تشخیص لایه ذوب و خصوصیات بر اساس پروفایل عمودی نشانگر ارتفا ع-کواسی

لایه ذوب (میلی لیتر) منطقه مهمی است که برای توصیف انتقال هیدرومترها از جامد به فاز مایع استفاده می شود. این یک ویژگی معمولی است که برای توصیف ساختار عمودی بارش طبقه ای استفاده می شود. مطالعه حاضر یک الگوریتم جدید تشخیص ذوب لایه ای جدید را بر اساس مشخصات محدوده-اینگ-نشانگر-کواسی-عمودی (R-QVP) در رادارهای دو قطبی دو قطبی باند X انجام می دهد. این الگوریتم از شیب متغیرهای رادار قطبی در قطبش افقی استفاده می کند (Z_h) ، بازتاب دیفرانسیل (z_dr) ، و ضریب همبستگی کولار (ρ_hv) ، و ترکیب آنها برای توصیف خصوصیات ML. ارتفاع لایه ذوب به دست آمده از رادار با ارتفاع دمای دمای خیس 0 درجه سانتیگراد حاصل از تجزیه و تحلیل گذشته نگر در دوره مدرن برای تحقیق و کاربردها (MERRA) تنظیم مجدد و ضریب همبستگی بالا 0. 96 به دست آمد. R-QVP همراه با این الگوریتم منجر به تنوع مکانی و زمانی ضخامت لایه ذوب شد. ضخامت لایه ذوب مستقل از تنوع فصلی ، مکانی و زمانی رسوبات بود. امضاهای قطبی جذاب جذاب در داخل ، بالا و زیر ML ، بر اساس فاز ذرات بارش مشاهده شده است. آمار متغیرهای قطبی برای ML ، باران و برف مورد بررسی قرار گرفت. علاوه بر این ، پیوند بین تغییر فاز دیفرانسیل خاص پیشرفته (k_dp) و Z_drدر لایه رشد دندریتیک (DGL) و بارش سطح نیز شرح داده شد.

کلید واژه ها:

1. معرفی

The ML is an important region in the precipitation used to describe the transition of the phase of hydrometeors. The ML or the bright band (BB) occurs at different heights in different precipitation events (cold and warm) owing to the temperature variability at different seasons. However, the temperature of the ML is typically 0 °C or slightly higher. During rainfall events, when the snow/ice particles are exposed to higher temperatures (T>0 درجه سانتیگراد) ، آنها ذوب می شوند و بارش مایع را روی سطح تولید می کنند. حوادث بارش شدید ، مانند تیفون ها و طوفان های زمستانی اغلب در شبه جزیره کره رخ می دهد. این بلایای طبیعی به طور قابل توجهی بر زندگی مردم و حیوانات تأثیر می گذارد و به خصوصیات عمومی و خصوصی آسیب می رساند. علاوه بر این ، طوفان ها برای خطوط حمل و نقل هوایی ، حمل و نقل و ارتباطی خطرناک هستند. بنابراین ، برآورد بارش کمی (QPE) ، پیش بینی بارش کمی (QPF) و تفسیر خصوصیات میکروفیزیکی طوفان ها برای مدلهای پیش بینی آب و هوا عددی از اهمیت ویژه ای برخوردار است.

