GoAmazon2014 / 5期间来自雷达风剖面观测的对流云垂直速度和质量 – 通量特征外文翻译资料

 2022-11-29 15:39:07

英语原文共 23 页，剩余内容已隐藏，支付完成后下载完整资料

GoAmazon2014 / 5期间来自雷达风剖面观测的对流云垂直速度和质量 - 通量特征

Scott E. Giangrande1, Tami Toto1, Michael P. Jensen1, Mary Jane Bartholomew1, Zhe Feng2,Alain Protat3, Christopher R. Williams4, Courtney Schumacher5, and Luiz Machado6

环境和气候科学部，布鲁克海文国家实验室，美国纽约厄普顿；太平洋西北国家实验室，美国华盛顿州里奇兰；澳大利亚天气与气候研究中心，澳大利亚维多利亚州墨尔本；科罗拉多大学博尔德分校和NOAA/地球系统研究实验室/物理科学处，美国科罗拉多州博尔德市；德克萨斯农工大学，学院站，美国得克萨斯州；国家空间研究所，巴西圣若泽杜斯坎普斯

摘要：在两年的能源部收集的雷达风廓线仪数据集亚马逊绿色海洋大气辐射测量观测和建模（GoAmazon2014 / 5）活动用于估计对流云垂直速度，面积分数和质量通量剖面。使用累积频率直方图和加权平均剖面来呈现垂直速度观测值，以适合于全球气候模式尺度比较（空间域从20公里到60公里）的方式提供洞察力。还考虑了对环境条件和季节性制度控制变化的对流剖面敏感性。总体和集合平均垂直速度，对流面积分数和质量通量剖面，以及大小和相对剖面行为，发现与以前的研究一致。随着高度向中层（6到10 km）升级和下降的程度随着高度的增加而增加，上升气流面积也随着高度的增加而增加。上升气流质量通量分布同样随着高度的增加而增加，在8公里附近显示出峰值。据观察，下行路在冻结水平以下最为频繁，下行流域面积随高度单调递减。这些结果表明，在较高的对流有效能势和较低的低水平条件下，垂直速度分布行为较强。对流面积分数和质量通量剖面的明显差异在根据亚马逊雨季和旱季的条件进行分类时最为明显。在此次部署过程中，湿季区域有利于更高的区域质量通量剖面，这归因于更加频繁的对流，抵消了较弱的平均对流单元垂直速度。

1、引言

理解深对流云并模拟它们的影响是云解析模型（CRM）到全球气候模型（GCM）尺度的主要挑战。在GCM尺度上，对流参数化影响全球能量平衡和积云云辐射特性的模拟，同时也影响这些模式明确解决的大尺度大气环流的强度[Del Genio 2012]。因此，无法充分反映深对流云的生命周期和影响是气候变化预测中GCM不确定性的主要驱动因素。在可预见的未来，对流参数化方案的模型依赖激发了许多观测研究，这些观测研究探索新技术以改进我们对云过程和云 - 气溶胶相互作用的洞察[例如，May等人，2008; Jakob，2010; Jensen等，2016; Wang等，2016]。由于热带地区的对流参数化反馈说明GCM预测能力具有重大且深远的敏感性，因此往往会强调更好地理解欠采样热带对流区域内的深对流生命周期[如Yin et al。，2013; Hagos等，2016]。

需要更新的观测限制来更好地隔离深层湿度，夹带和微物理处理之间的联系[e.g., Milbrandt and Yau, 2005; Jensen and Del Genio, 2006; Del Genio et al., 2012]。然而，由于深对流云在多种尺度上运行，因此任何一个单一的观测平台都很难从详细的微物理过程尺度到大尺度的云量覆盖以及能量含义的对流生命周期。实际限制引发了对多传感器，多尺度“上层”活动的关注，以更好地弥合云过程研究和大规模反馈之间的差距[e.g., Stokes and Schwartz, 1994; Mather and Voyles, 2013]。一个值得注意的建议是改善对较大区域的对流垂直速度和质量流量的观测，这是评估传统的质量通量驱动的集合GCM参数化所必需的[e.g., Arakawa and Schubert, 1974]。这些观测结果也可用于开发当前和未来的GCM参数化，通过更多的积云复杂性更好地区分有组织的对流生命周期[e.g., Donner et al., 2001; Storer et al., 2015]。

