2018, Vol. 34
2. 北京应用气象研究所, 北京 100029;
3. 国防科技大学气象海洋学院, 江苏 南京 211101
2. Beijing Institute of Applied Meteorology, Beijing 100029, China;
3. College of Meteorology and Dceanography, National University of Defense Technolog, Nanjing 211101, China
对于气象而言, 能够对飞机积冰进行准确的探测预报无疑会使得航空安全得到极大保障。而应用于民航的积冰预测工作需要尽可能做到仅能定性地指出是否有结冰可能, 还要定量预报出结冰的可能性及严重程度如何。目前美国在积冰的预报方面, 主要是利用常规天气资料结合WAFS(World Area Forecast System)等数值预报资料, 找到符合积冰产生的温度、湿度、垂直速度等气象要素特征的区域, 同时, 集合该区域的地面观测、卫星、雷达及飞机报告的资料, 综合判断出飞机积冰潜势产生的区域范围和强度。Smith等[1]利用由卫星获得的云顶温度、热力学相态和有效液滴尺寸的算法被美国民航局确定为飞机飞行模拟结冰威胁的算法之一。我国由于航空事业起步较晚, 目前对飞机积冰的研究仍处于初步探索阶段, 随着国家民航事业的高速发展, 对飞机积冰的研究更加深入和全面。
美国在飞机积冰预报、诊断方面的工作已经经历了20多年。1992年, Burrows等[2]发现了飞机结冰的强度取决于气象因素, 包括云温度、液态水含量、液滴尺寸以及飞机机身和飞行参数的特性, 并且飞机积冰与云中过冷水有非常直接的关系。根据这一发现, Minnis等[3-4]通过利用卫星资料获取的气象要素, 特别是与飞行相关的云参数推断出飞机积冰发生的可能性; Rauber等[5]发现云中过冷水层经常存在于中高云云层的顶部; Curry等[6]开发了一种基于利用微波卫星遥感资料反演过冷水云的云参数诊断积冰的飞机积冰产品, 但这种技术的时空分辨率较低, 一般被用于海洋上空的积冰诊断; Ellrod等[7]开发了一种多光谱阈值技术, 其通过使用地球静止环境卫星（GOES）成像数据来识别云顶过冷水, 该产品后来结合云顶高度估计技术应用于积冰层上边界高度估计; Thompson等[8]基于数值天气预报技术通过消除云顶暖水云范围来提高积冰诊断可靠性; Smith等[9]建立了一种基于云参数检索系统的理论用于识别过冷水云, 并且与飞机积冰报告有良好的一致性; 之后Smith等[10]又从GOES-8数据、地基雷达资料和飞机实地飞行报告中, 发现云液态水路径和过冷水云粒子有效半径都具有相当好的一致性, 同时发现云液态水路径和飞机积冰强度的相关性较弱; 2004年, Minnis等[11]利用这些关系, 开发了基于卫星获取云参数的飞机积冰诊断算法, 该算法被选为NOAA GOES-R项目的原型候选算法。随后美国国家大气研究中心和美国宇航局格伦研究中心的Bernstein等[12]通过联合卫星资料、地面雷达信息、地面台站常规记录等多种相关数据, 建立了模式预测温度、相对湿度、过冷水以及垂直速度, 并用于诊断飞机积冰的算法。
总体而言, 目前国际上用卫星资料识别飞机积冰都是通过反演卫星资料的云顶过冷液态水识别间接得到的。同样地, 过冷水云的识别研究的发展也较迅速。Hu等[13]利用CALIOP/MODIS/IIR三组数据测量了云中过冷水的含量; Westbrook等[14]根据CloudSat和CALIPSO的温度、有效粒子半径、雷达发射率因子和激光雷达退偏振比相关信息, 通过设定阈值对云顶过冷水进行识别, 该算法经过验证是有效的; Shupe等[15]基于各种探测资料对混合相云特性的研究, 总结出利用混合相云识别过冷水阈值的算法; Luke等[16]利用毫米波雷达的多普勒速度谱特征对过冷水进行识别。这些研究使得利用卫星资料对大范围积冰区域的探测成为可能, 使得其航线有了较成熟的飞机积冰安全保障。
而我国目前仍没有很好的探测云中过冷水与潜在飞机积冰区的手段。虽然我国对于利用卫星遥感资料探测飞机积冰区的研究起步较晚, 但近几年关于飞机积冰的研究逐渐增多。孙晓光[17]利用毫米波雷达探测的混合相云根据模糊逻辑法对过冷水、冰晶的存在区域进行识别。吴秀举等[18]利用毫米波测云雷达反演层状云中的过冷水。王新炜等[19]利用SBDART模式结合卫星资料反演出云的光学厚度、有效粒子半径及消光系数, 实现了对飞机积冰区域的有效识别。之后王新炜等[20]根据国家大气研究中心40年的全球大气资料对中国飞机积冰的气候特征进行了分析, 利用K均值法进行飞机积冰的航空气候区划, 给出了飞机积冰的时空分布特征。