رادار آب و هوا ابزاری مهم است که برای مطالعه خواص ابر و خصوصیات میکروفیزیکی حوادث بارش استفاده می شود. رادار قطبی سازی دو باند با وضوح بالا می تواند نقش مهمی در تخمین دقیق ML ، فرآیندهای رشد یخ و QPE داشته باشد. ML پارامتر اصلی است که برای طبقه بندی انواع مختلف هیدرومتر استفاده می شود. چندین محقق الگوریتم های مختلفی را برای تشخیص و توصیف ML با استفاده از اسکن نشانگر موقعیت (PPI) توصیف کردند. Giangrande و همکاران.[1] ML را بر اساس z بالا تشخیص داد_h، بالا z_dr، و کم ρ_hvمقادیر اسکن PPI حجمی رادارهای باند S. دروازه های دامنه ای که با ML مطابقت دارد دارای z است_hمقادیر در محدوده 30-47 dbz ، z_drمقادیر در محدوده 0. 5-2. 5 دسی بل و ρ_hvمقادیر در محدوده 0. 90-0. 97. پس از آن ، Boodoo و همکاران.[2] الگوریتمی را که توسط Giangrande و همکاران پیشنهاد شده است ، اصلاح کرد.[1] برای تخمین دقیق تر ML. آستانه های اصلاح شده Z_hپیدا شد که در محدوده 20-47 dbz ، z قرار دارد_drمقادیر در محدوده 0. 8-2. 6 dB و ρ بود_hvمقادیر در محدوده 0. 9-0. 97 بود و برای شناسایی ML در رادار دو قطبی با باند C استفاده شد. ماتروسوف و همکاران.[3] از ρ ساده استفاده کرد_hvرویکرد برای تشخیص قسمتهای بالا و پایین ML در رادار باند X. ρ_hvمقادیر از 0. 9 تا 0. 95 بود. مقادیر نهایی این محدوده مرزهای ML را نشان می دهد. Shusse و همکاران.[4] توزیع مکانی لایه ذوب را در یک بارش طبقه بندی زمستانی بر روی ژاپن با استفاده از رادار قطبی باند X با استفاده از اسکن شبه-فاصله ارتفاع (RHI) بررسی کرد. حداقل مقدار ρ_hv (<0.94) was associated with the maximum Z_hمقادیر و با درجه حرارت کمی بالاتر از 0 درجه سانتیگراد ، همانطور که توسط امضای ML پیشنهاد شده است. آنها مشاهده کردند که ML با مرز بین برف خشک و باران سازگار است. ML در حوادث باران همرفتی در یک منطقه گرمسیری توسط یوان و همکاران مورد بررسی قرار گرفت.[5] با استفاده از اندازه گیری PPI رادار باند S. نویسندگان ρ را پیشنهاد کردند_hv= 0. 95 آستانه برای تشخیص لایه ذوب باران همرفت (CRML). علاوه بر این ، ضخامت CRML بود~2 برابر بیشتر از ضخامت لایه ذوب طبقه. آنها گزارش دادند که ML از طریق بازتاب زیاد و ρ کم نمی تواند در ارتفاعات بالاتر شناسایی شود_hv(0. 95) به دلیل مخلوط کردن قطرات باران با لایه ذوب. الگوریتم های تشخیص ML فوق الذکر بر اساس اسکن PPI بود. Wolfensberger و همکاران.[6] یک الگوریتم را بر اساس اسکن RHI رادار قطبی باند X- باند توصیف کرد. شیب های عمودی ناگهانی Z_hو ρ_hvبرای توصیف امضاهای ML استفاده شد. آنها گزارش دادند که ML های ضخیم تر حاوی BB عمیق هستند و افزایش تعداد ذرات منجر به خنک کننده بیشتر به دلیل فرآیند ذوب می شود. ون دن هوول و همکاران.[7] ویژگی های تنوع مکانی و زمانی ML را بر اساس اسکن RHI در یک دره آلپ با استفاده از رادار قطبی باند X ارائه داد. توزیع ارتفاعات ML با توجه به فصل متفاوت بود ، در حالی که ضخامت با توجه به فصل و مکان ثابت بود. قسمتهای بالای ML به دلیل سرعت باد ، و جهت آن و توپوگرافی منطقه آلپ متفاوت است.

