نستخدم نموذجَين مختلفَين لتوقّع مسارات التكاثف. النموذج الأول هو نموذج يستند إلى تعلُّم الآلة، ويحدّد احتمالية تشكل مسارات التكاثف. إنّ نموذج التوقّعات المتعلّق بالمنطقة المحتملة لظهور مسارات التكاثف (CLZ) المستنِد إلى الذكاء الاصطناعي هو شبكة عصبية عميقة تأخذ ميزات الطقس كمدخلات وتتوقّع مناطق CLZ استنادًا إلى عمليات رصد مسارات التكاثف من خلال الأقمار الصناعية (Geraedts et al. 2023). تتألف مدخلات نموذج الذكاء الاصطناعي (ML) بشكل أساسي من ميزات الطقس بدقة عالية (HRES). على وجه التحديد، نستخدم الرطوبة النوعية ودرجة الحرارة ومكوّن u للرياح ومكوّن v للرياح والسرعة العمودية والزوبعة النسبية ونسبة الغطاء السحابي ومحتوى المياه الجليدية في السحابة ومحتوى المياه في الثلج وفرق الكثافة. نستخدم الرطوبة النسبية التي يتم احتسابها باستخدام الرطوبة ودرجة الحرارة المحدّدتين. نستخدم أيضًا الوقت الشمسي المحلي ويوم السنة وخط العرض والارتفاع لنقاط التوقف في الرحلة كعناصر إدخال. بالنسبة إلى توقّعات الطقس في الولايات المتحدة، نستخدم أيضًا خط الطول كميزة. يحقّق النموذج أفضل أداء عند تقييمه مقارنةً ببيانات مسارات التكاثف الرصدية.
النموذج الثاني هو نموذج Contrail Cirrus Prediction (CoCiP) الذي يتنبّأ بتأثير الطاقة في السحب الركامية المنخفضة، وهو مقياس لتأثير السحب الركامية المنخفضة في المناخ. يتم تعريف فرض الطاقة على النحو التالي:
ويشير ذلك إلى القوة الإشعاعية الفورية للمسار المتبّع المدمجة على مدار فترة وجوده (Teoh et al. 2020). ونُعدّل أيضًا طاقة الدفع حسب مسافة الرحلة، ما يؤدي إلى استخدام وحدات \(J/m\).
CoCiP هو نموذج يستند إلى الفيزياء يحاكي تكوين مسارات التكاثف وتطورها وتأثيرها باستخدام الظروف الجوية ونوع الطائرة ومسار الطيران وغيرها من الميزات (Schumann 2012؛ Schumann et al. 2012). نستخدم 10 عناصر من مجموعات التوقّعات العالية الدقة (HRES ENS) من مركز الأرصاد الجوية الأوروبي (ECMWF) كمدخلات إلى CoCiP لنقل نقاط التوقف للرحلات الجوية التي تشكلت فيها مسارات التكاثف إلى الأمام في الوقت (Hersbach et al. 2020). يستخدم نموذج CoCiP أيضًا نظرية ميكروفيزياء السحب لتحديد مسارات التكاثف التي تستمر، مع مراعاة الانخفاض الأوّلي للسرعة وسقوط السحب والتسامي. استنادًا إلى التطور المحاكي للمسار المتبّع للطائرة، يحسب نموذج CoCiP طاقة الإشعاع الشمسي استنادًا إلى خصائص المسار المتبّع للطائرة وظروف الطقس المحيطة.
بالإضافة إلى تقدير CoCiP لتأثير الطاقة، نستخدم تقديرًا مناخيًا لتأثير الطاقة. يتم احتساب المناخ من خلال احتساب متوسط بيانات CoCiP لعام واحد، ويتم تجميعها حسب وقت اليوم والموسم وخط العرض.
كمية الطاقة النهائية المُفرَضة هي متوسط الطاقة المُفرَضة من عناصر مجموعة CoCiP التي لها عامل تأثير غير صفري والمتوسّط المناخي الذي يكون دائمًا غير صفري. من خلال تضمين المناخ في المتوسط، يكون لدينا دائمًا تقدير لتأثير السحب المتكثّفة، حتى عندما لا تتوقّع نظرية CoCiP تشكل السحب المتكثّفة باستخدام أيّ من عناصر مجموعة الطقس.
نجمع هاتين التوقّعات باستخدام منتج:
تأثير الطاقة الفعال المتوقّع \(=\) (احتمالية تشكل مسارات التكاثف، نموذج الذكاء الاصطناعي) \(\times\) (تأثير الطاقة في مسارات التكاثف، CoCiP والمناخ) \(\times\) (عامل التحويل من ERF إلى RF، 0.42)
المراجع
Geraedts, Scott, Erica Brand, Thomas R. Dean, Sebastian Eastham, Carl Elkin, Zebediah Engberg, Ulrike Hager, et al. 2023. "نظام قابل للتطوير لقياس تكوين مسارات التكاثف على أساس كل رحلة جوية". arXiv [physics.ao-Ph]. arXiv. http://arxiv.org/abs/2308.02707.
Hersbach, Hans, Bill Bell, Paul Berrisford, Shoji Hirahara, András Horányi, Joaquín Muñoz-Sabater, Julien Nicolas, et al. 2020. "إعادة التحليل العالمي ERA5" Quarterly Journal of the Royal Meteorological Society 146 (730): 1999-2049.
Schumann, U. 2012. "نموذج توقّع السحب الركامية". Geoscientific Model Development 5 (3): 543-80.
Schumann, U., (ب). Mayer, K. Graf، وH. مانشتاين 2012. "نموذج نموذجي للتأثير الإشعاعي لخطوط التكاثف". Journal of Applied Meteorology and Climatology 51 (7): 1391-1406.
شابيرو، مارك، زيب إنغبيرغ، روجر تيو، مارك ستيتلر، وتوم دين 2023. Pycontrails: Python Library for Modeling Aviation Climate Impacts. https://doi.org/10.5281/zenodo.825291
Teoh, Roger, Ulrich Schumann, Arnab Majumdar, and Marc E. ي. Stettler. 2020. "التخفيف من تأثير مسارات التكاثف الناتجة عن الطائرات في المناخ من خلال عمليات إعادة التوجيه على نطاق صغير واستخدام التكنولوجيا". Environmental Science & Technology 54 (5): 2941-50.