地球物理学报  2012, Vol. 55 Issue (9): 2844-2853   PDF    
利用风云三号微波成像仪资料遥感“桑达”台风降雨云结构
李小青1,2 , 杨虎1 , 游然1 , 赵凤生3 , 乔延利2     
1. 中国气象局中国遥感卫星辐射测量和定标重点开放实验室 国家卫星气象中心, 北京 100081;
2. 中国科学院安徽光学精密机械研究所, 合肥 230031;
3. GCESS 北京师范大学, 北京 100875
摘要: 本文利用搭载于我国风云三号B星上的微波成像仪(MWRI)观测亮温数据, 结合戈达德廓线反演算法, 对1102号"桑达"台风地面雨强和降雨云结构进行反演试验.利用AMSR-E业务降水产品对地面雨强反演结果进行了检验, 结果表明, MWRI和AMSR-E反演的地面雨强在空间分布上非常吻合, 相关性达76%, 均方根误差约2.8 mm/h, 二者的观测亮温及地面雨强反演结果具有较好的一致性.提取洋面台风雨区的平均水凝物廓线, 其垂直结构显示, 雨水和可降冰含量丰富, 随高度变化明显, 且具有明显峰值高度, 云水和云冰含量则较少, 且随高度变化不明显; 当降水增强时, 雨水和可降冰各层含量稳定增加, 且峰值高度基本保持不变, 云水和云冰含量则增幅不稳, 且峰值高度有所改变.地面雨强随距台风中心距离的变化阐释了台风的螺旋结构及降水特点, 距台风中心距离0.3°和0.6°附近分别出现了地面雨强峰值和次峰值, 且66%的降水集中在距台风中心距离1°的空间范围内.MWRI提供的台风地面雨强和降雨云垂直信息具有较高的可信度, 对于我们监测台风降水、分析台风降水结构的时空演变特征以及数值预报模式应用等具有重要的参考价值.
关键词: 风云三号B星      MWRI      台风      降雨云结构     
Remote sensing typhoon Songda's rainfall structure based on Microwave Radiation Imager of FY-3B satellite
LI Xiao-Qing1,2, YANG Hu1, YOU Ran1, ZHAO Feng-Sheng3, QIAO Yan-Li2     
1. Key Laboratory of Radiometric Calibration and Validation for Environmental Satellites, National Satellite Meteorological Center, China Meteorological Administration(LRCVES/CMA), Beijing 100081, China;
2. Anhui Institute of Optics and Fine Mechanics, Chinese Academy of Sciences, Hefei 230031, China;
3. GCESS, Beijing Normal University, Beijing 100875, China
Abstract: Microwave Radiation Imager (MWRI) observations of FY-3B satellite were used to retrieve typhoon Songda's rainfall structure in this paper based on Goddard Profiling Algorithm (GPROF). The retrieved rainfall rate was validated using AMSR-E rainfall product. Results show that spatial distribution of rainfall rate from MWRI fits in with AMSR-E product with a correlation of 76% and a root-mean-square error of 2.8 mm/h. These two rainfall products and brightness temperature observations are very similar. Vertical profiles of four hydrometers (rain water, cloud liquid water, cloud ice water and precipitable water) are retrieved simultaneously. From the average profile of oceanic typhoon rainfall area, contents of rain water and precipitable ice, with peak height at 1 km and 6 km respectively, vary with height obviously; contents of cloud liquid water and cloud ice water are much less than that of rain water and precitable ice, and vary with height lightly. Results from average profiles between different parts of rainfall rate show that the contents of rain water and precipitable ice increase stably with an unchanged peak height, different from variations of cloud liquid water and cloud ice water. Spiral structure and precipitation characteristics of typhoon Songda are interpreted by analyzing variations of rainfall and contents of hydrometers with distance from typhoon eye. Peak and second peak rainfall occurred at distances of 0.3° and 0.6° from typhoon center respectively, and 66% rainfall amount distributed within distance of 1° from typhoon eye. In conclusion, MWRI can provide reasonable results of rainfall rate and hydrometeor profiles, which are of important reference significance for monitoring typhoon, analyzing typhoon's spatial and temporal evolution and application in numerical prediction model..
Key words: FY-3B      MWRI      Typhoon      Rainfall structure     
1 引言

台风暴雨是台风灾害的主要表现形式之一,是影响我国中东部地区的一种重要灾害性降水天气.台风暴雨强度大,洪水出现频率高,波及范围广,破坏性极大.每年都会有多个台风登陆我国,造成人员伤亡和重大财产损失.