All of the above presented ML detection algorithms were based on PPI and RHI scans. It is not possible to comprehensively describe the microphysical processes and ML signatures for the entire precipitation event in time-height form using ML detection algorithms based on RHI and PPI scans. Hence, Ryzhkov et al. [8] introduced a new quasi-vertical profile (QVP) method for PPI scans to describe and display the polarimetric radar variables in spatial and temporal form of the storms. QVP is more beneficial at describing the dendritic growth layer [9], ML [10], and saggy bright band structures [11], refreezing rain signatures [12], the characteristics of the liquid ice phase transitions [13], identification of the dendrites, aggregation, and riming signatures [8,9,14]. QVP is the azimuthal averaging of the PPI scans at high and fixed elevations. For QVP, Ryzhkov et al. [8] and other researchers used PPI scans with high elevation angles>10 oعلاوه بر این ، QVP برای میانگین Azimuthal به اسکن PPI حجم مخروطی نیاز دارد. در مطالعه ما ، اسکن PPI در ارتفاعات کم 5 درجه و 6 درجه انجام شد. رادار قطبی سازی دو باند X که در این مطالعه مورد استفاده قرار می گیرد (بخش 3 را ببینید) حاوی اسکن حجم RHI به جای PPI است. بنابراین ، روش QVP با اسکن PPI موجود امکان پذیر نیست. استراتژی اسکن رادار در جدول 1 نشان داده شده است (به بخش 3 مراجعه کنید). به تازگی ، یک روش جدید مشخصات-نشانگر-نشانگر-کواسی-عمودی (R-QVP) توسط Allabakash و همکاران ارائه شده است.[15] برای پردازش و ارائه داده های RHI به اشکال مکانی و زمانی. R-QVP روشی مؤثر است که برای بررسی فرآیندهای رشد برف و توصیف عادات مختلف ذرات یخ استفاده می شود. روش R-QVP برای توصیف تکامل حوادث بارش با داده های به دست آمده از رادارهای آب و هوایی مفید است. Allabakash و همکاران.[15] با استفاده از R-QVP بر فرآیندهای رشد برف و میکروفیزیک آنها متمرکز شد. بنابراین ، ما از روش R-QVP برای توصیف ساختار ML استفاده کردیم و چندین فرآیند میکروفیزیکی حوادث بارش را روشن کردیم. الگوریتم تشخیص ML [6] برای اسکن های RHI بر اساس z_hو ρ_hvبرای R-QVPS پیچیده و قوی نبود ، به خصوص هنگامی که ρ کم_hvو z بالا_hمقادیر موجود در سطح چند ارتفاع/دامنه R-QVP. بنابراین ، ما یک الگوریتم جدید و ساده برای تشخیص قسمت های بالا و پایین ML بر اساس شیب Z پیشنهاد می کنیم_h, Z_dr, ρ_hv، و ترکیب آنهاروش جدید برای توصیف ML و BB به پروفایل های عمودی R-QVP از متغیرهای قطبی استفاده شد. ویژگی های ML ، BB و ICE بر اساس امضاهای قطبی مورد بررسی قرار گرفت و اینها با توجه به دمای لامپ مرطوب ، دما (T) ، رطوبت نسبی (RH) ، محتوای آب مایع (LWC) و تأیید شدند. محتوای آب یخ (IWC).

باقیمانده این مطالعه به شرح زیر سازماندهی شده است. بخش 2 روش R-QVP و الگوریتم تشخیص ML مورد استفاده در این مطالعه را توصیف می کند. داده های مشاهده ای در بخش 3 ارائه شده است. ویژگی های ML در بخش 4 بر اساس پنج مطالعه موردی شرح داده شده است. آمار متغیرهای قطبی در ML ، باران و برف در بخش 5 ارائه شده است. خلاصه و نتیجه گیری این مطالعه در بخش 6 ارائه شده است.

2. روشها

2. 1روش شناسی R-QVP

روش R-QVP روشی کارآمد برای پردازش و نشان دادن اسکن های RHI در شکل زمان است. این روش ساختار عمودی رویداد بارش و تکامل زمانی طوفان را ارائه می دهد. در این روش ، در ابتدا مختصات محدوده داده های RHI برای یک زاویه آزیموتال ثابت تبدیل و تبدیل به ارتفاع (دامنه شیب تبدیل به ارتفاع عمودی) می شود. سپس داده های حاصل از زاویه های ارتفاع چندگانه در فاصله 100 متر شبکه به طور متوسط با هم قرار گرفتند. در مطالعه حاضر ، ما از داده هایی که مطابق با ρ است استفاده کردیم_hv>0. 6 و Z_h≥ 0 dbz برای فرآیند متوسط برای کاهش آلودگی غیر متجاوز. از داده های RHI مربوط به زاویه آزیموتال 109 درجه (منطقه Goyang) برای فرآیند میانگین استفاده شد. علاوه بر این ، ما از داده ها در محدوده 6-20 کیلومتر و در زاویه های ارتفاع کم استفاده کردیم (<45°) to reduce the ground clutter and beam broadening effects. The 100 m vertical and 5 min temporal resolutions were used in this strategy. The schematic diagram of the R-QVP strategy is shown in Figure 1. The R-QVP of Z_h, Z_dr, K_dp، و ρ_hvاطلاعات قابل توجهی مربوط به نوع ذرات بارش و رشد بلورهای یخ را ارائه داد. این روش خطاها و سر و صدای متغیر رادار قطبی را کاهش می دهد. برای اطلاعات بیشتر در مورد استراتژی R-QVP ، خواننده می تواند به [15] مراجعه کند.

