青藏高原东南部及东坡雨滴谱特征的研究

潘 婕,李茂善,龚 铭,王 婷

(成都信息工程大学大气科学学院/高原大气与环境四川省重点实验室/成都平原城市气象与环境四川省野外科学观测研究站,四川成都 610225)

0 引言

青藏高原的东南部及其东坡位于中国的西南地区,四川省以东,由于该地区受到青藏高原大地形的影响,同时存在山地、盆地、高原、丘陵等多种复合地形的影响,最终形成高温高湿的气候特征。

雨滴谱就是降水粒子群中不同直径不同尺寸的雨滴数密度的分布,是雨滴生成、下落、碰并、破碎等过程的综合结果。尽管雨滴的大小随着时间和空间而变化,但可以看出随着雨滴尺度的增大,相应的雨滴数密度会迅速减小,通常雨滴数密度也随雨强的大小而产生变化,一般降水小雨滴占比很大,但是大雨滴对雨强的贡献很大。陈宝君等[1]通过在沈阳夏季测得的积雨云、层状云和积层混合云的降水资料,分析了3 类降水云的特征,即3 类降水云的平均雨滴谱特征不同,层状云的雨滴谱谱宽较窄,呈指数分布,积雨云和混合云的雨滴谱谱宽较宽,且在大雨滴一边呈多峰结构。Marshall 等[2]根据渥太华夏季降水的观测资料,分析认为雨滴大小的分布非常接近负指数函数的形式,尤其是在稳定的降水中,这一特征表现得更为明显。因此,除了很小的雨滴外,雨滴大小的分布可以用以下的数学模型来表示:

N(D)=N0exp(-λD)

式中,N0为数浓度参数,mm6·m-3;λ为斜率,mm-1,M-P 雨滴谱分布此时为双参数模式,已经在云降水数值模拟中广泛使用。

近年来,中国引进了激光雨滴谱仪,通过雨滴谱仪得到的观测数据,丁建芳等[3]通过研究河南省的层状云降水过程,发现河南省的层状云降水的空间结构不均匀,不同的微物理参量的变化也不均匀,且层状云的雨滴谱分布较窄,曲线较为平滑。王秋淞等[4]通过分析2016年安徽淮南的夏季雨滴谱特征,得到层状云降水比对流云降水的雨强贡献率要高,层状云降水中的直径＜1 mm的粒子数浓度也高于对流云降水中直径＜1 mm的粒子数浓度,且在层状云降水中,M-P 分布和Gamma 分布的差别很小,而在对流云降水中,Gamma分布比M-P 分布能够更加准确地表现安徽淮南的降水粒子粒径与粒子数浓度之间的关系。柳臣中等[5]对成都地区的雨滴谱特征进行研究,并对3 种不同降水云类型进行对比分析,得到成都地区的积雨云和混合云的雨滴谱比层状云的谱宽且雨滴数密度大于层状云,尤其是在大雨滴和更小的雨滴这两部分。常祎等[6]研究了青藏高原那曲地区夏季对流云的雨滴谱分布,得到高原雨滴谱的分布相对于同纬度同季节的平原地区的较宽,且相比M-P 分布,Gamma 分布更适于对高原雨滴谱进行拟合。而对于青藏高原东南部及其东坡的川西高原,不同季节不同区域的雨滴谱特征很少提到。

降水与人类的生活生产息息相关,通过分析降水的雨滴谱特征,不仅能从宏观上了解成云致雨的发展演变过程,也能在微观里掌握降水云云体内的云微物理特征,从而对人工降雨、人工影响天气、雷达反演降水等活动起到指导作用[7-8]。因此,雨滴谱的特征研究一直是气象中的云降水物理过程研究的重要课题。由于青藏高原地区海拔较高,自然条件恶劣,且下垫面十分复杂,对高原云降水物理过程的观测资料匮乏,缺少有效的高分辨率资料,因此对高原地区的云微物理过程以及云降水的参数特征研究较少,对高原云降水分类的研究也是有限的,远不能满足科学研究和实际应用的要求。目前由于青藏高原地域广阔,对于青藏高原雨滴谱的观测和研究主要集中在中部,而其他区域的研究仍然有限。本文利用峨眉山站点及林芝站点观测的雨滴谱资料,探讨不同季节不同类型云降水的雨滴谱差异、降水强度和雨滴谱拟合参数之间的关系等,以及在西南涡影响下的雨滴谱特征的分析,旨在进一步加深对该地区降水的宏微观特征的认识,完善高原降水的研究不足。

