Uniwersytet WarszawskiWydział Fizyki

Aleksandra Ewa Kardaś

Badanie optycznych i fizycznych własnościaerozolu atmosferycznego i cząstek

chmurowych na podstawie pomiarówteledetekcyjnych

rozprawa doktorska

Promotor rozprawy

prof. dr hab. Szymon P. Malinowski

Wydział FizykiUniwersytet Warszawski

lipiec 2013

Podziękowania

Autorka składa serdeczne podziękowania za pomoc i współpracę swo-jemu promotorowi, prof. dr. hab. Szymonowi P. Malinowskiemu, doktoromWojciechowi W. Grabowskiemu, Hugh Morrisonowi i Sally McFarlane orazwszystkim uczestnikom kampanii pomiarowej MACRON. Za poświęcony czasi uwagi dziękuje także recenzentom, prof. dr hab. Hannie Pawłowskiej orazprof. dr. hab. Januszowi Borkowskiemu.

Badania opisane w rozprawie współfinansowane były przez 6. ProgramRamowy Unii Europejskiej, w ramach projektu nr N N307 125136 orazze środków Europejskiego Funduszu Społecznego i Budżetu Państwa w ra-mach Zintegrowanego Programu Operacyjnego Rozwoju Regionalnego, Dzia-łania 2.6 Regionalne Strategie Innowacyjne i transfer wiedzy projektu wła-snego Województwa Mazowieckiego Mazowieckie Stypendium Doktoranckie.

Kampania pomiarowa MACRON finansowana była przez MinisterstwoNauki i Szkolnictwa Wyższego w ramach projektu rozszerzonego dostępudo infrastruktury naukowej (szósty program ramowy Unii Europejskiej).Prace dotyczące symulacji sygnałów radarowych współfinansowało Officeof Biological and Environmental Research, U.S. Department of Energy(DOE) w ramach U.S. Climate Change Science Program (grant DE-FG02-08ER64574).

Spis treści

Wstęp 5

1 Rozpraszanie elastyczne w metodach teledetekcyjnych 131.1 Podstawowe definicje . . . . . . . . . . . . . . . . . . . . . . . 131.2 Teoria Mie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161.3 Teoria Rayleigha . . . . . . . . . . . . . . . . . . . . . . . . . 171.4 Fotometria słoneczna . . . . . . . . . . . . . . . . . . . . . . . 181.5 Teledetekcja aktywna . . . . . . . . . . . . . . . . . . . . . . . 21

1.5.1 Radary meteorologiczne . . . . . . . . . . . . . . . . . 211.5.2 Lidary aerozolowe . . . . . . . . . . . . . . . . . . . . . 241.5.3 Podsumowanie . . . . . . . . . . . . . . . . . . . . . . 27

2 Teledetekcyjne obserwacje aerozolu 302.1 Kampania pomiarowa MACRON . . . . . . . . . . . . . . . . 302.2 Instrumenty . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342.3 Studium przypadku: napływ aerozolu antropogenicznego 7-8

sierpnia 2007 . . . . . . . . . . . . . . . . . . . . . . . . . . . 402.3.1 Sytuacja synoptyczna . . . . . . . . . . . . . . . . . . . 402.3.2 Pomiary fotometryczne . . . . . . . . . . . . . . . . . . 462.3.3 Pomiary ceilometrem . . . . . . . . . . . . . . . . . . . 482.3.4 Pomiary satelitarne . . . . . . . . . . . . . . . . . . . . 53

2.4 Podsumowanie . . . . . . . . . . . . . . . . . . . . . . . . . . 58

3 Pomiary chmur: kampania TWP-ICE 603.1 Organizacja eksperymentu i warunki synoptyczne . . . . . . . 603.2 Instrumenty . . . . . . . . . . . . . . . . . . . . . . . . . . . . 653.3 Statystyki odbiciowości radarowych w czasie TWP-ICE . . . . 683.4 Podsumowanie . . . . . . . . . . . . . . . . . . . . . . . . . . 72

3

4 Modelowanie mikrofizyki chmur, symulator radaru 754.1 Podstawowe cechy modelu mikrofizyki chmur Morrisona i Gra-

bowskiego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 784.2 Hydrometeory uwzględnione w modelu chmur i symulatorze

radaru . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 794.3 Rozkłady wielkości hydrometeorów . . . . . . . . . . . . . . . 824.4 Tablice odbiciowości . . . . . . . . . . . . . . . . . . . . . . . 844.5 Symulacje odbiciowości radarowej . . . . . . . . . . . . . . . . 864.6 Podsumowanie . . . . . . . . . . . . . . . . . . . . . . . . . . 94

5 Analizy i testy z wykorzystaniem symulatora 965.1 Statystyki odbiciowości dla deszczu - wnioski . . . . . . . . . . 965.2 Statystki odbiciowości dla kryształków lodu . . . . . . . . . . 1015.3 Podsumowanie . . . . . . . . . . . . . . . . . . . . . . . . . . 104

Podsumowanie 106

A Symulator radaru - oprogramowanie 108

Lista akronimów 112

Bibliografia 114

4

Wstęp

Pierwotnym źródłem energii dla zachodzących w atmosferze zjawisk jestdocierające do Ziemi promieniowanie słoneczne. Sposób, w jaki oddziałujeono z atmosferą i powierzchnią Ziemi jest podstawowym czynnikiem kształtu-jącym klimat. Schemat tego oddziaływania przedstawiony jest na rysunku 1(Trenberth et al., 2009).

Do górnej granicy atmosfery dociera strumień krótkofalowego promienio-wania słonecznego wynoszący średnio 341,3 W/m2. Część tego promieniowa-nia jest absorbowana przez atmosferę (73 W/m2) oraz powierzchnię planety(166 W/m2). Stosownie do swojej temperatury, powierzchnia Ziemi emitujepromieniowanie podczerwone (396 W/m2). Ponadto przekazuje energię at-mosferze na drodze przewodnictwa cieplnego i konwekcji (razem 16 W/m2)oraz w postaci ciepła utajonego związanego z przemianami fazowymi wody ijej transportem w atmosferze (76 W/m2).

W przeciwieństwie do widzialnego, promieniowanie podczerwone jest efek-tywnie pochłaniane przez atmosferę (zwłaszcza przez gazy cieplarniane): je-dynie 40 W/m2 (ok. 10%) ze strumienia energii wyemitowanej w tym paśmiez powierzchni Ziemi ucieka bezpośrednio w kosmos. Zasilana energią płynącąz podłoża atmosfera również emituje promieniowanie podczerwone, któregoznaczna część (323 W/m2) wraca z kolei do powierzchni Ziemi. To zjawiskonazywamy efektem cieplarnianym.

Strumieniowi promieniowania słonecznego docierającemu do górnejgranicy atmosfery odpowiada niemal taki sam strumień energii emitowanejw przestrzeń kosmiczną w postaci:- promieniowania słonecznego odbitego od powierzchni Ziemi i chmur orazrozproszonego przez atmosferę (łącznie 102 W/m2),- promieniowania podczerwonego układu Ziemia - atmosfera (239 W/m2).

5

Rysunek 1: Bilans energetyczny Ziemi i atmosfery (Trenberth et al., 2009).

Bilans energetyczny nie jest zrównoważony - według najnowszych oszaco-wań 0,9 W/m2 jest absorbowane przez układ (Trenberth et al., 2009) Ziemia- atmosfera.

Badając wpływ poszczególnych czynników na klimat Ziemi, spogląda sięna ogół na bilans promieniowania na szczycie atmosfery. Można oapisać gorównaniem:

Q = (1 − A)FS − FL, (1)

gdzie Q stanowi różnicę strumienia krótkofalowego promieniowania słonecz-nego (FS), strumienia promieniowania odbijanego przez Ziemię i atmosferęw przestrzeń kosmiczną (AFS) oraz strumienia długofalowego promieniowa-nia ziemskiego (FL). Symbol A oznacza albedo planetarne, czyli sumarycznealbedo powierzchni Ziemi i atmosfery. Strumień promieniowania słonecznegodocierającego do górnej granicy atmosfery podlega jedynie niewielkim fluktu-acjom, natomiast promieniowanie ziemskie uciekające w kosmos jest złożonąfunkcją temperatury powierzchni Ziemi (TS), pionowych profili temperaturyi wilgotności powietrza, obecności chmur, aerozolu itd.

6

W stanie równowagi radiacyjnej, uśredniona po czasie charakterystycz-nym dla zmian klimatu wartość strumienia promieniowania na szczycie at-mosfery wynosi 0. Jeśli wystąpi niewielkie zaburzenie stanu równowagi (stru-mień promieniowania na szczycie atmosfery zmieni się o ∆Q), to oczekiwaćmożna, że atmosfera osiągnie nową quasi-równowagę. Ten nowy stan zapisaćmożna jako sumę

∆Q +dQ

dTS

∆TS = 0 , (2)

gdzie dQdTS

∆TS (przy założeniu, że zmianie ulega wyłącznie temperaturaZiemi) oznacza odpowiedź atmosfery na zaburzenie ∆Q, zwane wymusze-niem radiacyjnym.

Wymuszenie radiacyjne to różnica strumienia promieniowania obserwo-wanego przy występowaniu wybranego czynnika oraz w przypadku jego braku(QCS):

∆Q = Q −QCS . (3)

Uwzględnienie równania 1 w 3 daje:

∆Q = (ACS − A)FS + (FCSL − FL). (4)

gdzie ACS oznacza albedo planetarne a FCSL strumień promieniowania długo-

falowego, oba przy braku czynnika zaburzającego bilans. Ponieważ oddziały-wanie tego samego ośrodka z promieniowaniem widzialnym i podczerwonymnie przebiega identycznie, dla celów analizy rozdziela się czasem krótko idługofalowe komponenty wymuszania (Salby, 1996).

W kolejnych rozdziałach niniejszej rozprawy opisane będą badania dwóchgrup zjawisk, które oddziałują na bilans energetyczny Ziemi: chmur orazaerozoli atmosferycznych.

Średnio rzecz biorąc, chmury pokrywają około 50% powierzchni kuli ziem-skiej, mają więc zasadnicze znaczenie dla planetarnego albedo, modyfikującoddziaływanie atmosfery z promieniowaniem długo i krótkofalowym (absorp-cja i rozpraszanie) (Salby, 1996).

Wymuszanie radiacyjne przez chmury można określić na podstawie sa-telitarnych pomiarów promieniowania długo i krótkofalowego emitowanegoprzez układ Ziemia - atmosfera. Przy obliczaniu porównuje się strumie-nie promieniowania obserwowane przy występowaniu zachmurzenia orazw warunkach czystego nieba. Globalna średnia wymuszania radiacyjnego

7

przez chmury to -15 W/m2, należy jednak pamiętać, że jest to wielkość bar-dzo zmienna w czasie i przestrzeni, zależna od rodzaju chmur, wielkości po-krywy chmurowej a także kąta padania promieniowania słonecznego. Istotnewahania zaobserwować można nawet w ciągu jednego dnia, podczas któregonp. rozwój i zanik dziennej konwekcji może owocować zmianami rzędu 25%w strumieniu promieniowania długofalowego emitowanego w kosmos (Salby,1996).

Pomiary wskazują na szczególną rolę rozbudowanych chmur konwekcyj-nych powstających w strefie międzyzwrotnikowej, w przypadku których tem-peratury wierzchołków bywają niższe od temperatur podłoża nawet o kilka-dziesiąt stopni, co oznacza dużą (o kilkadziesiąt W/m2) modyfikację stru-mienia promieniowania emitowanego w przestrzeń kosmiczną. Jednocześniete same chmury, ze względu na swoją dużą grubość optyczną, istotnie (na-wet powyżej 100 W/m2) ograniczają dopływ promieniowania krótkofalowegodo powierzchni Ziemi. Efekty krótko i długofalowy niemal się tu znoszą, po-zostawiając niewielkie dodatnie wymuszanie w centrach głębokiej konwekcjiw Afryce Zwrotnikowej, Ameryce Południowej i Oceanii oraz wartości ujemnew obszarach występowania cyklonów tropikalnych (Salby, 1996).

Szczególnie duży udział w pokrywie chmurowej mają morskie chmurywarstwowe (Salby, 1996), w znacznym stopniu rozpraszające krótkofalowepromieniowanie słoneczne (wymuszanie negatywne) i mające niewielki wpływna długofalowe promieniowanie emitowane w kosmos przez planetę (tempe-ratury wierzchołków tych chmur nie dbiegają znacząco od temperatur po-wierzchni Ziemi).

Należy pamiętać, że wielkość wymuszania radiacyjnego opisuje jedyniesumaryczny wpływ chmur na bilans promieniowania w poszczególnych ko-lumnach atmosfery. Tymczasem poszczególne efekty odgrywają swoją rolęna różnych wysokościach:- wymuszanie krótkofalowe powoduje chłodzenie w pobliżu powierzchni Ziemi(odcina dopływ energii do powierzchni Ziemi),- wymuszanie długofalowe powoduje ogrzewanie atmosfery w pobliżu pod-stawy chmur oraz chłodzenie w rejonie wierzchołków.

Oprócz modyfikacji transferu promieniowania elektromagnetycznegow atmosferze, chmury biorą udział w transporcie ciepła utajonego. W wynikuparowania wody z podłoża, a następnie skraplania jej w atmosferze (czemutowarzyszy odpowiednio pochłanianie i wydzielanie ciepła) następuje trans-port energii z powierzchni w wyższe warstwy atmosfery, np. odparowanie i

8

następnie skroplenie kilograma wody oznacza przeniesienie 2,27 MJ energii(Visconti, 2001).

Efekt ten jest szczególnie istotny w przypadku rozbudowanych chmurkonwekcyjnych produkujących znaczące ilości opadów - zwłaszcza chmur tro-pikalnych, w przypadku których transport ciepła utajonego może powodo-wać ogrzewanie kolumny powietrza nawet o 250 W/m2 (Webster i Lukas,1992), co jest efektem kilkukrotnie silniejszym niż efekty radiacyjne w tymsamym rejonie. W przeciwieństwie do efektów radiacyjnych, działającychprzede wszystkim w warstwach przylegających do wierzchołków lub pod-staw chmur, ogrzewanie powietrza przez uwalnianie ciepła utajonego obej-muje stosunkowo grube warstwy troposfery (na całej grubości chmury). Ba-dań nad własnościami tropikalnych chmur konwekcyjnych dotyczą rozdziały3-5 niniejszej rozprawy.

Drugim zjawiskiem istotnie wpływającym na transfer promieniowaniaw atmosferze jest występowanie aerozolu atmosferycznego. Ze względu na zło-żoność zagadnienia, zazwyczaj przedstawia się je w podziale na efekt pośrednii bezpośredni (IPCC, 2001, 2007).

Bezpośredni efekt aerozolowy (ang. direct effect) polega na oddziaływa-niu promieniowania z zawieszonymi w powietrzu cząsteczkami. W zależnościod rozmiaru i składu chemicznego aerozol może rozpraszać lub absorbowaćfale o różnych długościach, powodując tym samym zmniejszenie ilości pro-mieniowania docierającego do powierzchni Ziemi lub ogrzewanie warstwy po-wietrza (Lohmann i Feichter, 2005; IPCC, 2007).

Pośredni efekt aerozolowy (ang. indirect effect) wiąże się z wpływem ae-rozolu na własności mikrofizyczne chmur. Zawieszone w powietrzu cząstkipełnią rolę jąder kondensacji, niezbędnych do formowania się kropel chmu-rowych. Duża koncentracja aerozolu prowadzi do powstania większej liczbykropel niż ma to miejsce przy niskiej zawartości zanieczyszczeń w atmosferze.Oznacza to, że przy tej samej zawartości wody chmurowej chmura z obszaruzanieczyszczonego ma wyższe albedo oraz czas życia (krople są niewielkie, coutrudnia powstawanie opadu) niż chmura z rejonu o małych koncentracjachaerozolu. Zwiększa to efektywność rozpraszania promieniowania słonecznegojak i zatrzymywania promieniowania ziemskiego (Twomey, 1977; Albrecht,1989; IPCC, 2007). Spektakularnym przykładem zależności albedo chmuryod koncentracji aerozolu są widoczne na zdjęciach satelitarnych tzw. shiptracks, czyli ”ślady statków”: jaśniejsze (silniej rozpraszające światło) liniepojawiające się na tle morskich chmur warstwowych w mijescach, pod któ-

9

rymi przepływają statki, wypuszczające do atmosfery zanieczyszczenia, m.in.w postaci aerozolu.

Podnoszenie temperatury w warstwie atmosfery zawierającej aerozol ab-sorbujący promieniowanie powoduje parowanie powstających w niej kropelchmurowych. Zjawisko to, prowadzące do spadku zachmurzenia, można okre-ślić mianem efektu bezpośrednio-pośredniego (ang. semidirect effect). Zna-czenie tego mechanizmu zależy od typu aerozolu (Lohmann i Feichter, 2005)- promieniowanie słoneczne jest szczególnie dobrze absorbowane przez sadzę(Jacobson, 2002), w przypadku innych aerozoli efekt jest mało istotny.

Opisane wyżej mechanizmy oddziaływania aerozoli na przebieg transferupromieniowania w atmosferze dotyczą cząstek wystarczająco dużych, by mo-gły stanowić jądra kondensacji lub absorbować istotne ilości energii. Rolacząstek Aitkena (o promieniach poniżej 0,1 µm) jest najczęściej zaniedby-walna.

Ze względu na swoje znaczenie dla klimatu Ziemi, aerozole i chmury,a zwłaszcza ich oddziaływanie z promieniowaniem są obecnie obiektem du-żego zainteresowania ze strony naukowców. w związku z dużą zmiennościączasową oraz przestrzenną tych zjawisk, w badaniach nad nimi ważną rolęodgrywają teledetekcyjne metody pomiarowe, pozwalające m.in. na obser-wowanie jednocześnie dużego obszaru (metody satelitarne, radary opadoweskanujące otoczenie) czy zdalne wykonywanie pionowych profili własnościatmosfery i zawieszonych cząstek (lidary, radary). Uzyskane z użyciem tychtechnik zbiory danych są niezwykle przydatne m.in. przy testowaniu i zasila-niu modeli numerycznych opisujących procesy synoptyczne lub klimatyczne.Wspólną cechą radarów i lidarów aerozolowych jest wykorzystanie w po-miarach zjawiska elastycznego rozpraszania promieniowania elektromagne-tycznego przez cząstki materii(Marshall et al., 1955; Collis, 1965; Stephens,1994; Kolwas et al., 2007), dlatego też pierwszy rozdział niniejszej rozprawyprzedstawia najistotniejsze pojęcia teorii rozpraszania promieniowania orazpodstawy teledetekcyjnych metod badania atmosfery używanych w studiach,którym poświęcono kolejne rozdziały.

W zależności od obiektu obserwacji, stosuje się różne długości fali (pro-mieniowanie podczerwone, widzialne i ultrafioletowe gdy celem jest aerozoloraz radiowe, gdy celem są chmury i opady). Zmiana długości fali propor-cjonalna do zmiany rozmiarów obserwowanych cząstek powoduje, że zagad-nienia związane z rozpraszaniem mają w przypadku poszczególnych technikpodobną postać. Stąd zestawienie w niniejszej rozprawie dwóch tematów:

10

teledetekcyjnych badań aerozolu (rozdział drugi) oraz cząstek chmurowych(rozdziały od trzeciego do piątego).

Lidary aerozolowe służą do obserwacji zawieszonych w atmosferze cząstekpochodzenia lokalnego oraz transportowanych w wyższych partiach atmos-fery. Poprawna interpretacja sygnałów radarowych wymaga uwzględnieniainformacje o pochodzeniu mas powietrza napływających nad obszar, w któ-rym prowadzone są pomiary, trasie jaką przebyły oraz przemianach, jakieprzeszły (np. mieszanie powietrza z różnych warstw). Rozdział drugi roz-prawy opisuje kampanię pomiarową MACRON (Maritime Aerosol, Cloudsand Radiation Observation in Norway, 2005), w której autorka brała udział,oraz poczynione w jej trakcie obserwacje napływu w rejon arktyczny masypowietrza zanieczyszczonej aerozolem antropogenicznym. Przedstawiono wy-niki analizy danych pochodzących z różnych przyrządów, pozwalające okre-ślić takie własności aerozolu jak grubość optyczna, profil współczynnika eks-tynkcji i powiązany z rozmiarami cząstek wykładnik Angstroma. Przeprowa-dzona przez autorkę łączna analiza danych teledetekcyjnych i synoptycznychw połączeniu z wynikami numerycznego modelowania transportu aerozolu watmosferze pozwoliła również określić pochodzenie i typ aerozolu.

Dalsze rozdziały pracy dotyczą radarowych badań cząstek chmurowychi wykorzystania tego typu obserwacji. W rozdziale trzecim opisano ekspe-ryment TWP ICE (Tropical Warm Pool International Cloud Experiment)przeprowadzony w roku 2006 w okolicach miasta Darwin (północna Au-stralia). Jego głównym celem były obserwacje pełnych cykli życiowych sys-temów chmur konwekcyjnych oraz ich wpływu na otoczenie (May et al.,2008). Osobny podrozdział poświęcono radarowym obserwacjom chmur i opa-dów. Podczas ich analizy dugodystansowy transport mas powietrza nie jesttak istotny jak przy analizie lidarowych obserwacji aerozolu. Interesujące sąprzede wszystkim parametry obserwowanych cząstek, takie jak przestrzennyrozkład ich koncentracji, rozmiary, stan skupienia - wielkości niosące infor-macje o zjawiskach zachodzących we wnętrzu chmury lub systemu chmur.Wyznaczenie tego rodzaju parametrów na podstawie sygnałów radarowychjest skomplikowane i wymaga wprowadzania dodatkowych założeń, np. na te-mat postaci rozkładu wielkości hydrometeorów. Taka procedura oznacza dużeniepewności i niejednoznaczność wyniku (te same wartości sygnałów możnaobserwować w różnych sytuacjach, np. przy różnych kształtach rozkładu wiel-kości hydrometeorów) (Stephens, 1994; Hasse i Crewell, 2000). Dlatego, gdycelem badań jest ewaluacja numerycznego modelu zjawisk mikrofizycznych,często rezygnuje się z niej na rzecz wykorzystania komputerowego symulatora

11

radaru (np. Hasse i Crewell, 2000, Masunaga i Kummerow, 2005, Li et al.,2010, Ferretti et al., 2010). Działanie symulatora polega na wykorzystaniuwyników obliczeń (np. parametrów opisujących skład i strukturę chmury)do wyznaczenia hipotetycznych sygnałów, jakie powininno w symulowanychwarunkach zarejestrować urządzenie pomiarowe (np. radar chmurowy). Re-zultaty takich symulacji można zestawiać z danymi obserwacyjnymi i na tejpodstawie wysnuwać wnioski na temat poprawności działania badanego mo-delu numerycznego. Dzięki takiemu postępowaniu unika się wprowadzaniadodatkowych założeń i niepewności związanych z przetwarzaniem danychobserwacyjnych.

W rozdziale czwartym zaprezentowano napisany przez autorkę, symulatorradaru którego wykorzystanie pozwala na porównywanie wyników numerycz-nego modelowania mikrofizyki chmur z wynikami obserwacji prowadzonychza pomocą radaru chmurowego. Symulator współpracuje z modelem mikro-fizyki chmur stworzonym przez Morrisona i Grabowskiego (2007, 2008). Po-wstał w wyniku modernizacji istniejącego wcześniej symulatora radaru Qu-ickBeam (Haynes et al., 2007). Zmiany w kodzie obejmowały dostosowanieprogramu do wykorzystania danych z modelu uwzględniającego dwa (a niejeden) momenty rozkładu wielkości cząstek chmurowych i skonstruowaniewykorzystywanych przez symulator tablic odbiciowości radarowej i tłumieniawiązki radarowej przez hydrometeory. W ramach dostosowywania programudo współpracy z modelem Morrisona i Grabowskiego (Morrison i Grabow-ski, 2007, 2008), zaimplementowano w symulatorze szereg funkcjonującychw modelu założeń dotyczących rozkładów wielkości cząstek oraz związkówpomiędzy masą i powierzchnią rzutu cząstki a jej maksymalnym wymiarem.

W piątym, ostatnim rozdziale rozprawy przedstawiono przykłady analizdanych obserwacyjnych i symulacji pozwalających na ustalenie problemów iograniczeń związanych z wykorzystaniem symulatora radaru.

12

Rozdział 1

Rozpraszanie elastyczne wmetodach teledetekcyjnych

1.1 Podstawowe definicje

Tematem rozprawy jest badanie cząstek stałych i ciekłych obecnych w at-mosferze z wykorzystaniem zjawiska elastycznego rozpraszania fal elektro-magnetycznych emitowanych przez Słońce lub instrumenty pomiarowe. Opisoddziaływania cząstek z promieniowaniem wymaga wprowadzenia kilku pod-stawowych pojęć.

W przypadku ośrodka składającego się z odseparowanych od siebie, lo-sowo zorientowanych cząstek - jakim może być chmura lub aerozol - zacho-wanie przechodzącej przez niego fali elektromagnetycznej opisać można, roz-wiązując równania Maxwella dla zbioru cząstek. Metodę tę nazywamy teoriątransferu radiacyjnego, w odróżnieniu od elektrodynamiki ośrodków ciągłych,w której układ oscylujących ładunków zastępuje się ośrodkiem o określo-nych własnościach (przewodności, podatności dielektrycznej i magnetycznej)(Chandrasekhar, 1950; de Hulst, 1957; Ishimaru, 1978; Kokhanovsky, 2005).

Wielkością charakteryzującą promieniowanie elektromagnetyczne w teo-rii transferu radiacyjnego jest radiancja (I), czyli ilość energii (dEλ) nie-siona przez promieniowanie o długości fali należącej do wąskiego zakresu(dλ) wokół długości centralnej (λ), padająca w jednostce czasu (dt) na jed-nostkę powierzchni (dA), pochodząca z kąta bryłowego (dΩ) i określonegokierunku (θ):

13

I =d4Eλ

dλdtdA cos θdΩ

[W

µm ·m2 · sr]. (1.1)

Często używa się także pojęcia strumienia promieniowania, czyli ra-diancji wycałkowanej po kącie bryłowym (półsferze):

F =d3Eλ

dλdtdA

[W

µm ·m2

]. (1.2)

W przybliżeniu liniowym zmiany natężenia wiązki promieniowania przeni-kającego przez absorbujący, emitujący i rozpraszający ośrodek można opisaćrównaniem transferu radiacyjnego:

dI = −σextIdr + σemdr , (1.3)

w którym dr oznacza fragment drogi w ośrodku a σext[m−1] i

σem[Wµm−1m−3sr−1] odpowiednio współczynniki ekstynkcji i emisji (Chan-drasekhar, 1950).

W omawianych w niniejszej rozprawie metodach teledetekcyjnych wyko-rzystuje się fale, dla których można zaniedbać emisję promieniowania w at-mosferze, dlatego w dalszej części omówione będzie przede wszystkim zagad-nienie ekstynkcji promieniowania. W takim przypadku σem = 0 i równanie1.3 sprowadza się do formy:

dI = −σextIdr , (1.4)

zwanej prawem Lamberta-Beera.Ekstynkcja promieniowania jest złożeniem dwóch procesów: absorpcji i

rozpraszania. Współczynnik ekstynkcji można więc zapisać jako sumęodpowiednich współczynników (σabs i σsca, oba w jednostkach m−1):

σext = σabs + σsca , (1.5)

gdzie σabs i σsca zależą od koncentracji oddziałujących z promieniowaniemcząstek oraz ich przekrojów czynnych na absorpcję (Ci

abs i rozprasza-nie (Ci

sca), mówiących o tym, jaki ułamek pierwotnej energii jest usuwanyz wiązki w wyniku poszczególnych procesów:

σabs =∑

i

C iabs , σsca =

∑i

C isca , (1.6)

14

gdzie i oznacza sumowanie po wszystkich cząstkach znajdujących się w jedno-stce objętości. Jeśli zbiór cząstek można opisać analitycznym rozkładem wiel-kości, sumowanie w powyższym wzorze można zastąpić całkowaniem z roz-kładem wielkości.

