Nuage fort

Nature volume 612, pages 696–700 (2022)Citer cet article

9214 Accès

1 Citations

427 Altmétrique

Détails des métriques

Les cumulus peu profonds dans les régions d'alizés refroidissent la planète en réfléchissant le rayonnement solaire. La réponse des cumulus commerciaux au changement climatique est une incertitude clé dans les projections climatiques1,2,3,4. Les rétroactions du cumulus des échanges dans les modèles climatiques sont régies par les changements de la fraction nuageuse près de la base des nuages5,6, les modèles à haute sensibilité climatique suggérant une forte diminution de la nébulosité à la base des nuages ​​en raison d'un mélange accru dans la basse troposphère5,6,7. Nous montrons ici que de nouvelles observations issues de la campagne de terrain EUREC4A (Elucidating the role of cloud-circulation couplage in climate)8,9 réfutent cette hypothèse de mélange-dessiccation. Nous constatons que l'augmentation dynamique de la nébulosité par le mélange dépasse le contrôle thermodynamique par l'humidité. Étant donné que les mouvements à méso-échelle et le taux d'entraînement contribuent de manière égale à la variabilité du mélange mais ont des effets opposés sur l'humidité, le mélange ne dessèche pas les nuages. L'ampleur, la variabilité et le couplage du mélange et de la nébulosité diffèrent nettement entre les modèles climatiques et avec les observations EUREC4A. Les modèles avec de grandes rétroactions de cumulus commerciaux ont tendance à exagérer la dépendance de la nébulosité sur l'humidité relative par opposition au mélange et exagèrent également la variabilité de la nébulosité. Nos analyses observationnelles rendent invraisemblables les modèles avec de grandes rétroactions positives et à la fois soutiennent et expliquent à l'échelle du processus une faible rétroaction du cumulus des échanges. Nos résultats réfutent ainsi une importante source de preuves d'une sensibilité climatique élevée10,11.

Le climat de la Terre dépend fortement de l'abondance et du comportement de ses plus petits nuages. Les cumulus d'alizés peu profonds sont enracinés dans la couche de sous-nuages ​​turbulents et se forment lorsque les thermiques s'élèvent au-dessus du niveau de condensation ascendant12. Ils peuvent n'atteindre que quelques centaines de mètres de haut dans des environnements secs ou devenir positivement flottants et s'élever jusqu'à l'inversion des alizés, où ils entraînent le condensat dans des couches nuageuses stratiformes. Les cumuli commerciaux peuplent la plupart des océans subtropicaux et refroidissent la planète en réfléchissant le rayonnement solaire entrant. En raison de leur vaste étendue géographique, de petites erreurs dans la prédiction de la façon dont les cumuli commerciaux réagissent au réchauffement peuvent avoir un effet important sur le bilan radiatif mondial. Cela explique pourquoi les cumulus peu profonds dans les métiers sont une source principale de dispersion dans les estimations de la sensibilité au climat des modèles climatiques1,2,3,4.

La nébulosité près de la base de la couche de cumulus représente les deux tiers de la couverture nuageuse totale dans les échanges13 et son changement avec le réchauffement régit la force de la rétroaction des cumulus d'échange dans les modèles climatiques5,6. Les réductions de la nébulosité à la base des nuages ​​dans les modèles climatiques sont étroitement associées à des augmentations du mélange dans la basse troposphère en raison des circulations convectives et à grande échelle5,6,7. Sur la base de ce fort couplage négatif entre mélange et nébulosité, l'hypothèse a émergé qu'un mélange convectif accru pourrait dessécher la couche nuageuse inférieure et réduire la nébulosité dans les métiers7. Cette hypothèse de mélange-dessiccation suggère que l'humidité transportée par convection de la couche sous-nuageuse vers l'inversion des échanges est compensée par le mélange vers le bas d'air plus sec et l'évaporation des nuages ​​près de la base des nuages. Le mécanisme, qui devrait s'accentuer avec le réchauffement en raison de la relation Clausius-Clapeyron non linéaire, est cohérent avec les simulations idéalisées à haute résolution de cumulus commerciaux non précipitants14 et avec le comportement des modèles climatiques qui ont une rétroaction fortement positive sur les cumulus commerciaux5,7,15. Cependant, l'hypothèse de mélange-dessiccation n'a jamais été testée avec des observations. En utilisant le flux de masse convective à la base des nuages, M, comme indicateur du mélange convectif dans la basse troposphère, l'hypothèse peut être testée en analysant la relation entre M et l'humidité relative moyenne (\({\mathcal{R}}\)) et la fraction nuageuse (C) à la base des nuages ​​dans les observations, avec \(C\propto {\mathcal{R}}\propto {M}^{\beta }\) et β < 0 suggérant que le mécanisme de mélange-dessiccation est présent dans nature (fig. 1a).

a, Le mécanisme de mélange-dessiccation soutient que E augmente en réponse à une augmentation de M, ce qui conduit à une réduction de \({\mathcal{R}}\) et de la nébulosité C, et une relation \(C\propto {\mathcal{R}}\propto {M}^{\beta}\) avec β < 0. à \({\mathcal{R}}\) et β > 0.

Le mécanisme de mélange-dessiccation est basé sur plusieurs hypothèses qui pourraient ne pas fonctionner dans la nature. M est généralement défini comme le produit de la fraction nuageuse et de la vitesse verticale dans les nuages, et sa variabilité est principalement régie par la couverture de la zone des nuages ​​actifs16,17, définis comme des courants ascendants saturés et flottants qui ventilent la couche sous-nuageuse. Si la variabilité de la vitesse verticale dans les nuages ​​près de la base des nuages ​​est faible, une relation positive entre C et M est attendue (β > 0 ; Fig. 1b). Cela a été démontré pour les cumulus commerciaux non précipitants à l'aide de données radar Doppler17,18 et semble en contradiction avec l'hypothèse de mélange-dessiccation. Pourtant, les nuages ​​actifs ne représentent que la moitié du C total (réf. 19,20) et la durée de vie et la variabilité des nuages ​​passifs, tels que les détritus des nuages ​​en décomposition, pourraient être plus sensibles à \({\mathcal{R}}\) et à l'assèchement induit par le mélange de leur environnement qu'à M.

Le bilan massique de la sous-couche nuageuse fournit une base théorique pour interpréter le mécanisme de mélange-dessiccation. Elle peut être exprimée comme un budget de la hauteur de sous-couche nuageuse h,

dans laquelle le taux d'entraînement, E, représentant la source de masse due à l'entraînement de l'air sec et chaud de la couche nuageuse, et la vitesse verticale à méso-échelle, W, sont équilibrés par l'exportation de masse due au flux de masse convectif, M (réf. 20). Notez que nous définissons M comme le flux de masse spécifique (masse), qui a des unités de vitesse (voir Méthodes). E est le seul terme affectant directement les bilans d'humidité et de chaleur de la sous-couche nuageuse21,22. Si une augmentation de M est principalement équilibrée par une augmentation de E, un assèchement et un réchauffement de la couche sous-nuageuse et une réduction de \({\mathcal{R}}\) et de C sont attendus (Fig. 1a). Les alizés présentent cependant une forte organisation convective à mésoéchelle, qui est liée à la présence de circulations à mésoéchelle et à une forte variabilité en W (réfs. 20,23,24,25). Cette variabilité de W pourrait contribuer à la variabilité de M sans affecter directement \({\mathcal{R}}\) (Fig. 1b). Une augmentation de M pourrait également produire une nébulosité d'inversion accrue et donc une couverture nuageuse totale accrue, compensant les effets radiatifs d'une diminution potentielle de C. La diversité des types de nuages ​​et la grande variabilité de W dans les échanges remettent ainsi en question le mécanisme de mélange-dessiccation comme contrôle dominant des rétroactions de C et de cumulus d'échanges.

La campagne de terrain EUREC4A a été conçue pour tester l'hypothèse de mélange-dessiccation8,9. EUREC4A a eu lieu en janvier et février 2020 près de la Barbade, une région choisie comme source de données car les nuages ​​à proximité sont représentatifs de l'ensemble de la ceinture d'alizés26. Au cours de l'EUREC4A, nous avons effectué des mesures destinées à quantifier l'amplitude et la (co-)variabilité de M, C et \({\mathcal{R}}\) sur un mois, caractérisé par une variabilité importante de l'organisation convective à méso-échelle27 et de la circulation à grande échelle9 (voir Méthodes). Grâce à ces mesures, nous sommes en mesure de tester pour la première fois l'hypothèse de mélange-dessiccation avec des observations.

Au cours de l'EUREC4A, nous avons largué plus de 800 catasondes depuis l'avion HALO volant à environ 10 km d'altitude le long de cercles de 1 h de 220 km de diamètre28,29. Nous utilisons les données de dropsonde pour estimer M au sommet de la sous-couche nuageuse en tant que résidu du budget de masse (équation (1)) sur l'échelle de 3 h de trois cercles consécutifs (voir Méthodes). La figure 2a montre une grande variabilité quotidienne de M, avec des valeurs plus élevées au début et à la fin de la campagne, et une moyenne de campagne de 17,4 ± 7,5 mm s−1 (moyenne ± écart type σ). M montre un cycle diurne prononcé (Extended Data Fig. 1), avec des valeurs plus grandes autour du lever du soleil et des valeurs plus petites l'après-midi (conformément aux réf. 20,30). Les estimations du budget de masse sont robustes aux modifications de la procédure d'estimation et cohérentes avec des données indépendantes (Méthodes et données étendues Fig. 2).

a–d, Mesures de M (a), E et W (b), C (c) et \({\mathcal{R}}\) (d), avec des symboles remplis représentant l'échelle de 3 h et des symboles ouverts représentant l'échelle de 1 h. Les barres verticales dans a–c montrent l'incertitude d'estimation à l'échelle de 3 h (voir la section Méthodes « Estimation de l'incertitude »). Le \({\mathcal{R}}\) en d est indiqué pour les avions HALO (bleu) et ATR (vert), les marqueurs "X" représentant les points de données exclus des corrélations en raison d'un échantillonnage incohérent des modèles de nuages ​​à mésoéchelle entre les deux avions. La moyenne de la campagne ± 1σ est indiquée sur le côté gauche de chaque panneau.

Données source

Le taux d'entraînement E est calculé comme le rapport du flux de flottabilité de surface mis à l'échelle et du saut de flottabilité sur h (équation (2) et données étendues Fig. 3). E est en moyenne de 18,3 ± 6,4 mm s−1 tout au long de la campagne (Fig. 2b) et montre également une variabilité diurne prononcée (Extended Data Fig. 1). E est principalement contrôlé par la variabilité du flux de flottabilité de surface (Extended Data Fig. 4b). C'est le renforcement des vents et des flux de surface qui contribue le plus à l'augmentation de E et M dans la seconde moitié d'EUREC4A. W est, avec −0,9 ± 6,7 mm s−1, en moyenne proche de zéro. La variabilité de W, cependant, est substantielle et contribue légèrement plus à la variabilité de M par rapport à E (données étendues Fig. 4a). Ainsi, bien que M ≈ E soit valable en moyenne, conformément à l'hypothèse de mélange-dessiccation (Fig. 1a), la variabilité de M est contrôlée à la fois par E et W.

La figure 2c montre les nouvelles mesures de la fraction nuageuse C à la base des nuages ​​à partir d'un lidar et d'un radar combinés à vision horizontale à bord de l'avion ATR volant près de la base des nuages31. C est, avec 5,4 ± 3,1 %, à la fois faible et très variable. La variabilité de C sur l'échelle de 3 h est sensiblement plus grande que la variabilité sur des échelles de temps synoptiques et plus longues13. La robustesse de C est démontrée par la cohérence interne entre des mesures complémentaires et indépendantes en termes de techniques de mesure et d'échantillonnage spatial31. Le \({\mathcal{R}}\) à la base des nuages ​​est solidement autour de 86 % (Fig. 2d), à l'exception de quelques valeurs aberrantes. Trois points de données avec \({\mathcal{R}}\) beaucoup plus faible pour l'ATR par rapport à HALO (marqué d'un « X » sur la Fig. 2d) sont exclus des analyses suivantes, car ces situations étaient associées à des masses d'air échantillonnées différemment par les deux avions (voir Méthodes et Fig. A2 dans la réf. 31).

Bien qu'il s'agisse de quantités fondamentales pour comprendre la sensibilité du climat, la nature difficile de l'observation de M et C a jusqu'à présent empêché une analyse observationnelle de la relation entre le mélange et la nébulosité à la base des nuages. Avec les observations EUREC4A présentées ici, nous sommes maintenant en mesure de tester l'hypothèse de mélange-dessiccation avec des données.