目前对台风暴雨的监测和预报手段有了很大的提高.由于船舶资料及海上探空资料的匮乏,卫星资料对洋面监测的优越性显而易见.与可见光和红外通道相比,微波通道对降水观测的优势更为显著.微波的全天候可探测性,使其成为目前探测云雨大气的主要探测手段.

2008年5月和2010年11月,我国相继发射了第二代极轨气象卫星---风云三号A 星(FY-3A)和B星(FY-3B),标识着许多重大关键技术的突破,卫星定量应用和服务也由此步入新时代[1].基于风云三号卫星提供的多种观测资料的研究也逐渐展开[2-4].FY-3B 搭载的微波成像仪MWRI为监测诸如暴雨、台风等许多重大灾害性天气提供了新型的微波观测数据,如何更好地应用这种微波成像资料,在台风监测及预报中体现其应用价值,是当前的一项重要研究任务.

自20世纪90年代以来,科学家们逐步开展利用微波成像仪遥感降雨云结构的研究,即物理廓线法[5-9].该方法的特点在于它基于一个预先建立的云-辐射数据集,利用多通道微波亮温观测信息,根据概率统计方法从数据集中选择与之匹配最佳的云廓线,可同时反演地面雨强和各种水凝物垂直廓线.该类算法中最具代表性的是应用于热带测雨卫星(TRMM)微波成像仪(TMI)的业务反演算法---戈达德廓线算法(GPROF),该算法提供TMI2A12轨道产品,产品参数包括地面雨强和四种水凝物(云水、雨水、云冰、可降冰)垂直廓线.该产品结合降水雷达(PR)提供的降雨廓线产品(2A25),为我们解读暴雨及台风降雨云结构提供了丰富的信息,并广泛地应用于天气过程监测和分析、气候应用以及数值预报中,如多年全球台风降水特征的统计分析[10],中国近海台风个例的降水结构特征分析[11-13],陆地发生的中尺度暴雨结构的分析研究[14-15],以及同化TMI降水产品对水文循环的影响等[16].

本文在GPROF 反演算法的基础上,根据风云三号卫星MWRI的通道特征,建立可与GPROF 算法耦合的云-辐射数据集,并利用FY-3B MWRI的观测资料,开展台风地面雨强及降雨云结构反演试验,并对MWRI 通道辐射特征和降水特征进行分析.

2 资料和方法 2.1 个例选取

本次试验选取的1102号“桑达"台风,是风云三号B星观测到的第一次强台风.“桑达"台风于2011年5月22日凌晨在菲律宾马尼拉东南部的西北太平洋洋面上生成,之后逐渐向菲律宾吕宋岛和我国台湾岛东部一带海面靠近,于24 日加强为台风,28日在台湾岛东部转向北偏东方向移动,并于29日在日本沿岸减弱为热带风暴,之后变性为温带气旋.“桑达"台风在5月26 日至27 日期间达最大强度,强度指数接近60.

2.2 资料

搭载于风云三号卫星上的MWRI通道特征与美国Aqua卫星搭载的AMSR-E 通道及TRMM 卫星搭载的TMI通道都较为相似[16-17],从低频至高频,共覆盖10.65~89GHz频段内的5 个频点,均含双极化信息,共计10个通道.MWRI扫描宽度为1400km,扫描角为45°,扫描周期约1.7s,每条扫描线采样点数为254,89GHz空间分辨率最高,可达10km 左右,具体通道特征见表 1.为了描述方便,本文将MWRI前4 个频点分别简化为10Ghz、19GHz、23GHz、36GHz,5个频点按照垂直极化通道和水平极化通道依次标记为通道号1-10.

表 1 MWRI各通道特征 Table 1 Characteristics of MWRI channels

AMSR-E 扫描宽度为1445 km,扫描角为47.5°,频率覆盖范围为6.925~89GHz,后5 个频点及极化方式与MWRI 相同,但带宽不同,且AMSR-E 的空间分辨率更高,约为MWRI的四倍,见表 2.AMSR-EL2B 业务降水产品空间分辨率约为5.4km,覆盖范围为70°S-70°N,是基于AMSR-EL2A 亮温数据和戈达德廓线算法的反演结果[18].该降水产品已获多方验证,反演产品较为真实可信.本次个例试验将其作为真值对MWRI反演的地面雨强进行检验.