Powyższe podejście sprawdza się w przypadku ośrodków o niskich kon-centracjach cząstek (sumaryczna objętość cząstek rozpraszających powinnaosiągać najwyżej 1% objętości ośrodka). W przypadku gęściej upakowanychi regularnych ośrodków konieczne jest uwzględnienie korelacji pomiędzy po-łożeniami poszczególnych cząstek, a samo rozpraszanie fal elektromagnetycz-nych w większym stopniu przypomina rozpraszanie na strukturach krysta-licznych (rozpraszanie Bragga, Bragg i Bragg, 1915, Smart et al., 1965, Locki Chiu, 1994).

Oprócz współczynników i przekrojów czynnych dla ekstynkcji i absorp-cji, często wykorzystywaną wielkością jest efektywny przekrój czynny,będący ilorazem przekroju czynnego oraz geometrycznego przekroju cząstki.Dla absorpcji, rozpraszania i ekstynkcji przez cząstki sferyczne są to odpo-wiednio:

Q iabs =

4C iabs

πD2, Q i

sca =4C i

sca

πD2, Q i

ext =4C i

ext

πD2, (1.7)

gdzie D jest średnicą rozpraszającej promieniowanie cząstki.W badaniach atmosfery za pomocą metod aktywnej teledetekcji szcze-

gólnie istotny jest jeden z kierunków rozpraszania: urządzenia pomiaroweemitują promieniowanie elektromagnetyczne a następnie rejestrują promie-niowanie rozproszone wstecz. W związku z tym wygodnie jest wprowadzićprzekrój czynny Ci

π na rozpraszanie wsteczne (ułamek promieniowania roz-praszanego wstecznie) oraz odpowiedni efektywny przekrój czynny:

Q iπ =

4C iπ

πD2, (1.8)

i współczynnik rozpraszania wstecznego (σπ):

σπ =∑

i

C iπ. (1.9)

Zdefiniowane powyżej pojęcia posłużą w kolejnych rozdziałach do opisuteorii rozpraszania promieniowania na cząstkach materii.

15

1.2 Teoria Mie

Realistyczny model rozpraszania promieniowania elektromagnetycznegoprzez cząsteczki materii został sformułowany przez Gustava Mie na początkudwudziestego wieku (Mie, 1908). Jego rozwiązanie było następnie wielokrot-nie modyfikowane, np. przez Strattona (1941) i Van de Hulsta (1957). TeoriaMie to zastosowanie równań Maxwella do przypadku rozpraszania fali pła-skiej przez jednorodną sferę w otoczeniu nieabsorbującym promieniowania.

Podstawowe parametry wykorzystywane w rozwiązaniu problemu rozpra-szania to:- bezwymiarowy iloczyn promienia rozpraszającej cząstki (a) i liczby falowejopisującej rozpraszaną falę (k = 2π/λ, λ - długość fali):

α = ka =2πa

λ=πD

λ, (1.10)

zwany parametrem wielkości,- zespolony współczynnik refrakcji m,- kąt rozproszenia (kąt pomiędzy falą padająca i rozproszoną) θ.

Gdy fala elektromagnetyczna napotyka nieruchomą, nienaładowaną, nie-wzbudzoną cząstkę, której stała dielektryczna różni się od otoczenia, falai cząstka oddziałują ze sobą. W wyniku tego oddziaływania część energiipromieniowania jest pochłaniana przez cząstkę i emitowana w postaci cie-pła, a pozostała zostaje wykorzystana do wzbudzenia drgań w tworzącychcząstkę dipolach elektrycznych. W efekcie we wszystkich kierunkach emito-wane są fale o długości tej samej co długość fali padającej.

W dużej odległości od cząstki, pole elektryczne fali rozproszonej ( ~E) możebyć opisane za pomocą dwóch składowych wektora pola elektrycznego: rów-noległej (E1) i prostopadłej (E2) do płaszczyzny wyznaczanej przez falę pa-dającą i rozproszoną. Zespolone amplitudy tych składowych opisują wzory:

E1 =λ

2π

∞∑n=1

2n + 1

n(n + 1 )(anπn + bnτn), (1.11)

E2 =λ

2π

∞∑n=1

2n + 1

n(n + 1 )(bnπn + anτn), (1.12)

16

gdzie n jest liczbą naturalną, an i bn to współczynniki Mie, wyrażane za po-mocą funkcji Ricatti-Bessela dla argumentów α i m. Funkcje kątowe πn i τnzależą jedynie od kąta rozpraszania i mogą być zapisane z użyciem stowarzy-szonych wielomianów Legendre’a.

Wykorzystanie amplitud E1 i E2 pozwala na zapisanie różniczkowegoprzekroju czynnego dσ w funkcji α, m i θ. Dla jednostkowego kąta bryło-wego i jednostkowego strumienia promieniowania:

dσ(θ, α,m) =1

2E · E ∗dΩ , (1.13)

gdzie ~E∗ jest wektorem sprzężonym do ~E a dΩ to element kąta bryłowego.W oparciu o ten związek, możliwe jest wyznaczenie przekrojów czynnychna ekstynkcję i rozpraszanie wsteczne (Sauvageot, 1982):

Cext =λ2

2π

∞∑n=1

(2n + 1 )(|an |2 + |bn |2 ), (1.14)

Cπ =λ2

4π|∑n=1

(−1 )n(2n + 1 )(an − bn)|2 , (1.15)

czyli wielkości używanych w analizie i symulacjach pomiarów lidarowychoraz radarowych.

1.3 Teoria Rayleigha

Teoria Rayleigha to uproszczone podejście do rozpraszania promieniowa-nia, sformułowane pod koniec dziewiętnastego wieku (Rayleigh, 1899), opisy-wane w wielu późniejszych podręcznikach (np. Kokhanovsky, 2005) w sformu-łowaniach dostosowanych do konkretnych omawianych zagadnień (np. mete-orologii radarowej - Sauvageot, 1982 oraz Gossard i Strauch, 1983).

Jeśli parametr α przyjmuje wartość wielokrotnie mniejszą od 1, cząstkirozpraszające promieniowanie są małe w porównaniu z długością rozprasza-nej fali, a pole elektromagnetyczne wewnątrz cząstki jest stałe i w fazie z po-lem zewnętrznym. Można więc w przybliżeniu zastąpić cząstkę pojedynczymoscylującym dipolem, którego moment dipolowy to:

µ =ε− 1

ε+ 2

D3

8E , (1.16)

17

gdzie ε to stała dielektryczna cząstki, D - średnica cząstki, a E - natężeniepola elektrycznego padającego na dipol promieniowania.

Średnie natężenie promieniowania rozproszonego przez dipol w kierunkuźródła promieniowania (wstecznie) wynosi:

Sπ =2π3µ2c

λ4 r2, (1.17)

gdzie c jest prędkością światła w próżni, λ - długością fali a r - odległościąnadajnika fal od rozpraszającej cząstki.

Uwzględnienie wzoru 1.16 w 1.17 daje w wyniku:

Sπ =π3

32

(ε− 1

ε+ 2

)2cE 2D6

λ4 r2. (1.18)

Natężenie promieniowania padającego na cząstkę to S0 = cE2

8π. Na tej

podstawie wyznaczyć można przekrój czynny na rozpraszanie wsteczne:

Cπ =4πr2Sπ

S0

=π5

λ4|K |D6 , (1.19)

(gdzie K = m2−1m2+1

). Taki sam wynik można uzyskać, korzystając z teorii Mie(wzór 1.15) dla odpowiedniego parametru α. Wzór na współczynnik ekstynk-cji przyjmie postać:

Cext =2

3

π5

λ4|K|2D6

︸ ︷︷ ︸Csca

+π2

λD3Im(−K)

︸ ︷︷ ︸Cabs

. (1.20)

W opisywanych w niniejszej rozprawie technikach teledetekcyjnych teoriaRayleigha znajduje zastosowanie przede wszystkim w szacowaniu rozprasza-nia promieniowania laserowego na molekułach powietrza (analiza sygnałulidarowego).

1.4 Fotometria słoneczna

Pasywne metody badania własności chmur i aerozoli atmosferycznychopierają się na obserwacji oddziaływania cząstek z falami elektromagnetycz-nymi emitowanymi przez źródła naturalne – Słońce, Ziemię. Pomiary mogą

18

być prowadzone zarówno z poziomu powierzchni Ziemi jak i z satelitów lub sa-molotów. Najczęściej mierzone są sumaryczne, wypadkowe właściwości ko-lumny powietrza.

Fotometria słoneczna opiera się na pomiarach strumienia bezpośredniegopromieniowania słonecznego przechodzącego przez warstwę atmosfery zgod-nie z prawem Lamberta – Beera (równanie 1.4). Jeśli fala pada na warstwęatmosfery pod kątem θ (odpowiadającym położeniu Słońca względem ze-nitu), prawo ekstynkcji można zapisać jako:

Fdir = F0e−mopt (θ)τ , (1.21)

gdzie Fdir oznacza promieniowanie padające, docierające do czujnikapo przejściu przez warstwę atmosfery, F0 - stałą słoneczną, τ grubośćoptyczną atmosfery (wielkość bezwymiarowa), natomiast mopt – tzw. masęoptyczną atmosfery. Dla kątów zenitalnych poniżej 60 można w przybliżeniuzałożyć, że powierzchnia Ziemi jest płaska a atmosfera stanowi równoległądo niej warstwę (tzw. przybliżenie płasko-równoległe). Masa optyczna atmos-fery wynosi wtedy:

mopt =1

cosθ. (1.22)

Grubość optyczną atmosfery znajduje się, przekształcając równanie 1.21:

τ =1

mopt(θ)ln

F0

Fdir

(1.23)

W praktyce wartość mierzonego strumienia promieniowania znana jestw jednostkach charakterystycznych dla przyrządu pomiarowego, najczęściejw woltach (w przypadku instrumentu wykorzystywanego przez autorkę zwią-zek między irradiancją i napięciem jest liniowy). W związku z tym koniecznejest wyznaczenie w tych jednostkach również stałej słonecznej. Zazwyczajwykonuje się w tym celu tzw. kalibrację Langleya (opisane np. przez Slusseret al., 2000, Morys et al., 2001).

Kalibracja Langleya opiera się na równaniu 1.23 w formie:

lnFdir = −mopt(θ)τ + lnF0 , (1.24)

czyli liniowej zależności lnFdir od masy optycznej (przy założeniu stałej gru-bości optycznej).

19

Rysunek 1.1: Kalibracja Langleya. Prostą typu 1.24 dopasowaną do szeregupomiarów przedłuża się do punktu mopt(0) by wyznaczyć Fdir(0) = lnF0.

Na ogół przeprowadza się szereg pomiarów promieniowania dla mopt z za-kresu od 2 do 5 i do wyników dopasowuje prostą według wzoru 1.24. Prze-dłużenie prostej do punktu mopt(0) pozwala na wyznaczenie Fdir(0) = lnF0

(rysunek1.1). Metoda wymaga, niestety, dość długich (2 – 3h) pomiaróww czasie szybkich zmian wysokości kątowej Słońca oraz bezchmurnej pogodyi niezmiennej grubości optycznej.

Po wyznaczeniu stałej słonecznej w jednostkach przyrządu i określeniupołożenia Słońca na podstawie współrzędnych geograficznych, daty i godziny,można bez przeszkód obliczyć grubość optyczną atmosfery ze wzoru 1.23.Wielkość ta jest sumą grubości optycznych aerozolu, powietrza, ozonu, parywodnej i gazów śladowych, jednak dla fal o długościach w zakresie 0,35 -1 µm można założyć:

τ = τA + τR, (1.25)

gdzie τA to grubość optyczna aerozolu a τR grubość optyczna związana zrozpraszaniem Rayleigha na molekułach powietrza (absorpcję światła sło-necznego można zaniedbać) (Welton, 1998).

Grubość optyczną powietrza wyznaczyć można, korzystając z formuł em-pirycznych, np.:

τR =p

p0

(8436λ−4 − 122 , 5λ−5 + 140λ−6

) · 10−6 , (1.26)

gdzie p to ciśnienie atmosferyczne, p0 – ciśnienie standardowe, λ - długośćfali w µm (Deschamps et al., 1983).

20

1.5 Teledetekcja aktywna

Aktywna teledetekcja atmosfery polega na emisji fal elektromagnetycz-nych o ściśle określonych własnościach a następnie rejestrowaniu sygnałuzwrotnego. W zależności od długości wykorzystywanych fal elektromagne-tycznych mówimy o technikach radarowych (fale radiowe) lub lidarowych(fale z zakresu ultrafioletu, widzialnego i podczerwieni). Historycznie jakopierwsze urządzenia teledetekcji aktywnej pojawiły się radary, których rodo-wód sięga drugiej wojny światowej. W badaniach atmosfery służyły pierwot-nie jedynie do obserwacji cząstek opadowych. W latach sześćdziesiątych za-częto rozwijać techniki pozwalające na obserwacje kropel chmurowych (Gos-sard i Strauch, 1983). Wtedy również pojawiły się pierwsze lidary (Collis,1965).

Podstawową metodą pomiaru jest obserwowanie promieniowania podle-gającego rozproszeniu elastycznemu (Stephens, 1994). Natężenie promienio-wania powracającego do urządzenia teledetekcyjnego w zależności od czasuinformuje o obecności i koncentracjach obiektów rozpraszających w różnychodległościach od instrumentu.

1.5.1 Radary meteorologiczne

Moc echa radarowego pochodzącego od jednorodnie (w sensie statystycz-nym) rozłożonego w jednostce objętości zbioru cząstek jest proporcjonalnado ich współczynnika rozpraszania wstecznego, tradycyjnie zwanego tu od-biciowością radarową (σπ):

σπ =∑

i

C iπ. (1.27)

W zależności od relacji długości stosowanej fali i rozmiarów obserwowa-nych cząstek (rozdział 1.3) przekrój czynny można opisać za pomocą teoriiRayleigha lub Mie. Gdy możliwe jest przyjęcie przybliżenia Rayleigha (wzór1.19), wzór na odbiciowość radarową przyjmuje postać (Sauvageot, 1982):

σπ =π5

λ4|K |2

∑i

D6i ,

(|K | = m2 − 1

m2 + 1

)(1.28)

(m - współczynnik refrakcji), w której jawnie manifestuje się proporcjonal-ność odbiciowości radarowej do sumy szóstych potęg średnic obserwowanych

21

cząstek (Di). Sumę∑

iD6i nazywamy współczynnikiem odbiciowości ra-

darowej (Z). W przypadku gdy założymy ciągłe widmo rozmiarów cząsteko gęstości N(D), możemy zapisać:

Z =

∫ Dmax

Dmin

N (D)D6dD . (1.29)

Współczynnik odbiciowości radarowej reprezentuje średnią odbiciowośćcząstek zamkniętych w jednostce objętości i jest zasadniczo wyrażany w jed-nostkach m6/m3. Ze względu na typowe rozmiary hydrometeorów (rzędunajwyżej milimetrów) i dla ułatwienia interpretacji liczb używa się takżejednostki mm6/m3. W analizie sygnałów radarowych używa się zazwyczajskali logarytmicznej. Aby podać współczynnik odbiciowości radarowej w de-cybelach odbiciowości (dBZ) stosuje się następujące przeliczenie:

Z (dBZ ) = 10log(Z [mm6/m3 ]). (1.30)

Dla σπ w 1/cm, Z w mm6/m3, D w mm i λ w cm można zapisać:

σπ =π5

λ4|K |2Z · 10−12 . (1.31)

Moc rejestrowaną przez antenę radaru zapisać można jako:

Pr = CL2 |K |2 Z

r2, (1.32)

gdzie C jest stałą, której wartość zależy od parametrów radaru i użytych jed-nostek, a L2 to osłabienie wiązki w ośrodku związane z dwukrotnym przej-ściem odległości pomiędzy radarem i celem. Zgodnie z równaniem 1.4 (Ko-khanovsky, 2005):

L2 = e−2R ro σextdr = 10−0 ,2

R r0 σ′extdr , (1.33)

gdzie σ′ext to współczynnik ekstynkcji w dB/m.Możliwość stosowania równania 1.32, wymaga spełnienia następujących

warunków (Sauvageot, 1982):1) wiązka i cel obserwacji w pełni się pokrywają,2) cel składa się z cząstek sferycznych lub zbliżonych,3) stosunek średnicy cząstek i długości fali jest wystarczająco mały, by możnabyło stosować przybliżenie Rayleigha,

22

4) stała dielektryczna oraz przestrzenne rozłożenie cząstek w badanej obję-tości są jednorodne,5) promieniowanie w wiązce radarowej ma gaussowski rozkład energii i li-niową polaryzację,6) można zaniedbać efekty wielokrotnego rozpraszania.

W przypadku gdy warunek 1 nie jest spełniony, konieczne jest użyciewspółczynnika korygującego niepełne pokrywanie się wiązki i celu. Gdy nie-spełnione pozostają warunki 2, 3 i 4, współczynnik odbiciowości radarowej za-stępuje się ekwiwalentnym współczynnikiem odbiciowości. Wielkość ta, ozna-czana symbolem Ze, jest równa współczynnikowi odbiciowości sferycznychcząstek spełniających warunki przybliżenia Rayleigha, dających echo o ta-kiej samej mocy jak obserwowany zbiór cząstek. Równanie 1.28 można wtedyzapisać jako:

σπ = 2 , 8 · 10−10λ−4 |K |2Ze , (1.34)

gdzie σπ jest ponownie w 1/cm, λ w cm a Ze w mm6/m3 (Sauvageot, 1982).W związku z tym, że wielkości opisujące sygnał radarowy są wyrażane

w skalach logarytmicznych, również samo równanie radarowe (1.32) zapisaćmożna w takiej formie:

10logZe︸ ︷︷ ︸Ze [dBZ ]

= 20logr − 10logC ′

Pm

+ logPr

Pm

+ 2

∫ r

0

σ′extdr , (1.35)

gdzie Pm to ustalony poziom referencyjny, do którego odnosi się rejestro-waną moc echa (często przyjmuje się Pm równe minimalnej mierzalnej mocypromieniowania), C ′ - stała (Sauvageot, 1982).

Radary meteorologiczne podzielić można na trzy zasadnicze klasy róż-niące się długością wykorzystywanych fal, a co za tym idzie - wykrywanymizjawiskami oraz zasięgiem:- przyrządy do teledetekcyjnych pomiarów prędkości wiatru (fale długości33cm - 6m)- radary opadowe, służące do wykrywania i monitorowania opadów (fale dłu-gości 3 - 10 cm),- radary chmurowe, pozwalające na badanie wewnętrznej struktury chmur(fale długości 3 - 8 mm).

Wszystkie te urządzenia są w pewnym stopniu czułe na obecność chmur(White et al., 1996). Wyposażone w duże anteny radary opadowe są w stanie

23

wykrywać chmury w obszarze o promieniu kilku kilometrów, nie sprawdzająsię jednak w roli radarów chmurowych ze względu na małą rozdzielczość,niewystarczającą do scharakteryzowania chmury, sposób skanowania nasta-wiony na pokrycie jak największego obszaru (małe kąty elewacji) i dość silnezakłócenia. W przypadku urządzeń do pomiarów prędkości wiatru, znacznadługość wykorzystywanych przez nie fal uniemożliwia wykrywanie cząstekchmurowych o małych rozmiarach.

Optymalnym narzędziem do obserwacji chmur są wyspecjalizowane ra-dary chmurowe, których cechą jest wykorzystanie relatywnie krótkich fal(rzędu milimetrów) sprzyjających detekcji małych hydrometeorów oraz sku-pionych wiązek i krótkich impulsów dzięki czemu można uzyskać dużą roz-dzielczość (rzędu dziesiątek metrów) co pozwala na śledzenie drobnoskalowejstruktury zachmurzenia (Moran et al., 1998).

1.5.2 Lidary aerozolowe

Jak już wspomniano, pomiary lidarowe opierają się na tej samej zasadzieco radarowe: w badany obszar atmosfery emituje się krótkie impulsy promie-niowania a następnie rejestruje się sygnały rozproszone. Zasadniczą różnicęstanowi długość fal wykorzystywanych w pomiarach, które w przypadku li-darów należą do zakresu ultrafiolet - podczerwień.

Przy pomiarach aerozolowych długości fal lasera dobiera się tak, by ilośćpromieniowania absorbowanego była zaniedbywalna w porównaniu z ilościąpromieniowania rozpraszanego. Detekcja powracającego światła prowadzonajest w zakresie widmowym fal emitowanych, co oznacza rejestrację jedynierozpraszania elastycznego. Analiza sygnału zwrotnego pozwala na znalezie-nie współczynników rozpraszania wstecznego oraz ekstynkcji promieniowaniaw atmosferze. Informacje te posłużyć mogą do określenia własności aerozolui jego koncentracji. W przypadku lidarów wieloczęstotliwościowych możliwejest ponadto wyznaczenie przybliżonego rozkładu wielkości cząstek zawiesiny(Kolwas et al., 2007)

Jeśli oprócz natężenia sygnału rejestruje się także jego polaryzację, okre-ślić można sferyczność znajdujących się w atmosferze cząstek. Cząstki sfe-ryczne (np. krople) nie zmieniają polaryzacji fali rozpraszanej do tyłu, pod-czas gdy w przypadku cząstek o nieregularnych kształtach stopień depolary-zacji jest wysoki.

24

Równanie lidarowe

Przy założeniu, że każdy foton wracający do detektora lidaru ulega jedy-nie pojedynczemu rozproszeniu w badanym ośrodku, oraz że długość prze-strzenna impulsu laserowego jest wielokrotnie krótsza od odległości międzyurządzeniem a badanym obszarem, sygnał lidarowy (P ) opisuje równanie(Klett, 1981; Fernald, 1984):

P(r) =CE

r2[σR

π (r) + σAπ (r)]L2

RL2A. (1.36)

Łatwo zauważyć, że wzór ten przypomina równanie radarowe (1.32) -w obu przypadkach moc sygnału jest proporcjonalna do stałych związa-nych z przyrządem (C - stała lidarowa, E - energia impulsu laserowego)i odwrotnie proporcjonalna do kwadratu odległości od urządzenia (r2). Wprzypadku lidaru, oprócz σA

π (r), współczynnika rozpraszania wstecznegoprzez cząstki aerozolu (właściwy cel obserwacji), uwzględnia się dodatkowoσR

π (r) - współczynnik rozpraszania wstecznego przez cząsteczki powietrza.Podobnie w przypadku ekstynkcji bierze się pod uwagę współczynniki trans-misji zarówno dla cząstek aerozolu (LA) jak i powietrza (LR). Krótsze od ra-darowych fale lidarowe w większym stopniu ulegają rozpraszaniu przez mole-kuły powietrza, współczynników σR

π (r) i LR nie można więc w tym przypadkuzaniedbać.

Przy rozwiązywaniu równania 1.36 wprowadza się zmienną pomocniczą -sygnał z korekcją odległości:

X (r) =P(r)

Er2 . (1.37)

Niezbędne jest również poznanie lub założenie związku pomiędzy współ-czynnikami rozpraszania wstecznego i ekstynkcji aerozolowej(σA

ext). Najczę-ściej wybiera się związek liniowy, spełniony gdy obserwowany aerozol jestjednorodny co do rozkładu wielkości i składu chemicznego (Fernald, 1984;Welton et al., 2000):

σAext(r) = SA(r)σA

π (r), (1.38)

gdzie SA jest stosunkiem współczynnika ekstynkcji do współczynnika rozpra-szania wstecznego. Pozwala to na obliczenie wartości współczynnika trans-misji:

LA = exp

(−

∫σA

ext(r)dr

)= exp

(−

∫σA

π (r)SA(r)dr

). (1.39)

25

Przy szacowaniu wartości powyższej całki przyjmuje się na ogół założenie,że SA nie zależy od odległości (Welton et al., 2000). Rozwiązanie równania1.36 można wtedy przedstawić następująco:

σAπ (r) =

X (r)L2 (R−1 )R (r)

C − 2SA

∫ r

0X (r ′)L2 (R−1 )

R (r ′)dr ′− σR

π (r), (1.40)

gdzie

R =SA

SR

, (1.41)

a SR=8π/3 to stosunek rozpraszania wstecznego i ekstynkcji dla rozpraszaniaRayleigha.

Obliczenia metodą Kletta-Fernalda rozpoczyna się w szczytowym punkciepomiarowym (rmax), gdzie można założyć brak aerozolu, a więc σA

π (rmax)=0.Dla kolejnych, coraz niższych par poziomów rozwiązuje się następnie paryrównań 1.40 (dla r i r − dr). Pozwala to wyeliminować z analizy trudnądo wyznaczenia wielkość, jaką jest stała lidarowa C (Fernald, 1984). σR

π (r)wyznacza się z wykorzystaniem formuł empirycznych, na podstawie profilitemperatury i ciśnienia znanych z sondaży aerologicznych (Bockmann et al.,2004).

Parametr SA obliczany jest iteracyjnie. W pierwszym przebiegu zakładasię typową wartość SA (założenie nie wpływa na wynik końcowy). Następnie,po wyznaczeniu całego profilu σA

π obliczona zostaje nowa wartość SA:

SA =τSP∫σA

π (r)dr, (1.42)

gdzie τSP to całkowita grubość optyczna aerozolu wyznaczona na podstawiepomiarów za pomocą niezależnego instrumentu, np. fotometru słonecznegotypu Microtops (Welton, 1998; Welton et al., 2000; Karasiński et al., 2007;Kardas et al., 2010). Nową wartość SA wykorzystuje się w kolejnej turzeobliczeń. Procedura jest powtarzana do czasu, gdy różnica pomiędzy ko-lejno obliczanymi SA stanie się mniejsza niż ustalona wielkość. W programieprzeprowadzającym powyższe obliczenia napisanym przez autorkę przyjęto0.0001 jako wartość różnicy, przy której kończy się iterację.

Opisana wyżej procedura może być zastosowana dla całej grubości atmos-fery lub wybranej warstwy. To drugie rozwiązanie przydatne jest, gdy mamydo czynienia z obecnością w atmosferze warstw aerozolu o różnych własno-ściach i gdy mamy możliwość oszacowania grubości optycznej poszczególnych

26

warstw. Pomysł i konkretne zastosowanie takiego rozwiązania przedstawionow artykule (Kardas et al., 2010) oraz pracy magisterskiej autorki (Kardaś,2005): podczas kampanii pomiarowej SAWA (Saharan Aerosol over WArsaww 2005 r) zaobserwowano przemieszczanie się nad miejską warstwą granicznąaerozolu pochodzenia pustynnego. Algorytm Kletta-Fernalda zastosowanodo każdej z warstw oddzielnie, sklejając rozwiązania. Grubości optyczne każ-dej z warstw zostały oszacowane na podstawie pomiarów fotometrycznych ilidarowych.

1.5.3 Podsumowanie

Radary meteorologiczne i lidary rozproszeniowe to urządzenia działającena tej samej zasadzie, posługujące się falami o różnej długości w celu badaniacząstek o różnych rozmiarach.

Tabela 1.1 przedstawia wartości parametru wielkości (wzór 1.10) w zależ-ności od długości używanych fal i wielkości obserwowanych cząstek. Patrzącna rzędy wielkości tego parametru dla poszczególnych przypadków, zauważyćmożna, że przy zestawieniach:- długości fal wykorzystywanych w lidarach - rozmiary cząstek aerozolu(o średnicach poniżej 1 mikrometra)- długości fal wykorzystywanych w radarach - rozmiary hydrometeorów (czą-stek chmurowych i opadowych o średnicach powyżej 1 mikrometra)przybiera on podobne wartości. Oznacza to, że, mimo różnic skal, rozprasza-niem promieniowania w obu tych przypadkach rządzą podobne zasady.