1 资料和方法

1.1 资料和设备介绍

本文使用的雨滴谱数据是由在峨眉山大气环境站Parsivel 激光降水粒子谱仪观测得到,观测时间为2021年1月1日至12月31日,观测地点位于四川省乐山市四峨山地区,海拔高度为970 m,经纬度分别为29.54 °N、103.34 °E,以及位于藏东的林芝站观测得到,经纬度分别为29.60 °N、94.36 °E。同时,西南涡背景下的个例分析所用的气象资料为欧洲中期数值预报(ECMWF)中心2021年7月15-16日ERA5 再分析资料,主要为风速风向和环流形势等,水平分辨率为0.25°×0.25°,其主要气象要素为一天4 次(2:00、8:00、14:00、20:00)的风场观测资料。

HSC-OTT Parsivel 激光降水粒子谱仪是德国OTT北京公司生产的以激光测量技术为基础的光学传感系统,主要由激光发射器、接收器、储存器等部分组成,该仪器的采样面积为54 cm2,采样时间为60 s,雨滴谱仪通过把接收到的光信号转换为电信号,将观测到的雨滴谱按照等效体积直径和下落速度的大小划分为32 个通道,可以测量出降水粒子的直径大小和下降速度,降水粒子的直径和速度的有效测量范围分别为0.062～24.5 mm和0.25～20.8 m/s。由于考虑到雨滴谱仪的自身测量精度问题,故剔除前两个直径通道的数据[9],可测得的最小降水粒子的平均直径为0.312mm,其次,由于在自然界中很少有直径＞6 mm的雨滴,因此剔除雨滴谱仪观测数据中直径＞6 mm的样本[10-11]。

1.2 雨滴谱分析方法

通过数据剔除后,对雨滴谱仪实测数据运用相对应的公式计算就可以得到单位体积、单位间隔的雨滴数浓度N(Di),以及雷达反射率因子Z、雨强R、雨滴总数浓度N0、液态水含量W等物理量。

雨滴谱数据的物理意义是指平均直径Di(1≤i≤32)和下落末速度Vj(1 ≤j≤32)对应的降水粒子数Aij,与直径通道Di对应单位空间体积的降水粒子总数N(Di)可以表示为

式中:N(Di)是单位体积单位尺寸间隔的雨滴数浓度。T和S分别表示雨滴谱的采样周期和采样面积,S=54 cm2,T=60 s。

根据计算得到的雨滴数浓度可以进一步计算得到粒子数总密度N0、雷达反射率因子Z(mm6·m-3)和降雨强度R(mm·h-1),计算公式如下。粒子数总密度:

雷达反射率因子:

降雨强度:

1.3 Gamma 参数化计算

雨滴谱的参数化是通过运用数学模型来描述自然界中的降水粒子浓度随粒子直径大小的变化趋势,如M-P 分布、Gamma 分布,由于M-P 分布在描述粒径尺度不同的雨滴分布时与实际的观测资料相比存在一定的误差[12-13],因此Ulbrich 等[14]提出了一种雨滴谱分布,即Gamma 分布,用来修正大小雨滴的分布,得到更加的拟合曲线。而Gamma 分布和M-P 分布在拟合强降水时差异较小,弱降水时差异就明显偏大,其中Gamma 雨滴分布的代表性更好。因此,本文选取Gamma 函数对雨滴谱进行拟合,Gamma 分布模型:

N(D)=N0Dμexp(-λD)

此时,Gamma 分布变为了3 个参数,一般使用阶矩法或者最小二乘法来估计,可以将观测数据中的雨滴尺度分布拟合到Gamma 分布中,求得3 个参数μ、λ、N0[15]。本文中将采用阶矩法中0、3、6 阶距来对Gamma 分布模型中的3 个参数进行拟合。

