研究论文 网络优先出版 版本 8
下载
冰核对华北平原地区积云发展的影响
Impact of ice nuclei on the development of cumulus clouds over North China Plain
: 2018 - 09 - 09
: 2018 - 04 - 27
: 2018 - 09 - 11
18 0 0
摘要&关键词
摘要:本文利用包括了双参数化微物理方案的云分辨的WRF模式(简称CR-WRF),对2014年8月24日发生在华北平原地区的一次积云过程进行了数值模拟。CR-WRF模式比较全面的考虑了气溶胶粒子的活化过程,对不同气溶胶的不同核化方案进行了参数化,包括云凝结核(CCN)的核化、冰核(IN)的均质和异质核化等,令其浓度分为HCCN,MCCN和LCCN三个等级,分别对应数密度为 9000 cm−3,900 cm−3和90 cm−3的情况下,考虑了黑碳气溶胶(BC)作为IN,将其数浓度从2 cm−3增加至 2000 cm−3,并且在CCN浓度不变的情况下,通过改变BC的浓度探讨了积云微物理过程对IN的响应。模拟结果表明,在LCCN条件下,在BC浓度很低的时候冰晶数浓度大于HCCN情况下的冰晶浓度。随着BC浓度的不断增加,冰晶粒子数浓度在HCCN条件下迅速得到增长,并超过了LCCN和MCCN情况下的冰晶数浓度。这是由于,LCCN条件下,BC浓度较低时云内过饱和水汽含量高于HCCN情况下的含量,从而形成了较多的冰晶粒子;而随着BC浓度的不断增加,在HCCN条件下的上升气流逐渐大于LCCN条件下的上升气流,因此在HCCN条件下的冰晶得到迅速的增长。随着BC浓度的增长云滴数浓度没有明显的变化;而云滴有效半径呈现出随BC浓度的增长而减小的趋势。这是由于,BC对云滴粒子的形成没有较大贡献,随着BC的增加云内上升气流增强,导致云滴粒子有效半径减小所致。此外,对流中心上升速度随BC浓度的增长而增长;与此同时,下沉速度在LCCN情况下随BC浓度的增长而增长,在HCCN和MCCN情况下则随BC浓度的增长而减小。积云累积降水量对BC的响应比较弱,随着BC的增长累积降水量的变化不到1%。由此得出以下结论,在LCCN条件下由于云滴粒子的核化过程较低,因此对冰晶的异质核化过程提供了足够的水汽,使得在BC浓度很低的情况下冰晶数浓度大于HCCN和MCCN的条件。由于相变过程会不断的释放潜热,使云内对流中心上升气流增大,下沉气流减弱,并产生更多粒径较小的云滴粒子,从而起到抑制降水发生的作用,导致累积降水量的变化不够明显。
关键词:CR-WRF模式;冰核;积云;华北平原
Abstract & Keywords
Abstract: Background, aim and scope: In the present study, the effect of ice nuclei (IN) on the development of cumulus clouds over the North China Plain has been investigated. A convective cumulus cloud event occurring on 24 August 2014 is simulated, and the sounding profile reveal a moderate instability with a convective available potential energy (CAPE) of 651 J kg-1. Materials and Methods: By using a Cloud-Resolving Weather Research and Forecasting (CR-WRF) model with a two-moment bulk microphysical scheme, this study provides a comprehensive view of the response of cloud microphysics to the IN. The HCCN represents the polluted conditions with the CCN of 9000 cm-1; the MCCN represents the clean conditions with CCN of 900 cm-1; the LCCN represents the background conditions with the CCN of 90 cm-1. A set of black carbon (BC) profiles is used in the simulations, with the surface number concentration varying from 2 to 2000 cm-3 and the mass concentration varying from 0.006 to 5.6 µg cm-3. Results: The simulation results show that in the LCCN condition, the ice number concentration is higher than the other two cases (HCCN and MCCN) when BC number concentration is very low; Under the HCCN condition,the ice number concentration increases with the increases of BC more sharply than in the LCCN cases. Besides, increasing IN concentrations slightly enhances the cloud core updraft and intensifies the convection under various CCN situations. The precipitation enhancement is less than 1% with the IN concentration increasing from 0.006 to 5.6 µg cm-3. Discussion: Ice, snow and graupel number concentrations increase with the increases of BC. The core updraft of the cloud intensified with the increases of BC, because the more condensation and sublimation processes the more latent heat can be released, it can be further heated the atmosphere. Besides, the enhancement of the core updraft inhibits the core downdraft, and the precipitation is decreased in the whole processes. Conclusions: IN plays an important role in the formation of the ice crystals. The precipitation increases steadily with the increases of BC concentrations, caused by the enhanced mix-phased process due to increasing BC, but it is not sensitive to the BC variation. The IN generally do not play a dominant role in the development of cumulus clouds during summertime. Recommendations and perspectives: (1) The dust and other organic aerosol that also act as IN were not considered in this simulation study. (2) The formation of ice crystals was not considered completely because of the complex processes of them. (3) The further research can also try to simulate the response of cloud microphysical processes to the IN in different regions such as over the sea area.
Keywords: CR-WRF model; ice nuclei; cumulus clouds; North China Plain
20世纪50年代末,Ludlam and Mason(1958)指出IN在云和降水的发生和发展中起着重要作用,此后IN对云和降水的影响受到了很多研究人员的重视(Pruppacher and Klett,1978;Van et al,2006;Yang et al,2011)。研究指出:在沙尘天气下,沙尘气溶胶作为IN,通过改变对流层高层冰晶的分布影响区域降水的分布(Huang et al,2006)。大量的研究进一步表明,IN是混合云发展的主要因素,是降水发生的初步条件(Choi et al,2010;Findeisen,1938;Hoose and Möhler,2012;Koop et al,2000;Phillips et al,2008;Blyth et al,2010;Storelvmo et al,2011)。IN浓度的改变对冰晶浓度及冰晶尺度都有影响,IN数浓度增加会导致云中过冷水滴增多,冰晶粒子相应的增加;同时会使水成物粒子有效半径减小,使得雪晶和霰粒子的量减小;IN的增加也会导致释放潜热加强云内对流,从而产生更多的降水(Gierens,2003;Isaac and Douglas,2010;Jensen et al,2001;Li et al,2008b;Zhou et al,2017)。然而,IN对云和降水的影响不仅与其自身的物理化学特征有关,还与地理空间等因素相关。另外,由于人类的活动不断的产生新的IN排放到大气环境中,IN对不同区域天气气候背景下的云和降水的影响表现出显著的局地性。因此,分区域讨论IN对云形成和发展的研究显得尤为必要。
华北平原(North China Plain,NCP)位于北纬32\(°\)—40\(°\),东经114\(°\)—121\(°\),属于暖温带季风气候区,夏季一般为高温多雨。华北地区作为我国重要的经济区,工业发展迅速,人口增长较快,气溶胶排放量巨大,成分复杂,是东亚地区乃至世界上重要的人为气溶胶排放区。在该地区,由于高的气溶胶含量以及其复杂的化学成分,使得气溶胶对云的影响的研究更为复杂。本文主要利用BC气溶胶作为IN,选取NCP地区邯郸市2014年8月24日两小时的对流发展进行评估,分析其微物理过程对IN的响应。其中包括冰晶粒子数浓度、雪晶粒子数浓度、霰粒子数浓度、云滴粒子数浓度、云滴有效半径、对流中心强度以及降水等方面的研究。
1 模式、数据处理与方法
1.1 模式的基本预报方程
该模式根据积云中粒子的增长、粒子下落速度和物理特征的不同,将水成物粒子分成五种,即云滴、雨滴、冰晶、霰、雪晶等。模式中包括21个预报量,其中与微物理过程相关的预报量为云滴、雨滴、冰晶、霰、雪晶的比含水量(\({Q}_{c}\)\({Q}_{r}\)\({Q}_{i}\)\({Q}_{g}\)\({Q}_{s}\))和五种水成物粒子的比浓度(\({N}_{c}\)\({N}_{r}\)\({N}_{i}\)\({N}_{g}\)\({N}_{s}\)),单位分别为\(\mathrm{g}\bullet {\mathrm{k}\mathrm{g}}^{-1}\)\({\mathrm{ }\mathrm{k}\mathrm{g}}^{-1}\),其中云滴比浓度\({N}_{c}\)取常数(\(4×{10}^{8}\)\(·{\mathrm{k}\mathrm{g}}^{-1}\))。云内微物理过程包括云中核化繁生、融化冻结、凝结蒸发、碰冰、自动转化等,包括积云中32中微物理过程。
该模式根据积云中粒子的增长、粒子下落速度和物理特征的不同,将水成物粒子分成五种,即云滴、雨滴、冰晶、霰、雪晶等。模式中包括21个预报量,其中与微物理过程相关的预报量为云滴、雨滴、冰晶、霰、雪晶的比含水量(QcQrQiQgQs)和五种水成物粒子的比浓度(NcNrNiNgNs),单位分别为g ∙ kg−1和∙ kg−1,其中云滴比浓度Nc取常数(4×108个·kg−1)。云内微物理过程包括云中核化繁生、融化冻结、凝结蒸发、碰冰、自动转化等,包括积云中32中微物理过程。
本论文中计算了水汽含量混合比(Qv),云滴质量混合比(Qc),雨滴质量混合比(Qr),水晶质量混合比(Qi),雪晶质量混合比(Qs),霰的质量混合比(Qg),以及雨滴的数浓度(Nr),冰晶数浓度(Ni),雪晶数浓度(Ns),霰数浓度(Ng)等微物理量。在主要降水云中冰相粒子往往起着重要作用,如冰晶、雪晶、霰等,它们大小不同、物理性质也有很大差异。为了更好地考虑气溶胶粒子对云的影响粒子的尺度分布普伽马分布形式,即:


 
\({\mathrm{N}}_{\mathrm{x}}\left(\mathrm{D}\right)={\mathrm{N}}_{0\mathrm{x}}{\mathrm{D}}_{\mathrm{x}}^{{\mathrm{\alpha }}_{\mathrm{x}}}\mathrm{exp}\left(-{\mathrm{\lambda }}_{\mathrm{x}}{\mathrm{D}}_{\mathrm{x}}\right)                                                                                                                   \left(1\right)\)
式中:\(\mathrm{x}\)代表云滴、雨滴、冰晶、雪晶和霰五种水凝物中的一种。\({\mathrm{N}}_{0\mathrm{x}}\)是初始数浓度,\({\mathrm{\lambda }}_{\mathrm{x}}\)是斜率,\({\mathrm{\alpha }}_{\mathrm{x}}\)是分布形态。通常假设粒子的质量与它本身的粒子半径有关:


 
式中:\({ A}_{mx} \)\({\mathrm{ }\mathrm{B}}_{mx}\)都是系数(Irving,1972;Mitchell et al,1990;Meyers et al,1992)。对于粒径尺度为\({D}_{x}\)的粒子末速度\(\mathrm{ }{V}_{x}\left({D}_{x}\right)\),可以根据:
\({\mathrm{V}}_{\mathrm{x}}\left({\mathrm{D}}_{\mathrm{x}}\right)={\mathrm{A}}_{\mathrm{v}\mathrm{x}}{\mathrm{D}}_{\mathrm{x}}^{{\mathrm{B}}_{\mathrm{v}\mathrm{x}}}                                                                                                                                         \left(3\right)\)
式中:\({A}_{vx}\)\({\mathrm{ }\mathrm{B}}_{vx}\)均为系数。
式中:Amx和Bmx都是系数(Irving,1972;Mitchell et al,1990;Meyers et al,1992)。对于粒径尺度为Dx的粒子末速度 Vx (Dx),可以根据:


 
式中:Avx和Bvx均为系数。
在本论文中的气溶胶模块主要的种类包括硫酸盐气溶胶,硝酸盐气溶胶,有机碳,黑碳以及沙尘气溶胶。对于CCN和IN,干气溶胶活化的临界半径利用(Kreidenweis,2007;Petters and Kreidenweis,2008)发展的𝑘-𝐾öh𝑙𝑒𝑟公式:


 
如果活化的云凝结核半径小于0.03 μm,在水解平衡条件下计算CCN上的凝结的云滴质量,否则,在过饱和度为0时CCN上云滴的凝结质量由下式计算:


 
式中: 3<K<8(Khain et al,2000)。对于云内冰晶的异质凝结的参数化方案选择(Phillips et al,2008;Phillips et al,2013)进行处理。此参数化方案主要考虑到冰核的化学性质和表面积,其中冰核主要是沙尘粒子,黑碳和有机碳。此外,冰核活化参数化方案中也考虑了接触冻结、侵入冻结和凝结冻结三种冻结方式。
1.2 模式的微物理过程
暖云过程中最关键的步骤是云中大云滴收集较小的云滴并生成为胚胎雨滴,即自动转换的过程。本论文的双参数化方案的微物理过程包含了云滴、雨滴、冰晶、雪晶和霰粒子的32个微物理过程。其中包括:(1)云滴粒子自动转化为雨滴或霰,冰晶粒子自动转化成雪晶和雪晶自动转化成霰。(2)云滴粒子和雨滴粒子的冻结。(3)冰晶粒子、霰粒子和雪晶粒子的融化。(4)冰晶粒子的核化。(5)云滴粒子由雨滴粒子、冰晶粒子、雪晶、霰的繁生过程。(6)冰晶粒子由雨滴、雪晶和霰的繁生过程。(7)雨滴粒子由冰晶、雪晶和霰粒子的繁生过程。(8)雪晶粒子由雨滴和霰粒子的繁生过程。(9)雨滴粒子、云滴粒子、冰晶粒子、雪晶粒子的繁生过程。(10)云滴粒子、雨滴粒子的凝结蒸发过程。(11)冰晶粒子、雪晶粒子、霰粒子的升华过程。这些不同的水凝物粒子之间的转化速率与计算方案是根据(Wang and Chang,1993;Lou et al,2003;Li et al,2008b)等改进的方案计算的。冰晶的初始生成是通过凝华核化过程,浸入冻结过程以及接触冻结过程完成的。冰晶的二次生成过程是根据(Hallett and Mossop,1974)中的方案计算得到的,并假定冰晶、雪晶和霰粒子的融化发生在冰点以下,只有液态水存在于溶点以下。其中描述微物理过程参数化方案的各类方程组以及各种水成物粒子谱和下落末速度公式详见Li et al(2008b),不再赘述。
1.3 气溶胶粒子的粒径分布
本论文利用CR-WRF(云分辨中尺度数值)模式,其水平方向分辨率为1 km,垂直方向分辨率为0.25 km。模式模拟(XYZ)方向上格点为200\(×\)200\(×\)80的三维区域。本次模拟实验水平范围为200\(\mathrm{ }\mathrm{k}\mathrm{m}\mathrm{ }×\mathrm{ }\)200\(\mathrm{ }\mathrm{k}\mathrm{m}\),垂直高度为20\(\mathrm{ }\mathrm{k}\mathrm{m}\)。模拟选用开放的边界条件和水平梯度为0的侧边界条件。模拟的时间为120\( \mathrm{m}\mathrm{i}\mathrm{n}\),时间步长2\( \mathrm{s}\)
本次模拟实验使用的观测数据是2014年8月24日08:00 UTC(世界时)华北平原地区(114\(°21\mathrm{\text{'}}\mathrm{E}\),37\(°\)10′\(12″\mathrm{N}\),181\( \mathrm{m}\mathrm{ }\mathrm{a}.\mathrm{s}.\mathrm{l}.\))的探空数据(图1)。其对流有效势能为651\(\mathrm{ }{\mathrm{k}\mathrm{g}}^{-1}\)。夏季\(0\mathrm{℃}\)一般在地表之上5\( \mathrm{k}\mathrm{m}\)处。当气块受到扰动后,由于气块内部的温度高于外界,气块变的不稳定,从而引起上升运动,上升过程中气块发生假绝热凝结,从而从形成云。在华北平原地区(NCP)气块需要上升到4\(\mathrm{ }\mathrm{k}\mathrm{m}\)才能形成云。本次模拟实验中,积云的发生发展是由一个15\(\mathrm{ }\mathrm{k}\mathrm{m}\)宽的热泡扰动形成的,在海拔1.5\(\mathrm{ }\mathrm{k}\mathrm{m}\)处的最大温度扰动值为4\(\mathrm{℃}\)(Li et al,2008b),且本次模拟的时间为2小时。将云凝结核(CCN)浓度分为90\(\mathrm{ }{\mathrm{c}\mathrm{m}}^{-3}\)(LCCN),900\( {\mathrm{c}\mathrm{m}}^{-3}\)(MCCN)和9000\(\mathrm{ }{\mathrm{c}\mathrm{m}}^{-3}\)(HCCN)三个浓度值作为背景浓度。令黑碳气溶胶(BC)作为冰核(IN),改变其浓度值,在2\( {\mathrm{c}\mathrm{m}}^{-3}\)到2000\({\mathrm{ }\mathrm{c}\mathrm{m}}^{-3}\)浓度下分析IN对NCP地区积云发展的影响。
本论文利用CR-WRF(云分辨中尺度数值)模式,其水平方向分辨率为1 km,垂直方向分辨率为0.25 km。模式模拟(X,Y,Z)方向上格点为200×200×80的三维区域。本次模拟实验水平范围为200 km×200 km,垂直高度为20 km。模拟选用开放的边界条件和水平梯度为0的侧边界条件。模拟的时间为120 min,时间步长2 s。
本次模拟实验使用的观测数据是2014年8月24日08:00 UTC(世界时)华北平原地区(114°21′E,37°10′12″N,181 m a.s.l.)的探空数据(图1)。其对流有效势能为651 kg−1。夏季0℃一般在地表之上5 km处。当气块受到扰动后,由于气块内部的温度高于外界,气块变的不稳定,从而引起上升运动,上升过程中气块发生假绝热凝结,从而从形成云。在华北平原地区(NCP)气块需要上升到4 km才能形成云。本次模拟实验中,积云的发生发展是由一个15 km宽的热泡扰动形成的,在海拔1.5 km处的最大温度扰动值为4℃(Li et al,2008b),且本次模拟的时间为2小时。将云凝结核(CCN)浓度分为90 cm−3(LCCN),900 cm−3(MCCN)和9000 cm−3(HCCN)三个浓度值作为背景浓度。令黑碳气溶胶(BC)作为冰核(IN),改变其浓度值,在2 cm−3到2000 cm−3浓度下分析IN对NCP地区积云发展的影响。


