基于S波段雙偏振雷達資料的降水粒子類型識別算法及應用

宋文婷 李昀英 黃浩 朱科鋒

摘要 基于質量控制的S波段雙偏振雷達格點化觀測數(shù)據(jù)，利用模糊邏輯算法，結合降雨粒子散射和空間取向等特征建立了降水粒子類型識別算法，用于分析降水過程中降水粒子的空間分布情況及粒子類型的演變過程。該算法可以將降水粒子分為液態(tài)、冰態(tài)、混合態(tài)等不同種類，有助于發(fā)現(xiàn)影響降水多寡的云微物理關鍵結構。首先根據(jù)不同降水粒子的雷達回波特性得到隸屬函數(shù)，其次根據(jù)不同雷達觀測變量在判別粒子類型時的貢獻不同，確定每個觀測值對應的隸屬函數(shù)值的權重，對各個函數(shù)值進行加權平均后，得到不同粒子類型對應的邏輯值。最后進行集成和退模糊化處理，選出每個格點中邏輯值的最大值，認為該值所代表的粒子類型即為該格點所代表的粒子類型。在確定觀測值對應的隸屬函數(shù)值的權重時，水平反射率因子和環(huán)境溫度作為計算粒子類型的直接影響因子，不再進行加權平均計算，提出了基于S波段雙偏振雷達參量和環(huán)境溫度的降水粒子類型識別算法。通過華南前汛期一次降水過程，利用雷達觀測降水資料，驗證了該算法的合理性。驗證結果表明，反演所得的“雨”類型的分布特征與實際觀測降水的分布特征基本一致，證明該算法可以反映降水區(qū)域的粒子類型，識別結果基本合理。進一步研究發(fā)現(xiàn)在降水發(fā)生之前，空中存在大量“毛毛雨”類型的粒子，在降水發(fā)生時毛毛雨和雨粒子的變化呈負相關性，表明此次降水主要由毛毛雨碰并產生雨粒子并降落地面產生。