表 2 AMSR-E 各通道特征 Table 2 Characteristics of AMSR-E channels

针对1102号“桑达"台风,本文选取了MWRI和AMSR-E 两种卫星资料.在台风发展期间有多次卫星观测数据,考虑到用AMSR-E 业务降水产品来检验MWRI的反演地面雨强,且时间误差控制在15min内,因此最终选择2011年5月27日05时左右的升轨观测作为试验数据,包括MWRICRM 通道匹配亮温数据、AMSR-E L2A 亮温数据和L2B降水产品.对于本次个例的台风眼区,MWRI 和AMSR-E 的观测时间分别为04时57分和05时08分,时间误差为11min,对于整个台风区域,时间误差也都控制在15min以内.

2.3 反演算法

本文开展的反演试验基于GPROF 算法反演框架系统和具有MWRI通道特征的云-辐射数据集.

如前所述,作为一种物理廓线反演算法,GPROF算法的一个主要特点就是预先建立云-辐射数据集,而云-辐射数据集又依赖于表征不同降水特征的云廓线库、辐射传输模式以及特定的微波传感器通道特征[619].本文采用了与TMI相同的云廓线库,覆盖了热带飑线、台风、冷锋气旋、暖锋气旋及消散中的对流系统等多种降水天气系统.云廓线库由云分辨模式(cloud-resolvingmodel)模拟产生,模式中采用两相五类云方案,其中液态粒子包括雨滴和云滴,冰态粒子包括雪、霰和云冰.利用一维Eddington辐射传输模式模拟云廓线库中每条廓线的卫星观测亮温,得到一个模式格点上的亮温数据集.由于模拟的格点亮温具有很高的空间分辨率,且降水性质单一,而卫星观测亮温“看到"的是一个更大面积上的混合降水信息,因此必须根据MWRI各通道的空间分辨率对模式场亮温进行卷积处理[20],从而生成可以描述MWRI观测特征的云-辐射数据集.

根据建立的适用于MWRI通道特征的云-辐射数据集来反演地面雨强和水凝物廓线,还需提供一些气候信息和地理信息的离线查找表,包括海表温度、海拔高度和下垫面类型等,此外,还包括一个依赖于19 GHz 和23 GHz 亮温的冻结层高度查找表[21].

降水像元判识方法基于Grody 对“吸收类物质"和“散射类物质"的划分与判识以及Ferraro等对各种下垫面产生干扰降水信号的散射类物质更为详细的亮温阈值判识方法[22-23].

在上述工作的基础上,根据MWRI各通道观测亮温,采用贝叶斯概率方法反演地面雨强以及水凝2物廓线.给定一组观测亮温y0,反演物理量x的最优估计可以描述为

(1)

其中pdf(x)为x的概率密度函数:

(2)

根据贝叶斯原理,云数据集提供云微物理结构的先验信息,辐射数据集则提供先验云信息的亮温条件概率,因此可以确定给定观测亮温条件下的云廓线的后验概率密度函数,从而得到所需的反演物理量.GPROF算法在很大程度上依赖于云模式模拟的云廓线库,这种云廓线库对云微物理结构的描述是否合理,是否能够描述反演区域的降水特征,对地面雨强和水凝物参数的反演精度都有较大影响.

3 结果分析 3.1 地面雨强反演结果

图 1a图 1b分别为MWRI的89GHz垂直极化亮温及反演的地面雨强空间分布.对应89 GHz的亮温衰减区,我们可以看到一个完整的台风形状,且有清晰的台风眼,眼区亮温明显高于台风螺旋云(雨)带的亮温,围绕眼区附近,亮温衰减明显,台风外围则有明显的螺旋臂,在螺旋臂中存在分散的亮温衰减区.反演的地面雨强空间分布与89GHz亮温衰减区比较一致,且地面雨强与亮温的衰减程度基本呈正相关,最大地面雨强在20 mm/h 左右,外围区降水较弱,基本低于6 mm/h.图 1b 中黑色方框区域内的洋面像元为本次个例试验所选定的样本,用于后面小节中的地面雨强、亮温以及降雨云垂直廓线的统计特征分析.

图 1 MWRI观测89GHz垂直极化亮温(a)及MWRI反演地面雨强空间分布(b) Fig. 1 Observed MWRI 89 GHz vertically polarized brightness temperature (a) and spatial distribution of retrieved rainfall rate (b)

为了检验MWRI的反演结果,图 2a图 2b给出了相近时次的AMSR-E89GHz垂直极化亮温及地面雨强空间分布.可以看出,不管是89GHz亮温还是反演的地面雨强,MWRI与AMSR-E 的分布形势都基本一致,其中AMSR-E 的空间分辨率更高,对台风的结构观测也更显细微.对比89GHz亮温,晴空区的AMSR-E 亮温比MWRI亮温略高几开尔文,云雨区的亮温则比较近似;对比地面雨强分布形势,AMSR-E 反演的降雨范围更大,台风外围的弱降水分布较多.造成这种差异的原因,一是MWRI和AMSR-E 入射角不同,而地表发射率是入射角的函数,因此地表发射辐射的变化会导致卫星观测亮温的差异,尤其是地表发射辐射对于晴空大气的卫星观测辐射影响较大;二是在MWRI和AMSR-E10min左右的观测时间误差内,台风位置及台风螺旋结构已经发生了细微变化,如台风眼,二者观测的中心位置非常接近,但仍有0.09°左右的偏移量.

