Evaluate parameterizations of cloud droplet spectral dispersion by using worldwide aircraft data
Notice bibliographique
Résumé
Increased aerosol potentially impacts the cloud droplet spectrum, which in turn affects the aerosol-cloud interaction (ACI), known as the dispersion effect (DE). To consider DE in general circulation models (GCMs), many parameterizations have been proposed, but there are relatively few quantitative and global evaluations due to lacking suitable data and methodology. Additionally, both observations and numerical simulations confirmed that DE has opposite effects on ACI in aerosol- and updraft-limited regimes, but whether this effect can be reproduced by parameterizations has no clear conclusion until now. In this study, we used a liquid water content (LWC) binning method and worldwide data (China, Canada, Brazil, and Chile) to evaluate six dispersion parameterizations, namely Martin94, RLiu03, PengL03, Liu08, LiuLi15, and Zhang22. The LWC binning method ensures the difference between ACI values calculated by the cloud droplet number concentration and the effective radius is mainly caused by DE, which makes the quantitative calculation of DE possible. The results show that 1). DE has a weakening effect on ACI in the aerosol-limited regime, but an enhanced effect in the updraft-limited regime; 2). empirical parameterizations (Martin94, RLiu03, PengL03, and Liu08) can only show the weakening effect of DE on ACI, leading to an underestimation (-29% ~ -42%) for calculated ACI, especially for the updraft-limited regime; 3). both LiuLi15 and Zhang22 can reproduce the opposite effects of DE on ACI in different regimes, so we recommend giving priority to the LiuLi15 and the Zhang22 schemes when calculating DE in GCMs.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,000 | 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 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 ».