1 引言

与常规多普勒天气雷达相比，双偏振雷达能够（同时或交替）发射和接收水平和垂直偏振状态的电磁波。因此，双偏振雷达不但能获得探测目标对这两种不同偏振电磁波后向散射信号的强度和相位信息（水平反射率因子Z_H、垂直反射率因子Z_V、径向平均速度V和谱宽W），而且能得到探测目标相对两种不同偏振电磁波后向散射信号的强度和相位的差异信息（差分反射率Z_DR、差分传播相移ϕ_DP、差分传播相移率K_DP、相关系数ρ_HV、线性退极化比L_DR等）（Bringi and Chandrasekar, 2001; 王致君和楚荣忠, 2007）。双偏振雷达参量对水凝物粒子的类型、形状、尺寸以及下落姿态都很敏感，这些特点使其具有识别云中水凝物粒子相态和类型的能力。

双偏振雷达自出现以来，科学家们利用双偏振雷达技术进行云中粒子分类，做了大量研究工作，主要采用的识别算法有决策树识别法、经典的统计判决识别法、神经网络或者模糊逻辑识别法等（Bringi and Chandrasekar, 2001）。由于云中水凝物粒子特性较为复杂，不同水凝物粒子对应的雷达偏振参量信息并不是绝对排斥，而是存在某种程度的重叠，所以基于“刚性”边界条件和布尔逻辑的决策树识别法不太适合水凝物粒子分类。此外，决策树识别法还要求所用数据不允许存在测量误差，这在实际中难以达到。统计判决识别法是另一种可以解决水凝物分类问题的方法，但是基于不同水凝物的统计模型却很难建立。与前两种方法相比，模糊逻辑算法用简单的逻辑规则描述所感兴趣的问题，因此，模糊逻辑识别法更适合水凝物粒子分类。

国外，Aydin et al.（1986）提出了通过雷达偏振参量计算得出的冰雹识别因子H_DR判别冰雹。Vivekanandan et al.（1999）首次将模糊逻辑应用到水凝物粒子分类，建立了基于NCAR S-Pol S波段双偏振雷达偏振参量（Z_H、Z_DR、K_DP、L_DR、ρ_HV）和环境温度（T）的水凝物粒子模糊逻辑识别算法，而且能实时对水凝物粒子进行判别分类。Liu and Chandrasekar（2000）基于科罗拉多州立大学双偏振雷达CSU-CHILL，也建立了S波段双偏振雷达偏振参量（Z_H、Z_DR、K_DP、L_DR、ρ_HV）和海拔高度（H）的水凝物粒子模糊逻辑识别算法。Zrnić et al.（2001）基于美国国家强风暴实验室（NSSL）的Cimarron S波段双偏振雷达探测数据，建立了以（Z_H、Z_DR、K_DP、L_DR、ρ_HV）和T为输入参量的模糊逻辑识别算法，并对各偏振参量在水凝物识别中的作用进行评估。Park et al.（2009）建立了升级后具有偏振功能的WSR-88D S波段双偏振雷达水凝物粒子模糊逻辑识别算法，该算法引入了两个回波纹理参数，雷达反射率Z_H的标准差SD(Z_H)和差分传播相移ϕ_DP的标准差SD(ϕ_DP)，并增加了各偏振参量的置信因子参与相态识别，但该方法对置信因子的评估较为复杂，可能人为引入误差。Keenan（2003）将水凝物粒子模糊逻辑识别算法应用到C波段双偏振雷达CPOL上，并用热带和亚热带两个不同地区的对流云资料对其进行对比验证，其识别结果具有很好的一致性。Dolan et al.（2013）通过T矩阵散射模拟了不同水凝物粒子相对于C波段双偏振雷达的取值范围，建立了CPOL双偏振雷达的模糊逻辑识别算法。Dolan and Rutledge（2009）将水凝物粒子模糊逻辑识别算法推广到了波长更短的X波段双偏振雷达（CASA IP1），利用T矩阵散射模拟获得7种不同水凝物粒子偏振特性，构建基于X波段双偏振雷达的水凝物粒子模糊逻辑识别算法，并与S波段双偏振雷达KOUN水凝物粒子模糊逻辑识别算法判别的结果进行了比较分析。Snyder et al.（2010）建立了基于UMass X-Pol雷达的模糊逻辑识别算法，输入参量中增加了纹理参数SD(Z_H)和SD(ϕ_DP)用于区分气象回波与非气象回波。Thompson et al.（2014）将水凝物粒子模糊逻辑识别算法分别应用到X、C和S波段双偏振雷达上，用于探测冬季降水粒子类型，并指出模糊逻辑识别算法在判别冬季降水粒子类型时，由于雷达波长越短K_DP越大的特性，使得该算法在波长较短的双偏振雷达上应用表现得更稳定、可靠。