其中,第n阶矩定义:

积分后得到

Mn=N0λ-(μ+N+1)Γ(μ+n+1)

阶矩法的具体步骤如下:

令

化简可得到:

3(F-1)μ+2(6F-15)μ+(11F-74)μ+(6F-120)

两边同除(F-1),令

解方程

得到

式中,N(D)(m-3·mm-1)是每单位体积每单位尺寸间隔内的粒子数,λ(mm-1)表示拟合曲线的分布斜率,直接反应了降水过程中大小雨滴的分布变化;μ是无量纲参数,为形状因子,反映了拟合曲线的形状,当μ＞0 时,曲线随粒子尺度向上弯曲,μ＜0 时,曲线随粒子尺度向下弯曲,μ=0时,呈负指数函数的形式,即M-P 分布函数。

1.4 降水云的分类

根据降水云的性质,将所有降水云分为3 类:层状云降水、混合云降水、积雨云降水[16]。将2021年1月1日-12月31日峨眉山站点和林芝站(由于数据缺失,林芝站缺少4月、5月、9月以及12月的雨滴谱数据)测得数据分为4 个季节来统计计算,每个季节又分成3 类降水云来研究。峨眉山站点数据通过人工筛选出14592份雨滴谱数据,林芝站筛选出27967 份雨滴谱数据。将雷达反射率因子Z＜10 dBZ的数据资料视为非降水回波,Z＞35 dBZ则为积雨云降水,10＜Z＜30 dBZ则为层状云降水,30～35 dBZ则为混合云降水[15]。

从表1 可以看出,按降水频次,峨眉山站点春季降水最多,其次是夏季、秋季和冬季,整年主要降水类型为层状云,层状云降水频次占到总降水频次的81.15%;积雨云降水频次次之,混合云降水频次最少。层状云降水的频次在春、夏、冬3 季明显远多于积雨云降水和混合云降水,而在秋季混合云降水均较春冬季的混合云降水增多,积雨云降水在秋季频次突增,远高于春、夏、冬3 季[17-18]。

表1 峨眉山站点3 种降水云在四季中的样本频次统计

从表2 可知,按照降水频次,林芝站夏季降水频次最多,其次是春季、秋季和冬季,整年主要降水类型为层状云降水,其中层状云降水频次占到总降水频次的94%;混合云降水次之,积雨云降水频次最少。层状云的降水频次四季都远超于积雨云和混合云降水频次,而在夏季的积雨云降水频次较春、秋、冬3 季的积雨云频次明显增多,冬季积雨云降水频次最少,只有1 次降水,远低于春、夏、秋3 季[17-18]。

表2 林芝站点3 种降水云在四季中的样本频次统计

2 结果分析

2.1 雨滴谱参数分析

如图1所示,峨眉山站点在观测期间内雨滴谱测量总降水量为1431.98 mm,其中秋季累计降水量最多,为990.59 mm,其次是冬季323.42 mm,春季150.53 mm,累计降水量最少的是夏季102.44 mm。通过对全年降水的雨滴谱进行平均,得到每个降水过程的平均数据,其中春季平均雨强值为0.048 mm·h-1,夏季平均雨强值为0.117 mm·h-1,秋季平均雨强值为0.325 mm·h-1,冬季平均雨强值为0.061 mm·h-1,表明峨眉山站点观测到该地区年累计降水量大,尤其是夏、秋两季降水量很大,降水持续时间短,多夜雨,降水频次多[19-20]。

图1 峨眉山站点及林芝站点四季平均雨强以及累计降水量

林芝站点在观测期间内雨滴谱测量总降水量为600.17 mm,其中夏季累计降水量最多,为481.49 mm,其次是秋季74.12 mm,春季35.55 mm,累计降水量最少的是冬季9.01 mm。通过对全年降水的雨滴谱进行平均,得到每个降水过程的平均数据,其中春季平均雨强值为0.049 mm·h-1,夏季平均雨强值为0.200 mm·h-1,秋季平均雨强值为0.030 mm·h-1,冬季平均雨强值为0.007 mm·h-1,表明林芝站点观测到该地区年累计降水量较峨眉山站点小很多,其中夏季降水远高于其他3 季,但平均雨强与峨眉山站点相差不大,每次降水的降水持续时间短,降水频次多(由于数据不全,该结论不够严谨、全面)[19-20]。

