1 引言

降水结构特征反映了降水雨团的热力和动力结构，以及云团中水汽与冰和水粒子之间相变过程的微物理特征（Houze, 1981; Hobbs, 1989; Liu and Takeda, 1989; Zipser and Lutz, 1994; Liu and Fu, 2001; 傅云飞等，2003; Houze, 2014）。通常测雨雷达给出降水结构包括降水的水平结构（如降水面积大小、降水强度强弱、不同降水性质的分布等）和降水的垂直结构（如降水回波的垂直分布或降水率垂直廓线垂直分布等），其能较为准确地给出降水系统的三维结构信息（Barros et al., 2000; Inoue and Aonashi, 2000; Fu et al., 2003, 2006; Fisher, 2004; Chen et al., 2016）。测雨雷达分为地基测雨雷达和空基测雨雷达两类，由于地基测雨雷达常常受地理位置的限制和地形的遮挡，星载测雨雷达探测是揭示区域甚至全球降水时空分布的最有效方法（Simpson et al., 1988; Hou et al., 2014）。

20世纪90年代末，热带降雨卫星（Tropical Rainfall Measurement Mission，简称TRMM）携带了全球首部星载测雨雷达（Precipitation Radar，简称PR）升空，实现了对热带和副热带地区降水进行有效观测（Simpson et al., 1988; Kummerow et al., 1998; Iguchi et al., 2000; Kozu et al., 2001; Fu and Liu, 2001; Liu and Fu, 2001; Schumacher and Houze, 2003）。基于PR的探测结果，学者们对降水结构特征开展了大量的研究（Barros et al., 2000; Inoue and Aonashi, 2000; Fu and Liu, 2001; Liu and Fu, 2001; Schumacher and Houze, 2003; Fu et al., 2003, 2006; Fisher, 2004; Fu and Liu, 2007; Liu and Fu, 2010; Li et al., 2011; Liu et al., 2013; Fu and Qin, 2014; Chen et al., 2016）。例如，Berg et al.（2002）对太平洋和西太平洋的降水结构特征进行了统计分析，指出东太平洋地区降水的雨顶更低，层云降水比例更大，冰水含量更少；而李锐等（2005）则发现在1997/1998年El Niño的后期，热带东、中太平洋对流云降水和层云降水都变得深厚。Fu et al.（2006）对青藏高原上的典型孤立对流个例进行了研究，指出其有别于平原地区的独特“馒头状”结构，且PR没有给出明显的亮带结构特征。然而，因PR测量范围仅为南北纬40度之间，对中高纬度区域无法探测，且只有单一的Ku波段进行降水探测，对弱降水的探测能力有限（Kozu et al., 2001; Hamada and Takayabu, 2016）。由于燃料耗尽，TRMM已于2015年4月停止运行。

作为TRMM PR的延续，全球测雨卫星（Global Precipitation Mission，简称GPM）携带着第二代星载测雨雷达（Dual-frequency Precipitation Radar，简称DPR）已于2014年2月28日发射升空，它是全球测雨计划核心平台的主要仪器（Hou et al., 2014）。DPR是首部星载双频测雨雷达，采用13.6 GHz的Ku波段雷达（KuPR）和35.5 GHz的Ka波段雷达（KaPR）。KuPR的工作原理与TRMM PR基本一致，可以实现对中强降水的良好探测，其降水探测的最小阈值为0.5 mm h^-1。但值得一提的是，Shimozuma and Seto（2015）的个例研究发现KuPR探测的强降水强度大于TRMM PR。KaPR的探测波长较KuPR短，对小降水粒子的敏感性更好，可以实现弱降水的探测（最小阈值为0.2 mm h^-1）但在探测强降水时，Ka波段的回波也受到了更多的衰减，且其粒子散射作用更倾向于米散射，使得KaPR探测强降水的能力较差。将KaPR和KuPR的探测信息相结合，DPR便实现了对弱降水和强降水的有效观测。Hamada and Takayabu（2016）指出DPR较TRMM PR可多探测约21.1%的降水频次和1.9%的降水体积。此外，利用两个波段的联合探测信息，还能有效反演降水粒子谱和固态降水（降雪），为我们深入了解降水性质及其空间结构提供了利器（Beauchamp et al., 2015; Skofronick-Jackson et al., 2015）。

