中国气象学会主办。
文章信息
- 郑建宇, 刘东, 王志恩, 田晓敏, 王英俭, 谢晨波. 2018.
- ZHENG Jianyu, LIU Dong, WANG Zhien, TIAN Xiaomin, WANG Yingjian, XIE Chenbo. 2018.
- CloudSat/CALIPSO卫星资料分析云的全球分布及其季节变化特征
- Global distribution and seasonal variation of clouds observed from CloudSat/CALIPSO
- 气象学报, 76(3): 420-433.
- Acta Meteorologica Sinica, 76(3): 420-433.
- http://dx.doi.org/10.11676/qxxb2017.094
-
文章历史
- 2017-05-12 收稿
- 2017-11-01 改回
2. 中国科学技术大学, 合肥, 230026;
3. 美国怀俄明大学大气科学系, 拉勒密, WY 82072
2. University of Science and Technology of China, Hefei 230026, China;
3. Department of Atmospheric Science, University of Wyoming, Laramie WY 82072, USA
气中云的产生、发展、演变,对地-气系统的辐射平衡以及全球气候变化具有重要的调节作用(Liou,1986)。由于云的种类多样以及其时空变化不均匀,在全球气候模式(GCMs)的数值模拟中,对云微物理过程的参数调节仍然具有武断性, 模式在模拟和评估云的气候反馈作用时出现明显的缺陷(Rossow,et al,1999)。研究表明(杜振彩等,2011),对云的时空演变规律及其物理机制的认识,有利于提高气候模式的云的参数化精度。在云气候学研究中,云量的分布和变化形式是首要考察的因素(王帅辉等,2011a)。要实现对全球云量分布的连续观测,则需要利用卫星观测的手段。
CloudSat卫星是首颗专门设计用于观测全球的云层特征的太阳同步轨道卫星,属于美国宇航局(NASA)发射的A-Train系列卫星之一(Stephens,et al,2002)。CloudSat卫星搭载了额定频率为94 GHz的云廓线雷达(CPR)(表 1)。
参数名称 | 参数值 |
水平分辨率 | 2.5 km(沿轨)×1.4 km(跨轨) |
垂直分辨率 | 分125层,每一层代表气柱高度约为240 m |
额定频率 | 94 GHz |
脉冲宽度 | 3.3 μs |
PRF(脉冲重复频率) | 4300 Hz |
最小可探测灵敏度 | < -29 dBz |
数据窗口 | 0—25 km |
天线口径 | 1.85 m |
动态范围 | 70 dB |
天底角 | 0.16° |
*http://cloudsat.atmos.colostate.edu/instrument |
CALIPSO(Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observation)是与CloudSat同时发射升空的卫星,同属于A-Train系列卫星,其轨道与CloudSat相同,仅落后CloudSat卫星10—15 s。它是首颗搭载532、1064 nm波段的双通道的云-气溶胶正交偏振激光雷达(Cloud-Aerosol Lidar with Orthogonal Polarization,CALIOP)的卫星,能够同时测得高空的微弱水汽凝结层以及光学厚度较薄的冰云,因而与CloudSat结合能探测到更为完整的云垂直结构(Winker,et al,2003)。
在CloudSat卫星升空以前,主要利用始于1983年的国际卫星云气候计划(ISCCP)的卫星探测资料对云量进行统计研究。ISCCP是一项联合全球多颗静止卫星和极轨卫星的观测资料专门对云进行全球性观测和研究的科学计划(Schiffer,et al,1983)。但是其数据主要是利用可见光、红外通道的被动遥感资料反演获得,算法的优劣会直接影响数据的可靠性。
CloudSat卫星发射后,更为精确地发现了卷云的全球分布特征(Sassen, et al,2008)。热带及副热带地区的卷云、深对流云的水平、垂直分布有了比较细致的研究,发现卷云的昼夜云量变化大,而深对流云则不明显,但没有进一步验证影响卷云昼夜变化的成因(Sassen, et al,2009)。同时,更多相态复杂的中云、低云也能够通过CloudSat识别出来。有许多学者利用CloudSat的云剖面产品对其他卫星传感器探测的云顶温度、云类等产品进行了对比和验证(Weisz,et al,2007;Kahn,et al,2008;Wu,et al,2009;Stubenrauch,et al,2010)。Mace等(2002)指出,云的不同时、空分布中,不同云类的云重叠概率及其重叠部分的水平范围较大,对云的辐射效应的影响较大,引起了部分学者对不同云类的云量重叠效应的关注(彭杰等, 2013)。中国大部分学者主要利用CloudSat/CALIPSO的云分类产品对云的特征进行研究,其中,对东亚地区、中国的青藏高原、西部地区以及东部海洋区域等不同区域的多种云类的垂直结构特征、云中微物理参数均有较多的研究(王帅辉等,2011b;彭杰等,2013;叶培龙等,2014;霍娟,2015;张华等,2015)。
