ContrailWatch مجموعهای از دادههای مربوط به ردپاها در سطح پرواز برای پروازهای گذشته است.
اگرچه بهطور مستقیم برای برنامهریزی پرواز استفاده نمیشود، اما انتساب ردپاها برای آموزش، ارزیابی و اهداف آموزشی مهم است. امیدواریم که این دادهها برای تسریع تحقیقات ردپاها مورد استفاده قرار گیرد.
روششناسیها
برای پشتیبانی از نیازهای مختلف تحقیق و تحلیل، رابط برنامهنویسی کاربردی Contrails سه روش انتساب متمایز را با استفاده از پارامتر view ارائه میدهد:
OBSERVATION
حالت OBSERVATION حالت پیشفرض است و تأثیر را فقط بر اساس تشخیص ردپای ماهوارهای منطبق نسبت میدهد. بخشهای پروازی بدون تشخیص ردپای منطبق، هیچ تأثیری را گزارش نمیکنند.
این حالت، دقت بالا را بر اساس شواهد مستقیم و مشاهدهشده در اولویت قرار میدهد.
این دیدگاه، تشخیصهای ماهوارهای را با مسیرهای پرواز با استفاده از روشهای شرح داده شده در Sarna و همکاران، ۲۰۲۵، تطبیق میدهد و بر اساس Geraedts و همکاران، ۲۰۲۳، بنا شده است.
COCIP
COCIP تأثیر را صرفاً بر اساس مدلسازی فیزیکی (پیشبینیهای گروه CoCiP با استفاده از 10 عضو) توصیف میکند. مسیرهای پرواز با استفاده از مسیرهای دایرهای بزرگ بر روی شکافهای داده، به طور کامل درونیابی میشوند.
این حالت اولویت را به یادآوری بالا میدهد.
این دیدگاه از مدلسازی فیزیکی شرح داده شده در Schumann 2012 استفاده میکند.
OBSERVATION_ENHANCED_COCIP
OBSERVATION_ENHANCED_COCIP یک رویکرد ترکیبی است که مشاهدات ماهوارهای را با پیشبینیهای گروهی CoCiP ترکیب میکند تا کل تأثیر تابشی فیزیکی را تخمین بزند.
رابط برنامهنویسی کاربردی Contrails بهترین تخمین از نیروی تابشی فیزیکی را ارائه میدهد که با استخراج نیروی تابشی مؤثر از خروجیهای پیشبینی CoCiP شبکهبندیشده چهاربعدی و درونیابی خطی آنها در امتداد نقاط پرواز نمونهبرداریشده، بهدست میآید. روششناسی تخمین نیروی تابشی، یک حوزه تحقیقاتی فعال است و ممکن است در نسخههای آینده تغییر کند.
این رویکرد:
- پیشبینیهای مدل فیزیکی را بر اساس تشخیصهای ماهوارهای منطبق در جایی که پوشش اجازه میدهد، مقیاسبندی یا تخفیف میدهد.
- مستقیماً به مدلسازی فیزیکی در مناطق خارج از پوشش ماهوارهای و همچنین برای شکافهای دادههای مسیر پرواز که ذاتاً برای تطبیق مناسب نیستند، متکی است.
این دیدگاه، تشخیصهای منطبق با ردپای ماهوارهای را با پیشبینیهای CoCiP بر اساس روششناسی ارائه شده در Geraedts و همکاران، ۲۰۲۶ (پیشچاپ)، ترکیب میکند.
کاربرد
از نسبتهای ContrailWatch برای آموزش پیشبینیهای ردپای مبتنی بر یادگیری ماشین، ارزیابی آزمایشهای اجتناب از ردپا و ارائه بینشهایی در مورد الگوهای تشکیل ردپا استفاده شده است.
مثال
این تصویر نمونه، فریمی از توالی تصاویر ماهوارهای GOES-16 بر فراز منطقه ساحل خلیج مکزیک است. از این تصویر برای ارزیابی اینکه آیا یک پرواز اجتناب از ردپا، ردپای قابل تشخیصی ایجاد کرده است یا خیر، استفاده شده است.
خطوط ضخیم، مسیر پرواز اصلی و مسیر پروازِ تحت تأثیر باد را به همراه ردّ هوا که توسط سیستم بینایی کامپیوتر شناسایی شده است، نشان میدهند. جزئیات بیشتر در مقاله اصلی موجود است.
