MétaCan
Menu
← Retour à la cohorte
Enregistrement W7006625018

Understanding Arctic aerosols : multi-station climatology of extensive- and intensive-parameter optical retrievals & evaluation of an advanced aerosol transport model versus the multi-station climatology

2022· dissertation· en· W7006625018 sur OpenAlexaboutno aff

Notice bibliographique

RevueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke) · 2022
Typedissertation
Langueen
DomaineEnvironmental Science
ThématiqueParasite Biology and Host Interactions
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAerosolRadiative forcingClimate modelForcing (mathematics)Earth's energy budgetRadiative transferArcticOptical depthClimate changeAlbedo (alchemy)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Les aérosols atmosphériques jouent un rôle crucial dans le forçage radiatif des systèmes climatiques. Ils influencent le bilan radiatif soit par l'effet direct d'absorption ou de diffusion du rayonnement, soit par l'effet indirect associé à l'impact de leurs propriétés physiques et optiques sur les propriétés de nucléation des gouttelettes nuageuses ou de la glace. Le paramétrage de leurs contributions directes et indirectes au forçage radiatif représente un défi majeur pour les modélisateurs climatiques. Des incertitudes surgissent dans la représentation des propriétés microphysiques et optiques des aérosols : pour renforcer la certitude dans les simulations des modèles climatiques, les interprétations des propriétés opto-physiques des aérosols de mesures robustes (à l'échelle climatologique) parallèlement à la validation des simulations des modèles d'aérosols sont essentielles. Il est donc important de comprendre les propriétés physiques, chimiques et optiques des aérosols ainsi que les processus qui régissent leurs mécanismes de formation et de transport. Les propriétés des aérosols sont caractérisées par leur taille, leur forme, leur nature chimique et leur concentration. D'un point de vue optique (UV à proche IR), ils sont effectivement bimodaux : leur distribution granulométrique (PSD) est largement représentée par deux composantes modales : une composante submicrométrique (rayon) de mode fin (FM) et une composante grossière (CM) qui est un composant super-micrométrique. Leur impact optique dépend de la PSD, de l'indice de réfraction (qui définit l'impact de diffusion et d'absorption en fonction de leur taille) et de la longueur d'onde du rayonnement. Dans ce projet de recherche, nous nous sommes concentrés sur les aérosols arctiques : cela est particulièrement pertinent du point de vue du changement climatique étant donné que les changements de la température dans l'Arctique sont environ le double de la moyenne mondiale. Nos objectifs ont été divisés sur deux phases (correspondant à deux articles évalués par des pairs). La première phase consistait en une analyse des variations saisonnières de diverses propriétés microphysiques et optiques des aérosols au-dessus de l'Arctique à l'aide d'extractions au sol de mesures de photomètres solaires/radiomètres célestes fournies par AERONET/AEROCAN (AEROsol Robotic NETwork/sous-réseau canadien AEROCAN). La seconde était analyse sur l'exactitude des simulations de modèles d'aérosols spatio-temporels et leur succès dans la capture des tendances saisonnières des aérosols arctiques. Étant donné les limites de la lumière du jour de la photométrie solaire/radiométrie du ciel, nous étions limités aux saisons du printemps et au début de l'automne. Dans le premier l'article, nous avons effectué une étude pluriannuelle à l'échelle climatologique (saisonnière) des principales caractéristiques d'aérosols extensives (dépendantes de la quantité) et intensives (indépendantes de la quantité) de six stations d’AERONET dans de l’Arctique. Une contribution originale importante de cet article était une analyse qui allait au-delà des paramètres traditionnels de la profondeur optique des aérosols (AOD) et de l'exposant d'Angstrom classique (pente spectrale de l'AOD). Les paramètres d'analyse comprenaient la PSD, le rayon des caractéristiques cardinales de la PSD telles que les pics des composantes FM et CM, les AOD FM et CM, les rayons effectifs FM et CM et la fraction de mode fin (FMF). L'originalité des résultats mensuels incluait des tendances saisonnières FM et CM robustes du printemps à l'été (notamment une augmentation faible mais robuste du rayon du pic FM qui a été attribuée à l'influence de la fumée estivale à grosses particules et à la démonstration d'un pan -Printemps arctique (même pancanadien), petit pic de taille de particules CM (~ 1,3 m) attribué à la poussière asiatique printanière. Dans le deuxième l'article, nous avons comparé les simulations de GCT (GEOS-Chem - TOMAS) aux résultats saisonniers du premier article 1. Le modèle microphysique d'aérosol TOMAS (TwO Moment Aerosol Sectional) fournit les densités numériques et les concentrations en masse réparties dans un domaine Arctique qui comprenait le six stations d’AERONET. Nous avons étudié les mêmes variations saisonnières que celles présentées dans le premier article par conversion (hors ligne) des sorties TOMAS en paramètres analogues aux produits AERONET. Les tendances spécifiques du premier article 1 telles que le petit pic de taille de particule CM dû à la poussière asiatique et la forte diminution du printemps à l'été de l'AOD CM ont été simulées avec succès. Au même temps, GCT n'a pas capturé l'augmentation du printemps à l'été du rayon du pic FM et a fourni un rayon effectif FM qui était significativement plus petit que les valeurs de la première recherche. Ceci était probablement attribuable à une lacune de GCT dans la modélisation de la croissance de petites particules (coagulantes) de particules de fumée (problème associé à la résolution spatiale lat/long GCT grossière de 4' x 5').

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,096
Score d'incertitude au seuil0,190

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,095
Tête enseignante GPT0,338
Écart entre enseignants0,244 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke)→Même sujetParasite Biology and Host Interactions→Travaux en français237 207→