出版日期: 2019-03-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20197326
2019 | Volumn23 | Number 2
上一篇 | 下一篇

基于MODIS数据的淮北地区云特性研究

曹亚楠^1,2 , 袁野¹ , 郑小艺¹ , 周述学¹

1. 安徽省人工影响天气办公室，合肥 230031

2. 中国气象局云雾物理环境重点实验室，北京 100081

收稿日期: 2017-08-15

基金项目: 中国气象局云雾物理环境重点实验室开放课题(编号：2017Z016)；安徽省气象局硕博士工作启动项目(编号：RC201610)

第一作者简介: 曹亚楠，1986年生，女，工程师，研究方向为卫星遥感云特性和云辐射特性等。Email：cyn@mail.ustc.edu.cn

通信作者简介: 周述学，1968年生，男，高级工程师，研究方向为大气物理与大气环境等。E-mail：25x@163.com

摘要

利用2006年—2015年MODIS云产品数据(MYD06)，对淮北地区不同云相态、不同相态云粒子有效半径和云顶温度逐月概率分布进行了统计对比分析，同时对四季云水路径逐年变化进行了研究。研究表明：淮北地区夏秋冬季水云出现的概率较高，春夏季冰云出现的概率较高。水云年均发生概率是冰云的近2倍，晴空和冰云相当，混合相态云较少。除7月份，水云有效半径概率逐月分布逐年有所变化，主要分布在5—30 μm。冰云有效半径主要分布在15—35 μm，且10年间4、5和8月份概率分布较为一致。混和相云有效半径主要分布在10—40 μm，逐月发生概率在10—20 μm和25—35 μm出现两个峰值，这与水云和冰云不同，且在春秋冬较为明显。10年间淮北地区上空云水路径年均值低于300 g/m²。冬季年均云水路径相对较低且逐年呈现减少的趋势。春秋冬季云顶温度逐月概率分布逐年变化较大。春冬季冷云发生的概率较大，夏秋季暖云出现的概率要高于冷云。

关键词

云特性, 云相态, 有效半径, 云顶温度, 云水路径, 淮北地区, 人工影响天气

MODIS data-based cloud properties in Huaibei Region

CAO Ya’nan^1,2 , YUAN Ye¹ , ZHENG Xiaoyi¹ , ZHOU Shuxue¹

1.Anhui Weather Modification Office, Hefei 230031, China

2.Key Laboratory for Cloud Physics of China Meteorological Administration, Beijing 100081, China

Abstract

In this study, a monthly probability distribution of different cloud phases, effective radii, and top temperatures in Huaibei region based on MODIS cloud product data (MYD06) from 2006 to 2015 were analyzed contrastively. Moreover, annual variations of cloud water path were discussed. Results showed that a water cloud probability of occurrence during summer, autumn, and winter in Huaibei region is high, whereas an ice cloud probability of occurrence during spring and summer is high. The annual average of water cloud probability is nearly 2 times that of ice cloud, that of clear sky is the same as ice cloud, and that of the mixed cloud is relatively minimal. The monthly probability distribution of water cloud effective radius has varied annually, except in July. Water cloud is mainly distributed between 5 and 30 μm. Ice cloud effective radius is mainly distributed between 15 and 35 μm. The monthly probability distribution of ice cloud particle effective radius has changed monthly in ten years, except in August and May. A mixed cloud effective radius is mainly distributed between 10 and 40 μm, and the monthly probability appears two peaks between 10 and 20 μm and between 25 and 35 μm. It is different from water and ice clouds, and it is obvious during spring, autumn, and winter. During the studied decade, the annual average of cloud water path in Huaibei region is below 300 g/m². During winter, the annual average of cloud water path is relatively decreasing annually. The monthly probability distribution change of the cloud top temperature in summer has been smaller than the other seasons in ten years. The cold cloud occurrence probability during spring and winter is significantly high, and the warm cloud probability of occurrence during summer and autumn is higher than that of the cold cloud.

