Contrails API از دو مدل مختلف برای پیش‌بینی خطوط ابر استفاده می‌کند: یک مدل مبتنی بر یادگیری ماشین (ML) که مناطق مستعد خطوط ابر 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 «منطقه احتمالی پس‌دمه» (CLZ) مبتنی بر یادگیری ماشین احتمال تشکیل پس‌دمه را پیش‌بینی می‌کند. این مدل یک شبکه عصبی عمیق است که ویژگی‌های آب‌وهوا را به‌عنوان ورودی دریافت می‌کند و CLZها را براساس تشخیص‌های ماهواره‌ای خط ابر پیش‌بینی می‌کند (Geraedts et al. 2023).
ورودی‌های آن عمدتاً شامل ویژگی‌های آب‌وهوایی HRES است: رطوبت ویژه، دما، مؤلفه u باد، مؤلفه v باد، سرعت عمودی، گرداب نسبی، کسر پوشش ابر، محتوای آب یخ ابر ویژه، محتوای آب برف ویژه، و واگرایی. رطوبت نسبی بااستفاده از رطوبت ویژه و دما محاسبه می‌شود. ورودی‌های مدل همچنین شامل زمان خورشیدی محلی، روز سال، و ارتفاع نقاط‌مسیر پرواز است.
برای برخی‌از مناطق جغرافیایی (مثلاً ایالات متحده)، مدل به‌گونه‌ای تنظیم شده است که از طول جغرافیایی، عرض جغرافیایی، و ارتفاع به‌عنوان ویژگی‌های ورودی استفاده کند، درحالی‌که جایگزین سراسری مدل فقط از ارتفاع استفاده می‌کند (و از طول جغرافیایی یا عرض جغرافیایی استفاده نمی‌کند).
این مدل هنگام ارزیابی دربرابر داده‌های ردیابی مشاهده‌ای، به عملکردی پیشرفته دست می‌یابد.
مدل CoCiP
مدل «پیش‌بینی ابر پرسا پس‌دمه» واداشت انرژی پس‌دمه را پیش‌بینی می‌کند که معیاری برای تأثیر اقلیمی پس‌دمه است.
واداشت انرژی به‌صورت زیر تعریف می‌شود:
\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]
یعنی واداشت تابشی لحظه‌ای خط ابر ادغام‌شده در طول عمر آن (Teoh et al. 2020). واداشت انرژی براساس مسافت پرواز نرمال‌سازی می‌شود و واحد آن (ژول بر متر) است.
CoCiP مدلی مبتنی بر فیزیک است که تشکیل، تکامل، و تأثیر پس‌دمه را بااستفاده از شرایط جوی، نوع هواپیما، مسیر پرواز، و ویژگی‌های دیگر شبیه‌سازی می‌کند (Schumann 2012؛ Schumann et al. 2012). این مدل از ۱۰ عضو گروهی از گروه‌های پیش‌بینی با وضوح بالای ECMWF (HRES ENS) به‌عنوان ورودی برای انتقال نقطه‌مسیرهای پرواز که در آن‌ها خطوط ابر در زمان آینده تشکیل شده‌اند استفاده می‌کند (Hersbach et al. 2020). مدل CoCiP همچنین از نظریه ریزفیزیک ابر برای تعیین اینکه کدام پس‌دمه باقی می‌ماند استفاده می‌کند و جریان نزولی اولیه، سقوط، و تصعید را درنظر می‌گیرد. با توجه به تکامل شبیه‌سازی‌شده پس‌دمه، CoCiP واداشت انرژی را براساس ویژگی‌های پس‌دمه و شرایط آب‌وهوایی اطراف محاسبه می‌کند.
علاوه‌بر تخمین CoCiP از واداشت انرژی، تخمین اقلیم‌شناختی واداشت انرژی با میانگین‌گیری از خروجی‌های CoCiP در طول یک سال، که براساس زمان روز، فصل، و عرض جغرافیایی دسته‌بندی شده‌اند، محاسبه می‌شود.
مقدار نهایی واداشت انرژی میانگین واداشت انرژی از اعضای مجموعه CoCiP با EF غیرصفر و میانگین اقلیمی است که همیشه غیرصفر است. گنجاندن اقلیم‌شناسی در میانگین، برآورد تأثیر خط ابر را تضمین می‌کند، حتی زمانی که CoCiP تشکیل خط ابر را بااستفاده از هیچ‌یک از اعضای مجموعه آب‌وهوا پیش‌بینی نمی‌کند.
واداشت انرژی مؤثر موردانتظار
سپس، «واداشت انرژی مؤثر» موردانتظار به‌عنوان حاصل‌ضرب احتمالات تشکیل پس‌دمه محاسبه‌شده از مدل یادگیری ماشین و «واداشت انرژی مؤثر» این پس‌دمه‌ها محاسبه‌شده از مدل CoCiP محاسبه می‌شود.
مقادیر شاخص واداشت پس‌دمه
سپس مقادیر محاسبه‌شده برای تأثیر انرژی مؤثر موردانتظار را می‌توان به مقیاس ۰ تا ۴ نگاشت کرد تا مقادیر شاخص تأثیر «پس‌دمه» تولید شود. مقادیر شاخص اجبار پس‌دمه از مقادیر پیش‌بینی تلاطم الهام گرفته شده است.