美国当前飞机积冰预报产品（CIP）是结合卫星、雷达、地面、闪电及飞行报告通过模式输出得到的逐小时潜在积冰诊断结果。Micheal[21]根据CloudSat产品设计了基于云分类的积冰预报产品（CLIP）, 并通过对比验证发现CLIP与CIP具有很好的一致性, 能较合理地诊断积冰。本文在CLIP产品基础上, 通过加入对粒子有效半径和液态水含量的阈值, 从而对存在飞机积冰潜势区域进行识别并进行统计。本文主要利用2007年12月1日—2008年11月30日全年的CloudSat卫星的数据产品, 对全球和中国地区分布潜在飞机积冰区的出现频率进行统计并进行气候学分析, 从而找出飞机积冰区出现的季节特征与区域特征。
2 资料来源及积冰潜势识别算法介绍 2.1 资料简介本文使用的卫星资料来自美国A-Train卫星编队上的高垂直分辨率CloudSat卫星的数据产品。CloudSat卫星于2006年4月28日在美国发射升空, 是A-Train卫星观测系统的成员之一。A-Train卫星编队由Aqua、CloudSat、CALIPSO、PASASOL和Aura五颗卫星依次排列组成, 五颗卫星在同一轨道上互相配合实现对地球的准同步主、被动多波段观测。CloudSat卫星搭载的毫米波测云雷达首次实现了从云顶对云内部结构的垂直探测的主动遥感卫星, 该卫星为云的综合分析提供了全新、精确的信息渠道。其搭载的一部W波段（94 GHZ）毫米波云廓线雷达, 通过CPR向地球发射能量并按距离函数计算由云返回的能量来反演云体的垂直廓线及云中粒子的相关特性。该卫星属于太阳同步轨道卫星, 位于705 km高度上, 卫星绕地球一周扫描时间约为99 min, 扫描长度约40 022 km, 每条轨道有36 383个星下像素点, 每个星下像素点的沿轨分辨率是2.5 km, 横轨分辨率是1.4 km, 垂直分辨率是500 m。其每个垂直剖面上共有125个垂直层, 每层厚度为240 m[22]。本文选用的CloudSat云分类产品（2B-CLDCLASS_ GRANULE）、大气温/湿廓线辅助数据产品（ECWMF-AUX）和液态水/冰水含量产品（2B-CWC-RO）, 选用的CloudSat标准数据产品特征如表 1所示。
|
表 1 选用的CloudSat/CPR标准数据产品和辅助数据产品 |
许多研究表明, 过冷液态水可以存在云冻结层之上的云内部[5, 22]。当飞机飞行通过存在显著量的过冷水的区域时, 过冷水具有快速冻结在飞机表面的潜势。在一般应用中, 对于大部分正常飞行中的飞机积冰潜势, 考虑过冷水含量即可。因此, 本文对飞机积冰潜势的考虑主要是基于过冷水云的存在。
云相态识别是云分析至关重要的一环, 目前国际上对于如何利用卫星资料获取更精确的云粒子相态主要是基于多种卫星资料融合进行的。Delanoë等[23]结合CloudSat/CALIPSO/MODIS对云中冰粒子含量进行识别。Zhang等[24]利用CloudSat和CALIPSO资料从层状云的液态水含量进行识别统计, 有一定的借鉴意义。
而目前对星载过冷水云探测研究的最新进展是Hu等[13]利用CALIPSO云相态产品结合GEOS-5和IIR的云内温度信息对云中过冷水进行统计。然而CALIPSO上的激光雷达在云探测方面的信号衰减较多, 其只能对上层云相态获得较准确的信息; 对于多层云的下层云和深对流云、积云的相态探测能力较差。因而本文拟构建另一种算法对云中过冷水进行识别。
在实际中, 由于在微物理过程的全球大气在环境温度、过冷液态水位置差别很大。一般而言, 对于CloudSat数据产品, 过冷水云可以由云中温度廓线产品与云相态产品联合识别出的云中温度低于0 ℃的液态水粒子来确定。然而这种简单有效的识别算法在数据上存在很大问题。（1）CloudSat云水含量产品2B-CWC对云粒子相态识别是建立在云内温度差异的基础上的, 云中粒子温度大于0 ℃视为液态, 小于-20 ℃视为冰态; 当云中粒子温度为-20~0 ℃时, 基于温度最优估计, 通过线性差值对云粒子相态进行区分。这种估计的云相态识别算法并非基于直接探测, 因此其结果存在一定误差。（2）对于CloudSat云水含量产品2B-CWC-RO, 其关于液态水的反演还存在很多估值上的不确定值, 在输出结果上表现为-9999（也可将其称为探测缺省值）。
本文利用2008年1月1日13条探测轨道, 482 053条廓线, 总计60 256 000个垂直信息, 根据CloudSat云分类产品对八种云类型:层积云（Sc）、层云（St）、高积云（Ac）、高层云（As）、积云（Cu）、雨层云（Ns）、深对流云和卷云（Ci）分别统计各种云类型的云水含量产品2B-CWC-RO中liq_ water_content液态水含量信息所包含的探测值总数及其不确定值总数（表 2）。可以看到, CloudSat云水含量产品2B-CWC-RO的不确定值是包含各类云型的, 并且在积云类和深对流云中所占比例较大。在对云中液态水的统计中, 这种不确定所造成的影响不可忽略, 因此直接利用CloudSat云水含量产品识别过冷液态水是有一定误差的。
|
|
表 2 各云型液态水含量信息的探测值数和不确定值数 |
