, (1)北京大学学报(自然科学版) 第62卷 第3期 2026年5月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 62, No. 3 (May 2026)
doi: 10.13209/j.0479-8023.2025.031
国家自然科学基金(42161160329, 42030607, 42475095)和安徽省自然科学基金(2408055UQ007, 2208085UQ01)资助
收稿日期: 2025–03–10;
修回日期:2025–04–18
摘要 基于地基 Ka 和 W 双波段雷达的垂直观测功率谱数据, 采用最优估计方法反演 2024 年 7 月 11 日的一次层状降水雨滴谱分布和空气动力参数, 得到如下结果: 1)利用 Ka 和 W 波段雷达获取的多普勒功率谱数据, 可以反演出准确的雨滴谱绝对数浓度及空气动力参数; 2)逐粒径雨滴谱分布反演结果与地面雨滴谱仪探测结果吻合较好; 3)降水过程中观测到清晰的小尺度波动以及雨滴下落过程中的粒子分选现象, 证明层状降水中仍然存在复杂的动力过程; 4)通过追踪雨滴下落轨迹, 在弱降水时观测到明显的雨滴蒸发现象。
关键词 双波段; 功率谱; 雨滴谱; 粒子分选; 层状降水
降水是地球能量循环中的重要环节, 准确地掌握降水的时空变化特征有助于增进对气候变化的理解。目前对降水微物理过程的了解不够充分, 尤其是雨滴下落过程中的碰并、破碎和蒸发等关键过程, 尚需更多基于雨滴谱(drop size distributions, DSD)的观测数据来开展进一步的研究[1]。当前, 能够准确地观测 DSD 的方法主要有两种。一种方法是现场观测, 即通过飞机或地面雨滴谱仪进行测量。这类方法为点位观测, 空间局限性很大, 无法得到雨滴谱的廓线观测结果[2–4]。另一种方法是遥感探测, 其中气象雷达能够实现时间上的连续观测, 且探测范围广, 是探测云和降雨的理想工具[5–6]。本文主要关注降水过程中 DSD 和空气动力参数的遥感探测。
目前, 关于 DSD 的研究主要利用雷达基数据和功率谱数据。基于雷达基数据的反演方法需要假设DSD 符合 Gamma 函数或指数函数分布, 这与实际DSD 存在一定的差距[7–8], 尤其在复杂动力条件下, 难以准确地反映 DSD 各粒径之间的变化关系, 导致降水微物理过程的研究缺乏真实的空中 DSD 数据支持。雷达功率谱数据与雨滴直径密切相关, 能够实现 DSD 的逐粒径反演[9–11]。
云雷达工作在毫米波段, 可探测大部分降水现象。不同波段的云雷达在散射和衰减特性上存在差异[12]。W 波段云雷达的工作波长较短, 在多数降雨条件下不满足瑞利散射条件, 且受降雨衰减的影响较大。Ka 波段等更长波长雷达的散射过程多符合瑞利散射, 且衰减相对较小。双频雷达反演方法大多基于不同波段的散射和衰减差异[7,9,13–14], 用于反演 DSD 和空气动力参数。Firda 等[15]较早提出一种利用双波段功率谱和反射率因子比值进行迭代反演的方法, 通过 W 波段的米散射确定空气垂直运动, 并逐步修正谱展宽效应, 最终实现对 DSD和空气垂直运动的同步反演。但是, 该方法需引入反卷积步骤来消除湍流影响, 容易引入反演误差。最优估计方法无需进行反卷积运算, 可以减少不必要的反演误差, 在云和降水反演方面得到较好的应用[16–17]。Tridon 等[10]基于双波段雷达功率谱, 采用两步最优估计方法, 获取准确的空气动力参数[18]、差分衰减和 DSD 绝对浓度, 反演效果良好。然而, 目前没有将该方案应用于我国降水特征的研究。
2024 年, 中国气象科学研究院利用最新研制的Ka/W 调频连续波雷达, 在安徽寿县开展观测实验, 得到高质量的观测数据。本研究尝试基于最优估计方法反演 DSD, 以期获得逐粒径 DSD 和空气动力参数, 对我国的降水特征展开更细致的研究。
变分方法(也称为最优估计方法)通过前向模型将状态变量与观测值联系起来, 其基本原理可以简化为
, (1)
其中, y为观测值, x为状态变量, F(x)为前向模型, Sy为观测值误差的协方差矩阵。
最优估计方法(optimal estimation, OE)已经在卫星和雷达反演领域得到广泛应用[16–17]。该方法通过不断缩小 <-i>F(x)与观测值 y之间的误差, 使 x逐渐逼近真实值, 经过多次迭代后, 得到最优解。通常采用最小化成本函数来实现, 该成本函数可描述为