Zwyczajowo sygnały radarowe i lidarowe opracowywane są różnymi me-todami, jednak same równania radarowe 1.32 i lidarowe 1.36 są w istociepodobne. Moc rejestrowanego sygnału- zależy od parametrów urządzenia i użytej mocy impulsu,- jest proporcjonalna do współczynnika rozproszenia wstecznego / odbicio-wości ośrodka,- jest odwrotnie proporcjonalna do kwadratu odległości między instrumen-tem a celem,- zgodnie z prawem Lamberta-Beera jest pomniejszona o moc promieniowaniarozpraszanego i absorbowanego z wiązki podczas jej dwukrotnego przejściaprzez ośrodek (od urządzenia do celu i z powrotem).

Radary sprawdzają się przy obserwacji hydrometeorów - przede wszyst-kim cząstek opadowych, a w przypadku fal długości milimetrów także cząstekchmurowych. W porównaniu z lidarami, wiązki radarów meteorologicznych

27

mają duże moce (od dziesiątych wata do tysięcy kilowatów -White et al.,1996, Moran et al., 1998) co pozwala na penetrację w głąb chmury i badaniejej struktury. Fale radarowe są mało podatne na tłumienie przez powietrze,natomiast zmiany współczynnika załamania światła w powietrzu mogą pro-wadzić do zmian toru wiązek i wprowadzać tzw. echa pasożytnicze (Gossardi Strauch, 1983).

Lidary rozproszeniowe posługują się wiązkami o mocach pojedynczychwatów i z reguły nie są w stanie zbadać struktury chmury, we wnętrzu któ-rej promieniowanie świetlne jest skutecznie rozpraszane, co skutkuje z jed-nej strony silną ekstynkcją, a z drugiej rejestrowaniem przez detektor li-daru sygnałów pochodzących z wielokrotnego rozproszenia. Fala lidarowa,ze względu na małą długość, jest również efektywnie rozpraszana przez czą-steczki powietrza (szczególnie w przypadku zastosowania fal ultrafioleto-wych), nie można więc przy przetwarzaniu sygnałów lidarowych zaniedbywaćstosownej poprawki (Kolwas et al., 2007). Głównym zastosowaniem lidarówrozproszeniowych są badania aerozolu.

Pomiary wykonane za pomocą urządzeń radarowych i lidarowych zostaływykorzystane w badaniach prowadzonych przez autorkę, przedstawionychw kolejnych rozdziałach.

28

D[m

]lid

arra

dar

chm

urow

yra

dar

opad

owy

355

nm53

2nm

1064

nm3,

2m

m8,

6m

m3

cm10

cm10−9

8,85·1

0−3

5,91·1

0−3

2,95·1

0−3

3,67·1

0−7

9,84·1

0−7

1,05·1

0−7

3,14·1

0−8

10−8

8,85·1

0−2

5,91·1

0−2

2,95·1

0−2

3,67·1

0−6

9,84·1

0−6

1,05·1

0−6

3,14·1

0−7

10−7

8,85·1

0−1

5,91·1

0−1

2,95·1

0−1

3,67·1

0−5

9,84·1

0−5

1,05·1

0−5

3,14·1

0−6

10−6

8,85·1

005,

91·1

002,

95·1

003,

67·1

0−4

9,84·1

0−4

1,05·1

0−4

3,14·1

0−5

10−5

8,85·1

015,

91·1

012,

95·1

013,

67·1

0−3

9,84·1

0−3

1,05·1

0−3

3,14·1

0−4

10−4

8,85·1

025,

91·1

022,

95·1

023,

67·1

0−2

9,84·1

0−2

1,05·1

0−2

3,14·1

0−3

10−3

8,85·1

035,

91·1

032,

95·1

033,

67·1

0−1

9,84·1

0−1

1,05·1

0−1

3,14·1

0−2

10−2

8,85·1

045,

91·1

042,

95·1

043,

67·1

009,

84·1

001,

05·1

003,

14·1

0−1

10−1

8,85·1

055,

91·1

052,

95·1

053,

67·1

019,

84·1

011,

05·1

013,

14·1

00

Tab

lica

1.1:

War

tośc

ipa

ram

etru

wie

lkoś

ciα

(wzó

r1.

10dl

afa

llid

arow

ych

ira

daro

wyc

hor

azró

żnyc

hśr

edni

ccz

ąste

kro

zpra

szaj

ącyc

hpr

omie

niow

anie

-D

).

29

Rozdział 2

Teledetekcyjne obserwacjeaerozolu

2.1 Kampania pomiarowa MACRON

Jak wskazują dane zebrane w raporcie IPCC (IPCC, 2007), pomiary wła-sności aerozolu występującego w rejonach arktycznych są istotne dla zrozu-mienia zachodzących w ciągu ostatnich 100 lat zmian klimatu. Niedostępnydla satelitów geostacjonarnych oraz pokryty rzadką siatką stacji naziemnychobszar na północ od koła podbiegunowego jest jednocześnie miejscem, w któ-rym tempo wzrostu temperatury niemal dwukrotnie przekracza średnią glo-balną. Duże oddalenie od znaczących rejonów uprzemysłowionych czy pu-stynnych nie zapobiega docieraniu w obszary okołobiegunowe mas powie-trza niosących aerozole. Osiadające na powierzchni śniegów cząstki aerozolu- zwłaszcza zawierające węgiel cząsteczkowy produkty spalania - zmieniają al-bedo powierzchni (Hansen i Nazarenko, 2004). Ponadto, małe elewacje Słońcasprzyjają tu wielokrotnemu rozpraszaniu promieniowania słonecznego na kro-plach chmurowych i cząstkach aerozolu (Chylek et al., 1974; Randles et al.,2004), co zwiększa znaczenie chmur i aerozoli dla lokalnego bilansu promienio-wania w porównaniu z rejonami niższych szerokości geograficznych (Herberet al., 1999; Treffeisen et al., 2007). Z powyższych względów wnioski z po-miarów prowadzonych w innych szerokościach geograficznych nie mogą byćtraktowane jako reprezentatywne dla rejonów okołobiegunowych. Informacjezgromadzone podczas kampanii pomiarowych takich jak MACRON (Mari-

30

Rysunek 2.1: Miejsca prowadzenia pomiarów w czasie kampanii MACRON.Mapy stworzone z użyciem witryny Planiglobe - http://www.planiglobe.com

time Aerosol, Clouds and Radiation Observations in Norway) stanowią wkładw zrozumienie zachodzących w Arktyce procesów radiacyjnych.

Kampania pomiarowa MACRON, w której uczestniczyła autorka niniej-szej rozprawy, miała miejsce w dniach 25 lipca - 16 sierpnia 2007. Pomiaryprowadzono w kilku lokalizacjach w pobliżu miejscowości Andenes na wyspieAndøya (6917’N, 1600’E), na północnym krańcu archipelagu Vesteralenw Norwegii (rysunek 2.1). Organizatorami kampanii były Instytuty Geofi-zyki i Fizyki Doświadczalnej Wydziału Fizyki Uniwersytetu Warszawskiego(IGF i IFD), Instytut Oceanologii PAN (IO PAN) oraz ALOMAR (ArcticLidar Observatory for Middle Atmosphere Research – Arktyczne Obserwato-rium Lidarowe do Badań Środkowej Atmosfery).

W położonym na wzniesieniu o wysokości 380 m obserwatorium ALO-MAR umieszczono należące do IGF przyrządy do pomiarów pasywnych -pyranometry, pyrgeometr, multispektralny fotometr słoneczny. Prowadzonotam również pomiary za pomocą instrumentów należących do ALOMAR(m.in. lidaru aerozolowego).

U podnóża wzniesienia, na terenie meteorologicznego poligonu rakieto-wego (ARR - Andoøya Rocket Range), ustawiony został lidar aerozolowyIFD oraz należący do ARR ceilometr. W wiosce Bleik, położonej na połu-

31

Rysunek 2.2: Ustawienie ceilometru w porcie w miejscowości Bleik.

dnie od poligonu i oddzielonej od niego skalistym cyplem pracował ceilometrIGF (rysunek 2.2). Obydwa ceilometry były tego samego typu (CHM15K).Pod koniec kampanii w okolice Andenes przypłynął statek badawczy PolskiejAkademii Nauk, Oceania, wyposażony w liczniki cząstek (PMS CSASP-100oraz CPC).

Celem eksperymentu było zbadanie własności aerozolu atmosferycznegooraz oddziaływań pomiędzy atmosferą i powierzchnią morza w rejonie Ark-tyki. Zgodnie z zamieszczonym wyżej opisem, kampania MACRON odbywałasię na północ od koła podbiegunowego północnego. Ze względu na umiejsco-wienie punktów pomiarowych na brzegu oceanu (rysunek 2.1), dominują-cym typem obserwowanego aerozolu był aerozol morski (Petelski i Pisko-zub, 2006). Jego podstawowym składnikiem są higroskopijne cząsteczki solimorskiej – NaCl,KCl, CaSO4, (NH4)2SO4 (Visconti, 2001), dostające siędo atmosfery w wyniku załamywania się fal morskich i odparowywania kro-pel wody wyrzucanych w powietrze w tym procesie. Kształt cząstek soli mor-skiej zależy od wilgotności powietrza: przy niskich wilgotnościach dominująsześcienne kryształki, przy wysokich sól rozpuszcza się w siadającej na niejwodzie i cząsteczki przybierają kształty sferyczne.

Oprócz soli morskiej, na aerozol morski składają się również skroplonegazy emitowane przez plankton. Liczbowo dominują cząstki Aitkena, jednakza większość całkowitej masy aerozolu odpowiadają cząstki modu akumula-

32

cyjnego i grube. Koncentracje mogą zmieniać się w zakresie 600 - 9000 cm−3,w zależności od stopnia zanieczyszczenia masy powietrza zalegającej nad mo-rzem cząstkami pochodzenia antropogenicznego (Hess et al., 1998).

Grubości optyczne obserwowane w rejonie arktycznym osiągają maksy-malne wartości późną zimą i wczesną wiosną, kiedy długo utrzymujące sięukłady wysokiego ciśnienia sprzyjają akumulacji zanieczyszczeń emitowa-nych lokalnie oraz transportowanych tu z niższych szerokości geograficznych(Shaw, 1995). W innych porach roku zwiększone grubości optyczne wiążą się(jak w przypadku omawianym w niniejszej rozprawie) z epizodami napływuzanieczyszczonego powietrza z południa (Herber et al., 1999; Tomasi et al.,2007).

Szczególnym przypadkiem zaobserwowanym podczas kampanii MA-CRON był napływ zanieczyszczonej aerozolem antropogenicznym masy po-wietrza z południa (7 - 8 sierpnia 2007). Nad obszarami zurbanizowanymiw składzie aerozolu dominują produkty spalania (przemysł i transport), ero-zji wiatrowej (składowisk popiołów, odpadów czy materiałów budowlanych,budów, dróg) oraz procesów przemysłowych (Seinfeld i Pandis, 1997). Obecnew dużych ilościach siarczany, azotany, węglany i związki amonowe mogą byćrozpuszczane w kroplach wody i przechodzić reakcje fotochemiczne, tworzącróżne rodzaje smogu. W porównaniu z naturalnym aerozolem morskim, ae-rozol z terenów uprzemysłowionych w większym stopniu pochłania promie-niowanie słoneczne z pasma widzialnego (d’Almeida et al., 1991). Aerozoltransportowany z południa jest w związku z tym istotnym elementem bi-lansu radiacyjnego okolic podbiegunowych.

Opis tego przypadku, a w szczególności pomiarów fotometrycznych i ce-ilometrowych, w których brała udział autorka pracy, zawierają kolejne pod-rozdziały. Opis wyników znajduje się w artykule Study of vertical structure ofaerosol optical properties with sun photometers and ceilometer during MA-CRON campaign in 2007 (Markowicz et al., 2012), którego współautorkąjest doktorantka. Poniżej przedstawiono wykonane przez nią analizy sytuacjisynoptycznej, danych pomiarowych i wyników modeli numerycznych.

33

2.2 Instrumenty

Microtops II

Przyrządem pozwalającym na określanie grubości optycznej aerozolu me-todą pomiaru bezpośredniego promieniowania słonecznego jest fotometr sło-neczny. Jego detektory (zazwyczaj fotodiody) umieszczone są w głębi kie-rowanej w stronę tarczy słonecznej tuby. Ścianki tuby ograniczają wpływpromieniowania rozproszonego na wynik pomiaru. Kąt widzenia przyrządujest zwykle trochę większy niż kątowy rozmiar Słońca, co ułatwia celowanielecz jednocześnie zawyża mierzone natężenia promieniowania (a więc zaniżagrubości optyczne). Urządzenie wyposażone jest w filtry obcinające zakresczęstości fal docierających do detektorów, dzięki czemu możliwe jest obser-wowanie promieniowania w wąskich zakresach spektralnych.

Używany podczas kampanii MACRON Microtops II jest popularnym in-strumentem tego typu, produkowanym przez Solar Light Co. Inc. MicrotopsII mierzy promieniowanie w pięciu kanałach widmowych (w przypadku urzą-dzenia używanego przez autorkę są to kanały 380, 500, 675, 870 i 1020 nm),co pozwala na przybliżone oszacowanie zawartości w atmosferze cząstek róż-nych rozmiarów. Przyrząd jest niewielki, obserwator samodzielnie nakiero-wuje go na tarczę słoneczną. Wyniki pomiarów zapisywane są w pamięciurządzenia wraz z dodatkowymi danymi – datą i godziną, współrzędnymigeograficznymi (z odbiornika GPS), wysokością kątową Słońca, temperaturąi ciśnieniem powietrza. Microtops II ma zaprogramowane algorytmy oblicza-jące grubość optyczną atmosfery, można więc na bieżąco śledzić wyniki bezkonieczności korzystania z dodatkowych urządzeń. Rozdzielczość przyrząduto 0,1 Wm−2, dokładność 5%, a kąt widzenia 2,5.

Wykresy 2.3 i 2.4 przedstawiają wartości grubości optycznej obserwowaneza pomocą fotometru Microtops podczas kampanii MACRON. Średnie war-tości dla tego okresu (z wyłączeniem dni 7 i 8 sierpnia, kiedy obserwowanonapływ nad wyspę zanieczyszczonej masy powietrza) zebrane są w tabeli 2.1.

Ceilometr

Ceilometry to proste w obsłudze przyrządy zbudowane na zasadzie lidaru,ale używające wiązek laserowych o mniejszych mocach i mające mniejszyzasięg (tabela 2.2). Ich pierwotnym przeznaczeniem są pomiary wysokościpodstawy chmur ale mogą być również przydatne w szerszych badaniach

34

Tablica 2.1: Arytmetyczne średnie wartości grubości optycznej aerozolu (τ) mie-rzonej podczas kampanii MACRON (25 lipca – 6 sierpnia, 9 – 15 sierpnia 2007) wposzczególnych kanałach (λ) wraz z odchyleniem standardowym.

λ[nm] τ380 0,1 ± 0,03500 0,09 ± 0,03675 0,05 ± 0,02870 0,03 ± 0,02

1020 0,04 ± 0,02

Rysunek 2.3: Grubości optyczne aerozolu mierzone za pomocą fotometru Mi-crotops dla długości fali 380nm i 500nm podczas trwania kampanii MACRON.

35

Rysunek 2.4: Grubości optyczne aerozolu mierzone za pomocą fotometru Mi-crotops dla długości fali 675nm, 870nm i 1020nm podczas trwania kampanii MA-CRON.

36

warstwy granicznej atmosfery, w szczególności warstw występującego w niejaerozolu (O’Connor et al., 2004; Eresmaa et al., 2006; Markowicz et al., 2008).

W artykule (Markowicz et al., 2008), do którego część obliczeń przepro-wadziła autorka, wykazano zgodność pomiarów ceilometrowych z lidarowymina przykładzie danych z kampanii pomiarowych UAE2 (United Arab Emira-tes Unified Aerosol Experiment , Remiszewska et al., 2007) oraz SAWA (Sa-haran Aerosol over Warsaw , Karasiński et al., 2007, Kardas et al., 2010).Mimo zmniejszonego w porównaniu z lidarami aerozolowymi stosunku sy-gnału do szumu, ceilometr dobrze oddaje charakterystyczne cechy aerozoluatmosferycznego - struktury warstw, ich względne grubości optyczne, głębo-kość atmosferycznej warstwy granicznej.

Realny zasięg przyrządu zależy od grubości optycznej atmosfery. Przy sil-nym zanieczyszczeniu (np. warunki miejskie) ogranicza się do warstwy gra-nicznej - wyżej wykrywane są tylko warstwy o dużych współczynnikach roz-proszenia wstecznego, przede wszystkim chmury. Korzystne jest prowadzeniepomiarów nocą, gdy maleje poziom szumów w tle, powodowanych przez pro-mieniowanie słoneczne (Stachlewska et al., 2012).

W ramach prac nad artykułem (Markowicz et al., 2008), autorka roz-prawy przetestowała różne metody uzyskiwania profili współczynnika eks-tynkcji na podstawie sygnałów ceilometrowych, w szczególności opisany wy-żej algorytm Kletta-Fernalda, wymagający podania grubości optycznej at-mosfery oraz założenia braku aerozolu na pewnej wysokości w atmosferze.Wnioskiem płynącym z obliczeń była konieczność zachowania dużej ostroż-ności przy opracowywaniu sygnałów tą metodą:- gdy realny zasięg przyrządu był zbyt mały dla zaobserwowania wszystkichwarstw aerozolu w atmosferze, zastosowanie całkowitej grubości atmosferyprowadziło do przeszacowania współczynników ekstynkcji (algorytm dobie-rał je tak, by warstwa atmosfery w zasięgu przyrządu miała grubość optycznąrówną całkowitej grubości optycznej atmosfery - wielkości mierzonej za po-mocą fotometru),- założenie, że współczynnik ekstynkcji lub rozpraszania wstecznego aerozoluna pewnej wysokości wynosi 0 bywa nieprawdziwe (jak np. w przykładzieprzedstawionym przez Markowicza i innych, (2008) w którym niewielki zasięgużytego urządzenia wymuszał rozpoczynanie obliczeń na poziomie 1,5 km,gdzie założenie o braku aerozolu nie było spełnione).

Jak wspomniano wcześniej, podczas kampanii pomiarowej MACRON(rozdział 2.1) wykorzystywano dwa ceilometry CHM15K firmy Jenoptik.W instrumentach tego typu źródło fal elektromagnetycznych stanowi pompo-

37

wany diodami laser typu Nd-YAG, emitujący promieniowanie podczerwoneo długości 1064 nm. W przeciwieństwie do fali długości 905 nm, stosowanejstandardowo w ceilometrach CT25K firmy Vaisala (używanych w kampaniachUAE i SAWA), fale o długości 1064 nm leżą poza pasmem absorpcji pary wod-nej, co zwiększa zasięg urządzenia oraz wyklucza konieczność uwzględnianiaprofili wilgotności powietrza przy opracowaniu danych (Markowicz et al.,2008).

Nadajnik celiometru CHM15K wysyła impulsy o energii 8 µJ powtarzanez częstością 5-7 KHz. Rozbieżność wiązki wynosi 100 µrad a długość impulsui system bramkowania pozwalają osiągnąć rozdzielczość pionową pomiaru15 m. Odbiornik CHM15K zbudowany jest z krzemowych fotodiod lawino-wych i licznika fotonów. Okres w jakim uśredniane są odbierane impulsymoże wynosić od 5 sekund do 60 minut, zależnie od stosunku sygnału doszumu. W czasie wspomnianego eksperymentu okres uśredniania wynosił 15sekund.

CMH15K Teramobile Profiler 510M1064 nm 1064 nm

długość fali 1064 nm 532 nm 532 nm355 nm 355 nm

energia impulsu (1064nm) 8 µJ 20 mJ 200mJczęstość repetycji 7 kHz 15 Hz 10Hz

maksymalny zasięg ok. 15 km ok. 20 km ok. 12 kmrealny zasięg ok. 8 km ok. 10 km ok. 8 km

obszar kompresji geom. 650 m 450 - 600 m 750 -1000 m

Tablica 2.2: Porównanie ceilometru CMH15K, lidaru Teramobile Profiler (Stel-maszczyk et al., 2005; Kardas et al., 2010) i 510M (Karasiński et al., 2007; Kolwaset al., 2007).

W tabeli 2.2 porównano parametry ceilometru CMH15K z dwoma lida-rami używanymi podczas kampanii pomiarowych organizowanych przez In-stytuty Geofizyki oraz Fizyki Doświadczalnej (Wydział Fizyki UniwersytetuWarszawskiego):- Teramobile Profiler, mikroimpulsowy lidar Wolnego Uniwersytetu w Berli-nie (Stelmaszczyk et al., 2005; Kardas et al., 2010), o konstrukcji zoptymali-zowanej pod względem kompresji geometrycznej, posługujący się impulsami

38

o niskiej mocy,- lidar 510M Instytutu Fizyki Doświadczalnej, typowy lidar aerozolowy,w ostatnim czasie udoskonalony dla zmniejszenia kompresji geometrycznej(z ok. 1 km do 750 m) (Kolwas et al., 2007; Karasiński et al., 2007), wyko-rzystywany podczas kampanii MACRON.

Zaletą CHM15K jest niewielki obszar kompresji geometrycznej - obniże-nia mocy sygnału wynikającego z niepełnego pokrywania się kąta widzeniateleskopu i wiązki laserowej. Redukcja kompresji geometrycznej jest moż-liwa dzięki zastosowaniu układu jednosoczewkowego, w którym punkt emisjiwiązki laserowej umieszczony jest w centrum teleskopu odbierającego roz-proszone sygnały oraz odpowiedniemu doborowi apertury układu. Jest torozwiązanie korzystniejsze niż tradycyjne, w którym osie teleskopu i emito-wanej wiązki są rozsunięte (Stelmaszczyk et al., 2005).

Podczas analizy danych lidarowych lub ceilometrowych wprowadzićmożna poprawkę neutralizującą efekt kompresji geometrycznej. Poprawkęwyznacza się na podstawie sygnałów rejestrowanych przez urządzenie pod-czas penetracji jednorodnej warstwy aerozolu. Jej wartość określają różnicepomiędzy echami mierzonymi w obszarze kompresji geometrycznej i pozanim. W przypadku CMH15K można dzięki temu przesunąć dolną granicępomiarów do poziomu ok. 250 m.

Lidar satelitarny CALIOP

Lidar satelitarny CALIOP (Cloud-Aerosol Lidar with Ortogonal Polariza-tion) zainstalowany jest na jednym z satelitów tzw. „popołudniowej konste-lacji” (A-train (Afternoon train) constellation), CALIPSO (Cloud-AerosolLidar and Infrared Pathfinder Satellite Observations). Popołudniowa kon-stelacja to zbiór satelitów poruszających się po tej samej orbicie biegunowej,przelatujących nad kolejnymi długościami geograficznymi codziennie w przy-bliżeniu o tej samej porze dnia (przewodzący konstelacji satelita Aqua prze-kracza równik o 13:30 czasu lokalnego). Ustawienie satelitów w „kolejce”,jednego za drugim, pozwala na obserwację niemal tej samej sytuacji za po-mocą różnych przyrządów pomiarowych, np. CALIPSO podąża kilkanaściesekund za wyposażonym w radar CloudSatem i o ok. dwie minuty poprzedzaPARASOLa (Deschamps et al., 1994) niosącego dziewięciokanałowy polary-metr (Stephens et al., 2002).

CALIOP, podobnie jak lidary i ceilometr wspominane w poprzednim pod-rozdziale, zbudowany jest z wykorzystaniem pompowanego diodami lasera

39

Nd-Yag. Zasadnicza długość fali emitowanej przez laser to 1064 nm, dziękipodwajaniu częstości korzystać można również z fali długości 532 nm. Taostatnia rejestrowana jest z podziałem na polaryzację równoległą i prosto-padłą do polaryzacji fali emitowanej, co umożliwia odróżnianie np. kropelchmurowych od kryształków lodu, gdyż cząstki o kształtach niesferycznych(w przeciwieństwie do sferycznych, ciekłych) w dużym stopniu depolaryzująsygnał (Vaughan et al., 2004).

Przestrzenny zakres działania przyrządu sięga od powierzchni Ziemido wysokości ok. 40 km. Energia impulsu w każdej długości fali wynosiok. 110 mJ, częstość powtarzania - 20.2 Hz. Rozdzielczość w pionie to 30 m,w wyższej troposferze i stratosferze sygnały są dodatkowo uśredniane i efek-tywnie rozdzielczość wynosi odpowiednio 60 i 180 m (Winker et al., 2003)

Dane pochodzące z CALIPSO to przede wszystkim profile współczynnikarozpraszania wstecznego. Wszechstronność informacji zbieranych przez urzą-dzenie pozwala jednak na określenie dodatkowo innych parametrów:1. Odróżnienie aerozolu od chmury - odbywa się na podstawie różnicspektralnych w rozpraszaniu i ekstynkcji. Krople chmurowe są na ogół dużew porównaniu z obydwoma długościami fal lidarowych, w związku z czymsygnały w obu kanałach są zbliżone. W przypadku cząstek aerozolu (drob-niejszych niż chmurowe) widoczne są różnice w sygnałach.2. Identyfikacja typu chmury (wodna, lodowa, mieszana) - odbywa sięw oparciu o depolaryzację sygnału 532nm i jej niepewność.3. Identyfikacja typu aerozolu - na podstawie optycznych własności aero-zolu (współczynnik rozpraszania wstecznego, depolaryzacja), miejsca i poryroku określa się najbardziej prawdopodobny typ aerozolu. Algorytm uwzględ-nia sześć kategorii: zanieczyszczony aerozol kontynentalny, dym - aerozolz produktami spalania biomasy, pył mineralny, pył zanieczyszczony produk-tami spalania, czysty aerozol morski oraz kontynentalny (Winker et al., 2003;Omar et al., 2009).

2.3 Studium przypadku: napływ aerozolu an-tropogenicznego 7-8 sierpnia 2007

2.3.1 Sytuacja synoptyczna

5 sierpnia 2007 r. nad Europą Centralną zaczął wzmacniać się i rozra-stać ośrodek wyżowy (rysunek 2.5). Jednocześnie nad północnym Atlanty-

40

05.08.2007 06.08.2007

07.08.2007 08.08.2007

Rysunek 2.5: Mapy synoptyczna dla Europy, 5-8 sierpnia 2007, 00:00 UTC ,dzięki uprzejmości UK Met Office.

41

Rysunek 2.6: Trajektorie wsteczne dla masy powietrza napływającej nad Ande-nes 7 sierpnia 2007 o godzinie 06:00 UTC, obliczone za pomocą modelu HYSPLIT(dane z reanalizy).

kiem rozwinął się rozległy niż islandzki z dwoma centrami - na północnyoraz południowy wschód od Islandii. Sytuacja sprzyjała więc transportowimas powietrza z Europy Zachodniej (Francja) na północ. 6 sierpnia ośrodekniżowy wyodrębniony z niżu islandzkiego objął swoim wpływem Wielką Bry-tanię i Europę Zachodnią, odsuwając wyż na północny wschód, dzięki czemuw stronę Skandynawii popłynęło z kolei powietrze znad Niemiec. 7 sierpnianiż brytyjski rozpadł się, w wyniku czego u wybrzeży Norwegii powstał nowy,płytki niż (układ widoczny na mapce z godziny 00:00 UTC, 08.08.2007, rysu-nek 2.5). Aktywny wyż, który dotarł tymczasem w rejon Półwyspu Kolskiego,wciąż jednak podtrzymywał przepływ południowy nad północną Skandyna-wią.

Powyższą analizę synoptyczną potwierdza przebieg trajektorii wstecznychobliczonych przez autorkę za pomocą modelu HYSPLIT - HYbrid Single-Particle Lagrangian Integrated Trajectory (Draxler i Rolph, 2003; Rolph,2003) dostępnego na stronie READY (Real-time Environmental Applicationsand Display sYstem, http://ready.arl.noaa.gov) prowadzonej przez NOAAAir Resources Laboratory . Trajektorie obliczono dla poziomów 1,5, 2 i 2,5 km- wysokości, na których pomiary ceilometrowe wskazały na obecność warstwy

42

Rysunek 2.7: Kierunki wiatru w rejonie Vesteralen 7 i 8 sierpnia 2007, na pod-stawie sondaży aerologicznych z Bodo (6718’N, 1432’E).

aerozolu (rozdział 2.3.3). Jak widać na rysunku 2.6, 7 sierpnia 2007 nad Ande-nes docierało powietrze znad uprzemysłowionych rejonów Niemiec (NadreniaPółnocna-Westfalia) i krajów Beneluksu.

