Wir verwenden zwei verschiedene Modelle, um Kondensstreifen vorherzusagen. Das erste, ein ML-basiertes Modell (Machine Learning), prognostiziert die Wahrscheinlichkeit der Bildung von Kondensstreifen. Das ML-Modell für die Vorhersage von Regionen mit hoher Wahrscheinlichkeit für Kondensstreifen (Contrail Likely Zone, CLZ) ist ein tiefes neuronales Netzwerk, das Wetterfeatures als Eingaben nimmt und CLZs basierend auf Satellitenerkennungen von Kondensstreifen vorhersagt (Geraedts et al. 2023). Die Eingaben des ML-Modells bestehen hauptsächlich aus HRES-Wetterfunktionen. Insbesondere werden spezifische Luftfeuchtigkeit, Temperatur, u-Komponente des Windes, v-Komponente des Windes, vertikale Geschwindigkeit, relative Vorticity, Anteil der Wolkenbedeckung, spezifischer Eiswassergehalt in Wolken, spezifischer Schneewassergehalt und Divergenz verwendet. Wir verwenden die relative Luftfeuchtigkeit, die anhand der relativen Luftfeuchtigkeit und der Temperatur berechnet wird. Außerdem werden die lokale Sonnenzeit, der Tag des Jahres, der Breitengrad und die Höhe der Flug-Wegpunkte als Eingabemerkmale verwendet. Für unsere Vorhersagen in den USA verwenden wir zusätzlich die Längengrade als Funktion. Das Modell erreicht eine Spitzenleistung, wenn es anhand von Beobachtungsdaten zu Kondensstreifen bewertet wird.
Das zweite Modell, das Contrail Cirrus Prediction (CoCiP)-Modell, prognostiziert die Energieeinwirkung des Kondensstreifens, was ein Maß für die Klimaauswirkung des Kondensstreifens ist. Energieerzwungene Prozesse werden definiert als
Das bedeutet, dass die momentane Strahlungsabweichung des Kontrails über seine Lebensdauer hinweg integriert wird (Teoh et al. 2020). Außerdem normalisieren wir die Energieeinwirkung nach Flugdistanz, was zu den Einheiten \(J/m\)führt.
CoCiP ist ein physikbasiertes Modell, das die Bildung, Entwicklung und Auswirkungen von Kondensstreifen unter Berücksichtigung von atmosphärischen Bedingungen, Flugzeugtyp, Flugbahn und anderen Merkmalen simuliert (Schumann 2012; Schumann et al. 2012). Wir verwenden 10 Ensemblemitglieder aus den hochauflösenden Prognosenensembles (HRES ENS) des ECMWF als Eingaben für CoCiP, um die Flug-Waypoints, an denen sich Kondensstreifen gebildet haben, in die Zukunft zu advektivieren (Hersbach et al. 2020). Das CoCiP-Modell verwendet auch die Theorie der Mikrophysik von Wolken, um zu bestimmen, welche Kondensstreifen länger bestehen. Dabei werden der anfängliche Abwind, der Fall und die Sublimation berücksichtigt. Unter Berücksichtigung der simulierten Entwicklung des Kondensstreifens berechnet CoCiP die Energieeinwirkung basierend auf den Eigenschaften des Kondensstreifens und den umgebenden Wetterbedingungen.
Zusätzlich zur Schätzung der Energieeinwirkung von CoCiP verwenden wir eine klimatologische Schätzung der Energieeinwirkung. Die Klimatologie wird berechnet, indem die CoCiP-Ausgaben eines Jahres gemittelt und nach Tageszeit, Jahreszeit und Breitengrad gruppiert werden.
Die endgültige Energieerzwangsanzahl ist ein Mittelwert der Energieerzwangsanzahl der CoCiP-Ensemblemitglieder mit nicht nullwertiger EF und dem klimatologischen Mittelwert, der immer nicht null ist. Durch die Einbeziehung der Klimatologie in den Mittelwert haben wir immer eine Schätzung der Auswirkungen von Kondensstreifen, auch wenn CoCiP die Bildung eines Kondensstreifens mit keinem der Wetterensemblemitglieder vorhersagt.
Wir kombinieren diese beiden Vorhersagen mit einem Produkt:
erwartete effektive Energieeinwirkung \(=\) (Wahrscheinlichkeit der Bildung eines Kondensstreifens, ML-Modell) \(\times\) (Energieeinwirkung des Kondensstreifens, CoCiP und Klimatologie) \(\times\) (Umrechnungsfaktor von RF in ERF, 0,42)
Verweise
Geraedts, Scott, Erica Brand, Thomas R. Dean, Sebastian Eastham, Carl Elkin, Zebediah Engberg, Ulrike Hager, et al. 2023. „A Scalable System to Measure Contrail Formation on a per-Flight Basis.“ 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. „Die globale Reanalyse ERA5“ Quarterly Journal of the Royal Meteorological Society 146 (730): 1999–2049.
Schumann, U. 2012. „Ein Modell zur Vorhersage von Kondensstreifen.“ Geoscientific Model Development 5 (3): 543–80.
Schumann, U., B. Mayer, K. Graf und H. Mannstein. 2012. „A Parametric Radiative Forcing Model for Contrail Cirrus“ Journal of Applied Meteorology and Climatology 51 (7): 1391–1406.
Shapiro, Marc, Zeb Engberg, Roger Teoh, Marc Stettler und Tom Dean. 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. J. Stettler. 2020. „Mitigating the Climate Forcing of Aircraft Contrails by Small-Scale Diversions and Technology Adoption“ Environmental Science & Technology 54 (5): 2941-50.