關鍵詞 降水粒子類型;模糊邏輯算法;雙偏振雷達

研究降水過程中可能存在哪些粒子類型，能夠幫助我們認識水凝物粒子的分布以及不同粒子間的轉化過程（Gao et al.，2016;Hubbert，et al.，2018;楊文霞等，2018;王易等，2019）。得到粒子類型的信息需要借助雙偏振測雨雷達資料，這是因為雙偏振雷達具有水平、垂直兩個方向的偏振信號，可以產生包括水平偏振反射率因子ZH、垂直偏振反射率因子ZV、差分反射率ZDR、差分傳播相移率KDP、水平極化和垂直極化零滯后相關系數(shù)ρHV等參數(shù)，而降水粒子的大小、形狀、方位、相位和體積密度對雙偏振雷達的觀測都有不同程度的影響，因此雙偏振雷達能夠通過觀測參數(shù)的變化識別采樣體積中的主要降水粒子類型（Hall et al.，1984），其中S波段雙偏振雷達的波長在10 cm左右，在強降水中衰減較小，被廣泛用于降水過程監(jiān)測（Kumjian and Ryzhkov 2008;Chandrasekar et al.，2013;趙果等，2016;閔錦忠等，2018;何麗華等，2020）。在反演粒子類型時，由于不同降水粒子類型之間的雙偏振量取值范圍有所重疊，因此不存在一個清晰的界限來區(qū)分各種粒子類型之間偏振量的具體數(shù)值。在這個制約下，采用模糊邏輯方法對水凝物粒子進行分類就具有很大優(yōu)勢（Vivekanandan et al.，1999;Park et al.，2009;Dolan et al.，2013），因為模糊邏輯方法為每一個可觀測的取樣單元分配了隸屬函數(shù)，可以用簡單的規(guī)則而非公式來描述復雜的觀測對象（張培昌等，2010），國內外大量的研究也證明了模糊邏輯方法在識別水凝物粒子方面的重要性和可行性，同時也有大量的文獻描述對算法的改進。Straka and Zrnic （1993）提出采用模糊邏輯算法識別降水粒子相態(tài)的方法后，Liu and Chandrasekar （2000） 使用二維隸屬函數(shù)建立了基于S波段雙偏振雷達探測參量的降水粒子分類模糊邏輯算法。曹俊武等（2005）也使用該方法對美國KOUN S波段雙偏振雷達 PPI （Plane Position Indicator） 掃描數(shù)據(jù)進行降水粒子分類識別，得到較為合理的識別結果，但該研究未考慮環(huán)境溫度對判別結果的影響。Park et al.（2009）基于模糊邏輯算法對中尺度對流系統(tǒng)中水成物粒子的水平結構進行識別并且分析了其合理性，更新的算法考慮了測量誤差，波束展寬效應，融化層位置和降水類型（對流降水與層狀降水）。另一個典型的算法是由 NSSL （National Severe Storms Laboratory） 開發(fā)的HCA（Hydrometeors Classification Algorithm） （Schuur et al.，2003），HCA 簡化為僅使用三個偏振參量（ZH，ZDR，ρHV）對降水粒子進行分類，但該算法忽略了KDP對反演液態(tài)降水粒子的貢獻（Cao et al.，2012）。國內對于模糊邏輯算法的改進也有很多研究，程周杰等（2009）利用英國 CAMRa S 波段雙偏振雷達 RHI （Range Height Indicator） 探測數(shù)據(jù)建立了云粒子相態(tài)反演的模糊邏輯算法，并結合溫度廓線數(shù)據(jù)，建立了一種以Beta函數(shù)為隸屬函數(shù)的模糊邏輯算法，對11類降水粒子進行了分類研究。郭鳳霞等（2014）在此基礎上加入環(huán)境溫度參數(shù)對雷暴云成熟時期水凝物粒子的垂直結構進行了識別。王德旺等（2015）也采用不對稱T型函數(shù)來反演云中粒子并指出模糊邏輯算法反演出的粒子相態(tài)結果與探空實測數(shù)據(jù)具有較好的一致性。

針對模糊邏輯方法在判別粒子類型時存在的局限性，近年來有研究嘗試利用不同方法來提高識別結果的可靠度，但是觀測要素所占權重的設置依然存在不合理性，而識別結果與等權重系數(shù)的結果存在一定差異，也反映了各偏振參數(shù)的權重系數(shù)對識別結果的影響（曹俊武等，2005）。因此，如何選擇合理的權重系數(shù)比，使反演結果更加合理，是一個需要探索的問題。本文提出了一種方法，主要在模糊邏輯算法基礎上，對不同觀測要素所占權重的計算進行了優(yōu)化，在已有基礎上對識別算法進行改進，并通過華南前汛期一次降水過程，基于融合降水觀測資料，驗證該算法的合理性。

1 降水粒子識別算法介紹

1.1 不同偏振量在識別算法中的作用

雙偏振雷達資料之所以能夠識別粒子類型，主要是因為不同物理量在不同偏振方向上存在差異或相關性，因此雙偏振雷達除了具有水平、垂直反射率因子（ZH、Zv）之外，還具有雷達差分反射率因子（ZDR）、差分傳播相移率（KDP）、零滯后相關系數(shù)（ρHV）等雷達偏振參數(shù)。

1.1.1 水平反射率因子ZH和垂直反射率因子ZV

根據(jù)定義，單位體積中降水粒子（雨、雪、霰粒子、雹等）直徑的6次方的總和稱為反射率因子（俞小鼎等，2007），為方便起見，通常用對數(shù)形式表示反射率因子的大小。

