在温暖的云降水的形成
降水的影响和小雨过程在云,云含水量和云辐射特性上面所讨论的不能在当前GCM模拟云参数化方案。例如,autoconversion率,这是云滴的速度相互碰撞和融合形成降水大小下降,是一个非线性函数的总水冷凝。因此,意味着LWC从GCM模型网格框表示的本质上是毫无意义的降水生产(例如,平卡斯和克莱因2000)。自autoconversion倾向归因于水平异质性被发现规模与云部分覆盖(木头et al . 2002年),它可能是克服使用参数化,考虑了这种偏见。另外,PDF次网格建模方法在解决这些缺陷可能更好。pdf的次网格数量,如垂直速度和液态水路径,确定从规定的基函数在不同时刻的基函数计算的模型(例如,平卡斯和克莱因2000)。
Autoconversion云滴的雨滴是一个关键的过程管理大气中云的数量和生命周期,和必须准确地代表模型从cloud-resolving全球范围内。尽管云滴雨的传质速率是由吸积在大多数云(2005年木),autoconversion是占主导地位的过程在大多数模型假定因为雨到达表面在一个时间步模型。因此,为autoconversion适合公司在大规模开发参数化模型是一个活跃的研究领域。传统的参数化经验或直觉获得(例如,凯斯勒1969年和1978年Sundqvist)或曲线拟合,得出了详细的微观物理学的模型使用简单的功能,比如幂律(例如,贝瑞1968;Beheng 1994)。然而,这些参数化缺乏明确的物理基础和任意可调参数。此外,参数化,计算至少云滴浓度除了LWC数量将提供更好的表示云辐射影响和气溶胶的影响比现有的一刻方案。
一个有前途的方案,已经衍生出理论考虑(见刘et al . 2007年早些时候,论文引用其中),代表了autoconversion率的产品率函数的基础上,收集效率下降的雨滴描述autoconversion过程的转化率后乘以一个阈值函数。阈值函数,与早些时候的参数化等广泛使用的凯斯勒(1969)参数化,不会增加突然在一个关键的价值意味着液滴质量,而是逐渐增加一系列意味着液滴质量依赖于相对分散的云滴大小分布(标准差和平均半径的比例)。这种依赖捕获启动autoconversion大滴的大小分布的高端;相对分散的不同值的变化包括之前经验阈值行为的表征。这种方法产生的强烈依赖autoconversion率相对分散;例如,对于液态水卷内容0.3 g m3和云滴浓度50 cm-3,随着相对分散的增加从0.33到1 autoconversion减少的特征时间从10个小时到0.1小时。这个参数化发现应用程序在建模区域(Gustafson et al . 2007年)和全球尺度(Rotstayn和刘2005),建模的可溶性气体清除沉淀(Garrett et al . 2006年),和遥感的降水(Berg et al . 2006年)。
继续阅读:气溶胶的间接影响
这篇文章有用吗?