基于这种考虑, Micheal[21]曾经设计一个利用CloudSat云分类产品与温度廓线产品的CLIP算法。结合全球的CloudSat云分类数据和温度廓线产品, 通过CloudSat分类数据将云分为上述八种类型。利用统计得出的每种云类型的飞机积冰潜势的不同温度范围, 从而识别飞机积冰潜势, 并用美国当前应用上最精确的积冰条件识别算法CIP与实例进行比较。结果表明两者对应效果良好。CLIP具体云类型与飞机积冰的温度对应关系如表 3所示。
|
|
表 3 美国空军飞机积冰分类标准 |
以下利用CLIP算法对2008年1月1日的1条轨道廓线进行积冰潜势识别（图 1）。
|
图 1 选取的CloudSat数据轨道(a)和CLIP算法识别结果(b) |
通过CloudSat云水含量产品2B-CWC-RO以及辅助温度产品ECWMF-AUX可以得到:有效粒子半径（effective radius, Re）、液态水含量（liquid water content, LWC）、云有效温度（cloud temperature, Tc）等信息。虽然飞机积冰潜势依赖于许多要素, 但一般而言过冷水是飞机积冰的基本条件。越大的粒子和粒子浓度或者越高的液态水含量, 越有可能发生飞机积冰事件。LWC能较精确地识别云中液态水含量, Tc被用于区分云中暖水和过冷水云, Re能反演出云中粒子的有效半径。从Re和LWC可以分析粒子浓度情况, Minnis等[22]在大量飞机报告和外场试验数据分析的基础上, 根据一系列飞机飞行结果结合液态水密度（LWP）、粒子有效半径（Re）及云有效温度（Tc）制订了一套积冰识别算法系统。该系统被美国空军用作实时预判积冰的基本标准（表 3）。
从该标准可以看出, 美国空军对粒子有效半径、液态水含量与云有效温度进行综合考虑来区分积冰强度。本文以此为依据, 利用LWC和Tc资料对CLIP算法进行检验。首先筛除CloudSat云相态产品的缺测值, 综合CloudSat云相态产品和温度产品识别过冷水。在统计积冰出现条件时, 以低积冰强度作为可能出现潜在积冰的标准条件。本文取积冰分类标准的低积冰强度标准作为卫星资料识别积冰潜势的阈值。即:当温度T<273 K时, 满足LWC＞100 mg/cm3、Re＞11 μm或LWC＞400 mg/cm3、Re＞9 μm即可作为积冰潜势识别条件。本文把这种潜在积冰判别算法称为CTCR（Combined with Temperature, Water content and Ridus）算法, 具体流程如图 2所示。
|
图 2 CTCR算法识别飞机积冰潜势流程图 |
CIP算法[25]作为一种诊断飞机积冰的工具, 其能够评估离地10 km以内的飞机积冰信息, 水平分辨率控制在约20 km, 一般意义上的CIP算法是结合卫星、雷达、地面、闪电、飞行报告（PIREPS）与积冰模式通过决策树和逻辑结合, 能够输出详细的三维的逐小时潜在积冰概率和严重程度诊断结果。目前这种算法已被美国联邦航空管理局确定为专用预报算法。其对积冰识别流程如下:
（1）根据飞机报告以及积冰试验得到云中的温度（CT）、相对湿度（RH）、过冷水含量（SLW）以及云顶温度（CTT）、云粒子垂直速度（VV）和与飞机积冰潜势（CIP）的相对关系;
（2）利用初始积冰方程CIPini=Tmap×CTTmap×RHmap得到初始积冰潜势, 式中, CIPini为初始积冰潜势, Tmap为温度相关关系, CTTmap为云顶温度相关关系, RHmap为相对湿度相关关系;
（3）根据垂直速度和过冷水结果来调整初始积冰潜势, 生成最终积冰潜势, 其中当垂直速度结果为零或上升速度时, 最终积冰潜势计算方程为: CIPfin=CIPini+(1-CIPini)×(0.6SLWmap+0.4VVmap); 当垂直速度结果为下降速度时, 最终积冰潜势计算方程为CIPfin=CIPini+[(1-CIPini)×0.6SLWmap+(CIPini ×0.4VVmap)]。式中, CIPfin为最终积冰潜势, SLWmap为过冷水相关关系, VVmap为垂直速度相关关系。
本文所用的CIP积冰潜势识别过程是通过以下三个步骤进行计算:
（1）通过以往文献获取CIP模式中CT、CTT、RH、SLW与CIP的相关关系式Tmap、CTTmap、RHmap、SLWmap、VVmap。本文选用王磊等[26]在积冰WRF模式中应用到的相关关系式;
（2）将CloudSat获得的温度、比湿、液态水含量信息转换为云中温度、云顶温度、相对湿度以及比湿产品通过换算得到相对湿度信息, 通过2008年4月9日13:00和18:00的欧洲气候中心ECWMF的垂直速度产品通过与CloudSat产品ECWMF-AUX同样的AUX插值算法差值得到不同高度层的垂直速度信息;
（3）将这些信息代入其对应的相关关系式并将得到Tmap、CTTmap、RHmap、SLWmap、VVmap, 通过积冰潜势方程得到最终的积冰潜势。
