Microphysical detection of nano-ice nuclei to ice crystals: a platform for ice nucleation research
Notice bibliographique
Résumé
Atmospheric ice nucleation plays a crucial role in cloud formation, precipitation, and climate dynamics. However, the physicochemical properties of submicron ice nucleating particles (INPs) remain poorly understood, and distinguishing between nano- to micron-sized ice crystals and supercooled droplets in cloud microphysical processes remains a significant challenge. Here, we present the first detection of nano-sized ice crystals (390 nm) along with their physical properties using a portable platform for ice nucleation that integrates the McGill Real-time Ice Nucleation Chamber (MRINC) with advanced holographic microscopy and aerosol sizers. This platform enables real-time detection and differentiation of ice crystals and supercooled droplets, providing microphysical information into their spherical or non-spherical morphology, surface roughness, and phase characteristics, particularly for ice particles smaller than 500 nm. Automated algorithms facilitate the differentiation of individual and aggregated ice crystals within a size range of 390 nm to 100 µm, supporting time-resolved analyses of ice nucleation processes. Surface roughness (Rt, Ra) measurements and 3D structural data offer critical insights into light scattering and radiation interactions, with smaller ice crystals (<1 µm) exhibiting higher roughness and enhanced multidirectional scattering. Validation through computational fluid dynamics simulations and experiments demonstrates platform ability to differentiate silver iodide-nucleated ice crystals from supercooled droplets and to monitor aerosol growth, advancing our understanding of aerosol-cloud-radiation interactions.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».