Tropospheric and stratospheric wildfire smoke profiling with lidar: mass, surface area, CCN, and INP retrieval
Notice bibliographique
Résumé
We present retrievals of tropospheric and stratospheric height profiles of particle mass, volume, surface area, and number concentrations in the case of wildfire smoke layers as well as estimates of smoke-related cloud condensation nuclei (CCN) and ice-nucleating particle (INP) concentrations from backscatter lidar measurements on the ground and in space. Conversion factors used to convert the optical measurements into microphysical properties play a central role in the data analysis, in addition to estimates of the smoke extinction-to-backscatter ratios required to obtain smoke extinction coefficients. The set of needed conversion parameters for wildfire smoke is derived from AERONET observations of major smoke events, e.g., in western Canada in August 2017, California in September 2020, and southeastern Australia in January-February 2020 as well as from AERONET long-term observations of smoke in the Amazon region, southern Africa, and Southeast Asia. The new smoke analysis scheme is applied to CALIPSO observations of tropospheric smoke plumes over the United States in September 2020 and to ground-based lidar observation in Punta Arenas, in southern Chile, in aged Australian smoke layers in the stratosphere in January 2020. These case studies show the potential of spaceborne and ground-based lidars to document large-scale and long-lasting wildfire smoke events in detail and thus to provide valuable information for climate, cloud, and air chemistry modeling efforts performed to investigate the role of wildfire smoke in the atmospheric system. © 2021 Albert Ansmann et al.
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 | 0,000 |
| 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 ».