图1   利用华北平原(114°21'E,37°10′12″N,181 m a.s.l.)2014年8月24日08:00的探空数据的热力廓线图
黑色线代表温度,蓝色线代表露点温度。The black line corresponds to the temperature, and the blue line represents the dew point temperature.
Fig.1 Atmospheric sounding over North China Plain (114°21'E, 37°10′12″N, 181 m a.s.l.) at 08:00 UTC on 24 August 2014
为了更加系统地评估CCN和IN的浓度变化对华北平原地区积云发展的影响,本次试验中运用了Population mean(P-mean)计算方法。其物理意义为:在研究区域内满足条件的网格点和固定积分间隔的固定变量之间的平均(Binkowskiet al,2003;Wang,2005)。其表达式为:


 
式中:C代表给定的粒子数总量,该计算仅适用于一种水凝物或者几种水凝物的质量浓度q和数浓度n的总和在给定的格点区域范围内超过设定的最小值。在给定的总个点数,输出的时间步长t处的网格点的总数由\(N\left(t\right)\)表示。
2 结果分析
在积云微物理过程的研究中气溶胶起着非常重要的作用,云内各物理过程的发生发展与气溶胶有着密切的关系。本文在CR-WRF模式中耦合了气溶胶核化的双参数化微物理方案,通过改变模式中气溶胶的初始浓度值来探讨了云内其他微物理过程对IN变化的响应。在不同浓度的CCN背景条件下,通过不断改变BC的浓度,探讨了积云的发生发展以及降水过程。
2.1 冰晶、雪晶和霰粒子对IN的响应
由于云中的五种水成物粒子中冰晶、雪晶以及霰粒子对于IN的响应比较敏感,因此首先讨论它们的微物理过程。图2和图3显示的是模式模拟的在P-mean算法下计算的华北平原地区积云内冰晶、雪晶以及霰粒子的质量浓度随着BC的增加而变化的趋势。其中,以HCCN代表污染的大气条件,即CCN浓度为9000\( {cm}^{-3}\)的情况,用红色点线表示;MCCN代表比较干净的大气环境,其CCN浓度值为900\( {cm}^{-3}\),以绿色点线表示;LCCN代表背景浓度的大气条件,CCN浓度定为90\( {cm}^{-3}\),以蓝色点线表示。此外,令BC的质量浓度从2\( {cm}^{-3}\)增加至2000\({ cm}^{-3}\)来分析积云内各微物理过程的变化情况。
由于云中的五种水成物粒子中冰晶、雪晶以及霰粒子对于IN的响应比较敏感,因此首先讨论它们的微物理过程。图2和图3显示的是模式模拟的在P-mean算法下计算的华北平原地区积云内冰晶、雪晶以及霰粒子的质量浓度随着BC的增加而变化的趋势。其中,以HCCN代表污染的大气条件,即CCN浓度为9000 cm−3的情况,用红色点线表示;MCCN代表比较干净的大气环境,其CCN浓度值为900 cm−3,以绿色点线表示;LCCN代表背景浓度的大气条件,CCN浓度定为90 cm−3,以蓝色点线表示。此外,令BC的质量浓度从2 cm−3增加至2000 cm−3)来分析积云内各微物理过程的变化情况。


图2   模式模拟的P-mean算法下计算的Cu-NCP中冰晶数浓度随CCN和IN的增长而变化的趋势
红色点线表示HCCN:代表污染的大气条件,CCN浓度为9000〖cm〗^(-3);绿色点线表示MCCN:代表比较干净的大气环境,CCN浓度值为900〖cm〗^(-3);蓝色点线表示LCCN:代表背景浓度的大气条件,CCN浓度定位90〖cm〗^(-3)。The red line (HCCN) represents the polluted conditions with the CCN of 9000 cm-3; the green line (MCCN) represents the clean conditions with CCN of 900 cm-3; the blue line (LCCN) represents the background conditions with the CCN of 90 cm-3.
Fig.2 Modeled P-mean of ice number concentration as a function of the initial IN and CCN in Cu-NCP
形成冰晶粒子时对IN浓度要求不是很高。在实际大气环境中IN含量往往非常少,但这少量的IN就可以活化形成冰晶粒子,从而对云微物理过程起到不可忽视的重要作用。图2是不同的CCN浓度下冰晶粒子的数浓度随BC浓度的变化情况,其中冰晶质量浓度的单位为:\({\mathrm{g}\mathrm{ }\mathrm{c}\mathrm{m}}^{-3}\)。由图2可知:随着BC的增长冰晶粒子的浓度在三种情况下(即LCCN、MCCN和HCCN情况下)都呈现缓慢增长的趋势。其中,当BC浓度较低(低于\({10}^{3}\mathrm{ }{\mathrm{c}\mathrm{m}}^{-3}\))时,LCCN条件下的冰晶数浓度高于MCCN和HCCN的条件;当BC浓度低于\({10}^{2} {\mathrm{c}\mathrm{m}}^{-3}\)时,MCCN条件下生成的冰晶粒子数浓度也高于HCCN的条件下。这是由于在CCN比较少的情况下,CCN凝结形成云滴粒子的数浓度也低,为冰晶粒子的核化过程提供了足够的过饱和水汽。当BC浓度开始增加时,MCCN和LCCN的情况下,由于IN异质核化过程使云内的水汽直接凝华形成冰晶粒子,从而出现了LCCN情况下的冰晶粒子质量浓度大于HCCH条件下的质量浓度的情况。
通常在温度相同的条件下,冰面的饱和水汽压低于水面的饱和水汽压,并且当温度小于等\(-10\mathrm{ }\mathrm{℃}\mathrm{ }\)时,S大于等于10%,冰面已处于饱和状态,并且有利于冰晶的核化。从图2可知:当BC浓度大到一定程度(大于\({10}^{3}{\mathrm{ }\mathrm{c}\mathrm{m}}^{-3}\))时,云内冰晶粒子会瞬间迅速增长,并且HCCN情况下的增长速度比MCCN和LCCN情况下的快。这是由于,当凝结潜热释放环境温度增大时会引起上升速度的增大,使水汽抬升致凝结高度以上增强了凝结核化过程导致。从而在积云发展过程中,当云内相变释放潜热,使对流增强,从而加速冰晶生成的过程。另一方面,也有学者指出,当温度更低时也会出现其他繁生机制,例如大的液滴破裂或冰晶粒子破碎等(Lawson et al,2015;Cziczo et al,2017)。根据H-M提出的冰晶繁生机制,当温度在\(-3—-8\mathrm{ }\mathrm{℃}\mathrm{ }\)时由过冷水滴和冰晶粒子的碰并产生次生冰晶(Hallett and Mossop,1974)。由此可判断,由于HCCN情况下有云内产生更多的过冷水滴,随着BC的增加冰晶粒子开始增长,并且由于次生冰晶的产生,产生冰晶粒子的速率会增大。因此,随着BC浓度的不断增强HCCN条件下的冰晶数浓度逐渐大于LCCN和MCCN的情况。
图3给出了雪晶粒子随BC浓度的增长而变化的趋势。雪晶粒子是在云温低于\(0\mathrm{ }\mathrm{℃}\mathrm{ }\)时,水汽扩散在冰晶表面上的沉积形成的。通常以线性尺度\(30\mathrm{ }\mathrm{\mu }\mathrm{m}\mathrm{ }\)作为冰晶和雪晶的分界线。图中显示,在相同的CCN背景浓度条件下,雪晶粒子随BC的增长均呈现了增长的趋势,但是在LCCN条件下雪晶粒子的形成率大于HCCN条件下;而在HCCN条件下雪晶粒子数浓度也大于MCCN条件下。这是由于,雪晶粒子的增长机制类似于冰晶粒子,当冰晶与云中过冷水滴共存时,由于冰面饱和水汽压低于在同温下水面饱和水汽压,使得雪晶能够获得增长优势。因此在LCCN条件下冰晶粒子比其他两种情况多,而HCCN情况下过冷水滴也会比较多,因此这两种情况都有利于雪晶的增长。而随着BC的不断增大,最后出现了三条线几乎相交集的情况。并且也可以较明显的看出,在HCCN条件下雪晶数浓度上升的速度大于LCCN条件下。由此也可证实,冰晶和过冷水滴含量共同作用于雪晶粒子形成的过程。
图4显示了霰粒子数浓度随着BC浓度的增长而变化的趋势。冰晶与过冷水滴碰冻过程中形成的白色不透明的软雹称作霰。与霰粒子有关的微物理过程繁多,其中包括冰晶碰并霰粒子,冰晶碰并雨滴粒子,雨滴碰并冰晶粒子,霰碰并云滴粒子,雨滴冻结成霰粒子,冰晶转化为霰粒子等。对于霰粒子的分布和形成过程,最近也有研究指出云内冰水含量在\(2—6\mathrm{ }\mathrm{g}{\cdot \mathrm{m}}^{-3}\)区间时,冰晶粒子浓度比较高,而霰粒子的浓度相对很低(Fridlind et al,2015;Gayet et al,2012)。由图4可知:在LCCN条件下随着BC浓度的增长霰粒子整体变化不大,增长趋势不够明显。与此同时,在HCCN条件下,随着BC的增长霰粒子数浓度呈现比较明显的增长趋势。由此可知在HCCN的条件下,加入BC而形成的冰晶粒子会与过冷水滴产生淞附过程,从而形成较多的霰粒子。但是由于通过此过程形成的霰粒子粒径尺度较小,在下降过程中很容易挥发掉,因此对有效降水的贡献很小。