国内，刘黎平等（1993）采用Aydin et al.（1986）的方法，利用我国改造建立的第一部C波段双偏振雷达，根据雨滴谱进行粒子散射模拟得出的冰雹识别因子H_DR来识别冰雹区取得了较好的识别效果。类似地，马建立等（2012）将冰雹识别因子H_DR应用到了X波段双偏振雷达，并研究了X波段电磁波衰减对冰雹识别的影响。曹俊武等（2005）利用美国KOUN S波段双偏振雷达资料，将模糊逻辑识别算法应用到了水凝物粒子分类，取得了比较合理的识别结果。程周杰等（2009）利用英国CAMRa S波段双偏振雷达资料，建立了水凝物粒子模糊逻辑识别算法，并对层状云降水过程中水凝物相态的演变进行了分析。何宇翔等（2010）将模糊逻辑识别算法应用到了国内研制的车载X波段双偏振雷达水凝物粒子相态识别上，并把云中水凝物细致划分为15种。刘亚男等（2012）利用何宇翔等（2010）同样的方法，对南北方降水个例进行了水凝物粒子相态识别研究，并对识别结果进行了微物理过程分析。郭凤霞等（2014）将模糊逻辑识别算法应用到了X波段双偏振雷达水凝物粒子分类，对我国西北地区夏季雷暴云中的水凝物粒子进行识别。

偏振雷达气象应用研究初期，科学家们研究主要集中在波长较长的S、C波段双偏振雷达，随着研究的深入，X波段双偏振雷达的优势逐渐显现出来，特别是最近十多年有关X波段偏振雷达气象应用的研究也越来越多。相对于波长较长的偏振雷达，X波段双偏振雷达不仅造价较低、天线体积小、易于操控和移动，而且时空分辨率高，对云中水凝物粒子相态识别也更加精细，能提供更为细致的云中微物理及动力结构信息，为云和降水的发生、发展机理研究提供更为精细的观测数据。目前，各国都在加大对X波段双偏振雷达气象应用的研究工作。此外，由于观测仰角、地球曲率和地形阻挡的原因，间隔较大的布网S波段雷达观测存在很大的盲区，尤其在距离地面高度1 km以下的边界层范围内（McLaughlin et al., 2009），而X波段雷达因其低造价、易多点组网部署等特点成为业务布网雷达观测的重要补充。2003年美国国家科学基金工程研究中心启动了CASA（Collaborative Adaptive Sensing of the Atmosphere）计划，以期解决布网的S波段雷达所面临的探测盲区问题（Chandrasekar and Lim, 2008; Dolan and Rutledge, 2009）。C波段双偏振雷达与X波段双偏振雷达相比，前者的共振效应更加突出，导致C波段双偏振雷达偏振参量出现较大偏差。例如，20℃情况下C波段双偏振雷达探测的等效体积直径为6 mm的雨滴Z_DR要比真实值高4 dB左右，这给C波段双偏振雷达气象应用带来了较大困难（Zrnić et al., 2000）。

本文利用IAP-714XDP-A X波段双偏振雷达观测数据，通过对其进行质量控制，并采用滑动自适应订正算法（Feng et al., 2016）对雷达反射率及差分反射率进行衰减订正。然后，利用同时观测的S波段雷达反射率，计算得到X波段雷达反射率真值，对订正后X波段雷达反射率进行订正效果评估。最后，利用实例检验纹理参数SD(Z_H)与SD(ϕ_DP)对气象回波与非气象回波的识别效果；用2015年8月7日北京一次较大范围降雹个例，对建立的模糊逻辑识别算法进行效果验证；用2016年9月14日一次处于不同发展阶段的对流云个例，分析在对流云不同发展阶段，过冷雨水冻结作为雹胚发展成为冰雹的微物理过程。

2 双偏振雷达系统概况

中国科学院大气物理研究所云降水物理与强风暴重点实验室（LACS）于2005年底建立了车载X波段双偏振雷达（IAP-714XDP-A），其信号处理器采用美国SIGMET公司生产的RVP8信号处理系统（何宇翔等, 2009）。该雷达能同时发射和接收水平和垂直方向上的偏振波，具有平面—位置扫描（PPI）、距离—高度扫描（RHI）、体扫（VOL）和扇扫（SEC）四种扫描方式，能够获得的雷达参量有雷达反射率因子Z_H、多普勒速度V、谱宽W、差分反射率Z_DR、差分传播相移ϕ_DP、差分传播相移率K_DP和相关系数ρ_HV等参量。具体性能参数见表 1。

3 数据质量控制

为获得高质量雷达数据反演气象产品，分析雷达数据的可靠性并对雷达数据进行质量控制很有必要。通过对本文中所用的X波段双偏振雷达历史观测数据的分析，发现雷达数据存在不同程度的质量问题，例如存在部分数据短缺、存在异常值、雷达数据受噪声影响、部分雷达数据差分传播相移ϕ_DP出现折叠和受差分散射相移δ的影响等问题。针对雷达数据存在的问题，本文在使用雷达数据之前，主要做了以下几方面的数据质量控制工作：对缺测数据进行补缺；订正差分反射率系统误差；订正相关系数ρ_HV，通过反演的信噪比设定雷达数据可靠性信噪比阀值；对出现折叠的差分传播相移ϕ_DP进行退折叠处理；对退折叠后的差分传播相移ϕ_DP进行滤波，滤除差分散射相移δ的影响；通过质量控制的ϕ_DP对差分传播相移率K_DP进行重构。