目前CIP算法对于积冰潜势的识别能力已得到大量飞行实例和实际应用的认可, 因此本文将CIP算法识别的积冰潜势廓线作为“真值”在理论上是可行的。但CIP算法识别积冰潜势需要用到风场的垂直速度信息, 而CloudSat卫星产品中不包含垂直速度信息。为了获取垂直速度信息需要将欧洲气候中心ECWMF的垂直速度产品通过AUX插值算法插入到CloudSat卫星各高度的卫星产品中。用这种算法统计全球积冰潜势的年度特征有很大的数据量和计算量, 并且垂直速度差值有一定误差。因而本文旨在构造另一种方案来统计全球飞机积冰潜势分布情况。
图 3为利用CIP算法对2008年1月1日的1条轨道廓线进行的积冰潜势识别, 对比图 1可以看到, CIP算法与CLIP算法在40~60°E和120~ 140°E区域的积冰识别结果大致相同。
|
图 3 CIP算法的积冰潜势识别结果 |
为了比较CTCR算法和CLIP算法识别积冰潜势的准确性, 本文以目前模式上应用较成熟的CIP算法识别的积冰潜势结果作为“真值”对上述两种算法进行比对分析。为了使算法对比更具可靠性, 本文选取2008年13条CloudSat全球完整轨道数据, 分别统计各个廓线根据CIP、CTCR和CLIP三种算法识别积冰潜势的结果（表 4）。
|
|
表 4 CIP/CTCR/CLIP积冰潜势识别结果 |
以CIP算法识别的廓线作为真值, 用以下三个指标来评判CTCR算法与CIP算法间的差异。
（1）正确率R:表示正确识别的积冰潜势廓线数在识别出积冰潜势廓线数中所占的百分比。可表示为:
|
（2）积冰一致率D:表示识别一致的积冰潜势廓线数在识别出积冰潜势廓线数中所占的百分比。可表示为:
（3）积冰漏识率M:表示未识别出的积冰潜势廓线在积冰潜势廓线中所占的百分比。可表示为: 
计算结果表明, CTCR算法的正确率、积冰一致率和积冰漏识率分别为76.49%、98.82%和76.46%, CLIP算法分别为85.0%、82.67%和35.41%。可见, CTCR算法相比CLIP算法具有更高的积冰一致率和积冰漏识率。CTCR算法较高的积冰漏识率可能是由于CloudSat产品中有关液态水含量和有效粒子半径含有的不确定值造成的。为了进一步分析积冰漏识率的来源, 本文滤去上述资料中含不确定值的廓线, 统计三种算法的识别结果如表 5所示。
|
|
表 5 滤去含有不确定值廓线后的CIP/CTCR/CLIP积冰潜势识别结果 |
经计算滤去含有不确定值廓线后CTCR算法的正确率、积冰一致率和积冰漏识率分别为99.83%、98.06%和0.64%, CLIP算法分别为77.46%、20.32%和17.07 %。对于滤去不确定值廓线后CTCR算法和CIP算法表现出极高的一致性。我们可以结合两种算法, 对CTCR算法识别飞机积冰潜势进行改进。
3.2 改进的CTCR算法结合表 4、5可以看到, 对于CloudSat产品中包含可靠液态水含量和粒子半径的廓线, CTCR算法要优于CLIP算法。但CTCR算法无法识别含有不确定值廓线的积冰潜势情况, 因此可以结合两种算法对CTCR算法进行改进。即对CloudSat液态水含量和粒子有效半径产品中含有不确定值的廓线利用CLIP算法进行识别, 对有确定值的廓线利用CTCR算法进行识别。结合CLIP算法和CTCR算法对积冰潜势进行识别的结果如图 4所示。
|
图 4 结合CLIP算法和CTCR算法的积冰潜势识别结果 |
为了比较CIP、CTCR和CLIP三种算法的差异, 利用选用的13条轨道产品统计根据三种算法识别积冰潜势的廓线结果（表 6）。
|
|
表 6 CIP改进后的CTCR/CLIP积冰潜势识别结果 |
经计算改进后的CTCR算法的正确率、积冰一致率、积冰漏识率分别为88.0%、92.64%和33.90%; CLIP算法分别为85.0%、82.67%、35.41%。可见CTCR算法可使积冰一致率下降6%, 但积冰漏识率下降33%。
为了更好区分CTCR、CLIP和改进的CTCR三者算法的优劣性, 我们定义一个新的指标:积冰有效识别率, 它表示识别出的积冰潜势廓线在所有积冰潜势中所占的百分数。即:积冰有效识别率=积冰一致率×（1-积冰漏识率）×100%。这个新指标可以很好地表达三种算法与CIP算法的一致性（表 7）。从表 7可看到, 与CTCR算法相比改进后的CTCR算法积冰一致率虽有上升, 但是其积冰漏识率明显下降, 甚至低于CLIP算法的积冰漏识率。而改进后的CTCR有效识别率高于其他两种算法。因此, 本文利用改进后的CTCR算法识别积冰潜势廓线在理论上是可行的。
|
|
表 7 不同算法得到的指标 单位: %。 |
在数学上, 频率被定义为一个事物在单位时间内重复的次数。本文利用廓线中出现飞机积冰条件与总扫描廓线数的比值作为潜在积冰出现频率, 利用网格点的形式得到比较清晰的统计结果, 取3°×2°作为格点, 对全球积冰形势进行统计。具体积冰潜势出现频率利用公式:
|
(1) |
式中Frequency代表出现频率, Nicing代表网格内观测到的存在积冰潜势廓线数, N代表网格内扫过廓线总数。
