基于L波段探空的云区边界识别改进算法

2022-03-03胡树贞王志成杨荣康

沙漠与绿洲气象 2022年1期

胡树贞，陶法，王志成，杨荣康

（中国气象局气象探测中心，北京 100081）

云的生成、发展及演变过程对天气特征、气候变化及人工影响天气十分重要，特别是对大气垂直运动和天气过程的影响[1]。云通过吸收和发射长波辐射参与地球辐射收支平衡，近年来对于云的辐射强迫响应研究，不仅局限于云量和云底高度，更加关注云体垂直结构信息[2-3]。随着科学技术的发展，越来越多的新技术、新方法应用于地基云观测，对云高观测主要有激光云高仪、毫米波雷达、厘米波雷达等，对云量观测有可见光成像仪、红外成像仪等[4-9]。厘米波天气雷达和毫米波云雷达作为主动遥感设备，通过发射和接收水平方向或垂直方向上的电磁波束，得到云和降水的宏观和微观信息，为揭示云和降水的垂直结构信息提供精准参考[10-13]。但受观测技术体制和成本等多重因素影响，我国还没有形成地基云的自动化观测业务，无法在应用层面上定量化获得云的垂直结构信息。

探空是获取大气垂直状况信息的一种重要手段，探空气球携带探空仪可获取由地面到高空30 km温、压、湿、风气象要素随高度的变化信息[14-16]。探空传感器在入云和出云时，观测的湿度存在剧烈的变化，因此可利用探空观测数据分析云的垂直结构。国外利用探空资料对云垂直结构特征研究较早，Poore[17]利用地面观测和探空资料探讨了云层的厚度，提出用相对湿度阈值以及云顶和云底相对湿度的跳跃变化来判断云层（WR95法）。国内的专家学者利用探空资料对云垂直结构特征进行过类似的研究，张玲[18]通过分析相对湿度的突变来订正地面人工观测云的准确性；周毓荃[19]采用WR95法，利用探空秒数据，分析了不同云垂直结构，将得到的分析结果与Cloudsat卫星实测云垂直结构进行个例分析；蔡淼[20]利用探空数据分析了云内和云外相对湿度的累积频率分布，提出随着高度的增加，云区相对湿度判别阈值相应减小的动态阈值算法；孙丽[21]利用动态阈值算法对沈阳地区云垂直分布特征进行了验证分析，算法在沈阳地区识别云的正确性达75%以上。

目前，利用探空数据进行云垂直边界识别主要是基于相对湿度的阈值法和梯度法，但在实际使用过程中，阈值法由于不同地区的局地气候特征存在局限性，而梯度法在近地面高湿大气中造成的误判较多。本文在蔡淼提出的相对湿度动态阈值法的基础上，提出一种利用探空相对湿度阈值与梯度相结合的云区边界识别改进算法，改进算法首先利用相对湿度阈值确定云区大致区间范围，在云区空间范围内，利用相对湿度的梯度变化特征，进一步明确云区边界，实现对云顶高度和云底高度的自动识别。

1 资料及其分析方法

1.1 毫米波云雷达

云雷达资料来源于安装在北京市南郊观象台的全固态Ka波段毫米波云雷达，毫米波段在云雾粒子中具有较强的散射特性，更适用于云、雾等目标观测。该云雷达使用固态发射技术，运行成本低，功耗小，可靠性高。采用较小尺寸天线获得较高的天线增益和较窄的波束，得到较高的角分辨率。云雷达每分钟观测一次，获取0～15 km，垂直分辨率30 m，云粒子的反射率因子Z、径向速度V r及速度谱宽SW[22]。相关专家学者对该技术体制云雷达云高探测准确性进行了评估与对比分析[23-27]。

1.2 L波段探空系统

探空数据为北京市南郊观象台L波段高空气象探测系统业务数据，探测系统由测风雷达、无线电探空仪、探空仪基测箱、探空气球及电池等组成。探空仪传感器的要求及测量范围分别为：温度为50～-90℃，对环境温度的变化具有充分快的反应速率，上升过程中热滞造成的系统误差＜0.1℃/km；湿度为1%～100%，与大气中水分子自由迅速交换，能够真实反映大气中水汽的分布情况；气压为1 050～1 hPa，在1 050～5 hPa的动态范围内保持其准确度，并在规定较低气压下仍具有0.1 hPa的分辨率。探空仪测量准确度要求见表1。

表1 探空仪测量准确度要求

1.3 资料分析方法

在处理探空数据时，首先考虑不同温度下相对湿度的合理计算，当气温低于0℃时，按照冰面饱和水汽压计算相对湿度，即利用实际水面饱和水汽压除以冰面饱和水汽压得到新的相对湿度，相关计算公式如下：

式中，Ew为水面饱和水汽压（hPa）；Ei为冰面饱和水汽压（hPa）；T0为水的三相点温度，T0（K）=273.16；T为绝对温度，T（K）=273.15+t，t为摄氏温度（℃）；U为空气相对湿度（%）；Ur为冰面饱和水气压下计算的空气相对湿度（%）。

由于探空气球上升过程中随风漂移，云同时也在移动，为使探空入云点与毫米波云雷达垂直顶空探测的对象尽可能保持一致，识别算法准确性验证分析时样本选取应遵循以下原则：（1）对比分析样本为云底或云顶较为平整的层状云；（2）探空放球时刻前10 min毫米波云雷达观测云高数据取平均作为对应时刻的标准云高样本。

