Immersion freezing in particle-based aerosol-cloud microphysics: a probabilistic perspective on singular and time-dependent models

Dit artikel vergelijkt singularistische en tijd-afhankelijke parameterisaties voor immersionsvriezing in deeltjesgebaseerde aerosol-wolkmicrofysische modellen en concludeert dat de singularistische aanpak beperkt is tot specifieke koelingsraten, terwijl de tijd-afhankelijke methode, vooral op wateractiviteit gebaseerd, beter geschikt is voor complexe simulaties met stroming en gedetailleerde aerosolsamenstelling.

De kern

Hoe sneeuwvlokken ontstaan in wolken: Een strijd tussen twee manieren van denken

Stel je voor dat je een enorme, koude wolkenfabriek hebt. In deze fabriek zweven er miljarden kleine waterdruppeltjes rond. Normaal gesproken blijven deze druppeltjes vloeibaar, zelfs als het vriest, totdat het echt koud genoeg is (ongeveer -38°C). Maar soms, bij temperaturen die veel warmer zijn, bevriezen ze toch. Hoe kan dat?

Dat komt door een heel klein, onzichtbaar deeltje in het water: een ijskern. Denk hierbij aan stofdeeltjes van woestijnzand of zoutkorrels van de zee. Als een waterdruppel zo'n deeltje in zich heeft, kan het als het ware "op een knop drukken" om te bevriezen. Dit proces heet immersion freezing (onderdompelingsvriezing).

Deze wetenschappers hebben gekeken naar hoe computersimulaties dit proces nabootsen. Ze ontdekten dat er twee heel verschillende manieren zijn om dit te programmeren, en dat de keuze ervoor grote gevolgen heeft voor hoe we het weer en het klimaat begrijpen.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen.

De twee kampen: De "Vaste Klok" vs. De "Wachtrij"

De onderzoekers vergelijken twee modellen: het Singular Model (het "Vaste Klok"-model) en het Time-Dependent Model (het "Wachtrij"-model).

1. Het Singular Model (De "Vaste Klok")

Stel je voor dat je een groep mensen in een koude kamer hebt. Iedereen krijgt bij binnenkomst een vaste tijd op hun horloge toegewezen.

• De regel: "Jij bevriest precies op 14:00 uur."
• Hoe het werkt: Het maakt niet uit of de kamer snel afkoelt of langzaam. Als de temperatuur op dat moment laag genoeg is, tikt het horloge en bevriest de persoon.
• Het probleem: Dit model is gebaseerd op laboratoriumexperimenten waar de temperatuur heel snel daalde (zoals in een koelkast die je openzet). De "vaste tijd" is eigenlijk een trucje dat werkt als de temperatuur snel zakt. Maar in de echte lucht in de atmosfeer is het weer chaotisch: soms daalt de temperatuur snel, soms langzaam, en soms stijgt hij zelfs even (bijvoorbeeld in een dalende luchtstroom).
• De valkuil: Als de temperatuur langzaam zakt, of zelfs even stijgt, werkt dit "vaste horloge" niet meer goed. Het model denkt dan dat er geen ijs ontstaat, terwijl er in werkelijkheid wel ijs zou kunnen ontstaan. Het is alsof je denkt dat een trein alleen vertrekt op een vast tijdstip, terwijl hij in werkelijkheid ook vertrekt als er genoeg passagiers zijn, ongeacht de tijd.

2. Het Time-Dependent Model (De "Wachtrij")

Nu kijken we naar het andere model. Hier krijgen de mensen geen vast tijdstip, maar staan ze in een wachtrij.

• De regel: "Elke seconde heb je een kleine kans om de wachtrij te verlaten en te bevriezen."
• Hoe het werkt: Hoe kouder het wordt, hoe groter die kans per seconde. Maar zelfs als het koud is, moet je wachten tot je "beurt" komt. Als het even warmer wordt, blijft je kans bestaan, maar hij wordt kleiner. Als het weer kouder wordt, wordt de kans groter.
• Het voordeel: Dit model is veel flexibeler. Het houdt rekening met de tijd. Het weet dat bevriezen een proces is dat tijd kost. Of de temperatuur nu snel of langzaam zakt, het model berekent continu: "Hoe lang zijn we al in deze koude toestand? Wat is de kans dat we nu bevriezen?"

Waarom maakt dit verschil?