本文利用2007年12月—2008年11月的CloudSat 2B-CWC-RO和ECWMF-AUX资料, 根据上文设定的积冰潜势识别标准条件, 统计全球积冰潜势出现频率。在统计过程中, 对CloudSat数据采用经纬度3°×2°的网格化处理, 这考虑到了CloudSat数据代表性的问题。如果网格太小, 由于CloudSat重复周期长会导致观测样本少。CloudSat卫星环绕地球一周的时间约为98 min, 图 5为一年时间内CloudSat对扫过每个网格的次数。全年CloudSat对每个单元平均观测80次以上, 即平均每4~5天CloudSat经过网格元一次, 故在每个网格内CloudSat都能在适当均匀时间间隔内捕捉足够多的云系。所以本研究具有一定的合理性。
|
图 5 全年CloudSat对各网格的经过次数 |
统计较可信的全球飞机积冰潜势频率（Globle frequency of aircraft icing potential, GFIP）对于飞机飞行安全有极其重要的应用价值。本文提到的全球全年飞机积冰潜势（简称GFIP）的出现特征, 主要是指基于网格点内CTCR方法识别到的积冰潜势廓线在所有CloudSat扫描廓线中出现的频率分布特征, 这些分布特征可以对GFIP得到较为直观的认识。由于没有考虑不同航线在飞行高度上的差别, 因而在实际应用中需要进一步对各个高度的飞机积冰潜势进行频率统计。
图 6为全球全年不计高度的积冰潜势出现频率统计, 由图 6可以看到:（1）积冰潜势高频区在南北纬的中高纬度地区（50~70°N和50~70°S）。这主要是由于副极地地区在全球环流中表现为辐合上升导致这些地区总体云量较多及较低的地表温度造成的; （2）在50°S~50°N之间地区总体表现为陆地的积冰潜势频率比海洋高。这主要是由于陆地云的高度总体比海洋低造成的; （3）赤道附近有一部分过冷水引发的积冰潜势高频区, 特别集中在10°N的大洋中部以及赤道附近的南美州、非洲和东南亚群岛上空。这可能是由于赤道地区在全球环流中表现为整体的辐合上升以及陆地的云高低于大洋的综合影响所造成的; （4）东亚地区的飞机积冰潜势频率表现较高, 可能与该地区较强的季风气候有关, 还需对该地区作进一步研究。
|
图 6 全球积冰潜势出现频率统计 |
为了更进一步分析GFIP出现频率的纬向分布, 我们对GFIP进行纬向平均。计算公式为:某纬度积冰潜势频率=纬度出现积冰潜势总次数/纬度扫过廓线总次数。
图 7为GFIP的纬向平均分布, 积冰潜势频率在南半球的出现频率高于北半球。50~70°N和50~70°S具有较高的积冰潜势出现频率, 极大值在南、北纬60°左右; 赤道附近（10°S~10°N）也存在积冰潜势频率高值区; 赤道附近北半球的积冰潜势频率高于南半球, 在20°N和20°S附近积冰潜势的出现频率最低。这一结论与Hu[13]统计得到的上层云过冷水分布结果大致吻合; 主要差异体现在20°N~20°S的低纬地区, 这可能是由于低纬地区存在较多的对流性云引起的。这一猜想在下文对不同类型云的积冰潜势出现频率统计中得到证实。
|
图 7 全球积冰潜势频率纬向平均分布 |
飞机积冰与云的类型存在一定关系, 为了详细了解不同云类型出现飞机积冰的可能性, 本文首先利用2B-CLDCLASS云分类产品, 对不同云类型的全球的分布频率进行网格化统计。由于统计样本为单一云类型, 某些云类型出现频率较低导致统计样本数相对减少。为了获得较精确和有意义的统计结果, 需要合理地扩大格点间距使得每个格点能得到足够多的样本。本文综合考虑各类型云样本数总量, 选取5°×5°的网格点进行统计, 具体统计结果如图 8所示。由图 8可以看到八种云类型的全球频率分布情况。相对而言:卷云和层积云的出现频率较多, 其次为高层云、高积云, 再次是层云、积云、雨层云, 深对流云出现的频率较小。卷云多出现在热带区域, 高频区域在中美洲、非洲中部及东南亚地区, 并且卷云在大陆东部、大洋西岸出现的频率高于大洋东部、大陆西岸。层积云的高频区域在海上, 在中低纬度的频率高于高纬地区。高层云、高积云频率分布较均匀, 受大气环流和洋流影响, 南大西洋东部和南太平洋东部地区上空这两类云的出现频率较低。积云出现频率在海洋上空较均匀且高于陆地，北非、中东地区及大洋洲上空由于气候干旱, 其出现的频率较低。层云和雨层云的分布较相似, 高频区域在南、北纬40°以上的中高纬度地区, 且分布较均匀。深对流云的出现频率较低, 且多出现在南北纬10°以内的热带和西北太平洋及西北大西洋地区上空。
|
图 8 卷云(a)、高层云(b)、高积云(c)、层云(d)、层积云（e）、积云（f）、雨层云（g）和深对流云（h）的全球出现频率分布统计 |