, (2)
其中, 
和
分别为状态变量 x的估计值和先验值, 
为先验变量误差的协方差矩阵。由于前向算子具有非线性特性, 本研究采用高斯–牛顿迭代法进行求解, 其迭代格式可表述为
(3)
其中, Jk是前向算子的雅可比矩阵, 由观测值对每个状态变量的偏导数组成, 用来评估第 k次迭代处的状态变量
可由初猜值开始计算, 每次迭代都会重新计算前向算子和矩阵 Jk, 通常经过多次迭代后可达到收敛, 此时问题趋于线性化。收敛与否可采用卡方(
)检验来判断。
最优估计方法特别适用于解决存在明确物理关系的非线性问题[14]。该方法基于一组合理的状态变量初猜值和实际观测值, 在前向模型的约束下经过多次迭代, 最后输出收敛后的最优估计结果。此时, 状态变量的输出值更加接近真实值, 而观测值的输出结果也与实际观测值几乎重合。由于雷达观测得到的功率谱数据和 DSD 以及空气动力参数(空气垂直运动速度和空气展宽谱宽度)等状态变量之间存在明确的关系, 利用最优估计方法反演 DSD 是十分理想的手段。
根据散射的基本原理, 不考虑空气动力过程对雨滴的影响, 对于固定雷达频率 v 和一定的相对雷达距离 r, 特定等效液滴直径 D 的降水粒子因后向散射产生的雷达功率 SR,v(V, r)与后向散射截面sb(D)和数浓度 N(D, r)成正比, 可以表示为
(4)
其中, 电磁波传播速度取 c=2.99×108 m/s, |K|2 为水的折射率因子(取 0℃时液滴对应的数值), N(D, r)表示在直径 D 到 D+dD 范围内的粒子数浓度, 
为相应液滴直径随下落速度变化的导数。
研究表明, 液滴的下落速度 V 与直径 D 之间的关系相对稳定。由于不同高度上空气密度 r的差异会对速度–粒径关系产生影响[15], 速度–粒径关系可以表示为
(5)
其中, r0 表示 1000 hPa 处的空气密度。
在实际降水过程中, 雨滴下落通常受到空气运动的影响, 主要表现为空气的垂直运动速度 W 对雨滴下落速度的直接影响, 以及湍流和风切变等因素对空气展宽谱宽度 sair 的影响。空气展宽计算方法如下:
。 (6)
空气展宽效应会以卷积形式影响雷达观测的功率谱。此外, 在考虑衰减影响和背景噪声 Sf 后, 雷达实际观测到的多普勒功率谱可以用下式表示:
。 (7)
式(7)在实际应用中通常转变为对数形式进行计算, 单位采用 dB。由式(6)和(7)可以建立 DSD 与观测功率谱之间的密切联系, 为反演 DSD 提供可能性。
Tridon 等[10]通过两步 OE 方法, 成功地反演出完整的 DSD。本研究在其算法框架的基础上进行一些新的尝试, 具体步骤如图 1 所示。
第一步, 最优估计以对数化处理的 DSD、空气垂直速度、对数化处理的空气展宽谱宽度、两波段雷达的差分衰减和空气密度作为状态变量, 并以DSD 为主要反演目标。在反演过程中, 对 DSD 粒径区间进行加密处理, 取 0.1～8mm 区间, 以 0.1mm为间隔, 以便适应大多数雨滴谱仪的粒径分辨率, 便于后续对结果的检验。该处理生成 80 个粒径段的DSD, 能更准确地反映小粒子端 DSD 的变化特征。观测变量为 Ka 和 W 波段雷达获取的功率谱数据。通过第一步反演, 两个波段功率谱的差异能够有效地约束 DSD 的形状, 进而获得 DSD 的相对数浓度。由于空气动力参数不受衰减影响, 在该步骤的反演中可直接得到空气垂直速度和空气展宽谱宽度的最终结果。此外, 在固定时刻, 尽管 Ka 和 W 波段各自的衰减难以确定, 但两个波段之间的差分衰减是固定的, 因此通过此步骤也可以得到差分衰减的最终反演结果。由于天线衰减部分存在不确定性, 经由第一步反演得到的 DSD 数浓度同样具有不确定性, 降雨对电磁波的衰减与 DSD 数浓度直接相关, 如下式所示:
(8)
CN(r)表示该层 DSD 对应的校准系数, CN(r)N(D, r)表示该层 DSD 绝对浓度, sext,v(D)表示粒子的衰减截面。为得到最终的 DSD 绝对浓度, 需要设计第二步最优估计算法, 对两个波段的衰减进行有效的约束, 利用两个波段雷达的衰减信息, 将其与 DSD 绝对浓度联系起来。