图3   模式模拟的P-mean算法下计算的Cu-NCP中不同CCN条件下霰粒子数浓度随IN增长而变化的趋势
Fig.3 Modeled P-mean of snow number concentration as a function of the initial IN and CCN in Cu-NCP
形成冰晶粒子时对IN浓度要求不是很高。在实际大气环境中IN含量往往非常少,但这少量的IN就可以活化形成冰晶粒子,从而对云微物理过程起到不可忽视的重要作用。图2是不同的CCN浓度下冰晶粒子的数浓度随BC浓度的变化情况,其中冰晶质量浓度的单位为:g ∙ cm−3)。由图2可知:随着BC的增长冰晶粒子的浓度在三种情况下(即LCCN、MCCN和HCCN情况下)都呈现缓慢增长的趋势。其中,当BC浓度较低(低于103 cm−3)时,LCCN条件下的冰晶数浓度高于MCCN和HCCN的条件;当BC浓度低于102 cm−3时,MCCN条件下生成的冰晶粒子数浓度也高于HCCN的条件下。这是由于在CCN比较少的情况下,CCN凝结形成云滴粒子的数浓度也低,为冰晶粒子的核化过程提供了足够的过饱和水汽。当BC浓度开始增加时,MCCN和LCCN的情况下,由于IN异质核化过程使云内的水汽直接凝华形成冰晶粒子,从而出现了LCCN情况下的冰晶粒子质量浓度大于HCCH条件下的质量浓度的情况。
通常在温度相同的条件下,冰面的饱和水汽压低于水面的饱和水汽压,并且当温度小于等−10℃ 时,S大于等于10%,冰面已处于饱和状态,并且有利于冰晶的核化。从图2可知:当BC浓度大到一定程度(大于103 cm−3)时,云内冰晶粒子会瞬间迅速增长,并且HCCN情况下的增长速度比MCCN和LCCN情况下的快。这是由于,当凝结潜热释放环境温度增大时会引起上升速度的增大,使水汽抬升致凝结高度以上增强了凝结核化过程导致。从而在积云发展过程中,当云内相变释放潜热,使对流增强,从而加速冰晶生成的过程。另一方面,也有学者指出,当温度更低时也会出现其他繁生机制,例如大的液滴破裂或冰晶粒子破碎等(Lawson et al,2015;Cziczo et al,2017)。根据H-M提出的冰晶繁生机制,当温度在−3 — −8 ℃ 时由过冷水滴和冰晶粒子的碰并产生次生冰晶(Hallett and Mossop,1974)。由此可判断,由于HCCN情况下有云内产生更多的过冷水滴,随着BC的增加冰晶粒子开始增长,并且由于次生冰晶的产生,产生冰晶粒子的速率会增大。因此,随着BC浓度的不断增强HCCN条件下的冰晶数浓度逐渐大于LCCN和MCCN的情况。
图3给出了雪晶粒子随BC浓度的增长而变化的趋势。雪晶粒子是在云温低于0℃ 时,水汽扩散在冰晶表面上的沉积形成的。通常以线性尺度30 μm 作为冰晶和雪晶的分界线。图中显示,在相同的CCN背景浓度条件下,雪晶粒子随BC的增长均呈现了增长的趋势,但是在LCCN条件下雪晶粒子的形成率大于HCCN条件下;而在HCCN条件下雪晶粒子数浓度也大于MCCN条件下。这是由于,雪晶粒子的增长机制类似于冰晶粒子,当冰晶与云中过冷水滴共存时,由于冰面饱和水汽压低于在同温下水面饱和水汽压,使得雪晶能够获得增长优势。因此在LCCN条件下冰晶粒子比其他两种情况多,而HCCN情况下过冷水滴也会比较多,因此这两种情况都有利于雪晶的增长。而随着BC的不断增大,最后出现了三条线几乎相交集的情况。并且也可以较明显的看出,在HCCN条件下雪晶数浓度上升的速度大于LCCN条件下。由此也可证实,冰晶和过冷水滴含量共同作用于雪晶粒子形成的过程。
图4显示了霰粒子数浓度随着BC浓度的增长而变化的趋势。冰晶与过冷水滴碰冻过程中形成的白色不透明的软雹称作霰。与霰粒子有关的微物理过程繁多,其中包括冰晶碰并霰粒子,冰晶碰并雨滴粒子,雨滴碰并冰晶粒子,霰碰并云滴粒子,雨滴冻结成霰粒子,冰晶转化为霰粒子等。对于霰粒子的分布和形成过程,最近也有研究指出云内冰水含量在2 —6 g ∙ m−3区间时,冰晶粒子浓度比较高,而霰粒子的浓度相对很低(Fridlind et al,2015;Gayet et al,2012)。由图4可知:在LCCN条件下随着BC浓度的增长霰粒子整体变化不大,增长趋势不够明显。与此同时,在HCCN条件下,随着BC的增长霰粒子数浓度呈现比较明显的增长趋势。由此可知在HCCN的条件下,加入BC而形成的冰晶粒子会与过冷水滴产生淞附过程,从而形成较多的霰粒子。但是由于通过此过程形成的霰粒子粒径尺度较小,在下降过程中很容易挥发掉,因此对有效降水的贡献很小。
图5显示了不同的CCN和IN浓度下,积云内冰晶、雪晶以及霰粒子的时间尺度平均的垂直廓线。其中,计算各水凝物的截面质量时,首先在水平方向上对各水凝物的质量进行求和再除以网格点数得到的平均值。气溶胶浓度的增加通常会抑制暖云发展,但会提供更多的冰晶粒子和过冷水滴加速IN的核化过程。本次模拟实验中,我们同时考虑了冰晶的均质核化、质核化和冰晶繁生机制。为了便于对比,在模拟实验中使BC的浓度分了三个等次,分别以蓝色线代表20\({ m}^{-3}\),以绿色线代表200\({ m}^{-3}\),以红色线代表2000\({ m}^{-3}\)的情况,表示了BC浓度较低到高的情形。图中从左到右依次表示HCCN,MCCN和LCCN的条件;从上到下表示,冰晶与雪晶粒子的总含量和霰粒子含量的垂直阔线。


