Plant-derived biopolymers initiate heterogeneous ice nucleation via particulate interfaces immersed in supercooled droplets
Notice bibliographique
Résumé
Organic matter can initiate heterogeneous ice nucleation in supercooled water droplets, thereby influencing atmospheric cloud glaciation. Atmospheric organic matter includes biopolymers, which are emitted as primary bioaerosols, biomass burning aerosols, soil dust and sea spray aerosols and can nucleate ice in the absence of a solid surface like mineral dust. There is evidence that biopolymers could form aggregates in solution, thereby creating ice-nucleating sites. However, the submicron size and heterogeneity of these aggregates creates challenges in studying and predicting their ice-nucleating ability. Here, we characterized self-assembled nanoparticles of cellulose and lignin and of two newly identified ice-nucleating biopolymers, namely xylan and laminarin. Our freezing ice nuclei counter (FINC) instrument measured the median ice nucleation temperatures of aqueous cellulose, lignin, xylan and laminarin samples to be –22.9 °C, –22.0 °C, –14.2 °C, and –20.0 °C, respectively. Furthermore, a nanoparticle tracking technique detected and quantified particles in the biopolymer solutions, with mean diameters between 132 nm and 267 nm. A positive trend between size and nucleation temperatures suggests that the biopolymers initiate freezing via particulate interfaces immersed in the supercooled droplets. Finally, we determined ice-active site densities normalized to quantitatively measured surface area and mass of the nanoparticles, to demonstrate how the biopolymers self-assemble in solution and subsequently nucleate ice in supercooled droplets. The mechanism by which biopolymers nucleate ice leads to improved predictive capabilities to estimate the impact of organic aerosols on climate.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».