第二步, 反演以整条廓线作为输入。这一步需要利用地面雨滴谱仪对 Ka 和 W 波段雷达进行绝对校准, 以便消除雷达天线衰减的影响。在该步骤中, 状态变量为各层 DSD 数浓度的校准参数以及 Ka 和W 波段雷达的校准常数, 观测变量为 Ka 和 W 波段雷达校准后的反射率因子廓线以及差分衰减廓线。通过第二步反演, 雷达的降雨衰减得到较好的约束, 最终可得到 DSD 的绝对数浓度。
中国气象科学研究院在安徽省寿县架设一台共面的 Ka/W 波段调频连续波云雷达。该雷达两个波段的垂直指向具有极高的一致性, 从而最大程度地避免了因探测目标差异造成的数据偏差。该设备采用调频连续波发射体制, 具有测量精度高、峰值功率小、测量盲区小及无距离模糊等特点[19], 能够实现 15km 或 6km 高度以下云和降水的连续探测。两个波段雷达的详细参数如表 1 所示。
对于 2024 年 7 月 11 日一次持续近 11 个小时的降水过程, 本研究选取该过程的前半部分(04:00—08:00)进行反演。雷达观测的反射率因子(图 2)显示, 融化层亮带特征明显, 属于典型的层状云降水。虽然降雨强度有波动, 但整体上保持在中等以下水平。为避免冰晶的影响, 反演高度上限设置为4500m, 远低于融化层高度。为降低地杂波和波束重合高度等因素的干扰, 反演下限选取为 330m, 确保数据质量。05:58:43, 雷达启动天线罩吹拂功能来减小天线罩的积水衰减(对应图 2 中明显的反射率突变分割线)。
图1 两步最优估计方法反演雨滴谱分布绝对数浓度算法设计流程
Fig. 1 Flowchart of the two-step optimal estimation method for retrieving the absolute number concentration of DSD
表1 寿县 Ka/W 波段雷达参数
Table 1 Parameters of the Ka-band and W-band radar system in Shouxian
波段频率/GHz波束宽度/(°)距离分辨率/m谱点数 W94.50.3710256 Ka34.90.9030256
我们引入地面雨滴谱测量仪 OTT parsival2(简称 OTT)来检验 DSD 反演结果的准确性。OTT 第二代雨滴谱测量仪广泛用于地面 DSD 的测量和对比观测[3], 该测量仪基于消光原理, 测量不同粒径雨滴的数浓度和下落速度, 涵盖 22 个粒径段, 粒径范围分布不均, 最小检测尺寸为 0.125mm, 最大检测尺寸为 8mm (由于小粒径端信噪比较低, 通常将第一和第二通道强制设置为零), 仪器的采样分辨率为 1min。本次检验利用 330m 高度(是反演结果的最低高度)的反演结果与 OTT 进行对比, DSD 的检验结果如图 3 所示。由于检验高度与地面有一定的距离, 需要对反演结果进行时间校准, 以便修正因粒子下落产生的时间差。若对每个粒径段分别进行时间校准, 过程较为复杂且可能引入额外误差, 因此在进行实际校准时, 统一采用该层 Dm对应的粒子下落时间作为校准标准。
(a)Ka波段反射率因子; (b)W波段反射率因子
图2 2024 年 7 月 11 日 04:00—08:00 安徽省寿县一次层状云降水过程中的反射率因子
Fig. 2 Reflectivity during a stratiform precipitation event in Shouxian, Anhui Province, from 04:00 to 08:00 on July 11, 2024
图3 雨滴谱随时间的演变
Fig. 3 Temporal evolution of the DSD
图 3 显示, DSD 反演结果与地面观测的变化趋势吻合较好。降水过程中, 液滴直径集中在 1.5mm以下, 且随着粒径增大, 数浓度迅速降低。由于反演的时间分辨率(2s)较高, 在反演结果中可以清晰地观察到粒子分选现象, 大粒子下落速度较快, 小粒子则较晚到达探测区域, 这一现象在粒径小于 1mm 时最明显。在图 3(b)中, 粒子分选呈明显的倾斜条带状结构: 液滴直径越小, 对应的时间越晚; 液滴直径越大, 对应的时间越早, 且对应的时间越趋于一致。此外, 粒子分选效果随粒子组成的不同而变化, 小粒子占比较高时, 分选现象更为明显; 大粒子较多时, 分选效应则减弱。该现象在所有的反演区域都有体现, 并表现出随高度降低而愈加明显的趋势, 说明水平和垂直风速对粒子分选具有重要影响。粒子分选的发现可以直观地解释雨滴谱观测中常见的双峰谱或者多峰谱现象。本次反演结果中普遍存在的粒子分选为解释 DSD 的多峰分布提供了观测数据支持, 是该次降水过程反演的一项独特发现。同时, 这一结果也体现了逐粒径反演 DSD的必要性, 这在以往假设 DSD 符合函数分布的反演方法中是无法获得的。
