Geographic, seasonal, and precipitation chemistry influence on the abundance and activity of biological ice nucleators in rain and snow
Notice bibliographique
Résumé
Biological ice nucleators (IN) function as catalysts for freezing at relatively warm temperatures (warmer than -10 degrees C). We examined the concentration (per volume of liquid) and nature of IN in precipitation collected from Montana and Louisiana, the Alps and Pyrenees (France), Ross Island (Antarctica), and Yukon (Canada). The temperature of detectable ice-nucleating activity for more than half of the samples was > or = -5 degrees C based on immersion freezing testing. Digestion of the samples with lysozyme (i.e., to hydrolyze bacterial cell walls) led to reductions in the frequency of freezing (0-100%); heat treatment greatly reduced (95% average) or completely eliminated ice nucleation at the measured conditions in every sample. These behaviors were consistent with the activity being bacterial and/or proteinaceous in origin. Statistical analysis revealed seasonal similarities between warm-temperature ice-nucleating activities in snow samples collected over 7 months in Montana. Multiple regression was used to construct models with biogeochemical data [major ions, total organic carbon (TOC), particle, and cell concentration] that were accurate in predicting the concentration of microbial cells and biological IN in precipitation based on the concentration of TOC, Ca(2+), and NH(4)(+), or TOC, cells, Ca(2+), NH(4)(+), K(+), PO(4)(3-), SO(4)(2-), Cl(-), and HCO(3)(-). Our results indicate that biological IN are ubiquitous in precipitation and that for some geographic locations the activity and concentration of these particles is related to the season and precipitation chemistry. Thus, our research suggests that biological IN are widespread in the atmosphere and may affect meteorological processes that lead to precipitation.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».