但是大部分云分布的统计研究中,没有详尽地划分云类、云相以及云层的数量。要对全球气候模式进行改进,全球范围详尽的云气候特征分析非常重要(Cess,et al,1990)。而要进一步探讨不同区域的云分布特征的形成机制,尚需对全球的不同云类、云相、单层云、多层云的分布有比较细致的了解。
2 资料与方法 2.1 CloudSat卫星的数据产品介绍CloudSat数据处理中心目前有5种产品类型,分别为1、2、3级产品、与其他卫星的联合产品以及辅助型产品(表 2)。文中主要使用2级产品中的2B-CLDCLASS-LIDAR。该产品联合了CloudSat和CALIPSO的观测数据,获得了更详细的云层层数、云类型、云顶高度、云底高度、云相态等信息,该产品的每一个数据文件包括37081条云廓线,每条廓线间隔3.1 s, 水平分辨率为2.5 km(沿轨)×1.4 km (跨轨)。在垂直高度上,每条廓线划分为10层,每层间隔240 m。2B-CLDCLASS-LIDAR的更多详细信息可参阅CloudSat产品手册(Wang,et al,2012)。
产品名称 | 产品内容 |
1B-CPR | 云廓线雷达(CPR)后向散射回波功率 |
2B-GEOPROF | 水凝物(区别于雷达杂波和噪声)的雷达反射率的垂直分布 |
2B-GEOPROF-LIDAR | 结合CALIOP激光雷达信号的雷达反射率的垂直分布 |
2B-CLDCLASS | 云的分类产品 |
2B-CLDCLASS-LIDAR | 结合云廓线雷达和CALIOP激光雷达的云分类产品 |
2B-CWC-RVOD | 雷达和可见光学厚度探测的液态水/冰水含量 |
2B-FLXHR-LIDAR | 结合云廓线雷达和CALIOP雷达反射率反演的辐射通量和加热率 |
2C-ICE | 结合云廓线雷达和CALIOP雷达反射率反演的云冰水含量 |
ECMWF-AUX | 结合CloudSat轨道的ECMWF再分析资料 |
*http://www.cloudsat.cira.colostate.edu/data-products |
选取2B-CLDCLASS-LIDAR产品2007年3月—2010年2月的数据进行统计分析,图 1为选取的2007年3月—2008年2月的样本数据进行5°×5°格点化并划分为四季后的分布,可见数据样本的分布并不均匀。这是由于CloudSat卫星属于极轨卫星,其经过极地的时间较长,探测到高纬度地区的次数也较多。并且,从四季的对比也可以发现不同月份的样本数据也不均匀。在处理极轨卫星的样本均匀性问题上,文中对样本进行归一化的统计处理,从而消除其由于样本分布不均带来的统计误差(傅云飞等,2008)。
2.2.1 不同云类(云相)的云全球分布的统计方法对全球的经纬度进行5°×5°的格点化,并计算云量
(1) |
式中,t为每3个月(1个季度)的观测数据的廓线数,i、j分别代表经度和纬度的格点数,Ntotal(n)代表第n个产品数据落在该格点内的总廓线数,Ncloud(m)代表第m个产品数据落在该格点内的在10层云层中观测到该云类(云相)的廓线数。
2.2.2 不同云相的云量纬向-垂直分布的统计方法对于垂直方向上的云量统计,先对纬度以及高度进行网格化,其中纬度的网格距取2.5°,高度的网格距取0.2 km,范围取0—20 km,从而分成72×100个网格点,并计算云量
(2) |
式中,t与式(1)相同,i、j分别代表纬度和高度的格点数,Hbase(m)、Htop(m)分别代表第m个观测数据在该格点观测到该云类(云相)的云底、云顶高度,Ncloud(n)与式(1)相同。
2.2.3 不同云类单、多层云出现概率的统计方法在2B-CLDCLASS-LIDAR产品中,将云划分成10层,不同云类在不同云层中出现的次数不尽相同,于是对不同云类的多层云与单层云的区分统计有助于对云重叠现象的理解。各类云在不同云层数的云中出现的概率为
(3) |
式中,t与式(1)相同,i=0时表示单层云,i=1时表示多层云,Ncloud(m)表示第m个产品数据中以单(多)层形式出现的该云类的廓线数,Ncloud(n)与式(1)相同。
3 2007—2010年8种云全球分布的四季平均变化特征 3.1 卷云、深对流云图 2a是卷云的四季变化,其中,卷云云量较高的区域主要集中于热带辐合带。卷云云量峰值出现在非洲刚果盆地一带以及印度尼西亚群岛一带,夏季有所北移且冬季有所南移。这两个区域都是对流强盛的区域,容易发展深对流云,所以在高空容易形成卷云。南北纬30°附近为卷云的次集中区域,其形成的主要原因是由于温带锋面气旋的发展,气层在锋面区域遭到大规模抬升,在抬升到锋面的高处时容易形成卷云。