GPM运行至今已有两年，学者们对DPR的研究中也涉及了一些降水结构特征的研究（Chandrasekar and Le, 2015; Liu and Zipser, 2015; Shimozuma and Seto, 2015; Toyoshima et al., 2015; 唐国强等, 2015; Tang et al., 2016）。例如，Chandrasekar and Le（2015）对DPR的降水廓线类型和亮带信息进行了评估。Toyoshima et al.（2015）则就DPR各降水产品间的雨顶高度差异进行了分析。然而，关于DPR探测降水三维结构的细致研究仍在进行中。基于此，本文将利用DPR的KaPR、KuPR及其反演的降水产品，通过典型降水个例的分析，来认识他们各自表征的降水强度、降水回波反射率因子、降水回波顶高度、降水粒子谱等三维结构特征，并进行分析和比较，达到认知DPR双波段及其反演的降水产品的优劣，为GPM DPR降水数据的应用提供参考依据。

2 数据和方法 2.1 仪器及数据集

GPM卫星是一颗非太阳同步卫星，其轨道倾角为65°，轨道周期为93分钟，每天绕地球约有16条轨道。GPM卫星上搭载了两部仪器，分别是多波段锥扫微波成像仪（GPM Microwave Image，简称GMI）和DPR。相比于TRMM卫星，GPM卫星的覆盖范围更广，搭载的设备更为先进（Hou et al., 2014）。

DPR由JAXA（Japan Aerospace Exploration Agency）和NICT（National Institute of Communication Technology）联合设计，其星下点水平分辨率为5 km，可以探测地表至22 km高度的降雨和降雪三维结构。DPR的KuPR扫描方式（Normal Scan，简称NS）与TRMM PR接近，其扫描刈幅宽245 km，每次扫描49个像素点；KuPR的垂直分辨率为250 m，最小回波阈值为14.5 dBZ。DPR的KaPR扫描刈幅宽120 km，它以两种方式进行扫描，其中一种为匹配扫描（Matched Scan，简称MS）方式：在KuPR扫描线的中间25个像素点上进行扫描，与KuPR进行同步扫描，这时KaPR的垂直分辨率与KuPR的一致，此时KaPR的最小回波阈值很大（16.47 dBZ），匹配扫描的目的是为了利用双频来进行相关参数的反演；另一种方式：在KuPR两条扫描线的中间部分进行扫描，这时KaPR通过发射双倍宽度的脉冲，进行高分辨扫描（High-sensitivity Scan, 简称HS），探测的垂直分辨率为500 m，这时KaPR的最小回波阈值减小到了10.2 dBZ。

基于DPR的三种扫描方式，目前GPM网站提供三种单频反演产品KuPR、KaHS及KaMS和三种双频反演产品DPR_NS、DPR_MS及DPR_HS（https://pmm.nasa.gov/data-access/downloads/gpm [2017-02-24]）。DPR的降水反演算法分为单频反演算法和双频反演算法两种。其中单频反演降水强度的算法继承了TRMM PR的降水反演算法（Iguchi et al., 2000），双频反演算法原理参考自Marzoug and Amayenc（1994），具体算法流程可见Iguchi et al.（2012）。DPR_MS双频反演的雨强合理性已获得初步验证（Kotsuki et al., 2014; Chandrasekar and Le, 2015），但DPR_NS和DPR_HS的双频反演算法还不够成熟，因此本研究仅使用DPR_MS的双频反演产品。基于此，我们选用了KuPR、KaMS、KaHS和DPR_MS这四种降水产品，他们均包含了地表降水率（R）、降水回波顶高度（Storm Top Altitude，简称STA）、降水回波强度（Z）、雨滴粒子谱（Droplet Size Distribution，简称DSD）等多种变量。其中四种降水产品的回波强度数据均已是衰减校正后的回波强度，剔除了电磁波在传输过程中所受的衰减影响（Iguchi et al., 2010）。另外，出于样本一致性的考虑，在比较产品间差异的时候，我们只选取了MS扫描刈幅范围内的像素点

在分析降水个例背景场时，本文还采用了由欧洲中尺度天气预报中心（European Centre for Medium-Range Weather Forecasts，简称ECMWF）提供的再分析资料，包括500 hPa和850 hPa的位势高度场数据。资料的时间分辨率为6小时，水平分辨率为0.5°×0.5°。

