Importance of vertical velocity variations in the cloud droplet nucleation process of marine stratus clouds
Notice bibliographique
Résumé
Eleven cloud cases through marine stratus, obtained during two field experiments in the North Atlantic Ocean, are used to study the sensitivity of cloud droplet nucleation to the vertical gust velocity. Selected cloud microphysical data, size‐distributed aerosol properties and particle chemistry are applied in an adiabatic parcel model. The nucleated cloud droplet number concentrations ( N ) predicted using the probability density function (PDF) of the measured in‐cloud vertical velocities are compared to predictions using a characteristic velocity value. In this study, the model‐predicted N from the PDF of the measured in‐cloud vertical velocities agrees with the observed maximum N ( N max ) to within 8.6%. The average N ( N avg ) can be related to N max using a power law (Leaitch et al., 1996). If a relationship between N max and N avg based on the measurements is applied to obtain the average N from the model‐predicted N , then the model‐predicted average N agrees with the observed average N to within 13.3%. When a characteristic vertical velocity (0.8 times the standard deviation of the vertical velocity distribution in this study) is used in the parcel model to simulate N , the model‐predicted N agrees with the observed maximum N to within 5.7% and the model‐predicted average N agrees with the observed average N within 8.8%. This indicates that using a characteristic value of the vertical velocity distribution instead of its PDF is a good approximation for simulating the nucleated cloud droplet number of marine stratus on a cloud scale.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».