其中：ΦDP表示水平及垂直偏振波在通過相同長度的降水區(qū)后，散射回天線處的相位差值;KDP表示距離庫上單位距離上ΦDP的變化率，表示粒子對偏振波傳播速度或相位的影響。對于S波段雷達，KDP一般小于4（°）/km，KDP的取值主要受液態(tài)降水的影響。一般而言，KDP的取值越大，說明此處的降雨強度越大，含有冰核的大雨滴KDP可達2.5～5.0（°）/km，固態(tài)降水產生的KDP很小，在混合相態(tài)的降水粒子中，KDP主要是由液態(tài)降水產生的。

1.1.4 零滯后相關系數(shù)ρHV

相關系數(shù)ρHV是指一個脈沖周期前后接收到的回波，其水平偏振分量和垂直偏振分量的相關程度，取值在0到1范圍內，當水平和垂直偏振波同時發(fā)射與接收時，稱為零滯后相關系數(shù)。ρHV值越接近1，說明此區(qū)域粒子的形狀和大小一致性越高。液態(tài)降水的ρHV值除了在冰水混合區(qū)以外，一般在0.98以上，當有錐球狀大冰雹、小冰雹與雨滴共存時，水平和垂直偏振信號的相關性較差，ρHV甚至會降低至0.9以下。

1.2 識別算法的實現(xiàn)

模糊邏輯法主要包括四個過程：模糊化、規(guī)則推斷、集成和退模糊（Liu and Chandrasekar，2000）。關于使用模糊邏輯識別降水粒子類型方法的改進基本都在這個框架之下進行，本文提出的方法也在此基礎上對算法中規(guī)則推斷部分做了優(yōu)化。

1.2.1 模糊化和隸屬函數(shù)

模糊化是將觀測參數(shù)（雷達偏振量和環(huán)境溫度T）的數(shù)值轉化成能夠判斷是否為某一種粒子的可能性的過程，這種可能性稱之為模糊基。得到模糊基的方法是建立隸屬函數(shù)，其中觀測參數(shù)作為自變量，模糊基作為因變量。如果將可分辨的粒子類型分為10種，觀測量分為5個，那么每一種觀測量都能對應10種模糊基，每一種粒子類型對應5種模糊基。

其中：β取值在0到1之間;a為半寬值，當x=m±a時，β=0.5;b表示斜率，b值越大函數(shù)越陡峭;m表示函數(shù)曲線的中心位置;x表示輸入的觀測量。該函數(shù)的形狀由這三個參數(shù)決定，不同的隸屬函數(shù)對應不同的參數(shù)值，本文參數(shù)值以及識別粒子類型的確定參考Brenda Dolan等人建立的S波段偏振雷達檢索數(shù)據(jù)庫資料（表1）。

表1中的聚集體是一種冰和空氣的混合態(tài)（Dolan et al.，2013），主要由較小冰晶隨機粘在一起形成的，體積密度比冰晶低很多。垂直向冰晶可以用來判斷是否存在強電場。大滴指含有大量水、傾斜角較小的大而扁平的顆粒（5～8 mm），大滴的形成主要來自體積較大的冰晶顆粒（霰或冰雹）的完全融化。

1.2.2 規(guī)則推斷

在對降水粒子類型進行判斷時，各個觀測量起到協(xié)同作用，但不同的觀測量所起到的作用是不同的，也就是說由不同觀測量產生的隸屬函數(shù)值在判斷粒子類型時，所占權重是不同的，而降水粒子類型的識別問題主要集中在模糊邏輯算法的規(guī)則構建上，因此，如何合理的設定推斷規(guī)則是一個需要解決的問題。

將不同觀測量協(xié)同作用下產生的判別粒子類型的結果稱為判別強度，對規(guī)則的推斷就是尋找一種合理的方法來確定這個判別強度值。國內已有研究在這個環(huán)節(jié)的處理方法是取預先設定的數(shù)值作為各觀測量所對應的函數(shù)值的權重系數(shù)，然后對加權后的結果進行相加，而本文利用加權平均值的概念對判別強度進行重新計算，突出了水平雷達反射率因子ZH和環(huán)境溫度T對判別強度結果的影響。計算公式如下：