3.1 数据补缺

雷达数据短缺主要集中在ϕ_DP和ρ_HV，鉴于大气物理要素符合连续性原理，本文主要依据该原理对缺失的ϕ_DP和ρ_HV数据进行补缺。图 1是对2015年8月7日观测到的北京一次降雹个例补缺前后的对比情况。经数据补缺后，ϕ_DP和ρ_HV数据更加连续，雷达回波更加完整。

3.2 差分反射率系统误差订正

差分反射率Z_DR是水平反射率Z_H和垂直反射率Z_V之比，Z_DR的大小反映了降水粒子在水平和垂直方向上的尺度差异，对雨滴而言，Z_DR越大雨滴直径越大。因此，Z_DR是双偏振雷达识别水凝物粒子大小的一个重要的偏振参量。然而，受雷达定标等因素的影响，Z_DR会产生不同程度的误差，而且这种误差不随空间积累而减小。目前，对Z_DR系统误差订正主要有垂直天顶扫描、太阳标定法和气象回波法等。本文采用气象回波法对Z_DR系统误差进行订正。Bringi and Chandraserar（2001）和Park et al.（2005）指出当雷达低仰角观测时，只要Z_H≤10 dBZ，对应的Z_DR应该为0 dB。此外，本文还规定对满足Z_H≤10 dBZ的雷达数据，对应的ρ_HV不小于0.96。因此，我们对2015年6月16日一次典型的层状云降水个例的Z_DR系统误差进行分析和订正。图 2为既满足Z_H≤10 dBZ又满足ρ_HV≥0.96的Z_DR概率分布，满足条件的统计样本为1999个，Z_DR平均值为-0.0981 dB，由此得出Z_DR系统误差为0.0981 dB，并对Z_DR进行系统误差订正（图 3）。

3.3 相关系数订正

相关系数ρ_HV已被证实在探测冰雹尺寸大小和零度层亮带等方面具有重要作用（Liu et al., 1994），但由于各种杂波和设备内部噪声的影响，ρ_HV会随回波信噪比（S_NR）的减小而减小，因此，为了合理地使用ρ_HV等偏振参量准确地反演气象产品，需要对其订正。ρ_HV定义为

$ {\rho _{{\rm{HV}}}}\; = \;\frac{{\left| {\left\langle {S_{\rm{H}}^iS_{\rm{V}}^{i*}} \right\rangle } \right|}}{{{{\left[ {\left\langle {{{\left| {S_{\rm{H}}^i} \right|}^2}} \right\rangle \left\langle {{{\left| {S_{\rm{V}}^i} \right|}^2}} \right\rangle } \right]}^{0.5}}}}, $

(1)

其中，${S_{\rm{V}}^{i*}}$是${S_{\rm{V}}^i}$的复共轭, ${S_{\rm{H}}^i}$和${S_{\rm{V}}^i}$表示第i个降水粒子后向散射回来的水平偏振功率和垂直偏振功率。相关系数ρ_HV反映了水平和垂直偏振波后向散射特性的相关性，由取样体积内粒子的径向速度分布、倾斜角及形状等变化的情况决定（张培昌等，2001）。由于本文所用双偏振雷达的信号处理器RVP8不能提供信噪比S_NR数据，本文参考Schuur et al.（2003）的方法，通过雷达反射率Z_H和探测距离R间接得到S_NR，具体的计算公式如下：

$ {S_{{\rm{NR}}}}\; = \;{Z_{\rm{H}}}\; - \;20{\rm{lg}}R\; + \;C, $

(2)

其中，C为常数，R为探测距离，其确定方法为：当S_NR在5~20 dB范围变化时，使$\rho _{{\rm{HV}}}^{{\rm{cor}}} - {S_{NR}}$散点图的坡度最小为最优C值。ρ_HV可通过下式进行校准修正：

$ \rho _{{\rm{HV}}}^{{\rm{cor}}} = {\rho _{{\rm{HV}}}} \times (1 + 1/{s_{{\rm{nr}}}}), $

(3)

其中，${s_{{\rm{nr}}}}\; = \;{10^{{\rm{0}}{\rm{.1}}{S_{{\rm{NR}}}}}}$。图 4a红色虚线区域内信噪比较低，对应的ρ_HV较小，订正后该区域的ρ_HV显著增大（图 4b红色虚线内ρ_HV），提高了弱回波的相关系数。