Key words

cloud properties, cloud phase, cloud effective radius, cloud top temperature, cloud water path, Huaibei region, weather modification

1 引　言

云作为影响全球能量平衡、气候和天气变化的重要因素，云特性越来越多的引起人们的关注。特别是近年来，具有覆盖范围广、信息量大、时空分辨率高、数据真实可靠等优势的卫星遥感探测，逐步替代了地基观测，成为云观测的重要研究手段。

近年来，很多学者基于卫星遥感探测资料对云的特性进行了统计分析研究。如Ding等人(2004)利用ISCCP D2云气候资料统计分析了高、中、低云在全球的分布特征；陈勇航等人(2007)利用ISCCP D2云平均资料对中国西北地区15种不同类型的云分布特征进行了分析，给出中、低云量之和以及高云量在3个气候子区的多年的变化趋势；Luo等人(2009)利用CloudSat/CALIPSO 卫星资料对比分析了中国东部和印度季风区上空云的发生频率和垂直结构，建立云量分布与季风等大尺度环流场的联系；王帅辉等人(2011)利用CloudSat 2B-CLDCLASS云分类资料，研究中国及周边地区各类云的云量、云顶高度、云底、云厚等宏观特征，并获得了这些云宏观性质分布的区域差异和季节变化。这些研究大多是针对云的宏观性质。很多学者也对云微物理性质进行了研究。如Chen等人(2010)利用MODIS/CERES资料分析了中国西北地区云的液态水路径；杨大生和王普才(2012a)利用CloudSat资料分析中国地区夏季云水含量的垂直分布特征。另外，杨大生和王普才(2012b)利用CloudSat卫星资料，分析2006年—2008 年中国地区夏季月平均云粒子有效半径的垂直和区域变化，并获得水云和冰云粒子有效半径的垂直和区域分布特征；杨冰韵等人(2014)利用CloudSat卫星资料，分析全球云的微物理特征量和云光学参数分布和季节变化，并研究云的微物理性质对光学性质的影响。这些研究加深了对云性质的认识，但是总的来说，ISCCP 时空分辨率较低，CloudSat/CALIPSO资料比较准确，但是其本身对云的观测也存在一定的不确定性，如可能将气溶胶误识为云。全球免费直播的MODIS可以同时提供描述大气、陆地和海洋物理特性的反演参数，且其空间分辨率高，已经广泛应用于云特性的研究(Wei 等，2004；King 等，2003；曹亚楠等，2014；杨亦萍等，2016)。

安徽省由于地处中国南北气候过渡带，天气气候复杂，干旱发生区域基本呈现纬向空间分布特征，干旱频率自北向南递减，干旱情况是北重南轻，且呈季节性，旱情严重。淮北地区位于安徽北部，易发生春旱、秋涝等灾害，研究淮北地区上空云特性的分布，有助于人工影响天气部门科学合理的开展人影作业，切实缓解干旱等民生问题。本文基于MODIS云产品数据(MYD06)统计分析了安徽淮北地区2006年—2015年10年云的宏微观特性，包括对淮北地区不同云相态和不同相态云粒子有效半径逐月概率分布进行的统计对比分析，以及对云水路径和云顶温度的逐月概率分布和逐年变化的研究。所揭示的云粒子有效半径、云水路径以及云顶温度的特征为淮北地区天气和气候模式改进以及云—辐射—气候相互作用提供了重要的基础信息。同时，云水路径以及云顶温度的特征有助于淮北地区的人工增雨作业的有效开展，云粒子有效半径特性研究对淮北地区的人影工作的基础研究具有一定的参考价值。

2 资料选取与方法

搭载在Terra和Aqua卫星上的MODIS是EOS平台唯一进行全球免费直接广播的对地观测仪器。MODIS有覆盖了可见到红外(0.415—14.235 μm)36个光谱波段，其星下点空间分辨率为250—1000 m，空间分辨率高。数据经过辐射定标、地理位置定标、按各科学小组提供的反演算法生成0级到2—4级数据产品，包括陆地、大气和海洋等产品。

本文采用Aqua卫星上搭载的MODIS提供的2006年—2015年10年的云产品MYD06资料进行研究。淮北地区主体位于安徽省淮河以北，在研究中对32.5—35°N，114.5—118.5°E区域(图1)云特性进行研究。按照常规季节分类，将一年分为春季(3—5月)、夏季(6—8月)、秋季(9—11月)和冬季(12月—次年2月)统计分析安徽淮北地区上空的云的若干宏微观特性。MODIS云产品中云参数如有效半径、云水路径等的图像像素为1354×2030，其他像素为270×406。在研究中，由于云产品和经纬度像素不同，故按照像素点5×5对经纬度进行插值获得对应的云参数。观测的某一相态云的数量和观测的所有相态云数量的比值作为该云相态的发生概率。在分析多年季节分布特征及变化趋势时，将每3个月的数据进行平均得到各季节的云特性的平均值进行研究。