Il est suggéré que la fraction nuageuse à la base des nuages ​​soit contrôlée à la fois dynamiquement par M et thermodynamiquement par \({\mathcal{R}}\). On peut donc exprimer C comme une régression linéaire multiple \(\hat{C}={a}_{0}+{a}_{M}\widetilde{M}+{a}_{{\mathcal{R}}}\widetilde{{\mathcal{R}}}\), dans laquelle \(\widetilde{(\,)}\) représente des valeurs standardisées (par exemple, \(\widetilde{M}=M/{\sigma }_{M }\)). La figure 3a montre que le C observé et le \(\hat{C}\) concordent très bien (r = 0,83 [0,80, 0,91], avec des valeurs entre crochets représentant respectivement les 25e et 75e quartiles des corrélations bootstrap), démontrant que M et \({\mathcal{R}}\) dominent la variabilité de C.

a–d, Les relations entre le C observé et le \(\hat{C}\) reconstruit à partir de la régression \(\hat{C}={a}_{0}+{a}_{M}\widetilde{M}+{a}_{{\mathcal{R}}}\widetilde{{\mathcal{R}}}\) (a), M et \({\mathcal{R}}\) (b), M et C (c) et \ ({\mathcal{R}}\) et C (d) sont représentés à l'échelle de 3 h. Les barres d'erreur représentent l'incertitude d'estimation pour M et C et l'incertitude d'échantillonnage pour \({\mathcal{R}}\) (voir Méthodes). La ligne pointillée dans a est la ligne 1:1. La taille des marqueurs dans b représente C. L'ombrage dans c représente la mise à l'échelle pour C ∝ 2M/w* en utilisant la moyenne ± 2σ de l'échelle de vitesse w*. Les marqueurs 'X' gris représentent les données qui sont exclues des corrélations en raison d'un échantillonnage incohérent entre les deux avions (voir Fig. 2d et Méthodes).

Données source

Le mécanisme de mélange-dessiccation soutient que, lorsque M augmente, E augmente et conduit à une réduction de \({\mathcal{R}}\). L'anticorrélation de E et \({\mathcal{R}}\) est confirmée par les observations (\({r}_{E,{\mathcal{R}}}=-\,0.47\,[-0.62,-\,0.32]\ ); Extended Data Fig. 4d). Mais W est également corrélé à \({\mathcal{R}}\) (\({r}_{W,{\mathcal{R}}}=0.48\,[0.29,0.62]\); Extended Data Fig. 4e). W n'affecte pas directement les propriétés thermodynamiques de la couche sous-nuageuse22, car il transporte de la masse avec les mêmes propriétés que la couche sous-nuageuse bien mélangée. La corrélation positive entre W et \({\mathcal{R}}\) est donc probablement liée à une rétroaction d'auto-agrégation conduisant à une nette convergence de l'humidité vers des zones déjà humides25,32,33. Les corrélations opposées de E et W avec \({\mathcal{R}}\) conduisent à une anticorrélation négligeable de M et \({\mathcal{R}}\) (r = −0,08 [−0,26, 0,10] ; Fig. 3b). Bien que cela fasse de M et \({\mathcal{R}}\) des prédicteurs indépendants de C, cela contraste avec l'effet de dessiccation attendu d'un mélange accru. La prémisse de base de l'hypothèse de mélange-dessiccation s'effondre donc en présence d'une forte variabilité de W.

La figure 3c montre en outre une corrélation positive prononcée entre C et M (r = 0,72 [0,64, 0,81]), démontrant que M explique plus de 50 % de la variabilité de C. Les données EUREC4A sont donc en ligne avec une relation plus directe C ∝ Mβ et a β > 0 (Fig. 1b). Le lien étroit entre C et M est également cohérent avec la compréhension physique représentée dans la mise à l'échelle \(C\approx 2{C}_{{\rm{c}}{\rm{o}}{\rm{r}}{\rm{e}}}\propto 2M/{w}^{\ast }\), dans laquelle \({C}_{{\rm{core}}}\) est la fraction de surface des noyaux de nuages ​​actifs et w* est l'échelle de vitesse verticale de Deardorff (voir Méthodes et réf. . 24). La corrélation de C avec \({\mathcal{R}}\) est plus faible (r = 0,36 [0,16, 0,56] ; Fig. 3d). Ces conclusions sont robustes aux modifications de la procédure d'estimation de M et aux estimations indépendantes de C (Extended Data Fig. 5).

Les relations exposées par les données EUREC4A sont donc en opposition avec l'hypothèse de mélange-dessiccation, qui soutient que l'augmentation du mélange (plus grand M) conduit à une dessiccation de la couche nuageuse inférieure (plus petit \({\mathcal{R}}\)) et une réduction de la nébulosité à la base des nuages ​​(plus petit C). Nous trouvons également une relation positive entre C et un autre indicateur de mélange de la basse troposphère (Extended Data Fig. 4f) et une faible corrélation positive entre M et la couverture nuageuse totale projetée (Extended Data Fig. 6). Par conséquent, les données EUREC4A mettent l'accent sur les facteurs dynamiques - le flux de masse convectif M et la vitesse verticale à mésoéchelle W - en tant que contrôles dominants de C, plutôt que sur les facteurs thermodynamiques liés au mécanisme de mélange-dessiccation.

Dans quelle mesure la génération actuelle de modèles climatiques est-elle cohérente avec nos observations ? Pour évaluer comment les modèles climatiques représentent la relation entre le mélange et la nébulosité, nous utilisons dix modèles du Cloud Feedback Model Intercomparison Project (CFMIP)34 qui fournissent la sortie ponctuelle M, C et \({\mathcal{R}}\) nécessaire à haute résolution temporelle près du domaine EUREC4A (voir Méthodes). Contrairement à la cohérence entre de nombreuses observations EUREC4A indépendantes, la Fig. 4a montre que les modèles diffèrent fortement dans leur ampleur et leur variabilité de M et C. Bien que certains modèles prédisent un M irréaliste (CanAM4, MIROC6 et MPI-ESM), l'IPSL-CM6A a un M moyen cinq fois supérieur à celui des observations EUREC4A. À l'exception d'IPSL-CM6A, tous les modèles surestiment fortement la variabilité de C (voir également la réf. 35) et 8 modèles sur 10 surestiment également l'amplitude de C. Cela est en partie dû à la tendance des modèles à produire des stratocumulus dans ce régime de cumulus peu profonds36,37 (évident dans les fortes augmentations de C (jusqu'à 50-100 %) au-dessus d'un \({\mathcal{R}}\) critique d'environ 94 % ; voir Extended Data Fig. 7). En revanche, les observations n'indiquent aucune occurrence de C > 13 % ou \({\mathcal{R}}\) > 94 %. Les modèles qui produisent de telles conditions de type stratocumulus avec \({\mathcal{R}}\) > 94 % plus de 15 % du temps (Extended Data Fig. 8a) sont étiquetés avec des symboles ouverts dans la Fig. 4.

a, Moyenne ± σ/2 de M et C. b, Coefficients de corrélation r entre M et C (rM,C) et \({\mathcal{R}}\) et C (\({r}_{{\mathcal{R}},C}\)). c, Rapport des coefficients standardisés de régression linéaire multiple \({a}_{M}/{a}_{{\mathcal{R}}}\) et de la composante thermodynamique de la rétroaction radiative du cumulus des échanges. Les modèles sont colorés dans des bacs de force de rétroaction. Les symboles ouverts font référence aux modèles avec des stratocumulus fréquents (définis comme ayant \({\mathcal{R}}\) > 94 % plus de 15 % du temps ; voir Données étendues Fig. 8a). L'ombrage gris représente le 25e au 75e quartile et les barres grises l'intervalle de confiance à 95 % des valeurs d'observation bootstrap. À des fins de tracé, a montre la moyenne \(\bar{M}\)-30 pour IPSL-CM6A et c montre le rapport \({a}_{M}/{a}_{{\mathcal{R}}}+3\) pour BCC-CSM2. En c, l'extrémité supérieure de l'intervalle de confiance observationnel à 95 % (à 6,75) est tronquée.

Données source

Seul le modèle BCC-CSM2 représente la corrélation positive prononcée entre C et M observée pendant EUREC4A à l'échelle de 3 h (Fig. 4b). Six des autres modèles ont un coefficient de corrélation r < 0,05, dont trois modèles montrent même une corrélation négative. La plupart des modèles sous-estiment donc fortement le couplage étroit entre nuages ​​et convection observé dans EUREC4A. Au lieu de cela, ces six modèles sont plus en ligne avec le mécanisme de mélange-dessiccation et un β < 0 (Fig. 1a), même si cela n'est pas médié par une corrélation négative prononcée entre M et \({\mathcal{R}}\) (Extended Data Fig. 8c). Tous les modèles sous-estiment également fortement la variabilité de W (Extended Data Fig. 8b), car ils ne représentent pas les processus de sous-grille conduisant à la variabilité observée de la vitesse verticale à méso-échelle (par exemple, les circulations peu profondes entraînées par le refroidissement radiatif différentiel38 ou les gradients locaux de température de surface de la mer (SST)39). Les relations entre C et \({\mathcal{R}}\) sont plus cohérentes parmi la plupart des modèles (Fig. 4b) et sont également plus cohérentes avec les observations par rapport aux relations entre C et M.

Contrairement aux observations, les nuages ​​tels que paramétrés par les modèles climatiques sont plus contrôlés thermodynamiquement que dynamiquement. La fausse représentation de la sensibilité relative de C aux changements de M ou \({\mathcal{R}}\) par tous les modèles est encapsulée dans le rapport des coefficients de régression standardisés \({a}_{M}/{a}_{{\mathcal{R}}}\) de la régression \(\hat{C}={a}_{0}+{a}_{M}\widetilde{M}+{a}_{{\mathcal{R} }}\widetilde{{\mathcal{R}}}\). Les échantillons du modèle se situent complètement en dehors des données EUREC4A (Fig. 4c). Tous les modèles, à une exception près, sous-estiment considérablement la valeur de \({a}_{M}/{a}_{{\mathcal{R}}}\) par rapport aux observations, soulignant que, dans les modèles climatiques, la variabilité de C est principalement contrôlée par des variations de \({\mathcal{R}}\) plutôt que par des variations de M. Bien que BCC-CSM2 semble crédible en termes d'amplitude et de relation entre C et M, sa crédibilité est érodée par sa relation irréaliste entre C et \({ \mathcal{R}}\) (Extended Data Fig. 7), et donc un \({a}_{M}/{a}_{{\mathcal{R}}}\) invraisemblable de −5,2. Contrairement aux observations, dans la plupart des modèles, M et \({\mathcal{R}}\) ne sont que de faibles prédicteurs de C, comme en témoigne le faible coefficient de détermination (r2) de la régression linéaire multiple de \(\hat{C}\) (Extended Data Fig. 8c). Les paramétrisations des nuages ​​des modèles échouent donc à saisir les relations clés entre C et l'environnement dynamique et thermodynamique observé dans la nature.

Les observations EUREC4A fournissent des estimations robustes de la moyenne, de la variabilité et du couplage de M, C et \({\mathcal{R}}\) dans des environnements de cumulus commerciaux contrastés. Bien que la variabilité observée soit importante, la variabilité simulée par les modèles climatiques est irréaliste, tout comme les moteurs de cette variabilité. Les données EUREC4A fournissent ainsi un test physique de la capacité des modèles à représenter l'interaction des processus actifs dans la régulation de la quantité de nuages ​​d'alizés et peuvent guider le développement futur du modèle. De plus, le fait que les relations à l'échelle de processus de 3 h soient cohérentes avec les relations à l'échelle de temps mensuelle (r ≥ 0,84 ; données étendues Fig. 8e, f) suggère que les processus physiques rapides sous-jacents qui couplent M, \({\mathcal{R}}\) et C dans les modèles sont largement invariants avec l'échelle de temps. Les relations dérivées des observations EUREC4A peuvent donc également être utilisées pour évaluer la gamme crédible des rétroactions du cumulus des échanges dans les modèles climatiques.