3.4 ϕ_DP退折叠和滤波

ϕ_DP是双偏振雷达水平极化电磁波与垂直极化电磁波两者之间的相位差。由于重力和空气阻力的共同作用，雨滴在下落过程中一般呈椭球形状，水滴介质下电磁波在水平方向的相位变化大于垂直方向的相位变化，因此，双偏振雷达探测雨区时ϕ_DP一般是逐渐递增的。但是，如果雷达发射电磁波初始相位较大，使ϕ_DP超过360°时，将出现折叠现象，如图 5a蓝色曲线所示。ϕ_DP退折叠的主要思路是：沿雷达径向检测出现折叠的拐点，拐点之后的数据加360°后与拐点前的数据统一减去一个初值，使ϕ_DP的变化落在0°~360°范围内。退折叠的ϕ_DP（即$\phi _{{\rm{DP}}}^{{\rm{cor}}}$）如图 5a红色曲线所示。

由于雷达系统噪声以及非瑞利散射引起的差分散射相移δ的影响，ϕ_DP会出现较大波动，导致由ϕ_DP推算出的K_DP存在较大误差。因此，通常采用滤波方法对ϕ_DP进行处理（Hubbert et al., 1993; Hubbert and Bringi, 1995），滤除两者的影响。本文采用中值滤波对ϕ_DP进行滤波处理（见图 5b）。

3.5 K_DP重构

双偏振参量K_DP已被广泛应用于双偏振雷达的定量估测降水当中，已有研究（Ryzhkov and Zrnić, 1996; Wang and Chandrasekar, 2010）表明，对于较强降水利用双偏振参量K_DP进行降水估测要比单偏振雷达的Z–R关系降水估测更为准确。此外，K_DP还具有不受雷达定标和电磁波部分遮挡影响的优势。但在小雨区、非均匀介质波束填充和非瑞利散射存在的情况下，K_DP会出现较大偏差（Ryzhkov and Zrnic, 1998; Gosset, 2004; Ryzhkov, 2007）。此外，即使在理想情况下，雷达系统噪声的存在也会导致对K_DP估测不准，而对K_DP重构能够有效地减小各种因素对K_DP的影响。本文利用质量控制的ϕ_DP，根据K_DP定义进行K_DP重构。K_DP的定义及重构公式如下：

$ {K_{{\rm{DP}}}}(r) = \frac{1}{2}\frac{{{\phi _{{\rm{DP}}}}({r_2}) - {\phi _{{\rm{DP}}}}({r_1})}}{{({r_2} - {r_1})}}, $

(4)

其中，r₁和r₂分别代表雷达径向上两个距离库与雷达之间的距离（r₂＞r₁）。图 6a是RVP8提供的原始K_DP，从图中看出原始K_DP在雷达附近和回波边缘区域存在明显的异常值，图 6b中重构后的K_DP消除了这两种异常值。

4 衰减订正

本文采用滑动自适应订正算法对降水个例的反射率和差分反射率进行衰减订正。滑动自适应订正算法是我们在Bringi et al.（2001）提出的自适应订正算法基础上改进建立的，通过窗口滑动的方式提高订正分辨率，具体介绍详见Feng et al.（2016）。与反射率Z_H衰减的订正方法类似，差分反射率Z_DR衰减订正也采用滑动自适应订正算法。差分衰减率A_DP与衰减率A_H存在的关系（Park et al., 2005）如下：

$ {A_{{\rm{DP}}}}(r) = \gamma A_{\rm{H}}^{\rm{d}}(r), $

(5)

其中，γ和d是两个待定参数。由于雨滴谱的多样性和复杂性，我们采用符合雨滴谱分布普遍规律的Weibull雨滴谱分布（Sekine and Lind, 1982），通过T矩阵散射模拟得出γ和d，γ为0.174，d为1.065。

$ {Z_{{\rm{DRA}}}}(r) = {Z_{{\rm{DR}}}}(r) + 2\int_0^r {{A_{{\rm{DP}}}}(s){\rm{d}}s}, $

(6)

其中，Z_DRA是订正后差分反射率，将式（5）代入式（6），即完成对差分反射率Z_DR的订正。

2015年8月7日北京经历了一次强对流天气过程，并伴有冰雹产生。由于雷达站周围存在较严重的地物遮挡，为获得较完整的雷达回波数据，我们采取高仰角扫描方式进行观测。图 7a为5°仰角的雷达反射率PPI分布，中心点为IAP-714XDP-A X波段双偏振雷达站点（40.19°N，116.68°E）。北京大兴布网S波段多普勒天气雷达（39.81°N，116.47°E）位于X波段双偏振雷达西南方向，两部雷达直线距离大约为46 km。由于北京大兴S波段雷达探测得到的是体扫数据，为了便于与本雷达观测对比，我们将S波段雷达体扫数据三维插值到X波段双偏振雷达坐标系中。由于Mei散射效应，未衰减的X波段雷达反射率并不等同于S波段雷达反射率，本文参考Chandrasekar et al.（2006）的方法利用S波段雷达反射率计算得到没有衰减的X波段雷达反射率，并认为是X波段雷达反射率真值。图 7c即为X波段雷达反射率真值，图 7b为订正后X波段双偏振雷达反射率。

