Evaluation of a numerically efficient aerosol activation scheme by using worldwide cloud data from multiple field campaigns in continental and marine regions
Notice bibliographique
Résumé
This research summarizes a numerically efficient aerosol activation scheme and evaluates it by using stratus and stratocumulus cloud data sampled during multiple aircraft campaigns in China, Canada, Brazil, and Chile. The scheme employs a Quasi-steady state approximation of the cloud Droplet Growth Equation (QDGE) to efficiently simulate aerosol activation and vertical profiles of supersaturation and cloud droplet number concentration (CDNC) near the cloud base. We evaluated the scheme by specifying observed environmental thermodynamic variables and aerosol properties from 36 cloud cases as input and comparing the simulated CDNC and other simulated variables with cloud microphysical observations. The relative error (RE) of the mean simulated CDNC ranges from 15.27 % for Chile to 23.97 % for China, with an average of 19.69 %, indicating that the scheme successfully reproduces observed variations in CDNC over a wide range of different meteorological conditions and aerosol regimes. Subsequently, we carried out an error analysis by calculating the Maximum Information Coefficient (MIC) values between RE and individual input variables and sorted them by aerosol properties, pollution degree, environmental humidity, and dynamic condition according to their importance. Based on this analysis we find that the magnitude of the RE is sensitive to the specification of aerosol chemical composition and updraft velocity in the simulation, which can partly explain differences between simulated and observed CDNC in some of the regions.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».