De onderzoekers hebben simulaties gedaan met beide modellen. Hier zijn de belangrijkste ontdekkingen:

1. De "Lab-Valstrik": Het "Vaste Klok"-model (Singular) werkt perfect als de temperatuur zakt met precies dezelfde snelheid als in het laboratorium waar de regels voor zijn bedacht. Maar in de echte wereld is de luchtstroom anders. In poolwolken bijvoorbeeld, daalt de temperatuur vaak heel langzaam. Het "Vaste Klok"-model zegt dan: "Geen ijs!" terwijl het "Wachtrij"-model zegt: "Wacht even... oh, na een tijdje in de kou, ja, er is nu ijs."
2. De Grootte van de Deeltjes: Niet alle stofdeeltjes zijn even goed in het bevriezen van water. Sommige zijn groter en hebben meer "knooppunten" waar ijs kan ontstaan. De onderzoekers laten zien dat als je dit verschil in grootte (polydispersiteit) niet goed meetelt, je de hoeveelheid ijs in de wolken volledig verkeerd inschat. Het is alsof je in een fabriek alleen kijkt naar de grote machines en vergeet dat de kleine machines ook werk doen.
3. De Kosten: Het "Wachtrij"-model is rekenkundig zwaarder (duurder voor de computer) omdat het elke seconde opnieuw moet rekenen. Het "Vaste Klok"-model is sneller, maar onnauwkeurig in complexe weersituaties.

De Grote Les voor de Toekomst

De kernboodschap van dit papier is: We moeten stoppen met het gebruik van simpele, statische regels voor iets dat dynamisch en chaotisch is.

In de echte wereld is de lucht niet stil. Wolken bewegen, stijgen en dalen. Temperatuur verandert continu. Als we klimaatmodellen willen maken die de toekomst van ons klimaat goed voorspellen, moeten we modellen gebruiken die begrijpen dat bevriezen een proces is dat tijd kost, en niet een knop die op een vast moment wordt ingedrukt.

Samenvattend in één zin:
Het oude model zegt: "Als het koud is op tijdstip X, dan is het ijs." Het nieuwe, betere model zegt: "Het is koud, en hoe langer we hier blijven, hoe groter de kans wordt dat het ijs wordt." Voor een nauwkeurige weersvoorspelling en klimaatberekening is die tweede gedachtegang onmisbaar.

Technische samenvatting

Probleemstelling

De studie adresseert een fundamentele uitdaging in de modellering van gemengde fase wolken (wolken die zowel onderkoelde waterdruppels als ijsdeeltjes bevatten): hoe het proces van immersion freezing (bevriezing waarbij een ijskern in een vloeibare druppel aanwezig is) het beste kan worden gerepresenteerd in op deeltjes gebaseerde (super-deeltje) microfysica modellen.

Er bestaan twee dominante benaderingen voor het parameteriseren van dit proces:

1. De "Singular" (singularistische) aanpak: Hierbij wordt aangenomen dat ijsnucleatie alleen afhangt van de temperatuur en de eigenschappen van de ijskern (INP), en niet van de tijd. Elk deeltje heeft een specifieke "bevriestemperatuur" die bij initialisatie wordt toegewezen.
2. De "Time-dependent" (tijdsafhankelijke) aanpak: Deze benadering erkent dat nucleatie een stochastisch proces is dat afhangt van zowel temperatuur als de blootstellingsduur aan die temperatuur.

Het probleem is dat de singularistische aanpak, hoewel rekenkundig efficiënter, vaak is afgeleid van laboratoriumexperimenten met specifieke koelsnelheden. De auteurs tonen aan dat deze parameterisaties een "signatuur" van de laboratoriumkoelsnelheid bevatten, waardoor ze onnauwkeurig worden wanneer ze worden toegepast in atmosferische scenario's met verschillende stromingsregimes (bijv. opwaartse en neerwaartse stromingen met variërende koelsnelheden).

Methodologie

De auteurs gebruiken een probabilistische, deeltjesgebaseerde (super-deeltje) microfysica framework (geïmplementeerd in de open-source code PySDM) om beide benaderingen te vergelijken. Ze gebruiken Monte-Carlo technieken om de eigenschappen van de deeltjes te bemonsteren.

De studie omvat drie niveaus van simulatie:

1. Box-modellen (0-dimensionaal): Ideale scenario's waarbij de temperatuurgeschiedenis wordt opgelegd. Hier worden verschillende koelsnelheden (lineair, impulsief, cyclisch) getest om de reactie van de modellen te isoleren van dynamische stromingseffecten.
2. 2D Voorgeschreven-stroming simulaties: Een kinematisch model dat een stratiforme wolk nabootst met een voorgeschreven stromingsveld (eddy). Dit introduceert een spectrum van lokale koelsnelheden en toont de interactie tussen aerosol-activatie (CCN) en bevriezing.
3. Vergelijking van Parameterisaties:
   • Singular: Gebruikt de INAS (Ice Nucleation Active Surface site) parameterisatie (gebaseerd op Niemand et al., 2012). Bevriestemperaturen worden bij start willekeurig bemonsterd op basis van het oppervlak van de ijskern.
   • Tijdsafhankelijk: Gebruikt de ABIFM (Water-activity based Immersion Freezing Model) parameterisatie (gebaseerd op Knopf & Alpert, 2013). De kans op bevriezing wordt in elke tijdstap berekend op basis van de huidige wateractiviteit en het oppervlak van de ijskern.