2 探空云区边界识别算法

首先，云区内部大气的相对湿度高于云外，周毓荃等[19]认为相对湿度84%可作为云区与非云区界限，但单纯的阈值判别在普适性方面难免存在缺陷。而随着垂直高度的增加，空气中水汽在达到饱和与未饱和的临界面一般认为是云区边界，在边界处相对湿度必然存在明显的梯度变化。为分析探空观测要素廓线在云区边界的特征，图1为2017年9月30日毫米波云雷达反射率因子与探空温湿廓线对应关系。在18：00—22：00天顶7～10 km范围内有层状云，云底和云顶高度平整（图1a）。图1b中蓝线为探空实测的大气相对湿度随高度变化廓线，简称相对湿度（液面）；绿线为利用冰面饱和水气压计算的大气相对湿度廓线，简称相对湿度（冰面）。通过毫米波云雷达反射率因子与探空相对湿度廓线之间的时空对应分析，可见利用相对湿度（冰面）廓线更能较好地对应毫米波云雷达探测的云区，但探空廓线在云区下方6 km处有高湿层，厚度约1 km，单纯依靠相对湿度阈值判断，将造成误判。

随着高度升高，空气温度和密度下降，理论上无云条件下探空仪所测温湿廓线呈规律性下降，由于受大气环境影响空气中水汽凝结成云粒子的条件不同，因此采用相对湿度分段阈值进行云区判断是合理的。另外，根据云生成条件，云底高度一般出现在大气抬升凝结层高度以上。利用探空相对湿度阈值与梯度相结合判断云区边界改进算法，首先是通过相对湿度（冰面）云区与非云区阈值确定云区范围，然后求取相对湿度（冰面）廓线梯度，在云区范围内通过查找梯度极值的方式进一步明确云区边界。相对湿度（冰面）阈值作为判断探空廓线有云与否的初选条件，可直接借鉴蔡淼等[20]提出的计算方法，具体见公式（4），利用探空数据计算抬升凝结层高度见公式（5）。

式中，Hr为云区相对湿度阈值（%）；H为探空仪高度（km）；LCL为抬升凝结层高度（km）；T0为探空地面测量温度（℃）；τ0为近地面空气层露点温度（℃）。

图2为2017年9月30日19：15探空相对湿度（冰面）廓线特征。探空气球的升速随外界条件随时变化，导致探空获取的气象数据随高度非等间隔分布，对后续梯度等系列计算造成影响，需要对数据进行标准化处理。将探空获取0～15 km相对湿度（冰面）廓线数据进行5 m间隔样条函数插值，使相对湿度变成3 000组标准的随高度等间隔分布廓线数据，与图1b相比，标准化后的廓线保留了原始廓线中全部有效信息。图2a为将标准化后探空数据滑动平均处理，以减少廓线中毛刺，保留云边界特征信息的同时使廓线平滑，黑色虚线为云区相对湿度阈值。图2b为在平滑廓线的基础上对相对湿度（冰面）廓线求一阶导数，图2b中标记1、3分别为云底高度，标记2、4为云顶高度，显然1、2为误判云区边界。

图1 2017年9月30日毫米波云雷达反射率因子（a）与19：15探空温湿廓线（b）

为解决误判问题，图2c在图2b的基础上对一阶导数以500 m为步长进行平滑，得到入云区Hin（一阶导数为正的区间）、出云区Hout（一阶导数为负的区间）及云区范围Hcloud（一阶导数稳定且较小的区间），便于后续数据质量控制。在图2c中针对6 km附近高湿层在相对湿度达到平衡后Hcloud仅有170 m，云区过于稀薄予以剔除。改进算法利用提取的Hin、Hout和Hcloud进行质量控制，即可剔除误判云区。另外，探空仪在出云时，受低温高湿影响，经常出现脱湿不及时现象，造成云顶高度明显偏离实际值，同样可通过设置Hout范围的方式加以剔除。

图2 2017年9月30日19：15探空相对湿度廓线特征

利用探空相对湿度阈值与梯度相结合识别云区边界识别算法，首先通过相对湿度阈值确定云区范围，然后通过梯度确定云区边界，即云底高度和云顶高度，算法流程见图3。

图3 基于探空相对湿度阈值和梯度相结合的云区边界识别算法流程

3 算法识别效果与分析

图4为2019年2月22日19：15探空识别的一次层云样本。12：00—00：00天顶的云底和云顶平整，未出现明显起伏（图4a），可用于探空云区识别算法的验证分析。图4b中的标号1、2、3分别对应云雷达观测云底高度、改进算法识别云底高度、相对湿度阈值法识别云底高度，标号4、5、6分别为云雷达观测云顶高度、改进算法识别云顶高度、相对湿度阈值法识别云顶高度。经分析，单纯利用相对湿度阈值进行云区识别，由于探空的滞后性，会造成云底和云顶较真实值偏高现象，而改进算法识别结果介于云雷达观测和相对湿度阈值法识别结果之间，在一定程度上提高了云区识别精度。

图4 2019年2月22日毫米波云雷达反射率因子（a）与19：15探空相对湿度廓线（b）

利用北京市南郊观象台2019年1—6月天空为层状云时，对改进算法和相对湿度阈值法识别的云高分别与云雷达观测数据进行比对分析，期间共找到62个云底高度样本，30个云顶高度样本。改进算法和相对湿度阈值法识别云高分别与云雷达观测结果间误差分析见图5。

图5 探空识别云高与云雷达观测云高误差

通过对比分析，改进算法识别的云高结果相比相对湿度阈值法偏低，与云雷达观测结果更为接近（表2）。

表2为改进算法和相对湿度阈值法识别的云高分别与云雷达观测结果的统计分析，改进算法识别云底高度和云顶高度更接近于云雷达观测结果。另外，改进算法中有79%的云底高度样本与云雷达观测结果误差在±10%以内，而相对湿度阈值法为71%。对于云顶高度，改进算法与云雷达间相对误差大幅减小，说明改进算法能够明显降低由于探空湿度传感器脱湿滞后所造成的识别误差。