La figure 4b montre que tous les modèles avec une forte rétroaction du cumulus des échanges représentés par un changement de l'effet radiatif des nuages ​​(ΔCRE) avec un réchauffement supérieur à 0,37 W m−2 K−1 (couleurs rougeâtres sur la Fig. 4c) représentent le mécanisme de mélange-dessiccation réfuté avec une corrélation négative (ou très faible) entre M et C. De plus, ces quatre modèles exagèrent à la fois le couplage de C à \({\mathcal{R}}\) (petit \({a}_{M }/{a}_{{\mathcal{R}}}\ ); Fig. 4c) et la variabilité de C (σC ; Données étendues Fig. 8d). En revanche, les modèles plus proches des observations ont tendance à avoir un ∆CRE positif plus faible avec le réchauffement. Les observations EUREC4A des processus physiques qui déterminent la variabilité à court terme de C excluent donc le mécanisme qui conduit aux plus grandes rétroactions positives du cumulus des échanges dans les modèles climatiques actuels.

En montrant que les mouvements à méso-échelle inhibent le mécanisme de mélange-dessiccation, nous réfutons une hypothèse physique importante pour une grande rétroaction des cumulus commerciaux. Dans l'esprit de l'approche du storyline pour limiter la sensibilité climatique à l'équilibre10, nos résultats réfutent ainsi une ligne de preuve importante pour une forte rétroaction positive des nuages ​​et donc une grande sensibilité climatique. Les observations EUREC4A confirment donc les récentes contraintes dérivées des satellites à partir de la variabilité naturelle observée37,40 et des expériences de changement climatique utilisant des simulations idéalisées à haute résolution41,42, qui suggèrent qu'une faible rétroaction du cumulus des échanges est plus plausible qu'une forte. De plus, pour la première fois, nous prenons en compte tous les types de nuages ​​présents dans les métiers, y compris les plus fins optiquement qui sont généralement manqués dans les observations satellitaires43, et considérons toute la gamme de variabilité à méso-échelle qui n'était pas représentée dans les simulations idéalisées des rétroactions des nuages. Nous fournissons également une explication de l'incohérence des modèles avec de grandes rétroactions positives : dans ces modèles, le couplage étroit observé entre le mélange convectif et la nébulosité est absent ; au lieu de cela, C est principalement contrôlé thermodynamiquement par \ ({\ mathcal {R}} \), ce qui exagère la variabilité de C et les rétroactions au réchauffement. En ne représentant pas la variabilité des circulations à méso-échelle, les modèles passent à côté d'un processus important de régulation des cumulus commerciaux. Les recherches futures devraient se concentrer sur une meilleure compréhension des processus contrôlant ces circulations à méso-échelle et comment elles pourraient changer dans un climat plus chaud.

Nous utilisons les données de la campagne de terrain EUREC4A, qui a eu lieu en janvier et février 2020 et était ancrée à la Barbade8,9. Nous nous concentrons sur les mesures effectuées par les avions HALO29 et ATR31, qui ont effectué des parcours coordonnés dans le cercle EUREC4A d'environ 220 km de diamètre centré à 13,3° N, 57,7° O. ) pour caractériser l'environnement à grande échelle28. Dans le même temps, l'avion ATR a parcouru 2 à 3 rectangles de 50 minutes à l'intérieur du cercle près de la base des nuages ​​et a mesuré la fraction nuageuse avec un radar de nuages ​​à vision horizontale et un lidar à rétrodiffusion, ainsi qu'avec plusieurs sondes et capteurs in situ31. Les observations du Barbados Cloud Observatory (BCO)15 et du RV Meteor44 fournissent un contexte supplémentaire aux limites ouest et est du cercle EUREC4A.

Une journée de vol typique de HALO consistait en deux séries de trois cercles consécutifs d'une durée d'environ 3 h et comprenant 30 à 36 sondes (parfois définies comme des cercles9,22,29). Les séries de cercles de 3 h sont séparées par une pause de 1 h 30 pour faire le plein de l'ATR. Les circuits circulaires ont été effectués du 22 janvier au 15 février avec différentes heures de départ entre 04h30 et 19h30 heure locale (LT) pour échantillonner le cycle diurne. Quatre autres cercles à sonde unique sont également utilisés, dont trois ont été parcourus par l'avion P345 pendant la nuit (à partir de 00h15 LT les 9 et 10 février et à 01h30 LT le 11 février). Au total, l'ensemble de données comprend 73 cercles (échelle 1 h) et 24 ensembles de trois cercles consécutifs (échelle 3 h), dont 16 ont des données ATR coïncidentes. Nous supposons que HALO et ATR échantillonnent des conditions comparables sur l'échelle de 3 h. Ceci est confirmé par la base nuageuse \({\mathcal{R}}\) similaire de l'avion pendant la plupart des vols (Fig. 2d), à l'exception du premier cercle de 3 heures défini le 2 février et du deuxième cercle de 3 heures défini les 7 et 13 février, dans lequel l'échelle spatiale de l'organisation du nuage était supérieure à l'échelle du domaine échantillonné par l'ATR. Ces trois ensembles de cercles de 3 h sont marqués dans les figures et exclus des corrélations calculées.

L'échelle spatiale des observations représente l'extrémité inférieure de l'échelle méso-α d'Orlanski46 et est comparable en taille à une grille de modèle climatique. L'échelle 200–300 km est l'échelle pertinente des processus nuageux pour un ensemble de cumulus d'échange et aussi l'échelle visée par les paramétrisations convectives. Il se situe entre l'échelle \({\mathcal{O}}\)(1 km) des nuages ​​individuels et l'échelle synoptique de \({\mathcal{O}}\)(1 000 km), et est associé à l'émergence des principaux modèles d'organisation des nuages ​​commerciaux47. Comme les masses d'air sont advectées d'environ 30 km par heure (à la vitesse moyenne du vent de la campagne d'environ 9 m s−1 à 1 km de hauteur), l'échantillonnage spatial du cercle de 220 km de diamètre ne diffère pas sensiblement entre les échelles de temps de 1 h et de 3 h, ce qui motive notre focalisation de la nomenclature sur l'échelle temporelle plutôt que spatiale. En utilisant les mesures, le modèle et les données de réanalyse, nous ne nous attendrions pas à ce que nos résultats changent considérablement si le domaine d'analyse était augmenté ou réduit d'un facteur de deux ou plus (voir la section Méthodes "Estimation du flux massique" pour une discussion sur la sensibilité d'échelle des résultats).

La région de la Barbade a été choisie comme emplacement d'EUREC4A parce que les cumulus commerciaux peu profonds sont le type de nuage dominant dans la région pendant l'hiver13. De plus, les nuages ​​dans la région de la Barbade sont similaires aux nuages ​​dans les régions d'alizés dans les observations et les modèles26. Les conditions météorologiques moyennes pendant la campagne EUREC4A, telles qu'échantillonnées par les dropsondes, correspondent également bien aux conditions moyennes de janvier à février à partir de 12 ans de données de la réanalyse ERA-Interim48 (leur Fig. 5), bien qu'avec une humidité relative de 850 hPa supérieure de 10 % pendant EUREC4A (les dropsondes EUREC4A ont également une humidité relative d'environ 8 % supérieure à la moyenne 2013-2022 dans ERA 5, non représenté). En outre, les quatre principaux modèles d'organisation du cloud à mésoéchelle47 étaient présents pendant la campagne27. Les conclusions tirées des données EUREC4A sont donc pertinentes à l'échelle des tropiques et pour les échelles de temps climatiques.

Pour estimer le flux massique à la base des nuages ​​M, \({\mathcal{R}}\) et de nombreuses autres variables, nous utilisons les données des dropsondes de l'ensemble de données JOANNE28, à savoir les profils verticaux de niveau 3 (sondes de qualité contrôlée) et de niveau 4 (produits circulaires) des quantités thermodynamiques, du vent et de la vitesse verticale à mésoéchelle, W. Les dropsondes HALO sont corrigées d'un biais sec en multipliant l'humidité relative par 1,06 (réf. 28).

Pour la fraction nuageuse C à la base des nuages, nous utilisons le produit de synergie lidar-radar BASTALIAS31, qui inclut à la fois les nuages ​​et la bruine (mais pas la pluie) et constitue une borne supérieure sur C. Nous testons également les relations pour trois autres estimations de C :

Le produit nuageux non bruineux issu de la synergie radar-lidar (Conly), qui exclut la bruine et constitue une borne inférieure sur C.

Estimations in situ à partir d'une sonde microphysique définie sur la base de seuils de teneur en eau liquide plus granulométrie (Cpma).

Capteur d'humidité haute fréquence (25 Hz) in situ, avec un nuage défini comme une humidité relative ≥ 98 % (Cturb).

Les capteurs in situ mesurent C le long de la trajectoire, tandis que la synergie lidar-radar échantillonne les nuages ​​à l'intérieur du rectangle jusqu'à une distance de 8 km de l'avion31. Malgré des différences prononcées dans les principes de mesure et d'échantillonnage, la Fig. 18 de la réf. 31 démontre la cohérence interne et la robustesse des estimations indépendantes de C. Les mesures de turbulence ATR comprennent également des mesures des vitesses verticales ascendantes et descendantes49, à partir desquelles un flux de masse dans le nuage Mturb est calculé en multipliant Cturb par la vitesse verticale dans le nuage.

Les autres mesures de l'avion HALO utilisées sont les estimations totales de la couverture nuageuse projetée (CC) du lidar à absorption différentielle WALES, de l'imageur hyperspectral specMACS et du radar de nuages ​​HAMP29. À partir de ces masques de nuages, nous dérivons le CC le long du cercle de 1 h. Pour specMACS et HAMP, la détection des nuages ​​est ambiguë et nous considérons à la fois les drapeaux « probablement nuageux » et « très probablement nuageux » dans nos estimations CC.

Nous utilisons également les données du ceilomètre et du radar des nuages ​​​​du BCO et du RV Meteor pour tester la robustesse de la définition de la hauteur de la sous-couche nuageuse (non illustrée). Les profils de fraction de nuages ​​radar sont obtenus en corrigeant les profils de fraction d'hydrométéores avec des données célométriques pendant les périodes de pluie (voir réf. 30 pour une description de la correction appliquée). Les données radar des nuages ​​​​BCO démontrent également que manquer le niveau de fraction nuageuse maximale à la base des nuages ​​en moyenne sur 3 h de, disons, 60 m n'affecte pas la variabilité de C (corrélations de r = 0,99 et r = 0,93 avec le C maximum lorsque 60 m au-dessus et en dessous du niveau de pointe, respectivement) et n'affecte que marginalement sa magnitude (18% et 33% plus petit par rapport au C maximum pour être 60 m au-dessus ou en dessous du niveau de pointe, respectivement). Ainsi, ce n'est que si le niveau de vol ATR s'écartait de la hauteur de nébulosité maximale d'une manière qui variait avec M que nous nous attendrions à ce qu'une telle différence de hauteur influence notre analyse. Comme l'avion ATR volait généralement légèrement au-dessus de h (Extended Data Fig. 3a) et parce qu'il a échantillonné beaucoup plus de nuages ​​en 3 h par rapport au BCO stationnaire, une influence potentielle de l'absence du niveau de crête est considérée comme ne biaisant pas nos résultats.

Pour estimer le flux de flottabilité de surface (\(\overline{{w}^{{\prime} }{\theta }_{{\rm{v}}}^{{\prime} }}{| }_{{\rm{s}}}\), nécessaire pour calculer M), nous utilisons les données d'humidité, de température et de vent de la sonde de chute à 20 m de hauteur et appliquons l'algorithme COARE (Coupled Ocean-Atmosphere Response Experiment) version 3.6 (réfs. 50,51 ). Pour la SST, nous extrapolons la SST à 2 m de profondeur du RV Meteor (température du panneau arrière du thermosaligraphe), ou alternativement de l'AutoNaut Caravela52, à l'emplacement de la sonde de chute sur la base d'un gradient SST zonal et méridien fixe de −0,14 K par degré. Un gradient de −0,14 K par degré correspond au gradient médian zonal et méridien (−0,145 K par degré et −0,135 K par degré, respectivement) à travers le cercle EUREC4A sur la période du 19 janvier au 15 février dans la réanalyse ERA553 et dans deux produits SST satellitaires (de l'Advanced Baseline Imager on board the Geostationary Operational Environmental Satellite (GOES-16 ABI) et des Collecte Localization Satellites (CLS ).