图4   模式模拟的P-mean算法下计算的Cu-NCP中不同CCN条件下霰粒子数浓度随IN增长而变化的趋势
Fig.4 Modeled P-mean of graupel number concentration as a function of the initial IN and CCN in Cu-NCP.
蓝色线表示IN浓度为\(\mathrm{ }20{\mathrm{c}\mathrm{m}}^{-3}\),绿色钱表示IN浓度为\(20{0\mathrm{c}\mathrm{m}}^{-3}\),红色线表示IN浓度为\(2000{\mathrm{c}\mathrm{m}}^{-3}\)的情况;从左至右分别为HCCN,MCCN和LCCN的情况;从上倒下分别表示云内冰晶与雪晶粒子的总含量以及霰粒子总含量。
Under background (\(20{\mathrm{c}\mathrm{m}}^{-3}\), blue), clean (200 \({\mathrm{c}\mathrm{m}}^{-3}\), green), and polluted (2000 \({\mathrm{c}\mathrm{m}}^{-3}\), red) (IN); under HCCN case (a1, b1), MCCN case (a2, b2), and LCCN case (a3, b3) for ice particles (ice + snow) (from a1 to a3), and graupel (from b1 to b3) in Cu-NCP, respectively.
图5显示了不同的CCN和IN浓度下,积云内冰晶、雪晶以及霰粒子的时间尺度平均的垂直廓线。其中,计算各水凝物的截面质量时,首先在水平方向上对各水凝物的质量进行求和再除以网格点数得到的平均值。气溶胶浓度的增加通常会抑制暖云发展,但会提供更多的冰晶粒子和过冷水滴加速IN的核化过程。本次模拟实验中,我们同时考虑了冰晶的均质核化、质核化和冰晶繁生机制。为了便于对比,在模拟实验中使BC的浓度分了三个等次,分别以蓝色线代表20 m−3,以绿色线代表200 m−3,以红色线代表2000 m−3的情况,表示了BC浓度较低到高的情形。图中从左到右依次表示HCCN,MCCN和LCCN的条件;从上到下表示,冰晶与雪晶粒子的总含量和霰粒子含量的垂直阔线。


图5   云内不同水凝物在不同CCN和IN条件下,时间尺度平均的垂直分布廓线
Fig.5 Vertical profiles of time-averaged masses of hydrometeors
蓝色线表示IN浓度为 20cm^(-3),绿色钱表示IN浓度为20〖0cm〗^(-3),红色线表示IN浓度为2000cm^(-3)的情况;从左至右分别为HCCN,MCCN和LCCN的情况;从上倒下分别表示云内冰晶与雪晶粒子的总含量以及霰粒子总含量。Under background (20cm^(-3), blue), clean (200 cm^(-3), green), and polluted (2000 cm^(-3), red) (IN); under HCCN case (a1, b1), MCCN case (a2, b2), and LCCN case (a3, b3) for ice particles (ice + snow) (from a1 to a3), and graupel (from b1 to b3) in Cu-NCP, respectively.
由图2和图3可知:在积云微物理过程中,HCCN条件下冰晶粒子和雪晶粒子都随IN的增长而增长并且均达到了最高值,而在干净背景条件下则形成的冰晶粒子和雪晶粒子都很少。因此计算垂直阔线时我们考虑冰晶粒子和雪晶粒子的总含量。此外,在平原上积云内冰晶粒子和雪晶粒子通常在\(4—6\mathrm{ }\mathrm{k}\mathrm{m}\mathrm{ }\)高度范围内开始形成,由图5(a1、a2、a3)中得出的结论基本与这相符。从图5(a1、a2)可知,在CCN浓度高的环境,即HCCN和MCCN的情况下,冰晶和雪晶粒子含量虽BC的增长而增长。并且在\(10—11\mathrm{ }\mathrm{k}\mathrm{m}\mathrm{ }\)处出现峰值,当BC浓度很高时冰晶和雪晶总含量可达\(\mathrm{ }0.1\mathrm{ }\mathrm{g}\bullet {cm}^{-3}\)。而从图5a3得出,在LCCN条件下三条线几乎重合,表明BC的增长对于冰晶和雪晶总含量的变化影响不是很大。
由图5(b1、b2)可知:在CCN较高的情况下云中霰粒子的总含量随BC浓度的增长而增长,并且在HCCN和MCCN情况下随高度的增加出现了两个峰值。分别为5\(—\)6\(\mathrm{ }\mathrm{k}\mathrm{m}\mathrm{ }\)和10\(—\)11\(\mathrm{ }\mathrm{k}\mathrm{m}\)处,当BC浓度也达到最高浓度时其值约为0.4\(\mathrm{ }\mathrm{g}\mathrm{ }{\mathrm{c}\mathrm{m}}^{-3}\mathrm{ }\)和0.3\(\mathrm{ }\mathrm{g}\mathrm{ }{\mathrm{c}\mathrm{m}}^{-3}\)。这是因为,在10\(—\)11\(\mathrm{ }\mathrm{k}\mathrm{m}\mathrm{ }\)处形成的霰粒子向下降落到达5\(—\)6\(\mathrm{ }\mathrm{k}\mathrm{m}\mathrm{ }\)时,由于降落过程中温度增高,霰粒子开始融化,当落到凝结高度以下后,形成更多的云滴和雨滴粒子,而这些小液滴又与冰晶粒子通过碰并、淞附、沉积等过程重新形成霰粒子所致。值得注意的是积云内形成的冰晶、雪晶和霰粒子可以到达8\(\mathrm{ }\mathrm{k}\mathrm{m}\mathrm{ }\)以上,甚至10\(\mathrm{ }\mathrm{k}\mathrm{m}\mathrm{ }\)以上。这说明云内有很强的上升气流,会使更多的水汽输送到对流层上层。
由图2和图3可知:在积云微物理过程中,HCCN条件下冰晶粒子和雪晶粒子都随IN的增长而增长并且均达到了最高值,而在干净背景条件下则形成的冰晶粒子和雪晶粒子都很少。因此计算垂直阔线时我们考虑冰晶粒子和雪晶粒子的总含量。此外,在平原上积云内冰晶粒子和雪晶粒子通常在4 — 6 km 高度范围内开始形成,由图5(a1、a2、a3)中得出的结论基本与这相符。从图5(a1、a2)可知,在CCN浓度高的环境,即HCCN和MCCN的情况下,冰晶和雪晶粒子含量虽BC的增长而增长。并且在10 — 11 km 处出现峰值,当BC浓度很高时冰晶和雪晶总含量可达 0.1 g ∙ cm−3。而从图5a3得出,在LCCN条件下三条线几乎重合,表明BC的增长对于冰晶和雪晶总含量的变化影响不是很大。
由图5(b1、b2)可知:在CCN较高的情况下云中霰粒子的总含量随BC浓度的增长而增长,并且在HCCN和MCCN情况下随高度的增加出现了两个峰值。分别为5 — 6 km 和10 — 11 km处,当BC浓度也达到最高浓度时其值约为0.4 g ∙ cm−3和0.3 g ∙ cm−3。这是因为,在10 — 11 km 处形成的霰粒子向下降落到达5 — 6 km 时,由于降落过程中温度增高,霰粒子开始融化,当落到凝结高度以下后,形成更多的云滴和雨滴粒子,而这些小液滴又与冰晶粒子通过碰并、淞附、沉积等过程重新形成霰粒子所致。值得注意的是积云内形成的冰晶、雪晶和霰粒子可以到达8 km 以上,甚至10 km 以上。这说明云内有很强的上升气流,会使更多的水汽输送到对流层上层。
2.2 云滴粒子和云水含量对IN的响应
图6表示了模式模拟的结果在P-mean算法下计算的云滴粒子数浓度和云滴有效半径随BC浓度的增加而变化的趋势。从图6a中可以看出:云滴数浓度在不同的CCN浓度背景下表现出比较大的差异。在HCCN情况下,有更多的CCN被活形成云滴粒子,并且在水汽凝结过程中由于释放潜热,使得上升速度增大,为凝结核化过程进一步提供水汽。因此,在HCCN浓度下出现的云滴数浓度就会很高。此外,云滴数浓度随BC的增加而变化的趋势不是非常明显,由此也可知云滴粒子对IN的响应较小。
相比之下,由图6b可知:云滴有效半径(\({\mathrm{r}}_{\mathrm{e}\mathrm{f}\mathrm{f}}\))随CCN浓度的增加呈现了减少的趋势。进一步分析得出,在相同的CCN背景浓度下,\({\mathrm{r}}_{\mathrm{e}\mathrm{f}\mathrm{f}} \)随着BC的增加也呈现出了减少的趋势。并且分别计算其减小的范围后得出,在LCCN浓度下\({\mathrm{r}}_{\mathrm{e}\mathrm{f}\mathrm{f}} \)从13.34\(\mathrm{ }\mathrm{\mu }m\mathrm{ }\)缓慢减少至13.04\(\mathrm{ }\mathrm{\mu }m\);在MCCN条件下从10.45\(\mathrm{ }\mathrm{\mu }m\mathrm{ }\)降到9.63\(\mathrm{ }\mathrm{\mu }m\);而在HCCN情况下则从7.03\(\mathrm{ }\mathrm{\mu }m\mathrm{ }\)减少到5.69\(\mathrm{ }\mathrm{\mu }m\)。由此可知在HCCN浓度下\({\mathrm{r}}_{\mathrm{e}\mathrm{f}\mathrm{f}}\) 减小的比较快。这是由于,CCN多的时候随着BC的增加,凝结核化过程比较丰富,从而湍流增大使得云滴粒子半径减小所致。