由于目前北京布网的S波段多普勒天气雷达是单偏振雷达，不能提供差分反射率，本文仅将订正后X波段雷达反射率与根据S波段雷达反射率计算得到的X波段雷达反射率真值作对比分析，评估订正效果。从图 8可以看出，订正后X波段双偏振雷达反射率的累积概率分布更接近X波段雷达反射率真值的累积概率分布。同时，从图 7d、e中也可以看出，订正差分反射率后，原来由于强对流回波衰减引起的Z_DR负值区（见图 7d红色虚线区域）变为正值，表明对Z_DR的订正是有效的。

5 水凝物粒子分类识别算法及个例应用分析 5.1 分类识别算法

鉴于模糊逻辑算法在水凝物粒子分类识别方面具有明显的优势（Vivekanandan et al., 1999; Liu and Chandrasekar, 2000; Zrnić et al., 2001; Dolan and Rutledge, 2009; Dolan et al., 2013），本文采用模糊逻辑算法对水凝物粒子进行分类识别。雷达反射率Z_H、差分反射率Z_DR、差分传播相移率K_DP、相关系数ρ_HV、垂直温度廓线T、纹理参数SD(Z_H)和SD(ϕ_DP)作为输入参量。垂直温度廓线T可选用与雷达探测时段最接近的探空数据或者直接采用数值天气预报模式预报的温度产品。本文用1 km和2 km的范围（Park et al., 2009; Snyder et al., 2010）分别定义Z_H的标准差SD(Z_H)和ϕ_DP的标准差SD(ϕ_DP)：

$ {S_{\rm{D}}}({Z_{\rm{H}}}) = \sqrt {\frac{{\sum\limits_{1\;{\rm{km}}} {{{[{Z_{\rm{H}}} - m({Z_{\rm{H}}})]}^2}} }}{{{n_Z}}}}, $

(7)

$ {S_{\rm{D}}}({\phi _{\rm{DP}}}) = \sqrt {\frac{{\sum\limits_{2\;{\rm{km}}} {{{[{\phi _{\rm{DP}}} - m({\phi _{\rm{DP}}})]}^2}} }}{{{n_\phi }}}}, $

(8)

其中，S_D(Z_H)和S_D(ϕ_DP)分别代表Z_H的标准差SD(Z_H)和ϕ_DP的标准差SD(ϕ_DP)，m(Z_H)和m(ϕ_DP)分别是1 km范围内Z_H和2 km范围内ϕ_DP的平均值，n_Z和n_ϕ分别代表 1 km范围内Z_H和2 km范围内ϕ_DP的距离库数。识别的水凝物粒子类型有10种，分别是毛毛雨（drizzle, DR）、小雨和中雨（light and moderate rain, RA）、大雨（heavy rain, HR）、雨夹雹（a mixture of rain and hail, RH）、湿雪（wet snow, WS）、干雪（dry aggregated snow, DS）、冰晶（ice crystal, IC）、冰雹（hail, HA）、霰或小雹（graupel or small hail, G/SH）和过冷水（supercooled water, SCW）。其中，过冷水包括过冷云水和过冷雨水，地物杂波（ground clutter, GC）为非气象回波，也作为一种识别类型。本文将梯形函数作为模糊逻辑算法的隶属度函数（T(x)，图 9），表达式如下：

$ T(x, {X_1}, {X_2}, {X_3}, {X_4}) = \left\{ {\begin{array}{*{20}{c}} {0, }&{x < {X_1}, }\\ {\frac{{x - {X_1}}}{{{X_2} - {X_1}}}, }&{{X_1} \le x < {X_2}, }\\ {1, }&{{X_2} \le x < {X_3}, }\\ {\frac{{{X_4} - x}}{{{X_4} - {X_3}}}, }&{{X_3} \le x < {X_4}, }\\ {0, }&{x \ge {X_4}.} \end{array}} \right. $

(9)

每个输入参量和输出水凝物粒子相态类型分别对应不同的隶属度函数T_{i_j}，其中，i代表第i个输入参量，j代表第j个输出粒子相态类型。确定每个隶属度函数中参数X₁、X₂、X₃和X₄是模糊逻辑算法判断水凝物粒子相态类型的关键。

本文综合参考Zrnić et al.（2001）、Park et al.（2009）、Snyder et al.（2010）和Dolan and Rutledge（2009），以及本雷达的偏振参量特征，制定了X波段双偏振雷达偏振参量的取值范围，同时增加水凝物粒子存在的温度范围，应用到本文的模糊逻辑识别算法中，并利用式（10）对10种水凝物粒子进行分类识别：

$ {S_i} = \frac{{\sum\limits_{j = 1}^{10} {{W_{ij}}{P^{(i)}}({V_j})} }}{{\sum\limits_{j = 1}^{10} {{W_{ij}}} }}, $