图 2b显示深对流云常年集中分布在赤道辐合带附近,而且平均云量很低,为0—20%。因为深对流云的发展壮大需要非常强的垂直运动以及充足的水汽,赤道辐合带能够满足深对流云发展的条件。北半球的夏、秋季节,在东亚和南亚季风区有相对较多的深对流云分布,主要原因是夏季风的影响,东亚和南亚季风区都有较强的热对流运动。冬春季节在南美洲的亚马逊河流域也有较多的深对流云出现。
在卷云与深对流云的对比中,两者的分布格局均随着气压带和风带的季节性移动而南北移动,在热带地区的分布特征基本一致。研究表明,由于深对流云系统在热带高空的水平云砧具有卷云的特性,且有一定几率与已经存在的卷云相接,两者的分布格局具有相似性(傅云飞等,2010)。
3.2 层云、层积云由于层云与层积云的分布特征基本一致,所以结合起来讨论。图 3显示,层云与层积云在东太平洋、南大西洋、南印度洋和北冰洋上云量超过60%,而除了北半球高纬度地区的大陆具有接近20%的云量,其他大陆地区的层云、层积云云量均在20%以下。这说明海洋上的动力与热力机制较为容易形成大规模的层状云。亚洲地区的层云、层积云的四季分布与已有的层状云降水的季节分布特征具有较强的一致性(傅云飞等,2008)。全年发生频率最高的区域分布在东大西洋赤道海域南侧、东太平洋赤道海域南侧靠近南美洲一带、太平洋北侧中高纬度地区,以及南半球整个西风带区域。
东太平洋赤道海域南侧靠近南美洲一带的层云平均云量占50%以上,夏、秋季节接近80%,安第斯山脉的地形阻挡使得洋面暖湿气流被迫抬升形成大范围的层状云。西风带常年有层云与层积云分布的原因主要是西风带在高空容易引起大范围的不规则扰动。层云与层积云在北半球春、夏季节的出现频率较高,而北半球秋、冬季节则在南半球的出现频率较高。说明层云与层积云的分布格局都随着全球温度带和风带的季节性移动而移动。
3.3 高层云、高积云图 4a为高层云的云量全球分布。在北半球的夏、秋季节,高层云主要分布在南极高原以及印度次大陆以东的海域,而在冬春季节则明显分布在中国的青藏高原以及中国北方大部分地区。高层云主要是由锋面气旋的活动形成。在春、冬季节。北半球东亚地区盛行东北季风和西北季风,锋面气旋活动频繁,包括中国北部大部分地区以及青藏高原均受其影响,从而使得高层云的出现频率增加。而夏、秋季节,印度次大陆周边的印度洋海域盛行西南季风,同样促进锋面气旋的活动,使得高层云的云量增多。图中的分布也很好地解释了高层云的分布特征的成因。
图 4b显示,高积云的出现频率范围为0—50%。高积云的分布特征与层积云的分布特征相反,高积云分布集中在陆地上,而层积云分布集中的区域主要在海洋上。其中,在热带辐合带常年有高积云的分布痕迹,而且主要分布于南美洲、非洲以及东南亚的热带地区,海洋上则较少,除了南半球西风带在南半球的夏季有少量分布。其分布随季节变化而南北移动的幅度较大,北半球大陆上的高积云云量季节变化显著,特别是亚洲的大部分地区的夏季与冬季差异明显。北半球夏季高积云云量较高的区域为东亚大部分地区以及北美洲大部分地区,冬季云量较高的区域为澳大利亚以及南美洲亚马逊平原。
3.4 积云、雨层云图 5b显示了雨层云的4年平均的不同季节的全球分布特征。雨层云在全球的分布频率也不高,在0—40%,其南半球的季节变化不大,常年均匀分布于60°S附近,而在北半球季节变化较大,夏季云量较少,冬季云量较多,且集中分布于60°N附近的亚洲中部以及北美洲的东西两侧。
图 5a显示,积云的分布主要集中于四大洋的中、低纬度地区,低纬度地区分布最为集中,且常年出现频率较高。中纬度海洋上积云的季节变化不明显。中纬度大陆上的积云季节变化较大,夏、秋季有40%的云量分布于东亚季风区以及喜马拉雅山脉南坡。已有研究表明喜马拉雅山脉南坡的穿透性对流形成几率较高,强对流降水形成的几率也比较大,从而附带的积云云量相对较多(傅云飞等,2012)。秋、冬季节集中分布于澳大利亚东部海岸以及南美洲亚马逊河流域。积云由强烈的热对流形成,低纬度地区热量大,最容易触发积云,而高纬度地区热量低,难以触发热对流运动,所以积云量极少。
综合上述分析可以发现,层云与层积云的分布较为相似,高积云与层积云形成明显的海陆分布差异。刘鹏等(2012)研究表明,层状云的形成过程主要与大范围有规则的上升运动或大范围不规则的扰动有关,高积云、层积云、层云等主要是由于大范围不规则的扰动形成。海洋上的大范围扰动一般发生在低空,这与水汽的潜热释放有关,而大陆上的大范围扰动主要出现在高空,这与高纬度大陆地区的长波波动有关。所以图中的分布能够很好地验证该3种云的成因。
由于大范围的上升运动所形成的层状云主要包括卷云、高层云、雨层云等,雨层云与高层云的分布特征相似度较大,且在北半球冬季时在大陆上分布范围较广,主要是由于北半球冬季亚洲大陆有较为频繁且大范围的锋面气旋活动。卷云在中高纬度的分布特征与高层云基本一致,但在热带地区,可能由于深对流云的云砧发展,卷云的云量远高于高层云和雨层云。
在已有的ISCCP云分布的研究中,其模拟器输出的定量化云分布结果与AREM(Advanced Regional Eta-coordinate Model)模拟的云量对比提出了云量诊断方案的改进(李昀英等,2006;丁守国等,2005;Rossow,et al,1999)。但由于ISCCP局限于将云分为高、中、低云,缺乏更为详细的云分类和诊断,因此,文中8种云类的详细分布对区域或全球气候模式的云量诊断方案提供了更细致的对比数据。