Jak wskazują wyniki sondaży aerologicznych z Bodo, 7 i 8 sierpnia w rejo-nie Vesteralen powyżej warstwy granicznej wiatr wiał z kierunku południowowschodniego (rysunek 2.7). 7 sierpnia przez większość dnia chmury pokry-wały ponad połowę nieba, 8 sierpnia zachmurzenie osiągnęło 4/8 jedyniewczesnym popołudniem.

Udostępniane na stronie http://www.nrlmry.navy.mil/aerosol/ prognozymodelu transportu zanieczyszczeń NAAPS (Navy Aerosol Analysis and Pre-diction System) stworzonego przez Naval Research Laboratory w Montereyrównież przewidywały napływ nad Andenes mas aerozolu z południa (rysu-nek 2.8). Z prognozy dla 7 sierpnia 2007 wynika, że po części mógł się onskładać z cząstek pochodzenia pustynnego (koncentracje pyłu pustynnego sąna mapach 2.8 oznaczone kolorami od zielonego do żółtego). Obecność ta-kiego aerozolu jest często wykrywana - np. w Europie Południowej - dziękispadkowi wykładnika Angstroma (patrz rozdział 2.3.2), czyli wzrostowi śred-nich rozmiarów obserwowanych cząstek w porównaniu z lokalnym tłem (Ly-amani et al., 2005; Tafuro et al., 2006). Jednak w przypadku transportu pyłów

43

07.08.2007, 00:00 UTC 07.08.2007, 06:00 UTC

08.08.2007, 00:00 UTC 08.08.2007, 06:00 UTC

Rysunek 2.8: Prognozy modelu transportu aerozolu NAAPS dla dni 7 - 8 sierpnia2007: grubości optyczne aerozolu,skala pomarańczowo - czerwona: siarczany,skala zielono - żółta: pył pustynny, niebieski - dym.

44

06:00 UTC 09:00 UTC

12:00 UTC

Rysunek 2.9: Trajektorie wsteczne dla masy powietrza napływającej nad Ande-nes 7 sierpnia 2007 w godzinach porannych, obliczone za pomocą modelu HYSPLIT(dane z reanalizy). Nad terenem Niemiec trajektorie tracą stabilność - pojawiająsię zawirowania.

45

na duże odległości, a zwłaszcza gdy dochodzi do mieszania się transporto-wanej warstwy z warstwą graniczną, większe ziarna są usuwane z przepływu,pozostawiając jedynie najdrobniejsza frakcję (Kalivitis et al., 2007; Kardaset al., 2010), charakteryzującą się podwyższonymi wartościami wykładnikaAngstroma.

Rysunek 2.9 przedstawia zestaw trajektorii wstecznych biegnących na ni-skich poziomach, wyprowadzonych z Andøyi, policzonych za pomocą modeluHYSPLIT dla godzin 6:00, 9:00 i 12:00 UTC dnia 7 sierpnia 2007. Jak widaćz analizy map, trajektorie rozciągają się stabilnie między Vesteralen a środ-kową Europą. Tu, gdzie 5 sierpnia 2007 panował wyż (rysunek 2.5), widocznesą zawirowania, znaczące zmiany kierunku przepływu w krótkim czasie, cojest oznaką, że wcześniejsza historia cząstek powietrza jest niepewna. Jeślidotarły tu cząstki pyłu pustynnego, to zostały one wymieszane z aerozolemantropogenicznym pochodzenia europejskiego.

W artykule (Markowicz et al., 2012), w którym zreferowano część wyni-ków kampanii MACRON, zamieszczono zestaw trajektorii wstecznych dla in-nych końcowych wysokości cząstek powietrza (3, 5 i 7 km) niż w niniejszejrozprawie. Przedłużając czas symulacji, uzyskano tam wyniki sugerujące, żeczęść powietrza w wyższych partiach atmosfery (7 sierpnia 2007, 5 i 7 km nadAndenes) pochodzić mogła z rejonu Sahary Zachodniej (trajektorie zaczyna-jące się w tym rejonie 2 – 3 sierpnia 2007, na wysokości 2 –5 km). Zarówno sy-mulacjach przedstawionych w artykule jak i rozprawie uwidacznia się wpływzachodnioeuropejskiego wyżu - w dniach 4 – 6 sierpnia ruchy zstępujące po-wodują obniżenie trajektorii „śledzonych” przez model cząstek powietrza,w niektórych przypadkach trajektorie nakładają się lub przecinają, co po-twierdza tezę o mieszaniu się w obrębie wyżu powietrza z różnych warstwatmosfery i pochodzącego z różnych źródeł. Wyniki modelowania wskazują,że w drodze znad Morza Północnego nad Andenes śledzone cząstki powietrzapodlegały wznoszeniu. Aerozol napływający nad Andenes 7 – 8 sierpnia 2007mógł więc stanowić mieszaninę aerozolu antropogenicznego z pustynnym.

2.3.2 Pomiary fotometryczne

Przedstawione w niniejszym rozdziale pomiary wykonano za pomocą opi-sanego w rozdziale 2.2 fotometru Microtops. W dniach 7-8 sierpnia 2007odnotowano w Andenes wyraźnie zwiększone wartości grubości optycznejatmosfery. Na przykład dla fal o długości 500 nm grubości optyczne prze-kraczały 0,4 (rysunek 2.3), podczas gdy w pozostałych dniach pomiarowych

46

a) b)

Rysunek 2.10: Wykładniki Angstroma wyznaczone z pomiarów długości optycz-nej za pomocą fotometru Microtops 7(a) i 8(b) sierpnia 2007.

średnia grubość optyczna dla tego kanału wynosiła 0,09 ± 0,03 (Tabela 2.1).Podwyższone wartości odnotowano po raz pierwszy 7 sierpnia rano. W ciągudnia zachmurzenie uniemożliwiło niestety wykonywanie pomiarów metodą fo-tometrii słonecznej. 8 sierpnia warunki pomiarowe były korzystniejsze, po po-łudniu obserwowano stopniowy spadek grubości optycznych do wartości ty-powych dla okresu sprzed epizodu aerozolowego.

Na podstawie pomiarów grubości optycznych aerozolu (τ) dla różnychdługości fali (λ) wyznaczyć można zależność potęgową łączącą te wielkości:

τ = ξ1λ−ξ2 , (2.1)

gdzie ξ1 nazywamy współczynnikiem Angstroma a ξ2 - wykładnikiemAngstroma (Angstrom, 1964).

Wykładnik Angstroma to wielkość często wykorzystywana do charakte-ryzowania aerozolu, jako że jest związana z rozmiarami obserwowanych czą-stek (małe wartości wykładnika oznaczają duże cząstki i na odwrót). Średniewartości ξ2 obserwowane podczas kampanii MACRON (z pominięciem dni7 - 8 siepnia) to 1,2 ± 0,4 (obliczane z wykorzystaniem wszystkich pięciukanałów Microtopsa). Wartości ξ2 obserwowane 7 i 8 sierpnia zawierały sięw przedziale 1,06 - 1,74 a średnio wynosiły 1,49 ± 0,15, były więc podwyż-szone w porównaniu z resztą dni kampanii. Świadczy to o zmianie w tych

47

dniach składu aerozolu obserwowanego w kolumnie powietrza, a konkretnieo zmniejszeniu średnich rozmiarów obserwowanych cząstek. Wszystkie war-tości wykładniki Angstroma obserwowane w trakcie kampanii były typowymiwartościami charakteryzującymi aerozol kontynentalny czysty lub antropo-geniczny (Hess et al., 1998).

Ze względu na to, że w przypadku rzeczywistych aerozoli prawo potę-gowe 2.1 nie zawsze jest spełnione dla całego spektrum promieniowania, wy-kładnik Angstroma często wyznacza się lokalnie, na podstawie pomiaróww tylko dwóch długościach fali (Stephens, 1994). Wykres 2.10 przedstawiawartości ξ2 określone na z wykorzystaniem kanałów 500 i 1020 nm (parakanałów zbliżona do kanałów lidaru satelitarnego CALIPSO, rozdział 2.3.4).

2.3.3 Pomiary ceilometrem

Stosunkowo niewielkie grubości optyczne naturalnego aerozolu występują-cego w warstwie granicznej rejonu arktycznego pozwoliły na dość szczegółoweobserwacje warstw aerozolu aż do wysokości ok. 8 km.

Rysunek 2.11 przedstawia sygnały zarejestrowane w dniach 7 - 8 sierp-nia 2010 przez ceilometr CHM15K ustawiony w Bleik (rozdział 2.1, rysunek2.1) 7 sierpnia pomiary prowadzone były przede wszystkim rano (00:00 -07:00 UTC), w ciągu dnia zakłócało je zachmurzenie. Na rysunku 2.11a wy-raźnie widoczna jest warstwa aerozolu (kolor intensywnie zielony a późniejczarny), która pojawia się około 00:30 UTC na wysokości ok. 2,5 km, a na-stępnie opada do poziomu 1 - 2 km. Silne sygnały powyżej 3 km pochodząod chmur, poniżej 1 km - od aerozolu zgromadzonego w warstwie granicz-nej, prawdopodobnie głównie pochodzenia lokalnego i morskiego. W warstwienapływającego aerozolu widoczne jest zafalowanie, zwłaszcza między 05:30a 06:30 UTC.

Jak pokazują sondaże aerologiczne z Bodo (rysunek 2.12), przyziemnawarstwa stabilna, tłumiąca ruchy pionowe w warstwie granicznej sięgałao 00:00 UTC 7 sierpnia wysokości ok. 500 m. W ciągu dnia inwersja za-nikła całkowicie, ułatwiając mieszanie pomiędzy warstwą aerozolu lokalnegoi napływowego. W nocy i o poranku 8 sierpnia (rysunek 2.11 b, c) ponownieobserwowano warstwę aerozolu ponad warstwą graniczną. Szczególnie inten-sywne sygnały wystąpiły pomiędzy 23:30 a 02:30 UTC, widoczne były takżeślady fal wewnętrznych w atmosferze.

Na podstawie sygnałów ceilometrowych, metodą opisaną w rozdziale1.5.2, obliczono pionowe profile ekstynkcji związanej z występowaniem ae-

48

a)

b)

c)

Rysunek 2.11: Uwzględniające korekcję odległości i kompresji geometrycznejsygnały zarejestrowane za pomocą ceilometru w dniach 7 (a), na przełomie 7 i 8(b) oraz 8 (c) sierpnia 2007, jednostki umowne. Skale kolorów (różne na poszcze-gólnych wykresach) dopasowano tak, by dobrze widoczne były struktury obser-wowanych warstw atmosfery. Żółte strzałki wskazują położenie warstwy aerozolunapływowego. 49

Rysunek 2.12: Sondaże aerologiczne z Bodo, (6718’N, 1432’E). Źródło:http://weather.uwyo.edu/upperair/sounding.html

rozolu. Dzięki stosunkowo dużemu zasięgowi CH15K, wystarczająco dobrzespełnione były konieczne założenia:- obszar obliczeń obejmował większość aerozolu, można więc było zastosowaćw algorytmie informacje o całkowitej grubości optycznej atmosfery,- na szczycie obszaru obliczeń można było założyć zerowe wartości współ-czynnika ekstynkcji i rozpraszania wstecznego aerozolu.

Grubość optyczną aerozolu dla fali 1064 nm wyznaczono na podstawiepomiarów wykonanych za pomocą Mictoropsa, wykorzystując prawo potę-gowe Angstroma (wzór 2.1). Dla okresów w których pomiary fotometrycznenie były dostępne, dane o grubości optycznej zostały interpolowane liniowo.Ze względu na duże zaszumienie sygnałów z ceilometru zastosowano dłu-gie (godzinne) okresy ich uśredniania. Na kolejnych wykresach (rysunki 2.13i 2.14) można śledzić ewolucję warstwy aerozolu nad miejscem pomiarów.W związku z tym, że prawdopodobnie dochodziło do mieszania aerozolu war-stwy granicznej i napływowego, obliczenia prowadzono bez podziału na war-stwy.

Rysunek 2.13 przedstawia przykładowe profile ekstynkcji aerozolowej uzy-skane na podstawie pomiarów z dnia 7 sierpnia 2007, z okresu, w którymnie występowały chmury utrudniające jednoznaczną interpretację sygnałów.Linią przerywaną oznaczono granicę pomiędzy warstwą aerozolu przyziem-

50

Rysunek 2.13: Profile współczynnika ekstynkcji dla fali długości 1064 nm (śred-nie godzinne) z dnia 7 sierpnia 2007. Linią przerywaną oznaczono przyjętą granicępomiędzy warstwą aerozolu przyziemnego i napływowego.

nego i napływowego, którą przyjęto w lokalnym minimum ekstynkcji, wy-stępującym na poziomie ok. 900-1200 m (typowy zasięg warstwy granicznej).Na rysunku 2.13c widoczne jest podniesienie granicy przyziemnej warstwy ae-rozolu przy jednoczesnym zmniejszeniu ekstynkcji powyżej. Prawdopodobniezwiązane jest to z rozpoczęciem procesu konwekcyjnego mieszania aerozolunapływowego z powietrzem warstwy granicznej.

W ciągu dnia 7 sierpnia obserwacje grubości optycznej oraz współczyn-ników ekstynkcji aerozolowej utrudniało pokrywające ponad połowę niebazachmurzenie.

Nad ranem 8 sierpnia (rysunek 2.14) grubości optyczne zarówno warstwygranicznej jak i aerozolu napływowego spadają. Wciąż jednak widoczne jestwystępowanie w atmosferze warstwy aerozolu powyżej warstwy granicznej(powyżej ok. 900 m). Wysokie wartości ekstynkcji powyżej 3 km związane sąw występowaniem chmur.

Współczynniki ekstynkcji warstwy aerozolu napływającego z Europy Za-chodniej obserwowane w godzinach nocnych i porannych 7 i 8 sierpnia 2007w Bleik są zbliżone wartościami do współczynników obserwowanych 5 sierp-nia 2007 nad Morzem Północnym i krajami Beneluksu, zamykającymi sięw przedziale 0,02 - 0,05 km−1 dla fali o długości 1064 nm (rozdział 2.3.4).

51

Rysunek 2.14: Profile współczynnika ekstynkcji dla dali długości 1064 nm (śred-nie godzinne) z dnia 8 sierpnia 2007. Duże wartości współczynnika ekstynkcji po-wyżej wysokości 3,5 km (a, d) związane są z występowaniem chmur. Linią prze-rywaną oznaczono przyjętą granicę pomiędzy warstwą aerozolu przyziemnego inapływowego.

52

10:55 UTC 12:40 UTC

Rysunek 2.15: Obrazy satelitarne w kolorach naturalnych z radiometru MODISna satelitach o orbitach polarnych Terra i Aqua, 5 sierpnia 2007. Widoczne sąbezchmurne obszary nad Morzem Północnym i krajami Beneluksu.

2.3.4 Pomiary satelitarne

Występujące w dniach 7 - 8 sierpnia 2007 nad Andenes zachmurzenieuniemożliwiło bezpośrednie wykorzystanie informacji satelitarnej dla tegoobszaru. Analizując położenie cząstek powietrza wzdłuż trajektorii wstecz-nych, znaleziono bezchmurne okno w rejonie Morze Północnego oraz krajówBeneluksu około południa 5 sierpnia 2007 (rysunek 2.15). Brak chmur w tymczasie i rejonie potwierdzają dodatkowo sondaże aerologiczne z Ekofisk i DeBilt (rysunek 2.16 i 2.17). W świetle analizy przedstawionej w rozdziale 2.3.1(rysunek 2.6) można z dużą pewnością domniemywać, że obserwowana w tymczasie i miejscu masa powietrza była tą samą, która dotarła nad Andenes wdniach 7 - 8 sierpnia.

Pomiędzy 12:30 a 12:44 UTC 5 sierpnia 2007 nad Morzem Północnym(patrz rysunek 2.17) przemieszczał się satelita CALIPSO (NASA), wyposa-żony w lidar o częstościach 532 nm oraz 1064 nm (rozdział 1.5.2). Rysu-nek 2.18 przedstawia współczynniki ekstynkcji uzyskane na podstawie ze-branych sygnałów lidarowych za pomocą algorytmu opisanego w artykule(Young i Vaughan, 2009), udostępnione przez NASA Langley Research Cen-ter, http://eosweb.larc.nasa.gov/. W pobliżu powierzchni Ziemi widoczne sąrozpraszające promieniowanie warstwy, które w związku z brakiem chmurmogą być interpretowane jako warstwy aerozolu. Taką interpretację po-

53

Rysunek 2.16: Sondaże aerologiczne z Ekofisk i de Bilt, 12:00 UTC, 5 sierpnia2007. Źródło: http://weather.uwyo.edu/upperair/sounding.html

Rysunek 2.17: Trajektoria satelity CALIPSO z dnia 5 sierpnia 2007 oraz stacje,z których pochodzą sondaże przedstawione na rysunku 2.16

54

a)dlugosc geograficzna [stopnie]

z [km]

234560

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2

0

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

b)dlugosc geograficzna [stopnie]]

z [km]

234560

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2

0

0.02

0.04

0.06

0.08

0.1

0.12

0.14

0.16

0.18

0.2

Rysunek 2.18: Współczynniki ekstynkcji [km−1] dla fal długości 1064 nm (a)i 532 nm (b) odzyskane z sygnałów zebranych za pomocą lidaru CALIOP na po-kładzie satelity CALIPSO 5 sierpnia 2007 nad Morzem Północnym (trajektoria- rysunek 2.17). Dane dzięki uprzejmości Atmospheric Science Data Center przyNASA Langley Research Center.

twierdzają również wyniki automatycznego algorytmu identyfikacji sygna-łów (Winker et al., 2003; Omar et al., 2009), przedstawione na rysunku2.19: nad obszarem pomiędzy 123’ a 6 długości geograficznej wschodniejzidentyfikowano w pobliżu Ziemi warstwę aerozolu. Wykresy depolaryzacjisygnału lidarowego dla tego rejonu są bardzo zaszumione i nie pozwalają nawysnucie jednoznacznych wniosków na temat specyficznych własności aero-zolu. Jednak w połączeniu z informacjami o współczynnikach ekstynkcji wposzczególnych kanałach i innymi danymi pozwoliły oprogramowaniu opi-sanemu w pracy (Omar et al., 2009) na dalszą klasyfikację sygnałów lida-rowych (rysunek 2.20). Nad wyróżnionym obszarem zaobserwowano przedewszystkim zanieczyszczony aerozol kontynentalny oraz zanieczyszczony pyłmineralny, ze śladami czystych aerozoli kontynentalnego, morskiego i pyłu.Podobne sygnały obserwowano w rejonie krajów Beneluksu, Morza Północ-nego oraz Skandynawii także w nocy 6 sierpnia 2007 (przelot w okresie 2:07–2:20 UTC), jednak w tym terminie wiarygodność wyników była osłabionaprzez obecność chmur wysokich, których warstwa oddzielała lidar satelitarnyod obserwowanego aerozolu.

55

Rysunek 2.19: Klasyfikacja obserwowanych struktur przez algorytm satelityCALIPSO dla przelotu nad Morzem Północnym i Europą Zachodnią, 5 sierpnia2007.Legenda:1 - czyste powietrze,2 - chmura,3 - aerozol,4 - obserwacja z rejonu stratosfery,5 - powierzchnia Ziemi,6 - poniżej powierzchni Ziemi,7 - sygnał całkowicie stłumiony,n - duża niepewność.Na osi poziomej szerokość (Lat) i długość (Lon) geograficzna. Źródło ilustracji:http://www-calipso.larc.nasa.gov/.

56

Rysunek 2.20: Klasyfikacja typów aerozolu przez algorytm satelity CALIPSOdla przelotu nad Morzem Północnym i Europą Zachodnią, 5 sierpnia 2007.Legenda:N/A - brak danych,1 - czysty aerozol morski,2 - pył mineralny,3 - zanieczyszczony aerozol kontynentalny,4 - czysty aerozol kontynentalny,5 - zanieczyszczony pył mineralny,6 - dym.Na osi poziomej szerokość (Lat) i długość (Lon) geograficzna. Źródło ilustracji:http://www-calipso.larc.nasa.gov/.

57

Aerozol obserwowany za pomocą Caliope nad Morzem Północnym znaj-dował się w dolnej części troposfery, jednak, jak opisano w punkcie 2.3.1,był to obszar ruchów zstępujących związanych z występowaniem ośrodkawyżowego. Trajektorie wsteczne wskazują, że powietrze i aerozole z różnychwarstw podlegały tu mieszaniu a w drodze nad północną Skandynawię byłyunoszone wyżej.

Na podstawie profili ekstynkcji wyznaczono grubości optyczne kolumndla długości fal 532 i 1064 nm, a następnie - wartości wykładnika AngstromaŚrednia wartość wykładnika w obserwowanej warstwie wyniosła 1,4 ± 0,9.Średni wykładnik Angstroma obliczony dla danych z dnia 7 sierpnia 2007w Andenes, z wykorzystaniem pomiarów fotometrycznych dla kanałów 500i 1020 nm (najbardziej zbliżone do kanałów lidaru satelitarnego) wyniósł1,3 ± 0,2 a dla danych z 8 sierpnia 1,52 ± 0,09. Zmienność przestrzenna war-tości wykładnika Angstroma oszacowana na podstawie danych satelitarnychbyła większa niż zmienność czasowa nad Andenes. Prawdopodobnie nad Mo-rzem Północnym i Europą Zachodnią istotną rolę odegrały lokalne źródłaaerozolu, podczas gdy do punktu pomiarowego na Andøyi dotarła dobrze jużwymieszana masa powietrza. Wyższa wartość wykładnika 5 sierpnia sugerujewiększy udział drobnych cząstek w całkowitej masie aerozolu w porównaniuz aerozolem obserwowanym w Andenes.

2.4 Podsumowanie

W powyższym rozdziale przedstawiono przykład kampanii pomiarowejw ramach której badano optyczne własności aerozolu atmosferycznego z wy-korzystaniem pasywnych i aktywnych technik teledetekcyjnych. Na podsta-wie pomiarów lidarowych i fotometrycznych, w których uczestniczyła, au-torka wyznaczyła własności aerozolu takie jak grubość optyczna, współczyn-nik ekstynkcji promieniowania w aerozolu, wykładnik Angstroma informu-jący o rozmiarach obserwowanych cząstek.

Wykładniki Angstroma oraz współczynniki ekstynkcji obliczone dla aero-zolu obserwowanego 7 sierpnia 2007 rano nad Andenes mają wartości istot-nie podwyższone w porównaniu z przeciętnymi warunkami odnotowywanymiw czasie kampanii, co można powiązać z obecnością aerozolu składającego sięz cząstek drobniejszych niż zazwyczaj występujące w obszarze arktycznym(Hess et al., 1998). 8 sierpnia grubości optyczne spadały.

58

Ze względu na brak możliwości uzyskania dodatkowych danych - w szcze-gólności depolaryzacji sygnału lidarowego przez aerozol, umożliwiającej okre-ślenie sferyczności cząstek - jedyną możliwością identyfikacji rodzaju obser-wowanego aerozolu było odtworzenie drogi, jaką napływał nad miejsce po-miarów. Transport zanieczyszczonej masy powietrza z obszaru Europy Za-chodniej nad wyspy archipelagu Vesteralen prześledzono z wykorzystaniemwyników modelowania numerycznego oraz pomiarów satelitarnych. Analizatych danych wykazała, że w dniach 7 - 8 sierpnia 2007 nad Andenes napływałamasa powietrza niosąca aerozol kontynentalny zawierający zanieczyszczeniaantropogeniczne.

59

Rozdział 3

Pomiary chmur: kampaniaTWP-ICE

3.1 Organizacja eksperymentu i warunki syn-optyczne

Kampanię pomiarową TWP-ICE (Tropical Warm Pool InternationalCloud Experiment) przeprowadzono w pierwszych miesiącach roku 2006w okolicach miasta Darwin (północna Australia). Jej głównym celem byłyobserwacje pełnych cykli życiowych systemów chmur konwekcyjnych oraz ichwpływu na otoczenie (May et al., 2008). Chmury tropikalne, zarówno w for-mie płytkich, niedających opadu cumulusów jak i rozbudowanych cumu-lonimbusów, którym towarzyszą intensywne opady, mają istotne znaczeniedla bilansu energetycznego atmosfery. Zrozumienie i sparametryzowanie ichwłasności na potrzeby modeli klimatu pozwoli zmniejszyć związane z niminiepewności.

Pośród organizatorów kampanii znalazły się amerykańskie instytucjeuczestniczące w projekcie ARM (Atmospheric Radiation Measurement) De-partamentu Energii Stanów Zjednoczonych: NASA, Australijskie Biuro Mete-orologiczne (BoM ), Organizacja Naukowych i Przemysłowych Badań Wspól-noty Narodów (CSIRO - Commonwealth Scientific and Industrial ResearchOrganization) oraz przedstawiciele szeregu uczelni.

Eksperyment obejmował pomiary teledetekcyjne (radarowe, lidarowe, sa-telitarne) i in situ prowadzone w kilku lokalizacjach, także na morzu i w po-wietrzu. Rysunek 3.1 przedstawia lokalizację punktów pomiarowych, z któ-

60

Rysunek 3.1: Miejsca prowadzenia pomiarów w trakcie kampanii TWP-ICE - sta-cje pomiarowe ARM oraz BRMC. Mapy stworzone z użyciem witryny Planiglobe- http://www.planiglobe.com

rych pochodzą dane wykorzystywane w niniejszej pracy. Główna stacja po-miarowa ARM umiejscowiona jest na lotnisku w Darwin, z którego startująmiędzy innymi samoloty badawcze. Tu zainstalowany jest radar chmurowy(MMCR -Millimeter-wave Cloud Radar ) opisywany w rozdziale 3.2 (rysunek3.2).

Osiem kilometrów na północny wschód od stacji ARM znajduje sięstanowisko Centrum Badawczego Australijskiego Biura Meteorologicznego(BMRC - Bureau of Meteorology Research Center), gdzie podczas ekspery-mentu umieszczono między innymi disdrometry oraz radarowe urządzeniado obserwowania pionowych profili prędkości wiatru (rysunek 3.3).

W rejonie objętym eksperymentem rozmieszczono ponadto sześć stacjipomiarów aerologicznych, w których sondaże wykonywano z ponadstandar-dową częstotliwością ośmiu razy na dobę, pozwalającą na zbadanie dobowejzmienności pionowych profili mierzonych wielkości, w szczególności tempera-tury, prędkości wiatru, wilgotności (Xie et al., 2010).

Pomiary wykorzystywane w niniejszej pracy pochodzą z okresu pomię-dzy 18 stycznia i 2 lutego 2006, a więc z pory wilgotnej związanej z wy-stępowaniem letniego (morskiego) monsunu. Okres ten wybrano ze względu

61

Rysunek 3.2: Stacja pomiarowa ARM na lotnisku w Darwin, kontener z radaremchmurowym (MMCR). Zdjęcia dzięki uprzejmości Departamentu Energii StanówZjednoczonych (projekt ARM).

Rysunek 3.3: Stacja pomiarowa Australijskiego Biura Meteorologicznego(BMRC). Zdjęcie dzięki uprzejmości CIRES - Cooperative Institute for Researchin Environmental Sciences.

62

Rysunek 3.4: Trasa burzy tropikalnej Daryl, 19-22 stycznia 2006. Daty znajdująsię przy punktach oznaczających położenia cyklonu w południa UTC. 19 Układutrzymywał status cyklonu tylko 20 stycznia. Mapa stworzona z użyciem witrynyPlaniglobe - http://www.planiglobe.com

na występowanie głębokiej konwekcji, której wiernym oddaniem w modelu sązainteresowani twórcy opisywanego w niniejszej rozprawie dwumomentowegomodelu chmur.