为更深入地研究此次降水过程, 我们对DSD 反演结果和 OTT 观测结果分别进行统计分析[20], 归一化截距参数 Nw的计算公式为
, (8)
其中, 中位直径 D0 的计算公式为
, (9)
质量加权平均直径 Dm的计算公式为
, (10)
降雨率 R的计算公式为
。 (11)
对比结果如图 4 所示, DSD 反演结果与 OTT 观测结果的变化趋势较为一致。为与 OTT 的时间分辨率(1min)相匹配, 已将反演结果进行一分钟平均处理。Dm的反演结果与 OTT 观测结果基本上一致, 其平均标准差为 0.08mm, 表明反演的雨滴谱形状得到很好的约束。Nw的反演结果平均标准差为 1593 mm–1·m–3, 相较于 OTT 观测值明显偏高, 可能与OTT 对小粒子的探测能力较弱有关; 在弱降水情况下, 小粒子比例较高, 导致反演结果与观测值的偏差增大, 这一点尚需更多的数据进一步验证。R的反演结果与 OTT 观测值较为一致, 平均标准差为0.24mm/h, 但在降水强度较大时, 误差偏大; 在雨强较小时, 反演结果高于观测值, 可能与雨滴下落过程中的蒸发导致实际降雨率减小有关。
绿色曲线为OTT观测值, 黑色曲线为反演值, 灰色阴影为反演误差
图4 雨滴谱参数检验结果
Fig. 4 Results of validation of DSD parameters
本次降水过程反演取得良好效果, 算法收敛成功率达到 98%以上, 由天线罩吹拂引起的衰减突变并没有对反演结果造成明显的影响。05:58:43 附近, 所有状态变量均保持良好的连续性, 未出现显著的跳变, 体现了算法的稳定性和合理性。除 DSD 参数外, 本研究还同步获取高时空分辨率的空气垂直速度 Wair 和空气展宽谱宽度sair, 以及 Ka 和 W 波段雷达的差分衰减DA, 结果如图 5 所示。
图 5(a)展示降雨过程中空气垂直速度(Wair), 上升运动为正值。整体而言, 空气的垂直运动幅度较小, 主要表现为弱上升运动, 仅在降水较强时出现弱的下沉运动, 且未超过 1m/s。在 1500～2000m 高度范围内, 06:30 之后的反演结果显示存在明显的 小尺度波动, 其空间尺度为几十米, 表现为随时间交替出现的较强空气上升和下沉运动, 在图中呈现为红色和蓝色斑块。上述现象表现出类似 Kelvin- Helmholtz 波动[21]的特征, 证明在层状降水中仍然存在复杂的动力学过程, 可供进一步研究。
图5 反演结果的时间–高度关系
Fig. 5 Time-height cross-section of the retrieval results
图 5(b)展示空气展宽谱宽度 sair 的反演结果。可以看出, 在大部分区域内, 展宽维持在较低水平(<0.1m/s), 展宽显著增大的位置往往伴随小尺度的波动, 说明这些区域存在较强的湍流和风切变。然而, 在信噪比较低时, 反演结果出现明显的不稳定现象, 可能是由于两个波段雷达信号的衰减程度不同, 导致功率谱难以匹配。其中, W 波段雷达信号的衰减更为显著, 使得展宽信息较多地依赖于 Ka波段雷达信号, 从而难以保持雨滴谱形状与展宽之间的平衡关系。因此, 在降水较弱和高度较大的区域, 展宽的反演结果不理想。
图 5(c)显示, 差分衰减与 Nw之间存在较强的相关性, 较高的液滴数浓度对 W 波段雷达信号造成的衰减更显著。在 Nw较高的区域, 差分衰减值可达20dB 以上; 在 Nw较低的区域, 两个波段雷达的衰减均较弱。此外, 在反射率因子较大的区域, Ka 和W 波段雷达均出现较明显的衰减。
Dm的大小主要受雨滴谱形状影响。在图 5(d)中, 大部分区域的 Dm在 2mm 以下, 而在部分反射率因子较大的区域, Dm达到 2.5mm 以上, 说明这些时段大雨滴的比例较高。沿着雨滴下落轨迹, Dm呈现增大的趋势, 可能与液滴下落过程中的蒸发和碰并有关。在小尺度波动出现的区域, Dm出现减小的趋势, 可能与此区域较强的风切变造成的液滴破碎有关。