4 2007—2010年3种相态云的全球分布特征依照云粒子的不同可分为水云、混合相态云以及冰云,云体的平均温度在0℃以上的云定义为水云,云顶温度在-20℃—-5℃而云底温度高于0℃的云定义为混合相态云,云底温度在-20℃—-5℃的云定义为冰云。利用CloudSat-CALIPSO卫星2B-CLDCLASS-LIDAR的2007—2010年数据集,对不同相态的云在全球的云量分布以及经向垂直分布进行了统计与分析。
图 6、7是不同相态云的全球分布的季节变化,其中,冰云集中分布在中、高纬度地区(云量40%—60%)以及热带地区(云量超过80%),垂直方向集中分布在低纬度10 km以上、中纬度10 km以下以及高纬度1 km以下。其在热带地区全年云量较大,南极洲6—8月的云量有明显增多。混合相云集中分布在中、高纬度地区以及赤道辐合带附近,其在东亚和西北太平洋海域的云量季节变化明显。在垂直方向,混合相云在高纬度集中分布在1 km以下,而且存在一条随纬度变化的在0—10 km的弧形带。该弧形带在热带以及副热带地区与已有的混合相云的降水分布特征基本一致(Fu,et al,2014),主要是由于热带与副热带地区的深对流云中有冰水共存的混合层存在,是混合相云的云量和降水研究中不可忽略的一部分。水云主要分布于中、低纬度的海洋区域,垂直方向集中在0.5—2 km高度。其在南、北美洲西部海域以及非洲中部的大西洋海域的季节变化明显,其中夏、秋季节的云量大,冬、春季节云量小。
5 各云类2007—2010年平均单、多层形式出现概率由图 8可以发现,单层云与双层云出现的概率较大,三层或更多层的云出现概率极低。卷云、高积云、高层云的单层云概率在四季中都小于双层云;层云、层积云则单层云的出现概率较大;积云的双层云的概率也与单层云相当。深对流云与雨层云在统计中大多数以单层云的概率出现。这也充分验证了层状云以多层云形式出现的概率较大,所以出现云层垂直重叠现象的概率也较大,而深厚的对流云由于多层云出现概率低,且云量的分布也较低,所以其由云层的垂直重叠现象带来的辐射影响较弱。
6 总结与讨论利用CloudSat/CALIPSO联合的2级云分类产品,分别对不同类型的云以及不同相态的云的云量全球分布、纬向垂直分布以及季节变化特征进行统计与分析。
对8种云类的统计中,主要发现卷云的分布以及季节变化与深对流云相似,主要集中在低纬度地区以及赤道辐合带。层云与层积云的分布格局较为相似,均匀分布在全球的洋面上,且陆地上的云量较少。高积云与层积云的分布格局形成明显的季节差异。高层云夏季主要分布在南半球的中、高纬度地区,冬季主要分布在北半球的中、高纬度地区,低纬度地区云量相对分布较低。高积云在低纬度地区的大陆上云量常年分布较高,且北半球中、高纬度地区在夏季云量较高,南半球中、高纬度地区在冬季云量较高。雨层云与积云的分布格局也形成明显对比,雨层云常年分布于中、高纬度地区,积云常年分布于中、低纬度的洋面上。
对3种相态云的统计中,主要发现冰云与水云在全球范围的云量分布较高,水云集中于中、低纬度地区的洋面,冰云分布广泛,且分布格局与卷云相似,混合相云的云量较低,主要分布于中、高纬度地区以及赤道辐合带。在垂直方向上,水云主要分布在低空,冰云主要分布在高空,且从赤道向两极递减,混合相云处于冰云与水云之间,并存在云量相对集中的随纬度变化的0—10 km弧形带。对8种云类的单、多层云出现概率的研究发现,层状云以多层云形式出现的概率较大,积云以单、双层云形式出现的概率相当,深对流云和雨层云以单层云形式出现的概率较大。
由8种详细云类的云量四季分布的结果还可以进一步与区域或全球气候模式的云量模拟结果相比较,进一步优化模式的云量诊断方案。其中积云、深对流云与已有的积云降水特征一致,层云、层积云、高层云和雨层云的分布特征与层云降水特征一致,验证了已有的降水特征的研究成果。
文中的统计只涉及到CloudSat/CALIPSO联合的2级产品数据,由于CloudSat和CALIPSO卫星属于极轨卫星,其观测的时间连续性较低,无法实现对云的连续观测以研究其分布的演变过程。同时,其窄视场也导致其无法完整地得到较大范围的天气系统,如台风以及大范围的锋面系统,在分析云的形成机制方面,造成一定困难。所以尚需结合其他卫星数据来弥补其不足。未来将结合MERRA再分析资料以及搭载在Aqua卫星的大气红外探测仪(AIRS)的温、湿度廓线数据,对不同云类在东亚地区洋面上的云量分布与大尺度环境条件的关系,进一步探讨云的分布形成机制。
致谢: 感谢NASA CloudSat Data Processing Center提供CloudSat和CALIPSO的二级云分类产品数据。丁守国, 赵春生, 石广玉, 等. 2005. 近20年全球总云量变化趋势分析. 应用气象学报, 16(5): 670–677. Ding S G, Zhao C S, Shi G Y, et al. 2005. Analysis of global total cloud amount variation over the past 20 years. J Appl Meteor Sci, 16(5): 670–677. DOI:10.11898/1001-7313.20050514 (in Chinese) |
