رابط برنامهنویسی کاربردی Contrails از دو مدل مختلف برای پیشبینی contrails استفاده میکند: یک مدل مبتنی بر یادگیری ماشین (ML) که مناطق محتمل contrail را پیشبینی میکند و یک مدل مبتنی بر فیزیک، Contrail Cirrus Prediction (CoCiP)، که گرمایش را پیشبینی میکند.
مدل مبتنی بر یادگیری ماشین
مدل پیشبینی منطقهی محتمل ردپیله (CLZ) مبتنی بر یادگیری ماشین، احتمال تشکیل ردپیله را پیشبینی میکند. این مدل یک شبکهی عصبی عمیق است که ویژگیهای آب و هوایی را به عنوان ورودی دریافت میکند و CLZها را بر اساس تشخیص ردپیلههای ماهوارهای پیشبینی میکند ( Geraedts و همکاران، 2023 ).
ورودیهای آن عمدتاً شامل ویژگیهای آب و هوایی HRES است: رطوبت ویژه، دما، مؤلفه u باد، مؤلفه v باد، سرعت عمودی، تاوایی نسبی، کسری از پوشش ابر، محتوای آب یخ ابر ویژه، محتوای آب برف ویژه و واگرایی. رطوبت نسبی با استفاده از رطوبت و دمای ویژه محاسبه میشود. ورودیهای مدل همچنین شامل زمان خورشیدی محلی، روز سال، عرض جغرافیایی و ارتفاع نقاط پرواز است.
برای برخی از مناطق جغرافیایی (مثلاً ایالات متحده)، مدل به گونهای تنظیم شده است که از عرض جغرافیایی، طول جغرافیایی و ارتفاع به عنوان ویژگیهای ورودی استفاده کند، در حالی که مدل جایگزین سراسری فقط از عرض جغرافیایی و ارتفاع استفاده میکند.
این مدل در مقایسه با دادههای ردپای رصدی، به عملکرد پیشرفتهای دست مییابد.
مدل CoCiP
مدل پیشبینی سیروسِ ردِ دنباله، نیروی وارده از ردِ دنباله را پیشبینی میکند که معیاری از تأثیر اقلیمیِ ردِ دنباله است.
نیروی واداشت انرژی به صورت زیر تعریف میشود:
\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]
به معنای نیروی تابشی لحظهای پسدمه که در طول عمر آن ادغام شده است ( Teoh و همکاران، 2020 ). نیروی انرژی با فاصله پرواز نرمالسازی میشود و منجر به واحدهای آن (J/m) میشود.
CoCiP یک مدل مبتنی بر فیزیک است که با استفاده از شرایط جوی، نوع هواپیما، مسیر پرواز و سایر ویژگیها، تشکیل، تکامل و برخورد پسدمهها را شبیهسازی میکند ( Schumann 2012 ; Schumann et al. 2012 ). این مدل از 10 عضو گروه از گروههای پیشبینی با وضوح بالای ECMWF (HRES ENS) به عنوان ورودی برای جابجایی نقاط پروازی که پسدمهها در زمان به جلو تشکیل شدهاند، استفاده میکند ( Hersbach et al. 2020 ). مدل CoCiP همچنین از نظریه میکروفیزیک ابر برای تعیین اینکه کدام پسدمهها باقی میمانند، با در نظر گرفتن جریان رو به پایین اولیه، سقوط و تصعید، استفاده میکند. با توجه به تکامل شبیهسازی شده پسدمه، CoCiP نیروی محرکه انرژی را بر اساس خواص پسدمه و شرایط آب و هوایی اطراف محاسبه میکند.
علاوه بر تخمین CoCiP از نیروی اعمالی انرژی، یک تخمین اقلیمی از نیروی اعمالی انرژی با میانگینگیری از خروجیهای CoCiP در یک سال، که بر اساس زمان روز، فصل و عرض جغرافیایی دستهبندی شده است، محاسبه میشود.
مقدار نهایی انرژی واداشتی، میانگینی از انرژی واداشتی حاصل از اعضای گروه CoCiP با EF غیرصفر و میانگین اقلیمی است که همیشه غیرصفر است. لحاظ کردن اقلیمشناسی در میانگین، تخمینی از تأثیر پسدمه را تضمین میکند، حتی زمانی که CoCiP تشکیل پسدمه را با استفاده از هیچ یک از اعضای گروه آب و هوایی پیشبینی نمیکند.
انرژی مؤثر مورد انتظار برای اعمال نیرو
سپس نیروی مؤثر مورد انتظار برای تشکیل پسدمهها به صورت حاصلضرب احتمال تشکیل پسدمهها که از مدل ML محاسبه شده و نیروی مؤثر این پسدمهها که از مدل CoCiP محاسبه شده است، محاسبه میشود.
مقادیر شاخص نیروی پسدمه
سپس میتوان مقادیر محاسبهشدهی نیروی مؤثر انرژی مورد انتظار را در مقیاسی از ۰ تا ۴ نگاشت کرد تا مقادیر شاخص نیروی پسدمه (Contrail forcing Index) را تولید کرد. مقادیر شاخص نیروی پسدمه از مقادیر پیشبینیشدهی تلاطم الهام گرفته شدهاند.
