Different responses of cold-air outbreak clouds to aerosol and ice production depending on cloud temperature
Notice bibliographique
Résumé
Abstract. Aerosol-cloud interactions and ice production processes are important factors that influence mixed-phase cold-air outbreak (CAO) clouds and their contribution to cloud-phase feedback. Our current understanding is that increases in ice-nucleating particle (INP) concentrations cause a reduction in cloud total water content and reflectivity. However, no study has compared the sensitivities of the CAO cloud to these processes under different environmental conditions. Here, we use a high-resolution nested model to quantify and compare the responses of cloud microphysics and dynamics in cloud droplet number concentration (Nd), INP concentration and efficiency of the Hallet-Mossop (HM) secondary ice production process in two archetypal CAO events over the Labrador Sea, representing intense (cold, March) and weaker (warmer, October) mixed-phase conditions. Our results show that variations in INP concentrations strongly influence both cases, while changing Nd and the HM process efficiency affect only the warmer October case. With a higher INP concentration, cloud cover and albedo at the top of the atmosphere increase in the cold March case, while the opposite responses were found in the warm October case. We suggest that the CAO cloud response to the parameters is different in ice-dominated and liquid-dominated regimes, and the determination of the regime is strongly controlled by the cloud temperature and the characteristics of ambient INP, which both control the glaciation of clouds. This study provides an instructive perspective to understand how these cloud microphysics affect CAO clouds under different environmental conditions and serves as an important basis for future exploration of cloud microphysics parameter space.
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) | 0,000 | 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 ».