2.2 雨滴粒子谱分布及双频雷达变量

GPM DPR中使用的DSD模型是最常用的三变量Gamma分布模型（Ulbrich, 1983），它能很好地反映DSD的实际分布（Tokay and Short, 1996）。Gamma分布的表达式为

$ N\left(D \right) = {N_0}{D^\mu }\exp \left({ - \mathit{\Lambda }D} \right), $

(1)

其中，D是有效粒子半径，N(D)是单位体积空气和单位粒子半径间隔下的粒子数量（简称粒子谱），N₀、Λ和μ分别是浓度、斜率和形状参数（即扁的还是圆的）。Λ、μ与雨滴粒子有效半径D₀满足：

$ {D_0} = \frac{{3.67 + \mathit{\mu }}}{\mathit{\Lambda }}{\rm{ }}. $

(2)

在GPM DPR的模型中，μ被假设为0（即粒子为球形），故DSD分布可表达为

$ N(D){\rm{ = }}{N_0}\exp \left({ - \frac{{3.67}}{{{D_0}}}D} \right){\rm{ }}. $

(3)

这样利用DPR双频雷达的探测结果，即可反演获得粒子谱，DPR的双频粒子谱分布反演算法的具体流程已包含在降水的反演算法之中（Iguchi et al., 2010），进一步提高了双频雨强反演的精度及合理性。为便于表示，记dBN₀（粒子浓度参数）为

$ {\rm{dB}}{N_0} = 10{\log _{10}}({N_0}){\rm{ }}. $

(4)

当DSD给定的情况下，我们就能对雷达反射率因子Z、降水率R、液态柱水含量、雨滴总浓度等进行换算（Wen et al., 2016）。

此外，我们还计算了双频雷达的双频反射率因子差（Dual-Frequency Difference，简称D_FD）和双频比（Dual-frequency Ratio，简称Z_DR）：

$ {D_{\rm{FD}}} = {Z_{\rm{Ku}}} - {Z_{\rm{Ka}}}_{\rm{ }}, $

(5)

$ {Z_{\rm{DR}}} = 10{\log _{10}}\left({\frac{{{Z_{\rm{Ku}}}}}{{{Z_{\rm{Ka}}}}}} \right){\rm{ }}, $

(6)

D_FD和Z_DR反映了降水粒子的微物理特征，对降水粒子尺度大小具有较好的指示作用。分析上述两个参数与DSD及R之间的关系，可以加深理解DSD模型的合理性程度及反演的降水率可靠性。

2.3 降水个例参数

本文结合了降水强度和分布及降水周围的气象场，选取了四个不同类型和区域的中尺度降水个例，分别是2014年7月3日中国东部季风期降水个例，2014年10月7日西太平洋区域的台风降水个例，2014年11月4日北太平洋风暴路径区域的锋面气旋降水个例，以及2014年10月14日美国中南部的飑线降水个例。这四个个例分别被标记为：东亚夏季风降水（C1）、西太平洋台风降水（C2）、风暴路径气旋降水（C3）和美国中部飑线降水（C4）。这四个个例的DPR四种降水产品样本数量见表 1。不难看出，DPR_MS给出的样本量最多，KuPR样本量与DPR_MS相近但稍少，KaHS的样本量约为DPR_MS的24/25，这与探测总像素点的数量比例一致，而KaMS的样本量明显少于其他三者，这些样本量差异由他们的探测方式所决定。