图 1 研究区域

Fig. 1 Research area

3 数据结果处理与分析

3.1 不同云相态

淮北地区位于安徽北部，属暖温带半湿润季风气候，降水主要集中在6—8月份，降水量相对集中，且各月分配不均，易发生春旱、秋涝等灾害。根据ECMWF模式的温度情况，温度小于–20 ℃为冰云，大于0 ℃为水云，–20 ℃—0 ℃为混合相云。0 ℃以上为暖云，0 ℃以下为冷云，混合相云主体部分处于0 ℃以下，属于冷云。暖云降水云体的含水量以及云内上升气流对降水的产生起着重要的作用。冷云中既有过冷水，又有冰晶，通过云中冰晶的凝华增长、结淞、碰连聚集增长，以及在0 ℃下融化后的碰并增长形成降水。不同季节中不同相态的云发生概率的不同，这对降水的产生会产生一定的影响。所以研究淮北地区不同云相态的逐月发生概率尤为重要。

观测的某一相态云的数量和观测的所有相态云数量的比值作为该云相态的发生概率，对2006年—2015年10年间各种云逐月发生概率进行了研究(图2)。MODIS云产品MYD06提供包括晴空在内7种云相态，分别是：0代表晴空；1代表不透明水云；2代表不透明冰云；3代表混合相云；4代表透明水云；5代表透明冰云；6代表不确定。分析图2可见，10年间淮北上空出现的云相态一致，主要是云相态0、1、2、3及6出现的概率较高，云相态为4和5出现的概率很低，同时云相态10年间逐月概率分布趋势较为一致。云相态为6是不确定相态，且云相态为4和5发生概率很低，故本文将对0、1、2、3云相态进行研究，下文就简述为晴空、水云、冰云和混合相云。从逐月发生概率来看，1、2、6—12月不透明水云出现的概率相对于3—5月来说，相对较高，在0.3—0.7，3—5月约在0.2左右。且3—5月份晴空发生的概率较高，在0.2—0.5。可见除了春季，淮北地区夏秋冬三季水云出现的概率较高，云水资源较为丰富，这与淮北地区容易发生春旱相吻合。相对于其他月份来说，3—8月不透明冰云出现的概率相对较大，在0.2—0.5，即春季和夏季冰云出现的概率较秋冬两季节要高。此外，从图中还可以看出，3—5月出现晴空的概率相对较高，概率在0.3左右；6—8月晴空发生概率相对其他的月份来说较低，约在0.2以下。可见淮北地区春季晴空发生概率较高，其次是秋冬两季，夏季则概率最低。另外，混合相云发生概率相对较低，在0.1以内，但混合相云中的过冷水对云顶的辐射起着重要的作用，同时也是人工影响天气的重要对象和阻碍飞机安全飞行的重要因素(Shupe 等，2003)。

图 2 10年间不同云相态的月发生概率分布

Fig. 2 The probability distributions of different cloud phase per month in ten years

为了进一步研究云相态逐年变化，研究了云相态年均发生概率逐年变化(图3)。可见，淮北地区上空水云发生概率是冰云的近2倍，晴空和冰云出现的年平均概率相当，混合相态云相对较少。且各云相态年均发生概率逐年变化较小，没有明显的增大或者减小的趋势，个别年份变化较大。如水云在2007年和2014年出现较高发生概率，冰云在2009年和2012年发生概率较略大，混合相态云发生概率逐年变化很小，较为稳定。

图 3 不同云相态发生概率逐年变化

Fig. 3 The occurrence probabilities of different cloud phase vary with years

3.2 不同相态云粒子有效半径

云粒子的大小由气溶胶、水汽和上升运动等多个因素和环境条件决定，并受到核化、凝结、冻结、碰并和沉降等微物理过程的控制。反过来，云粒子的大小对降水的形成也起着重要的作用。由于云粒子大小的年际变化很小(杨大生和王普才，2012)，可以不考虑，这里就3种相态云(水云、冰云和混合相云)的粒子半径逐月变化情况分别进行了研究与讨论。

