, 32(11): 2052–2074

[30] Jash D, Resmi E A, Unnikrishnan C K, et al. Analysis of pre-monsoon convective systems over a tropical coastal region using C-Band polarimetric radar, satelli-te and numerical simulation. Atmosphere, 2022, 13(9): 1349–1371

[31] 宋文婷, 李昀英, 黄浩, 等. 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. 大气科学学报, 2021, 44(2): 209–218

[32] 卓鸿, 赵平, 任健, 等. 2007年济南“7.18”大暴雨的持续拉长状对流系统研究. 气象学报, 2011, 69(2): 263–276

[33] 俞小鼎. 2012 年 7 月 21 日北京特大暴雨成因分析. 气象, 2012, 38(11): 1313–1329

[34] 徐珺, 谌芸, 张庆红. 华北春季一次后门冷锋过程及其相关中尺度对流系统的演变特征. 气象学报, 2023, 81(4): 531–546

[35] 王小龙, 王彤, 李映春等. 基于“葵花8号”气象卫星的陇东南地区强对流识别跟踪技术研究. 沙漠与绿洲气象, 2022, 16(5): 56–61

Microphysical Characterization of a Mesoscale Convective System in Beijing Based on X-band Radar Observations

1. Department of Atmospheric and Oceanic Sciences, School of Physics, Peking University, Beijing 100871; 2. Beijing Weather Modification Center, Beijing 100089; †Corresponding author, E-mail: chenyichen@bj.cma.gov.cn

Abstract A mesoscale convective system (MCS) embedded in a cold frontal cloud system over Beijing on July 16, 2018 was investigated using X-band dual-polarization radar observations from Fangshan Station and sounding data from the Beijing Observatory. This study focused on hydrometeor identification and microphysical characterization, yielding the following key findings. 1) The ice-phase hydromorphic species above the 0°C layer differed in different stages and regions of this MCS. From the stage of development to maturity to dissipation, the main hydromorphic species in the region with combined reflectance larger than 40 dBZ were graupel and snow, and the proportion of ice crystals was relatively low.In the region with combined reflectance between 20 and 40 dBZ, graupel, snow, and ice crystals were the main hydromorphic species. In these two regions, the proportion of graupelgradually decreased with time, while the proportion of snow and ice crystals gradually increased with time. In the region with combined reflectance smaller than 20 dBZ, the proportion of graupel was very low, and the main hydromorphic species were snow and ice crystals, with the proportion of snow gradually decreasing with time, and the proportion of ice crystals gradually increasing with time. 2) The area of the 20–40 dBZ echo region in this MCS played a dominant role in precipitation area. 3)At the beginning of convection, satellite brightness temperature observation had a better moni-toring effect on precipitation. The application of X-band dual-polarization radar data to analyze the microphysical characteristics of MCS is beneficial to understand the microphysical processes occurring in the system, and can provide a useful reference for the revision of the microphysical parameterization scheme.

Key words X-band radar; mesoscale convective system (MCS); ice-phase hydrometeor classification