Bulk or modal parameterizations for below‐cloud scavenging of fine, coarse, and giant particles by both rain and snow
Notice bibliographique
Résumé
Abstract Bulk or modal parameterizations for below‐cloud mass and number scavenging coefficients Λm (s−1) and Λn (s−1) of three aerosol modes—fine (PM2.5), coarse (PM2.5–10), and giant (PM10+)—for both rain and snow scavenging are developed for use in modal‐approach aerosol transport models. The new bulk parameterizations are based on the size‐resolved Λ(d) parameterization of Wang et al. (2014), using assumed lognormal mass and number size distributions for PM2.5, PM2.5–10, and PM10+. The resulting modal‐mean formulas for Λm and Λn follow power law relationships with precipitation intensity R, consistent with most existing studies. The empirical parameters in the power law relationships obtained in this study are also within the range of parameter values obtained in previous field and theoretical studies. Uncertainties in Λm due to the size distribution or size range assumed for each aerosol mode are generally smaller than 30% for PM2.5–10 and PM10+ but could be on the order of factor of 2 for PM2.5. These uncertainties, however, are much smaller than other known uncertainties in existing Λ formulations, which are typically larger than 1 order of magnitude. Moreover, the new bulk parameterizations are believed to be more representative than most existing schemes because the size‐resolved parameterization of Wang et al. (2014), which they are based on, was developed with consideration of all available theoretical formulations and field‐derived estimates for size‐resolved Λ and their associated uncertainties.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».