图 2 AMSR-E 观测89GHz垂直极化亮温(a)及AMSR-E 反演地面雨强空间分布(b) Fig. 2 Observed AMSR-E89 GHz vertically polarized brightness temperature (a) and spatial distribution of retrieved rainfall rate (b)

在进行定量分析之前,首先对MWRI 和AMSR-E 像元进行空间匹配.根据MWRI89GHz的空间分辨率,以MWRI像元位置为圆心,0.07°半径内的AMSR-E 像元数据的均值可视为匹配样本数据.在图 1b中的选定区域内,共计包含4120个降水样本.

图 3a图 3b给出了MWRI和AMSR-E 反演地面雨强和89GHz垂直极化亮温的谱分布比较,其中纵坐标PDF表示概率密度函数,描述地面雨强或亮温的某个值出现的概率.从图中可以看出,二者雨强谱分布形式基本一致,10 mm/h以上降水对总体地面雨强的贡献相差不多,比较而言,AMSR-E反演出了更多低于3mm/h的降水,而MWRI反演出的3~10mm/h区间内的降水对总体地面雨强有更多贡献.从89GHz亮温谱分布来看,低于250K的谱型基本一致,高于250K 的谱型有较大差异,这种特征与雨强谱分布形式是相关的,高值亮温谱对应弱雨强谱,这也说明弱降水时地表发射辐射对卫星观测辐射的作用不可忽略.5 mm/h 和10 mm/h降水对总降水贡献的统计结果表明,对于MWRI和AMSR-E 反演的地面雨强,分别有67% 和77% 的降水像元低于5 mm/h,其贡献度分别为31% 和36%;分别有91%和93%的降水像元低于10mm/h,其贡献度分别为68.5%和69.6%.

图 3 MWRI与AMSR-E 反演的雨强谱分布(a)及观测89GHz垂直极化亮温谱分布(b) Fig. 3 Spectrum distributions of rainfall rate (a) and observed 89GHz vertically polarized brightness temperature (b) for MWRI and AMSR-EMWRI

图 4给出了两种降水反演结果的误差统计,地面雨强相关性约为76%,均方根误差为2.8mm/h,偏差为0.4 mm/h,MWRI平均反演地面雨强略为偏大.以上分析结果表明:剔除观测时间误差和仪器入射角的影响,MWRI反演的洋面降水与AMSR-E反演结果一致性较好,反演结果视为可信.

图 4 MWRI与AMSR-E 反演地面雨强散点图 Fig. 4 Scattering plots between MWRI and AMSR-E rainfall retrievals
3.2 微波辐射特征分析

根据微波辐射传输原理,对于云雨大气,海表的发射信息以及云的发射和散射辐射信息对卫星观测的亮温都起着重要的作用.降水较弱时,微波低频通道可穿透云层,地表和云影响都很重要;降水较强时,微波对云层的穿透性减弱,地表信息减弱,云信息增强.下面就海上台风范围内的MWRI各通道辐射特征进行分析,包括降雨区和非降雨区的平均辐射特性以及降水强度改变时的辐射变化特征.

3.2.1 降雨区与非降雨区比较

图 5a给出了洋面台风降雨区的平均亮温与洋面非降雨区平均亮温的比较结果,结合图 5b显示的各种亮温差变化统计特征,可以看出:1)对于MWRI前8个低频通道(10~36GHz),降雨区亮温比非降雨区亮温要高,其中19GHz水平极化通道与36GHz垂直极化通道亮温增幅最大,达50K 左右,23.8GHz通道位于水汽吸收线附近,其亮温增幅较弱,约为10~20K 左右;2)与垂直极化通道相比,各水平极化通道亮温增幅更大,约为15~30K左右;3)89GHz高频通道在降雨区的亮温明显减弱,两个通道降幅均为25K 左右;4)不管是降雨区还是非降雨区,各通道垂直极化亮温都比水平极化亮温高,极化差范围约在5~75K 之间,基本随频率增大而降低,但非降雨区的36GHz极化差要高于23GHz的;5)非降雨区亮温极化差比雨区亮温极化差大,3 个低频频点二者之差约为20 K 左右,36GHz非降雨区亮温极化差比雨区的高30 K 左右,89GHz差别不大.