为获得观测期间峨眉山站点和林芝站点的雨滴谱分布特征,在处理数据时对统计出的降水资料进行了处理:对每个季节的降水过程中通过的粒子数进行平均,得到每个季节的平均数据,分类到3 类云降水中,得到的不同降水类型的平均谱图数据。

图2 为2021年峨眉山站点在3 类云降水中实际雨滴谱的分布变化情况。春季,雨滴粒径＜1.3 mm时,3 类降水云数浓度很高,均达到了两次峰值,此时数浓度大小层状云最低,在粒径＞1.3 mm的情况下,3 类云均呈现明显的浓度下降趋势,除积雨云降水谱图为双峰型外,其余两类云降水的谱图都呈现多峰型。夏季,雨滴粒径＜1.5 mm时,3 类降水云数浓度很高,均达到了两次峰值,此时数浓度大小混合云最高、层状云最低,在粒径＞1.5 mm时,3 类云都呈现出浓度降低的变化趋势,整体为积雨云＞混合云＞层状云的趋势,3 类降水云的谱图都呈双峰型。秋季,雨滴粒径＜1.4 mm时,3 类降水云数浓度都很高,均达到了两次峰值,此时数浓度大小层状云最低;在粒径＞1.4 mm时,3 类云浓度都呈下降趋势,整体为积雨云＞混合云＞层状云的趋势,除层状云降水谱图为双峰型外,其余两类云降水的谱图都呈现多峰型。冬季,雨滴粒径＜1.4 mm时,3 类降水云数浓度很高,均达到了两次峰值,在粒径＞1.9 mm时,3 类云的降水浓度整体呈下降趋势,整体为积雨云＞混合云＞层状云的趋势,3 类降水云的雨滴谱浓度谱图都呈多峰型。(图中大粒子浓度上升的拐点,系因对3种云类型分类时只按照雷达反射率因子的大小进行分类,没有考虑到其他特殊情况,未筛除其中的特殊值)。整体来看,峨眉山站点4 个季节对应粒子数浓度峰值的粒径为1.5 mm左右,其中层状云雨滴谱浓度最低,谱宽最短,雨滴浓度会随着粒径的增大而减小的趋势逐渐变缓。

图2 峨眉山站点四季3 种降水云类型雨滴谱

根据图3 林芝站点的雨滴谱图分析得出,整体来看,春季,雨滴粒径＜1 mm时,3 类降水云数浓度较高,均达到了峰值,在粒径＞1.6 mm的情况下,降水云均呈现明显的浓度下降趋势,除积雨云有两次明显峰值,且3类云降水的谱图都呈现多峰型。夏季,雨滴粒径＜1 mm时,3 类降水云数浓度很高,均达到了两次峰值,此时数浓度大小积雨云最高、层状云最低,在粒径＞1 mm时,3类云浓度是呈明显下降趋势,且除积雨云为双峰型外,其他两类云降水的谱图都呈多峰型。秋季,雨滴粒径＜1 mm时,3 类降水云数浓度都很高,均达到了两次峰值,在粒径＞1 mm时,3 类云浓度都呈下降趋势,整体为积雨云＞混合云＞层状云的趋势,除积雨云降水谱图为双峰型外,其余两类云降水的谱图都呈现多峰型。冬季,在粒径＞1 mm后整体浓度是呈下降趋势的,降水云中除混合云有两次峰值以外,降水浓度整体呈下降趋势,表现为混合云＞积雨云＞层状云的趋势,除层状云降水谱图为双峰型外,其他两类降水云的雨滴谱浓度谱图都呈多峰型。(由于林芝站数据不全,春、秋、冬3 季的浓度值不够准确,且图中大粒子浓度上升的拐点,系因对3 种云类型分类时只按照雷达反射率因子的大小进行分类,没有考虑到其他特殊情况,未筛除其中的特殊值)。整体来看,林芝站点4 个季节对应粒子数浓度峰值的粒径为1 mm左右,其中层状云雨滴谱浓度最低,雨滴浓度会随着粒径的增大而减小的趋势在逐渐变缓[25-30]。

