The Secondary Production of Ice in Cumulus Experiment (SPICULE)
Notice bibliographique
Résumé
Abstract The secondary ice process (SIP) is a major microphysical process, which can result in rapid enhancement of ice particle concentration in the presence of preexisting ice. SPICULE was conducted to further investigate the effect of collision–coalescence on the rate of the fragmentation of freezing drop (FFD) SIP mechanism in cumulus congestus clouds. Measurements were conducted over the Great Plains and central United States from two coordinated aircraft, the NSF Gulfstream V (GV) and SPEC Learjet 35A, both equipped with state-of-the-art microphysical instrumentation and vertically pointing W- and Ka-band radars, respectively. The GV primarily targeted measurements of subcloud aerosols with subsequent sampling in warm cloud. Simultaneously, the Learjet performed multiple penetrations of the ascending cumulus congestus (CuCg) cloud top. First primary ice was typically detected at temperatures colder than −10°C, consistent with measured ice nucleating particles. Subsequent production of ice via FFD SIP was strongly related to the concentration of supercooled large drops (SLDs), with diameters from about 0.2 to a few millimeters. The concentration of SLDs is directly linked to the rate of collision–coalescence, which depends primarily on the subcloud aerosol size distribution and cloud-base temperature. SPICULE supports previous observational results showing that FFD SIP efficiency could be deduced from the product of cloud-base temperature and maximum diameter of drops measured ∼300 m above cloud base. However, new measurements with higher concentrations of aerosol and total cloud-base drop concentrations show an attenuating effect on the rate of coalescence. The SPICULE dataset provides rich material for validation of numerical schemes of collision–coalescence and SIP to improve weather prediction simulations
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 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».