图4是10年间水云粒子有效半径逐月概率分布。从图中可以看，除7月份外，水云粒子有效半径概率逐月分布趋势逐年有所变化，主要分布在5—30 μm，这和文献(Han 等，1994)研究结果一致。3—5月份春季水云粒子有效半径发生概率最大范围5—10 μm在这3个月里逐月从概率为0.8降低到0.4左右，5月份5—10 μm和10—15 μm发生概率相当。6—8月份夏季水云粒子有效半径发生概率最大范围10—20 μm发生概率相对较高，在 0.35—0.45。9—11月份秋季发生概率最大范围从10—20 μm的概率为0.45左右逐月变化到10月份与5—10 μm相当，0.3左右，11月份5—10 μm发生概率超过10—15 μm，达到0.5左右。冬季12、1和2月份水云粒子有效半径在5—10 μm发生概率相对较大，在0.3—0.7。可见水云粒子的有效半径逐月最大概率发生范围逐月变化。此外，1—4、11和12月份20—30 μm水云粒子有效半径存在一定的发生概率，云滴较大。当较大云滴下沉且有空气进入引起蒸发后，将会影响水云中非降水云凝结增长和上升运动的平衡。液态水云中有典型生命期的非降水云粒子有效半径约在5—15 μm，当云滴进一步增大，降水云中发生凝结、碰并和下沉过程之间的相互作用使得云滴半径在10—30 μm(杨大生和王普才，2012)，这与淮北地区容易发生春旱、夏季集中降水的情况一致。另外，夏季水云粒子有效半径较大，可能是因为淮北地区降水主要集中在6—8月份，降水冲刷大气中的颗粒污染物，使得作为云凝结核的颗粒物数量减少，云滴尺寸增大。

图 4 10年间水云粒子有效半径逐月概率分布

Fig. 4 The probability distributions of water cloud effective radius per month in ten years

图5为10年间冰云粒子有效半径逐月概率分布。从图中可以看出，除4、5和8月份，冰云粒子有效半径发生概率逐月分布逐年变化。冰云粒子有效半径主要分布在15—35 μm。3—5月份春季在25—30 μm发生概率最大在0.3—0.5。6—8月份夏季三个月最大概率发生范围不同：6月份在25—30 μm发生概率最大，在0.2—0.4；而7和8月份在20—25 μm发生概率最大，在0.3—0.4。9—11月份秋季在20—25 μm和25—30 μm发生概率相当，在0.3—0.4。12、1和2月份冬季三个月最大概率发生范围不同：12和1月份在20—25 μm发生概率最大，在0.3—0.4；2月份在25—30 μm发生概率最大，在0.3—0.4。从10年时间来看，基本上是有规律的发展，若干年份有些差别，年际差别不大。如2006、2007和2010年3月份最大概率发生在20—25 μm；2008年1月和2月在15—20 μm发生概率最大。

图 5 10年间冰云粒子有效半径逐月概率分布

Fig. 5 The probability distributions of ice cloud effective radius per month in ten years

混合相云中的过冷水对云顶的辐射起着重要的作用，是人工影响天气的重要对象和阻碍飞机安全飞行的重要因素。另外，混合相云中冰晶凝华长大下落，通过冰水转化长大，当增大到一定尺度，通过结淞迅速增长，在下落中冰晶融化，碰并增长，通过暖云雨滴破碎繁生机制，形成较强的降水。在这个过程中云粒子大小的作用显得尤为重要，所以对混合相云粒子半径进行了研究。图6是10年间混合相云粒子有效半径逐月概率分布。从图中可以看出，混合相云粒子有效半径主要分布在10—40 μm，逐月发生概率在10—20 μm和25—35 μm出现两个峰值，这一点与水云和冰云都不相同，且这种现象在春秋冬三季较为明显。12、1—4月发生概率峰值在25—35 μm大于10—20 μm较为明显，5—11月份两个峰值区概率相当，在10—20 μm略高于25—35 μm。

图 6 10年间混和相云粒子有效半径逐月概率分布

Fig. 6 The probability distributions of mixed cloud effective radius per month in ten years