图3 林芝站点四季3 种降水云类型雨滴谱

2.2 Gamma 拟合

通过表3 的Gamma 拟合所得到的参数可以看出,峨眉山站点春季,积雨云浓度参数N0的值最小,lgN0的值为2.785 m-3·mm-1,形状因子μ为0.167、斜率因子λ为1.979 mm-1;层状云浓度参数最大,lgN0的值为3.288 m-3·mm-1,形状因子μ为0.222、斜率因子λ为3.246 mm-1;混合云处于两者之间,lgN0的值为3.190 m-3·mm-1,形状因子μ为、斜率因子λ为2.281 mm-1。夏季,层状云浓度参数N0的值最小,lgN0的值为3.099 m-3·mm-1,形状因子μ为-0.024、斜率因子λ为3.225 mm-1;混合云浓度参数最大,lgN0的值为5.794 m-3·mm-1,形状因子μ为4.265、斜率因子λ为7.170 mm-1;积雨云处于两者之间,lgN0的值为3.516 m-3·mm-1,形状因子μ为0.974、斜率因子λ为2.682 mm-1。秋季,积雨云浓度参数N0的值最小,lgN0的值为3.166 m-3·mm-1,形状因子μ为0.288、斜率因子λ为1.819 mm-1;层状云浓度参数最大,lgN0的值为4.083 m-3·mm-1,形状因子μ为1.416、斜率因子λ为5.158 mm-1;混合云处于两者之间,lgN0的值为4.065 m-3·mm-1,形状因子μ为1.486、斜率因子λ为3.825 mm-1。冬季,积雨云浓度参数N0的值最小,lgN0的值为2.649 m-3·mm-1,形状因子μ为0.750、斜率因子λ为2.150 mm-1;混合云浓度参数最大,lgN0的值为5.280 m-3·mm-1,形状因子μ为3.407、斜率因子λ为6.148 mm-1;层状云处于两者之间,lgN0的值为3.431 m-3·mm-1,形状因子μ为0.036、斜率因子λ为4.113 mm-1。综上所述,春、秋2 季的拟合参数值的大小为积雨云＜混合云＜层状云,而夏季和冬季则不同,夏季为层状云＜积雨云＜混合云,冬季的参数值大小为积雨云＜层状云＜混合云。

表3 峨眉山站点3 类降水GAMMA 分布拟合参数

而林芝站点(表4)春季,积雨云浓度参数N0的值最大,lgN0的值为4.477 m-3·mm-1,形状因子μ为6.501、斜率因子λ为4.423 mm-1;层状云浓度参数最小,lgN0的值为2.869 m-3·mm-1,形状因子μ为0.496、斜率因子λ为1.444 mm-1;混合云处于两者之间,lgN0的值为2.929 m-3·mm-1,形状因子μ为1.077、斜率因子λ为1.597 mm-1。夏季,层状云浓度参数N0的值最小,lgN0的值为2.015 m-3·mm-1,形状因子μ为-0.834、斜率因子λ为0.979 mm-1;积雨云浓度参数最大,lgN0的值为3.368 m-3·mm-1,形状因子μ为-0.033、斜率因子λ为2.508 mm-1;混合云处于两者之间,lgN0的值为2.226 m-3·mm-1,形状因子μ为-0.875、斜率因子λ为1.044 mm-1。秋季,积雨云浓度参数N0的值最小,lgN0的值为2.114 m-3·mm-1,形状因子μ为-0.842、斜率因子λ为0.83 mm-1;混合云浓度参数最大,lgN0的值为2.349 m-3·mm-1,形状因子μ为-0.803、斜率因子λ为1.029 mm-1;层状云处于两者之间,lgN0的值为2.115 m-3·mm-1,形状因子μ为-0.787、斜率因子λ为1.306 mm-1。冬季,层状云浓度参数N0的值最小,lgN0的值为3.262 m-3·mm-1,形状因子μ为0 .146、斜率因子λ为1.436 mm-1;混合云浓度参数最大,lgN0的值为3.816 m-3·mm-1,形状因子μ为3.881、斜率因子λ为2.330 mm-1;积雨云处于两者之间,lgN0的值为3.484 m-3·mm-1,形状因子μ为3.608、斜率因子λ为2.114 mm-1。综上所述,春、夏2季的拟合参数值的大小为积雨云＞混合云＞层状云,而秋季和冬季则不同,秋季为混合云＞层状云＞积雨云,冬季的参数值大小为混合云＞积雨云＞层状云。