Le flux de flottabilité de surface dérivé de la sonde sur l'échelle de 3 h se compare favorablement aux flux en vrac du mât RV Meteor, avec un coefficient de corrélation r = 0,83 et un décalage moyen de 0,1 % par rapport au RV Meteor. Le flux dérivé de la sonde a une amplitude comparable avec le flux mesuré au RV Ronald Brown54 plus en amont et est également bien corrélé (r = 0,81) avec ERA5. Les flux ERA5, cependant, surestiment le flux de flottabilité de surface par rapport au flux dérivé de la sonde de 25 %, ce qui est principalement dû à la surestimation du flux de chaleur sensible de 64 % par rapport aux observations (9,8 W m−2 et 6,0 W m−2 pour ERA5 et les dropsondes, respectivement). Une forte surestimation du flux de chaleur sensible par rapport aux mesures des bouées dans la région est également présente dans la réanalyse précédente ERA-Interim55. Dans l'ensemble, la bonne correspondance de notre flux de flottabilité de surface dérivé de la sonde avec les données indépendantes donne de la crédibilité à notre procédure d'estimation. Le flux de flottabilité de surface dérivé de la sonde est également utilisé pour calculer l'échelle de vitesse verticale de la couche sous-nuageuse de Deardorff \({w}^{* }={\left(h\frac{{\rm{g}}}{{\theta }_{{\rm{v}}}}\overline{{w}^{{\prime} }{\theta }_{{\rm{v}}}^{{\prime} }}{| }_{{\rm {s}}}\right)}^{1/3}\) illustré à la Fig. 3c, dans laquelle g est l'accélération gravitationnelle.

Vogel et al.20 ont développé une méthode pour estimer le flux de masse de la convection peu profonde au sommet de la sous-couche nuageuse en tant que résidu du budget de masse de la sous-couche nuageuse et l'ont testée dans des simulations réelles de grands tourbillons au-dessus de l'Atlantique tropical. Ici, la méthode est appliquée aux observations EUREC4A, en parallèle avec Albright et al.22, qui clôturent les bilans d'humidité et de chaleur de la sous-couche nuageuse et fournissent une contrainte indépendante sur le taux d'entraînement E. À l'exception de l'estimation du flux de flottabilité de surface (voir la section précédente), toutes les données pour les bilans proviennent entièrement des dropsondes.

L'équation (1) exprime le budget de la hauteur h de la sous-couche nuageuse par unité de surface et à densité constante. \(\frac{\partial h}{\partial t}\) représente la fluctuation temporelle de h et Vh · ∇h son advection horizontale, E est le taux d'entraînement, W la vitesse verticale méso-échelle (positive vers le haut) et M le flux de masse convectif à h.

La hauteur de sous-couche nuageuse h est définie comme la hauteur à laquelle la température potentielle virtuelle (θv) dépasse pour la première fois sa moyenne pondérée en fonction de la densité de 100 m à h par un seuil fixe ϵ = 0,2 K (réf. 22, 56). Données étendues La Fig. 3a confirme que notre h est généralement proche de l'altitude de vol ATR et h se situe également bien dans la plage des observations indépendantes BCO et RV Meteor de la fraction de nuage radar maximale à la base des nuages ​​et de la fréquence maximale de la première hauteur de base des nuages ​​au célomètre (non illustré). Cela confirme que notre h concorde bien avec le niveau de fraction nuageuse maximale proche de la base, qui a été fixé comme hauteur cible pour le niveau de vol ATR et donc pour évaluer le budget de masse31.

Le taux d'entraînement E représente l'approfondissement de h dû au mélange à petite échelle au sommet de la sous-couche nuageuse. Nous utilisons une version modifiée du modèle classique de saut de flux57,58 qui tient compte de l'épaisseur finie de la couche de transition, la couche stable d'environ 150 m d'épaisseur séparant la couche mixte de la couche nuageuse (voir réf. 22 pour plus de détails). Le flux de flottabilité à h est modélisé comme une fraction fixe Ae du flux de flottabilité de surface, \(\overline{{w}^{{\prime} }{\theta }_{{\rm{v}}}^{{\prime} }}{| }_{{\rm{s}}}\), dans laquelle Ae est l'efficacité d'entraînement effective. Le saut de flottabilité au sommet de la sous-couche nuageuse est calculé comme \(\Delta {\theta }_{{\rm{v}}}=\Delta \theta +0,61(\overline{\theta }\Delta q+\overline{q}\Delta \theta )\), avec \(\Delta \theta ={C}_{\theta }({\theta }_{{\rm{h+} }}-\overline{\theta })\) et \(\Delta q={C}_{q}({q}_{h+}-\overline{q})\). q est l'humidité spécifique, Cq et Cθ sont des coefficients d'échelle tenant compte de l'incertitude sur la profondeur sur laquelle les sauts sont calculés, l'indice h+ fait référence à la valeur de q ou θ au-dessus de h (calculée comme la moyenne de h à h + 100 m) et \(\overline{q}\) et \(\overline{\theta }\) sont des moyennes de 50 m au sommet de la couche de mélange (définie comme la hauteur d'humidité relative maximale en dessous de 900 m ). Enfin, E est calculé comme

Les paramètres incertains Ae, Cq et Cθ sont estimés par une inversion bayésienne conjointe pour fermer les budgets d'humidité et de chaleur par réf. 22, donnant des estimations de probabilité maximale de Ae = 0,43 ± 0,06 (moyenne ± 1σ), Cq = 1,26 ± 0,34 et Cθ = 1,15 ± 0,31.

La vitesse verticale méso-échelle W en h est calculée en intégrant verticalement la divergence du champ de vent horizontal mesuré par les dropsondes23 depuis la surface jusqu'à h. W est à l'extrémité inférieure de l'échelle méso-α de la réf. 46, ce que les modélisateurs du climat associent souvent à la « grande échelle ». Les termes h, E et W sont calculés à l'échelle 1 h d'un seul cercle, puis agrégés à l'échelle 3 h (trois cercles).

La fluctuation temporelle de h est estimée comme la pente de régression linéaire de h calculée à partir des 30 à 36 sondages disponibles par ensemble de cercles de 3 h. De même, l'advection horizontale de h est estimée comme la somme des régressions linéaires des gradients vers l'est (∂h/∂x) et vers le nord (∂h/∂y) de l'individu h, multipliée par la vitesse du vent à la moyenne h sur 3 h. ∂h/∂t et Vh · ∇h ne sont disponibles que sur l'échelle de 3 h.

Le M par défaut indiqué dans l'article est le flux de masse à l'équilibre M = E + W, qui reproduit bien le flux de masse diagnostiqué directement à partir de la fraction de surface du noyau nuageux et de la vitesse verticale dans les simulations à grands tourbillons20. Cet équilibre M est également disponible à l'échelle 1-h d'un cercle individuel. La prise en compte de ∂h/∂t et Vh · ∇h dans l'estimation du flux massique conduit à \({M}^{{\prime} }=M-\frac{\partial h}{\partial t}-{V}_{h}\cdot \nabla h\), qui présente des caractéristiques très similaires par rapport à M (Extended Data Fig. 3). Ceci est principalement dû au fait que les termes d'advection (−1,3 ± 2,7 mm s−1) et de fluctuation temporelle (0,5 ± 6,8 mm s−1) sont en moyenne autour de zéro, et le terme d'advection est également presque invariant. L'inclusion de l'advection et de \(\frac{\partial h}{\partial t}\) dans M' améliore légèrement la variabilité à l'échelle diurne (Extended Data Fig. 1a).

Les bassins froids formés par l'évaporation des précipitations détruisent la structure de la couche sous-nuageuse et rendent l'estimation de h moins robuste. Nous excluons donc les sondages qui tombent dans des bassins froids dans l'analyse en utilisant le critère de h < 400 m développé par la réf. 56 basé sur les sondages EUREC4A. L'influence de ces hypothèses et d'autres sur l'ampleur et la variabilité de M est discutée dans la section Méthodes « Robustesse des estimations observationnelles ». Notez également que notre M est défini comme le flux de masse spécifique (masse) et a des unités de vitesse. Il diffère du flux massique plus familier (en unités de kg m−2 s−1) par la densité de l'air, qui est généralement supposée constante18,59, et qui se justifie ici compte tenu des faibles variations de densité entre les mesures (moyenne ± σ de 1,104 ± 0,0077 kg m−3, soit moins de 0,7 % de la moyenne).

Bien que la variabilité à l'échelle de 1 h de M puisse être importante (par exemple, les deuxièmes séries de cercles de 3 h les 26 janvier et 13 février ; Fig. 2), l'incertitude d'estimation médiane n'est que de 20 % à l'échelle de 3 h (voir la section ci-dessous). De plus, M a une amplitude similaire et une corrélation rassurante (r = 0,77) avec l'estimation indépendante de Mturb à partir de mesures de turbulence in situ sur l'avion ATR (Extended Data Fig. 2d).

Les termes du budget de masse montrent différents degrés de sensibilité d'échelle (voir également la discussion dans la réf. 20). Figs de données étendues. 2c et 4a montrent que la corrélation entre W et M est légèrement plus grande à l'échelle 1 h qu'à l'échelle 3 h (rW,M 3h = 0,60 et rW,M 1h = 0,67), alors qu'elles sont essentiellement les mêmes pour E et M (rE,M 3h = 0,54 et rE,M 1h = 0,55). La sensibilité d'échelle de la variance W est conforme aux données de radiosondage du réseau de navires EUREC4A, qui montrent que les amplitudes de divergence à des rayons équivalents de 100 à 300 km sont inversement proportionnelles au rayon60 (comme dans ERA5 et ICON, conformément à la réf. 23). Dans ERA5, la sensibilité d'échelle du flux de flottabilité de surface, qui contribue le plus à la variabilité de E (données étendues Fig. 4b), est beaucoup plus petite par rapport à la sensibilité d'échelle de W (non illustrée). Cela est probablement dû au fait que la variabilité du flux de flottabilité de surface est principalement contrôlée par la vitesse du vent de surface (Extended Data Fig. 4h) et le refroidissement radiatif61, qui sont tous deux à grande échelle. La vitesse du vent de surface a des coefficients d'autocorrélation de 0,74 pour un décalage de 2 jours et de 0,48 pour un décalage de 8 jours (Fig. 3d de la réf. 22). Bien que plus faible par rapport à la variabilité synoptique, le vent de surface a également un cycle diurne distinct62,63, qui provoque un cycle diurne du flux de flottabilité de surface (Extended Data Fig. 1c et réf. 20). Une partie de la variabilité diurne de E est ainsi perdue pour une moyenne temporelle plus longue. De plus, la variabilité de la fluctuation temporelle et de l'advection horizontale de h (équation (1)) diminue à plus grande échelle20. En résumé, la variabilité de M diminue sur des échelles moyennes plus grandes. La sensibilité d'échelle de W est plus grande que celle de E, de sorte que la contribution de la variabilité de W à M tend à devenir plus petite par rapport à la contribution de E à des échelles beaucoup plus grandes.

Comme indiqué ci-dessus, E décrit l'effet net des processus locaux et doit être déduit des statistiques d'autres quantités (c'est-à-dire le taux de croissance moyen de la sous-couche nuageuse ou la dilution des propriétés de la sous-couche nuageuse). Cela soulève la question de savoir si l'estimation de E elle-même pourrait dépendre de l'environnement à méso-échelle et donc introduire de fausses co-variabilités entre M, W et C. L'estimation bayésienne des estimations de paramètres incertains Ae, Cq et Cθ est a priori indépendante de M et W. De plus, la variabilité synoptique pendant EUREC4A peut être bien expliquée en les maintenant constantes22. La référence 22 a également exploré dans quelle mesure d'autres facteurs étaient corrélés avec les résidus dans leurs ajustements bayésiens et n'a trouvé aucune preuve d'un effet systématique d'autres facteurs, y compris la vitesse du vent et le cisaillement64. Comme indiqué ci-dessus, la variabilité de E a tendance à être moins sensible à l'échelle que W et principalement contrôlée par des facteurs à plus grande échelle, tels que la vitesse du vent de surface (à travers le flux de flottabilité de surface; Données étendues Fig. 4b, h). De plus, E et W sont anticorrélés (rE, W = −0,35; Extended Data Fig. 4g). Ainsi, à la fois statistiquement à partir de l'anticorrélation et physiquement à travers l'argument d'échelle, nous pensons que notre paramétrisation de E n'induit pas de fausse co-variabilité.

Pour les estimations de M, \({\mathcal{R}}\) et C, nous distinguons deux sources d'incertitude : l'incertitude d'échantillonnage et l'incertitude d'estimation (ou de récupération). Pour tous les termes, l'incertitude d'échantillonnage est calculée à l'échelle de 3 h comme l'erreur type, \({\rm{SE}}=\sigma /\sqrt{n}\), des trois valeurs individuelles de cercle de 1 h (chacune représentant environ 50 min de vol ou jusqu'à 12 sondes), dans laquelle σ est l'écart type et n le nombre de cercles.