图 5 降雨区与非降雨区辐射特征比较:各通道平均亮温(a)及各频率亮温极化差(b) Fig. 5 Comparison of radiance characteristics for rain area and no-rain area:average brightness temperature of every channel(a) and polarized brightness temperature difference of every frequency (b)
3.2.2 随不同地面雨强的变化特征

对于海面,非降雨区亮温观测值比较稳定,在不同的降水区间则有较大变化,见图 6a 给出的MWRI各垂直极化通道亮温随地面雨强的变化,其中地面雨强间隔为2 mm/h,各通道亮温为该地面雨强区间内的平均取值.可以看出:10 GHz、19GHz和89GHz随地面雨强变化最为明显,幅度达50K 左右;10GHz和19GHz变化趋势比较一致,均随地面雨强增强而增温,当地面雨强达到18mm/h时亮温趋于饱和;89GHz亮温则随地面雨强增强而显著降温,当地面雨强高于20 mm/h 时,又有回温现象;23GHz亮温仅在弱降水时呈增温趋势,当地面雨强达到5mm/h时即趋于饱和;与23GHz通道相比,36GHz亮温在弱降水时增温更为显著,很快达到饱和水平,直至地面雨强达到20mm/h时又有降温趋势.从图 6b中可以看到各种水凝物的垂直累积含量随地面雨强的变化,结合图 6a的亮温变化趋势,发现:对于本次台风个例,雨水含量最高,最高累积含量高于6kg/m2,可降冰含量与雨水量级相当,略为偏低,云水和云冰含量相对较少,最高累积含量均低于1kg/m2;雨水和可降冰对雨强和亮温的变化贡献显著,云水和云冰的贡献较弱,几乎可以忽略不计;可降冰对高频通道的散射辐射影响很大,在本次台风观测中,地面雨强高于20mm/h时,可降冰累积含量饱和,并略有减少,对应89GHz亮温呈现弱增温现象,二者呈现明显负相关.

图 6 MWRI垂直极化亮温随地面雨强变化分布(a)及四种水凝物垂直累积含量随地面雨强变化分布(b) Fig. 6 Microwave brightness temperature satvarious MWRI frequencies versus rainfall (a) and vertical integrated content off our hydro meters versus rainfall (b)
图 7 台风降雨区MWRI各垂直极化通道亮温谱分布 Fig. 7 Spectrum distributions of microwave brightness temperature satvarious MWRI frequencies for oceanic typhoon rain area

为了更好地分析降雨区亮温的变化情况,本文给出了台风降雨区内MWRI各垂直极化通道亮温的谱分布,见图 7.其中10GHz、19GHz和89GHz三个通道亮温变化范围较大,10GHz和89GHz亮温分别集中于180~190K、250~260K 之间,其中又以89GHz亮温最为集中,19GHz亮温各区间分布比较均匀;23GHz和36GHz亮温分布都比较均匀,其中23GHz亮温分布范围最窄,集中在255~275K 之间.结合图 3a中的MWRI反演的雨强谱和图 6a中各垂直极化通道亮温随地面雨强的变化,可以看出,亮温分布范围越大、峰值越大,通道亮温与地面雨强相关程度越强;亮温分布越均匀、范围越窄,则通道亮温与地面雨强相关性越小.

3.3 降雨云垂直结构分析

了解降雨云中各种水凝物的垂直结构,可以帮助我们理解地面雨强的变化及卫星微波观测亮温的变化.基于此,我们对台风降水区域内的水凝物垂直结构进行了统计分析.

算法输出的垂直结构包括14层,各高度层分别对应高度0.5、1、1.5、2、2.5、3、3.5、4、5、6、8、10、14和18(单位:km).提取台风雨区的平均水凝物垂直廓线,如图 8所示.从4 种水凝物分布高度来看,下层为雨水密集区,基本分布在5km 以下,且水凝物含量随高度增加呈递减状态;4km 高度之上出现可降冰,集中在5~10km 高度内,在14km 以上也存在少量的可降冰;云水分布在10km 高度以下,1~6km 的高度区间内含量比较密集;云冰则分布在8km之上.从4 种水凝物含量变化来看,雨水含量最多,在近地面层最大,约为0.7g/m3;其次为可降冰,6km 处含量最为丰富,约为0.6g/m3,且各层可降冰含量变化幅度较大;云水在1~6km 的范围内分布较为均匀,约为0.08g/m3;云冰含量最少,各层均低于0.05g/m3.