云在水平和垂直方向分布都是不均匀的。考虑到实际人工增雨作业中，地面作业和飞机作业的高度，也为了更好的研究云粒子有效半径的分布情况，研究了2—6 km云顶高度云粒子有效半径10年间的逐月概率分布，如图7所示。从图中可以看出1—4月份以及11和12月份，2—6 km云顶高度云粒子有效半径的概率分布在10年间大致趋势一致：云粒子有效半径在5—10 μm发生概率较大。5—10月份云粒子有效半径逐年逐月概率分布明显在10—20 μm发生概率最大，达到0.4以上。造成这种分布的原因可能是春冬两季节非降水云较多，而夏秋降水云较多，对流较为旺盛。

图 7 10年间云顶高度在2—6 km云有效半径逐月概率分布

Fig. 7 The probability distributions of cloud effective radius at cloud top height between 2 km to 6 km per month in ten years

3.3 云水路径

云中液态水含量是了解云物理过程的必不可少的研究特征，是指导人工增雨作业的有效指标，也是影响人工增雨效果的重要因素。在人工影响天气领域中，云中的液态水含量在一定程度上表征着过冷水的含量，而过冷水含量是衡量人工增雨潜力和作业条件选择的重要指标之一。文中根据MODIS云产品中云光学厚度、有效半径和云水路径的关系计算得到云水路径并且对其进行了分析研究。

图8为四季平均云水路径逐年变化(图8(a))和季节距平百分比(图8(b))。从左图可以看出，10年间淮北地区上空云水路径均值低于300 g/m²。2012年前春季呈现逐年高—低交替变化，2013年后逐年减少，总体来说在160—240 g/m²。夏季总体在140—240 g/m²，在2010年和2013年出现两个低值，低于160 g/m²。秋季在2013年前呈现逐年低—高交替变化，2013年—2015年仍然呈现低—高交替变化，其中2010年出现最低值，约120 g/m²。冬季平均云水路径相对其他三季较低，在100—160 g/m²，2011年和2012年其他年份有所增加。从图8(b)距平百分比图来看，春夏秋3季相对冬季来说距平百分比逐年变化较大。春季在2007年、2010年、2013年和2015年云水路径变化较大，距平百分比绝对值最大在20左右。夏季2008年、2009年、2010年、2013年和2015年云水路径变化较大，距平百分比绝对值最大在30左右。秋季在2009年、2010年、2011年和2014年云水路径较年均值差别较大，距平百分比绝对值最大在40左右。结合两图对云水路径进行线性趋势分析，可以发现冬季总体上逐年呈现减少的趋势，春夏秋季没有明显的逐年增加或者减少的趋势。

图 8 四季平均云水路径逐年变化和距平百分比

Fig. 8 Seasonal average of cloud water path vary with year and anomaly percentage

3.4 云顶温度

有研究表明(Grant和Elliott，1974)，当云顶温度处于–10 ℃— –24 ℃，通过人工播云进行增雨有效，峰值区位于–15 ℃— –20 ℃，即“播云温度窗”。可见云顶温度对于人工增雨科学开展的重要性。

图9为10年间云顶温度逐月概率分布。从图中可以看出，3—5月份春季云顶温度在–40— –60 ℃和0—20 ℃出现两个峰值，前者发生的概率较大，在0.1—0.4，可见春季纯冰晶冷云出现的概率比暖云要高。6月份云顶温度在–40— –60 ℃和0—20 ℃发生概率相当。7—10月份在–50— –20 ℃发生概率在0.1—0.2，10—30 ℃发生概率较之要高，在0.2—0.6。也有例外，2015年6月份在–30— –10 ℃发生概率明显，约0.2左右。总的来说，6—10月份在10年间概率分布趋势较为一致。11、12、1和2月份云顶温度在–60— –40 ℃和–10—20 ℃发生概率较大，且发生概率在–60— –40 ℃小于–10—20 ℃，后者约在0.2—0.4，即纯冰冷云发生的概率相对较小，其中11月份在0—20 ℃发生概率较大，12、1和2月份在–10—20 ℃出现两个峰值分别在–10—0 ℃和0—20 ℃，且两者发生概率相当。也就是说春秋冬在10年间云顶温度逐月概率分布相对于夏季来说变化较大。且通过前面的云顶温度的分析发现，淮北地区上空春冬季冷云发生的概率明显较大，夏秋两季暖云出现的概率要高于冷云。所以，不同季节出现的云不尽相同，进行人工增雨作业采用的催化方式也应与之相适应，从而获得较好的作业效果。

图 9 10年云顶温度逐月概率分布

Fig. 9 The probability distributions of cloud top temperature per month in ten years