L'incertitude d'estimation est calculée différemment pour chaque terme selon les hypothèses et les choix sous-jacents. Pour \({\mathcal{R}}\), l'incertitude déclarée par le fabricant (c'est-à-dire la répétabilité) est de 2 % et une incertitude supplémentaire découle de la correction du biais sec des dropsondes HALO (voir réf. 28). Étant donné que cette incertitude est la même pour tous les points de données, l'incertitude d'estimation de \({\mathcal{R}}\) n'est pas indiquée dans les figures. Pour C, l'incertitude d'estimation est calculée pour chaque cercle de 3 h défini comme SE des quatre estimations différentes de C, à savoir C lui-même, Conly, Cturb et Cpma. L'estimation de l'incertitude représente donc l'incertitude dans les principes de mesure et l'échantillonnage spatial31. D'autres incertitudes des estimations individuelles de C (par exemple, en raison du choix des seuils) sont négligées, car les tests de sensibilité suggèrent qu'elles sont inférieures à l'incertitude entre les différentes estimations de C31.

Pour W, le terme d'advection Vh · ∇h et la fluctuation temporelle ∂h/∂t, l'incertitude d'estimation est prise comme SE de la régression respective utilisée pour calculer le terme. Parce que ∂h/∂t est calculé à partir de sondes individuelles, il contient à la fois la variabilité temporelle et spatiale de h sur l'échelle de 3 h et son SE est gonflé.

L'incertitude d'estimation du flux de flottabilité de surface est une combinaison d'incertitude dans les SST sous-jacents et dans l'algorithme de flux de masse COARE. Nous estimons l'incertitude dans les SST sous-jacents en calculant la SE de cinq versions différentes du flux (trois avec des gradients SST fixes différents (la valeur médiane par défaut et la médiane ± intervalle interquartile, c'est-à-dire −0,14 K par degré, −0,21 K par degré et −0,07 K par degré), une avec un gradient variant dans le temps (non illustré) et une avec une SST de base différente (de l'AutoNaut Caravela52 au lieu du RV Meteor)) et en ajoutant 5 % incertitude de l'algorithme COARE donnée dans la réf. 50 comme l'incertitude sur 1 h dans la plage de vitesse du vent de 0 à 10 m s−1. Pour Ae et Δθv, nous utilisons les incertitudes relatives de l'inversion bayésienne comme incertitude d'estimation (c'est-à-dire σ(Ae)/Ae pour Ae et la moyenne de σ(Cq)/Cq et σ(Cθ)/Cθ pour Δθv).

Les incertitudes sur les trois termes individuels de E sont propagées en ajoutant leurs incertitudes fractionnaires en quadrature pour donner l'incertitude d'estimation de E. Dans le même esprit, l'incertitude d'estimation est propagée de l'échelle 1 h à l'échelle 3 h et des termes individuels de l'équation (1) à M.

Les incertitudes des corrélations et de la régression linéaire multiple sont estimées par bootstrap (10 000 répétitions). Nous communiquons ces incertitudes en mentionnant les 25e et 75e quartiles dans le texte et en montrant à la fois les quartiles et les quantiles à 2,5 % et 97,5 % (représentant l'intervalle de confiance à 95 %) dans la Fig. 4 et la Fig.

D'autres proxys pour le mélange de la basse troposphère ont été utilisés dans des études précédentes5,7,65 qui peuvent être estimées à partir des données de la sonde de chute et comparées à la variabilité de C. Ici, nous calculons le diagnostic d'advection verticale de la couche limite (BVA) à partir de la réf. 65 défini comme \({\rm{BVA}}={\int }_{0}^{{Z}_{\min }}W(z)\frac{\partial {\rm{MSE}}}{\partial z}\rho {\rm{d}}z\), où MSE est l'énergie statique humide, \({Z}_{\min }\) le niveau de MSE minimum qui marque le sommet de la couche d'alizé (en moyenne à 2 900 m) et ρ la densité. Notez qu'une valeur BVA inférieure (plus négative) indique un mélange plus fort.

La référence 65 a trouvé une relation positive prononcée entre les changements de BVA et les changements de C à partir d'une série d'expériences de modèle à colonne unique avec le modèle IPSL-CM5A, qui se caractérise par une forte rétroaction positive à faible nuage et la présence du mécanisme de mélange-dessiccation (Fig. 4). Données étendues La figure 4f montre une corrélation négative prononcée entre BVA et M dans les données EUREC4A, indiquant un bon accord dans leurs définitions complémentaires du mélange. Un BVA plus petit (mélange plus fort) est également associé à un C plus grand (non illustré), ce qui est en contradiction avec le modèle IPSL-CM5A. La corrélation absolue entre BVA et C (r = 0,34) est toutefois considérablement plus faible que la corrélation entre M et C (r = 0,72).

La fraction nuageuse, le flux massique net (vers le haut et vers le bas) et l'humidité relative à la base des nuages ​​sont calculés pour dix modèles CMIP (Coupled Model Intercomparison Project) :

Quatre de la cinquième phase, CMIP5 (réf. 66) : CanAM4 (réf. 67), MPI-ESM-LR68, IPSL-CM5A-LR69, HadGEM2-A70 et

Six de la sixième phase, CMIP6 (réf. 71) : BCC-CSM2-MR72, CNRM-CM6-1 (réf. 73), IPSL-CM6A-LR74, MIROC6 (réf. 75), MRI-ESM2-0 (réf. 76), HadGEM3-GC31-LL77

en utilisant les profils verticaux infra-horaires sur des sites sélectionnés (nommés cfSites dans CMIP5 et CFsubhr dans CMIP6) fournis par CFMIP34. Notez que le M des modèles n'est pas calculé à l'aide de l'équation (1) mais est défini selon le schéma de paramétrage convectif respectif des modèles (voir les références ci-dessus). Nous utilisons la configuration amip atmosphère uniquement de 1979 à 2008, en sélectionnant les données de décembre, janvier, février et mars pour être globalement cohérentes avec les conditions hivernales échantillonnées pendant EUREC4A. Pour chaque modèle, entre deux et six sites sont disponibles dans les métiers de l'Atlantique Nord entre 60–50° W et 12–16° N, à savoir les sites BOMEX, NTAS, EUREC4A, BCO et RICO. Tous les profils avec des nuages ​​au-dessus de 600 hPa (environ 4,2 km) sont abandonnés pour assurer une focalisation sur la convection peu profonde. Nous avons vérifié qu'en termes d'environnement à grande échelle, les cfSites tombent dans le régime climatologique des cumulus d'échanges tel que défini par la réf. 40.

Le niveau de la base des nuages ​​est défini comme le niveau de la fraction nuageuse maximale entre 870 et 970 hPa (entre environ 400 et 1 300 m). Si la fraction nuageuse maximale est inférieure à 0,25 % pour un profil donné, le niveau de la base des nuages ​​est pris au niveau climatologique de la fraction nuageuse maximale. Les données cloud-base horaires sont agrégées sur une échelle de temps de 3h, qui correspond à l'échelle de 3h des données EUREC4A, ainsi qu'une échelle de temps mensuelle. Les valeurs calculées sont insensibles à (1) la moyenne sur les sites avant d'être agrégées à l'échelle de temps de 3 h, (2) le retrait du site près de la bouée de la station nord-ouest de l'Atlantique tropical en amont du cercle EUREC4A (près de 51 ° W et 15 ° N), (3) en se concentrant uniquement sur janvier et février, et (4) en excluant les valeurs nocturnes en dehors des heures échantillonnées pendant EUREC4A (non illustré).

Nous utilisons la composante thermodynamique de la variation de l'effet radiatif des nuages ​​au sommet de l'atmosphère (ΔCRE) avec réchauffement dans des conditions dynamiques données pour quantifier la force de la rétroaction radiative des échanges cumulus. La référence 2 a montré que le ΔCRE avec réchauffement est une bonne approximation de la rétroaction nuageuse calculée avec des noyaux radiatifs78. Le CRE est défini comme la différence entre les flux radiatifs nets vers le bas tout ciel (tous, y compris les nuages) et ciel clair (clr, nuages ​​supposés transparents au rayonnement), CRE = Rall − Rclr = (LWclr − LWall) + (SWall − SWclr) = CRELW + CRESW, R étant le flux radiatif total et LW et SW ses composantes ondes longues et ondes courtes, respectivement. Les flux radiatifs sont définis positifs vers le bas. Le ΔCRE avec réchauffement est alors simplement la différence de CRE entre les simulations amip4K plus chaudes (augmentation uniforme 4-K de la SST) et les simulations amip (contrôle), normalisée par la différence de température 4-K (c'est-à-dire ΔCRE/ΔTs = (CREamip4K - CREamip)/4K). Pour limiter l'estimation de la rétroaction au régime du cumulus d'échanges, nous nous concentrons sur les points de grille uniquement océaniques entre 35° S et 35° N et utilisons la partition de régime de réf. 40 avec des régimes de cumulus d'échange dans chaque simulation (amip ou amip4K) définis comme ayant une force d'inversion moyenne annuelle climatologique estimée inférieure à 1 K et une vitesse verticale à 700 hPa comprise entre 0 et 15 hPa jour−1.

L'application de la formulation du budget de masse aux données de la sonde EUREC4A implique plusieurs choix de définitions et de seuils. Ces choix sont guidés par des contraintes issues de données indépendantes et de bouclage des bilans humidité et chaleur dans la réf. 22, qui fournit une justification pour la configuration par défaut décrite dans la section Méthodes "Estimation du flux massique". Néanmoins, il est important d'évaluer et de comprendre la sensibilité des estimations du budget de masse et les relations clés aux différents choix d'estimation.

Nous nous concentrons d'abord sur l'influence de différentes définitions de la hauteur de la sous-couche nuageuse h et du taux d'entraînement E sur la moyenne et l'écart type (σ) de M et E, les corrélations respectives de M avec E et W, et la corrélation et la différence moyenne avec l'estimation indépendante de Mturb à partir des mesures de turbulence à bord de l'avion ATR (voir Extended Data Fig. 2). Pour la définition h, nous comparons notre h par défaut à une définition alternative, 'h.parcel', qui définit h comme le niveau de flottabilité neutre d'une parcelle soulevée en surface (avec θv pondéré en fonction de la densité en moyenne de 30 à 80 m) plus un excès de 0,2 K θv. L'utilisation de 'h.parcel' conduit à une moyenne h moins profonde de 16 m par rapport à la valeur par défaut. Le h légèrement moins profond diminue Δθv (le dénominateur de la formulation E dans l'équation (2)) de 0,36 K à 0,34 K, ce qui augmente légèrement E et M d'environ 1,5 mm s−1. Bien que W ne soit pas affecté par ce petit changement de h, le M résultant a une corrélation légèrement réduite avec le Mturb indépendant par rapport au M par défaut (r = 0,69 contre r = 0,77). La même chaîne d'arguments vaut pour augmenter et diminuer le seuil ϵ dans la définition h de ± 0,05 K. Avec ϵ = 0,25 K au lieu de 0,2 K (cas 'h.eps = 0,25'), h augmente de 31 m et, à travers le plus grand Δθv, diminue E et M d'environ 3,3 mm s−1. En raison de la présence d'une fine couche de transition22, la réponse à ϵ ± 0,05 K est non linéaire et une réduction de ϵ à 0,15 K ('h.eps = 0,15') conduit à un Δθv disproportionnellement plus petit et à E et M environ 6 mm s−1 plus grands. La moyenne h moins profonde de 35 m avec ϵ = 0,15 K augmente également fortement σE, ce qui M au détriment d'une diminution de la corrélation entre le W et M non affectés (Extended Data Fig. 2c).

L'ensemble de choix suivant concerne l'estimation du taux d'entraînement. Nous testons l'influence des différentes estimations de flux de flottabilité de surface de ERA5 et RV Meteor. Comme le flux ERA5 est 25 % plus grand que les autres flux, nous le mettons à l'échelle pour qu'il ait la même moyenne que le flux dérivé de la dropsonde (cas 'sbf = ERA5.sc'). Pour 'sbf = ERA5.sc', la variabilité de E et M est sensiblement plus grande par rapport au flux de chute par défaut, ce qui augmente leur corrélation. Pour le cas 'sbf = Meteor', les différences avec les estimations par défaut sont plus petites (Extended Data Fig. 2a,b) et la corrélation avec Mturb est légèrement plus grande que dans les autres configurations. Les estimations ne sont pas non plus affectées par la modification des trois coefficients Ae, Cq et Cθ estimés par inversion bayésienne dans la réf. 22 pour clôturer les bilans hydrique et énergétique pendant EUREC4A lorsque les sondages en bassin froid (définis comme ayant h < 400 m suivant la réf. 56) sont exclus ('diffEpars'). Nous comparons ensuite quatre manières différentes de calculer Δθv. Le calcul de la valeur à h+ sous forme de moyennes de h à h + 50 ou h + 150 m (au lieu de h + 100 m) a une influence similaire (mais plus linéaire) en augmentant ϵ ± 0,05 K (voir discussion ci-dessus). L'utilisation de deux hauteurs différentes pour calculer la moyenne de θv à travers la couche mixte (jusqu'à h dans 'tvbar = h' et jusqu'au niveau auquel q tombe pour la première fois en dessous de sa moyenne d'un seuil de 0,3 g kg−1 dans 'tvbar = qgrad') n'influence guère les estimations.

