Usamos dos modelos diferentes para pronosticar las estelas. El primero, un modelo basado en el aprendizaje automático (AA), predice la probabilidad de formación de estelas. El modelo de pronóstico de zonas probables de estelas (CLZ) del AA es una red neuronal profunda que toma las características meteorológicas como entradas y predice las CLZ en función de las detecciones de estelas satelitales (Geraedts et al., 2023). Las entradas del modelo de AA consisten principalmente en componentes meteorológicos de HRES. En particular, usamos la humedad específica, la temperatura, el componente u del viento, el componente v del viento, la velocidad vertical, la vorticidad relativa, la fracción de cobertura de nubes, el contenido específico de agua de hielo en las nubes, el contenido específico de agua de nieve y la divergencia. Usamos la humedad relativa calculada con humedad y temperatura específicas. También usamos la hora solar local, el día del año, la latitud y la altitud de los puntos de referencia de vuelo como funciones de entrada. Para nuestro pronóstico de EE.UU., también usamos la longitud como atributo. El modelo logra un rendimiento de vanguardia cuando se evalúa en función de datos de estelas de condensación observacionales.
El segundo modelo, el modelo de predicción de estelas cirrus (CoCiP), predice la forzamiento energética de las estelas, que es una medida del impacto climático de las estelas. La aplicación forzosa de energía se define de la siguiente manera:
es decir, la forzamiento radiativa instantánea de la estela integrada durante su vida útil (Teoh et al., 2020). También normalizamos la aplicación forzosa de energía por distancia de vuelo, lo que genera unidades de \(J/m\).
CoCiP es un modelo basado en la física que simula la formación, la evolución y el impacto de las estelas de condensación mediante las condiciones atmosféricas, el tipo de aeronave, la trayectoria de vuelo y otras características (Schumann, 2012; Schumann et al., 2012). Usamos 10 miembros del ensamble de pronósticos de alta resolución (HRES ENS) del ECMWF como entradas para CoCiP para advectar los puntos de ruta de vuelo donde se formaron estelas en el futuro (Hersbach et al., 2020). El modelo CoCiP también usa la teoría de la microfísica de las nubes para determinar qué estelas persisten, teniendo en cuenta la corriente descendente inicial, la caída y la sublimación. Dada la evolución simulada de la estela, CoCiP calcula la forzamiento energética en función de las propiedades de la estela y las condiciones climáticas circundantes.
Además de la estimación de la forzamiento energético del CoCiP, usamos una estimación climatológica de la forzamiento energético. Para calcular la climatología, se promedian los resultados de un año de CoCiP, agrupados por hora del día, estación y latitud.
La cantidad final de forzamiento energético es un promedio del forzamiento energético de los miembros del ensamble de CoCiP con un EF distinto de cero y el promedio climatológico, que siempre es distinto de cero. Cuando se incluye la climatología en el promedio, siempre tenemos una estimación del impacto de las estelas, incluso cuando CoCiP no predice la formación de estelas con ninguno de los miembros del ensamble meteorológico.
Combinamos estas dos previsiones con un producto:
forzamiento energético efectivo esperado \(=\) (probabilidad de formar estelas, modelo de AA) \(\times\) (forzamiento energético de las estelas, CoCiP y climatología) \(\times\) (factor de conversión de RF a ERF, 0.42)
Referencias
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. “El reanálisis global ERA5”. Quarterly Journal of the Royal Meteorological Society 146 (730): 1999-2049.
Schumann, U. alrededor del 2012. "A Contrail Cirrus Prediction Model". Geoscientific Model Development 5 (3): 543-80.
Schumann, U., B. Mayer, K. Graf y H. Mannstein. alrededor del 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 y Tom Dean. 2023. Pycontrails: Biblioteca de Python para modelar los impactos climáticos de la aviación. https://doi.org/10.5281/zenodo.825291
Teoh, Roger, Ulrich Schumann, Arnab Majumdar y 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.