Impact of mineral dust on nitrate, sulfate, and ozone in transpacific Asian pollution plumes
Notice bibliographique
Résumé
Abstract. We use a 3-D global chemical transport model (GEOS-Chem) to interpret aircraft observations of nitrate and sulfate partitioning in transpacific dust plumes during the INTEX-B campaign of April–May 2006. The model includes explicit transport of size-resolved mineral dust and its alkalinity, nitrate, and sulfate content. The observations show that particulate nitrate is primarily associated with dust, sulfate is primarily associated with ammonium, and Asian dust remains alkaline across the Pacific. This can be reproduced in the model by using a reactive uptake coefficient for HNO3 on dust (γ(HNO3) ~10−3) much lower than commonly assumed in models and possibly reflecting limitation of uptake by dust dissolution. The model overestimates gas-phase HNO3 by a factor of 2–3, typical of previous model studies; we show that this cannot be corrected by uptake on dust. We find that the fraction of aerosol nitrate on dust in the model increases from ~30% in fresh Asian outflow to 80–90% over the Northeast Pacific, reflecting in part the volatilization of ammonium nitrate and the resulting transfer of nitrate to the dust. Consumption of dust alkalinity by uptake of acid gases in the model is slow relative to the lifetime of dust against deposition, so that dust does not acidify (at least not in the bulk). This limits the potential for dust iron released by acidification to become bio-available upon dust deposition. Observations in INTEX-B show no detectable ozone depletion in Asian dust plumes, consistent with the model. Uptake of HNO3 by dust, suppressing its recycling to NOx, reduces Asian pollution influence on US surface ozone in the model by 10–15% or up to 1 ppb.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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) | 0,001 | 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 ».