图6   模式模拟的P-mean算法下计算的云滴数浓度(a)和云滴有效半径(b)在不同的CCN背景下随IN的增长而变化的趋势
Fig.6 Modeled P-mean of cloud droplet number concentration (a) and effective radius (b) as a function of the initial IN and CCN in Cu-NCP
相比之下,由图6b可知:云滴有效半径(reff)随CCN浓度的增加呈现了减少的趋势。进一步分析得出,在相同的CCN背景浓度下,reff随着BC的增加也呈现出了减少的趋势。并且分别计算其减小的范围后得出,在LCCN浓度下reff从13.34 μm 缓慢减少至13.04 μm;在MCCN条件下从10.45 μm降到9.63 μm;而在HCCN情况下则从7.03 μm 减少到5.69 μm。由此可知在HCCN浓度下reff 减小的比较快。这是由于,CCN多的时候随着BC的增加,凝结核化过程比较丰富,从而湍流增大使得云滴粒子半径减小所致。
图7给出了模式模拟的在P-mean算法下计算的,积云内云水含量(CWC)和过冷云水含量(SCWC)随BC的增长而变化的趋势。从图可知,当CCN浓度不变的情况下,CWC和SCWC均随BC浓度的增长而增长。这是因为,在HCCN情况下,云内上升气流增强,从而产生更多的云滴粒子,因此云水含量和过冷水含量都随着BC浓度的增加而增加。此外,在MCCN和LCCN情况下,由于上升速度随着BC的增加而增加的不够不明显,因此云水含量和过冷水含量也相应没有明显的变化。


图7   模式模拟的P-mean算法下计算的云水含量(CWC)(a)和过冷云水含量(SCWC)(b)在不同的CCN背景下随BC浓度的增长而变化的趋势
Fig.7 Modeled P-mean of cloud water mass concentration (a) and supercooled cloud water mass concentration (b) as a function of the initial BC in the Cu-NCP
2.3 云内对流强度对IN的响应
图8显示模式模拟的结果在P-mean算法下计算的华北平原地区积云内对流中心强度随BC浓度的增长而变化的趋势。其中对流中心区域的定义是根据Wang(2005)提出的:垂直风速大于\(\mathrm{ }1\mathrm{ }{\mathrm{m}\mathrm{ }\mathrm{s}}^{-1}\)同时满足云内液态水含量的总和大于\({10}^{-2}\mathrm{ }\mathrm{g}\bullet {\mathrm{K}\mathrm{g}}^{-1}\)来计算。从图8a中可知:CCN不变的情况下,上升速度随BC浓度的增长而增长。在HCCN条件下,上升速度从2.61\(\mathrm{ }{\mathrm{ }\mathrm{m}\mathrm{ }\mathrm{s}}^{-1}\)增大至2.84\(\mathrm{ }{\mathrm{m}\mathrm{ }\mathrm{s}}^{-1}\);在MCCN条件下,上升速度从2.31\(\mathrm{ }\mathrm{ }{\mathrm{m}\mathrm{ }\mathrm{s}}^{-1}\)增加到2.52\(\mathrm{ }{\mathrm{m}\mathrm{ }\mathrm{s}}^{-1}\);在LCCN条件下,上升速度从2.04\(\mathrm{ }\mathrm{ }{\mathrm{m}\mathrm{ }\mathrm{s}}^{-1}\)增长为2.14\(\mathrm{ }\mathrm{ }{\mathrm{m}\mathrm{ }\mathrm{s}}^{-1}\)。由此可知,在HCCN条件下,上升速度增加的更加迅速。这是由于CCN多的时候被核化的云滴粒子增多,随着BC浓度的增加通过异质核化过程产生更多冰晶粒子,从而使冰晶粒子和过冷水滴的碰并过程增强,云内混合相过程得到发展,潜热释放导致上升气流的进一步增强。
图8显示模式模拟的结果在P-mean算法下计算的华北平原地区积云内对流中心强度随BC浓度的增长而变化的趋势。其中对流中心区域的定义是根据Wang(2005)提出的:垂直风速大于 1 m ∙ s−1同时满足云内液态水含量的总和大于10−2 g ∙ kg−1来计算。从图8a中可知:CCN不变的情况下,上升速度随BC浓度的增长而增长。在HCCN条件下,上升速度从2.61 m ∙ s−1增大至2.84 m ∙ s−1;在MCCN条件下,上升速度从2.31 m ∙ s−1增加到2.52 m ∙ s−1;在LCCN条件下,上升速度从2.04 m s−1增长为2.14 m ∙ s−1。由此可知,在HCCN条件下,上升速度增加的更加迅速。这是由于CCN多的时候被核化的云滴粒子增多,随着BC浓度的增加通过异质核化过程产生更多冰晶粒子,从而使冰晶粒子和过冷水滴的碰并过程增强,云内混合相过程得到发展,潜热释放导致上升气流的进一步增强。


图8   模式模拟的P-mean算法下计算的对流中心上升气流速度(a)和对流中心下沉气流速度(b)随着CCN和IN的增大而变化的趋势(定义垂直速度必须大于1〖m s〗^(-1))
Fig.8 Modeled P-mean of updraft (a) and downdraft (b) in the core area (defined as an area where the absolute vertical of wind is greater than 1 〖m s〗^(-1) and the total condensed water content exceeds 10^(-2) g kg^(-1)) as a function of the initial IN and CCN in Cu-NCP
而对于下沉气流,从图8b可以看出:在LCCN条件下对流中心下沉气流最弱,但下沉速度从1.48\( {\mathrm{m}\mathrm{ }\mathrm{s}}^{-1}\)缓慢改变到1.53\(\mathrm{ }{\mathrm{m}\mathrm{ }\mathrm{s}}^{-1}\),可以看出对流中心下沉气流随着BC浓度的增大而增大。由此可知,当CCN浓度很低时,下沉速度会受BC的影响,BC增大则下沉速度增大。这是由于LCCN情况下霰粒子数浓度增多并且会下沉,因此增强了云内的下沉气流。在MCCN和HCCN条件下,当CCN背景浓度相同时,下沉气流随着BC的增大而减小。这是由于HCCN条件下有更多CCN被活化成云滴粒子,云中过冷水含量增大,并且随着BC浓度的增大云内冰晶含量也开始增多,而冰晶与过冷水滴之间的碰并过程会使上升气流增强,因而导致了下沉气流的减弱。
而对于下沉气流,从图8b可以看出:在LCCN条件下对流中心下沉气流最弱,但下沉速度从1.48 m ∙ s−1缓慢改变到1.53 m ∙ s−1,可以看出对流中心下沉气流随着BC浓度的增大而增大。由此可知,当CCN浓度很低时,下沉速度会受BC的影响,BC增大则下沉速度增大。这是由于LCCN情况下霰粒子数浓度增多并且会下沉,因此增强了云内的下沉气流。在MCCN和HCCN条件下,当CCN背景浓度相同时,下沉气流随着BC的增大而减小。这是由于HCCN条件下有更多CCN被活化成云滴粒子,云中过冷水含量增大,并且随着BC浓度的增大云内冰晶含量也开始增多,而冰晶与过冷水滴之间的碰并过程会使上升气流增强,因而导致了下沉气流的减弱。
在对流云中,最大上升速度代表最大局部潜热释放。而最大下沉速度则代表最大强度的抑制对流发展的因素,又成为最大拖拽速度。图9给出的是模式模拟的Cu-NCP中,模式模拟的P-mean算法下的最大上升速度和最大下沉速度随CCN和IN增大而变化的趋势。从图中可知:当BC浓度不变时,最大上升速度和最大下沉速度均随CCN的增大而增大。并且,在相同的CCN背景浓度的条件下,云中最大上升速度和最大下沉速度也均随BC的增大呈现增大的趋势。由此可判断,当CCN和IN浓度都高时,由于云内混合相过程比较强,加上冰晶出现繁生过程局部潜热释放也会跟着增大,因此云内对流中心上升速度增大。