杜振彩, 黄荣辉, 黄刚, 等. 2011. 亚洲季风区积云降水和层云降水时空分布特征及其可能成因分析. 大气科学, 35(6): 993–1008. Du Z C, Huang R H, Huang G, et al. 2011. The characteristics of spatial and temporal distributions of convective rainfall and stratiform rainfall in the Asian monsoon region and their possible mechanisms. Chinese J Atmos Sci, 35(6): 993–1008. (in Chinese) |
傅云飞, 张爱民, 刘勇, 等. 2008. 基于星载测雨雷达探测的亚洲对流和层云降水季尺度特征分析. 气象学报, 66(5): 730–746. Fu Y F, Zhang A M, Liu Y, et al. 2008. Characteristics of seasonal scale convective and stratiform precipitation in Asia based on measurements by TRMM Precipitation Radar. Acta Meteor Sinica, 66(5): 730–746. DOI:10.11676/qxxb2008.067 (in Chinese) |
傅云飞, 冯沙, 刘鹏, 等. 2010. 热带测雨卫星测雨雷达探测的亚洲夏季积雨云云砧. 气象学报, 68(2): 195–206. Fu Y F, Feng S, Liu P, et al. 2010. The cumulonimbus incus in summer Asia as detected by the TRMM PR. Acta Meteor Sinica, 68(2): 195–206. (in Chinese) |
傅云飞, 曹爱琴, 李天奕, 等. 2012. 星载测雨雷达探测的夏季亚洲对流与层云降水雨顶高度气候特征. 气象学报, 70(3): 436–451. Fu Y F, Cao A Q, Li T Y, et al. 2012. Climatic characteristics of the storm top altitude for the convective and stratiform precipitation in summer Asia based on measurements of the TRMM Precipitation Radar. Acta Meteor Sinica, 70(3): 436–451. DOI:10.11676/qxxb2012.037 (in Chinese) |
霍娟. 2015. 基于CloudSat/CALIPSO资料的海陆上空中云的物理属性分析. 气候与环境研究, 20(1): 30–40. Huo J. 2015. Physical properties of mid-level clouds based on CloudSat/CALIPSO data over land and sea. Climatic Environ Res, 20(1): 30–40. DOI:10.3878/j.issn.1006-9585.2014.13188 (in Chinese) |
李昀英, 宇如聪. 2006. AREM模拟云参数与卫星观测的比较研究. 大气科学, 30(6): 1198–1206. Li Y Y, Yu R C. 2006. Comparison of cloud parameters between AREM simulation and satellite retrieval. Chinese J Atmos Sci, 30(6): 1198–1206. (in Chinese) |
刘鹏, 李崇银, 王雨, 等. 2012. 基于TRMM PR探测的热带及副热带对流和层云降水气候特征分析. 中国科学:地球科学, 42(9): 1358–1369. |
Liu P, Li C Y, Wang Y, et al. 2013. Climatic characteristics of convective and stratiform precipitation over the Tropical and Subtropical areas as derived from TRMM PR. Sci China Earth Sci, 56(3): 375–385. DOI:10.1007/s11430-012-4474-4 |