对于某类型云而言, 其积冰潜势频率=该类型云中出现积冰潜势总次数/廓线总次数, 本文选取的统计总样本数为格点总廓线数。统计总样本数一致, 不同云类型的积冰潜势频率分布具有可比性。图 9是八种云类型的GFIP分布情况。为了更好展现不同云类型积冰潜势频率分布特征, 各图选用的色标不同。对比图 9与图 8可以看到, 两者的分布特征（特别是对卷云、层云、层积云）存在较大差异。卷云中具有积冰潜势的廓线数小于1‰, 造成飞机积冰的可能性可忽略不计; 层云和层积云主要在南、北纬50°以上的高纬地区存在积冰潜势, 对低纬地区的积冰潜势贡献很小; 高层云、高积云、积云和雨层云的积冰潜势频率分布较相似, 在南大西洋东部和南太平洋东部地区上空积冰潜势频率较低; 深对流云在全球的出现频率虽然较低, 但其积冰潜势频率较高, 并且两者分布特征较相似。结合图 8h与图 9h可看到深对流云中出现积冰潜势的概率相对较大。总体而言, 中高纬度地区积冰潜势以层云、层积云、高层云和高积云为主, 而低纬度地区积冰潜势以深对流云为主。
|
图 9 卷云(a)、高层云(b)、高积云(c)、层云(d)、层积云（e）、积云（f）、雨层云（g）和深对流云（h）的全球积冰潜势出现频率分布 |
利用2007年12月—2008年11月的CloudSat数据进行季节特征分析, 算法与全球全年积冰频率统计相同, 分别统计冬季（12—2月）、春季（3—5月）、夏季（6—8月）、秋季（9—11月）四季的全球积冰潜势出现频率。
图 10给出2007年12月1日—2008年11月30日一年时间内, 春、夏、秋、冬的四季GFIP分布（空间经纬度分辨率为3°×2°）。整体而言:四季的GFIP总量差别不大, 位于南、北纬50~70°中高纬度地区及10°S~10°N低纬度赤道地区的积冰潜势高频区域的季节差异不大。然而对于某些特定地理区域而言, 积冰潜势频率具有一定的季节差异。如在青藏地区和中南半岛地区上空, 其夏季积冰潜势频率明显高于其他季节; 而西北太平洋地区夏季积冰潜势频率小于其他季节, 冬季积冰潜势频率最高; 包括斯堪的纳维亚半岛及挪威海在内的北欧地区, 其夏季积冰潜势频率小于其他季节。图 10e是四季GFIP的纬向变化, 以南半球而言, 冬季频率最高, 接下来依次为春季、秋季、夏季; 对于北半球而言, 低纬度地区（0~30°N）夏季积冰潜势频率高于其他三个季节, 且冬季最小, 而对于高纬地区（60~90°N）夏季和秋季的积冰潜势频率高于冬季和春季, 并且高纬地区的秋季积冰潜势频率最高。
|
图 10 春季（3—5月）（a）、夏季（6—8月）（b）、秋季（9—11月）（c）和冬季（12月—次年2月）（d）、的全球积冰潜势频率分布（网格分辩率为3°×2°）及全球各季节频率的纬向变化（e） |
本文利用2007年12月—2008年11月的CloudSat产品, 基于CloudSat产品和改进的CTCR算法识别积冰潜势, 通过网格化处理得到GFIP的分布特征。分析了不同云类型和不同季节的飞机积冰潜势分布特征。
（1）通过与目前WRF模式中用到的CIP算法进行比较, 并对CLIP算法、CTCR算法和改进的CTCR算法与CIP算法的一致性和差异性进行统计分析, 得到改进的CTCR算法在识别积冰潜势方面较CLIP方法和CTCR方法具备更高的准确性。
（2）整体而言, 陆地上空南、北纬的中高纬度地区是全球积冰潜势高频区（50~70°N和50~70°S）, 总体上是南半球频率高于北半球。在赤道附近（10°S~10°N）也存在积冰潜势高频区, 极值约在8°N, 赤道附近的积冰潜势频率是北半球高于南半球。
（3）GFIP的季节特征在地理分布上表现为局部地区具有特殊性, 如中国青藏地区和中南半岛地区上空, 其夏季积冰潜势出现频率高于其他季节; 西北太平洋地区的夏季积冰潜势小于其他季节, 冬季积冰潜势频率最高。从不同季节积冰潜势频率的纬度平均分布来看, 具有一定的季节波动; 南半球的夏、秋季节（6—11月）频率较高, 北半球的春、冬季节（12—5月）频率较高。
（4）不同云类型的积冰潜势分布差异主要表现在:层云、层积云的积冰潜势主要出现在高纬度地区; 高层云、高积云、积云和雨层云的积冰潜势分布与全球积冰潜势较相似; 深对流云的积冰潜势集中分布在低纬地区; 卷云包含很少能造成潜在飞机积冰的过冷水, 因而其对飞机积冰潜势影响不大。
（5）还对中国地区进行了更大数据量的统计分析（介于篇幅原因未展示）, 结论与上文一致。对我国包括青藏地区在内的大部分地区而言, 夏季积冰潜势频率高于全年, 而冬季积冰潜势频率低于全年; 对于西北太平洋地区, 夏季的积冰潜势频率低于全年, 而冬季高于全年。
致谢: 感谢美国NASA CloudSat Data Processing Center提供的CloudSat数据。| [1] | SMITH W L J, MINNIS P, FLEEGER C, et al. Determining the flight icing threat to aircraft with single-layer cloud[J]. J Appl Meteorol Climatol, 2012, 51(10): 1 794-1 810. DOI:10.1175/JAMC-D-12-057.1 |