Pojawienie się monsunu letniego u północnych wybrzeży Australii wynikaz zahamowania, a czasem wręcz odwrócenia ciepłego prądu południoworów-nikowego, niosącego ciepłą wodę z Oceanu Spokojnego w rejon Oceanu Indyj-skiego, na skutek aktywności stacjonarnego wyżu rozwijającego się w rejonieWyżyny Tybetańskiej we wrześniu i wypychającego chłodne, suche powie-trze na na południowy wschód od kontynentu azjatyckiego. Dzięki zatrzyma-niu przepływu morze Timor zamienia się w quasi-stabilny rezerwuar (ang.warm pool) - znajdujące się w nim masy wody ulegają silnemu rozgrzaniuprzez Słońce, czemu towarzyszy oczywiście zwiększone parowanie.

Intensywnemu ogrzewaniu podlega również północna część Australii.Maksymalne temperatury w tym rejonie odnotowuje się pomiędzy grud-niem a początkiem lutego. Intensywna konwekcja nad lądem prowadzi wtedydo powstania niżów, w stronę których napływa następnie wilgotne, morskiepowietrze znad morza Timor.

W pierwszych dniach pomiarów w ramach kampanii TWP-ICE (19-23 stycznia) typowa sytuacja monsunowa została zaburzona przez ukształto-

63

Rysunek 3.5: Mapa synoptyczna Australii z dnia 20 stycznia 2006r. U północno-zachodnich wybrzeży widoczny jest cyklon tropikalny Daryl. Nad zachodnim Qu-eensland - słaby niż termiczny. c©Commonwealth of Australia 2010, Bureau ofMeteorology.

Rysunek 3.6: Mapa synoptyczna Australii z dnia 27 stycznia 2006r - okres ak-tywnego monsunu. Nad Terytorium Północnym widoczny jest głęboki niż sterującycyrkulacją monsunową. c©Commonwealth of Australia 2010, Bureau of Meteoro-logy.

64

wanie się i przemieszczanie u zachodnich wybrzeży Australii słabego cyklonutropikalnego Daryl (rysunki 3.4 i 3.5).

Od 24 stycznia cyrkulacja monsunowa z aktywnymi zjawiskami zostałaprzywrócona przez pojawienie się niżu nad Morzem Salomona. Pogłębienie iprzesunięcie w głąb lądu niżu termicznego nad Terytorium Północnym (Wanget al., 2009) przyniosło od 26 stycznia tzw. pogodę „umiarkowanie monsu-nową”, charakteryzującą się nieco słabszymi wiatrami zachodnimi i umiar-kowanymi opadami (rysunek 3.6).

3.2 Instrumenty

Radar chmurowy MMCR

Wykrywanie i obserwacja struktury chmur przez radary chmurowe jestmożliwa dzięki zastosowaniu skupionych wiązek, krótkich impulsów sprzyja-jących detekcji małych hydrometeorów, dużych rozdzielczości oraz często-tliwości - najczęściej 35 GHz lub 94 GHz (fale o długościach odpowied-nio ok. 8,6 mm oraz 3,2 mm). Wykorzystany podczas kampanii TWP-ICEMMCR używa częstotliwości 35 GHz. Wadą podobnych urządzeń jest to, żeich sygnały są silnie tłumione przez strefy opadów, mogące występować po-między radarem a obserwowaną chmurą. Aby zapewnić krótką drogę wiązkiradarowej przez tłumiący promieniowanie ośrodek, antena MMCR - podobniejak wielu innych radarów chmurowych (Frisch et al., 1995; Clothiaux et al.,1995; Hogan et al., 2005) - skierowana jest pionowo do góry.

Impulsy emitowane przez MMCR mają stosunkowo niewielką moc maksy-malną (zaledwie 100 W). Średnią moc wystarczającą do wykrywania chmurzapewnia wysoki współczynnik wypełnienia1 (nawet do 25%), uzyskiwanydzięki podziałowi długich (do 20 µs) impulsów na dużo krótsze (0,3 a 0,6 µs)podimpulsy (kodowanie bifazowe). W zależności od ustawień urządzenia, czaspomiędzy impulsami zmienia się od 68 do 126 µs. Pomiary odbiciowości,średniej pionowej prędkości powietrza i widma dopplerowskiego są rejestro-wane dla poziomów od 0,1 do 10 lub 20 km, z rozdzielczością kilkudziesięciumetrów i częstością powtarzania 20kHz. Szczegóły konstrukcji urządzeniaznaleźć można w artykule Moran et al. (1998).

1Współczynnik wypełnienia to stosunek czasu emisji pojedynczego impulsu do jegookresu.

65

Rysunek 3.7: Minimalne sygnały rejestrowane przez MMCR w zależnościod trybu pracy urządzenia oraz wysokości (Clothiaux et al., 1999). Linie łamane -wyniki pomiarów, krzywe - wyniki dopasowania równania radarowego do danychz pomiarów czystego nieba, ekstrapolowane w zakresie pomiarowym.1 - tryb dla chmur niskich,2 - tryb dla chmur wysokich,3 - tryb uniwersalny,4 - tryb dla opadów.

Czułość MMCR jest funkcją odległości od instrumentu oraz wybranegotrybu działania (do wyboru są tryby pozwalające na trafną detekcję chmur ni-skich, chmur wysokich lub opadów oraz tryb uniwersalny) (Clothiaux et al.,1999). Charakterystyki czułości - minimalne wykrywane sygnały - przed-stawione są na zaczerpniętym z artykułu Clothiaux et al. (1999) rysunku3.7. Różnice czułości pomiędzy poszczególnymi trybami wynoszą od kilkudo około 20 dBZ. Czułość maleje wraz ze wzrostem odległości od urządze-nia (np. dla trybu uniwersalnego minimalny wykrywany sygnał to -50 dBZna wysokości 2 km oraz -47 dBZ na poziomie 15 km).

W niniejszej rozprawie wykorzystuje się wstępnie przetworzone dane ra-darowe zamieszczone w bazie danych ARM, w których odbiciowości radarowe

66

są określone z wykorzystaniem pomiarów prowadzonych we wszystkich czte-rech trybach. Ich przygotowanie przed wprowadzeniem do bazy obejmuje:

1. wybór istotnych obserwacji, eliminację widocznych błędów,2. interpolację danych zebranych w poszczególnych trybach do jednolitejsiatki czasowo-przestrzennej,3. wybór najlepszych obserwacji dla każdego punktu siatki, przy czym:

- w każdym punkcie dane o odbiciowości, prędkości i widmie dopplerow-skim pochodzą z tego samego trybu pomiarowego,

- eliminuje się artefakty powstałe przy uśrednianiu lub jako efekt długoopóźnionych ech2,

- dąży się do tworzenia w obrębie siatki obszarów danych pochodzącychz pomiarów w tym samym trybie.

Tak przetworzone dane są określane akronimem ARSCL - Active RemoteSensing Cloud Layer (Clothiaux et al., 2000).

Disdrometr

Zadaniem disdrometru są pomiary rozkładu wielkości kropel opadowychoraz sumarycznego natężenia opadu. Podczas kampanii TWP-ICE wykorzy-stywano disdrometry impaktowe firmy Distromet, model RD-80 (rys. 3.8),zliczające cząstki w 20 przedziałach wielkości, od 0,3 do 5,4 mm średnicy.Dodatkowo na podstawie zebranych danych obliczane są inne parametry, np.współczynniki eksponencjalnego rozkładu wielkości dopasowywanego do wy-ników obserwacji.

Czujnik RD-80 stanowi osłonięty cylindryczną obudową styropianowystożek, sprzężony z układem elektrycznym wykrywającym jego przemieszcze-nia. Pod wpływem uderzenia kropli opadu stożek przesuwa się w dół, co jestrejestrowane przez układ i przetwarzane na impuls elektryczny o amplitudzieproporcjonalnej do pędu a więc pośrednio i rozmiaru cząstki. Dokładnośćpomiaru średnicy kropel wynosi 5%.

Dane obserwacyjne zebrane za pomocą disdrometru zainstalowanego w re-jonie Darwin podczas kampanii TWP-ICE dostępne są dla dni 3 - 28 lutego2006.

2Długo opóźnione echo - echo radarowe odebrane dopiero po emisji kolejnego impulsulub impulsów.

67

Rysunek 3.8: Disdrometr Distromet RD-80 wykorzystywany w kampanii TWP-ICE. Zdjęcie dzięki uprzejmości ARM.

3.3 Statystyki odbiciowości radarowychw czasie TWP-ICE

Rysunek 3.9 przedstawia wartości odbiciowości radarowej obserwowaneza pomocą MMCR podczas kampanii TWP-ICE. Na wykresie odnaleźćmożna odwzorowanie warunków pogodowych opisanych w rozdziale 3.1:- 18 stycznia 2006 widoczne są rozbudowane w pionie chmury i intensywneopady (odbiciowości od -10 do 10 dBZ obserwowane od powierzchni Ziemido wysokości ok. 11 km),- 19 i 20 - przelotne deszcze (oderwane sygnały poniżej poziomu 6 km),- w dniach 21 - 25 stycznia znowu ciągłe i intensywne opady z rozbudowanychchmur (rozciągające się od poziomu Ziemi do wysokości 10 - 13 km pasmaodbiciowości sięgających 20 dBZ).Po 26 stycznia, w okresie stłumionej cyrkulacji monsunowej, częstotliwośćopadów spada.

Oglądając wyniki symulacji należy pamiętać, że wyniki modelowania od-biciowości radarowej dla tego okresu (rysunek 4.6 w kolejnym rozdziale) po-chodzą z modelu dwuwymiarowego, co oznacza, że zamiast trójwymiarowejstruktury chmur burzowych śledzimy tylko wartości pojawiające się w jed-nym z przekrojów. W modelu zaimplementowano cykliczne warunki brze-gowe, co oznacza, że chmura czy kolumna opadowa opuszczająca domenęobliczeniową z jednej strony siatki jest do niej ponownie wprowadzana z dru-giej strony (patrz rysunek 3.10). Dzięki temu symulacja pozwala na śledze-

68

Rysu

nek

3.9:

Odb

icio

woś

cira

daro

we

[dB

Z]

obse

rwow

ane

zap

omoc

ąM

MC

Rp

odcz

asek

sper

ymen

tuT

WP

-IC

Ew

dnia

ch18

styc

znia

-2

lute

go20

06.

DR

-nu

mer

dnia

wro

ku(d

ni32

-33

odp

owia

dają

1-2

lute

go).

69

Rysunek 3.10: Porównanie trójwymiarowej, rzeczywistej komórki konwekcyjnej(źródło: NASA Earth Observatory) z realiami dwuwymiarowym modelu nume-rycznego, w którym symulowany jest jedynie wycinek rzeczywistości. Cyklicznewarunki brzegowe w modelu oznaczają, że masy powietrza i zjawiska opuszczającedomenę obliczeniową na końcu siatki są do niej ponownie wprowadzane (patrz:strzałka).

70

odbiciowosc radarowa [dBZ]

z [k

m]

−40 −20 0 20

2

4

6

8

10

12

14

16

18

0

1

2

3

4

5

6

Rysunek 3.11: Wykres częstości występowania (CFAD) odbiciowości radarowych[%] w zakresie -50 : 30 dBZ na podstawie obserwacji w ramach eksperymentuTWP-ICE w dniach 18 stycznia - 2 lutego 2006.

nie kolejnych stadiów rozwoju komórki konwekcyjnej, jednocześnie nie będącw stanie odwzorować pełnej zmienności warunków w czasie symulacji. Wzwiązku ze znaczącymi różnicami pomiędzy rzeczywistą dynamiką atmosferya realiami uproszczonego modelu dynamicznego, bezcelowe jest bezpośrednieporównywanie sygnałów radarowych pochodzących z konkretnych terminówz wynikami modelowania. Na obecnym etapie należy spodziewać się wystę-powania dużych rozbieżności co do występowania zachmurzenia, opadów iich intensywności.

Do porównywania wyników modelowania z danymi radarowymi używanebędą wykresy typu CFAD - Contoured Frequency by Altitude Diagram , czylikonturowych diagramów przedstawiających częstości obserwowania określo-nych wartości w zależności od wysokości (Yuter i Houze., 1995). Aby stwo-rzyć CFAD dla odbiciowości radarowej, zakres obserwowanych odbiciowości(np. od -80 do 40 dBZ) dzieli się na przedziały (np. po 5 dBZ). Następniedla poszczególnych wysokości (lub przedziałów wysokości) zlicza się przy-padki zaobserwowania określonych odbiciowości, w wyniku czego powstajeszereg histogramów. Dla ułatwienia analizy zmian kształtu rozkładu z wy-sokością, uzyskane dane zamiast w postaci klasycznych histogramów przed-stawia się w postaci kolorowej mapy. Na jednej z osi wykresu umieszczasię wartości odbiciowości, na drugiej - wysokości. Kolory odpowiadają licz-

71

bie obserwacji poszczególnych odbiciowości na poszczególnych poziomach lub(po podzieleniu przez całkowitą liczbę pomiarów) częstości ich występowania.

Przykład takiego diagramu przedstawia rysunek 3.11, wykreślony na pod-stawie danych zebranych za pomocą MMCR w czasie eksperymentu TWP-ICE, w dniach 18 stycznia - 2 lutego 2006. Częstości występowania poszcze-gólnych odbiciowości wyrażone są w procentach. Najczęściej obserwowanoodbiciowości z przedziału -20 – 20 dBZ. Rozkład ma dwa maksima - pomię-dzy wysokościami 1,7 i 3,3 km oraz w granicach 6,3 – 8,3 km.

Ze względu na to że, jak omówiono wyżej, podczas kampanii TWP-ICE obserwowano zmienne warunki synoptyczne, uzasadnione jest wykreśle-nie osobnych diagramów dla poszczególnych sytuacji: cyrkulacji monsunowejzakłóconej występowaniem cyklonu tropikalnego (19–23 stycznia), typowejpogody monsunowej (24–25 stycznia) i pogody umiarkowanie monsunowej(26 stycznia – 2 lutego). Jak widać na rysunku 3.12a, podczas pierwszegookresu obserwowano odbiciowości radarowe z przedziału -20 – 20 dBZ a naj-częściej (z prawdopodobieństwem sięgającym 12%) występowały odbiciowo-ści 5 – 10 dBZ na wysokościach 1,8 – 3,2 km oraz -4 – 0 dBZ między pozio-mami 6,3 i 7,7 km. CFAD dla pogody monsunowej (rysunek 3.12b) obejmujedodatkowo występujące z częstotliwością sięgającą 2% odbiciowości radaroweponiżej -20 dBZ występujące powyżej 8,5 km. Maksima rozkładu są rozsu-nięte w porównaniu z Rysunkiem 3.12a - najczęściej (powyżej 6% przypad-ków) obserwowano odbiciowości z przedziału 3 – 1- dBZ poniżej 2 km oraz-17 – -2 dBZ na wysokościach 10 – 17 km. W czasie gdy zjawiska monsunowezachodziły z umiarkowaną intensywnością, rejestrowano bardzo niewiele echradarowych. Najczęściej (w 3% przypadków) - odbiciowości -17 – -11 dBZna poziomie ok. 12 km.

Jak wspomniano wyżej, nie należy się spodziewać dokładnej zgodnościwartości przedstawianych w diagramach opisujących obserwacje i symulacje- częstości występowania zjawisk mogą się różnić. Podobne powinny być nato-miast kształty rozkładów, w szczególności położenia ich maksimów w funkcjiwysokości.

3.4 Podsumowanie

Kampanię pomiarową TWP-ICE, mającą na celu badanie rozwoju sys-temów konwekcyjnych w warunkach monsunu letniego w rejonie AustraliiPółnocnej, przeprowadzono w styczniu i lutym 2006, w okolicach Darwin.

72

a) odbiciowosc radarowa [dBZ]

z [k

m]

−40 −20 0 20

2

4

6

8

10

12

14

16

18

0

2

4

6

8

10

12

14

b) odbiciowosc radarowa [dBZ]

z [k

m]

−40 −20 0 20

2

4

6

8

10

12

14

16

18

0

2

4

6

8

10

12

14

c) odbiciowosc radarowa [dBZ]

z [k

m]

−40 −20 0 20

2

4

6

8

10

12

14

16

18

0

0.5

1

1.5

2

2.5

3

3.5

Rysunek 3.12: Wykres częstości występowania (CFAD) odbiciowości radarowych[%] w zakresie -50 : 30 dBZ na podstawie obserwacji w ramach eksperymentu TWP-ICE w dniach:19–23 stycznia (a)- cyrkulacja monsunowa zakłócona wystąpieniem cyklonu Daryl,24–25 stycznia (b) - cyrkulacja monsunowa,26 stycznia – 2 lutego(c) - umiarkowana pogoda monsunowa.

73

Do 26 stycznia obserwowano silną konwekcję związaną z sytuacją monsu-nową oraz rozwojem cyklonu tropikalnego, po 26 stycznia wiatry i opadyosłabły. W czasie eksperymentu prowadzono, między innymi, pomiary z wy-korzystaniem radaru chmurowego (MMCR). Wyniki tych pomiarów obra-zować można jako kolejne profile pionowe na osi czasu (rysunki 3.9 i 3.12)ale także w postaci diagramów CFAD (rysunek 3.11), odzwierciedlającychczęstości występowania poszczególnych wartości odbiciowości radarowych naposzczególnych wysokościach. Diagramy tego rodzaju będą wykorzystywanew dalszych częściach pracy.

74

Rozdział 4

Modelowanie mikrofizykichmur, symulator radaru

Symulator radaru to program komputerowy, który na podstawie wynikówmodelowania dynamiki atmosfery i mikrofizyki chmur - informacji o cząstkachchmurowych i ich rozkładzie przestrzennym - wyznacza wartości odbiciowościradarowej, jakie zostałyby zarejestrowane przez radar o wybranej częstotli-wości. Jego wykorzystanie umożliwia ocenę działania modelu poprzez porów-nanie efektów symulacji z rzeczywistymi obserwacjami. Jest to rozwiązaniekorzystniejsze niż próba uzyskania na podstawie pomiarów teledetekcyjnychwielkości używanych w modelach numerycznych (rozmiarów, koncentracji,kształtów hydrometeorów), co wymaga dużej liczby założeń i powoduje na-warstwienie niepewności (Sauvageot, 1982).

W symulatorach radarów powszechnie używa się przy obliczeniach od-biciowości teorii Rayleigha lub Mie (Hasse i Crewell, 2000; Haynes et al.,2007; Li et al., 2010), jeśli to konieczne - zastępując cząstki o kształtachniesferycznych ekwiwalentnymi cząstkami sferycznymi. Zazwyczaj tworzy sięje z myślą o zastosowaniu we współpracy z konkretnym modelem lub klasąmodeli numerycznych, w których wykorzystuje się określony zestaw parame-trów opisujących atmosferę a w szczególności chmury. Na przykład oprogra-mowanie opisane przez Masunaga i Kummerow (2005), oraz Li et al. (2010)dostosowane jest do pobierania danych z modelu Goddard Cumulus Ensem-ble (GCE) połączonego z mikrofizycznym modelem chmur Hebrew Univer-sity Cloud Model (HUCM , Khain et al., 2000), używającym dyskretnego,obejmującego 33 przedziały, rozkładu wielkości dla sześciu klas hydromete-orów: kropel wody, kryształków lodu (płaskich, podłużnych i rozgałęzionych),

75

zlepionych płatków śniegu, krupy, zamarzniętych kropel oraz dla jąder kon-densacji. Na podstawie profilów pionowych koncentracji i rozkładów wielko-ści cząstek w symulatorze obliczane są przewidywane sygnały radarowe dlaustawionego pionowo radaru o fali 5,5 cm oraz radaru umieszczonego na sate-licie Tropical Rainfall Measurement Mission (długość fali ok. 2,2 cm). Z jegopomocą badano wpływ szeregu modyfikacji algorytmu HUCM na zgodnośćwyników obliczeń z obserwacjami wykonanymi podczas kampanii pomiarowejPRE-STORM (Preliminary Regional Experiment for Storm-scale Operationaland Research Meteorology), między innymi - zwiększenia gęstości i prędkościopadania zlepionych płatków śniegu lub zmniejszenia zależności wydajnościkolizji cząstek lodowych od temperatury.

Z kolei symulator RSM (Radar Simulation Model) autorstwa Hasse i Cre-well (2000) oraz jego rozwinięcie (Molini et al., 2006) współpracują z me-zoskalowym modelem prognozującym pogodę (Lokal-Modell, Doms i Schat-tler, 1998), pobierając z niego ciągłe widmo wielkości dla cząstek opadowych(deszcz, śnieg, grad) a w przypadku cząstek chmurowych całkowitą zawartośćwody (lodu) chmurowej, na podstawie której symulator konstruuje rozkładywielkości kropel (kryształków). Wykorzystuje się go do walidacji algorytmówLM. Na przykład w pracy (Hasse i Crewell, 2000) przeanalizowano diagramyrozrzutu, na których wykreślano odbiciowości radarowe w zależności od inten-sywności opadu. Zauważono, że rozrzut wielkości jest w przypadku danychz modelu istotnie mniejszy niż w przypadku danych pomiarowych, co po-wiązano z niezmiennością zakładanych w modelu rozkładów wielkości kropelopadowych i brakiem reprezentacji zjawisk podskalowych.

W artykule (Ferretti et al., 2010) opisano testy różnych ustawień dotyczą-cych mikrofizyki cząstek lodowych (zmiany gęstości cząstek, postaci rozkładuwielkości) w mezoskalowych modelach pogody - COSMO-LAM Italy (kolej-nej wersji Lokal Modell) oraz MM5-V3 stworzonym przez Pennsylvania StateUniversity i National Center for Atmospheric Research (Grell et al., 1994)-z wykorzystaniem odpowiednio dostosowanych wersji RSM. W pierwszymprzypadku rozkłady wielkości cząstek (kropel i cząstek lodowych chmuro-wych i opadowych) mają postaci funkcji eksponencjalnych z ujemnym wy-kładnikiem, w drugim - rozkładów gamma (z wyjątkiem śniegu, dla któregorozkład wielkości jest sumą rozkładu gamma i wykładniczego). W analizo-wanym przypadku - rozbudowanej komórki konwekcyjnej - zaobserwowano,że duży wpływ na jakość wyników modelowania mają zastosowane założeniadotyczące własności występujących w chmurze cząstek lodowych. Cząstki te,w zależności od zjawisk, jakie doprowadziły do ich powstania i wzrostu (resu-

76

blimacja pary, zamarznięcie wody, zderzenia rosnących cząstek z kroplami, zpłatkami śniegu, rozrywanie) mogą mieć bardzo różne, nieregularne kształtyi strukturę wewnętrzną (jednolitą lub porowatą) a co za tym idzie - zróżni-cowaną średnią gęstość. Przykładowym wnioskiem, jaki wysnuto z użyciemRSM było, że aby w wynikach modelu pojawiły się cząstki lodowe opadającedo powierzchni ziemi konieczne jest znaczące zwiększenie wartości gęstości,jakie mogą przyjmować.

Punktem wyjścia do prac nad symulatorem radaru stworzonym przez au-torkę niniejszej rozprawy był symulator QuickBeam (Haynes et al., 2007;Haynes, 2007), napisany z myślą o symulacjach sygnałów radaru satelitar-nego CPR - Cloud Profiling Radar , operującego falami o częstotliwościach84 GHz. W wersji oprogramowania przedstawionej w artykule (Haynes et al.,2007), aby otrzymać pionowy profil odbiciowości radarowej oraz tłumienia falprzez powietrze i zawieszone w nim hydrometeory, użytkownik musi wpro-wadzić do algorytmu pionowy profil stosunków zmieszania dla zdefiniowa-nych przez siebie typów cząstek chmurowych i opadowych. Poszczególne typyhydrometeorów mogą mieć różny stan skupienia, związek pomiędzy masą iśrednicą oraz rozkład wielkości. Predefiniowane postaci rozkładów wielko-ści obejmują rozkład monodyspersyjny, lognormalny, potęgowy, wykładni-czy i zmodyfikowany rozkład gamma. Definiując klasę cząstek, użytkownikpodaje typ rozkładu wielkości i opisujące go parametry (np. dla zmodyfi-kowanego rozkładu gamma - średnią średnicę cząstek i szerokość rozkładu),brany pod uwagę przedział wielkości, fazę, parametry wzoru łączącego masę irozmiar cząstek, gęstość. Niezbędną informacją jest częstotliwość fal radaro-wych oraz położenie urządzenia (na Ziemi czy na orbicie). Program pozwalana przeprowadzenie dla interesującego użytkownika przypadku dokładnychobliczeń za pomocą teorii Mie lub wykorzystanie wbudowanych w program,obliczonych wcześniej tablic z wartościami odbiciowości. Zastosowanie tychostatnich zmniejsza dokładność obliczeń, ze względu na to, że wstępne ob-liczenia przeprowadzono dla skończonego zestawu parametrów (temperatur,gęstości hydrometeorów itp.) ustalonego przez autorów, niekoniecznie odpo-wiedniego w konkretnym przypadku będącym przedmiotem analizy. Dalszyrozwój QuickBeam, polegający między innymi na możliwości uwzględnieniacząstek składających się częściowo z wody a częściowo z lodu oraz cząstek okształtach innych niż sferyczne, był planowany ale nowa wersja oprogramo-wania nie była dostępna w maju 2013r.

W ramach pracy doktorskiej, symulator ten został przez autorkę grun-townie przebudowany i dostosowany do testowania dwumomentowego mi-

77

krofizycznego modelu chmur Morrisona i Grabowskiego (Morrison i Grabow-ski, 2007, 2008). Opisana w kolejnych rozdziałach wersja korzysta zarównoz informacji na temat stosunków zmieszania jak i koncentracji hydromete-orów, uwzględnia te same klasy cząstek co model Morrisona i Grabowskiego,w szczególności - złożony opis kryształków lodu (rozdział 4.2). Na potrzebydziałania symulatora, korzystając z założeń modelu, autorka obliczyła ze-staw tablic określających odbiciowości oraz tłumienie wiązki radarowej przezzbiory hydrometeorów o określonych stosunkach zmieszania i koncentracjach.

4.1 Podstawowe cechy modelu mikrofizykichmur Morrisona i Grabowskiego

Algorytmy opisujące mikrofizykę chmur można podzielić na dwie klasyróżniące się sposobem traktowania widma rozmiarów cząstek chmurowych:

1. posługujące się dyskretnym rozkładem wielkości lub masy hydromete-orów (np. Grabowski, 1985, Beheng, 1994, Morrison i Grabowski, 2007, Xiui Niu, 2010),

2. posługujące się ciągłym rozkładem wielkości hydrometeorów o z góryzałożonej postaci (np. Meyers et al., 1997, Khairoutdinov i Kogan, 2000,Morrison i Grabowski, 2007, Morrison i Grabowski, 2008).

Zaletą pierwszych jest brak ograniczeń dla postaci rozkładu wielkości -może on przybierać dowolny kształt oraz dowolnie zmieniać się w czasie iprzestrzeni. Niestety oznacza to jednocześnie wysokie niepewności progno-zowanych parametrów, a w przypadku rozbudowanych symulacji - wysokiekoszty obliczeniowe (Morrison i Grabowski, 2007), nie jest to więc rozwią-zanie optymalne. Stąd prace nad doskonaleniem modeli uwzględniającychciągłe rozkłady wielkości hydrometeorów.

Pierwotnie modele chmur z ciągłym widmem przewidywały tylko jedenmoment statystyczny rozkładu - stosunek zmieszania wody chmurowej w po-wietrzu (Kessler, 1969; Berry i Reinhard, 1973):

q =

∫ ∞

0

m(D)N (D)dD . (4.1)

D jest tu rozmiarem cząstki (np. średnicą w przypadku cząstki sferycznejlub długością osi głównej w przypadku kryształków), m(D) to masa cząstkia N(D) - gęstość rozkładu wielkości w m−1.