传统上，利用航空器直接获得的狭窄，高分辨率的测量结果收集深对流中的垂直速度和质量流量估算值[e.g., Byers and Braham, 1948; Lenschow, 1976; LeMone and Zipser, 1980; Anderson et al., 2005]。虽然飞机研究提供了可靠的测量，但深层对流单元的飞行操作的成本和实际危险限制了这些数据集的可用性。最近，雷达风险投资者（RWP）已经成为飞机研究的一种更便宜和更安全的替代方案[e.g., Battan and Theiss, 1970; May and Rajopadhyaya, 1999; Williams, 2012; Giangrande et al., 2013; Schumacher et al., 2015; Kumjian et al., 2016]。最近的文件升级使得能够在充分的时间和垂直分辨率下收集垂直速度测量数据，用于对流核心研究。这些补漏检索报告的检索不确定性在1-2m s-1以内[e.g., Heymsfield et al., 2010]。尽管如此，固定式苏打管风力捕捉器并不针对对流细胞（可能是定向飞行器领域的战役），也缺乏扫描气象雷达的空间域采样，以便与CRM或GCM模型输出方便地对齐。

为了适当使用RWPs进行GCM评估，一个关键问题是“在何种程度上，代表区域平均数量（即GCM社区感兴趣的那些）的估计时间平均特性（风能利用者经常收集的）？” GCM输出表示占据大时空域（即等于或大于1小时，20km水平）的整体云特性。出于实际考虑，以前的研究发现，从易于识别的对流“核心”子集报告统计学汇总特性更简单，例如，那些核心具有更强的连贯上升或下沉特征[e.g., LeMone and Zipser, 1980; Zipser and LeMone, 1980]。这些努力是相辅相成的，因为来自大量核心的统计数据仍然是大型模型所关注的[e.g., Donner, 1993]。然而，仅仅依靠这些方法可能无法实现常规的GCM型大规模流量定义和评估，将所有对流云空气运动聚集到一个特定的时空域内。

最近，Kumar等人 [2015]提出了一个基于RWP的统计解决方案，旨在获取澳大利亚达尔文附近的质量流量剖析图，以更好地对整体GCM模拟进行评估。这些努力突破了传统航空器或者利用核心定义，而是需要一个具有监视雷达支持的长时间数据集，以确保点扫描仪和扫描雷达域采样之间的统计一致性。我们的研究遵循类似的动机Kumar等人。 [2015]，使用扩展的采集数据集建立在我们对深对流垂直速度和质量通量特性的了解上。正如在这项研究中，我们记录了对流质量通量的垂直结构，对流面积分数和垂直速度对质量通量的相对作用，以及垂直速度和质量流率对热力学条件变化的敏感度。沿着这些方向的努力可以作为一种纯粹的观测补充来帮助锚定最近的GCM对流参数化环境强迫和封闭研究[e.g., Suhas and Zhang, 2015]。

这项研究利用亚马逊河流域收集的扩展对流资料，在亚马逊绿色海洋观测和模拟（GoAmazon2014 / 5）实验[Martin et al., 2015, 2016]。亚马逊流域在相对“湿”（12月至3月）和“干旱”（6月至9月）制度下具有增加的降雨产生条件，跨越多种云和降水类型。这些制度及其转变与地表热通量控制对流的热力强迫和大尺度水汽输送的差异有关[e.g., Li and Fu, 2004; Fu and Li, 2004]。亚马逊地区的云和降水频率范围广泛，加上目前的GCM模型无法充分反映热带地区的对流云特征，因此亚马逊扩展部署是理解和改进GCM对流参数化和相关反馈的重要资产[e.g., Williams et al., 2002; Richter and Xie, 2008]。作为GoAmazon2014 / 5的一部分，大气辐射测量（ARM）移动设施（AMF）[Miller等，2016]在巴西Manacapuru附近收集了一套独特的观测资料，该网站已知经历了其地区的原始状况 以及巴西马瑙斯大城市污染羽流的影响。AMF能够捕获多个雷达连续记录的柱云属性，而频繁的无线电探空仪发射有助于表征对流强迫[e.g., Xie et al., 2015]。AMF站点位于分布式亚马逊保护系统（SIPAM）S波段（3GHz）常规多普勒雷达网络的保护范围之内，该网络为本研究中总结的对流事件提供了附加条件[Martin et al., 2015]。

本文概述如下。第2节介绍了GoAmazon2014 / 5数据集的概述。第3节概述了获取环境参数和GCM尺度垂直速度，对流面积分数和质量流量剖面的方法。第4节介绍了GoAmazon2014 / 5数据集的结果和细目，包括隔离环境强迫对这些剖面的作用的活动。关于对流核心性质的环境破坏的详细讨论见第5节，我们的关键 发现在第6节中总结。