Contrails API expected_effective_energy_forcing را ازطریق برش و مقیاس خطی به
contrails شاخص شدت ترجمه می‌کند:
ds["contrails"] = ds["expected_effective_energy_forcing"].clip(min=2e7, max=2e8)
ds["contrails"] = ((ds["contrails"] - 2e7) / (2e8 - 2e7)) * 4
برای اطلاعات بیشتر درباره این نگاشت، تفسیر اجبار انرژی را ببینید.
علاوه‌براین، می‌توانید یادداشت‌های انتشار Contrails API را بخوانید و در اعلان‌ها مشترک شوید تا از تغییرات این مقیاس مطلع شوید.
معادل دی‌اکسید کربن
واداشت انرژی مؤثر موردانتظار را می‌توان ازنظر تأثیر اقلیمی پس‌دمه‌ها درمقایسه با دی‌اکسید کربن، یعنی معادل $\text{CO}_2$ آن‌ها، نیز تفسیر کرد.
برای محاسبه معادل $\text{CO}_2$ گرمایش پیش‌بینی‌شده پس‌دمه، از تبدیل زیر استفاده کنید:
\[ \text{CO}_2\text{eq [kg]} = EEEF \text{ [J]} \times \text{GWP Factor} \]
where:
- EEEF عبارت است از «واداشت انرژی مؤثر موردانتظار»
- فاکتور GWP فاکتور پتانسیل گرمایش جهانی است؛ معکوس کل انرژی یکپارچه تولیدشده توسط ۱ کیلوگرم $\text{CO}_2$ درطول افق زمانی مشخص (H، برحسب سال). می‌تواند پتانسیل گرمایش جهانی ۲۰، ۵۰، یا ۱۰۰ باشد.
پیشنهادهای ضریب پتانسیل گرمایش جهانی
براساس افق‌های زمانی ۲۰، ۵۰، و ۱۰۰ ساله، «عوامل پتانسیل گرمایش جهانی» ارائه‌شده:
| افق زمانی | ضریب پتانسیل گرمایش جهانی (کیلوگرم-$\text{CO}_2$/ژول) |
|---|---|
| GWP20 | ۲٫۴۹۷e-۹ |
| GWP50 | 1.173e-9 |
| GWP100 | 6.779e-10 |
محاسبه فاکتور پتانسیل گرمایش جهانی
این عوامل «پتانسیل گرمایش جهانی» از «پتانسیل گرمایش جهانی مطلق» (AGWP) برای $\text{CO}_2$ بااستفاده از عوامل IPCC AR5 و محاسبه زیر به‌دست می‌آیند:
\[ \text{GWP Factor} = \frac{1}{AGWP_{\text{CO}_2, H} \times A_{\text{earth}} \times S_{\text{year}}} \]
where:
- $AGWP_{\text{CO}_2, H}$: پتانسیل گرمایش جهانی مطلق $\text{CO}_2$ برای افق زمانی انتخاب‌شده، برگرفته از IPCC AR5
- $A_{\text{earth}}$: مساحت سطح زمین ($5.101 \times 10^{14} \text{ m}^2$)
- $S_{\text{year}}$: تعداد ثانیه‌ها در یک سال ($31,536,000 \text{ s}$)
گواهینامه رانندگی
داده‌های ارائه‌شده توسط Forecast API تحت پروانه CC BY 4.0 است.
قدم بعدی چیست
- نمای کلی اسناد ContrailWatch را بخوانید تا متوجه شوید که چگونه اسناد دنباله متراکم در سطح پرواز قدیمی برای بهبود پیش‌بینی دنباله متراکم استفاده می‌شود.
مرجع‌ها
- 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. ۲۰۱۲. «مدل پیش‌بینی ابر سیروس خطوط ابر.» Geoscientific Model Development 5 (3): 543-80.
- Schumann, U., ب. Mayer, K. گراف، و اچ. مانشتاین. ۲۰۱۲. «A Parametric Radiative Forcing Model for Contrail Cirrus.» Journal of Applied Meteorology and Climatology 51 (7): 1391-1406.
- شاپیرو، مارک، زب انگبرگ، راجر تئو، مارک استتلر، و تام دین. ۲۰۲۳. Pycontrails: Python Library for Modeling Aviation Climate Impacts. https://doi.org/10.5281/zenodo.825291
- Teoh, Roger, Ulrich Schumann, Arnab Majumdar, and Marc E. د. Stettler. ۲۰۲۰. «Mitigating the Climate Forcing of Aircraft Contrails by Small-Scale Diversions and Technology Adoption.» Environmental Science & Technology 54 (5): 2941-50.
- Teoh, Roger, Zebediah Engberg, Ulrich Schumann, Christiane Voigt, Marc Shapiro, Susanne Rohs, and Marc E. د. Stettler. ۲۰۲۴. «Global aviation contrail climate effects from 2019 to 2021.» Atmospheric Chemistry and Physics 24: 6071–6093. https://www.researchgate.net/publication/384141259_Global_aviation_contrail_climate_effects_from_2019_to_2021.