3 结果 3.1 降水水平分布

通常测雨雷达给出降水的水平分布主要以地表降水强度、降水回波顶高度等参量来表征，他们反映了不同强弱降水的空间分布和降水云垂直厚度的空间分布（傅云飞等, 2003, 2008, 2012；刘鹏等，2012），进而可以对降水系统发展过程进行推断。图 1为所选四个个例地表降水强度的水平分布以及个例对应的500 hPa位势高度场。从图中可以看到C1个例发生于中国东部，副高位于其南部，而降水系统北部被低气压覆盖，表明中层大气由南向北移动，反映了其降水系统受东亚夏季风控制。C1个例的降水强度除KuPR给出了多个强雨团（大于20 mm h^-1）外，其他降水产品资料给出的降水强度均小于10 mm h^-1，且这些降水强度的分布非常不均，这也属于中国东部夏季降水特点。C2个例位于西北太平洋区域，是典型的台风降水个例，台风结构清晰可见。500 hPa上的低压中心与台风中心十分接近，其地表降水强度为四个个例中，在台风眼墙附近KuPR和DPR_MS探测到的降水率都超过20 mm h^-1，而KaHS和KaMS给出的降水强度则小于20 mm h^-1。C3个例发生于北太平洋风暴轴区域，其降水强度最弱（四种降水产品给出的最大降水强度不足10 mm h^-1），从500 hPa位势高度场上可以看出其位于温带气旋的暖锋上，属于这个区域常见的大范围稳定弱降水（Houze and Hobbs, 1982）。C4个例位于美国中部，自东向西其500 hPa位势高度迅速降低，表明这次降水发生时中低层大气的气压梯度大，进而促进了对流系统的发生。从C4个例的降水强度分布看，存在一窄带状强降水，很可能是飑线降水，其强度超过20 mm h^-1，在这个强降水窄带的后面，降水强度多小于10 mm h^-1，其他三种降水产品给出的降水强度均小于20 mm h^-1。

尽管四个个例的发生背景和地表降水水平分布各异，但其反映了一些一致的产品差异特征。总体上，图 1表明KuPR给出的降水强度最强（Ku波段适合探测相对强的降水），KaHS给出的降水强度最弱（强降水对Ka波段的衰减大），DPR_MS给出的降水强度介于KuPR和KaHS之间，而KaMS与KaHS给出的降水强度接近，但KaMS遗漏大量弱降水样本（同属一个频率，但KaHS敏感性高）。KuPR和DPR_MS能够用于强降水结构的揭示，而KaMS和KaHS对强降水结构的探测效果弱。

为定量分析图 1中四个个例的近地表降水强度分布，我们给出了他们的降水率概率密度分布（图 2），图 2表明KaHS给出的降水强度中包含了很多弱降水，小于0.5 mm h^-1的比例达24.5%（C1）、13.9%（C2）、7.6%（C3）和9.9%（C4），而KuPR给出的降水强度中则包含了很多强降水，大于10 mm h^-1的比例分别为10.7%（C1）、28.7%（C2）、3.6%（C3）和13.0%（C4）。在地表降水强度10 mm h^-1附近，KaHS和KaMS均给出了一个窄窄的高峰，同时当地表降水强度大于10 mm h^-1时，两种产品概率密度图中的面积非常小，这说明KaHS和KaMS降水产品在大于10 mm h^-1以上的降水方面存在低估。因KuPR在设计时的最小探测阈值为0.5 mm h^-1，而KaPR的最小阈值为0.2 mm h^-1，从而决定了这两部雷达对弱降水的探测能力的差异，图 2表明，与KuPR探测的弱降水数量相比，KaHS产品中存在更多小于0.5 mm h^-1的降水，其差异值分别为9.3%（C1）、-1%（C2）、-0.5%（C3）、4.8%（C4）。然而，由于MS扫描方式的缺陷导致了KaMS的信噪阈值过高，为此四个个例中KaMS给出的弱降水比例均明显低于其他三种降水产品。DPR_MS给出的降水率分布并非全部位于KaMS和KuPR之间，如在C4个例中，DPR_MS给出1~5 mm h^-1的数量比KuPR低约32%，而大于5 mm h^-1的数量却比KuPR多31%，在C1个例中，DPR_MS给出5 mm h^-1以下的比例比KaMS多7%，而5 mm h^-1以上的比例则比KaMS少7%。这反映了DPR_MS降水产品反演算法具有独立性。

降水回波顶高度与云中上升气流强弱及稳定度休戚相关（Houze et al., 1993; Chen et al., 2016）。在利用TRMM PR探测的降水回波顶高度时，该高度通常定义为PR廓线中出现大于信噪阈值的最高层高度（傅云飞等，2012）。但在实际探测中，由于KaPR的噪声较强，为了减小此影响，DPR单频反演的降水产品中降水回波顶高度的定义为连续6层（KaHS为3层）反射率大于信噪阈值的最高层高度。而对于双频反演产品的降水回波顶高度，则由双频反演算法来确定。

