Drivers of Droplet Formation in East Mediterranean Orographic Clouds
Notice bibliographique
Résumé
The purpose of this study is to understand the drivers of cloud droplet formation in orographic clouds. We used a combination of modeling, in situ, and remote sensing measurements at the high-altitude Helmos Hellenic Atmospheric Aerosol and Climate Change ((HAC)2) station, which is located at the top of Mt. Helmos (1314 m above sea level), Greece, during the Cloud–AerosoL InteractionS in the Helmos Background TropOsphere (CALISHTO) campaign in fall 2021 (https://calishto.panacea-ri.gr/, last access: 1 August 2024) to examine the origins of the aerosols (i.e., local aerosol from the planetary boundary layer (PBL) or long-range-transported aerosol from the free-tropospheric layer (FTL) contributing to the cloud condensation nuclei (CCN)), their characteristics (hygroscopicity, size distribution, and mixing state), and the vertical velocity distributions and resulting supersaturations. We found that the characteristics of the PBL aerosol were considerably different from FTL aerosol and use the aerosol particle number and equivalent mass concentration of the black carbon (eBC) in order to determine when (HAC)2 was within the FTL or PBL based on time series of the height of the PBL. During the (HAC)2 cloud events we sample a mixture of interstitial aerosol and droplet residues, which we characterize using a new approach that utilizes the in situ droplet measurements to determine time periods when the aerosol sample is purely interstitial. From the dataset we determine the properties (size distribution and hygroscopicity) of the pre-cloud, activated, and interstitial aerosol. The hygroscopicity of activated aerosol is found to be higher than that of the interstitial or pre-cloud aerosol. A series of closure studies with the droplet parameterization shows that cloud droplet concentration (Nd) and supersaturation can be predicted to within 25 % of observations when the aerosol size distributions correspond to pre-cloud conditions. The analysis of the characteristic supersaturation of each aerosol population indicates that droplet formation in clouds is aerosol-limited when formed in FTL air masses – hence droplet formation is driven by aerosol variations, while clouds formed in the PBL tend to be velocity-limited and droplet variations are driven by fluctuations in vertical velocity. Given that the cloud dynamics do not vary significantly between air masses, the variation in aerosol concentration and type is mostly responsible for these shifts in cloud microphysical state and sensitivity to aerosol. With these insights, the remote sensing of cloud droplets in such clouds can be used to infer either CCN spectra (when in the FTL) or vertical velocity (when in the PBL). In conclusion, we show that a coordinated measurement of aerosol and cloud properties, together with the novel analysis approaches presented here, allows for the determination of the drivers of droplet formation in orographic clouds and their sensitivity to aerosol and vertical velocity variations.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».