2、GoAmazon2014 / 5数据集

作为GoAmazon2014 / 5的一部分，ARM AMF位于巴西Manacapuru附近（图1，此处为T3站点）。数据集包括2014年3月至2015年12月期间的近乎连续的资料。本研究强调积云累积对RWP观测到的更深对流云特性的影响。这些云层的反射率因子Z值通常大于10 dBZ，与亚马逊流域观测到的大部分降水有关。我们分析了超过200天的RWP观测资料的对流性质，这些观测资料收集了T3以上至少5分钟的可测量对流降水。对流降水采用2.1节描述的基于RWP的回波分类方法。这些对流降水观测发生在我们定义为“有对流时”的小时内，用于本研究所进行的面积分数和质量流量计算。

在GoAmazon2014 / 5期间，基于规模的降水累积与RWP结合，表明对流云回波占有可用RWP观测值的35％（当测量到降雨时），占总降雨量的约70％（gt; 3000 毫米总数据集降水量）。T3时段的湿季和干季降水量符合建立的当地昼夜循环控制，由UTC和1500 UTC到1800之间的早午后对流（当地中午 - 下午3点，图2）的准定时时间强调。潮湿季节与干季季节之间的大规模热力学变化促成了额外的复杂性，其中包括引发过夜广泛的层状降水贡献的中尺度对流系统的传播。然而，在过渡期和海风侵入盆地期间观测到的T3以上大部分降水贡献有限[Romatschke and Houze, 2010; Burleyson et al., 2016]。

2.1、雷达数据集

ARM 1290 MHz UHF RWP是用于检索的主要工具。 这个RWP被重新配置为类似于S波段雷达采样器的降水模式[e.g., Atmospheric Radiation Measurement, ARM Climate Research Facility, 2009; Williams, 2012; Giangrande et al., 2013; Tridon et al., 2013]。波束宽度大（6°，例如，在地平面以上10公里处〜1公里）; 然而，垂直和时间分辨率（分别为200米和5秒）对于对流研究来说是合理的。RWP反射率因子测量和2014年3月20日事件的垂直速度恢复示例如图3所示。为了确保我们能够减轻与布拉格回波相关的RWP数据集中的混乱，请参阅并置的W波段ARM云雷达[e.g., Atmospheric Radiation Measurement, ARM Climate Research Facility, 2005; Giangrande et al., 2010, 2012]。

最近的监视SIPAM雷达位于T3东北部67.8公里处。该雷达提供掠入射角覆盖，用于在与GCM网格大小相当的域上生成用于对流面积分数估计的复合恒定高度低层网格反射率地图（例如，恒定高度计划位置指标，CAPPI）。2014年3月至2015年5月期间提供了一个重叠的SPAM数据集，这有助于确定T3列观测值的统计代表性（第3.3节）。SIPAM雷达数据（1.8°波束宽度）被网格化为笛卡尔坐标网格，水平和垂直分辨率分别为2 km和0.5 km。基于纹理的分类方法[Steiner等，1995]应用于2.5 km高度反射CAPPI，每12分钟更新一次，以指定对流回波。然后估计几个代表性GCM网格大小的1小时SIPAM对流面积分数（如图1所示的域）。最后，SIPAM数据的使用被限制在距离雷达110公里的半径（虚线圆圈，图1）。超出此范围，某些月份收集的数据偶尔不可靠。因此，最大的100公里域框向东移动25公里以适应这种变化。

2.2、Disdrometer数据集

使用标准的ARM滴检查和处理技术从Parsivel单元获得五分钟聚集体滴大小分布（DSD）测量[e.g., Atmospheric Radiation Measurement, ARM Climate Research Facility, 2006; Tokay et al., 2013; Giangrande et al., 2014]。根据幂律关系式来估计RWA水平流速下降速度对检索到的RWP垂直运动估计量的贡献（第3节中讨论），该分析仪为RWP Z估计值提供了常规校准参考（在1-2 dB内）。使用Parsivel DSD评估降雨速度幂律关系，假定近地表环境垂直空气运动可忽略不计。这些努力遵循Steiner [1991]关系形式，Vt = aZb，其中Vt是（ms-1），Z是线性单位（mm6 m-3），“b”系数固定在0.098，并且 在使用GoAmazon2014 / 5期间收集的对流雨DSD时，估计“a”系数为2.65 ms-1。

2.3、无线电探空仪

线电台每隔6小时在T3上发射一次。基本的热力学处理是在Jensen等人 [2015]估计共同的热力学/环境量，包括对流有效势能（CAPE）和对流抑制（CIN）。根据降水的昼夜循环（图2），最接近的对流前期环境探测通常是在1100

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[21929]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

发小红书推广免费获取该资料资格。点击链接进入获取推广文案即可： Ai一键组稿 | 降AI率 | 降重复率 | 论文一键排版

您可能感兴趣的文章