(10)

其中，S_i为各类水凝物粒子集成值，P⁽ⁱ⁾(V_j)代表隶属度函数，i为输出水凝物粒子类型，j为输入偏振参量类型，W_ij是权重系数，如表 2所示。模糊化的输入参量经过规则推理、聚合和退模糊，使S_i最大的第i类即为识别的水凝物粒子类型。表 3是10种水凝物粒子隶属度函数中X₁–X₄的取值。

5.2 个例应用分析 5.2.1 气象回波与非气象回波分类识别个例

图 10是2016年8月7日1°仰角观测到的一次降水个例。由于观测仰角较低，在雷达站正北方向探测到地物回波（图 10a红色虚线圈定区域）。对比图 10中各个偏振参量可以看出，SD(ϕ_DP)对区分气象回波与非气象回波特征明显，气象回波SD(ϕ_DP)小于30°，而非气象回波大于30°，但在气象回波边缘也出现了SD(ϕ_DP)偏大的情况，如图 10f红色虚线区域所示，如果仅用SD(ϕ_DP)识别非气象回波，有可能存在误判。而气象回波SD(Z_H)均偏小，如图 10e所示。因此，将SD(Z_H)和SD(ϕ_DP)结合起来可有效提高识别气象回波与非气象回波的能力。

图 11是该降水个例气象回波和非气象回波的识别结果。图 12是2016年8月6日晴空下1°仰角探测到的地物回波。通过与图 12对比发现，图 11较好地区分了雷达气象回波与非气象回波，识别的非气象回波与实际地物回波吻合较好。

5.2.2 冰雹云和层状云粒子分类识别个例

2015年8月7日北京城区经历了一次由局地对流发展起来的降雹过程。16:26北京顺义上空生成一强对流单体，并且在短时间内发展到成熟阶段产生降雹。强回波主要分布于雷达站的西部和西南部，对应区域是昌平东部和朝阳中北部，最大回波强度达到60 dBZ以上。图 13是北京市2015年8月7日20:00的探空曲线，0℃层高度大约在4 km。经数据质量控制与衰减订正后，各偏振参量如图 14所示。

图 15为模糊逻辑算法对2015年8月7日17:37:42观测的PPI水凝物粒子的分类结果。分类结果显示，雷达站10 km范围内主要以小雨、中雨为主，本站东部及东南部回波边缘区域有毛毛雨。10 km以外本站西部及西北部区域主要以大雨为主，回波较强区域伴有雨夹雹产生。其中，图 15红色虚线圆圈内对应的雷达回波强度已达到50 dBZ以上（图 14a），而相关系数相对较小（图 14d），说明该区域可能存在混合相态的水凝物粒子，分类结果识别出该区域为雨夹雹。红色虚线对应区域是北京市朝阳区，而根据朝阳区54433气象站点[图 15五角星处（39.9525°N，116.5008°E）]2015年8月7日的降雹记录，最大冰雹直径为15 mm，重1 g。其识别结果与地面观测记录一致，表明各种水凝物粒子对应的偏振参量取值范围合理，模糊逻辑识别算法能合理识别水凝物粒子类型及分布。随着观测距离增大，在距离本站40 km左右达到融化层高层，该区域出现了湿雪和干雪，虽然没有空中直接探测数据验证，但是该结果与对流云的基本观测事实一致。此外，由于观测仰角较高，该个例未出现地物杂波。

同时，我们还对2015年8月7日这次降雹过程发展后期（20:14:19 BJT）观测的一次RHI扫描进行水凝物粒子相态识别分析。图 16分别是经过数据质量控制及订正的偏振参量。该降雹过程发展到后期减弱为混合型降水过程，距离雷达站较近区域是典型的层状云降水，具有明显的0℃层亮带。图 16中Z_H、K_DP和ρ_HV均具有明显的融化层特征，特别是Z_H和ρ_HV更加明显，0℃层高度大约在4 km左右。图 16d中在层状云的纯雨区和纯冰雪晶区ρ_HV接近于1，而在混合相态粒子区域ρ_HV则比较小，这些特征与Vivekanandan et al.（1999）的研究结果一致。在距离雷达35~45 km处出现强对流回波，图 16c中可明显看出，该对流回波包含两个对流单体，对流更强的单体最大反射率强度达到了60 dBZ以上，强度大于40 dBZ的对流回波高度发展到了8 km，而对流较弱的单体回波顶高发展到了4 km左右。

图 17是模糊逻辑算法对RHI水凝物粒子的分类结果。从图 17中可以清楚地看出，层状云降水区域（距离0~32 km）的水凝物粒子高度分为明显的三层结构：在7~8 km高度以上为冰晶层，零度层（约4 km高度）至7~8 km高度的中间层为冰雪晶和过冷云水混合层（包括融化层），在融化层之下的暖层主要由液态降水组成。图 17中层状云区各种降水粒子分类结果反映了层状云降水粒子相态垂直分布结构，与顾震潮（1980）提出的降水层状云三层模型较为一致。