Enfin, nous montrons l'influence du calcul du budget de masse, y compris les sondages du bassin froid, pour deux ensembles d'estimations de flux de flottabilité de surface, le cas "withCP" pour le flux dérivé de la sonde par défaut et "withCP_sbf = ERA5.sc" pour le flux ERA5 mis à l'échelle. Dans les deux cas, la moyenne et σ de M et E sont augmentées lorsque les bassins froids sont inclus (correspondant à la moyenne E de la réf. 22, qui comprenait les bassins froids). Cependant, surtout pour les flux surfaciques par défaut (cas 'avecCP'), la corrélation avec Mturb est fortement réduite.

Données étendues Les figures 2a, d montrent également l'influence des choix sélectionnés sur le flux de masse total M ', qui inclut la contribution de la fluctuation temporelle et de l'advection horizontale de h. Étant donné que ces termes supplémentaires sont en moyenne presque nuls (Extended Data Fig. 3c), leur inclusion n'affecte pas \(\overline{M}\). σM augmente plutôt d'environ 1,5 mm s−1 en raison de la variabilité prononcée du terme de fluctuation temporelle. Comme ce terme n'est pas très robuste, nous utilisons l'équilibre M le plus fiable comme meilleure estimation. L'équilibre M est également robuste à l'échelle 1-h d'un cercle individuel (cas 'échelle 1h').

Dans l'ensemble, Extended Data Fig. 2 nous rend très confiants dans la robustesse de nos estimations de budget de masse car elles ne montrent qu'une sensibilité modeste aux différents choix et parce que nous pouvons expliquer ces sensibilités physiquement. En outre, les estimations indépendantes ATR Mturb (Extended Data Fig. 2d) et les contraintes supplémentaires sur E de nos analyses complémentaires des budgets d'humidité et de chaleur dans la réf. 22 (lignes pointillées dans les données étendues de la Fig. 2b) confèrent une crédibilité supplémentaire à nos choix d'estimation par défaut.

Ensuite, nous nous concentrons sur la sensibilité des relations clés entre M, C et \({\mathcal{R}}\) à un ensemble sélectionné de choix d'estimation plausibles de M et des différentes estimations de C de l'avion ATR. Données étendues La figure 5a montre que la corrélation positive entre M et C est notable pour tous les choix de paramètres, et à la fois pour l'équilibre M et le total M '. De plus, la corrélation négligeable entre M et \({\mathcal{R}}\) est également très robuste.

Données étendues La figure 5b confirme en outre que le M par défaut présente également de fortes corrélations avec les trois estimations indépendantes de C de l'avion ATR. Il en va de même pour les autres choix d'estimation de M, avec une petite plage globale de corrélations de 0,52 < rM,C < 0,73. Les corrélations entre C et \({\mathcal{R}}\) sont plus variables entre les différentes estimations de C et se situent dans la plage \(0,12 < {r}_{{\mathcal{R}},C} < 0,63\). Il n'est pas surprenant que l'estimation de Conly qui néglige les contributions de la bruine ait la plus forte corrélation avec \({\mathcal{R}}\), car elle présente principalement des nuages ​​passifs qui sont plus affectés par l'humidité ambiante que les nuages ​​plus actifs qui incluent également la bruine. Notez qu'il existe également une légère dépendance de r(\({\mathcal{R}}\),C) sur les estimations de M, car les cas 'h.parcel' et 'h.eps = 0,25' donnent des h différents et donc des hauteurs différentes auxquelles \({\mathcal{R}}\) est évalué.

Les panneaux inférieurs de Extended Data Fig. 5 confirment également la robustesse du coefficient de corrélation de la régression linéaire multiple \(\hat{C}={a}_{0}+{a}_{M}\widetilde{M}+{a}_{{\mathcal{R}}}\widetilde{{\mathcal{R}}}\) et le rapport des coefficients de régression standardisés \({a}_{M}/{a}_{{\mathcal{R }}}\) aux choix d'estimation M (Extended Data Fig. 5c) et aux différentes estimations C (Extended Data Fig. 5d). Il n'y a pas de configuration avec \({a}_{M}/{a}_{{\mathcal{R}}} < 1\), indiquant que C est toujours plus fortement couplé à M qu'à \({\mathcal{R}}\) dans les observations. Des valeurs légèrement plus grandes de \({a}_{M}/{a}_{{\mathcal{R}}}\) et des corrélations plus petites sont évidentes pour le total M′.

De plus, l'écart type de C (σC) est très similaire pour les différentes estimations de C qui incluent la bruine (entre 2,1 % et 3,7 %, 3,1 % étant le σC du produit de synergie lidar-radar par défaut de BASTALIAS) et seulement légèrement inférieur pour l'estimation de Conly (1,6 %) lors de l'utilisation de l'échantillon complet. La variabilité est légèrement réduite dans le plus petit échantillon qui chevauche les vols HALO, car il exclut deux vols de nuit avec une plus grande nébulosité et deux vols dans des environnements secs avec une très faible nébulosité (σC de 1,7 à 2,4 % pour les estimations de C qui incluent la bruine).

Dans l'ensemble, les données étendues de la Fig. 5 démontrent l'insensibilité des relations observées à un large éventail de configurations. Nous concluons donc que les relations entre le mélange et la nébulosité observées pendant EUREC4A sont très robustes.

Toutes les données utilisées dans cette étude sont publiées dans la base de données EUREC4A de l'AERIS (https://eurec4a.aeris-data.fr/, dernier accès : 28 juillet 2022). Nous utilisons la v2.0.0 des données de dropsonde JOANNE28 (https://doi.org/10.25326/246). Les jeux de données ATR spécifiques31 utilisés sont le produit BASTALIAS (https://doi.org/10.25326/316), les mesures de turbulence49 (https://doi.org/10.25326/128) et le jeu de données composite PMA/Cloud (https://doi.org/10.25326/237). Les ensembles de données HALO29 spécifiques utilisés sont les masques de nuages ​​dérivés des estimations de la hauteur du sommet des nuages ​​WALES (https://doi.org/10.25326/216), HAMP Cloud Radar (https://doi.org/10.25326/222) et specMACS (https://doi.org/10.25326/166), et le produit de segmentation des vols (https://doi.org/10.5281/zenodo.4 900003). Du BCO15, nous avons utilisé les données du célomètre (https://doi.org/10.25326/367) et des données radar des nuages ​​(https://doi.org/10.25326/55). À partir du RV Meteor44, nous avons utilisé les données météorologiques standard dship pour la croisière EUREC4A Meteor M161 (extraites de http://dship.bsh.de/, dernier accès : 28 juin 2022), les flux de chaleur de surface (https://doi.org/10.25326/312), les mesures célométriques (https://doi.org/10.25326/53) et les données radar des nuages ​​(v1.1, https://doi.org/10.25326/164). Nous avons en outre utilisé les données d'AutoNaut Caravela52 (https://doi.org/10.25326/366) et les données de flux air-mer de 10 minutes (v1.3, https://doi.org/10.25921/etxb-ht19) du RV Ronald Brown54. Nous avons également utilisé les cartes CLS Daily High Resolution Sea Surface Temperature (récupérables via le centre opérationnel AERIS https://observations.ipsl.fr/aeris/eurec4a-data/SATELLITES/CLS/SST/, dernière consultation : 28 juin 2022, ou directement depuis https://datastore.cls.fr/catalogues/sea-surface-temperature-infra-red-high-resolution-daily), GOES-16 ABI SST de l'ABI_ Produit G16-STAR-L3C-v2.7 (https://doi.org/10.25921/rtf0-q898) et données de réanalyse ERA5 (réf. 53). Les sorties des modèles climatiques CMIP5 et CMIP6 sont disponibles en téléchargement sur https://esgf-node.llnl.gov. Les données sources sont fournies avec ce document.

Les scripts utilisés pour les analyses et d'autres informations complémentaires pouvant être utiles pour reproduire cette étude peuvent être obtenus à partir de https://doi.org/10.5281/zenodo.7032765.

Bony, S. & Dufresne, J.-L. Les nuages ​​de la couche limite marine au cœur des incertitudes de rétroaction des nuages ​​tropicaux dans les modèles climatiques. Géophys. Rés. Lett. 32, L20806 (2005).

Annonces d'article Google Scholar

Vial, J., Dufresne, JL & Bony, S. Sur l'interprétation de la propagation inter-modèles dans les estimations de sensibilité climatique CMIP5. Clim. Dyn. 41, 3339–3362 (2013).

Article Google Scholar

Zelinka, MD et al. Causes d'une sensibilité climatique plus élevée dans les modèles CMIP6. Géophys. Rés. Lett. 47, e2019GL085782 (2020).

Annonces d'article Google Scholar

Forster, P. et al. in Climate Change 2021: The Physical Science Basis (eds Masson-Delmotte, V. et al.) Ch. 7 (Cambridge Univ. Press, 2021).

Vial, J., Bony, S., Dufresne, J.-L. & Roehrig, R. Couplage entre le mélange convectif de basse troposphère et les nuages ​​de bas niveau : mécanismes physiques et dépendance au schéma de convection. J. Adv. Modèle. Terre Syst. 8, 1892-1911 (2016).

Annonces d'article Google Scholar

Brient, F. et al. La faible profondeur des nuages ​​bas tropicaux en tant que prédicteur de la réponse des modèles climatiques au réchauffement. Clim. Dyn. 47, 433–449 (2016).

Article Google Scholar

Sherwood, SC, Bony, S. & Dufresne, J.-L. Propagation dans la sensibilité climatique du modèle liée au mélange convectif atmosphérique. Nature 505, 37-42 (2014).

Annonces d'article Google Scholar

Bony, S. et al. EUREC4A : une campagne de terrain pour élucider les couplages entre nuages, convection et circulation. Surv. Géophys. 38, 1529-1568 (2017).

Annonces d'article Google Scholar

Stevens, B. et al. EUREC4A. Terre Syst. Sci. Données 13, 4067–4119 (2021).

Annonces d'article Google Scholar

Stevens, B., Sherwood, SC, Bony, S. & Webb, MJ Perspectives de rétrécissement des limites de la sensibilité climatique à l'équilibre de la Terre. Earths Future 4, 512–522 (2016).

Annonces d'article Google Scholar

Sherwood, SC et al. Une évaluation de la sensibilité climatique de la Terre à l'aide de plusieurs sources de données. Rév. Geophys. 58, e2019RG000678 (2020).

Article CAS ADS Google Scholar

Malkus, JS Sur la structure de la couche humide des alizés. Bouillie. Phys. Océanogr. Météorol. 13, 1–47 (1958).

Google Scholar

Nuijens, L., Serikov, I., Hirsch, L., Lonitz, K. & Stevens, B. La distribution et la variabilité des nuages ​​à basse altitude dans les échanges de l'Atlantique Nord. QJR Météorol. Soc. 140, 2364-2374 (2014).

Annonces d'article Google Scholar

Rieck, M., Nuijens, L. & Stevens, B. Réactions des nuages ​​de la couche limite marine dans une atmosphère à humidité relative constante. J.Atmos. Sci. 69, 2538-2550 (2012).

Annonces d'article Google Scholar

Stevens, B. et al. L'observatoire des nuages ​​de la Barbade : ancrage des enquêtes sur les nuages ​​et la circulation en bordure de l'ITCZ. Taureau. Suis. Météorol. Soc. 97, 787–801 (2016).

Annonces d'article Google Scholar

Dawe, JT & Austin, PH Analyse statistique d'un ensemble de cumulus peu profonds LES à l'aide d'un algorithme de suivi des nuages. Atmos. Chim. Phys. 12, 1101-1119 (2012).