| [2] | BURROWS D, STANKOV B, WESTWATER E, et al. Winter icing and storms project(WISP)[J]. Bull Amer Meteor Soc, 1992, 73(7): 951-974. DOI:10.1175/1520-0477(1992)073<0951:WIASP>2.0.CO;2 |
| [3] | MINNIS P, KRATZ D P, COAKLEY J A J, et al. Clouds and the Earth's Radiant Energy System(CERES) algorithm theoretical basis document, volume Ⅲ: Cloud analyses and radiance inversions (subsystem 4)[J]. NASA RP, 1995, 1376: 135-176. |
| [4] | MINNIS P, SUN-MACK S, YOUNG DF, et al. CERES edition-2 cloud property retrievals using TRMMVIRS and terra and aqua MODIS data, Part Ⅰ: Algorithms[J]. IEEE Trans Geosci Remote Sens, 2011, 49(11): 4 374-4 400. DOI:10.1109/TGRS.2011.2144601 |
| [5] | RAUBER R M, TOKAYA. An explanation for the existence of supercooled water at the top of cold clouds[J]. J Atmos Sci, 2010, 48(8): 1 005-1 023. |
| [6] | CURRY J A, LIU G. Assessment of aircraft icing potential using satellite data[J]. J Appl Meteor, 2010, 31(6): 605-621. |
| [7] | ELLROD G, NELSON J P, Remote sensing of aircraft icing regions using GOES multispectral imager data[C]//Preprints, 15th Conf on Weather Analysis and Forecasting. Norfolk, VA, Amer Meteor Soc, 1996: 9-12. |
| [8] | THOMPSON G, BULLOCK R, LEET F. Using satellite data to reduce spatial extent of diagnosed icing[J]. Wea Forec, 1997, 12(1): 185-190. DOI:10.1175/1520-0434(1997)012<0185:USDTRS>2.0.CO;2 |
| [9] | SMITH W L, MINNIS P, YOUNG D F. An icing product derived from operational satellite data[C]//Preprints Ninth Conf, on Aviation, Range and Aerospace Meteorology. Orlando, FL, Amer Meteor Soc, 2000: 256-259. |
| [10] | SMITH W L, BERNSTEIN B C, MCDONOUGH F, et al. Comparison of super-cooled liquid water cloud properties derived from satellite and aircraft measurements[C]//Proc In-Flight Icing/De-icing Int Conf. Chicago, IL, Federal Aviation Administration, 2003: 2 156. |
| [11] | MINNIS P, SMITH Jr W L, NGUYEN L, et al. A real-time satellite based icing detection system[C]//Proc 14th IntConf Clouds and Precipition. Bologna, Italy, 2004: 18-24. |
| [12] | BERNSTEIN B C, MCDONOUGH F, POLITOVICH M, et al. Current icing potential: Algorithm description and comparison with aircraft observations[J]. J Appl Meteor, 2005, 44(7): 969-986. DOI:10.1175/JAM2246.1 |