محدودیتها
انتسابهای ContrailWatch با محدودیتهای زیر همراه هستند:
پوشش جغرافیایی: محدودیتهای منطقهای فقط برای عملیاتهایی که به تصاویر ماهوارهای متکی هستند (نمای
OBSERVATIONو بخشهای تنظیم مشاهداتیOBSERVATION_ENHANCED_COCIP) اعمال میشوند. این محدودیتها به زیرمناطق تحت پوشش GOES-East (قاره آمریکا)، MTG (قاره اروپا) و Himawari (زیرمناطق شرق آسیا / آسیا-اقیانوسیه) محدود میشوند. نسبتهای GOES-East و Himawari کیفیتی در سطح تولید ارائه میدهند، در حالی که MTG در مرحله بتا است. برای مناطقی خارج از این مناطق پوشش تعریف شده، یا برای نمای فیزیک محض (COCIP)، ارزیابیهای پرواز با پیشفرض قرار دادن پیشبینیهای مدل، به صورت جهانی محاسبه میشوند.
نقشه قبلی، مرزهای خاصی را که برای پردازش دادهها در این دیدگاههای مبتنی بر مشاهده استفاده میشوند، نشان میدهد.
تخمینهای متمرکز بر تشکیل و نیروی تابشی: نسبتها بر اساس مشاهدات تشکیل پسدمه از تصاویر ماهوارهای یا شبیهسازی فیزیکی هستند، نه اندازهگیری مستقیم و بلادرنگ نیروی تابشی.
یادآوری: دادههای صرفاً مشاهداتی ممکن است نشاندهندهی وسعت کامل تشکیل پسدمهها در یک منطقه نباشند.
درک درصد تشکیل پسدمهها که در تصاویر ماهوارهای قابل مشاهده است، یک سوال تحقیقاتی باز است. تحقیقات نشان میدهد که حدود نیمی از تمام پسدمهها توسط ماهوارههای زمینثابت قابل تشخیص هستند و اکثریت قریب به اتفاق گرمایش ناشی از پسدمههایی است که در مقطعی از عمر خود قابل تشخیص هستند ( درایور و همکاران، 2025 ).
مجوز
دادههای افشا شده توسط رابط برنامهنویسی کاربردی ContrailWatch تحت مجوز CC BY-NC 4.0 هستند.
منابع
گرایدتس، اسکات، اریکا برند، توماس آر. دین، سباستین ایستهام، کارل الکین، زبدیا انگبرگ، اولریکه هاگر و همکاران. ۲۰۲۳. یک سیستم مقیاسپذیر برای اندازهگیری تشکیل پسدمهها بر اساس هر پرواز. ارتباطات تحقیقات محیطی، http://doi.org/10.1088/2515-7620/ad11ab.
سارنا، آ.، مایر، و.، شوالیر، آر.، دانکن، آ.، مککانهی، ک.، گرایدتس، س.، و مککلاسکی، ک.: معیارسنجی و بهبود الگوریتمها برای نسبت دادن پسدمههای مشاهدهشده توسط ماهواره به پروازها، تکنیکهای اندازهگیری جوی، https://doi.org/10.5194/amt-18-3495-2025.
شومان، یو. 2012. مدل پیشبینی سیروس پسدمه. توسعه مدل زمینشناسی 5 (3): 543-80.
جان سی پلات، مارک ال شاپیرو، زبدیا انگبرگ، کوین مککلاسکی، اسکات گرایدتس، تارون سانکار، مارک ایجی استتلر، راجر تئو، اولریش شومان، سوزان روه: تأثیر عدم قطعیت در رطوبت و پارامترهای مدل بر پیشبینی انرژی پسدمهها در سال ۲۰۲۴، Environ. Res. Commun. 6 095015
درایور، OGA، استتلر، MEJ، و گریسپیردت، E.: عواملی که تشخیص پسدمهها را در تصاویر ماهوارهای محدود میکنند، Atmos. Meas. Tech.، 18، 1115–1134، https://doi.org/10.5194/amt-18-1115-2025، 2025.
جرادتس، اسکات، آرون سارنا، سوزان روه، راجر تئو، و کوین مککلاسکی. ۲۰۲۶. بهبود آب و هوای بازتحلیل برای اعتبارسنجی پسدمهها با استفاده از مشاهدات ماهوارهای. انتشارات کوپرنیک، https://jecats.copernicus.org/preprints/jecats-2026-6/.