从图 17中还注意到，在对流云区霰粒子主要集中在6~8 km的高度，而冰雹出现高度则低于霰/小雹粒子的高度，并向下延伸到暖层，融化为雨夹雹，直至完全融化形成大雨。对流云的下部（图 17红色虚线区域），由于雷达波束部分受到阻挡的原因，此区域偏振参量均有所减小（图 16a红色虚线区域），使其识别为小雨或中雨，而实际上应该为大雨。在20:00雷达观测区域内的雷达回波明显减弱，并逐渐转为积层混合云降水，强回波主体已移出北京城区。此时，对流中心上升气流明显减弱，不足以将雨滴抬升到0℃层之上形成过冷雨水。图 17中识别出的过冷水温度范围与袁敏等（2017）统计的飞机积冰温度范围基本一致。袁敏等（2017）通过统计飞机积冰报告并结合CloudSat星载雷达数据，发现在层状云飞机积冰主要发生在-20℃至0℃范围的云层内，并在-15℃至-10℃温度范围的云层里飞机积冰概率最大，这些分析结果对应的温度范围与图 17给出的该温度范围基本一致。飞机积冰是由于云中或降水中的过冷水碰到机体发生冻结的现象，这个现象的出现表明云中存在过冷水，因此，相应地可以用飞机积冰现象出现的云层温度来说明过冷水出现的区域。对于对流云中过冷水出现的温度范围，Rosenfeld et al.（2006）通过飞机穿云观测发现，高含量的液态水可以出现在强冰雹云的上升气流区内，并在-38℃温度区出现高达4 g m^-3的过冷水含量。Zhu et al.（2015）通过三架飞机对河北张家口地区积层混合云的同步观测，发现云中存在较强的冰晶淞附及聚合过程，而云中大量过冷水的存在是这两种冰相过程发生的基础。这些飞机观测和分析结果证明，本文反演获得的过冷水出现在层状云中较大的温度范围是合理的。

距离雷达32~60 km的区域为对流云降水区（图 16a、图 17），自上而下随着温度的增加，水凝物粒子依次为冰晶（IC）、干雪（DS）、霰/小雹（G/SH）、大雹（HA）、雨夹雹（RH），并在对流云区的下部出现大雨（HR）。融化层附近的对流云降水区边缘出现了湿雪（WS），融化层之下则出现了雨夹雹（RH）（图 17），对应区域的ρ_HV明显小于周围区域（图 16d）。该对流中心是由两个还未完全合并的对流单体组成（图 16a，这两个对流云的中心分别位于35 km和40 km距离处），云中对流较强的单体冰雹伸展更高（图 17中识别出的冰雹HA从1.0 km高度一致伸展到5.5 km高度，位于35 km距离处），而对流较弱的单体冰雹发展高度相对较低（图 17识别出的冰雹HA从1.2 km高度一直伸展到4 km高度，位于40 km距离处），在这两个单体中间则出现了雨夹雹。

为分析层状云和对流云偏振参量的垂直分布特征，我们对距离雷达站0~32 km及32~60 km两个区域的偏振参量在垂直高度上进行统计平均，如图 18所示。其中，32~60 km区域为对流云降水区，而0~32 km区域为层状云降水区。对流云降水区的Z_H、Z_DR和K_DP都要比层状云降水区的大，而ρ_HV却比层状云降水区的小，表明对流云中存在尺度较大的降水粒子，导致反射率较大，而降水粒子尺度越大越容易产生形变，因此Z_DR和K_DP也越大。在零度层（约4 km）高度之下的融化层里，两区的偏振参量Z_H、Z_DR和K_DP随高度降低都有不同程度的增大（图 18a、b、c），而相关系数ρ_HV却明显减小（图 18d）。这是由于融化层中存在不同类型的水凝物粒子（如液态水滴、不同融化程度的冰雪晶，甚至霰雹粒子等），动力（流场）、热力和表面张力等作用不同，导致粒子的形状多变、粒子出现翻滚等现象，都会使ρ_HV减小（张培昌等, 2001; Chandrasekar et al., 2013）。由图 18d看到，对流云区（32~60 km）的ρ_HV比层状云区（0~32 km）的小，说明与层状云相比，对流云中的水凝物粒子类型更加复杂和多变，水凝物粒子相互作用的微物理过程更复杂，更容易产生尺度更大、粒子形变更加明显的水凝物粒子。其中，在融化层对流云会产生尺度更大的融化冰相粒子（表现为Z_H、Z_DR和K_DP变大，而ρ_HV减小），并在暖层产生大雨滴，而大雨滴会引起非瑞利散射，从而导致对流云暖层ρ_HV比层状云小（Kumjian, 2013）。此外，从图 18b和图 18c还看到，在对流云和层状云顶部附近，Z_DR和K_DP值均较大（图 18b、c上部红色虚线圈区域），Zrnić et al.（2001）认为这可能是由于天线旁瓣在H路和V路存在一定程度的不匹配造成的。