图 3为所选个例的降水回波高度水平分布，图中叠加了ECWMF（European Centre for Medium-Range Weather Forecasts）850 hPa位势高度场，其验证了图 1所述的四种降水系统的气压背景，进一步表明四种降水系统发生背景场的各异性。就KuPR探测结果而言，台风个例的回波顶高度最高，在台风眼壁附近KuPR探测的降水回波顶高度可达12 km以上，位于中国东部的夏季风降水个例（C2）的最高降水回波顶高度也可达11 km以上，美国飑线降水个例（C4）回波顶最大高度在10 km左右，而位于风暴路径的降水个例（C3）回波顶高度多低于9 km。与KuPR的探测结果相比，KaHS给出的降水回波顶高度更高，因为KaHS能很好地捕捉了相对小的雨粒子回波信号（回波阈值为10.2 dBZ），而Ku波段的波长较长，对小的雨粒子的敏感性较弱，所以在探测降水回波顶高度上KaHS要优于KuPR。DPR_MS给出的降水回波顶高度基本与KuPR给出的一致，估计DPR_MS产品中的降水回波顶高度是由KuPR给出。相比之下，KaMS给出的降水回波顶高度最低，是因为KaPR做匹配扫描时其最小回波阈值变大（为16.47 dBZ）所造成的。

图 4进一步给出了所选个例降水回波顶高度的谱分布，从中能看到图 3所不能显现的信息。降水回波顶高度谱分布表明：KaHS给出的雨顶高度最高；DPR_MS与KuPR给出的降水回波顶高度一致，且两者比KaHS给出的降水回波顶高度稍低；KaMS的雨顶最低，其原因前面已做阐述。值得一提的是，这四个降水个例的云中冻结层高度还有所差异，分别为5.5 km（东亚夏季风降水个例）、6 km（台风降水个例）、3 km（风暴路径暖锋降水个例）和4.5 km（美国中部飑线降水个例），而KaMS在这个高度上均出现了降水回波顶高度谱的峰值，可能是由于KaMS遗漏了冻结层以上的弱降水信号，其原因仍需进一步探究。

3.2 降水垂直结构

根据雷达探测原理（张培昌，2001），雷达测得的降水回波垂直分布反映了云中液态或固态或两者混合态粒子在垂直高度上的分布情况，显然云中上升运动越强，云滴粒子会漂浮越高，从而雷达回波图上的高处便会出现相对大的回波强度。依据这一原理，以下将对DPR四种降水产品给出的降水垂直结构进行分析，以明晰KaHS、KuPR、KaMS和DPR_MS给出降水垂直结构的差异。

首先我们以所选台风为例，来考察KaHS、KuPR、KaMS和DPR_MS给出经过台风眼的垂直剖面上的信息（如图 5所示），该剖面为NS的第13个扫描位置，MS和HS的第1个扫描位置。这种反映台风降水垂直结构的雷达回波剖面图，也有不少学者采用（何会中等，2006; Cairo et al., 2008; Fu et al., 2013）。图 5中的参量有四个产品给出的雷达反射率因子、dBN₀（粒子浓度参数）、D₀（粒子有效半径）、D_FD（由KaMS与KuPR的回波计算得到）和Z_DR。

图 5a-c表明在台风眼内，KaHS、KaMS与KuPR给出的反射率因子均小于他们各自的最小阈值，即表明在台风眼内不存在降水；在台风眼壁附近，反射率因子最大，降水回波顶高度也最高（15 km左右），表示这里对流旺盛和强大；台风眼壁之外的降水回波反射率因子逐渐减小且分布不均，相对而言KuPR能给出清晰的零度层亮带，估计Ka波段衰减多，所以亮带不够清晰。从图 5d-e可以看出，台风两侧眼壁的粒子谱分布存在差异，台风左眼壁雨粒子尺度大、浓度小，而右眼壁则相反。综合图 5a-e，可以得出台风左右两侧眼壁强回波的形成缘由有所不同，台风左侧眼壁的强回波是由大的雨粒子引起的，而右眼壁的强回波则归因于雨粒子的高浓度。对于台风不同部位的粒子大小和浓度分布不均性，我们以后会进一步分析。根据雷达反射率因子的物理原理，双频雷达的反射率因子差和比，反映了雨粒子的尺度信息（Beauchamp et al., 2015）。因此由图 5f-g可见台风左眼壁D_FD和Z_DR均较右眼壁的大，同时这两个参量在零度层附近也较大，由此可见他们可以表征零度层的位置。