Article CAS ADS Google Scholar

Lamer, K., Kollias, P. & Nuijens, L. Observations de la variabilité de la nébulosité des cumulus d'alizés peu profonds et du flux de masse. J. Geophys. Rés. Atmos. 120, 6161–6178 (2015).

Annonces d'article Google Scholar

Klingebiel, M., Konow, H. & Stevens, B. Mesure des profils de flux de masse convectif peu profond dans la région des alizés. J.Atmos. Sci. 78, 3205–3214 (2021).

Annonces d'article Google Scholar

Siebesma, AP et al. Une grande étude d'intercomparaison de simulation de tourbillons de convection de cumulus peu profonds. J.Atmos. Sci. 60, 1201-1219 (2003).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0469%282003%2960%3C1201%3AALESIS%3E2.0.CO%3B2" aria-label="Article reference 19" data-doi="10.1175/1520-0469(2003)602.0.CO;2">Annonces d'article Google Scholar

Vogel, R., Bony, S. & Stevens, B. Estimation du flux de masse convectif peu profond à partir du budget de masse de la couche sous-nuageuse. J.Atmos. Sci. 77, 1559-1574 (2020).

Annonces d'article Google Scholar

Vial, J., Bony, S., Stevens, B. & Vogel, R. Mécanismes et diversité des modèles des rétroactions des cumulus peu profonds des alizés : une revue. Surv. Géophys. 38, 1331-1353 (2017).

Annonces d'article Google Scholar

Albright, AL, Bony, S., Stevens, B. & Vogel, R. Bilans d'humidité et de chaleur observés dans la couche sous-nuageuse dans les métiers. J.Atmos. Sci. 79, 2363-2385 (2022).

Annonces d'article Google Scholar

Bony, S. & Stevens, B. Mesure des mouvements verticaux moyens par zone avec des dropsondes. J.Atmos. Sci. 76, 767–783 (2019).

Annonces d'article Google Scholar

George, G., Stevens, B., Bony, S., Klingebiel, M. & Vogel, R. Impact observé du mouvement vertical à méso-échelle sur la nébulosité. J.Atmos. Sci. 78, 2413–2427 (2021).

Annonces Google Scholar

Narenpitak, P., Kazil, J., Yamaguchi, T., Quinn, P. & Feingold, G. Du sucre aux fleurs : une transition de l'organisation peu profonde du cumulus pendant ATOMIC. J. Adv. Modèle. Terre Syst. 13, e2021MS002619 (2021).

Annonces d'article Google Scholar

Medeiros, B. & Nuijens, L. Les nuages ​​​​à la Barbade sont représentatifs des nuages ​​​​dans les régions des alizés dans les observations et les modèles climatiques. Proc. Natl Acad. Sci. États-Unis 113, E3062–E3070 (2016).

Article CAS ADS Google Scholar

Schulz, H. C3ONTEXT : un consensus commun sur l'organisation convective au cours de l'expérience EUREC4A. Terre Syst. Sci. Données 14, 1233–1256 (2022).

Annonces d'article Google Scholar

George, G. et al. JOANNE : Observations conjointes par dropsonde de l'atmosphère dans les environnements tropicaux de méso-échelle de l'atlantique nord. Terre Syst. Sci. Données 13, 5253–5272 (2021).

Annonces d'article Google Scholar

Konow, H. et al. HALO d'EUREC4A. Terre Syst. Sci. Données 13, 5545–5563 (2021).

Annonces d'article Google Scholar

Vial, J. et al. Un nouveau regard sur le cycle quotidien des cumulus d'alizés. J. Adv. Modèle. Terre Syst. 11, 3148–3166 (2019).

Article Google Scholar

Bony, S. et al. Observations EUREC4A de l'avion SAFIRE ATR42. Terre Syst. Sci. Données 14, 2021-2064 (2022).

Annonces d'article Google Scholar

Bretherton, CS & Blossey, PN Compréhension de l'agrégation à méso-échelle de la convection des cumulus peu profonds à l'aide de la simulation à grande échelle. J. Adv. Modèle. Terre Syst. 9, 2798–2821 (2017).

Article Google Scholar

George, G. Observations of Meso-scale Circulation and its Relationship with Cloudiness in the Tropics Thèse de doctorat, Universität Hamburg (2021).

Webb, MJ et al. La contribution du projet d'intercomparaison des modèles de retour d'information sur le cloud (CFMIP) au CMIP6. Géosci. Modèle Dév. 10, 359–384 (2017).

Article CAS ADS Google Scholar

Nuijens, L., Medeiros, B., Sandu, I. & Ahlgrimm, M. Le comportement de la nébulosité des alizés dans les observations et les modèles : les principales composantes des nuages ​​et leur variabilité. J. Adv. Modèle. Terre Syst. 7, 600–616 (2015).

Annonces d'article Google Scholar

Nam, C., Bony, S., Dufresne, J.-L. & Chepfer, H. Le problème des nuages ​​bas tropicaux "trop ​​peu nombreux, trop brillants" dans les modèles CMIP5. Géophys. Rés. Lett. 39, L21801 (2012).

Annonces d'article Google Scholar

Cesana, GV & Del Genio, AD La contrainte d'observation sur les rétroactions des nuages ​​suggère une sensibilité climatique modérée. Nat. Clim. Modification 11, 213–218 (2021).

Annonces d'article Google Scholar

Naumann, AK, Stevens, B., Hohenegger, C. & Mellado, JP Un modèle conceptuel d'une circulation peu profonde induite par un refroidissement radiatif de bas niveau prescrit. J.Atmos. Sci. 74, 3129–3144 (2017).

Annonces d'article Google Scholar

Lambaerts, J., Lapeyre, G., Plougonven, R. & Klein, P. Réponse atmosphérique aux structures à mésoéchelle de la température de surface de la mer. J. Geophys. Rés. Atmos. 118, 9611–9621 (2013).

Annonces d'article Google Scholar

Myers, TA et al. Les contraintes d'observation sur la rétroaction des nuages ​​bas réduisent l'incertitude de la sensibilité climatique. Nat. Clim. Modification 11, 501–507 (2021).

Annonces d'article Google Scholar

Vogel, R., Nuijens, L. & Stevens, B. Le rôle des précipitations et de l'organisation spatiale dans la réponse des nuages ​​d'alizés au réchauffement. J. Adv. Modèle. Terre Syst. 8, 843–862 (2016).

Annonces d'article Google Scholar

Radtke, J., Mauritsen, T. & Hohenegger, C. Rétroaction des cumulus peu profonds dans les simulations de grands tourbillons - combler l'écart avec les modèles de résolution des tempêtes. Atmos. Chim. Phys. 21, 3275–3288 (2021).

Article CAS ADS Google Scholar

Mieslinger, T. et al. Nuages ​​optiquement fins dans les métiers. Atmos. Chim. Phys. 22, 6879–6898 (2022).

Article CAS ADS Google Scholar

Mohr, W. et al. Campagne EUREC4a, croisière n° M161, 17 janvier 2020 - 03 mars 2020, Bridgetown (Barbade) - Ponta Delgada (Portugal). https://doi.org/10.2312/cr_m161 (METEOR-Berichte, 2020).

Pincus, R. et al. Observations de l'avion NOAA P-3 pendant ATOMIC. Terre Syst. Sci. Données 13, 3281–3296 (2021).

Annonces d'article Google Scholar

Orlanski, I. Une subdivision rationnelle des échelles pour les processus atmosphériques. Taureau. Suis. Météorol. Soc. 56, 527–530 (1975).

Google Scholar

Stevens, B. et al. Sucre, gravier, poissons et fleurs : modèles de nuages ​​à méso-échelle dans les alizés. QJR Météorol. Soc. 146, 141-152 (2020).

Annonces d'article Google Scholar

Brueck, M., Nuijens, L. & Stevens, B. Sur la variabilité saisonnière et synoptique à l'échelle temporelle de la région des alizés de l'Atlantique Nord et de ses nuages ​​bas. J.Atmos. Sci. 72, 1428-1446 (2015).

Annonces d'article Google Scholar

Brilouet, P.-E. et coll. Le jeu de données de turbulence EUREC4A dérivé de l'avion SAFIRE ATR 42. Terre Syst. Sci. Données 13, 3379–3398 (2021).

Annonces d'article Google Scholar

Fairall, CW, Bradley, EF, Hare, JE, Grachev, AA & Edson, JB Paramétrage en vrac des flux air-mer : mises à jour et vérification de l'algorithme COARE. J.Clim. 16, 571–591 (2003).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0442%282003%29016%3C0571%3ABPOASF%3E2.0.CO%3B2" aria-label="Article reference 50" data-doi="10.1175/1520-0442(2003)0162.0.CO;2">Annonces d'article Google Scholar

Edson, JB et al. Sur l'échange d'élan au-dessus de l'océan ouvert. J.Phys. Océanogr. 43, 1589-1610 (2013).

Annonces d'article Google Scholar

Siddle, E., Heywood, KJ, Webber, BGM et Bromley, P. Premières mesures de l'océan et de l'atmosphère dans l'Atlantique Nord tropical à l'aide de Caravela, un nouveau navire de surface sans équipage. Météo 76, 200–204 (2021).

Annonces d'article Google Scholar

Hersbach, H. et al. La réanalyse globale du CRE5. QJR Météorol. Soc. 146, 1999-2049 (2020).

Annonces d'article Google Scholar

Quinn, PK et al. Mesures du RV Ronald H. Brown et des plateformes associées dans le cadre de la campagne Atlantic Tradewind Ocean-Atmosphere Mesoscale Interaction Campaign (ATOMIC). Terre Syst. Sci. Données 13, 1759–1790 (2021).

Annonces d'article Google Scholar

Bigorre , SP & Plueddemann , AJ Le cycle annuel des flux air-mer dans l'Atlantique Tropical Nord-Ouest. Devant. Mar. Sci. 7, 612842 (2021).

Article Google Scholar

Touzé-Peiffer, L., Vogel, R. & Rochetin, N. Les mares froides observées lors d'EUREC4A : détection et caractérisation à partir des sondages atmosphériques. J. Appl. Météorol. Climatol. 61, 593–610 (2022).

Annonces d'article Google Scholar

Lilly, DK Modèles de couches mixtes surmontées de nuages ​​sous une forte inversion. QJR Météorol. Soc. 94, 292–309 (1968).

Annonces d'article Google Scholar

Stull, RB L'énergétique de l'entraînement à travers une interface de densité. J.Atmos. Sci. 33, 1260-1267 (1976).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0469%281976%29033%3C1260%3ATEOEAD%3E2.0.CO%3B2" aria-label="Article reference 58" data-doi="10.1175/1520-0469(1976)0332.0.CO;2">Annonces d'article Google Scholar

Ghate, VP, Miller, MA & DiPretore, L. Structure de vitesse verticale des cumulus d'alizés de la couche limite marine. J. Geophys. Rés. Atmos. 116, D16206 (2011).

Annonces d'article Google Scholar

Stephan, CC & Mariaccia, A. La signature du fond d'onde de gravité troposphérique dans le mouvement observé à méso-échelle. Météo Clim. Dyn. 2, 359–372 (2021).

Annonces d'article Google Scholar

Naumann, AK, Stevens, B. & Hohenegger, C. Un modèle conceptuel humide pour la structure de la couche limite et les circulations peu profondes entraînées par rayonnement dans les métiers. J.Atmos. Sci. 76, 1289-1306 (2019).

Annonces d'article Google Scholar

Vial, J., Vogel, R. & Schulz, H. Sur le cycle quotidien de l'organisation des nuages ​​à mésoéchelle dans les métiers d'hiver. QJR Météorol. Soc. 147, 2850–2873 (2021).

Annonces d'article Google Scholar

Savazzi, ACM, Nuijens, L., Sandu, I., George, G. & Bechtold, P. La représentation des vents dans la basse troposphère dans les prévisions et les réanalyses de l'ECMWF au cours de la campagne de terrain EUREC4A. Atmos. Chim. Phys. Discuter. 2022, 1–29 (2022).

Google Scholar

Canut, G., Couvreux, F., Lothon, M., Pino, D. & Saïd, F. Observations et simulations à grande échelle de l'entraînement dans la couche limite sahélienne cisaillée. Bondir. Couche Météorol. 142, 79-101 (2012).

Annonces d'article Google Scholar

Brient, F. & Bony, S. Interprétation de la rétroaction positive des nuages ​​bas prédite par un modèle climatique dans le cadre du réchauffement climatique. Clim. Dyn. 40, 2415-2431 (2013).