Een cruciaal aspect van de methodologie is de behandeling van polydispersiteit (de variatie in grootte van de ondergedompelde oppervlakken) en de bemonsteringstrategie voor zeldzame INP-deeltjes in vergelijking met talrijke CCN-deeltjes.

Belangrijkste Bijdragen en Resultaten

1. De "Koelsnelheidssignatuur" van Singularistische Modellen
De auteurs tonen wiskundig en via simulaties aan dat de coefficients in de INAS-parameterisatie (die de singularistische aanpak stuurt) impliciet afhankelijk zijn van de koelsnelheid ($c$) gebruikt in de laboratoriumexperimenten waarvoor ze zijn gefit.

• Resultaat: De singularistische en tijdsafhankelijke modellen komen alleen overeen bij één specifieke koelsnelheid (ongeveer -0,75 K/min, typisch voor AIDA-kamerexperimenten).
• Afwijking: Bij langzamere koeling (typisch voor neerwaartse stromingen of rustige wolken) onderbepaalt het singularistische model de bevriezing sterk. Bij snellere koeling (opwaartse stromingen) overschat het de bevriezing.
• Gevolg: In natuurlijke wolken, waar parcelen complexe koel- en verwarmingscycli ondergaan, faalt de singularistische aanpak om de ijsconcentratie correct te voorspellen.

2. Stochastische vs. Deterministische Triggering
Hoewel het singularistische model vaak als "deterministisch" wordt beschouwd (een deeltje bevriest op een vaste temperatuur), is de initiële toewijzing van die temperatuur probabilistisch. Echter, in tegenstelling tot het tijdsafhankelijke model (waarbij bevriezing in elke stap een kans is), kan het singularistische model geen bevriezing simuleren tijdens opwarmingsfasen of bij stationaire temperaturen, zelfs als de thermodynamische condities dit zouden toelaten. Het tijdsafhankelijke model kan bevriezing simuleren zolang de temperatuur onderkoeld is, ongeacht de koelgeschiedenis.

3. Impact van Polydispersiteit
De studie benadrukt dat het verwaarlozen van de spreiding in de grootte van de ondergedompelde oppervlakken (polydispersiteit) een even grote fout introduceert als het veranderen van de koelsnelheid met een factor 10. Zowel de INAS- als ABIFM-modellen kunnen deze spreiding correct verwerken, wat essentieel is voor realistische simulaties.

4. 2D Stromings-simulaties
In de 2D simulaties met variërende stromingsregimes:

• De singularistische modellen voorspellen een orde van grootte lagere ijsconcentraties dan de tijdsafhankelijke modellen.
• De ijsconcentratie in het singularistische model stagneert zodra de laagste temperatuur in het domein is bereikt, terwijl deze in het tijdsafhankelijke model continue toeneemt door de cumulatieve blootstellingstijd.
• Dit bevestigt dat de singularistische aanpak niet robuust is voor het brede spectrum aan koelsnelheden dat voorkomt in echte wolken.

Significantie en Conclusies

De studie heeft belangrijke implicaties voor de ontwikkeling van klimaatmodellen en wolkfysica:

1. Beperking van Singularistische Schemes: De singularistische aanpak is slechts geldig binnen een zeer beperkt bereik van koelsnelheden die overeenkomen met de laboratoriumdata. Voor grootschalige modellen die variabele atmosferische omstandigheden simuleren, is deze aanpak onvoldoende.
2. Aanbeveling voor Tijdsafhankelijke Modellen: De tijdsafhankelijke aanpak (zoals ABIFM) is superieur voor integratie in deeltjesgebaseerde modellen. Deze is robuust voor verschillende stromingsregimes en kan direct worden gekoppeld aan de evolutie van aerosol-samenstelling en watergehalte (via wateractiviteit).
3. Rekenkosten vs. Nauwkeurigheid: Hoewel de tijdsafhankelijke aanpak rekenkundig zwaarder is (vereist berekening van kansen in elke stap), is deze noodzakelijk voor fysiek accurate simulaties van gemengde fase wolken. De singularistische aanpak biedt snelheid, maar ten koste van fysieke realisme in dynamische omgevingen.
4. Toekomstige Richtingen: De auteurs pleiten voor het gebruik van tijdsafhankelijke parameterisaties in toekomstige klimaatmodellen (zoals MATRIX) en benadrukken het belang van correcte bemonsteringstrategieën voor zeldzame ijskernen in super-deeltje simulaties om zowel CCN-activatie als bevriezing correct te koppelen.

Kortom, de paper levert een sterk bewijs dat de keuze van het bevriesschema niet slechts een numerieke keuze is, maar een fundamentele fysieke keuze die de voorspelling van ijsvorming in wolken drastisch beïnvloedt, vooral in niet-ideale, dynamische atmosferische omstandigheden.