文在確定ZDR、KDP、ρHV的權重之后，對ZH和T的權重做了放大處理，將二者的函數(shù)值作為判別強度值的直接影響因子進行計算。

1.2.3 集成與退模糊

根據(jù)上一步的規(guī)則推斷，使每一個粒子類型都有一個判別強度值，如何確定哪種粒子類型是該觀測單元觀測到的類型，就涉及到集成與退模糊過程。在集成部分采用最大集成法作為判別標準，將每個觀測單元中的最大判別強度值選出來。在退模糊部分主要是確定集成過程得到的最大判別強度值所對應的是哪類粒子類型，最大判別強度值對應的粒子類型即為模糊邏輯算法最終確定的粒子類型，至此集成和退模糊過程完成，識別算法得以實現(xiàn)。

2 算法的應用

2.1 降水粒子類型的合理性檢驗

通過一次華南前汛期降水過程，驗證方法的合理性。使用的雷達資料為華南地區(qū)11部S波段業(yè)務雙偏振雷達的拼圖數(shù)據(jù)。拼圖使用了等經(jīng)緯度投影，范圍為108°～118°E、20°～26°N，垂直范圍1～20 km，水平分辨率為0.01°×0.01°，垂直分辨率為1 km，時間分辨率為6 min。拼圖前，首先利用 Huang et al.（2018）和黃浩（2018）所述方法對每部雷達進行數(shù)據(jù)質量控制，包括ZDR系統(tǒng)偏差和ΦDP系統(tǒng)偏差去除、衰減訂正、最小二乘擬合估計KDP、ρHV弱信噪比下的偏差訂正以及非氣象回波識別和去除等。在對一個時刻進行拼圖時，選取該時刻附近3 min內的所有雷達數(shù)據(jù)，利用Reorder軟件（Lee et al.，1994），將ZH、ZDR、KDP和ρHV插值到前述網(wǎng)格上。對于一個格點的任意參數(shù)（ZH、ZDR、KDP和ρHV），如果有一部雷達在該格點上存在有效插值，則取這個值為拼圖值;如果有多部雷達在該格點上存在有效插值，則取這些值的中值為拼圖值。溫度資料來自廣東省清遠市探空數(shù)據(jù)（站點編號：59280，113.05 °E、23.66 °N）。降水數(shù)據(jù)來自國家氣象信息中心發(fā)布的0.1°×0.1°逐小時的降水量資料，該資料由國家級氣象臺站觀測的日降水量和美國氣候預測中心研發(fā)CMORPH（CPC MORPHing technique）衛(wèi)星反演的降水產品融合得到（沈艷等，2013）。

2019年4月11日，受短波槽和低空急流影響（圖2a），華南地區(qū)出現(xiàn)強鋒帶，雨帶由西北向東南移動。取110.1°～115.6°E、22.2°～23.5 °N為研究區(qū)域（圖2b），并在圖2b黑線所在位置做剖面。根據(jù)小時累計降水資料可知，在14時（世界時，下同）降水量達到峰值（圖2c），此時剖面所在位置小時雨量在114.2°E 、22.5°N處最大（圖2d）。

為方便分析14時粒子類型的垂直分布與雨量的對應情況，圖3給出了14時圖2b黑線所在位置剖面處各觀測量的垂直分布情況。在圖3a的回波圖上可以明顯看到一個強回波中心，高度從地面延伸至6 km處，在它的西側（圖3a中最強ZH中心左側）還有一個相對強度較弱的中心，高度在4 km以下。在圖3b、c、d相應的最強ZH的中心位置，0 ℃層以下ZDR>1 dB，KDP>1（°）/km，同時對應的ρHV 值也在0.95以上，說明在0 ℃層以下該強回波中心其特征符合大雨滴出現(xiàn)的現(xiàn)象。在0 ℃層以上，ZH>45 dBZ，但ZDR 較小，在0～1 dB之間，0