Article Google Scholar

Taylor, KE, Stouffer, RJ & Meehl, GA Un aperçu de CMIP5 et de la conception de l'expérience. Taureau. Suis. Météorol. Soc. 93, 485–498 (2012).

Annonces d'article Google Scholar

von Salzen, K. et al. Le modèle climatique mondial atmosphérique canadien de quatrième génération (CanAM4). Partie I : représentation des processus physiques. Atmos. Océan 51, 104-125 (2013).

Article Google Scholar

Stevens, B. et al. Composante atmosphérique du modèle de système Terre MPI-M : ECHAM6. J. Adv. Modèle. Terre Syst. 5, 146-172 (2013).

Annonces d'article Google Scholar

Hourdin, F. et al. Impact de la configuration du maillage atmosphérique LMDZ sur le climat et sensibilité du modèle couplé IPSL-CM5A. Clim. Dyn. 40, 2167-2192 (2013).

Article Google Scholar

Martin, THDTGM et al. La famille HadGEM2 de configurations climatiques modèles unifiées pour les bureaux météorologiques. Géosci. Modèle Dév. 4, 723–757 (2011).

Annonces d'article Google Scholar

Eyring, V. et al. Vue d'ensemble de la conception expérimentale et de l'organisation du projet d'intercomparaison de modèles couplés phase 6 (CMIP6). Géosci. Modèle Dév. 9, 1937-1958 (2016).

Annonces d'article Google Scholar

Wu, T. et al. Le modèle de système climatique du Beijing Climate Center (BCC-CSM) : les principales avancées du CMIP5 au CMIP6. Géosci. Modèle Dév. 12, 1573-1600 (2019).

Annonces d'article Google Scholar

Voldoire, A. et al. Evaluation des expérimentations du pont CMIP6 avec le CNRM-CM6-1. J. Adv. Modèle. Terre Syst. 11, 2177-2213 (2019).

Annonces d'article Google Scholar

Hourdin, F. et al. LMDZ6A : la composante atmosphérique du modèle climatique IPSL avec une physique améliorée et mieux réglée. J. Adv. Modèle. Terre Syst. 12, e2019MS001892 (2020).

Annonces d'article Google Scholar

Tatebe, H. et al. Description et évaluation de base de l'état moyen simulé, de la variabilité interne et de la sensibilité climatique dans MIROC6. Géosci. Modèle Dév. 12, 2727-2765 (2019).

Article CAS ADS Google Scholar

Yukimoto, S. The Meteorological Research Institute Earth System Model version 2.0, MRI-ESM2.0 : description et évaluation de base de la composante physique. J. Météorol. Soc. Japon 97, 931–965 (2019).

Annonces d'article Google Scholar

Walters, D. et al. L'atmosphère globale 6.0/6.1 du modèle unifié Met Office et les configurations terrestres globales JULES 6.0/6.1. Géosci. Modèle Dév. 10, 1487-1520 (2017).

Annonces d'article Google Scholar

Soden, BJ & Held, IM Une évaluation des rétroactions climatiques dans les modèles couplés océan-atmosphère. J.Clim. 19, 3354–3360 (2006).

Annonces d'article Google Scholar

Télécharger les références

Nous remercions tous les scientifiques, ingénieurs, techniciens, pilotes et habitants de la Barbade qui ont rendu possible la collecte de données EUREC4A (voir réf. 9 pour la liste complète). Nous remercions J. Delanoë et P. Chazette pour avoir rendu possibles les mesures horizontales radar-lidar des nuages ​​à bord de l'ATR, M. Lothon, P.-E. Brilouet et l'équipe SAFIRE pour avoir rendu possibles les mesures de turbulence et les vols ATR, M. Wirth et S. Gross pour avoir produit des récupérations de hauteur de sous-couche nuageuse à partir du lidar WALES à bord de HALO, C. Fairall et E. Thompson pour avoir des informations sur les SST et les flux de surface, E. Siddle pour avoir partagé les données AutoNaut Caravela, I. Schirmacher pour la comparaison avec ses estimations de flux de surface RV Meteor, J. Röttenbacher pour avoir réalisé RV Mete ou des données disponibles, I. Musat pour avoir fourni les résultats du modèle climatique et C. Hohenegger pour ses commentaires sur le manuscrit. La campagne de terrain EUREC4A a été financée par plusieurs organisations internationales9. Les auteurs reconnaissent une subvention ERC Advanced (subvention EUREC4A n° 694768), un soutien de base du Centre national de la recherche scientifique (CNRS) et de la Max Planck Society (MPG), ainsi qu'un soutien supplémentaire de la Fondation Max Planck et un financement H2020 (subvention CONSTRAIN n° 820829).

Raphaël Vogel

Adresse actuelle : Universität Hamburg, Hambourg, Allemagne

LMD/IPSL, Sorbonne Université, CNRS, Paris, France

Raphaela Vogel, Anna Lea Albright, Jessica Vial et Sandrine Bony

Institut Max Planck de météorologie, Hambourg, Allemagne

Rencontrez George et Bjorn Stevens

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

RV, SB et BS ont conçu l'étude, qui était l'objectif principal de la campagne EUREC4A ; RV a effectué les analyses et rédigé l'article ; JV a traité la sortie CFMIP et a aidé à définir des diagnostics de modèle pertinents pour les retours d'informations sur le cloud ; ALA a contribué à l'estimation du taux d'entraînement et à l'analyse des sorties du modèle CFMIP ; SB a diagnostiqué la fraction nuageuse et les estimations de flux de masse à partir des observations ATR ; GG a contribué à d'autres produits JOANNE dropsonde et ERA5 ; et BS a produit la Fig. 1. Tous les auteurs ont contribué à l'interprétation des résultats et à la rédaction de l'article.

Correspondance à Raphaela Vogel.

Les auteurs ne déclarent aucun intérêt concurrent.

Nature remercie Johannes Mülmenstädt et le(s) autre(s) relecteur(s) anonyme(s) pour leur contribution à la relecture par les pairs de ce travail. Les rapports des pairs examinateurs sont disponibles.

Note de l'éditeur Springer Nature affiliations restantes.

M et M '(a), E et W (b), flux de flottabilité de surface (c) et C (d) en fonction du temps local à la fois à l'échelle 3 h (cercles pleins) et à l'échelle 1 h (cercles vides). Les barres verticales montrent l'incertitude d'estimation à l'échelle de 3 h (voir la section Méthodes « Estimation de l'incertitude »). Les coefficients de corrélation donnés dans les légendes représentent la corrélation entre les termes individuels et le temps à l'échelle de 3 h (« r ») et à l'échelle de 1 h (« r.1h » entre parenthèses).

Moyenne de la campagne et écart type de M (a) et E (b). c, coefficients de corrélation entre M et E (rM,E) et M et W (rM,W). d, Corrélation et différence moyenne entre M et Mturb à partir des mesures de turbulence ATR, pour différentes configurations du budget de masse. Les symboles ouverts dans a et d montrent le total M′. Les lignes pointillées en b montrent la moyenne et l'écart type de E par rapport à la réf. 22 et la ligne zéro en d. Voir la section Méthodes « Robustesse des estimations observationnelles » pour plus de détails.

Sont représentés h et le niveau de vol de l'avion ATR (a), l'équilibre M, le total M' et le Mturb des mesures de turbulence ATR (b), les termes de fluctuation temporelle et d'advection (c), le flux de flottabilité de surface (d) et le Δθv (e). Les barres verticales montrent l'incertitude d'estimation à l'échelle de 3 h (voir la section Méthodes « Estimation de l'incertitude ») et les petits cercles vides montrent l'échelle de 1 h. Les marqueurs « X » dans a et b indiquent les données qui sont exclues des corrélations en raison d'un échantillonnage incohérent entre les deux aéronefs. La moyenne de la campagne ± 1σ est indiquée sur le côté gauche de chaque panneau.

a, E et W versus M. b, flux de flottabilité de surface versus E. c, Δθv versus E. d, \({\mathcal{R}}\) versus E. e, \({\mathcal{R}}\) versus W. f, indicateur de mélange BVA versus M. g, E versus W. h, vitesse du vent à 10 m versus flux de flottabilité de surface. a–c,f–h montrent à la fois l'échelle de 3 h (cercles pleins) et l'échelle de 1 h (cercles vides, avec le coefficient de corrélation correspondant noté « r.1h »). Une ligne pointillée 1:1 est représentée en a et g. En d et e, les barres d'erreur représentent l'incertitude d'estimation pour E et W et l'incertitude d'échantillonnage pour \({\mathcal{R}}\) (voir Méthodes). Les corrélations en d et e sont données à la fois pour l'échantillon avec un échantillonnage cohérent parmi les avions HALO et ATR (points bleus, tels qu'utilisés pour les corrélations sur les figures 2 et 3) et pour l'échantillon entier de l'avion HALO (y compris les points gris qui représentent les trois points de données marqués d'un « X » sur la figure 3 et huit autres points de données lorsque l'ATR ne volait pas. Le coefficient de corrélation correspondant est noté « r.all »).

Coefficients de corrélation r de M et C (rM,C) et M et \({\mathcal{R}}\) (\({r}_{M,{\mathcal{R}}}\)) (a) et M et C (rM,C) et \({\mathcal{R}}\) et C (\({r}_{{\mathcal{R}},C}\)) (b). c,d, Corrélations entre le \(\hat{C}={a}_{0}+{a}_{M}\widetilde{M}+{a}_{{\mathcal{R}}}\widetilde{{\mathcal{R}}}\) reconstruit et le C observé (\({r}_{\hat{C},C}\)), ainsi que le rapport des coefficients de régression standardisés \({a}_{M}/ {a}_{{\mathcal{R}}}\). a et c montrent également les relations pour le total M '(symboles ouverts), tandis que b et d montrent les relations pour différentes estimations de C (différents symboles). Voir les détails dans la section Méthodes « Robustesse des estimations observationnelles ».

Couverture nuageuse (CC) du lidar à rétrodiffusion WALES (a), de l'imageur hyperspectral specMACS (b) et du radar de nuages ​​​​HAMP (c) à bord de HALO. Les barres d'erreur représentent l'incertitude d'échantillonnage (pour les estimations CC) et l'incertitude d'estimation (pour M ; voir la section Méthodes « Estimation de l'incertitude »).

Relations entre C et M 3-h individuels (première et troisième colonnes) et C et \({\mathcal{R}}\) (deuxième et quatrième colonnes) pour les dix modèles climatiques. Les points rouges et bleus représentent la médiane et la moyenne des variables respectives, et les lignes rouges s'étendent du 25e au 75e quartile. La ligne verticale grise dans les panneaux \({\mathcal{R}}\) indique le seuil de 94 % \({\mathcal{R}}\)-seuil.

a, Moyenne \({\mathcal{R}}\) et fraction des conditions de type stratocumulus avec \({\mathcal{R}} > 94 \% \). b, écart type de \({\mathcal{R}}\) et W (\({\sigma }_{{\mathcal{R}}}\) et σW). c, r2 de régression linéaire multiple \(\hat{C}={a}_{0}+{a}_{M}\widetilde{M}+{a}_{{\mathcal{R}}}\widetilde{{\mathcal{R}}}\) et coefficient de corrélation de M et \({\mathcal{R}}\). d, écart type de C (σC) et composante thermodynamique de la rétroaction nuageuse ΔCRE/ΔTs, ainsi que les corrélations sur 3 h et mensuelles de M et C (e) et \({\mathcal{R}}\) et C (f). e et f montrent également les coefficients de corrélation inter-modèles des variables respectives et la ligne 1:1 (ligne pointillée). Comme sur la figure 4, les modèles sont colorés dans des bacs de force de rétroaction et des symboles ouverts indiquent des modèles avec des stratocumulus fréquents (définis comme ayant \({\mathcal{R}} > 94 \% \) plus de 15 % du temps). La plage d'incertitude d'observation est indiquée en gris, l'ombrage représentant le 25e au 75e quartile et les barres grises indiquant l'intervalle de confiance à 95 % des valeurs bootstrap. HadGEM2-A n'est pas représenté en b en raison de l'absence de sortie W.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International License, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, tant que vous donnez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Vogel, R., Albright, AL, Vial, J. et al. Un fort couplage nuage-circulation explique la faible rétroaction des cumulus d'échange. Nature 612, 696–700 (2022). https://doi.org/10.1038/s41586-022-05364-y

Télécharger la citation

Reçu : 10 mai 2022

Accepté : 16 septembre 2022

Publié: 30 novembre 2022

Date d'émission : 22 décembre 2022

DOI : https://doi.org/10.1038/s41586-022-05364-y

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.