为进一步了解不同发展阶段对流云中过冷水垂直分布状况，我们对2016年9月14日发展的多单体对流云进行分析（图 19）。从回波演变过程看，该对流云体由三个处于不同发展阶段的多单体组成（图 19a）。其中，大约40 km附近最右边单体已经处于消散阶段，位于36 km处的中间单体正处于发展阶段，而位于33 km处的最左侧单体正处于初生阶段。该观测得到的最明显特征是处于初生和发展阶段的两个单体在高空出现了不同程度的“Z_DR柱”和“K_DP柱”现象（图 19b、c虚线圈标出），而图 19d中对应黑色虚线圈定区域出现了Kumjian et al.（2012）定义的“ρ_HV洞”，而此时的融化层高度在3.6 km左右。“Z_DR柱”和“K_DP柱”的出现表明对流云中存在强烈的上升气流（图 20所示的径向速度正值）。探空数据表明在6~10 km高度存在较强的高空风，风向为西风，最大风速达21 m s^-1。受此影响图 20中对流云体上部出现了较强的西风，与探空数据吻合。强烈的上升气流将暖区的液态水滴抬升到融化层之上形成过冷云雨水，因此，在图 21水凝物粒子分类结果中，对应区域的粒子被识别为过冷云雨水（SCW，图 21红色虚线区域）。由此推断，该个例过冷水滴冻结形成的冻滴和霰粒子是雹胚的主要来源（图 21中冰雹HA区）。此外，由于本文设定ρ_HV大于0.7的雷达数据是可靠的，因此，图 21水凝物粒子分类结果中，右上角回波由于ρ_HV小于0.7而被剔除。

6 结论与讨论

雷达数据质量直接关系到雷达数据反演气象产品的准确性，因此，与S、C波段双偏振雷达数据反演气象产品一样，对X波段双偏振雷达资料进行气象产品反演，也要考虑数据的质量问题。本文分析了IAP-714XDP-A X波段双偏振雷达数据存在的主要问题，并对存在的问题进行相应的质量控制，为后续反演工作打下良好基础。

虽然X波段双偏振雷达具有很多优点，但是其最大的问题是电磁波经过雨区时存在较严重衰减。因此，对X波段双偏振雷达数据进行衰减订正并检验订正效果是非常重要的研究课题。本文采用滑动自适应订正算法对X波段雷达反射率及差分反射率进行了衰减订正，并用经S波段雷达反射率计算得到的X波段雷达反射率真值检验订正效果，订正结果表明订正后X波段雷达反射率更接近X波段雷达反射率真值。

本文建立了基于模糊逻辑的水凝物粒子分类识别算法。然而，基于模糊逻辑的水凝物粒子分类识别算法对粒子分类结果准确与否，与参与判别的雷达偏振参量及偏振参量设置范围的合理性关系密切。本文建立的识别算法中，利用纹理参数（SD(Z_H)、SD(ϕ_DP)）能有效识别出气象回波和非气象回波，环境温度T的引入可显著提高判别冰相粒子与液相粒子的准确度，ρ_HV是混合相态粒子很好的指示参量，K_DP对降水强度较为敏感，Z_H和Z_DR与水凝物粒子的大小、形状相关性较好。通过对2016年8月7日一次低仰角观测的相态识别，检验了纹理参数SD(Z_H)与SD(ϕ_DP)对气象回波和非气象回波的识别效果，结果表明SD(Z_H)与SD(ϕ_DP)两者结合可有效地区分气象回波和非气象回波；通过分析2015年8月7日北京一次较大范围的降雹个例的PPI及RHI回波，对建立的模糊逻辑识别算法进行效果验证，识别降雹落点与地面观测降雹落点一致，表明各种水凝物粒子对应的偏振参量取值范围合理；通过对2016年9月14日一次处于不同发展阶段的多单体对流云的水凝物粒子分类识别，表明对流云发展阶段在0℃层之上存在过冷云雨水的可能性较大，过冷云雨水的出现对冰雹的形成有重要影响。该个例冰雹形成的微物理过程是对流云中强烈的上升气流将暖层的液态水滴提升到0℃层之上形成过冷云雨水，进而冻结形成雹胚和为冰雹撞冻增长提供大量的过冷水。

这里需说明的是，对强对流云直接入云探测往往存在很大的危险性，因此，验证基于双偏振雷达偏振参量的水凝物粒子分类结果是一项比较困难的工作。本文只是结合有地面降雹记录的北京一次降雹个例，对建立的X波段双偏振雷达水凝物粒子分类识别算法进行分析验证。更为准确的验证方式是通过搭载有粒子探测系统的飞机入云直接探测和双偏振雷达遥感观测的协同观测方式，进行水凝物粒子分类结果的验证。此外，建立的X波段双偏振雷达水凝物粒子分类识别算法也需要更多降水过程个例来检验其普适性。