رابط برنامهنویسی کاربردی Contrails، از طریق برش و یک مقیاس خطی، expected_effective_energy_forcing را به شاخص شدت contrails تبدیل میکند:
ds["contrails"] = ds["expected_effective_energy_forcing"].clip(min=2e7, max=2e8)
ds["contrails"] = ((ds["contrails"] - 2e7) / (2e8 - 2e7)) * 4
برای اطلاعات بیشتر در مورد این نگاشت، به تفسیر نیروی جاذبه انرژی مراجعه کنید.
علاوه بر این، میتوانید یادداشتهای انتشار API مربوط به Contrails را مطالعه کنید و در اطلاعیهها مشترک شوید تا از تغییرات این مقیاس مطلع شوید.
معادلهای CO2
نیروی مؤثر مورد انتظار برای انرژی را میتوان بر حسب تأثیر اقلیمی دنبالههای دنبالهدار قابل مقایسه با دیاکسید کربن، یعنی معادل CO2 آنها، نیز تفسیر کرد.
برای محاسبهی معادل $\text{CO}_2$ برای گرمایش پیشبینیشدهی پسدمهها، از تبدیل زیر استفاده کنید:
\[ \text{CO}_2\text{eq [kg]} = EEEF \text{ [J]} \times \text{GWP Factor} \]
کجا:
- EEEF به معنای نیروی مؤثر مورد انتظار برای انرژی است.
- ضریب GWP، ضریب پتانسیل گرمایش جهانی است؛ معکوس کل انرژی یکپارچه تولید شده توسط ۱ کیلوگرم CO2 در یک افق زمانی خاص (H، بر حسب سال). میتواند GWP 20، 50 یا 100 باشد.
پیشنهادات فاکتور GWP
بر اساس افقهای زمانی ۲۰، ۵۰ و ۱۰۰ ساله، عوامل GWP موارد زیر را ارائه میدهند:
| افق زمانی | ضریب GWP (کیلوگرم-$CO2$/J) |
|---|---|
| GWP20 | ۲.۴۹۷e-۹ |
| پوند-دلار آمریکا50 | ۱.۱۷۳e-۹ |
| پوند-دبلیو-پی۱۰۰ | ۶.۷۷۹e-۱۰ |
محاسبه ضریب GWP
این عوامل GWP از پتانسیل گرمایش جهانی مطلق (AGWP) برای $\text{CO}_2$ با استفاده از عوامل IPCC AR5 و محاسبه زیر استخراج میشوند:
\[ \text{GWP Factor} = \frac{1}{AGWP_{\text{CO}_2, H} \times A_{\text{earth}} \times S_{\text{year}}} \]
کجا:
- $AGWP_{\text{CO}_2, H}$: پتانسیل گرمایش جهانی مطلق $\text{CO}_2$ برای افق زمانی انتخاب شده، برگرفته از IPCC AR5
- $A_{\text{زمین}}$: مساحت سطح زمین ($5.101 \times 10^{14} \text{ m}^2$)
- $S_{\text{year}}$: تعداد ثانیهها در یک سال ($31,536,000 \text{ s}$)
مجوز
دادههای افشا شده توسط Forecast API تحت مجوز CC BY 4.0 هستند.
قدم بعدی چیست؟
- برای درک چگونگی استفاده از نسبتهای تاریخی پسدمههای سطح پرواز برای بهبود پیشبینی پسدمه، مرور کلی نسبتهای ContrailWatch را مطالعه کنید.
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 پسدمه بر اساس هر پرواز». arXiv [physics.ao-Ph]. arXiv. http://arxiv.org/abs/2308.02707.
- هرسباخ، هانس، بیل بل، پل بریسفورد، شوجی هیراهارا، آندراس هورانی، خواکین مونوز ساباتر، جولین نیکلاس، و همکاران. 2020. "تحلیل مجدد جهانی ERA5." فصلنامه انجمن سلطنتی هواشناسی 146 (730): 1999-2049.
- شومان، یو. 2012. "مدل پیشبینی سیروس پسدمه". توسعه مدل زمینشناسی 5 (3): 543-80.
- شومان، یو.، بی. مایر، کی. گراف، و اچ. مانشتاین. 2012. "یک مدل پارامتری نیروی تابشی برای سیروس پسدمه". مجله هواشناسی و اقلیمشناسی کاربردی 51 (7): 1391-1406.
- شاپیرو، مارک، زب انگبرگ، راجر تئو، مارک استتلر و تام دین. ۲۰۲۳. پایکانتریلها: کتابخانه پایتون برای مدلسازی تأثیرات آب و هوایی هوانوردی. https://doi.org/10.5281/zenodo.825291
- تئو، راجر، اولریش شومان، آرناب ماجومدار، و مارک ای. جی. استتلر. 2020. "کاهش نیروی اقلیمی ناشی از پسدمههای هواپیما با تغییر مسیر در مقیاس کوچک و پذیرش فناوری." علوم و فناوری محیط زیست 54 (5): 2941-50.
- تئو، راجر، زبدیا انگبرگ، اولریش شومان، کریستین ویگت، مارک شاپیرو، سوزان روهس و مارک ایجی استتلر. ۲۰۲۴. «اثرات اقلیمی پسدمههای هوانوردی جهانی از ۲۰۱۹ تا ۲۰۲۱». شیمی و فیزیک جوی ۲۴: ۶۰۷۱–۶۰۹۳. https://www.researchgate.net/publication/384141259_Global_aviation_contrail_climate_effects_from_2019_to_2021.