由于現(xiàn)有的地面觀測無法探測到云內未落地的粒子類型，因此選取可以觀測到的地面雨和毛毛雨粒子類型，結合小時累積降水資料對識別結果進行驗證。圖5分別是研究區(qū)域（110.1°～115.6°E，22.2°～23.5°N）內雨粒子類型（圖5a）和毛毛雨粒子類型（圖5b）出現(xiàn)頻率隨時間-高度的變化情況，出現(xiàn)頻率指的是同一高度同一時刻識別為雨/毛毛雨粒子的格點占區(qū)域格點總數(shù)的百分比。值得注意的是，融合降水是上一時刻到此刻的小時累積量，而出現(xiàn)頻率則是每10 min一次的瞬時量，因此在判斷二者在某一時刻是否有較好的對應關系時，應該考慮粒子出現(xiàn)頻率的小時累計意義，即分析前一小時至當下一小時所有瞬時時刻的粒子出現(xiàn)頻率，本文即是如此計算的。根據(jù)地面小時累計降水數(shù)據(jù)可知，07時地面觀測開始有明顯降水產生（圖2a），10時小時降水量出現(xiàn)小的峰值，在14時小時累計降水量達到最大值。粒子類型的識別結果很好地對應了小時雨量的變化趨勢，在雨粒子識別結果中（圖5a），07時開始出現(xiàn)雨粒子，10時雨粒子在低層出現(xiàn)頻率高值中心，在13—15時雨粒子出現(xiàn)最強大值中心，這與融合降水14時出現(xiàn)累計降水（即13—14時降水總量）最大值的事實不完全相符，但毛毛雨粒子類型的出現(xiàn)頻率在14—15時有所減少，因此二者出現(xiàn)的共同頻率使累積雨量在14時達到最大，這同時也解釋了為什么雨粒子出現(xiàn)頻率在10時出現(xiàn)大值中心后11—12時有所減小，但10—14時的小時雨量卻在持續(xù)增大，因為在11—12時的降雨過程中，毛毛雨粒子出現(xiàn)頻率有所增加，彌補了雨粒子的減少，使累計雨量仍呈持續(xù)增大趨勢。以上在可觀測數(shù)據(jù)的基礎上，證明了改進后的模糊邏輯算法對降水粒子類型的識別結果是合理的。

2.2 不同降水粒子類型的轉化

在證明了算法合理性的前提下，對不同降水粒子的轉化情況進行初步分析。

圖6a顯示在1 km高度上毛毛雨和雨的出現(xiàn)頻率的散點關系，散點圖說明二者存在明顯的負相關關系，

考慮算法中識別毛毛雨和雨的參數(shù)選擇范圍有所重合，且顯著的負相關關系只出現(xiàn)在毛毛雨出現(xiàn)頻率小于0.7時，表明毛毛雨和雨的負相關性并不完全是由算法的數(shù)學關系造成的。圖6b是毛毛雨和雨在1 km高度處出現(xiàn)頻率隨時間變化情況，在06時之前毛毛雨出現(xiàn)頻率約0.8，雨出現(xiàn)頻率不明顯，少量的雨量主要由毛毛雨貢獻，在06—14時隨著雨粒子出現(xiàn)頻率的增大，毛毛雨粒子逐漸減少，且二者呈顯著的負相關關系，說明雨量的增加主要是由低層毛毛雨碰并產生雨粒子并降落地面造成的。在高空冰相粒子間也有比較明顯的相關關系。圖6c顯示在12 km高度上聚集體和高密度霰的相關關系，散點分布情況說明在12 km處二者存在一定的負相關關系。從上文的分析可知在14時12 km高度處存在高密度霰（圖4），根據(jù)聚集體和高密度霰的出現(xiàn)頻率隨時間的變化情況（圖6d），可知聚集體為高密度霰的形成做出了主要貢獻，說明霰的形成主要由小體積的冰晶碰并過冷水產生。

