Effects of Aerosols on the Precipitation of Convective Clouds: A Case Study in the Yangtze River Delta of China
Notice bibliographique
Résumé
Abstract Aerosol is a critical factor affecting the atmospheric hydrological cycle and climate change. Acting as cloud condensation nuclei for cloud formation, aerosols have a significant impact on regional precipitation. This study uses the fully coupled chemistry module (Weather Research and Forecasting/Chem) within the Weather Research and Forecasting model to simulate convective cloud precipitation in the Yangtze River Delta of China. To investigate the impact of on precipitation, four numerical experiments are conducted. The base case uses the full emission inventory (which we call the 100% case), and the other three cases are designed based on reduced emissions for different percentages (which we call the 50% case, the 10% case, and the 1% case). Compared to the other cases, the grid point hour maximum precipitation of the 50% case is the largest, which can reach 44.1 mm/hr and has an increase of 5% over the 100% case. The strongest precipitation is delayed by about 1 hr in the 50% case, and precipitation area is increased by 6.5%. This study indicates that the influence of aerosols on regional precipitation is a nonlinear process, with a correlation coefficient of 0.52 ( p <0.01) showing a strong positive correlation between cloud condensation nuclei (>250 cm −3 , height of 0.5–3 km) and precipitation. Further analysis of the dynamics and microphysical processes of this convective precipitation shows that the 50% case has an area with higher rising velocity and bigger cloud water mixing ratio than the other cases but has a relatively low convective center. The formation of precipitation is mainly influenced by the accretion of snow by rain, but the role of the snow melting into rain cannot be ignored.
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 | 0,002 | 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) | 0,000 | 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 ».