表4 林芝站点3 类降水GAMMA 分布拟合参数

如图4、5所示,根据3 类云降水的Gamma 分布拟合可知,峨眉山站点春季,混合云和积雨云的谱宽最宽,最大粒径为5.5 mm;层状云谱宽最窄,最大粒径为4.5 mm。夏季,积雨云的谱宽最宽,最大粒径为5.5 mm;其次是层状云,最大粒径为4.25 mm;混合云的谱宽最窄,最大粒径为3.75 mm。秋季,积雨云的谱宽最宽,最大粒径为5.5 mm;其次是混合云,最大粒径为4.85 mm;层状云的谱宽最窄,最大粒径为3.5 mm。冬季,积雨云的谱宽最宽,最大粒径为5.5 mm;其次是混合云,最大粒径为3.8 mm;层状云的谱宽最窄,最大粒径为3.6 mm。其中,夏冬季的混合云拟合浓度图像上凸十分明显。通过峨眉山站点的拟合曲线与实测曲线数据对比,发现春、夏2 季的曲线有点偏离观测曲线,但秋冬的曲线趋势大致是相近的,模拟较好的粒径区间在1.5～4.0 mm。林芝站点春、秋、冬3 季,3 类降水云谱宽相当,最大粒径都为5.5 mm。夏、秋、季3 类云降水的小粒径浓度下降趋势较为缓慢,后下降趋势明显较陡。夏季,积雨云的谱宽最窄,最大粒径为4.9 mm,层状云与混合云的谱宽相似,最大粒径为5.5 mm。其中,林芝站点春冬两季的积雨云拟合曲线也有较为明显的上凸趋势,通过林芝站点的拟合曲线与实测曲线数据进行对比发现,4 个季节的拟合曲线的浓度值均高于实测浓度值,但拟合曲线与实测曲线的趋势较为相似,模拟较好的粒径区间在1.3～4.5 mm。因此,峨眉山站点和林芝站点的雨滴谱在适当范围内是能够运用Gamma 分布模拟的。

图4 峨眉山站点四季3 种降水云实测与Gamma 拟合对比雨滴谱

图5 林芝站点四季3 种降水云实测与Gamma 拟合对比雨滴谱

2.3 西南涡背景下雨滴谱特征分析

西南涡是指在四川西部低空生成的一种气旋性涡旋,由于常与东侧的低空急流配合,带有大量的水汽,会对该地区形成阴雨天气,东移发展时会对西南地区乃至东北、东部、东南地区形成暴雨天气,同时会引起大风、地面锋面气旋的发生发展[31-32]。因此,研究选取了峨眉山站点2021年7月15-16日的一次西南涡数据个例进行研究分析,旨在了解产生于青藏高原东部并对中国西南地区的降水有很大作用的西南涡对研究站点区域的影响。