图9   模式模拟的P-mean算法下计算的对流中心最大上升速度(a)和对流中心最大下沉速度(b)随BC的增大而变化的趋势
Fig.9 Modeled P-mean of maximum updraft (a) and maximum downdraft (b) as a function of the initial BC in the Cu-NCP
2.4 降水对IN的响应
图10显示了模式模拟的华北平原地区积云累积降水随BC的增长而变化的趋势。从图中可以很明显的看出,在BC浓度相同的情况下,积云累积降水量是随着CCN浓度的增加而增加的。这个结果与前人所研究得出的结论相一致。有研究表明污染气溶胶的增加会使降水增强(Fan et al,2007;Li et al,2009;Tao et al,2007)。然而,当CCN浓度相同情况下,积云累积降水量随着BC的增加而增加的非常缓慢。从开始时刻到结束,累积降水量的增加不到1%,几乎没有太多变化。由此可知IN对降水的贡献很小,在实际大气中甚至可忽略不计。


图10   模式模拟的在Cu-NCP中累积降水量随着CCN和IN的增大而变化的趋势
Fig.10 Modeled cumulative precipitation inside the model domain (mm) as a function of the initial IN and CCN in Cu-NCP
3   结论
本论文在Li et al(2008b)发展的双参数化Bulk微物理方案的云分辨的中尺度预报模式(CR-WRF模式)的基础上,进一步改进了其冰相过程的参数化方案,并对发生在华北平原地区的积云过程进行了数值模拟。CR-WR模式考虑了硫酸盐气溶胶作为CCN,并且将CCN浓度分了三个等级,即HCCN,MCCN和LCCN,分别对应的浓度值为90\(\mathrm{ }{cm}^{-3}\)\(900\mathrm{ }{cm}^{-3}\mathrm{ }\)和9000\(\mathrm{ }{cm}^{-3}\);模式中还考虑了黑碳气溶胶(BC)充当IN,令其数浓度自\(\mathrm{ }2{\mathrm{c}\mathrm{m}}^{-3}\)增长至\(\mathrm{ }2000{\mathrm{ }\mathrm{c}\mathrm{m}}^{-3}\),质量浓度从0.006\(\mathrm{ }\mathrm{\mu }\mathrm{g}\bullet {\mathrm{c}\mathrm{m}}^{-3}\)增长至5.6\(\mathrm{ }\mathrm{\mu }\mathrm{g}\bullet {\mathrm{c}\mathrm{m}}^{-3}\),在CCN浓度不变的情况下,通过改变BC浓度探讨了积云发生发展对IN的响应机制
本论文在Li et al(2008b)发展的双参数化Bulk微物理方案的云分辨的中尺度预报模式(CR-WRF模式)的基础上,进一步改进了其冰相过程的参数化方案,并对发生在华北平原地区的积云过程进行了数值模拟。CR-WR模式考虑了硫酸盐气溶胶作为CCN,并且将CCN浓度分了三个等级,即HCCN,MCCN和LCCN,分别对应的浓度值为90 cm−3,900 cm−1和9000 cm−1;模式中还考虑了黑碳气溶胶(BC)充当IN,令其数浓度自 2 cm−3增长至 2000 cm−3,质量浓度从0.006 μg ∙ cm−3增长至5.6 μg ∙ cm−3,在CCN浓度不变的情况下,通过改变BC浓度探讨了积云发生发展对IN的响应机制。
从实验模拟结果来看,各水成物粒子随BC浓度的增长而增长;其中,冰晶粒子和雪晶粒子的增长分为两个阶,在LCCN条件下在较低浓度的BC时冰晶和雪晶粒子形成的粒子数浓度多于HCCN情况下,而随着BC浓度的不断增加在HCCN条件下形成的冰晶和雪晶粒子呈现出迅速增长的趋势。这是由于云内冰晶和雪晶粒子的形成过程依赖于环境过饱和水汽和云内对流中心上升速度的强度。在LCCH条件下,BC浓度较低时过饱和水汽含量高于HCCN条件下,因此形成的冰晶粒子多于HCCN情况下的冰晶粒子;而随着BC浓度的不断增加云内对流中心上升速度的强度也不断增大,从而加快了冰晶形成的过程,因此在HCCN情况下冰晶和雪晶粒子随着BC浓度的增长出现快速增加的现象。
积云内对流中心强度随BC浓度的增加而增强,尤其是上升速度呈现明显的增强趋势。表明,云内相变潜热加热了环境温度,从而导致上升气流增强,下沉气流减弱。此外,随着BC的增加,云内云滴粒子和冰晶粒子都不断增长,致使云滴有效半径减小。这些粒径较小的云滴粒子不易下落形成降水,并且会随着上升气流的增强,被对流推向更高的高度。另外,随着BC的增长累积降水量的变化小于1%,因此得出积云累积降水量对BC的响应不是很明显。
致谢
胡志晋, 何观芳. 1987. 积雨云微物理过程的数值模拟——(一)微物理模式[J]. 气象学报, 45(4): 467–484. [Hu Z J, He G F. 1987. Numerical simulation of microprocesses in cumulonimbus clouds (I) microphysical model[J]. Acta Meteorologica Sinica, 45(4): 467–484.]
Albrecht B A. 1989. Aerosols, cloud microphysics, and fractional cloudiness[J]. Science, 245(4923): 1227–1230.
Andreae M O, Rosenfeld D, Artaxo P, et al. 2004. Smoking rain clouds over the amazon[J]. Science, 303(5662): 1337–1342.
Binkowski F S, Roselle S J. 2003. Models-3 Community Multiscale Air Quality (CMAQ) model aerosol component 1. Model description[J]. Journal of Geophysical Research Atmospheres, 108(D6). DOI: 10.1029/2001JD001409.
Blyth A M, Latham J. 1993. Development of ice and precipitation in New Mexican summertime cumulus clouds[J]. Quarterly Journal of the Royal Meteorological Society, 119(509): 91–120.
Choi Y S, Lindzen R S, Ho C H, et al. 2010. Space observations of cold-cloud phase change[J]. Proceedings of the National Academy of Sciences, 107(25): 11211–11216.
Cziczo D J, Ladino L, Boose Y, et al. 2017. Measurements of ice nucleating particles and ice residuals [M]// Baumgardner D, McFarquhar G M, Heymsfield A J. Ice formation and evolution in clouds and precipitation: measurement and modeling challenges. Boston: American Meteorological Society: 58.
Fan J W, Zhang R Y, Collins D, et al. 2006. Contribution of secondary condensable organics to new particle formation: a case study in Houston, Texas[J]. Geophysical Research Letters, 33(15): L15802. DOI: 10.1029/2006GL026295.
Fan J W, Zhang R Y, Li G H, et al. 2007. Simulations of cumulus clouds using a spectral microphysics cloud-resolving model[J]. Journal of Geophysical Research, 112(D4): D04201. DOI: 10.1029/2006JD007688.
Findeisen R. 1938. Meteorologisch-physikalische Begebenheiten der Vereisung in der Atmosphere
Fridlind A M, Ackerman A S, Grandin A, et al. 2015. High ice water content at low radar reflectivity near deep convection— Part 1: consistency of in situ and remote-sensing observations with stratiform rain column simulations[J]. Atmospheric Chemistry and Physics, 15: 11713–11728.
Fu Q, Liou K N. 1993. Parameterization of the radiative properties of cirrus clouds[J]. Journal of the Atmospheric Sciences, 50(13): 2008–2025.
Gayet J F, Mioche G, Bugliaro L, et al. 2012. On the observation of unusual high concentration of small chain-like aggregate ice crystals and large ice water contents near the top of a deep convective cloud during the CIRCLE-2 experiment[J]. Atmospheric Chemistry and Physics Discussions, 12: 727-744.
Gierens K. 2003. On the transition between heterogeneous and homogeneous freezing[J]. Atmospheric Chemistry and Physics, 3: 437–446.
Hallett J, Mossop S C. 1974. Production of secondary ice particles during the riming process[J]. Nature, 249(5452): 26–28.
Hoose C, Möhler O. 2012. Heterogeneous ice nucleation on atmospheric aerosols: a review of results from laboratory experiments[J]. Atmospheric Chemistry and Physics Discussions, 12(5): 12531–12621.
Huang J P, Lin B, Minnis P, et al. 2006. Satellite-based assessment of possible dust aerosols semi-direct effect on cloud water path over East Asia[J]. Geophysical Research Letters, 33(19): L19802. DOI: 10.1029/2006GL026561.
Isaac G A, Douglas R H. 1973. Ice nucleus concentrations at –20C during convective storms[J]. Journal of Applied Meteorology, 12(7): 1183–1190.
Jacobson M Z. 1998. H. R. Pruppacher and J. D. Klett, Microphysics of clouds and precipitation, second revised and enlarged edition with an introduction to cloud chemistry and cloud electricity[J]. Climatic Change, 38(4): 497–499.
Khain A P, BenMoshe N, Pokrovsky A. 2008. Factors determining the impact of aerosols on surface precipitation from clouds: an attempt at classification[J]. Journal of the Atmospheric Sciences, 65(6): 1721–1748.
Khain A, Ovtchinnikov M, Pinsky M, et al. 2000. Notes on the state-of-the-art numerical modeling of cloud microphysics[J]. Atmospheric Research, 55(3/4): 159–224.