彭杰, 张华, 沈新勇. 2013. 东亚地区云垂直结构的CloudSat卫星观测研究. 大气科学, 37(1): 91–100. Peng J, Zhang H, Shen X Y. 2013. Analysis of vertical structure of clouds in East Asia with CloudSat data. Chinese J Atmos Sci, 37(1): 91–100. DOI:10.3878/j.issn.1006-9895.2012.11188 (in Chinese) |
王帅辉, 韩志刚, 姚志刚, 等. 2011a. 基于CloudSat资料的中国及周边地区各类云的宏观特征分析. 气象学报, 69(5): 883–899. Wang S H, Han Z G, Yao Z G, et al. 2011a. An analysis of cloud types and macroscopic characteristics over China and its neighborhood based on the CloudSat data. Acta Meteor Sinica, 69(5): 883–899. (in Chinese) |
王帅辉, 韩志刚, 姚志刚. 2011b. 基于CloudSat资料的中国及周边地区云垂直结构统计分析. 高原气象, 30(1): 38–52. Wang S H, Han Z G, Yao Z G, et al. 2011b. Analysis on cloud vertical structure over China and its neighborhood based on CloudSat data. Plateau Meteor, 30(1): 38–52. (in Chinese) |
叶培龙, 王天河, 尚可政, 等. 2014. 基于卫星资料的中国西部地区云垂直结构分析. 高原气象, 33(4): 977–987. Ye P L, Wang T H, Shang K Z, et al. 2014. An analysis of cloud vertical structure over western China based on active satellite data. Plateau Meteor, 33(4): 977–987. DOI:10.7522/j.issn.1000-0534.2013.00158 (in Chinese) |
张华, 杨冰韵, 彭杰, 等. 2015. 东亚地区云微物理量分布特征的CloudSat卫星观测研究. 大气科学, 39(2): 235–248. Zhang H, Yang B Y, Peng J, et al. 2015. The characteristics of cloud microphysical properties in East Asia with the CloudSat dataset. Chinese J Atmos Sci, 39(2): 235–248. (in Chinese) |
Cess R D, Potter G L, Blanchet J P, et al. 1990. Intercomparison and interpretation of climate feedback processes in 19 atmospheric general circulation models. J Geophys Res, 95(D10): 16601–16615. DOI:10.1029/JD095iD10p16601 |
Fu Y F, Qin F. 2014. Summer daytime precipitation in ice, mixed and water phase as viewed by PR and VIRS in tropics and subtropics//Proceedings of SPIE 9259, Remote Sensing of the Atmosphere, Clouds, and Precipitation V. Beijing, China: SPIE, 925906 |
Kahn B H, Chahine M T, Stephens G L, et al. 2008. Cloud type comparisons of AIRS, CloudSat, and CALIPSO cloud height and amount. Atmos Chem Phys, 8(5): 1231–1248. DOI:10.5194/acp-8-1231-2008 |
Liou K N. 1986. Influence of cirrus clouds on weather and climate processes:A global perspective. Mon Weather Rev, 114(6): 1167–1199. DOI:10.1175/1520-0493(1986)114<1167:IOCCOW>2.0.CO;2 |
Mace G G, Benson-Troth S. 2002. Cloud-layer overlap characteristics derived from long-term cloud radar data. J Climate, 15(17): 2505–2515. DOI:10.1175/1520-0442(2002)015<2505:CLOCDF>2.0.CO;2 |