| [13] | HU Y, RODIER S, XU K, et al. Occurence liquid water content and fraction of supercooled water clouds from combined CALIOP/IIR/MODIS measurement[J]. J Geophys Res, 2010, 115(D4): 1 485-1 490. |
| [14] | WESTBROOK C. Illingworth A Evidence that ice froms primarily in supercooled liquid clouds at temperatures>-27 ℃[J]. Geophys Res Lett, 2011, 38: L14808 |
| [15] | SHUPE M D, MATROSOV S Y, UTTAL T. Arctic mixed-phase cloud properties derived from surface-based sensors at SHEBA[J]. J Atmos Sci, 2006, 63(2): 679-711. |
| [16] | LUKE E P, KOLLIAS P, SHUPE M D. Detection of supercooled liquid in mixed-phased clouds using radar Doppler spectra[J]. J Geophys Res: Atmos(1984—2012), 2010, 115(D19): 5 548-5 554. |
| [17] | 孙晓光. 毫米波测云雷达数据处理及航空气象保障应用研究[D]. 南京: 解放军理工大学, 2011: 24-35. |
| [18] | 吴举秀, 魏鸣, 王以琳. 利用毫米波测云雷达反演层状云中过冷水[J]. 干旱气象, 2015, 33(2): 227-235. |
| [19] | 王新炜, 白洁, 刘健文, 等. SBDART辐射传输模式及其在飞机潜在积冰区反演中的应用[J]. 气象科技, 2003, 31(3): 152-155. |
| [20] | 王新炜, 张军, 王胜国. 中国飞机积冰的气候特征[J]. 气象科学, 2002, 22(3): 343-350. |
| [21] | MICHAEL P. Detect cloud icing conditions using CloudSat datasets[C]//23th Conference on Weather Analysis and Forecasting. 8B. 2, 2009. |
| [22] | MINNIS P, KRATZ D P, COAKLEY Jr J A, et al. Cloud optical property retrieval (subsystem 4.3)[J]. Clouds and the Earth's Radiant Energy System (CERES) algorithm theoretical basis document, 1995, 3: 135-176. |
| [23] | DELANOË J, HOGAN R J. Combined CloudSat-CALIPSO-MADIS retrievals of the properties of iceclouds[J]. J Geophys Res Atmos, 2010, 115(D4): 1 307-1 314. |
| [24] | ZHANG D, WANG Z, LIU D. A global view of mid-level liquid-layer topped stratiform cloud distribution and phase partition from CALIPSO and CloudSatmeasurements[J]. J Geophys Res Atmos, 2010, 115(D4): 288-303. |
| [25] | BERNSTEIN B C, MCDONOUGHF, POLITM P, et al. Current icing potential (CIP): Algorithm description and comparison with aircraft observations[J]. J ApplMeteorol, 2005, 44(9): 969-986. |
| [26] | 王磊, 李成才, 赵增亮, 等. 飞机积冰云微物理特征分析及监测技术研究[J]. 气象, 2014, 40(2): 196-205. DOI:10.7519/j.issn.1000-0526.2014.02.007 |