图 8 台风降雨区各层平均水凝物含量垂直廓线 Fig. 8 Average content profile of four hydrometers for oceanic typhoon rain area

虽然缺乏实际的观测数据来检验水凝物的垂直结构特征,但是图 8所显示的台风降雨云4种水凝物的平均垂直结构特征,与文献[11]中用TMI分析的结果具有较好的一致性.

此外,对台风区降水像元按地面雨强进行区间展开,以5mm/h为间隔范围,对各区间内的4种水凝物进行区间层平均统计,分析各层水凝物含量随降水强度的变化特征,见图 9.从图中可以看出,雨水和可降冰的各层平均含量变化与地面雨强的变化呈显著的正相关,随地面雨强增大,水凝物含量增多,且增幅比较稳定,水凝物含量密集区基本不变;云水的各层平均含量随地面雨强增大也在增多,但增幅变化较大,地面雨强高于5mm/h时,云水含量突然增多,增幅达0.07g/m3,且最大密集区高度从3.5km 升至5km,之后随地面雨强增大增幅减小;云冰各层含量随地面雨强增大的增幅较小,且密集程度不同,在0~5 mm/h的地面雨强区间,云冰在10km 处更为集中;与之相比,5~15 mm/h地面雨强区间内的云冰含量略为平均,当地面雨强高于10mm/h时,云冰含量密集高度升至14km.

图 9 台风降雨区各层平均水凝物含量垂直廓线:雨水(a),云水(b),可降冰(c),云冰(d) Fig. 9 Average content profile of four hydrometers at various rain fall area:rainwater (a),cloud liquid water (b),precipitable ice (c),cloud ice water (d)
3.4 空间平均分布特征分析

为了更好地了解以台风眼为中心的台风外围降水特征,以台风眼为圆心,半径间隔取0.1°,形成各个圆环形区域,在3°的半径范围内计算各圆环形区域的平均参数取值,以此分析台风降雨区各参数随台风眼的空间变化特征.

图 10a图 10b图 10c分别为平均地面雨强、4种水凝物的垂直累积含量以及MWRI各垂直极化通道亮温随与台风中心距离增加的变化曲线.从地面雨强的变化趋势可以看出,距离台风眼0.3°左右为降水峰值区,平均降水强度约为17 mm/h,这是上升运动最强的云墙区;同时在距离台风眼0.6°附近出现降水的次峰值区,平均降水强度约为15mm/h,处于螺旋云带内;之后距离台风眼越远,降水强度迅速减小,其中有弱的峰值出现,基本由螺旋臂内零散分布的降水所贡献.从台风地面雨强的贡献程度来看,距离台风眼1°以内的地面雨强最多,集中了台风区域66% 的降水.这种降水的平均空间分布趋势与文献[10]给出的多年台风平均地面雨强径向分布趋势特征是一致的.

图 10 各种参数随与台风中心距离增加的变化曲线:地面雨强(a),4种水凝物垂直累积含量(b),MWRI各垂直极化通道亮温(c) Fig. 10 Various parameters varying with the distance from typhoon center:rain fall rate (a),vertical integrated contents of 4 hydrometers (b),MWRI vertically polarized brightness temperatures (c)

4种水凝物含量的空间分布趋势与地面雨强存在较好的一致性,MWRI各垂直极化通道亮温的空间分布与地面雨强的空间分布相关性也与3.2节针对微波辐射亮温的分析十分吻合.

4 结论

本文根据MWRI的通道特征,建立了适用于GPROF 算法的云-辐射数据集,并利用FY-3BMWRI观测亮温数据,对2011年5月27日“桑达"台风开展了地面雨强和水凝物廓线反演试验,得出以下结论:

(1) 与AMSR-E地面雨强产品的比较结果显示:MWRI反演的地面雨强空间分布与AMSR-E比较吻合,二者相关性达到76%,均方根误差为2.8mm/h;剔除观测时间误差和仪器入射角差异的影响,MWRI和AMSR-E 的观测亮温及地面雨强反演结果一致性良好,尤其当地面雨强高于10 mm/h 时,降水辐射远远大于地表辐射对卫星观测辐射的贡献,因此二者的亮温谱分布和地面雨强谱分布形式非常吻合.

(2) 比较降雨区与非降雨区的微波辐射特征,有降水时,水平极化通道亮温变化更为显著,36GHz的亮温极化差变化比其他频点更大,各通道亮温、亮温通道差以及亮温极化差等信息都可帮助我们有效判识洋面降水.

