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
Bibliographic record
Abstract
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').
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".