4 结　论

通过对2006年—2015年共10年的MODIS云产品MYD06相应云特性的分析和研究，得到淮北地区云若干宏微观特性的统计分布规律。研究表明：

(1) 除了春季，淮北地区夏秋冬三季水云出现的概率较高，这与淮北地区容易发生春旱相吻合；春夏季冰云出现的概率较高；春季晴空发生概率较高，夏季则概率最低；混合相云发生概率相对较低。同时，淮北地区上空水云年均发生概率是冰云的近2倍，晴空和冰云相当，混合相态云相对较少。且各云相态年均发生概率逐年没有明显的增大或者减小的趋势，个别年份变化较大；

(2) 除7月份外，水云粒子有效半径概率逐月分布逐年有所变化。最大发生概率范围：春季在5—10 μm；夏季在10—20 μm；秋季从10—20 μm逐月变化到5—10 μm相当，并在11月份5—10 μm发生概率超过10—15 μm；冬季在5—10 μm。水云粒子的有效半径逐月最大发生概率范围逐月变化。除4、5和8月份，冰云粒子有效半径发生概率逐月分布逐年变化。冰云粒子有效半径主要分布在15—35 μm，最大发生概率范围：春季在25—30 μm；夏冬两季各自三个月最大概率发生范围不同；秋季在20—25和25—30 μm发生概率相当。混和相云粒子有效半径主要分布在10—40 μm，逐月发生概率在10—20 μm和25—35 μm出现两个峰值，这一点与水云和冰云都不相同，且在春秋冬较为明显；

(3) 10年间淮北地区上空云水路径均值低于300 g/m²。总体来说，春季在160—240 g/m²；夏季在140—240 g/m²；秋季在150—250 g/m²；冬季平均云水路径相对其他三季较低，在100—160 g/m²。春夏秋3季相对冬季来说距平百分比逐年变化较大。冬季总体上逐年呈现减少的趋势，春夏秋季没有明显的逐年变化趋势；

(4) 云顶温度在6—10月份10年间概率分布趋势较为一致。春秋冬季在10年间云顶温度逐月概率分布相对于夏季来说变化较大。春冬两季冷云发生的概率明显较大，夏秋两季暖云出现的概率要高于冷云。所以，不同季节出现的云不尽相同，进行人工增雨作业采用的催化方式也应与之相适应，从而获得较好的作业效果。

云特性在水平和垂直尺度上都是不均匀的，所以本文基于MODIS对淮北地区上空水平尺度上云特性进行了研究，垂直方向上的云特性分布有待于结合其他的卫星探测产品进行进一步的研究。

参考文献(References)

Cao Y N, Wei H L and Bian J. 2014. Study of atmospheric radiative properties at infrared bands under ice clouds based on Atmospheric Infrared Sounder and Moderate Resolution Imaging Spectroradiometer observation. Acta Optica Sinica, 34 (9): 901003 [DOI: 10.3788/AOS201434.0901003] ( 曹亚楠, 魏合理, 边建. 2014. 基于大气红外探空仪和中分辨率成像光谱仪观测的冰云大气红外辐射特性研究. 光学学报, 34 (9): 901003 [DOI: 10.3788/AOS201434.0901003] )

Chen Y H, Chen Y, Huang J P, Zheng Z H, Su J and Huang H. 2007. Distribution and variation trend of cloud over Northwestern China. Plateau Meteorology, 26 (4): 741–748. ( 陈勇航, 陈艳, 黄建平, 郑志海, 苏婧, 黄鹤. 2007. 中国西北地区云的分布及其变化趋势. 高原气象, 26 (4): 741–748. )

Chen Y H, Peng K J, Huang J P, Kang Y M, Zhang H and Jiang X B. 2010. Seasonal and regional variability of cloud liquid water path in northwestern China derived from MODIS/CERES observations. International Journal of Remote Sensing, 31 (4): 1037–1042. [DOI: 10.1080/01431160903154309]

Ding S G, Shi G Y and Zao C S. 2004. Analyzing global trends of different cloud types and their potential impacts on climate by using the ISCCP D2 dataset. Chinese Science Bulletin, 49 (12): 1301–1306. [DOI: 10.1360/03wd0614]

Grant L O and Elliott R E. 1974. The cloud seeding temperature window. Journal of Applied Meteorology, 13 (3): 355–363. [DOI: 10.1175/1520-0450(1974)013<0355:TCSTW>2.0.CO;2]