(3) MWRI各通道亮温与地面雨强呈现不同的相关性,其中10GHz、19GHz和89Ghz与地面雨2851地球物理学报(ChineseJ.Geophys.) 55卷 强显著相关;4种水凝物中,雨水和可降冰对地面雨强和亮温的变化起主导作用,其中可降冰散射辐射效应显著,其含量与高频亮温呈明显负相关;各通道垂直极化亮温谱分布显示的亮温分布范围及峰值变化可以描述通道亮温与地面雨强的相关性.

(4) 4种水凝物含量的垂直廓线分析结果表明,雨水和可降冰含量随高度变化明显,且具有明显峰值高度,云水和云冰含量分布则比较均匀;随地面雨强增加时,雨水和可降冰各层含量稳定增加,且峰值高度基本保持不变,云水和云冰含量增幅不稳,且峰值高度有所改变.

(5) 地面雨强、4 种水凝物和MWRI各垂直极化通道亮温随距台风眼中心距离的变化较好地阐释了台风的螺旋结构及降水特点,在本次台风个例中,距台风中心距离0.3°和0.6°附近分别出现了地面雨强峰值和次峰值,且66%的降水集中在距台风中心距离1°范围以内.

综上所述,经过检验,MWRI可以为我们提供比较真实可信的洋面降水和水凝物廓线反演结果,这些资料对于我们监测台风降水、分析台风降水结构的时空演变特征以及数值预报模式应用具有重要参考价值.

致谢

感谢NASA GoddardDistributed ActiveArchiveCenter的Olson 及Kummerow 研究员提供GPROF算法.

