In less than three decades, the concept “cerebellar neurocognition” has evolved from a mere afterthought to an entirely new and multifaceted area of neuroscientific research. A close interplay between three main strands of contemporary neuroscience induced a substantial modification of the traditional view of the cerebellum as a mere coordinator of autonomic and somatic motor functions. Indeed, the wealth of current evidence derived from detailed neuroanatomical investigations, functional neuroimaging studies with healthy subjects and patients and in-depth neuropsychological assessment of patients with cerebellar disorders shows that the cerebellum has a cardinal role to play in affective regulation, cognitive processing, and linguistic function. Although considerable progress has been made in models of cerebellar function, controversy remains regarding the exact role of the “linguistic cerebellum” in a broad variety of nonmotor language processes. This consensus paper brings together a range of different viewpoints and opinions regarding the contribution of the cerebellum to language function. Recent developments and insights in the nonmotor modulatory role of the cerebellum in language and some related disorders will be discussed. The role of the cerebellum in speech and language perception, in motor speech planning including apraxia of speech, in verbal working memory, in phonological and semantic verbal fluency, in syntax processing, in the dynamics of language production, in reading and in writing will be addressed. In addition, the functional topography of the linguistic cerebellum and the contribution of the deep nuclei to linguistic function will be briefly discussed. As such, a framework for debate and discussion will be offered in this consensus paper.

A limitation of traditional airborne and spaceborne lidar instruments is the inability to provide data products in real time. This challenge is compounded by typical research-driven desires to build ever more complicated lidar sensors, which overlooks the need to provide simple, but timely, data products to operational forecast models. Machine learning techniques using convolution neural networks (CNNs) have been developed and applied to single wavelength (e.g., 1064 nm) data from the airborne Cloud Physics Lidar (CPL) and have shown encouraging results for feature detection at finer resolutions compared to traditional methods, notably during noisy daytime conditions. Current technologies and properly scoped measurement goals, not intended as be-all/end-all research tools, permit designs for miniaturized lidar sensors that can be placed on drones and, ultimately, in constellations of minisats. Use of advanced machine learning techniques for data processing permits generation of real time data products that can be quickly assimilated into predictive models (for air quality and human health) and for generating real-time data products for decision making (such as hazardous plume detection and monitoring).