此外，对比KaHS、KuPR及KaMS的反射率因子（图 5a-c），不难发现Ka波段回波的噪声较Ku波段的多，因此KaMS设定来了高的回波阈值（16.7 dBZ），极大地影响了KaMS对弱信号的捕捉；幸而，因KaHS的信号灵敏度（10.2 dBZ）高，受噪声的影响小，因而KaHS对小粒子及弱降水具有很高敏感性。图 5a-c显示了KaHS指示的台风降水回波顶高度明显高于KuPR和KaMS，这与前面的分析结果一致。

图 6是所选个例的KaHS、KuPR、KaMS给出的反射率因子的二维（高度/回波强度）概率密度分布，由图中可以看出，尽管有回波阈值的限制，但Ka波段在降水云的上部依然存在很多噪声。为避免这些噪声造成降水回波顶高度的误判，在计算降水回波顶高度时，需采取更严格的判别方式，而不仅仅是大于回波阈值的最大出现高度（Toyoshima et al., 2015）。该图的第二个特征是KaHS、KuPR、KaMS均给出了明显的冻结层高度，即在5.5 km（C1、C2）、3 km（C3）和4 km（C4）附近都存在一个回波的突增（即回波亮带），说明Ka波段和Ku波段对降水亮带的识别具有一致性。在DPR降水识别中，亮带信息是通过计算回波廓线的斜率极值以及对比相邻像元得到的（Iguchi et al., 2010）。该图的第三个特征是KuPR的反射率因子分布区间最宽，表明它对强降水的观测性能好，且降水粒子对它波束的衰减也小。KaHS的回波最高，表明其能很好地观测雨顶的弱降水信号，这与前面分析的一致。

前面的分析已经表明降水回波强弱不仅与降水粒子大小有关，而且还受到粒子浓度的影响。图 7和图 8所示为DSD的粒子浓度参数dBN₀及有效粒子半径D₀的二维概率密度分布。各产品的dBN₀几乎都在10至50之间（图 7），而D₀则位于1至3.5之间（图 8），但产品间存在较大差异。由图 7所反映的粒子浓度参数中，DPR_MS的近地表dBN₀都位于30至50之间，与地基实验观测结果相吻合；KaHS、KuPR、KaMS的近地表dBN₀中有大量位于30以下，与前人研究结果有差异（Bringi et al., 2003; Chen et al., 2013；Wen et al., 2016）。此外，在图 8中，DPR_MS的D₀的二维概率密度分布连续（图 8m-p），而单频产品的D₀的二维密度分布则存在一个外边框（图 8a-l），可能是由于单频产品中D₀的算法阈值（冻结层以下的D₀的最大值为2.2，冻结层以上线性递减）所限制，但遗憾的是，此阈值未在DPR的官方说明文档中详细提及。上述现象说明了双频反演的DSD参数其精度最高，最符合实际。

由于降水系统不同，各个例的DSD参数存在较大差异。不同的降水强度和降水类型对应不同的粒子谱。例如，C3个例的降水有效粒子半径明显小于其他三个个例，代表风暴路径上的气旋暖区降水粒子尺度较小；C2个例的dBN₀较其他三者大，代表台风降水的降水粒子浓度高。基于GPM DPR提供的良好平台，我们对双频反演的DSD廓线的统计研究也正在进一步开展。

3.3 降水产品差异

3.1节和3.2节中指出，DPR各产品所指示的降水水平分布与垂直结构间存在较大差异。为了具体分析这些差异、确定各单频反演产品与DPR_MS间的相关性，我们将通过参数化的方法对DPR各产品的地表降水率、雨顶高度等参量进行更深层次的探究。

