Prognose von Kondensstreifen

Die Contrails API verwendet zwei verschiedene Modelle zur Vorhersage von Kondensstreifen: ein ML-basiertes Modell, das Zonen mit hoher Wahrscheinlichkeit für Kondensstreifen vorhersagt, und ein physikbasiertes Modell, Contrail Cirrus Prediction (CoCiP), das die Erwärmung vorhersagt.

ML-basiertes Modell

Das ML-basierte Vorhersagemodell für Zonen mit hoher Wahrscheinlichkeit für Kondensstreifen (Contrail Likely Zone, CLZ) sagt die Wahrscheinlichkeit der Kondensstreifenbildung voraus. Das Modell ist ein Deep Neural Network, das Wettermerkmale als Eingaben verwendet und CLZs basierend auf Satelliten-Kondensstreifenerkennungen vorhersagt (Geraedts et al. 2023).

Die Eingaben bestehen hauptsächlich aus HRES-Wettermerkmalen: spezifische Luftfeuchtigkeit, Temperatur, u-Komponente des Windes, v-Komponente des Windes, vertikale Geschwindigkeit, relative Vorticity, Anteil der Wolkendecke, spezifischer Wolkeneiswassergehalt, spezifischer Schneewassergehalt und Divergenz. Die relative Luftfeuchtigkeit wird anhand der spezifischen Luftfeuchtigkeit und der Temperatur berechnet. Zu den Eingaben für das Modell gehören auch die lokale Sonnenzeit, der Tag des Jahres, der Breitengrad und die Höhe der Flugwegpunkte.

Für einige geografische Gebiete (z. B. die USA) ist das Modell so optimiert, dass es Breitengrad, Längengrad und Höhe als Eingabemerkmale verwendet. Das globale Fallback des Modells verwendet nur Breitengrad und Höhe.

Das Modell erzielt eine hervorragende Leistung, wenn es mit beobachteten Kondensstreifendaten verglichen wird.

CoCiP-Modell

Das Contrail Cirrus Prediction-Modell sagt die Energieerzwingung des Kondensstreifens voraus. Dies ist ein Maß für die Auswirkungen des Kondensstreifens auf das Klima.

Die Energieerzwingung ist definiert als:

\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]

Das bedeutet die sofortige Strahlungserzwingung des Kondensstreifens, integriert über seine Lebensdauer (Teoh et al. 2020). Die Energieerzwingung wird durch die Flugstrecke normalisiert, was zu den Einheiten (J/m) führt.

CoCiP ist ein physikbasiertes Modell, das die Bildung, Entwicklung und Auswirkungen von Kondensstreifen anhand von atmosphärischen Bedingungen, Flugzeugtyp, Flugroute und anderen Merkmalen simuliert (Schumann 2012; Schumann et al. 2012). Das Modell verwendet 10 Ensemble-Mitglieder aus den hochauflösenden Vorhersage-Ensembles des ECMWF (HRES ENS) als Eingaben, um die Flugwegpunkte, an denen sich Kondensstreifen gebildet haben, zeitlich vorwärts zu verschieben (Hersbach et al. 2020). Das CoCiP-Modell verwendet auch die Theorie der Wolkenmikrophysik, um zu bestimmen, welche Kondensstreifen bestehen bleiben, wobei der anfängliche Abwind, Fall und die Sublimation berücksichtigt werden. Anhand der simulierten Entwicklung des Kondensstreifens berechnet CoCiP die Energieerzwingung basierend auf den Eigenschaften des Kondensstreifens und den umgebenden Wetterbedingungen.

Zusätzlich zur Schätzung der Energieerzwingung durch CoCiP wird eine klimatologische Schätzung der Energieerzwingung berechnet, indem die CoCiP-Ausgaben eines Jahres nach Tageszeit, Jahreszeit und Breitengrad gruppiert und gemittelt werden.

Die endgültige Energieerzwingungsmenge ist ein Durchschnitt der Energieerzwingung der CoCiP-Ensemble-Mitglieder mit einer Energieerzwingung ungleich null und des klimatologischen Durchschnitts, der immer ungleich null ist. Durch die Einbeziehung der Klimatologie in den Durchschnitt wird eine Schätzung der Auswirkungen von Kondensstreifen ermöglicht, auch wenn CoCiP die Bildung eines Kondensstreifens mit keinem der Wetter-Ensemble-Mitglieder vorhersagt.

Erwartete effektive Energieerzwingung

Die erwartete effektive Energieerzwingung wird dann als Produkt der Wahrscheinlichkeiten der Kondensstreifenbildung, die mit dem ML-Modell berechnet wurden, und der effektiven Energieerzwingung dieser Kondensstreifen, die mit dem CoCiP-Modell berechnet wurde, berechnet.

Werte für den Index der Kondensstreifenerzwingung

Die berechneten erwarteten effektiven Energieerzwingungswerte können dann auf eine Skala von 0 bis 4 abgebildet werden, um Werte für den Index der Kondensstreifenerzwingung zu erhalten. Die Werte für den Index der Kondensstreifenerzwingung sind von den Vorhersagewerten für Turbulenzeninspiriert.

Die Contrails API übersetzt expected_effective_energy_forcing durch Clipping und eine lineare Skala in den Schweregradindex contrails:

ds["contrails"] = ds["expected_effective_energy_forcing"].clip(min=2e7, max=2e8)
ds["contrails"] = ((ds["contrails"] - 2e7) / (2e8 - 2e7)) * 4

Weitere Hintergrundinformationen zu dieser Zuordnung finden Sie unter Interpretation der Energieerzwingung.

Außerdem können Sie die Versionshinweise zur Contrails API lesen und sich für Benachrichtigungen anmelden, um über Änderungen an dieser Skala informiert zu werden.

Nächste Schritte

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. „The ERA5 Global Reanalysis.“ Quarterly Journal of the Royal Meteorological Society 146 (730): 1999–2049.
  • Schumann, U. 2012. „A Contrail Cirrus Prediction Model.“ 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 und 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.