Rossow W B, Schiffer R A. 1999. Advances in understanding clouds from ISCCP. Bull Amer Meteor Soc, 80(11): 2261–2287. DOI:10.1175/1520-0477(1999)080<2261:AIUCFI>2.0.CO;2 |
Sassen K, Wang Z N, Liu D. 2008. Global distribution of cirrus clouds from CloudSat/Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observations (CALIPSO) measurements. J Geophys Res, 113(D8): D00A12. |
Sassen K, Wang Z E, Liu D. 2009. Cirrus clouds and deep convection in the tropics:Insights from CALIPSO and CloudSat. J Geophys Res, 114(D4): D00H06. |
Schiffer R, Rossow W B. 1983. The International Satellite Cloud Climatology Project (ISCCP):The first project of the world climate research programme. Bull Amer Meteor Soc, 64(7): 779–784. DOI:10.1175/1520-0477-64.7.779 |
Stephens G L, Vane D G, Boain R J, et al. 2002. The CloudSat mission and the A-Train:A new dimension of space-based observations of clouds and precipitation. Bull Amer Meteor Soc, 83(12): 1771–1790. DOI:10.1175/BAMS-83-12-1771 |
Stubenrauch C J, Cros S, Guignard A, et al. 2010. A 6-year global cloud climatology from the Atmospheric InfraRed Sounder AIRS and a statistical analysis in synergy with CALIPSO and CloudSat. Atmos Chem Phys, 10(15): 7197–7214. DOI:10.5194/acp-10-7197-2010 |
Wang Z E, Vane D, Stephens G, et al. 2012. Level 2 combined radar and lidar cloud scenario classification product process description and interface control document. JPL Rep, vol. 22. [Available online at http://www.cloudsat.cira.colostate.edu/sites/default/files/products/files/2B-CLDCLASS-LIDAR_PDICD.P_R04.20120522.pdf. ] |
Weisz E, Li J, Menzel W P, et al. 2007. Comparison of AIRS, MODIS, CloudSat and CALIPSO cloud top height retrievals. Geophys Res Lett, 34(17): L17811. DOI:10.1029/2007GL030676 |
Winker D M, Pelon J. 2003. The CALIPSO mission//Proceedings of 2003 IEEE International Geoscience and Remote Sensing Symposium. Toulouse, France: IEEE, 1329-1331 |
Wu D L, Ackerman S A, Davies R, et al. 2009. Vertical distributions and relationships of cloud occurrence frequency as observed by MISR, AIRS, MODIS, OMI, CALIPSO, and CloudSat. Geophys Res Lett, 36(9): L09821. |