3 結論與討論

本文針對質量控制的S波段雙偏振雷達格點化觀測數(shù)據(jù)，基于模糊邏輯算法建立了降水粒子類型識別算法。根據(jù)水平雷達反射率因子ZH和環(huán)境溫度T的重要性，對算法中二者權重的計算方法進行了優(yōu)化，對ZH和T的權重做了放大處理，將二者的函數(shù)值作為判別強度值的直接影響因子，突出了水平雷達反射率因子ZH和環(huán)境溫度T對判別強度結果的影響。通過華南前汛期一次強降水過程，利用臺站觀測降水資料，驗證了該算法的合理性。結論如下：

1）反演所得的雨和毛毛雨類型的時間變化特征與融合小時累積降水的時間變化特征基本一致，證明該算法可以合理地識別降水區(qū)域的粒子類型，識別結果合理。

2）低層毛毛雨和雨粒子類型的負相關關系顯著，說明雨量的增加主要由低層毛毛雨碰并產生雨粒子并降落地面產生。高空聚集體和高密度霰也存在一定的負相關關系，根據(jù)二者隨時間的變化可知，聚集體為高密度霰的形成做出了主要貢獻，說明霰的形成主要由小體積的冰晶碰并過冷水產生。

本文只是利用一個華南前汛期的降水個例對所得算法進行驗證，所得的降水粒子轉化情況的結論對其他天氣過程的適用性還有待通過更多的個例、更豐富的觀測來揭示。但是，運用雙偏振雷達資料反演降水粒子類型的算法的實現(xiàn)，能夠對后續(xù)云內相態(tài)、垂直結構及演變特征的研究提供重要參考。此外，所得結論也可以為數(shù)值模式中云微物理參數(shù)化的改進提供科學依據(jù)。

致謝：感謝國家氣象科學數(shù)據(jù)中心和南京大學提供的數(shù)據(jù)服務。

參考文獻（References）

曹俊武，劉黎平，葛潤生，2005.模糊邏輯法在雙線偏振雷達識別降水粒子相態(tài)中的研究[J].大氣科學，29（5）：827-836. Cao J W，Liu L P，Ge R S，2005.A study of fuzzy logic method in classification of hydrometeors based on polarimetric radar measurement[J].Chin J Atmos Sci，29（5）：827-836.（in Chinese）.

Cao Q，Zhang G，Palmer R D，et al.，2012.Spectrum-time estimation and processing（STEP） for improving weather radar data quality[J].IEEE Trans Geosci Remote Sens，50（11）：4670-4683.

Chandrasekar V，Kernen R，Lim S，et al.，2013.Recent advances in classification of observations from dual polarization weather radars[J].Atmos Res，119：97-111.

程周杰，劉憲勛，朱亞平，2009.雙偏振雷達對一次水凝物相態(tài)演變過程的分析[J].應用氣象學報，20（5）：594-601. Cheng Z J，Liu X X，Zhu Y P，2009.A process of hydrometeor phase change with dual-polarimetric radar[J].J Appl Meteor Sci，20（5）：594-601.doi：10.3969/j.issn.1001-7313.2009.05.011.（in Chinese）.

Dolan B，Rutledge S A，Lim S，et al.，2013.A robust C-band hydrometeor identification algorithm and application to a long-term polarimetric radar dataset[J].J Appl Meteorol Climatol，52（9）：2162-2186.

Gao W，Sui C H，F(xiàn)an J，et al.，2016.A study of cloud microphysics and precipitation over the Tibetan Plateau by radar observations and cloud-resolving model simulations[J].J Geophys Res：Atmos，121（22）.

郭鳳霞，馬學謙，王濤，等，2014.基于X 波段雙線偏振天氣雷達的雷暴云粒子識別[J].氣象學報，72（6）：1231-1244. Guo F X，Ma X Q，Wang T，et al.，2014.An approach to the hydrometeors classification for thunderclouds based;on the X-band dual-polarization Doppler weather radar[J].Acta Meteorol Sin，72（6）：1231-1244.doi：10.11676/qxxb2014.063.（in Chinese）.