参考文献
[1] 杨军, 董超华. 新一代风云极轨气象卫星业务产品及应用. 北京: 科学出版社, 2010 . Yang J, Dong C H. Operational Products and Application of the New Generation Polar-Orbiting Meteorological Satellite of China (in Chinese). Beijing: Science Press, 2010 .
[2] 黄富祥, 刘年庆, 赵明现, 等. 风云三号卫星紫外臭氧垂直廓线产品反演试验. 科学通报 , 2009, 54(17): 2556–2561. Huang F X, Liu N Q, Zhao M X, et al. Vertical ozone profiles deduced from easurements of SBUS on FY-3 satellite. Chinese Sci. Bull. (in Chinese) , 2009, 54(17): 2556-2561.
[3] 王维和, 张兴赢, 安兴琴, 等. 风云三号气象卫星全球臭氧总量反演和真实性检验结果分析. 科学通报 , 2010, 55(17): 1726–1733. Wang W H, Zhang X Y, An X Q, et al. Analysis for retrieval and validation results of FY-3 Total Ozone Unit(TOU). Chinese Sci. Bull. (in Chinese) , 2010, 55(17): 1726-1733. DOI:10.1007/s11434-010-3123-6
[4] 陆其峰. 风云三号A星大气探测资料数据在欧洲中期天气预报中心的初步评价与同化研究. 中国科学D辑(地球科学) , 2011, 41(7): 890–894. Lu Q F. Initial evaluation and assimilation of FY-3A atmospheric sounding data in the ECMWF System. Sci. China Earth Sci. (in Chinese) , 2011, 41(7): 890-894.
[5] Smith E A, Lamm J E, Adler R, et al. Results of WetNet PIP-2 project. J. Atmos. Sci. , 1998, 55(9): 1483-1536. DOI:10.1175/1520-0469(1998)055<1483:ROWPP>2.0.CO;2
[6] Kummerow C, Olson W S, Giglio L. A simplified scheme for obtaining precipitation and vertical hydrometeor profiles from Passive microwave sensors. IEEE Trans. Geosci. Remote Sens , 1996, 34(5): 1213-1232. DOI:10.1109/36.536538
[7] Kummerow C, Hong Y, Olson W S, et al. The evolution of the Goddard Profiling Algorithm (GPROF) for rainfall estimation from passive microwave sensors. J. Appl. Meteor , 2001, 40(1): 1801-1820.
[8] Smith E A, Xiang X, Mugnai A, et al. Design of an inversion-based precipitation profile retrieval algorithm using an explicit cloud model for initial guess microphysics. Meteorol. Atmos. Phys. , 1994, 54(1-4): 53-78. DOI:10.1007/BF01030052
[9] Pierdicca N, Marzano F S, d'Auria G, et al. Precipitation retrieval from spaceborne microwave radiometers based on maximum a posteriori probability estimation. IEEE Trans. Geosci. Remote Sens. , 1996, 34(4): 831-846. DOI:10.1109/36.508401
[10] Lonfat M, Marks F D, Chen S. Precipitation distribution in tropical cyclones using the Tropical Rainfall Measuring Mission (TRMM) microwave imager: A global perspective. Monthly Wea. Rev. , 2004, 132(7): 1645-1660. DOI:10.1175/1520-0493(2004)132<1645:PDITCU>2.0.CO;2
[11] 何会中, 程明虎, 周凤仙. 0302号(鲸鱼)台风降水和水粒子空间分布的三维结构特征. 大气科学 , 2006, 30(3): 491–503. He H Z, Cheng M H, Zhou F X. 3D structure of rain and cloud hydrometeors for typhoon Kujira (0302). Chinese J. Atmos. Sci. (in Chinese) , 2006, 30(3): 491-503.
[12] 傅云飞, 刘栋, 王雨, 等. 热带测雨卫星综合探测结果之"云娜"台风降水云与非降水云特征. 气象学报 , 2007, 65(3): 316–328. Fu Y F, Liu D, Wang Y, et al. Characteristics of precipitating and non-precipitating clouds in typhoon Ranan as viewed by TRMM combined measurements. Acta Meteor. Sin. (in Chinese) , 2007, 65(3): 316-328.
[13] 吕梅, 邹力, 姚鸣明, 等. 台风"艾利"降水的非对称结构分析. 热带气象学报 , 2009, 25(1): 22–28. Lü M, Zou L, Yao M M, et al. Analysis of asymmetrical structure of precipitation in typhoon Aeres. J. Tropical Meteor. (in Chinese) , 2009, 25(1): 22-28.
[14] 傅云飞, 宇如聪, 徐幼平, 等. TRMM测雨雷达和微波成像仪对两个中尺度特大暴雨降水结构的观测分析研究. 气象学报 , 2003, 61(4): 421–431. Fu Y F, Yu R C, Xu Y P, et al. Analysis on precipitation structures of two heavy rain cases by using TRMM PR and TMI. Acta Meteor. Sin. (in Chinese) , 2003, 61(4): 421-431.
[15] 何文英, 陈洪滨. TRMM卫星对一次冰雹降水过程的观测分析研究. 气象学报 , 2006, 64(3): 364–376. He W Y, Chen H B. Analyses of evolutional characteristics of a hailstorm precipitation from TRMM observations. Acta Meteor. Sin. (in Chinese) , 2006, 64(3): 364-376.
[16] Kawanishi T, Sezai T, Ito Y, et al. The advanced microwave scanning radiometer for the Earth observing system (AMSR-E), NASDA's contribution to the EOS for global energy and water cycle studies. IEEE Trans. Geosci. Remote Sens. , 2003, 41(2): 184-194. DOI:10.1109/TGRS.2002.808331
[17] Kummerow C, Simpson J, Thiele O, et al. The status of the tropical rainfall measuring mission (TRMM) after two years in orbit. J. Appl. Meteor. , 2000, 39(12): 1965-1982. DOI:10.1175/1520-0450(2001)040<1965:TSOTTR>2.0.CO;2
[18] AMSR-E/Aqua L2B Global Swath Rain Rate/Type GSFC Profiling Algorithm. http://nsidc.org/data/docs/daac/ae_rain_l2b.gd.html.
[19] 李小青, 吴蓉璋. 用GPROF算法反演降水强度和水凝物垂直结构. 应用气象学报 , 2005, 16(6): 705–716. Li X Q, Wu R Z. The retrieval of rainfall intensity and vertical structure of hydrometers using GPROF algorithm. J. Appl. Meteor. Sci. (in Chinese) , 2005, 16(6): 705-716.
[20] Robinson W, Kummerow C, Olson W S. A technique for matching the resolution of microwave measurements from the SSM/I instrument. IEEE Trans. Geosci. Remote Sens. , 1992, 30(3): 419-429. DOI:10.1109/36.142920
[21] Wilheit T T, Chang A T C, Chiu L S. Retrieval of monthly rainfall indices from microwave radiometric measurement using probability distribution functions. J. Atmos. Oceanic Technol. , 1991, 8(1): 118-136. DOI:10.1175/1520-0426(1991)008<0118:ROMRIF>2.0.CO;2
[22] Grody N C. Classification of snow cover and precipitation using the Special Sensor Microwave/Imager (SSM/I). J. Geophys. Res. , 1991, 96(D4): 7423-7435. DOI:10.1029/91JD00045
[23] Ferraro R R, Smith E A, Berg W, et al. A screening methodology for passive microwave precipitation retrieval algorithms. J. Atmos. Sci. , 1998, 55(9): 1583-1600. DOI:10.1175/1520-0469(1998)055<1583:ASMFPM>2.0.CO;2