Han Q Y, Rossow W B and Lacis A A. 1994. Near-global survey of effective droplet radii in liquid water clouds using ISCCP data. Journal of Climate, 7 (4): 465–497. [DOI: 10.1175/1520-0442(1994)007<0465:NGSOED>2.0.CO;2]

King M D, Menzel W P, Kaufman Y J, Tanre D, Gao B C, Platnick S, Ackerman S A, Remer L A, Pincus R and Hubanks P A. 2003. Cloud and aerosol properties, precipitable water, and profiles of temperature and water vapor from MODIS. IEEE Transactions on Geoscience and Remote Sensing, 41 (2): 442–458. [DOI: 10.1109/TGRS.2002.808226]

Luo Y L, Zhang R H and Wang H. 2009. Comparing occurrences and vertical structures of hydrometeors between eastern China and the Indian monsoon region using CloudSat/CALIPSO data. Journal of Climate, 22 (4): 1052–1064. [DOI: 10.1175/2008JCLI2606.1]

Shupe M D, Kollias P, Matrosov S Y and Schneider T L. 2003. Deriving mixed-phase cloud properties from Doppler radar spectra. Journal of Atmospheric and Oceanic Technology, 21 (4): 660–670. [DOI: 10.1175/1520-0426(2004)021<0660:DMCPFD>2.0.CO;2]

Wang S H, Han Z G, Yao Z G and Zhao Z L. 2011. An analysis of cloud types and macroscopic characteristics over China and its neighborhood based on the CloudSat data. Acta Meteorologica Sinica, 69 (5): 883–899. [DOI: 10.11676/qxxb2011.077] ( 王帅辉, 韩志刚, 姚志刚, 赵增亮. 2011. 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. [DOI: 10.11676/qxxb2011.077] )

Wei H L, Yang P, Li J, Baum B A, Huang H L, Platnick S, Hu Y X and Strow L. 2004. Retrieval of semitransparent ice cloud optical thickness from Atmospheric Infrared Sounder (AIRS) measurements. IEEE Transactions on Geoscience and Remote Sensing, 42 (10): 2254–2267. [DOI: 10.1109/TGRS.2004.833780]

Yang B Y, Zhang H, Peng J, Wang Z L and Jing X W. 2014. Analysis on global distribution characteristics of cloud microphysical and optical properties based on the CloudSat data. Plateau Meteorology, 33 (4): 1105–1118. [DOI: 10.7522/j.issn.1000-0534.2013.00026] ( 杨冰韵, 张华, 彭杰, 王志立, 荆现文. 2014. 利用CloudSat卫星资料分析云微物理和光学性质的分布特征. 高原气象, 33 (4): 1105–1118. [DOI: 10.7522/j.issn.1000-0534.2013.00026] )

Yang D S and Wang P C. 2012a. Tempo-spatial distribution characteristics of cloud particle size over China during summer. Climatic and Environmental Research, 17 (4): 433–443. [DOI: 10.3878/j.issn.1006-9585.2011.10066] ( 杨大生, 王普才. 2012a. 中国地区夏季云粒子尺寸的时空分布特征. 气候与环境研究, 17 (4): 433–443. [DOI: 10.3878/j.issn.1006-9585.2011.10066] )

Yang D S and Wang P C. 2012b. Characteristics of vertical distributions of cloud water contents over China during summer. Chinese Journal of Atmospheric Sciences, 36 (1): 89–101. [DOI: 10.3878/j.issn.1006-9895.2012.01.08] ( 杨大生, 王普才. 2012b. 中国地区夏季6~8月云水含量的垂直分布特征. 大气科学, 36 (1): 89–101. [DOI: 10.3878/j.issn.1006-9895.2012.01.08] )

Yang Y P, Dong X G, Dai C M and Xu Q S. 2016. Cirrus clouds properties in the Arctic in summer based on MODIS data. Infrared and Laser Engineering, 45 (4): 432002 [DOI: 10.3788/IRLA201645.0432002] ( 杨亦萍, 董晓刚, 戴聪明, 徐青山. 2016. 利用MODIS数据对北极夏季卷云特性的研究. 红外与激光工程, 45 (4): 432002 [DOI: 10.3788/IRLA201645.0432002] )

摘要

关键词