Hall M P M，Goddard J W F，Cherry S M，1984.Identification of hydrometeors and other targets by dual-polarization radar[J].Radio Sci，19（1）：132-140.

何麗華，王詠青，隆璘雪，等，2020.弱天氣強迫下一次暖區(qū)MCSs發(fā)生發(fā)展研究[J].大氣科學學報，43（5）：810-823. He L H，Wang Y Q，Long L X，et al.，2020.Study of the occurrence and development of warm-sector MCSs for weak synoptic forcing[J].Trans Atmos Sci，43（5）：810-823.doi：10.13878/j.cnki.dqkxxb.20191104002.（in Chinese）.

黃浩，2018.基于最優(yōu)化理論的雙偏振雷達降雨參數(shù)反演研究[D].南京：南京大學. Huang H，2018.A research on optimization-based rainfall parameter retrieval using polarimetric radar data[D].Nanjing：Nanjing University.（in Chinese）.

Huang H，Zhao K，Zhang G F，et al.，2018.Quantitative precipitation estimation with operational polarimetric radar measurements in Southern China：a differential phase-based variational approach[J].J Atmos Ocean Technol，35（6）：1253-1271.

Hubbert J C，Wilson J W，Weckwerth T M，et al.，2018.S-Pols polarimetric data reveal detailed storm features （and insect behavior）[J].Bull Amer Meteor Soc，99（10）：2045-2060.

Kumjian M R，Ryzhkov A V，2008.Polarimetric signatures in supercell thunderstorms[J].J Appl Meteorol Climatol，47（7）：1940-1961.

Lee W C，Dodge P，Jr Marks F D，et al.，1994.Mapping of airborne Doppler radar data[J].J Atmos Ocean Technol，11（2）：572-578.

Liu H，Chandrasekar V，2000.Classification of hydrometeors based on polarimetric radar measurements：development of Fuzzy Logic and Neuro-Fuzzy Systems，and in situ verification[J].J Atmos Ocean Technol，17（2）：140-164.

閔錦忠，賈瑞怡，王晨玨，2018.蘇北一次強降水超級單體風暴過程的診斷分析[J].大氣科學學報，41（4）：463-474. Min J Z，Jia R Y，Wang C J，2018.Diagnostic analysis on a heavy precipitation supercell storm process in northern Jiangsu[J].Trans Atmos Sci，41（4）：463-474.doi：10.13878/i.cnki.dqkxxb.20160311001.（in Chinese）.

Park H S，Ryzhkov A V，Zrnic' D S，et al.，2009.The hydrometeor classification algorithm for the polarimetric WSR-88D：description and application to an MCS[J].Wea Forecasting，24（3）：730-748.

Schuur T，Ryzhkov A，Heinselman P，et al.，2003.Observations and classification of echoes with the polarimetric WSR-88D radar[R].Report of the National Severe Storms Laboratory.

沈艷，潘旸，宇婧婧，等，2013.中國區(qū)域小時降水量融合產品的質量評估[J].大氣科學學報，36（1）：37-46. Shen Y，Pan Y，Yu J J，et al.，2013.Quality assessment of hourly merged precipitation product over China[J].Trans Atmos Sci，36（1）：37-46.（in Chinese）.

Straka J M，Zrnic D S，1993.An algorithm to deduce hydrometeor types and contents from multi-parameter radar data[C]//26th Conf on Radar Meteorology.Norman：Amer Meteor Soc：513-515.

Vivekanandan J，Zrnic D S，Ellis S M，et al.，1999.Cloud microphysics retrieval using S-band dual-polarization radar measurements[J].Bull Am Meteor Soc，80（3）：381-388.

王德旺，劉黎平，宗蓉，等，2015.基于模糊邏輯的大氣云粒子相態(tài)反演和效果分析[J].氣象，41（2）：171-181. Wang D W，Liu L P，Zong R，et al.，2015.Fuzzy logic method in retrieval atmospheric cloud particle phases and effect analysis[J].Meteor Mon，41（2）：171-181.doi：10.7519/j.issn.1000-0526.2015.02.005.（in Chinese）.