78

Obecnie coraz popularniejsze stają się modele dwumomentowe (Meyerset al., 1997; Khairoutdinov i Kogan, 2000; Seifert et al., 2006; Morrison iGrabowski, 2007, 2008) - mniej kosztowne niż algorytmy dyskretne a jed-nocześnie lepiej oddające rzeczywistość niż nazbyt uproszczone modele jed-nomomentowe. Algorytmy tego typu oprócz stosunku zmieszania przewidujątakże koncentrację cząstek (n w kg−1):

n =

∫ ∞

0

N (D)dD . (4.2)

W przypadku używanego w niniejszej rozprawie modelu mikrofizycznegoMorrisona i Grabowskiego (Morrison i Grabowski, 2007, 2008, 2011) stosunkizmieszania i koncentracje obliczane są z podziałem na trzy klasy hydromete-orów, opisane w rozdziale 4.2. Dynamiczny rdzeń modelu wywodzi się z koduużywanego już wcześniej w zastosowaniach dotyczących tzw. „superparame-tryzacji” konwekcji w globalnych modelach atmosfery (Grabowski i Smo-larkiewicz, 1999; Grabowski, 2004, 2006). To dwuwymiarowy, niehydrosta-tyczny, anelastyczny model przepływów, w którym równania rozwiązywanesą z zastosowaniem podejścia eulerowskiego lub lagranżowskiego (Smolarkie-wicz i Margolin, 1997). W obrębie warstwy granicznej dla opisu transportupodskalowego zastosowano teorię podobieństwa Monina-Obuchowa (jej wy-korzystanie opisano m.in. w pracy Troen i Mahrt, 1986). Do obliczeń związa-nych z transferem promieniowania użyto Community Climate Model (CCM)NCAR (Kiehl i ad B. P. Briegleb, 1994). Stale rozwijany kod Morrisona i Gra-bowskiego służy analizowaniu własności różnych typów chmur, opracowaniudanych z kampanii pomiarowych (m.in. TWP-ICE), szacowaniu wpływu ae-rozoli na charakterystykę chmur (Morrison i Grabowski, 2011), może byćwykorzystany w modelowaniu pogody i klimatu (Morrison et al., 2005).

4.2 Hydrometeory uwzględnione w modeluchmur i symulatorze radaru

Aby zachować zgodność z modelem mikrofizycznym Morrisona i Grabow-skiego, napisany przez autorkę rozprawy symulator sygnałów radarowych opi-sywany w kolejnych rozdziałach, uwzględnia te same co model trzy zasadniczetypy hydrometeorów:

- krople chmurowe (sferyczne),- krople opadowe (sferyczne),

79

- kryształki lodu (kryształy pojedyncze i złożone, w różnym stopniu po-kryte szadzią).

Zgodnie z założeniami modelu, procesy zamarzania lub topnienia cząsteksą natychmiastowe, w związku z czym pominięta zostaje obecność cząstekskładających się częściowo z wody a częściowo z lodu. Utrudnia to stworzeniewiernej symulacji sygnałów radarowych, jako że cząstki o mieszanym składziemają w porównaniu z jednolitymi duży wkład do odbiciowości radarowej(Sauvageot, 1982; Gossard i Strauch, 1983).

Charakterystyczną cechą modelu jest zachowanie rozróżnienia pomiędzywzrostem kryształków przez resublimację pary wodnej oraz przez zamarzanieprzechłodzonej wody: na każdym kroku uwzględniane są oddzielne stosunkizmieszania opisujące masę lodu przyrastającą w obu procesach. Wykorzysty-wanym w wielu relacjach parametrem jest udział szadzi w całkowitej masiekryształków lodu (ang. rimed mass fraction). Wielkość ta, wraz z rozmiarem,używana jest do wyodrębnienia różnych klas kryształków lodu uwzględnia-nych w symulacjach:- małych monokryształów traktowanych jak sfery o standardowej gęstości917 kg/m3,- niesferycznych monokryształów o predefiniowanych kształtach (sześciokąt-nych płytek, kolumn itp.) lub złożonych z nich polikryształów o gęstościachobniżonych w porównaniu z gęstością lodu, zależnych od rozmiarów cząstek,- krupy, rozumianej jako kryształki, których szczeliny i załamania zostaływypełnione na skutek zamarzania w nich kropel mżawki- większych kryształów, w przypadku których krystalizujące krople nie wy-starczają do wygładzenia załamań powierzchni (partially-rimed).

Podział cząstek lodowych na klasy przedstawia rysunek 4.1. D1, D2, D3,graniczne rozmiary oddzielające poszczególne klasy cząstek wyznaczane sąza pomocą wzorów opisanych dokładniej w pracy (Morrison i Grabowski,2008):

D1 =

(πρL

6αL

)1/(βL−3 )

, (4.3)

D2 =

(αL

αK

)1/(βK−βL)

, (4.4)

D3 =

(1

1 − Fr

αL

αK

)1/(βK−βL)

, (4.5)

80

Rysunek 4.1: Gęstość rozkładu wielkości kryształków lodu uwzględnianych w mo-delu, podział na klasy kryształków (Morrison i Grabowski, 2008). D - charaterystyczny rozmiar cząstek.

gdzie αL, βL, αK , βK to opisane niżej parametry związku masy i maksymal-nego rozmiaru cząstek, odpowiednio dla zwartych, niesferycznych kryształ-ków lodowych oraz krupy, ρL to gęstość kryształków lodu, a Fr - udziałszadzi w całkowitej masie kryształków lodu. W przypadku gdy jedynym pro-cesem przyczyniającym się do wzrostu cząstek lodowych jest przyrost szadzi,wszystkie cząstki o rozmiarach powyżej D2 traktowane są jak krupa. Gdylód powstaje tylko wyniku resublimacji pary (Fr = 0), rozkład wielkości czą-stek dzielony jest tylko na dwie części - odpowiadającą małym, sferycznymkryształkom i większym kryształkom niesferycznym.

Wszystkie hydrometeory opisywane są w modelu za pomocą związków po-między masą (m) oraz powierzchnią rzutu cząstki (A) a „maksymalnym roz-miarem” - najdłuższym odcinkiem łączącym dwa punkty cząstki (D). Związkite mają uogólnioną postać:

m(D) = αDβ, (4.6)

A(D) = σDγ, (4.7)

gdzie parametry α, β, σ, i γ zależą od założonego kształtu cząstki (Rogers iYau, 1989). W przypadku kropel wody, powyższe związki opisują jednorodne

81

sfery. W przypadku kryształów lodu mają różne (wynikające z obserwacji)postaci, zależne od rozmiaru i udziału szadzi. Dla kryształków częściowo skła-dających się z szadzi parametr β jest taki sam jak dla regularnych mono ipolikryształów, zaś α jest funkcją udziału szadzi. Związek 4.7 powstaje w tymprzypadku jako interpolacja pomiędzy charakterystykami krupy i regularnychkryształów (Morrison i Grabowski, 2008). Poszczególne kombinacje parame-trów opisujących cząstki przedstawione są w tabeli 4.1.

m(D) A(D)typ kryształów α β σ γ

sferyczne πρL/6 3.0 π/4 2.0zwarte niesferyczne 0.0028 2.1 0.2287 1.88

krupa 0.0490 2.8 0.6256 2częściowo szadź zależne od udziału szadzi

Tablica 4.1: Współczynniki związków 4.6 (m(D)) i 4.7 (A(D)) dla poszczególnychklas kryształków lodu uwzględnianych przez model (jednostki CGS), m = αDβ,A = σDγ , gęstość lodu ρL ≈ 917kg/m3.

4.3 Rozkłady wielkości hydrometeorów

Postaci rozkładów wielkości hydrometeorów są w modelu Morrisona i Gra-bowskiego z góry określone. Wybrano typowy dla chmur wodnych kształtwidma zwany rozkładem gamma (Sauvageot, 1982; Ulbrich, 1983; Kokhano-vsky, 2005), którego gęstość opisuje następujący wzór:

N (D) = N0Dµe−λD , (4.8)

gdzie N0 jest czynnikiem skalującym, λ określa nachylenie a µ = 1ζ2 − 1 -

kształt rozkładu (ζ to stosunek odchylenia standardowego do średniego pro-mienia cząstek).

W przypadku mżawki lub deszczu parametr kształtu µ wynosi 0 i rów-nanie (4.8) przybiera postać gęstości rozkładu Marshalla-Palmera (Marshalli Palmer, 1948).

Nachylenie i czynnik skalujący są funkcjami µ, koncentracji hydromete-orów n oraz stosunku zmieszania q:

82

λ = (πnρw/q)1/3 , (4.9)

N0 = nλ, (4.10)

(ρw oznacza gęstość wody).Gdy chodzi o kropelki chmurowe, do wyznaczania kształtu rozkładu

wykorzystuje się stwierdzony obserwacyjnie dla ciepłych chmur kłębiasto-warstwowych (Martin et al., 1994) związek pomiędzy zdefiniowaną wyżejwielkością ζ, koncentracją kropel chmurowych (n w kg−1) oraz gęstością po-wietrza (ρa w kg/m3):

ζ = 5 , 7 · 10−4nρa + 0 , 2714 . (4.11)

Pozostałe współczynniki wyznacza się ze wzorów (Morrison i Grabowski,2008):

λ =

(π

6ρwn

Γ (µ+ 4 )

Γ (µ+ 1 )

)1/3

, (4.12)

N0 = nλµ+1

Γ(µ+1) , (4.13)

gdzie Γ to funkcja gamma Eulera.Bardziej skomplikowane jest wyznaczanie gęstości rozkładu wielkości

kryształków lodu. Wymaga ono numerycznego rozwiązania układu równań4.1 i 4.2 wraz z dodatkowym, wynikającym z obserwacji warunkiem (Heyms-field, 2003):

µ = 0 , 076λ0 ,8 − 2 . (4.14)

Przy założeniu gęstości rozkładu w postaci 4.8 wyznacza się wartości czynnikaskalującego, nachylenia i kształt rozkładu.

Stanowiący podstawę prowadzonych przez autorkę rozprawy pracynad symulatorem radaru program QuickBeam (Haynes et al., 2007; Haynes,2007) nie był przygotowany do uwzględnienia wszystkich elementów opisuhydrometeorów występujących w modelu Morrisona i Grabowskiego (Morri-son i Grabowski, 2007, 2008). Pozwalał, co prawda, na zastosowanie rozkładuwielkości w postaci zmodyfikowanego rozkładu gamma:

N (D) = Nt1

Γ (ν)Ds

(D

Ds

)ν−1

e−D/Ds , (4.15)

83

Tablica 4.2: Zestawienie parametrów rozkładów wielkości cząstek zdefiniowanychw symulatorze QuickBeam (wzór 4.15) oraz w modelu mikrofizycznym Morrisonai Grabowskiego (wzór 4.8).

kształt parametr czynnikrozkładu nachylenia skalujący

QuickBeam ν − 1 − 1Ds

Nt

Γ(ν)

(1

Ds

)ν

model mikrofizycznyµ λ N0Morrisona i Grabowskiego

gdzie wprowadzono parametry ν (szerokość rozkładu) oraz Ds = DΓ(ν+1)Γ(ν)

(D - średnia średnica cząstek). Niestety, jak widać z porównania wzorów4.8 oraz 4.15 (tabela 4.2), w postaci rozkładu przewidzianej w symulatorzeQuicBeam pojawia się inny zestaw parametrów niż w modelu Morrisona iGrabowskiego (Morrison i Grabowski, 2007, 2008). Jej użycie wymagałobykażdorazowego przeliczania parametrów. Ponadto wykorzystuje się tu tylkoinformacje o szerokości rozkładu oraz koncentracji hydrometeorów lub ichśredniej średnicy, gdy tymczasem w modelu Morrisona i Grabowskiego para-metry rozkładu zależą dodatkowo od stosunków zmieszania hydrometeorówa w przypadku kryształków lodu rozkład wielkości składa się z czterech frag-mentów (rozdział 4.2). W związku z powyższym podjęto decyzję o całkowitejrezygnacji z wykorzystania części kodu QuickBeam dotyczących tworzeniarozkładów wielkości hydrometeorów. Zastąpiono je nowo napisanymi przezautorkę funkcjami wyznaczającymi parametry rozkładów wielkości w sposóbopisany w niniejszym rozdziale. Funkcje te wykorzystywane są przy tworzeniutablic odbiciowości, co opisano w kolejnym rozdziale.S

4.4 Tablice odbiciowości

Dla skrócenia czasu obliczeń w poszczególnych symulacjach, symulatorposługuje się wyznaczonymi wcześniej tablicami, z których na podstawie kon-centracji i stosunku zmieszania cząstek (a w przypadku kryształków - takżeudziału szadzi) odczytuje się interpolacyjnie wartości odbiciowości radaro-wej oraz tłumienia sygnału radarowego przez hydrometeory. Poniżej opisanoalgorytm wyznaczania tablic stworzony w ramach pracy doktorskiej autorki.

84

Zakresy stosunków zmieszania i koncentracji, w jakich mogą występowaćcząstki poszczególnych klas (krople deszczu, krople chmurowe i kryształkilodu) obejmują po kilka rzędów wielkości, w związku z czym korzystne jestzastosowanie logarytmicznej siatki tych parametrów. Dla każdej pary sto-sunku zmieszania i koncentracji wyznaczana jest gęstość rozkładu wielkościhydrometeorów, a konkretnie współczynniki dla założonego z góry kształturozkładu, zgodnie ze wzorami podanymi w rozdziale 4.3. Dla potrzeb obliczeńdotyczących rozpraszania promieniowania, gęstość rozkładu jest dyskretyzo-wana:- w przypadku kropel deszczu i chmurowych opisywanych w symulatorzew stosunkowo prosty sposób, wartość funkcji podaje się w 60 punktach (dla 60rozmiarów D, rozłożonych logarytmicznie),- w przypadku kryształków lodu, których rozkład wielkości składa się z czte-rech sekcji (rozdział 4.3), dokładny opis wymaga wprowadzenia większejliczby punktów (sprawdzono, że przy zagęszczeniu siatki do 600 punktów,na każdą sekcję przypada kilka par argumentów i wartości).

Efektywne współczynniki rozpraszania i ekstynkcji dla cząstek o poszcze-gólnych rozmiarach obliczane są z wykorzystaniem teorii Mie, za pomocąkodu „MIEINT” R.G. Graingera i G.E. Thomasa (Grainger et al., 2004)używanego już wcześniej w symulatorach radarowych takich jak QuickBeam(Haynes et al., 2007) i jego modyfikacje, np. (Fan et al., 2009).

Do obliczenia odbiciowości radarowej wykorzystuje się wzory 1.8, 1.9,1.31:

Z =λ4

π5K2σπ =

λ4

π5K2

∑i

Ciπ

=λ4

π5K2

∫Cπ(D)N(D)dD

=λ4

π5K2

∫πD2

4Qπ(D)N(D)dD,

(4.16)

Podobny wzór opisuje ekstynkcję (ψ w m−1):

ψ =10

log10

∫πD2

4Qext(D)

︸ ︷︷ ︸Cext (D)

N (D)dD . (4.17)

Całkowanie numeryczne odbywa się za pomocą funkcji „AVINT” z pu-blicznej biblioteki SLATEC kodów matematycznych w języku FORTRAN,

85

udostępnianej przez Energy Science and Technology Center DepartamentuEnergii Stanów Zjednoczonych (Vandevender i Haskell, 1982). W rezultaciedla każdego typu hydrometeorów powstają dwie tablice: jedna zawierającaodbiciowości i jedna zawierająca wartości ekstynkcji.

W przypadku kryształków lodu zastosowanie teorii Mie wymaga zastąpie-nia cząstek o nieregularnych kształtach ekwiwalentnymi cząstkami sferycz-nymi, na przykład cząstkami o tej samej objętości (Donovan et al., 2004):

1

ραDβ

︸ ︷︷ ︸objetosc czastki

=π

6(Ds)

3

︸ ︷︷ ︸objetosc czastki ekwiwalentnej

(4.18)

Ds =

[6α

πρDβ

]1/3

. (4.19)

gdzie ρ oznacza gęstość cząstki a Ds średnice cząstek ekwiwalentnych.Czasami wykorzystuje się także cząstki sferyczne o tej samej powierzchni

rzutu lub stosunku objętości do powierzchni rzutu. Trafność odwzorowa-nia zależy od kształtów symulowanych cząstek lodowych, np. cząstki ekwi-walentne zachowujące objętość sprawdzają się w przypadku sześciokątnychpłytek i kolumienek, podczas gdy cząstki zachowujące powierzchnię rzutunajlepiej odpowiadają kryształkom sześcioramiennym (Donovan et al., 2004;Hong, 2007). W wyniku obliczeń otrzymuje się zestaw tablic zawierają-cych wartości odbiciowości radarowej i tłumienia sygnału odpowiadające po-szczególnym kombinacjom koncentracji, stosunków zmieszania, temperaturyi udziału szadzi (rysunek 4.2).

4.5 Symulacje odbiciowości radarowej

Symulator radaru MMCR wykorzystuje wyniki modelu mikrofizycznegochmur (rozdział 4.1) a w szczególności pionowe profile stosunków zmieszaniai koncentracji poszczególnych hydrometeorów, udziału szadzi, oraz tempe-ratury (potrzebne do określania tłumienia fal radarowych przez powietrze).Mogą to być profile chwilowe lub uśrednione. W niniejszej rozprawie posłu-giwano się danymi chwilowymi pochodzącymi z terminów oddalonych o ok.15 minut. Dla każdej kolejnej wysokości, na podstawie stosunków zmiesza-nia i koncentracji cząstek, odczytywane są z tabel wartości odbiciowości oraztłumienia wiązki radarowej dla kropel deszczu, chmurowych i kryształków.

86

Rysunek 4.2: Poglądowy rysunek przedstawiający zestaw tablic odbiciowo-ści/tłumienia obliczanych i wykorzystywanych przez symulator radaru, od lewej:- trójwymiarowa tablica dla kropel chmurowych (argumenty: koncentracje (nc),stosunki zmieszania (qc), temperatura (T)),- trójwymiarowa tablica dla kropel opadu (argumenty: koncentracje (nr), stosunkizmieszania (qr), temperatura (T)),- czterowymiarowa tablica dla cząstek lodowych (argumenty: koncentracje (nL),stosunki zmieszania (qL), temperatura (T), udział szadzi (Fr)).

87

Rysunek 4.3: Szukanie rozwiązania równania x(k) = x0 metodą siecznych. W ko-lejnych krokach (krok 1 - niebieski, krok 2 - czerwony, krok 3 - zielony).

Przeszukiwanie tabel

Argumenty, dla których wartości odbiciowości umieszczono w tabelach,ułożone są w kolejności rosnącej. Przeszukiwanie tabel odbywa się za pomocąspecjalnie napisanej przez autorkę funkcji, będącej implementacją tzw. me-tody siecznych szukania pierwiastków równania (np. Press et al., 2007). Me-toda ta opiera się na przybliżaniu przebiegu funkcji za pomocą przecinającychją siecznych. Rozwiązywane równanie ma postać:

x (k) = x0 , (4.20)

gdzie k to numer pozycji w tabeli, x(k) wartości stosunków zmieszania, kon-centracji lub ułamków szadzi, dla których przeprowadzono obliczenia a x0 towartość, dla której należy wyznaczyć odbiciowość radarową i tłumienie.

W pierwszym kroku (rys. 4.3) obliczane są parametry prostej (a,b) prze-chodzącej przez pierwszy i ostatni punkt uwzględniony w tabeli (k1, x(k1))oraz (k2, x(k2)):

x = ak + b. (4.21)

a =x (k1 )− x (k2 )

k1 − k2

. (4.22)

88

b = x (k1 )− ak1 . (4.23)

Znalezione parametry prostej 4.21 wykorzystuje się do wyznaczenia k′,dla którego wartość funkcji x(k′) wynosi x0. Ze względu na to, że argumen-tami są indeksy tablicy - liczby naturalne - wyznaczony k′ zaokrągla siępoprzez pominięcie mantysy (symbol bc):

k , = bx0 − b

ac. (4.24)

W kolejnym kroku znaleziony punkt (k,, x(k,)) zastępuje jeden z parypunktów, dla których poszukiwane są parametry prostej. W zależnościod tego, czy x(k,) jest mniejsze lub większe od x0, zastępowany jest odpowied-nio punkt leżący na lewo (k1) lub prawo (k2) od poszukiwanego. W efekciepo kilku krokach otrzymuje się parę punktów tablicy (x(k−) i x(k+)) naj-bliższych x0 (rzadko zdarza się, by wartość stosunku zmieszania lub innejzmiennej była dokładnie taka, jak uwzględniona w tablicy).

Wartości odbiciowości i ekstynkcji są wynikami liniowej interpolacji po-między wartościami znalezionymi w tabelach. Zastosowana procedura jestdwuetapowa: właściwą interpolację poprzedza odpowiednie uporządkowaniedanych, dzięki czemu funkcja interpolująca może przybrać prostą postać.

Uporządkowanie danych do interpolacji

W wyniku opisanej powyżej procedury przeszukania tablicy, otrzymujesię zestaw par argumentów (xi(k−),xi(k+)) - stosunków zmieszania, koncen-tracji (indeks i numeruje kolejne uwzględniane parametry) itd. - otaczają-cych punkt xi

0, dla którego należy znaleźć wartości odbiciowości radarowejoraz tłumienia sygnału. Uporządkowanie zbioru danych wejściowych polegana stworzeniu listy argumentów:

x1(k−), x1(k+)x2(k+), x2(k+)x3(k+), x3(k+)

(4.25)

oraz drugiej, zawierającej wartości odbiciowości lub tłumienia (F ) odpowia-dające poszczególnym kombinacjom argumentów:

89

F (x1(k−), x2(k−), x3(k−))F (x1(k−), x2(k−), x3(k+))F (x1(k−), x2(k+), x3(k−))F (x1(k−), x2(k+), x3(k+))F (x1(k+), x2(k−), x3(k−))F (x1(k+), x2(k−), x3(k+))F (x1(k+), x2(k+), x3(k−))F (x1(k+), x2(k+), x3(k+))

(4.26)

Funkcję napisaną w języku FORTRAN można znaleźć w dodatku A.

Interpolacja

Dzięki wstępnemu uporządkowaniu argumentów oraz wartości przekazy-wanych do funkcji interpolującej, funkcja służąca do interpolacji w prze-strzeni wielowymiarowej przyjmuje postać prostej iteracji. W każdym krokudla kolejnego wymiaru (i) wyznaczane są wagi:

w(i) = xio−xi(k−)

xi(k+)−xi(k−)

1− w(i) =xi(k+)−xi

0

xi(k+)−xi(k−)

(4.27)

i z ich udziałem przeprowadzana jest interpolacja. Napisana przez autorkęfunkcja interpolująca znajduje się w Dodatku A.

Pochodzące od poszczególnych typów hydrometeorów wkłady do odbicio-wości oraz tłumienia są sumowane. Od sumarycznej odbiciowości dla kolej-nych poziomów odejmuje się straty związane z ekstynkcją promieniowania nadrodze radar - cel (w wypadku omawianej symulacji warunków z KampaniiTWP-ICE - od powierzchni Ziemi w górę i z powrotem). Wyniki podawanesą w decybelach.

Przykład wyników symulacji

Przeprowadzone przez autorkę symulacje sygnałów radarowych dla wa-runków panujących podczas kampanii TWP-ICE (rozdział 3.1) bazują na wy-nikach obliczeń przeprowadzonych za pomocą modelu Morrisona i Grabow-skiego przez dr. Hugh Morrisona. Rozmiar domeny obliczeniowej obejmował

90

200 km w poziomie (z rozdzielczością 1 km) oraz 25 km w pionie (97 po-ziomów, siatka zagęszczona w pobliżu Ziemi). Należy pamiętać, że ten dwu-wymiarowy model dynamiczny z cyklicznymi warunkami brzegowymi jest je-dynie specyficzną reprezentacją trójwymiarowej rzeczywistości (patrz takżerysunek 3.10 w rozdziale 3.3). Jak widać na przykładowym zdjęciu satelitar-nym z okolic Darwin, wykonanym w trakcie kampanii TWP-ICE (rysunek4.4), obserwowane w okresie monsunowym komórki systemy konwekcyjnemają rozmiary rzędu kilkuset kilometrów, mogą więc całkowicie wypełniaća wręcz przewyższać rozmiarami domenę obliczeniową.

Warunki początkowe dla modelu (prędkości wiatru, wartości tempe-ratury potencjalnej i stosunku zmieszania dla pary wodnej) zaczerpniętoz obserwacji aerologicznych przetworzonych dla rejonu Darwin przez Xieet al.(2010). Z tego samego źródła pochodziły informacje o wielkoskalowejadwekcji pary wodnej i temperatury potencjalnej. W okresie aktywnego mon-sunu (do 25 stycznia) obserwowano wiatry zachodnie oraz aktywne mezoska-lowe systemy konwekcyjne z silnymi opadami. W czasie stłumionej cyrkula-cji monsunowej (po 25 stycznia) dominowały relatywnie mało rozbudowanechmury konwekcyjne, sięgające wierzchołkami wysokości najwyżej 8 kilome-trów.

Rysunek 4.5 przedstawia przykładowe wyniki symulacji dla kilku dniz okresu eksperymentu TWP-ICE. Ze względu na to, że w symulowanymprzypadku obszary występowania poszczególnych typów hydrometeorów po-krywają się w małym stopniu (w dolnych częściach atmosfery występujągłównie krople deszczu a powyżej 5-6 km kryształki lodu), na wykresachujęto sumaryczne stosunki zmieszania oraz koncentracje cząstek chmuro-wych. W związku z dużą rozpiętością wartości przyjmowanych przez te para-metry, zastosowano skale logarytmiczne. Widoczne jest, że struktury obecnena wykresach wyników modelu mikrofizycznego (rysunek 4.5a i 4.5b) znaj-dują też odbicie w symulowanych sygnałach radarowych, na przykład- deszcz pomiędzy 6:00 a 12:00 UTC 29 stycznia widoczny jest na wszyst-kich wykresach jako kolejno: obszar stosunków zmieszania sięgających 10−4

kg/kg, koncentracji do 103 1/kg oraz odbiciowości do 10 dBZ w warstwiepowietrza przylegającej do powierzchni Ziemi- wysokie chmury warstwowe, widoczne stale jako warstwa stosunków zmie-szania do 10−4 kg/kg, koncentracji rzędu 1016 1/kg oraz odbiciowości do10 dBZ między wysokościami 14 i 18 km.

Na rysunku 4.6 zamieszczono wyniki symulacji sygnałów radarowychdla całego okresu pomiędzy 18 stycznia a 2 lutego 2006. Porównując je z wy-

91

Rysu

nek

4.4:O

brazsatelitarny

(radiometr

MO

DIS,

komp

ozycjaw

kolorachnaturalnych,

szerokość350

km)

przedstawiające

jednąz

komórek

konwekcyjnych

nadm

orzemT

imor,

25stycznia

2006.Ź

ródło:N

ASA

/GSF

C,

Rapid

Response.

92

a)

b)

c)

Rysunek 4.5: Wyniki modelu mikrofizycznego chmur dla dni 28 - 31 stycznia2006, dla rejonu północnej Australii (eksperyment TWP-ICE - patrz rozdział 3.1):a) sumaryczne stosunki zmieszania hydrometeorów [kg/kg], b) sumaryczne kon-centracje hydrometeorów [1/kg], c) symulowane odbiciowości radarowe [dBZ].

93

kresem 3.9 można zauważyć istotne różnice, takie jak obecne w modelu a nie-zaobserwowane w rzeczywistości niemal stałe opady 19–20 stycznia oraz 2lutego. Ponadto symulacje uwzględniają także będące poza zasięgiem radaruchmury wysokie. Jak zaznaczono już w rozdziale 3.3, są to rozbieżności, któ-rych można się spodziewać, ze względu na to, że periodyczne warunki brze-gowe modelu sprzyjają przedłużonemu utrzymywaniu się w domenie oblicze-niowej kolumn opadowych oraz chmur wysokich z rozwianych wierzchołkówchmur burzowych (chmury opuszczające domenę wracają do niej z drugiejstrony). W związku z powyższym w porównaniach wyników symulacji z ob-serwacjami radarowymi zamieszczonych w kolejnym rozdziale wykorzystujesię opisane już diagramy typu CFAD.