图 5(e)显示, Nw表现出与 Dm相反的变化趋势, 在 Dm较大的区域, Nw较小; 在 Dm小的区域, Nw较大。在反射率因子较小的区域, Nw表现出明显的垂直方向的变化; 在反射率因子较大的区域, 垂直方向的变化不明显, 可能是由于有较多大粒子存在, 因蒸发减少的小粒子数目可以通过大粒子的破碎来补充。Dm与 Nw的这一变化趋势与此前的研究结 果[20]一致。在小尺度波动区域, Nw的增加也进一步说明此处存在液滴破碎, 对于上升运动较强的区域, Nw和 Dm均较小, 可能是由于上升气流增加了液滴的滞空时间, 蒸发导致数浓度和粒径均减小。
图 5(f)显示, R随着雨滴下落轨迹呈现减弱的趋势, 尤其在 1500m 以下的区域, R的减弱更加明显, 说明在低层存在较强的蒸发作用, 这与检验过程中得到的结果一致。小尺度波动的出现对降雨率影响不大, 可能是由于此时小尺度波动出现的位置较低, 仅仅对雨滴谱形状造成影响, 未改变其整体的数 浓度。
为更直观地了解不同降水强度下雨滴下落过程中的变化特征, 本次选取降水过程中不同强度对应的雨滴下落轨迹, 将 DSD 与 OTT 观测结果进行对比分析。下落轨迹仍然采用 Dm对应的路径, 以便反映大多数降水粒子的特征, 结果见图 6。06:45 对应降水强度较大的时段, OTT 观测降雨率为 3.21mm/h, 对应图 5(d)中蓝色路径。空中 DSD 的变化较小, 雨滴数浓度在大粒子端随高度下降呈增大趋势, 表明在雨强较大时, 雨滴的碰并增长效应增强。OTT 观测到的最大降水粒子直径为 3mm, 其雨滴谱形状和数浓度与空中 DSD 较为一致, 说明在雨强较大时, 蒸发作用对降雨的影响较弱。05:22, OTT 观测的降雨率为 0.06mm/h, 对应图 5(d)中红色路径。从空中 DSD 的变化趋势看, 雨滴下落过程中数浓度整体上减小, 谱型基本上保持不变, 但最大液滴直径随高度降低明显下降。OTT 记录的雨滴谱形状与反演结果相似, 但整体上数浓度较低, 最大液滴直径也更小。由此推断, 在弱降水时段, 雨滴下落过程中蒸发作用影响显著。通过对比不同降雨强度下雨滴下落过程中 DSD 的变化, 可以与前面得到的结论相互印证。尤其在弱降水情况下, 蒸发作用的显著影响值得进一步的深入研究。
图 7 展示雨滴下落路径上雨滴谱参数的演变情况, 与图 6 相对应。图 7(a)为 06:45 沿图 5(d)中蓝色路径的雨滴谱参数变化, 可以看出在雨滴下落过程中, Dm变化较小, 变幅在 0.05mm 以内, 整体上保持较为稳定。由于大粒子的存在, Nw维持在较低水平, 大致稳定在 100～400 mm–1·m–3。R随高度降低呈上升趋势, 从 2.2km 到 0.8km 增加约 1mm/h, 可能与雨滴下落过程中的碰并过程有关。图 7(b)为 05:22沿图 5(d)中红色路径雨滴谱参数的变化, 可以看出Dm整体上较小, 最大值仅为 0.612mm, 但在下落过程中呈明显增大趋势, 变化幅度超过 0.1mm。Nw保持在较高水平, 且变化幅度较大, 整体上呈下降趋势, 最大值与最小值之差达到 11067.71 mm–1·m–3。R随高度降低呈先增后减的趋势。由于 R与粒子下落速度和数浓度均直接相关, 因此其变化特征是雨滴碰并、破碎以及蒸发共同作用的结果。此外, 考虑到此时对应的降雨较弱, 小液滴占主导, 其整体下落速度受空气垂直运动的影响更大, 对降雨率也有明显的影响。
图6 雨滴下落轨迹中雨滴谱的变化特征
Fig. 6 Variation characteristics of DSD along falling trajectories
本研究基于 Ka 和 W 波段的雷达功率谱数据, 利用最优估计算法反演空中 DSD 和空气动力参数, 并以 2024 年 7 月 11 日的一次层状降水过程为例进行分析。Ka 和 W 波段雷达在多普勒功率谱上的差异能够有效地约束雨滴谱形状, 该差异在绝大多数降水过程中均可识别, 体现 Ka 和 W 波段雷达联合的优势。