王易，徐芬，吳海英，2019.一次致雹超級單體結構特征分析[J].大氣科學學報，42（4）：612-620. Wang Y，Xu F，Wu H Y，2019.Structure characteristics analysis of a supercell hailstorm[J].Trans Atmos Sci，42（4）：612-620.（in Chinese）.

楊文霞，胡朝霞，董曉波，等，2018.降水性層狀云結構及微物理量相關性分析[J].大氣科學學報，41（4）：525-532. Yang W X，Hu Z X，Dong X B，et al.，2018.A study on the microphysical structure and the correlation of microphysical parameters of the precipitation stratiform cloud[J].Trans Atmos Sci，41（4）：525-532.（in Chinese）.

俞小鼎，姚秀萍，熊廷南，等，2007.多普勒天氣雷達原理與業(yè)務應用[M].北京：氣象出版社. Yu X D，Yao X P，Xiong T N，et al.，2007.Principle and operational application of Doppler Weather Radar[M].Beijing：China Meteorological Press.（in Chinese）.

張培昌，魏鳴，黃興友，等，2010.偏振多普勒天氣雷達原理和應用[M].北京：氣象出版社. Zhang P C，Wei M，Huang X Y，et al.，2010.Principle and application of polarization Doppler Weather Radar[M].Beijing：China Meteorological Press.（in Chinese）.

趙果，王致君，賈偉，等，2016.雙線偏振天氣雷達有效探測范圍研究[J].高原氣象，35（1）：244-250. Zhao G，Wang Z J，Jia W，et al.，2016.Study of the effective detection range of the dull-polarized radar[J].Plateau Meteor，35（1）：244-250.doi：10.7522/j.issn.1000-0534.2014.00145.（in Chinese）.

In this study，based on the quality-controlled S-band dual-polarization radar gridded observation data，a hydrometeors classification recognition algorithm is established，so as to analyze the spatial distribution and evolution of hydrometeors in the precipitation process by using the fuzzy logic algorithm，as well as the characteristics of hydrometeors scattering and spatial orientation.This algorithm can classify hydrometeors into different types such as liquid，ice，and mixed states，which is helpful in finding the key structures of cloud microphysics which affect the precipitation.First，the membership function is obtained according to the radar echo characteristics of hydrometeors.Second，according to the different contributions of radar observation variables in identifying hydrometeor types，the weight of the membership function value corresponding to each observation value is determined，and，after the weighted average of each function value is obtained，then the logical value corresponding to hydrometeors types is obtained as well.Finally，the integration and defuzzification processing is performed，and the maximum value of the logical value in each grid point is selected，after which the hydrometeor type represented by the value is considered to be the particle type represented by the grid point.When determining the weight of the membership function corresponding to the observed value，the horizontal reflectance factor and ambient temperature are taken as the direct influence factors for calculating the hydrometeor types，and，instead of the weighted average calculation，an algorithm for hydrometeor types recognition based on the parameters of S-band dual polarization radar and the ambient temperature is proposed.Next，the rationality of the algorithm is verified by means of a precipitation process in the pre-flood period of South China using radar and precipitation data.The study results show that the distribution characteristics of the rain-type obtained by the inversion are basically consistent with the distribution characteristics of the actual observed precipitation，which proves that the algorithm is able to reflect the hydrometeor types in the precipitation area，and that the recognition results are basically reasonable.Further research shows that there are a large number of drizzle-type particles present in the air before the occurrence of precipitation，and that there is a negative correlation between the changes of drizzle and rain particles during the process of precipitation，thereby indicating that this precipitation is mainly caused by the collision of drizzle and rain particles.

hydrometeor types;fuzzy logic algorithm;dual polarization radar

doi：10.13878/j.cnki.dqkxxb.20200318001

（責任編輯：劉菲）