4.6 Podsumowanie

W niniejszym rozdziale zaprezentowano stworzone przez autorkę roz-prawy narzędzie służące do analizy wyników modelowania numerycznegomikrofizyki chmur z obserwacjami radarowymi: symulator radarowy opartyna elementach istniejącego wcześniej oprogramowania tego typu (QuickBeam,Haynes et al., 2007), przystosowany do współpracy z dwumomentowym mo-delem Morrisona i Grabowskiego (Morrison i Grabowski, 2007, 2008).

Opracowanie nowego symulatora wymagało:- napisania funkcji wyznaczających rozkłady wielkości hydrometeorów roz-patrywanych w modelu Morrisona i Grabowskiego na podstawie wartościkoncentracji, stosunków zmieszania i udziału szadzi, zgodnie z założeniamiwystępującymi w tym modelu,- obliczenia tablic odbiciowości radarowej i tłumienia sygnałów radarowychwykorzystywanych dla przyśpieszenia symulacji,- utworzenia nowych funkcji: przeszukującej tabelę oraz interpolującej wielo-wymiarowe dane,- połączenia powyższych elementów w programie odczytującym wyniki mo-delowania chmur i obliczającym na ich podstawie przewidywane sumarycznewartości odbiciowości radarowej pochodzącej od wszystkich typów hydrome-teorów.

94

Rysu

nek

4.6:

Odb

icio

woś

cira

daro

we

[dB

Z]o

blic

zone

zap

omoc

ąsy

mul

ator

ara

daru

pod

czas

eksp

erym

entu

TW

P-

ICE

wdn

iach

18st

yczn

ia-

2lu

tego

2006

.D

R-

num

erdn

iaro

ku(d

ni32

-33

odp

owia

dają

1-2

lute

go).

95

Rozdział 5

Analizy i testy zwykorzystaniem symulatora

5.1 Statystyki odbiciowości dla deszczu -wnioski

Jedną z kwestii, na które należy zwrócić uwagę przy porównywaniu wy-nikających z modelu i obserwowanych odbiciowości radarowych jest dobórgranic widma kropel opadowych, jakie brane są pod uwagę przy obliczaniusymulowanej odbiciowości (algorytm wymusza skończoną liczbę rozmiarów).W niniejszym rozdziale przedstawiono wyniki testów symulatora z różnymizałożeniami co do uwzględnianego przedziału wielkości kropel w zestawie-niu z danymi obserwacyjnymi uzyskanymi za pomocą radaru MMCR orazdisdrometru.

Wykresy 5.1 i 5.2 przedstawiają wyniki pomiarów naziemnych prowa-dzonych za pomocą disdrometrów (rozdział 3.2), w okresie 3 - 28 lutego2006. Niestety nie prowadzono pomiarów w okresie 18 stycznia - 2 lutego,dla którego dostępne były dane wejściowe do modelowania i przeprowadzonosymulacje opisane w rozdziale 4.5. Na rysunku 5.1 umieszczono przykładowekształty obserwowanych rozkładów wielkości kropel opadowych. Okazuje się,że często odbiegają one od rozkładu Marshalla-Palmera: maksimum rozkładuprzypada często dla średnic z zakresu 0,5 - 2 mm a dla kropel o mniejszychśrednicach koncentracje spadają. Wykres 5.2 przedstawia histogram średnic,dla których rozkłady wielkości cząstek opadowych obserwowanych w okresie

96

0 2 4 60

50

100

150

200

250

300

350

400

450

500

srednice [mm]

kon

cen

tra

cje

[m

m−

1 m

−3]

0 2 4 60

100

200

300

400

500

600

srednice [mm]

kon

cen

tra

cje

[m

m−

1 m

−3]

07.02.2006 06:15 UTC 12.02.2006 00:00 UTC

0 2 4 60

50

100

150

200

250

300

350

400

450

500

srednice [mm]

kon

cen

tra

cje

[m

m−

1 m

−3]

0 2 4 60

100

200

300

400

500

600

700

800

srednice [mm]

kon

cen

tra

cje

[m

m−

1 m

−3]

19.02.2006 13:30 UTC 24.02.2006 07:30 UTC

Rysunek 5.1: Wyniki wybranych pomiarów disdrometrycznych z okresu 3 - 28lutego 2006 w Darwin: rozkłady wielkości cząstek opadowych.

97

Rysunek 5.2: Wyniki pomiarów disdrometrycznych w czasie 3 - 28 lutego 2006w Darwin: histogram średnic, dla których przypadały maksima rozkładu wielkościobserwowanych kropel deszczu.

pomiarowym osiągały maksima. Największe koncentracje cząstek wypadałyśrednio dla średnicy 0,58 ± 0,28 mm.

Rysunek 5.3a przedstawia fragment diagramu częstotliwości występowa-nia odbiciowości radarowych obserwowanych w czasie TWP-ICE poniżej wy-sokości 6 km. Z symulacji za pomocą modelu Morrisona i Grabowskiego wy-nika, że w tym rejonie występują niemal wyłącznie krople opadowe. Wykresy5.3b-e przedstawiają wyniki otrzymane za pomocą symulatora radaru z wy-korzystaniem różnych założeń:- rys. 5.3b - zakładane rozmiary kropel opadowych w zakresie 0,025–0,5 mm(zakres wykorzystywany w modelu Morrisona i Grabowskiego przy oblicza-niu tablic pomocniczych zawierających prędkości opadowe kropel),- rys. 5.3c - zakładane rozmiary kropel opadowych w zakresie 0,025–4 mm(górna granica rozkładu przesunięta w stronę dużych kropel, co pozwalana uwzględnienie większości rozmiarów kropel obserwowanych za pomocądisdrometru - patrz rysunek 5.1 z przykładowymi widmami)- rys. 5.3d - zakładane rozmiary kropel opadowych w zakresie 0,3–4 mm(dolna granica zakresu przesunięta w stronę dużych średnic, do minimalnych

98

Rysunek 5.3: Wykres częstotliwości występowania (CFAD) odbiciowości radaro-wych [%] w zakresie -50 : 50 dBZ, w dniach 18 stycznia - 1 lutego 2006, fragmentdotyczący kropel opadowych. Wyniki obserwacji (a) oraz symulacji komputero-wych (b-e):b - wersja modelu z kroplami opadowymi o rozmiarach 0,025–0,5 mm,c - wersja modelu z kroplami opadowymi o rozmiarach 0,025–4 mm,d - wersja modelu z kroplami opadowymi o rozmiarach 0,3–4 mm,e - wersja modelu z kroplami opadowymi o rozmiarach 0.025–1 mm.

99

średnic obserwowalnych za pomocą disdrometru),- rys. 5.3e - zakładane rozmiary kropel opadowych w zakresie 0.025–1 mm.

Porównując wykres obserwacji (rysunek 5.3a) oraz wynikające z symula-cji (rysunek 5.3b-e) zauważyć można istotne różnice w zakresach częstotli-wości występowania kropel mżawki. W danych obserwacyjnych częstotliwo-ści mieszczą się w zakresie 0 – 7%, w modelowych sięgają 14%. Efekt ten,jak już wspomniano, związany jest z zadanymi w modelu cyklicznymi wa-runkami brzegowymi: wirtualne komórki burzowe utrzymują się w domenieobliczeniowej dłużej niż rzeczywiste komórki nad stanowiskiem pomiarowym,warunki uzyskiwane w wyniku symulacji są w całym okresie takie, jakie wrzeczywistości obserwowano tylko w jego pierwszej części (typowej cyrkulacjimonsunowej i cyrkulacji zakłóconej przez wystąpienie cyklonu - rysunki 3.12b i a). W związku z tym przy analizie jakości symulacji pod uwagę bierzesię nie same wartości częstotliwości występowania a położenie maksimów jejrozkładu. Ze względu na to, że w niektórych przypadkach dla poszczegól-nych wysokości obserwuje się więcej niż jedno maksimum, autorka proponujeskoncentrowanie się na zakresie odbiciowości, dla których obserwuje się naj-wyższe częstotliwości występowania, zamiast na dokładnym położeniu mak-simum. Aby lepiej zobrazować przesuwanie się tego przedziału, na wykresnaniesiono linie pomocnicze. Dla każdej wysokości sprawdzono, wystąpieniejakich odbiciowości było najbardziej prawdopodobne (prawdopodobieństwopowyżej 4% w przypadku obserwacji i powyżej 10% w przypadku symulacji,progi dobrano arbitralnie). Na każdym poziomie zakres najczęściej występu-jących odbiciowości był oczywiście inny. Wybrano najmniejsze i największeodbiciowości w obrębie całego CFAD, dla których częstość występowaniaprzekraczała ustalony próg i zakres ten oznaczono białymi, przerywanymiliniami prostymi.

Testy symulatora rozpoczęto przy założeniu zmienności rozmiarów kropeldeszczowych w zakresie 0,025–0,5 mm (rys. 5.3b). Jak łatwo zauważyć, mak-simum rozkładu prawdopodobieństwa obserwacji kropel deszczowych o po-szczególnych rozmiarach jest w takich warunkach przesunięte w stronę ma-łych odbiciowości w porównaniu z danymi radarowymi (rys. 5.3a, -20 – -12 dBZ zamiast 5 – 10 dBZ). Biorąc pod uwagę pomiary wykonane za po-mocą disdrometru, z których wynika, że w rzeczywistości, na powierzchniZiemi, obserwowano istotne ilości kropel o średnicach większych niż 0,5 mm(rys. 5.2), należy wywnioskować, że zakres 0,025–0,5 mm jest zbyt wąski.

Wykresy 5.3c-d przedstawiają wyniki testów, w których górną granicęrozkładu przesunięto do wartości 4 mm. Jak widać, rozszerzenie przedziału

100

i uwzględnienie większych kropel opadowych spowodowało przesunięcie mak-symalnych wartości prawdopodobieństwa w stronę większych odbiciowo-ści (11-26 dBZ), nawet ponad zakres wartości odbiciowości obserwowanychw rzeczywistości (rys. 5.3a). Położenie dolnej granicy rozkładu wielkości kro-pel nie wpływa znacząco na położenie maksimów rozkładu prawdopodobień-stwa.

Ponieważ obserwacje disdrometryczne wskazują, że średnio rzecz biorącnajczęściej obserwowane są krople o rozmiarach poniżej 1 mm, przeprowa-dzono również obliczenia dla dopuszczalnych rozmiarów kropel deszczowychw zakresie 0.025–1 mm (rys. 5.3e). Wyniki tych symulacji - położenie maksi-mum rozkładu - najlepiej zgadzają się z zamieszczonymi rys. 5.3a wynikamiobserwacji.

W wyniku przeprowadzonych testów stwierdzono, że uzyskanie wiarygod-nych symulacji odbiciowości związanych z występowaniem kropel deszczu wy-maga starannego ustalenia przedziału wielkości kropel, jakie będą brane poduwagę w przypadku obliczeń. O ile w przypadku dolnej granicy rozmiarówkropel przesunięcia granicy widma (np. z 0,025 na 0,3 mm) nie wpływajązasadniczo na uzyskiwane wartości odbiciowości, to w przypadku górnej gra-nicy różnice bywają znaczące. Dla ścisłego określenia właściwego przedziałuwielkości przydatne byłyby wyniki pomiarów rozkładów wielkości kropel opa-dowych na różnych wysokościach oraz naziemne pomiary disdrometrycznez okresu pokrywającego się z okresem, dla którego dostępne były dane wej-ściowe dla modelu numerycznego i dla którego prowadzono symulacje.

5.2 Statystki odbiciowości dla kryształkówlodu

Jakość symulacji sygnałów radarowych w przypadku rozbudowanychchmur konwekcyjnych w dużym stopniu zależy od jakości reprezentacji krysz-tałków lodu w obliczeniach. Symulacje odbiciowości radarowej dla dużych,niesferycznych kryształków lodu jakie występują w takich chmurach są bar-dziej skomplikowane niż dla kropel lub kryształków drobnych i w przybliżeniusferycznych (Matrosov, 2007; Hong, 2007). W przeciwieństwie do opisanychwyżej symulacji odbiciowości deszczu, nie wykazują silnej zależności od zasto-sowanych przedziałów wielkości cząstek, co potwierdzają również inne stu-dia (Matrosov, 2007). Wynika to z faktu, że niezależnie od doboru granic

101

Rysunek 5.4: Częstości występowania (CFAD) określonych odbiciowości radaro-wych [%] na podstawie obserwacji (a) i symulacji (b-e) warunków w czasie kampaniiTWP-ICE dla różnych założeń odnośnie średnic ekwiwalentnych cząstek sferycz-nych zastępujących niesferyczne kryształki lodu:b) średnica równa średnicy cząstki sferycznej o jednakowej objętości (De),c) cząstki o średnicy 2De,d) cząstki o średnicy 5De,e) cząstki o średnicy 10De.

102

rozkładu wielkości cząstek, położenie maksimum pozostaje w tym samymmiejscu, a odcinane krańce rozkładu odpowiadają znikomym w porównaniuz maksimum liczbom cząstek. Przeprowadzono testy polegające na zmianachwspółczynników i wykładników w równaniach 4.6 oraz 4.7 (związkach pomię-dzy masą i powierzchnią rzutu cząstki a jej maksymalnym rozmiarem), alenie uzyskano widocznego wpływu na statystyki symulowanych odbiciowości.

Istotnym elementem symulacji odbiciowości kryształków lodu jest nato-miast sposób, w jaki niesferyczne cząstki są reprezentowane za pomocą czą-stek sferycznych (do których można zastosować teorię Mie). Rysunek 5.4przedstawia wyniki obserwacji (a) oraz serii symulacji (b-e), w których zasto-sowano sfery o tej samej objętości co kryształki oraz o zwiększonych objęto-ściach. Dla ułatwienia analizy ilustracji, białymi przerywanymi liniami ozna-czono zakres odbiciowości, dla których częstotliwości występowania osiągaływartości maksymalne (powyżej 4% w przypadku obserwacji oraz powyżej12% w przypadku symulacji). Powyżej poziomu ok. 14 km porównanie wy-ników modelu i obserwacji jest niemożliwe ze względu na obniżoną czułośćradaru z jednej strony oraz tendencję modelu do przewidywania niereali-stycznie dużego pokrycia nieba chmurami wysokimi z drugiej. W związku ztym wzięto pod uwagę jedynie zakres wysokości od 6 do 14 km. Wartościgraniczne 4% i 12% dobrano arbitralnie, różnica wartości związana jest zopisywanymi wyżej różnicami w częstotliwości występowania zachmurzeniapomiędzy symulacjami i rzeczywistością.

Jak można się spodziewać, w miarę zwiększania średnic cząstek użytychw obliczeniach rosną również najczęściej obserwowane odbiciowości radarowe:od wartości między -34 i -22 dBZ dla cząstek zachowujących objętość, do war-tości między 0,6 i 21,6 dBZ dla cząstek o dziesięciokrotnie większych średni-cach. Spośród zaprezentowanych wyników najlepszą zgodność z obserwacjamiwykazują wyniki symulacji dla cząstek o średnicach większych pięciokrotnie(rysunek 5.4d): maksimum prawdopodobieństwa poniżej 14 km przypada po-między -10 a 9,5 dBZ.

Sposób w jaki rozmiary niesferycznych kryształków lodu przeliczane sąna średnice ekwiwalentnych cząstek sferycznych wykorzystywanych w obli-czeniach według teorii Mie to element decydujący o działaniu symulatora,nie występujący w samym modelu mikrofizyki chmur. Silna zależność wyni-ków symulacji od wyboru tego sposobu i związana z tym niejednoznacznośćznacząco utrudniają wykorzystanie symulatora do testowania wyników mo-delu dotyczących cząstek lodowych. Konieczne są dalsze testy parametryza-cji, a być może także rezygnacja z zastosowania teorii Mie na rzecz bardziej

103

kosztownych numerycznie metod, uwzględniających zróżnicowanie kształtówkryształków, np. T-matrix (Mishchenko i Travis, 1998; Ferretti et al., 2010)lub DDA - Discrete Dipole Approximation (Draine i Flatau, 1994; Flatau,1997, 2004; Hong, 2007). Te ostatnie rozwiązania będą jednak wymagaływprowadzenia nowych, niewystępujących w modelu założeń na temat kształ-tów niesferycznych cząstek (obecnie charakteryzują je jedynie związki 4.6 i4.7) i skorzystanie w tym celu z dodatkowych danych pomiarowych z innycheksperymentów.

5.3 Podsumowanie

W niniejszym rozdziale, wykorzystując pomiary z kampanii TWP-ICEoraz model mikrofizyki chmur autorstwa Morrisona i Grabowskiego przed-stawiono sposób wykorzystania danych teledetekcyjnych dla weryfikacji dzia-łania kodu, który może znaleźć zastosowanie w badaniu własności chmur,modelowaniu pogody i klimatu.

Porównanie wyników symulacji z danymi obserwacyjnymi pozwoliło na zi-dentyfikowanie zagadnień kluczowych dla dobrego funkcjonowania symula-tora sygnałów radarowych. W związku z tym, że poszczególne hydrometeory- krople deszczu, kryształki lodu i krople chmurowe - są opisywane w mo-delu w różnych sposób, różne są też związane z ich reprezentacją problemy.Wstępne wyniki opublikowano w artykule konferencyjnym The radar simu-lator: Deriving the radar signal using the cloud model output(Kardas et al.,2009a) oraz komunikatach Simulations of radar signals on the basis of cloudmodel results - deep convection conditions (Kardas et al., 2009b) i RadarSimulator for Validating a Two-moment Cloud Microphysical Model Appliedto TWP-ICE (Kardas et al., 2010).

W przypadku kropel deszczu, reprezentowanych w modelu przez male-jący monotonicznie rozkład wielkości wyznaczany na podstawie koncentracjii stosunków zmieszania kropel, istotny okazuje się odpowiedni dobór graniccałkowania rozkładu przy obliczaniu odbiciowości radarowej (konstrukcja al-gorytmu zakłada skończone granice).

W przypadku zlodzonej części chmury istotnym zagadnieniem jest sposóbobliczania średnic ekwiwalentnych cząstek sferycznych zastępujących niesfe-ryczne kryształki w obliczeniach prowadzonych za pomocą teorii Mie. Jakpokazano, wykorzystanie cząstek o jednakowej objętości nie jest adekwatnymprzybliżeniem: wyniki bliższe obserwacjom uzyskano przy znaczącym zwięk-

104

szeniu objętości cząstek ekwiwalentnych. Wykorzystanie symulatora do wery-fikacji modelu mikrofizyki chmury lodowej wymaga wzięcia pod uwagę dodat-kowych informacji o kształtach kryształków lodu i prawdopodobnie zmianymetody obliczania efektywnych przekrojów czynnych dla rozpraszania wsteczi ekstynkcji, np. na metodę T-matrix lub DDA.

Krople chmurowe mają mały udział w masie wody opadowej rozpatry-wanych chmur oraz małe znaczenie dla obserwowanych odbiciowości radaro-wych.

105

Podsumowanie

W niniejszej rozprawie wykorzystano wiedzę o rozpraszaniu promienio-wania elektromagnetycznego na obecnych w atmosferze cząstkach aerozolu icząstkach chmurowych (rozdział pierwszy) do rozwiązania dwóch zagadnieńz zakresu teledetekcji zjawisk i procesów atmosferycznych.

W drugim rozdziale pracy zaprezentowano rezultaty kampanii pomiarowejMACRON (Maritime Aerosol, Cloud and Radiation Measurements in Nor-way), podczas której do obserwacji aerozolu wykorzystano między innymiurządzenie lidarowe - ceilometr CHM15K - oraz fotometryczne - MicrotopsII. Pomiary, w których brała udział autorka, dokumentują mający miejscew dniach 7 - 8 sierpnia 2007 epizod napływu w rejon arktyczny masy powie-trza z niższych szerokości geograficznych, zanieczyszczonej aerozolem antro-pogenicznym i być może pustynnym. Na podstawie danych fotometrycznychustalono grubość optyczną atmosfery, w której wystąpił napływowy aerozol(dla fali długości 500 nm grubości te sięgały powyżej 0,4, podczas gdy średniadla dni bez napływu zanieczyszczonego powietrza to 0,09 ± 0,03). Wyzna-czono także wartości wykładnika Angstroma, którego maksymalne wartościobserwowane w dniach 7 - 8 sierpnia sięgały 1,74 i były wysokie w porówna-niu ze średnią z pozostałych dni wynoszącą 1,2±0,4), co świadczyło o spadkuśredniego rozmiaru cząstek zawieszonych w atmosferze.

Na podstawie wyników obliczeń numerycznych modeli transportu zanie-czyszczeń ustalono, że zanieczyszczona masa powietrza napłynęła z uprzemy-słowionego rejonu Europy Zachodniej. Prześledzenie toru transportu masypozwoliło autorce na porównanie obserwacji prowadzonych w Norwegii z po-miarami satelitarnymi z 5 sierpnia 2007, które uchwyciły t samą masę powie-trza nad Morzem Północnym i krajami Beneluksu. Pomiary pochodzące z sa-telity CALIPSO wykazały obecność w tym rejonie warstwy aerozolu o współ-czynnikach ekstynkcji 0,02 - 0,05 km−1. Porównanie wykładników Angstromaobserwowanych w Andenes i nad Morzem Północnym wskazują na prawdo-podobieństwo wzrostu średnich rozmiarów cząstek aerozolu w czasie trans-portu, co mogło być związane z uwodnieniem cząstek higroskopijnych. Częśćwyników znalazła się w artykule Study of vertical structure of aerosol opticalproperties with sun photometers and ceilometer during MACRON campaignin 2007 (Markowicz et al., 2012).

W rozdziale trzecim opisano prowadzone w trakcie kampanii TWP-ICE(Tropical Warm Pool International Cloud Experiment pomiary radarowe i

106

disdrometryczne, które wykorzystano w dalszej części rozprawy do weryfikacjizałożeń i działania dwumomentowego modelu mikrofizycznego chmur.

Sam model oraz stworzony przez autorkę symulator radaru - program słu-żący do symulowania odbiciowości radarowych na podstawie wyników bada-nego modelu - opisano w rozdziale czwartym. Symulator powstał w oparciuo wcześniej istniejący symulator radaru QuickBeam (Haynes et al., 2007).W napisanej przez autorkę wersji oprogramowania rozkłady wielkości hydro-meteorów ustalane są na podstawie dwóch (a nie jednego, jak w QuickBeam)momentów statystycznych oraz udziału szadzi. W symulacjach uwzględnianesą stosowane w modelu numerycznym założenia dotyczące rodzajów wystę-pujących cząstek chmurowych i opadowych. Elementem pracy było równieżwyznaczenie tablic odbiciowości i tłumienia fal radarowych przez hydrome-teory, którymi dla przyśpieszenia działania posługuje się program.

Jak wykazano w rozdziale piątym, użyty w symulatorze sposób opisurozpraszania światła przez kryształki lodu (oparty na teorii Mie), wymagaudoskonalenia - lepszego uwzględnienia kształtu cząstek rozpraszających pro-mieniowanie. W odniesieniu do cząstek w fazie ciekłej program już terazmoże być użyteczny przy porównywania wyników dwumomentowego kodumikrofizycznego z obserwacjami. Opis działania symulatora i wstępne wynikiprzedstawiono w artykule konferencyjnym The radar simulator: Deriving theradar signal using the cloud model output (Kardas et al., 2009a).

107

Dodatek A

Symulator radaru -oprogramowanie

Załączona do rozprawy płyta zawiera kody napisanego przez autorkęsymulatora radaru. Umożliwiają one przeprowadzenie dwóch procedur:

1. Obliczenie tablic odbiciowości i tłumienia sygnału radaro-wego

program make scattering tables.f90 (autor: A.E.Kardaś),wymagający kompilacji wraz z plikami:

radar simulator types.f90 (autor: A.E. Kardaś),psd lib.f90 (autor: A.E. Kardaś),

plikami pomocniczymi pochodzącymi z kodu Quickbeam:ref.f90, math lib.f90, optics lib.f90

i plikiem zawierającymi standardowe funkcje gamma: gammalib.f90

Aby skompilować program należy skorzystać z kompilatora pgf95:

pgf95 optics lib.f90 gamma lib.f90 math lib.f90 ref.f90 psd lib.f90make scattering tables.f90

Program uruchamiany jest komendą a.out.W wyniku działania programu powstają pliki mie cloud.txt, mie rain.txtoraz mie ice, o następującej strukturze:

108

nor - liczba punktów na osi udziału szadzi (tylko w przypadku mie ice.txt)noT - liczba punktów na osi temperaturynoq - liczba punktów na osi stosunków zmieszanianoN - liczba punktów na osi koncentracji hydrometeorów

r1 - udziały szadzi, dla których wykonano obliczenia (tylko w przypadkumie ice.txt)r2...rnor

T1- temperatury, dla których wykonano obliczeniaT2

...TnoT

q1 - stosunki zmieszania, dla których wykonano obliczeniaq2...qnoq

N1- koncentracje, dla których wykonano obliczeniaN2

...NnoN

odbiciowości odbiciowości tłumieniez teorii z teorii [dB/km]

Mie Rayleigha ...[mm6/mm3] [mm6/mm3] ...

... ... ...

109

2. Symulacja sygnałów radarowych z wykorzystaniem obliczonychwcześniej tablic

program interface.f90 (autor: A.E.Kardaś),wymagający kompilacji wraz z plikami:

radar simulator types.f90 (autor: A.E.Kardaś)radar simulator.f90 (autor: A.E. Kardaś)reading lib.f90 (autor: A.E. Kardaś)array lib.f90(autor: A.E. Kardaś)

i plikami pomocniczymi pochodzącymi z kodu Quickbeam:ref.f90, math lib.f90, optics lib.f90

Aby skompilować program należy skorzystać z kompilatora pgf95:pgf95 radar simulator types.f90 optics lib.f90 gamma lib.f90 array lib.f90math lib.f90 ref.f90 reading lib.f90 radar simulator.f90 interface.f90

Program uruchamiany jest komendą a.out.

Program wymaga plików wejściowych mie cloud.txt, mie rain.txt orazmie ice utworzonych zgodnie z opisem w punkcie 1 oraz pliku z danymi po-chodzącymi z modelu mikrofizycznego chmur runp2 sim.dat zawierającegonastępujące kolumny danych:

czas [dzień roku]współrzędna pozioma względem początku domeny [m]wysokość [m]gęstość powietrza [kg/m3]ciśnienie [Pa]temperatura [K]wilgotność względnastosunek zmieszania dla kropel chmurowych [kg/kg]koncentracje kropel chmurowych [1/kg]stosunek zmieszania dla kropel deszczu [kg/kg]koncentracje kropel deszczu [1/kg]stosunek zmieszania dla cząstek lodowych powstających w wyniku

resublimacji [kg/kg]stosunek zmieszania dla cząstek lodowych powstających w wyniku

zamarzania kropel wody [kg/kg]koncentracje cząstek lodowych [1/kg]

110

W przypadku użycia innego pliku wejściowego, należy w pliku inter-face.f90 zmienić nazwę pliku (zmienna model output name) oraz liczbęumieszczonych w pliku profili pionowych atmosfery (zmienna nprof ) i liczbępunktów, z których składa się każdy profil (zmienna ngate).