2. 2الگوریتم تشخیص ML

متغیرهای قطبی ، به خصوص z_h, Z_dr، و ρ_hv، به نوع بارش ، عادات ذرات حساس هستند و ویژگی های ML را نشان می دهند. بنابراین ، ما از یک روش مبتنی بر z استفاده کردیم_h, Z_dr، و ρ_hv، برای تشخیص ML یا BB. Z_hمقادیر در میلی لیتر به دلیل افزایش فاکتور دی الکتریک ذرات ، و احتمالاً افزایش میزان تجمع ، قبل از ذوب شدن در قطرات باران کوچکتر و کاهش غلظت به دلیل واگرایی شار افزایش یافته است. Z_drبه راحتی می تواند از باران معمولی برای کریستال های یخ بکر فراتر رود ، در حالی که مصالح برف تمایل به Z دارند_drدر زیر توزیع باران معادل. در ML ، ذرات یخ به باران در لایه ذوب می افتند. از این رو ، نسبت محور آنها در حین تغییر ذرات تکامل می یابد. علاوه بر این ، قطرات باران بیشتر در جهت افقی و Z تراز می شوند_drافزایش برای زاویه های کوچکتر قطرات باران در مقایسه با برف. ML حاوی هیدرومترهای ناهمگن با نسبت های مختلف محور ذوب ذرات یخ ، قطرات باران و ذرات مرطوب است. بنابراین ، ρ_hvدر ML کاهش می یابد. Wolfensberger و همکاران.[6] یک روش مبتنی بر گرادیان برای تشخیص ML بر اساس z پیشنهاد داد_hو ρ_hvبشربا این حال ، برای تشخیص ML ، Z_drو ρ_hvدر مقایسه با Z مهم بودند_h[2]علاوه بر این ، Z_dr, ρ_hv، و k_dp، نسبت به z حساس تر هستند_hبرای تشخیص دقیق ML [16] به دلیل ذرات بزرگ و خیس شده ارائه شده در ML. بنابراین ، z_h- و ρ_hvروشهای مبتنی بر برخی موارد قادر به تشخیص قابل اعتماد ML در بعضی موارد نبودند (هنگامی که کم ρ_hvو z بالا_hمقادیر موجود در سطح چند ارتفاع/دامنه). بنابراین ، Z_h, Z_dr، و ρ_hvتوصیف کننده های قوی از شکل ، اندازه و نوع ذرات بارش هستند. بنابراین ، در مطالعه حاضر ، ما الگوریتم پیشنهادی ولفنسبرگر و همکاران را تصحیح می کنیم.[6] و روشی را بر اساس z ارائه دهید_h, Z_dr، و ρ_hvو ترکیب آنها برای تشخیص قابل اعتماد ML. در این روش ، مقادیر z_h, Z_dr، و ρ_hvدر ابتدا با حداکثر مقدار در پروفایل های مربوطه نرمال شدند و سپس شیب آنها برآورد شد. این شیب ها نمی توانند ضخامت ML واقعی را در ρ کم تشخیص دهند_hvو z بالا_hمواردی که در بالا توضیح داده شد. بنابراین ، z_hو Z_drمقادیر به صورت جداگانه ضرب شدند/با ρ مکمل ترکیب شدند_hvمقادیر و محصول Z_hو Z_drمقادیر با ρ مکمل ضرب شد_hvمقداری که برای توصیف قطعات ML بالا و پایین استفاده شده است. پارامترهای ترکیبی در زیر نشان داده شده است.