如图6、7所示,通过分析欧洲中心ERA5 的700 hPa7月16日08 时、20 时的数据资料,可以明显看到在青藏高原东侧的四川盆地附近有一低压涡旋产生,两侧风场有明显的不对称性,水汽主要是来自孟加拉湾,经由云贵高原输送过来,水汽输送至四川盆地形成了明显辐合,副高控制了华东地区,制约了西南涡的东移,利于西南涡在青藏高原东侧形成持续的抬升运动,对该地造成了一次降水过程。根据雨滴谱累计降水量数据统计出7月15 -16日总降水量达到67.43 mm,平均雨强为0.75 mm/h,可以看出本次降水持续时间长,小时雨强强,累计雨量大。通过对7月15-16日的雨滴谱数据资料分析形成的雨滴谱分布(图8)可以明显看出,雨滴谱分布的整体趋势是呈双峰型分布的,第一次峰值出现在粒径为0.6 mm;随着粒径的增大,数浓度开始减小,直至粒径约为1.2 mm,数浓度开始上升;在粒子直径为1.5 mm时,数浓度达到了第二个峰值,此后数浓度便随着粒径的增大开始减小,最大粒径为5.5 mm。由此可见,伴随较深厚的气旋性涡旋出现的降水强度较大,48 h累积雨量较大,雨滴谱分布的谱宽较宽,粒子数浓度在小粒径时更高,西南涡的发生发展造成的降水对本次研究区域的雨滴谱分布有很大的影响,因此,对于西南涡形成降水过程的研究要更进一步,这对于青藏高原东侧的云微物理特征的研究也会更有优势。

图6 7月16日08 时700 hPa 风场图

图7 7月16日20 时700 hPa 风场图

图8 7月15-16日雨滴谱图

3 结论与讨论

利用2021年峨眉山站点和林芝站点的激光雨滴谱仪数据资料,研究了青藏高原东南部及其东坡降水的雨滴谱特征。获得的主要结论如下:

(1)通过年降水量以及雨滴谱分布可知,峨眉山站点观测到该地区年累计降水量大,尤其是夏、秋2 季降水量很大,降水持续时间短,降水频次多。林芝站点观测到该地区年累计降水量较峨眉山站点小很多,其中夏季降水远高于春、秋、冬3 季,但平均雨强与峨眉山站点相差不大,降水持续时间短,降水频次多。

(2)峨眉山站点4 个季节对应粒子数浓度峰值的粒径为1.5 mm左右,其中层状云雨滴谱浓度最低,谱宽最短,雨滴浓度会随着粒径的增大而减小的趋势逐渐变缓。而林芝站点4 个季节对应粒子数浓度峰值的粒径为1 mm左右,其中层状云雨滴谱浓度最低,主要贡献在小粒径上,雨滴浓度会随着粒径的增大而减小的趋势逐渐变缓。通过Gamma 拟合可以看出,峨眉山站点春、夏2 季的曲线有点偏离观测曲线,但秋冬的曲线趋势大致是相近的,模拟较好的粒径区间在1.5～4.0 mm。而林芝站点4 个季节的拟合曲线的浓度值均高于实测浓度值,但拟合曲线与实测曲线的趋势较为相似,模拟较好的粒径区间在1.3～4.5 mm。因此,峨眉山站点和林芝站点的雨滴谱在适当范围内是能够运用Gamma 分布模拟的。

(3)通过对2021年7月15-16日的降水个例分析,伴随较深厚的气旋性涡旋出现的降水强度较大,48 h累积雨量较大,雨滴谱分布的谱宽较宽,粒子数浓度在小粒径时更高,西南涡的发生发展造成的降水对本次研究区域的雨滴谱分布有很大的影响。因此,基于对西南涡形成降水过程的研究更进一步,这对于青藏高原东侧的云微物理特征的研究也会有所帮助。

在处理观测数据时,根据雷达反射率因子对不同类型降水云分类的方法有误差,在统计过程中,出现了不属于混合云的类别,导致雨滴谱分布曲线本应该随着粒径增大,数浓度递减区域出现了折返,使雨滴谱图中大粒子数浓度不降反增。由于林芝站点的雨滴谱数据缺失(缺少4月、5月、9月、12月数据),导致整体的研究结果存在一定的偏差,对概括青藏高原东南部及其东坡区域的雨滴谱特征有一定的影响。因此,为了能够更加全面、具体的提高对青藏高原东南部及其东坡的雨滴谱特征的掌握情况,未来的方向可以选取更加精确的时间尺度、更加完整的数据资料以及尽量多的观测站点,以获得准确的区域资料,为以后研究青藏高原地区的云微物理特征提供一些帮助。

致谢:感谢成都信息工程大学科研基金项目(KYTZ201721)对本文的资助