Notice bibliographique
Résumé
Accurately capturing cloud condensation nuclei (CCN) concentrations is key to understanding the aerosol-cloud interactions that continue to feature the highest uncertainty amongst numerous climate forcings. In situ CCN observations are sparse and most non-polarimetric passive remote sensing techniques are limited to providing column-effective CCN proxies such as total aerosol optical depth (AOD). Lidar measurements, on the other hand, resolve profiles of aerosol extinction and/or backscatter coefficients that are better suited for constraining vertically-resolved aerosol optical and microphysical properties. Here we present relationships between aerosol backscatter and extinction coefficients measured by the airborne High Spectral Resolution Lidar 2 (HSRL-2) and in situ measurements of CCN concentrations. The data were obtained during three deployments in the NASA ObseRvations of Aerosols above Clouds and their intEractionS (ORACLES) project, which took place over the Southeast Atlantic (SEA) during September 2016, August 2017, and September–October 2018. Our analysis of spatiotemporally collocated in situ CCN concentrations and HSRL-2 measurements indicates strong linear relationships between both data sets. The correlation is strongest for supersaturations greater than 0.25 % and dry ambient conditions above the stratocumulus deck, where relative humidity (RH) is less than 50 %. We find CCN – HSRL-2 Pearson correlation coefficients between 0.95–0.97 for different parts of the seasonal burning cycle that suggest fundamental similarities in biomass burning aerosol (BBA) microphysical properties. We find that ORACLES campaign-average values of in situ CCN and in situ extinction coefficients are qualitatively similar to those from other regions and aerosol types, demonstrating overall representativeness of our data set. We compute CCN – backscatter and CCN – extinction regressions that can be used to resolve vertical CCN concentrations across entire above-cloud lidar curtains. These lidar-derived CCN concentrations can be used to evaluate model performance, which we illustrate using an example CCN concentration curtain from WRF-CAM5. These results demonstrate the utility of deriving vertically-resolved CCN concentrations from lidar observations to expand the spatiotemporal coverage of limited or unavailable in situ observations.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,033 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,062 | 0,063 |
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 ».