通过第一步最优估计, 可以实现逐层反演, 从而更精准地捕捉降水局地的剧烈变化, 这在 06:30之后出现的小尺度波动中得到清晰的体现。经过地面雨滴谱仪的验证, DSD 反演结果在形态反演方面表现准确, 主要体现为 Dm和 R的一致性。然而, 反演得到的 Nw存在偏高现象, 因此对于小粒子的数浓度结果, 需谨慎对待。由于 OTT 雷达对小粒子的识别存在较大的偏差, 且雷达有效观测高度与地面之间存在一定的距离, 小粒子在此段距离中可能需要较长的下落时间, 因此需要更多的数据来验证结果的准确性。
本次降水过程中观测到的小尺度波动表明, 层状降水中仍然存在复杂的动力学过程。对这些局地小尺度动力过程的捕获有助于进一步理解降水的微物理机制。同时, 本次降水广泛存在的粒子分选现象也是一项重要发现, 体现出逐粒径反演方法相对于假设分布函数的优势。结合空气动力参数的反演结果和其他相关仪器的观测数据, 可为深入研究空气动力参数与雨滴生长之间的关系提供支持。此外, 本研究还发现弱降水时蒸发作用较为明显, 而较强降水时雨滴碰并作用更为突出, 这些现象可通过精细化的 DSD 反演结果直观地展示。
本研究的成果可用于改进各种数值模式的参数化方案。由于反演结果具有高时空分辨率, 能够适应各种卫星遥感的观测尺度, 可以用于交叉验证。DSD 和空气动力参数的成功反演为理解雨滴生长和下落过程中的碰并和破碎机制提供了野外观测依据, 有助于推动后续研究。
图7 雨滴下落轨迹中雨滴谱参数的变化特征
Fig. 7 Variation characteristics of DSD parameters along falling trajectories
本研究的反演算法尚存在一些不足之处, 尤其是弱降水条件下的误差较大, 需进一步优化, 并利用更多的数据进行检验。未来的工作中应提升算法的适用性, 应用于更多的降水个例中。例如, 针对本研究观察到的小尺度波动, 需收集更多的案例进行分析; 可拓展至台风降水和台风边界层等 DSD 和空气动力特征更复杂的情景, 并逐步延伸至冰相降水和雨滴特征等相关研究领域。
参考文献
[1] Morrison H, Van L M, Fridlind A M, et al. Confronting the challenge of modeling cloud and precipitation microphysics. Journal of Advances in Modeling Earth Systems, 2020, 12(8): e2019MS001689
[2] Zhao Chuanfeng, Xie Shaocheng, Klein S A, et al. Toward understanding of differences in current cloud retrievals of ARM ground-based measurements. Jour-nal of Geophysical Research: Atmospheres, 2012, 117 (D10): D10206
[3] Lin Limin, Bao Xuwei, Zhang Shuai, et al. Correction to raindrop size distributions measured by PARSIVEL disdrometers in strong winds. Atmospheric Research, 2021, 260: 105728
[4] 李浩然, 阮征, 刘黎平, 等. 地基多波长雷达垂直探测云降水微物理特征研究进展. 暴雨灾害, 2023, 42(4): 361–371
[5] Atlas D, Srivastava R C, Sekhon R S. Doppler radar characteristics of precipitation at vertical incidence. Reviews of Geophysics, 1973, 11(1): 1–35
[6] 陈文姝, 黄兴友, 卜令兵, 等. 南京地区冰云个例微物理参数的地基毫米波云雷达观测反演分析. 气象学报, 2025, 83(1): 115–128
[7] Williams C R. Reflectivity and liquid water content vertical decomposition diagrams to diagnose vertical evolution of raindrop size distributions. Journal of Atmospheric and Oceanic Technology, 2016, 33(3): 579–595