图 9给出了所选个例沿NS各扫描位置（也称为扫描足印）的平均样本量、近地表降水强度和降水回波顶高度的分布，图 9a-d清楚地显示DPR_MS、KuPR和KaHS的样本量几乎一致，KaMS的样本量却明显偏少，表明KaMS扫描方式损失了一些探测样本。因每个NS位置的样本数均大于30个，故以下均值基本有效（作为个例分析而言）。图 9e-h为沿NS扫描各位置上四种降水产品的平均降水强度，可反映同一NS扫描位置上这些平均降水强度的差异，从中可以看到KaHS的近地表平均降水率明显弱于KuPR，这在台风强降水情形下更为突显，如台风降水个例中NS扫描位置自13至25（图 5f），KuPR和DPR_MS给出的平均降水强度明显高于KaHS和KaMS，降水率差值最大处可达15 mm h^-1（KuPR降水强度是KaHS的3倍多），说明Ka波段并不适合强降水的探测。降水回波顶高度的沿NS各扫描位置的分布（图 5i-l）表明：KaHS的降水回波顶高度比DPR_MS和KuPR的平均高出约0.1~0.2 km；而KaMS比DPR_MS的降水回波顶低约1 km，这也反映了KaMS给出的降水回波顶高度不真实。

图 10是单频反演产品（KaHS、KuPR和KaMS）与双频反演产品（DPR_MS）间的近地表降水强度散点分布。尽管四个个例的降水分布各有不同，但各单频反演产品与DPR_MS的降水强度关系几乎一致。由图 10a-d可以看出，KaHS与DPR_MS间的降水强度散点分布呈现为一个折线形。当降水强度小于约7 mm h^-1时，KaHS与DPR_MS的平均降水强度近似；而当降水强度大于约7 mm h^-1时，KaHS的降水强度则明显低于DPR_MS。因此，含较多弱降水样本的C1和C3个例，其KaHS与DPR_MS间的降水偏差绝对值远小于C2和C4个例。从图 10e-h可以看出，KuPR与DPR_MS的降水强度间具有很好的相关性，相关系数分别达到0.603（C1）、0.728（C2）、0.833（C3）和0.69（C4）。当降水强度小于7 mm h^-1时，KuPR与DPR_MS间的差异较小；但对于7 mm h^-1以上的降水样本而言，KuPR的地表降水强度明显大于DPR_MS。对比图 10a-d和图 10i-l，KaMS与DPR_MS间的降水强度关系与KaHS类似，但由于KaHS的降水样本与DPR_MS间存在空间位置上的差异，故而KaMS与DPR_MS间降水强度的相关性略高于KaHS。

此外在图 10e-h中，当DPR_MS近地表降水强度小于3 mm h^-1时，KuPR与DPR_MS间的近地表降水强度散点分布趋近为两条不相交的线。DPR_ MS在其中一条线上的降水强度小于KuPR，另外一条线则恰好相反。为揭示产生这一现象的原因，我们选取美国中部飑线降水个例（C4），对图 10h两条线上降水样本的回波廓线进行了进一步分析。

如图 11所示，在降水率小于3 mm h^-1的限制下，两种降水样本的回波廓线中均存在明显的冻结层，表明两种降水样本均包含了大量的层云降水。在回波廓线的冻结层高度以上区域，两种降水样本的KuPR与KaMS回波廓线均十分接近；但在冻结层高度以下区域，降水强度KuPR＜DPR_MS的样本其回波强度明显更强，表明KuPR＜DPR_MS的样本中路径积分衰减（Path Integrated Attenuation，简称PIA）更大。在DPR_MS的降水反演算法中，对于PIA较大的样本，选取后向反演模式进行降水反演；对于PIA较小的样本，则选取前向反演模式进行降水反演（Iguchi et al., 2010），故KuPR和DPR_MS的地表降水强度散点图呈现出两条线。同时，PIA较大往往代表了近地表降水强度更强，对比两种降水样本的降水强度，也反映了对于3 mm h^-1以下的降水而言，DPR_MS反演的降水较KuPR更为合理。

图 12给出各单频反演产品与DPR_MS间的回波顶高度的散点分布。由图 12a-d可以看出，KaHS的回波顶高度略高于DPR_MS，对于C2和C4个例，此差异约为0.11 km；对于C1和C3个例，则差异较小，这与Toyoshima et al.（2015）的研究相符。图 12e-h表明，KuPR的回波顶高度与DPR_MS几乎一致，相关系数接近1.0，说明DPR_MS的回波顶高度基本上完全依赖于KuPR的回波。由图 12i-l可以看出，KaMS回波顶高度比DPR_MS平均低1~2 km，且相关系数属三种产品中最低，进一步说明了KaMS对降水上层的小粒子不敏感，因此不适合应用于回波顶方面的研究。