Program zwraca wyniki w pliku radar output.txt o następującej struktu-rze:nprof - liczba profilingate - liczba punktów w profilusymulowane odbiciowości radarowe, profil po profilu (teoria Rayleigha)symulowane odbiciowości radarowe, profil po profilu (teoria Mie)

111

Lista akronimów

ALOMAR Arctic Lidar Observatory for Middle Atmosphere Research

AOT Aerosol Optical Thickness - grubość optyczna aerozolu

ARM Atmospheric Radiation Measurement

ARR Andoøya Rocket Range

ARSCL Active Remote Sensing Cloud Layer

BMRC Bureau of Meteorology Research Center

BoM Bureau of Meteorology, Australia

CALIOP Cloud-Aerosol Lidar with Ortogonal Polarization

CALIPSO Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observa-tions

CFAD Contoured Frequency by Altitude Diagrams

CIRES Cooperative Institute for Research in Environmental Sciences

CSIRO Commonwealth Scientific and Industrial Research Organization

HUCM Hebrew University Cloud Model

HYSPLIT HYbrid Single-Particle Lagrangian Integrated Trajectory

IFD Instytut Fizyki Doświadczalnej, Wydział Fizyki Uniwersytetu War-szawskiego

IGF Instytut Geofizyki, Wydział Fizyki Uniwersytetu Warszawskiego

112

IO PAN Instytut Oceanologii Polskiej Akademii Nauk

IPCC Intergovernmental Panel on Climate Change

MACRON Maritime Aerosol, Clouds and Radiation Observations in Norway

MMCR Milimeter-wavelength Cloud Radar

NAAPS Navy Aerosol Analysis and Prediction System

NASA National Aeronautics and Space Administration

READY Real-time Environmental Applications and Display sYstem

RSM Radar Simulation Model

SAWA Saharan Aerosol over Warsaw

TWP-ICE Tropical Warm Pool International Cloud Experiment

UAE2 United Arab Emirates Unified Aerosol Experiment

UTC Universal Time Clock - Uniwersalny czas koordynowany

113

Bibliografia

Albrecht, B. (1989). Aerosols, cloud microphysics, and fractional cloudiness.Science, 245:1227–1230.

Angstrom, A. (1964). The parameters of atmospheric turbidity. Tellus, 16:64–75.

Beheng, K. D. (1994). A parameterization of warm cloud microphysicalconversion processes. Atmos. Res., 33:193–206.

Berry, E. X. and Reinhard, R. L. (1973). Modeling of condensation andcollection within clouds, volume 16 of D.R.I. Tech. Rep. Physical SciencePublication. University of Nevada, Reno NV.

Bockmann, C., Wandinger, U., Ansmann, A., Bosenberg, J., Amiridis, V., Bo-selli, A., Delaval, A., Tomasi, F. D., Frioud, M., Grigorov, I. V., Hagard, A.,Horvat, M., Iarlori, M., Komguem, L., Kreipl, S., Larcheveque, G., Mat-thias, V., Papayannis, A., Pappalardo, G., Rocadenbosch, F., Rodrigues,J. A., Schneider, J., Shcherbakov, V., and Wiegner, M. (2004). Aerosollidar intercomparison in the framework of the EARLINET project. 2. Ae-rosol backscatter algorithms. Appl. Optics, 43:977–989.

Bragg, W. H. and Bragg, W. L. (1915). X rays and crystal structure. G.Bell, Londyn.

Chandrasekhar, S. (1950). Radiative Transfer. Oxford University Press,Oxford.

Chylek, P., A., J., and Coakley (1974). Aerosols and climate. Science, 183:75–77.

114

Clothiaux, E. E., Ackerman, T. P., Mace, G. G., Moran, K. P., Marchand,R. T., Miller, M. A., and Martner, B. E. (2000). Objective determination ofcloud heights and radar reflectivities using a combination of active remotesensors at the ARM CART sites. J. Appl. Meteor., 39:645–665.

Clothiaux, E. E., Miller, M. A., Albrecht, B. A., Ackerman, T. P., Verlinde,J., Babb, D. M., Peters, R. M., and Syrett, W. J. (1995). An evaluation ofa 94-GHz radar for remote sensing of cloud properties. J. Atmos. Ocean.Tech., 12:201–229.

Clothiaux, E. E., Moran, K. P., Martner, B. E., Ackerman, T. P., Mace, G. G.,Uttal, T., Mathier, J. H., Widener, K. B., Miller, M. A., and Rodriguez,D. J. (1999). The Atmospheric Radiation Measurement program cloudradars: Operational modes. J. Atmos. Ocean. Tech., 16:819–828.

Collis, R. T. H. (1965). Lidar observation of cloud. Science, 149:978–981.

d’Almeida, G. A., Koepke, P., and Shettle, E. (1991). Global Climatologyand Radiative Characteristics. A. Deepak Publishing, Hampton, VA.

de Hulst, J.-C. V. (1957). Light scattering by small particles. John Wiley,Nowy Jork.

Deschamps, P.-Y., Breon, F.-M., Leroy, M., Podaire, A., Bricaud, A., Buriez,J.-C., and Seze, G. (1994). POLDER mission: instrument characteristicsand scientific objectives. IEEE Trans. Geosc. Remote Sens., 32:598–614.

Deschamps, P. Y., Herman, M., and Tanre, D. (1983). Modeling of theatmospheric effects and its application to the remote sensing of ocean color.Appl. Optics, 22:3751–3758.

Doms, G. and Schattler, U. (1998). The nonhydrostatic limited-area modelLM (Lokal-Modell) of DWD, part I, Scientific documentation. Ger. We-ather Serv. (DWD), Offenbach, Niemcy.

Donovan, D., Quante, M., Schlimme, I., and Macke, A. (2004). Use of equ-ivalent spheres to model the relation between radar reflectivity and opticalextinction of ice cloud particles. Appl. Optics, 43:4929–4940.

Draine, B. T. and Flatau, P. J. (1994). The discrete-dipole approximationfor scattering calculations. J. Opt. Soc. Am., 11:1491–1499.

115

Draxler, R. R. and Rolph, G. D. (2003). HYSPLIT (HYbrid Single-ParticleLagrangian Integrated Trajectory) Model access via NOAA ARL READYWebsite (http://www.arl.noaa.gov/ready/hysplit4.html). NOAA Air Reso-urces Laboratory, Silver Spring, MD.

Eresmaa, N., Karppinen, A., Joffre, S. M., Rasanen, J., and Talvitie, H.(2006). Mixing height determination by ceilometer. Atmos. Chem. Phys.,6:1485–1493.

Fan, J., Ovtchinnikov, M., Comstock, J. M., McFarlane, S. A., and Khain,A. (2009). Ice formation in arctic mixed-phase clouds: Insights from a 3-dcloud-resolving model with size-resolved aerosol and cloud microphysics.J. Geophys. Res., 114:D04205–1 – D04205–21.

Fernald, F. G. (1984). Analysis of atmospheric lidar observations: some com-ments. Appl. Optics, 23:652–653.

Ferretti, R., Sanctis, K. D., Molini, L., Parodi, A., Montopoli, M., Ma-rzano, F. S., and Siccardi, F. (2010). Investigating the sensitivity ofhigh-resolution mesoscale models to microphysical parameters by theuse of polarimetric radar observations. Atmos. Chem. Phys. Discuss.,10:20461–20514.

Flatau, P. (1997). Improvements in the discrete-dipole approximation me-thod of computing scattering and absorption. Optics Letters, 22:1205–1207.

Flatau, P. (2004). Fast solvers for one dimensional light scattering in thediscrete dipole approximation. Optics Express, 12:3149–3155.

Frisch, A. S., Lenschow, D. H., Fairall, C. W., Schubert, W. H., and Gib-son, J. S. (1995). Doppler radar measurements of turbulence in marinestratiform cloud during ASTEX. J. Atmos. Sci., 52:2800–2809.

Gossard, E. E. and Strauch, R. G. (1983). Radar observation of clean airand clouds. Elsevier, Amsterdam - Oxford - Nowy Jork.

Grabowski, W. W. (1985). On the influence of microphysics parametrizationon the rainfall rates in numerical models of clouds. Pure Appl. Geophys.PAGEOPH, 123:941–950.

116

Grabowski, W. W. (2004). An improved framework for superparametrization.J. Atmos. Sci., 61:1940–1952.

Grabowski, W. W. (2006). Indirect impact of atmospheric aerosols in ide-alized simulations of convective-radiative quasi-equilibrium. J. Climate,19:4664–4682.

Grabowski, W. W. and Smolarkiewicz, P. K. (1999). CPRC: A cloud resolvingconvection parametrization for modeling of tropical convective atmosphere.Physica D, 133:171–178.

Grainger, R. G., Lucas, J., Thomas, G. E., and Ewen, G. B. L. (2004).Calculation of Mie Derivatives. Appl. Optics, 43:5386–5393.

Grell, G., Dudhia, S., and Stauffer, D. R. (1994). A description of the fifthgeneration of Penn State/NCAR mesoscale model (MM5). Natl. Cent. forAtmos. Res., Boulder, Colorado.

Hansen, J. and Nazarenko, L. (2004). Soot climate forcing via snow and icealbedos. Proc. Natl. Acad. Scie. USA, 101:423–428.

Hasse, G. and Crewell, S. (2000). Simulation of radar relfectivities using amesoscale weather forecast model. Wat. Resourc. Res., 36:2221–2231.

Haynes, J. M. (2007). QuickBeam Radar Simulation Software. Department ofAtmospheric Science, Colorado State Universrty, Fort Collins, CO, USA.

Haynes, J. M., Marchand, R., Luo, Z., Bodas-Salcedo, A., and Stephens, G.(2007). A multi-purpose radar simulation package: Quickbeam. Bull. Am.Meteorol. Soc., 88:1723–1727.

Herber, A., Thomason, L. W., Gernandt, H., Leiterer, U., Nagel, D., Schulz,K.-H., Kaptur, J., Albrecht, T., and Notholt, J. (1999). Continuous dayand night aerosol optical depth observations in the arctic between 1991and 1999. J. Geophys. Res., 107:AAC 6–1–6–14.

Hess, M., Koepke, P., and Schult, I. (1998). Optical properties of aerosol andclouds: The software package OPAC. Bull. Am. Meteorol. Soc., 79:831–844.

Heymsfield, A. J. (2003). Properties of tropical and midlatitude ice cloudparticle ensembles. part II: Applications for mesoscale and climate models.J. Atmos. Sci., 60:2867–2897.

117

Hogan, R. J., Gaussiat, N., and Illingworth, A. J. (2005). Stratocumulusliquid water content from dual-wavelength radar. J. Atmos. Ocean. Tech.,22:1207–1218.

Hong, G. (2007). Radar backscattering properties of nonspherical ice crystalsat 94 Ghz. J. Geophys. Res., 112:D22203–1 – D22203–11.

IPCC (2001). Climate Change 2001: The Physical Science Basis. Contri-bution of Working Group I to the third asessement report of the Inter-governemental Panel on Climate Change. Cambridge University Press,Cambridge, Nowy Jork.

IPCC (2007). Climate Change 2007: The Physical Science Basis. Contribu-tion of Working Group I to the Fourth Assessment Report of the Intergo-vernmental Panel on Climate Change, 2007. Cambridge University Press,Cambridge, United Kingdom and Nowy Jork, NY, USA.

Ishimaru, A. (1978). Wave propagation and scattering in random media.

Jacobson, M. Z. (2002). Control of fossil-fuel particulate black carbon andorganic matter, possibly the most effective method of slowing global war-ming. J. Geophys. Res., 107:16–1 –16–22.

Kalivitis, N., Gerasopoulos, E., Vrekousis, M., Kouvarakis, G., Kubilay, N.,Hatzianastassiou, N., I, I. V., and Mihalopoulos, N. (2007). Dust trans-port over the eastern Mediterranean derived from Total Ozone MappingSpectrometer, Aerosol Robotic Network, and surface measurements. J.Geophys. Res., 112:D03202–1–D03202–9.

Karasiński, G., Kardas, A., Markowicz, K., Malinowski, S., Stacewicz, T.,Stelmaszczyk, K., Chudzyński, S., Skubiszak, W., Posyniak, M., Jagod-nicka, A. K., Hochhertz, C., and Woeste, L. (2007). LIDAR investigationof properties of atmospheric aerosol. Europ. Phys. J.: Spec. Top., 144:129–138.

Kardas, A. E., McFarlane, S. A., Morrison, H., Comstock, J. M., Grabowski,W. W., and Malinowski, S. P. (2009a). The radar simulator: Deriving theradar signal using the cloud model output. Proc. of SPIE, 7475.

Kardas, A. E., McFarlane, S. A., Morrison, H., Comstock, J. M., Grabowski,W. W., and Malinowski, S. P. (2009b). Simulations of radar signals on

118

the basis of cloud model results - deep convection conditions. Eos Trans.AGU, 90(52).

Kardas, A. E., McFarlane, S. A., Morrison, H., Grabowski, W. W., Comstock,J. M., and Malinowski, S. P. (2010). Radar Simulator for Validating a Two-moment Cloud Microphysical Model Applied to TWP-ICE. AtmosphericSystem Research (ASR) Science Team Meeting, Bethesda MA.

Kardaś, A. (2005). Badanie własności optycznych aerozoli atmosferycznychmetodami teledetekcyjnymi, praca magisterska. Uniwersytet Warszawski,Warszawa.

Kessler, E. (1969). On the distribution and continuity of water substance inatmospheric circulations, volume 10 of Meteorological monographs. Ame-rican Meteorological Society, Boston MA.

Khain, A., Ovtchinnikov, M., Pinksky, M., Pokrovsky, A., and Krugliak, H.(2000). Notes on the state-of-the-art numerical modeling of cloud micro-physics. Atmos. Res., 35:159–224.

Khairoutdinov, M. and Kogan, Y. (2000). A new cloud physics paramete-rization in a large-eddy simulation model of marine stratocumulus. Mon.Weather Rev., 128:229–244.

Kiehl, J. and ad B. P. Briegleb, J. J. H. (1994). The simulated Earth radia-tion budget of the National Center for Atmospheric Research communityclimate model CCM2 and comparisons with the Earth Radiation BudgetExperiment (ERBE). J. Geophys. Res., 99:20815–20827.

Klett, J. D. (1981). Stable analytical inversion solution for processing lidarreturns. Appl. Optics, 20:211–220.

Kokhanovsky, A. A. (2005). Light scattering media optics - Problems andsolutions. Springer, Berlin.

Kolwas, M., Stacewicz, T., Zwoździak, A., Chudzyński, S., Jakubczyk, D.,Karasiński, G., Kardaś, A. E., Kolwas, K., Schady, A., Skubiszak, W.,Stelmaszczyk, K., Szczurek, A., Zientara, M., and Zwoździak, J. (2007).Badanie aerozolu miejskiego. Wydawnictwo Uniwersytetu Warszawskiego,Warszawa.

119

Li, X., Tao, W.-K., Matsui, T., Liu, C., and Masunaga, H. (2010). Improvinga spectral bin microphysical scheme using TRMM satellite observations.Q. J. R. Meteorol. Soc., 136:382–399.

Lock, J. A. and Chiu, C. L. (1994). Correlated light scattering by a densedistribution of condensation droplets on a window pane. Appl. Optics,33:4663–4671.

Lohmann, U. and Feichter, J. (2005). Global indirect aerosol effects: A review.Atmos. Chem. Phys., 5:715–737.

Lyamani, H., Olmo, F. J., and Alados-Arboledas, L. (2005). Saharan dustoutbreak over southeastern Spain as detected by sun photometer. Atmos.Environ., 39:7276–7284.

Markowicz, K. M., Flatau, P. J., Kardas, A. E., Remiszewska, J., Stelmasz-czyk, K., and Woeste, L. (2008). Ceilometer retrieval of the boundary layervertical aerosol extinction structure. J. Atmos. Ocean. Tech., 25:928–944.

Markowicz, K. M., Zielinski, T., Blindheim, S., Gausa, M., Jagodnicka, A. K.,Kardas, A., Kumala, W., Malinowski, S. P., Petelski, T., Posyniak, M., andStacewicz, T. (2012). Study of vertical structure of aerosol optical proper-ties with sun photometers and ceilometer during MACRON campaign in2007. Acta Geophys., 60:1308–1337.

Marshall, J. S., Hitschfeld, W., and Gunn, K. (1955). Advnces in radarweather. McGill University, Montreal, Kanada.

Marshall, J. S. and Palmer, W. M. (1948). The distribution of raindrops withsize. J. Meteor., 5:165–166.

Martin, G. M., Johnson, D. W., and Spice, A. (1994). The measurementand parameterization of effective radius of droplets in warm stratocumulusclouds. J. Atmos. Sci., 51:1823–1842.

Masunaga, H. and Kummerow, C. D. (2005). Combined radar and radiometeranalysis of precipitation profiles for a parametric retrieval algorithm. J.Atmos. Ocean. Tech., 22:909–929.

Matrosov, S. Y. (2007). Modeling backscatter properties of snowfall at mil-limeter wavelengths. J. Atmos. Sci., 64:1727–1736.

120

May, P. T., Mather, J. H., Vaughan, G., and Jakob, C. (2008). Field research:Characterizing oceanic convective cloud systems: The tropical warm poolinternational cloud experiment. Bull. Am. Meteorol. Soc., 89(2):153–155.

Meyers, M., Walko, R., Harrington, J., and Cotton, W. (1997). New RAMScloud microphysics parametrization part ii: The two-moment scheme. At-mos. Res., 45:3–39.

Mie, G. (1908). Beitrage zur optik truber medien, speziell kolloidaler me-tallosungen. Ann. Phys., 330:377–445.

Mishchenko, M. I. and Travis, L. D. (1998). Capabilities and limitations of acurrent FORTRAN implementation of the T-matrix method for randomlyoriented rotationally symmetric scatterers. J. Quant. Spectrosc. Radiat.Transfer, 60:309–324.

Molini, L., Parodi, A., Rebora, N., and Siccardi, F. (2006). Assessing uncer-tainty in radar measurements on simplified meteorological scenarios. Adv.Geoscie., 7:141–146.

Moran, K. P., Martner, B. E., Post, M. J., Kropfil, R. A., Welsh, D. C., andWidener, K. B. (1998). An unattended cloud-profiling radar for use inclimate research. Bull. Am. Meteorol. Soc., 79:443–455.

Morrison, H., Curry, J. A., and Khvorostyanov, V. I. (2005). A new double-moment microphysics parametrization for application in cloud and climatemodels. part i: Description. J. Atmos. Sci., 62:1665–1677.

Morrison, H. and Grabowski, W. W. (2007). Comparison of bulk and binwarm-rain microphysics models using a kinematic framework. J. Atmos.Sci., 64:2839–2861.

Morrison, H. and Grabowski, W. W. (2008). A novel approach for repre-senting ice microphysics in model description and tests using a kinematicframework. J. Atmos. Sci., 65:1528–1548.

Morrison, H. and Grabowski, W. W. (2011). Cloud-system resolving modelsimulations of aerosol indirect effects on tropical deep convection and itsthermodynamic environment. Atmos. Chem. Phys., 11:10503–10523.

121

Morys, M., Mims, F. M., Hagerup, S., Anderson, S. E., Baker, A., Kia, J.,and Walkup, T. (2001). Design, calibration, and performance of MICRO-TOPS II handheld ozone monitor and Sun photometer. J. Geophys. Res.,106:14573–14582.

O’Connor, E. J., Illingworth, A. J., and Hogan, R. J. (2004). A techniquefor auto-calibration of cloud lidar. J. Atmos. Ocean. Tech., 21:777–786.

Omar, A. H., Winker, D. M., Kittaka, C., Vaughan, M. A., Liu, Z., Hu, Y.,Trepte, C. R., Rogers, R. R., Ferrare, R. A., Lee, K., Kuehn, R. E., andC. A. Hostetler, C. A. (2009). The calipso automated aerosol classificationand lidar ratio selection algorithm. J. Atmos. Ocean. Tech., 26(10):1994–2014.

Petelski, T. and Piskozub, J. (2006). Vertical coarse aerosol fluxes in theatmospheric surface layer over the north polar waters of the atlantic. J.Geophys. Res., 111:C06039–1 – C06039–9.

Press, W. H., Teukolsky, S. A., Vetterling, W. T., and Flannery, B. P. (2007).Numerical Reicpes, The art of scientific computing, 3rd edition. CambridgeUniversity Press, Cambridge.

Randles, C. A., Russell, L. M., and Ramaswamy, V. (2004). Hygroscopic andoptical properties of organic sea salt aerosol and consequences for climateforcing. Geophys. Res. Let., 31:L16108 1–4.

Rayleigh, J. W. (1899). Scientific papers, Vol. 1: 1869-1881. CambridgeUniversity Press, Cambridge.

Remiszewska, J., Flatau, P. J., Markowicz, K. M., Reid, E. A., Reid, J. S.,and Witek, M. L. (2007). Modulation of the aerosol absorption and single-scattering albedo due to synoptic scale and sea breeze circulation: UnitedArab Emirates experiment perspective. J. Geophys. Res., 112:D05204–1–D05204–13.

Rogers, R. R. and Yau, M. K. (1989). A short course in cloud physics.Butterworth - Heinemann, Oxford.

Rolph, G. D. (2003). Real-time Environmental Applications and Display sYs-tem (READY) Website (http://www.arl.noaa.gov/ready/hysplit4.html).NOAA Air Resources Laboratory, Silver Spring, MD.

122

Salby, L. (1996). Fundamentals of Atmospheric Physics. Academic Press,San Diego.

Sauvageot, H. (1982). Radarmeteorologie. Teledetection active del’atmosphere. Eyrolles, Paryż, Francja.

Seifert, A., Khain, A., Pokrovsky, A., and Beheng, K. D. (2006). A compari-son of spectral bin and two-moment bulk mixed-phase cloud microphysics.Atmos. Res., 80:46–66.

Seinfeld, J. and Pandis, S. (1997). Atmospheric Chemistry and Physics.Wiley, Nowy Jork.

Shaw, G. (1995). The arctic haze phenomenon. Bull. Am. Meteorol. Soc.,76:2403–2413.

Slusser, J., Gibson, J., Bigelow, D., Kolinski, D., Disterhoft, P., Lantz, K., andBeaubien, A. (2000). Langley method of calibrating UV filter radiometers.J. Geophys. Res., 105:4841–4849.

Smart, C., Jacobsen, R., Kerker, M., Katohvil, J. P., and Matijevic, E. (1965).Experimental study of multiple light scattering. J. Opt. Soc. Am., 55:947–955.

Smolarkiewicz, P. K. and Margolin, L. G. (1997). On forward-in-time dif-ferencing for fluid: An Eulerian/semi-lagrangian nonhydrostatic model forstratified flows. Atmos-Ocean Special, 35:127–157.

Stachlewska, I. S., Piadlowski, M., S., S. M., Szkop, A., Zielinska, A. J., andSwaczyna, P. L. (2012). Ceilometer observations of the boundary layerover warsaw, poland. Acta Geophysica, 60:in press.

Stelmaszczyk, K., DellAglio, M., Chudzynski, S., Stacewicz, T., and Woeste,L. (2005). Analytical function for lidar geometrical compression form-factor calculation. Appl. Optics, 44:1323–1331.

Stephens, D. L. (1994). Remote Sensing of the Lower Atmosphere. UniversityPress, Nowy Jork.

Stephens, G. L., Vane, D. G., Boain, R. J., Mace, G. G., Sassen, K., Wang, Z.,Illingworth, A. J., O’Connor, E. J., Rossow, W. B., Durden, S. L., Miller,

123

S. D., Austin, R. T., Benedetti, A., and Mitrescu, C. (2002). The Cloudsatmission and the A-Train: A new dimension of space-based observations ofclouds and precipitation. Bull. Am. Meteorol. Soc., 83:1771–1790.

Stratton, J. A. (1941). Electromagnetic Theory. MCGraw - Hill, Stany Zjed-noczone Ameryki Północnej.

Tafuro, A. M., Barnaba, F., Tomasi, F. D., Perrone, M., and Gobbi, G. P.(2006). Saharan dust particle properties over the central Mediterranean.Atmos. Res., 81:67–93.

Tomasi, C., Vitale, V., Lupi, A., Carmine, C. D., Campanelli, M., Herber, A.,Treffeisen, R., Stone, R. S., Andrews, E., Sharma, S., Radionov, V., vonHoyningen-Huene, W., Stebel, K., Hansen, G., Myhre, C. L., Wehrli, C.,Aaltonen, V., Lihavainen, H., Virkkula, A., Hillamo, R., Strom, J., Tole-dano, C., Cachorro, V., Ortiz, P., de Frutos, A., Blindheim, S., Frioud, M.,Gausa, M., Zielinski, T., Petelski, T., and Shiobara, M. (2007). Aerosols inPolar regions: A historical review on the basis of optical depth and in-situobservations. J. Geophys. Res., 112:D16205–1 – D16205–28.

Treffeisen, R., Tunved, P., Strom, J., Herber, A., Bareiss, J., Helbig, A.,Stone, R. S., Hoyningen-Huene, W., Krejci, R., Stohl, A., , and Neuber, R.(2007). Arctic smoke– aerosol characteristics during a record smoke eventin the european arctic and its radiative impact. Atmos. Chem. Phys.,7:3035–3053.

Trenberth, K. E., Fasullo, J. T., and Kiehl, J. (2009). Earths global energybudget. Bull. Am. Meteorol. Soc., 90:311–323.

Troen, I. B. and Mahrt, L. (1986). A simple model of the atmospheric bo-undary layer; sensitivity to surface evaporation. Boundary-Layer Meteoro-logy, 37:129–148.

Twomey, S. (1977). The influence of pollution on the shortwave albedo ofclouds. J. Atmos. Sci., 34:1149–1152.

Ulbrich, C. W. (1983). Natural variations in the anlytical form of the raindropsize distrbution. J. Climate Appl. Meteor., 22:1764–1775.

Vandevender, W. H. and Haskell, K. H. (1982). The SLATEC mathematicalsubroutine library. ACM SIGNUM, 17:16–21.

124

Vaughan, M., Young, S., Winker, D., Powell, K., Omar, A., Liu, Z., Hu, Y.,and Hostetler, C. (2004). Fully automated analysis of space-based lidardata: An overview of the calipso retrieval algorithms and data products.Proc. of SPIE, 5575:16–30.

Visconti, G. (2001). Fundamentals of Physics and Chemistry of the Atmo-sphere. Springer, Berlin.

Wang, W., Liu, X., Xie, S., Boyle, J., and Mcfarlane, S. A. (2009). Testingice microphysics parametrizations in the NCAR Community AtmosphericModel Version 3 using Tropical Warm Pool - International Cloud Experi-ment data. J. Geophys. Res., 114:D14107–14122.

Webster, P. and Lukas, R. (1992). TOGA COARE—the Coupled OceanAtmosphere Response Experiment. Bull. Am. Meteorol. Soc., 73:1377–1416.

Welton, E. J. (1998). Measurements of Aerosol Opical Properties over theOcean Using Sunphotmetry and Lidar, Ph.D. dissertation. University ofMiami, Coral Gable, Florida.

Welton, E. J., Voss, K. J., Gordon, H. R., Maring, H., Smirnov, A., Holben,B., Schmidt, B., Livingston, J. M., Russel, P. B., Durkee, P. A., Formenti,P., and Andreae, M. O. (2000). Ground-based lidar measurements of aero-sols during ACE-2: instrument description, results and comparisons withother ground-based and airborne measurements. Tellus, 52B:636–651.

White, A. B., Fairall, C. W., Frish, A. S., Orr, B. W., and Snider, J. B. (1996).Recent radar measurements of turbulence and microphysical parametersin marine boundary layer clouds. Atmos. Res., 40:177–221.

Winker, D. M., Pelon, J., and McCormick, M. P. (2003). The CALIPSOmission: Spaceborne lidar for observation of aerosols and clouds. Proc. ofSPIE, 4893:1–11.

Xie, S., Hume, T., Jakob, C., Kline, S. A., McCoy, R., and Zhang, M. (2010).Observed large-scale structures and diabatic heating and drying profilesduring TWP-ICE. J. Climate, 23:57–59.

125

Xiu, X. L. and Niu, S. J. (2010). Numerical simulation of macro- and micro-structures of intense convective clouds with a spectral bin microphysicsmodel. Adv. Atmos. Scie., 27:1078–1088.

Young, S. A. and Vaughan, M. A. (2009). The retrieval of profiles of par-ticulate extinction from Cloud-Aerosol Lidar Infrared Pathfinder SatelliteObservations (CALIPSO) Data: Algorithm description. J. Atmos. Ocean.Tech., 26:1105–1119.

Yuter, S. E. and Houze., R. A. (1995). Three-dimensional kinematic and mi-crophysical evolution of Florida cumulonimbus. Part II: Frequency distri-butions of vertical velocity, reflectivity, and differential reflectivity. Mon.Weather Rev., 123:1941–1963.

126