[8] 周嘉健, 肖辉, 潘雯菁, 等. 基于雷达反射率因子的降水性层状云中雨滴谱参数的反演方法与检验研究. 热带气象学报, 2018, 34(2): 250–259
[9] 马宁堃, 刘黎平, 郑佳锋. 利用Ka波段毫米波雷达功率谱反演云降水大气垂直速度和雨滴谱分布研究. 高原气象, 2019, 38(2): 325–339
[10] Tridon F, Battaglia A, Luke E, et al. Rain retrieval from dual‐frequency radar Doppler spectra: validation and potential for a midlatitude precipitating case‐study. Quarterly Journal of the Royal Meteorological Society, 2017, 143: 1364–1380
[11] Li Haoran, Moisseev D. Two layers of melting ice particles within a single radar bright band: interpreta-tion and implications. Geophysical Research Letters, 2020, 47(13): e2020GL087499
[12] Li Haoran, Moisseev D. Melting layer attenuation at Ka‐ and W‐Bands as Derived From multifrequency ra-dar Doppler spectra observations. Journal of Geophy-sical Research: Atmospheres, 2019, 124(16): 9520–9533
[13] 刘黎平, 张扬, 丁晗. Ka/Ku双波段云雷达反演空气垂直运动速度和雨滴谱方法研究及初步应用. 大气科学, 2021, 45(5): 1099–1113
[14] Tridon F, Battaglia A. Dual‐frequency radar Doppler spectral retrieval of rain drop size distributions and entangled dynamics variables. Journal of Geophysical Research: Atmospheres, 2015, 120(11): 5585–5601
[15] Firda J M, Sekelsky S M, Mcintosh R E. Application of dual-frequency millimeter-wave Doppler spectra for the retrieval of drop size distributions and vertical air motion in rain. Journal of Atmospheric and Oceanic Technology, 1999, 16(2): 216–236
[16] Ding X, Xu J F, Chen Q, et al. Retrieval of ice cloud properties with a dual frequency optimal estimation algorithm for terahertz and millimeter wave cloud radar // IET International Radar Conference (IET IRC 2020). Chongqing, 2020: 523–527
[17] Hogan R J. A variational scheme for retrieving rainfall rate and hail reflectivity fraction from polarization radar. Journal of Applied Meteorology and Climato-logy, 2007, 46(10): 1544–1564