4 结论

本文基于GPM卫星的双频测雨雷达的探测结果，分析了2014年东亚夏季风降水（C1）、西太平洋台风降水（C2）、风暴路径气旋暖区降水（C3）和美国中部飑线降水（C4）四个中尺度降水系统。目的在于揭示四个中尺度降水系统的水平结构及垂直结构，以及DPR双波段及四种产品对降水结构的不同响应，为进一步研究利用DPR降水产品以及数值模式模拟研究降水系统提供基础。

论文首先分析了首先分析了四个降水系统的位势高度、地表降水强度、降水回波顶高度等水平分布特征。研究结果表明，东亚夏季风降水（C1）个例的500 hPa位势高度由南向北递减，位于副高北部，降水系统受夏季风控制，其地表降水强度的分布非常不均，包含了多个强降水雨团，整体的回波顶高度较高（局部可达11 km）。台风降水（C2）个例中，台风眼是中低层大气的低压中心，地表降水强度属四个个例中最强，回波顶高度最高（可达12 km以上）。风暴路径气旋暖区降水（C3）从位势高度场看处于暖锋上，其个例中包含了大范围的稳定弱降水，其雨顶高度最低（多低于9 km）。美国中部飑线降水（C4）个例中气压梯度大（500 hPa等位势高度线密集），导致窄带状强降水（飑线降水）产生，最高回波顶高度约为10 km。尽管四个降水个例发生背景和水平分布各异，但却反映了一致的产品差异特征：KuPR探测的降水强度最强，但对0.5 mm h^-1以下降水探测能力有限；KaHS的降水最小阈值为0.2 mm h^-1，雨顶高度比KuPR高约0.1 km，对弱降水的探测能力好，但对10 mm h^-1以上降水存在严重低估。KaMS受限于高回波阈值，其降水产品不适宜单独使用。DPR的降水反演算法具有独立性，降水强度并非整体位于KaMS与KuPR之间，DPR的回波顶高度与KuPR几乎完全一致。

论文以C2个例为主，对DPR四种降水产品给出的降水垂直结构也进行了分析，结果表明：C2个例的台风眼壁附近，对流发展旺盛，回波强度最强，台风左右两侧眼壁粒子大小和浓度分布大小相反。在C2个例冻结层附近，因KaHS的信号灵敏度（10.2 dBZ）高，受噪声的影响小，因而KaHS对小粒子及弱降水具有很高敏感性。Ka波段和Ku波段对降水亮带的识别具有一致性，但KaMS易遗漏亮带以上的弱降水信号，从而将亮带高度误判为回波顶高度。DPR_MS双频反演的近地表粒子谱浓度参数dBN₀位于30~50之间，与前人的实验结果最为贴近，且有效粒子半径的高度/大小的二维概率密度分布连续，说明了双频反演的DSD参数其精度最高，最符合实际。

论文还进一步对KaHS、KuPR、KaMS以及DPR_MS产品的样本量、近地表降水强度以及回波顶高度等进行了参数化比较。结果表明：对于每个个例而言，各产品的沿NS扫描足迹的样本量均超过了30，能满足个例统计比较的需要；KaHS、KuPR及DPR_MS的沿NS样本量几乎一致，但KaMS受高回波阈值（16.7 dBZ）的限制，遗漏了大量弱降水，故样本量明显小于其他三者。以7 mm h^-1为界限，Ka波段产品（KaHS和KaMS）与DPR_MS的近地表降水强度散点分布、KuPR与DPR_MS的平均降水强度分布均呈现出明显的分段性：当降水强度小于约7 mm h^-1，降水强度差异较小；而当降水强度大于7 mm h^-1时，降水强度差异明显。值得一提的是，KuPR与DPR_MS的降水强度散点图在降水强度小于3 mm h^-1时趋近于两条不相交的线，两条线上降水样本的PIA有较大区别。对两条线的样本进一步分析表明DPR_MS对于3 mm h^-1以下的降水反演较KuPR更为合理。对回波顶高度的参数比较显示，DPR_MS的回波顶高度与KuPR几乎一致。KaHS的雨顶高度则比DPR_MS高约0.1 km，进一步说明了KaHS对弱降水信号的敏感性。上述研究分析比较了各产品的优劣性，并说明了双频反演产品DPR_MS的意义，为研究及利用DPR降水产品提供了参考依据。