Khain A, Rosenfeld D, Pokrovsky A. 2005. Aerosol impact on the dynamics and microphysics of deep convective clouds[J]. Quarterly Journal of the Royal Meteorological Society, 131(611): 2639–2663.
Koop T, Luo B P, Tsias A, et al. 2000. Water activity as the determinant for homogeneous ice nucleation in aqueous solutions[J]. Nature, 406(6796): 611–614.
Lawson R P, Woods S, Morrison H. 2015. The microphysics of ice and precipitation development in tropical cumulus clouds[J]. Journal of the Atmospheric Sciences, 72(6): 2429–2445.
Lee K H. 2011. Modeling the direct and indirect effects of atmospheric aerosols on tropical cyclones[C]. Robert A Duce Symposium.
Levin Z, Cotton W R. 2009. Aerosol pollution impact on precipitation[M]. Dordrecht: Springer.
Li G H, Wang Y, Lee K H, et al. 2009. Impacts of aerosols on the development and precipitation of a mesoscale squall line[J]. Journal of Geophysical Research, 114(D17): D17205. DOI: 10.1029/2008JD011581.
Li G H, Wang Y, Lee K H, et al. 2008a. Increased winter precipitation over the North Pacific from 1984—1994 to 1995—2005 inferred from the Global Precipitation Climatology Project[J]. Geophysical Research Letters, 35(13): L13821. DOI: 10.1029/2008GL034668.
Li G H, Wang Y, Zhang R Y. 2008b. Implementation of a two-moment bulk microphysics scheme to the WRF model to investigate aerosol-cloud interaction[J]. Journal of Geophysical Research, 113(D15): D15211. DOI: 10.1029/2007JD009361.
Lou X F, Hu Z J, Shi Y Q, et al. 2003. Numerical simulations of a heavy rainfall case in south China[J]. Advances in Atmospheric Sciences, 20(1): 128–138.
Mason B J, Hall F. 1958. The physics of clouds[J]. Physics Today, 11(12): 56.
Meyers M P, DeMott P J, Cotton W R. 1992. New primary ice-nucleation parameterizations in an explicit cloud model[J]. Journal of Applied Meteorology, 31(7): 708–721.
Mitchell D L, Zhang R Y, Pitter R L. 1990. Mass-dimensional relationships for ice particles and the influence of riming on snowfall rates[J]. Journal of Applied Meteorology, 29(2): 153–163.
Möhler O, Büttner S, Linke C, et al. 2005. Effect of sulfuric acid coating on heterogeneous ice nucleation by soot aerosol particles[J]. Journal of Geophysical Research, 110(D11): D11210. DOI: 10.1029/2004JD005169.
Penner J E, Hegg D, Leaitch R. 2001. Peer reviewed: unraveling the role of aerosols in climate change[J]. Environmental Science & Technology, 35(15): 332A–340A.
Petters M D, Kreidenweis S M. 2007. A single parameter representation of hygroscopic growth and cloud condensation nucleus activity[J]. Atmospheric Chemistry and Physics, 7(8):1081-1091.
Phillips V T J, DeMott P J, Andronache C. 2008. An empirical parameterization of heterogeneous ice nucleation for multiple chemical species of aerosol[J]. Journal of the Atmospheric Sciences, 65(9): 2757–2783.
Phillips V T J, DeMott P J, Andronache C, et al. 2013. Improvements to an empirical parameterization of heterogeneous ice nucleation and its comparison with observations[J]. Journal of the Atmospheric Sciences, 70(2): 378–409.
Pruppacher H R, Klett J D. 1978. Microphysics of clouds and precipitation[M]. Dordrecht: Springer.
Rogers R R. 1979. A short course in cloud physics[M]. New York: Pergamon Press.
Rose D, Gunthe S S, Su H, et al. 2011. Cloud condensation nuclei in polluted air and biomass burning smoke near the mega-city Guangzhou, China— part 2: size-resolved aerosol chemical composition, diurnal cycles, and externally mixed weakly CCN-active soot particles[J]. Atmospheric Chemistry and Physics, 11(6): 2817–2836.
Rose D, Nowak A, Achtert P, et al. 2010. Cloud condensation nuclei in polluted air and biomass burning smoke near the mega-city Guangzhou, China— part 1: size-resolved measurements and implications for the modeling of aerosol particle hygroscopicity and CCN activity[J]. Atmospheric Chemistry and Physics, 10(7): 3365–3383.
Rosenfeld D, Dai J, Yu X, et al. 2007. Inverse relations between amounts of air pollution and orographic precipitation[J]. Science, 315(5817): 1396–1398.
Rosenfeld D, Lohmann U, Raga G B, et al. 2008. Flood or drought: how do aerosols affect precipitation?[J]. Science, 321(5894): 1309–1313.
Steinfeld J I. 1998. Atmospheric chemistry and physics: from air pollution to climate change[J]. Environment: Science and Policy for Sustainable Development, 40(7): 26.
Shepherd J M, Burian S J. 2003. Detection of urban-induced rainfall anomalies in a major coastal city[J]. Earth Interactions, 7(4): 1–17.
Storelvmo T, Hoose C, Eriksson P. 2011. Global modeling of mixed-phase clouds: The albedo and lifetime effects of aerosols[J]. Journal of Geophysical Research Atmospheres, 116(D5): D05207. DOI: 10.1029/2010JD014724.
Tao W K, Li X W, Khain A, et al. 2007. Role of atmospheric aerosol concentration on deep convective precipitation: cloud-resolving model simulations[J]. Journal of Geophysical Research, 112(D24): D24S18. DOI: 10.1029/2007JD008728.
Tie X X, Madronich S, Li G H, et al. 2007. Characterizations of chemical oxidants in Mexico City: a regional chemical dynamical model (WRF-Chem) study[J]. Atmospheric Environment, 41(9): 1989–2008.
Wang C E. 2005. A modeling study of the response of tropical deep convection to the increase of cloud condensation nuclei concentration: 1. dynamics and microphysics[J]. Journal of Geophysical Research, 110(D21): D21211. DOI: 10.1029/2004JD005720.
Wang C E, Chang J S. 1993. A three-dimensional numerical model of cloud dynamics, microphysics, and chemistry: 4. cloud chemistry and precipitation chemistry[J]. Journal of Geophysical Research, 98(D9): 16799-16808.
Yang H L, Xiao H, Hong Y C. 2011. A numerical study of aerosol effects on cloud microphysical processes of hailstorm clouds[J]. Atmospheric Research, 102(4):432-443.
Zhang Q, Quan J N, Tie X X, et al. 2011. Impact of aerosol particles on cloud formation: Aircraft measurements in China[J]. Atmospheric Environment, 45(3): 665–672.
Zhang R, Li G, Fan J, et al. 2007. Intensification of Pacific storm track linked to Asian pollution[J]. Proceedings of the National Academy of Sciences, 104(13): 5295–5299.
稿件与作者信息
胡思乐1,2
HU Sile 1,2
刘禹1
LIU Yu 1
李国辉1
LI Guohui 1
李国辉 ligh@ieecas.cn
出版历史
出版时间: 2018年9月11日 (版本8
参考文献列表中查看
地球环境学报
Journal of Earth Environment