[18] Tridon F, Battaglia A, Kollias P. Disentangling Mie and attenuation effects in rain using a K-W dual-wave-length Doppler spectral ratio technique. Geophysical Research Letters, 2013, 40(20): 5548–5552
[19] 阮征, 金龙, 葛润生, 等. C 波段调频连续波天气雷达探测系统及观测试验. 气象学报, 2015, 73(3): 577–592
[20] Leinonen J, Moisseev D, Leskinen M, et al. A climate-logy of disdrometer measurements of rainfall in Fin-land over five years with implications for global radar observations. Journal of Applied Meteorology and Cli-matology, 2012, 51(2): 392–404
[21] Li Haoran, Korolev A, Moisseev D. Supercooled liquid water and secondary ice production in Kelvin–Helm-holtz instability as revealed by radar Doppler spectra observations. Atmospheric Chemistry Physics, 2021, 21(17): 13593–13608
Investigation of a Stratiform Precipitation Process Utilizing Ka- and W-band Radar Spectrum
Abstract Based on vertically observed spectrum data from ground-based Ka- and W-band dual-frequency radars, this study employs an optimal estimation method to retrieve the raindrop size distribution (DSD) and aerodynamic parameters of a stratiform precipitation event on July 11, 2024. The results show that: 1) The spectrum data enable accurate retrieval of the absolute number concentration of DSDs and associated aerodynamic parameters. 2) The retrieved DSDs for individual diameter classes exhibited good agreement with validation data from a ground-based disdrometer. 3) Distinct small-scale fluctuations within the precipitation and size-sorting phenomena during raindrop descent were observed, highlighting the existence of complex dynamic processes even in stratiform precipitation systems. 4) By tracking raindrop trajectories, significant evaporation was identified during periods of light rainfall.
Key words dual-wavelength; radar spectrum; raindrop size distribution; size-sorting; stratiform precipitation