پیش بینی Contrail

ما از دو مدل مختلف برای پیش بینی contrails استفاده می کنیم. اولی، یک مدل مبتنی بر یادگیری ماشین (ML)، احتمال تشکیل contrail را پیش‌بینی می‌کند. مدل پیش‌بینی منطقه احتمالی contrail ML (CLZ) یک شبکه عصبی عمیق است که ویژگی‌های آب و هوا را به عنوان ورودی می‌گیرد و CLZ‌ها را بر اساس تشخیص‌های contrail ماهواره‌ای پیش‌بینی می‌کند (Geraedts et al. 2023). ورودی های مدل ML عمدتاً از ویژگی های آب و هوای HRES تشکیل شده است. به طور خاص، ما از رطوبت خاص، دما، مؤلفه u باد، مؤلفه v باد، سرعت عمودی، گردابه نسبی، کسری از پوشش ابر، محتوای آب یخ ابر ​​خاص، محتوای آب برف خاص، و واگرایی استفاده می‌کنیم. ما از رطوبت نسبی محاسبه شده با استفاده از رطوبت و دمای خاص استفاده می کنیم. ما همچنین از زمان محلی خورشیدی، روز سال، عرض جغرافیایی و ارتفاع ایستگاه های پروازی به عنوان ویژگی های ورودی استفاده می کنیم. برای پیش بینی ایالات متحده، ما علاوه بر این از طول جغرافیایی به عنوان یک ویژگی استفاده می کنیم. این مدل زمانی که در برابر داده‌های contrail مشاهده‌ای ارزیابی می‌شود، به عملکردی پیشرفته دست می‌یابد.

مدل دوم، مدل Contrail Cirrus Prediction (CoCiP)، اجبار انرژی در contrail را پیش‌بینی می‌کند، که معیاری از تأثیر آب و هوای contrail است. اجبار انرژی به این صورت تعریف می شود

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

به این معنی که نیروی تابشی آنی contrail در طول عمر آن یکپارچه شده است (Teoh et al. 2020). ما همچنین اجبار انرژی را با فاصله پرواز عادی می کنیم که منجر به واحدهای آن می شود \(J/m\).

CoCiP یک مدل مبتنی بر فیزیک است که شکل‌گیری، تکامل و ضربه را با استفاده از شرایط جوی، نوع هواپیما، مسیر پرواز و سایر ویژگی‌ها شبیه‌سازی می‌کند (Schumann 2012؛ Schumann et al. 2012). ما از 10 عضو گروه از گروه‌های پیش‌بینی با وضوح بالا (HRES ENS) ECMWF به عنوان ورودی‌های CoCiP برای انتقال نقاط بین مسیر پروازی که در آن نقاط contrail در زمان به جلو شکل گرفته‌اند، استفاده می‌کنیم (Hersbach et al. 2020). مدل CoCiP همچنین از تئوری میکروفیزیک ابری برای تعیین اینکه کدام contrail ها باقی می مانند، استفاده می کند، که برای نزول اولیه، سقوط و تصعید محاسبه می شود. با توجه به تکامل شبیه سازی شده contrail، CoCiP اجبار انرژی را بر اساس ویژگی های contrail و شرایط آب و هوایی اطراف محاسبه می کند.

علاوه بر برآورد CoCiP از اجبار انرژی، ما از یک تخمین اقلیمی اجباری انرژی استفاده می کنیم. اقلیم شناسی با میانگین یک سال خروجی CoCiP محاسبه می شود که بر اساس زمان روز، فصل و عرض جغرافیایی محاسبه می شود.

کمیت نهایی انرژی اجباری میانگینی از انرژی وارد شده از اعضای گروه CoCiP با EF غیرصفر و میانگین اقلیم شناسی است که همیشه غیر صفر است. با گنجاندن اقلیم شناسی در میانگین، ما همیشه تخمینی از تاثیر contrail داریم، حتی زمانی که CoCiP تشکیل یک contrail را با استفاده از هیچ یک از اعضای گروه آب و هوا پیش بینی نمی کند.

ما این دو پیش‌بینی را با استفاده از یک محصول ترکیب می‌کنیم:

اجبار انرژی موثر مورد انتظار \(=\) (احتمال تشکیل یک contrail، مدل ML) \(\times\) (اجبار انرژی از contrail، CoCiP و اقلیم شناسی) \(\times\) (RF -> ضریب تبدیل ERF، 0.42)

مراجع

Geraedts، Scott، Erica Brand، Thomas R. Dean، Sebastian Eastham، Carl Elkin، Zebediah Engberg، Ulrike Hager و همکاران. 2023. "یک سیستم مقیاس پذیر برای اندازه گیری شکل گیری کنترل 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، U. 2012. "یک مدل پیش بینی سیروس Contrail." توسعه مدل زمین علمی 5 (3): 543-80.

شومان، یو.، بی. مایر، ک. گراف، و اچ. مانشتاین. 2012. "یک مدل وادار تابشی پارامتریک برای Contrail Cirrus." مجله کاربردی هواشناسی و اقلیم شناسی 51 (7): 1391-1406.

شاپیرو، مارک، زب انگبرگ، راجر تئو، مارک استتلر و تام دین. 2023. Pycontrails: کتابخانه پایتون برای مدل‌سازی اثرات آب و هوایی هوانوردی. https://doi.org/10.5281/zenodo.825291

تئو، راجر، اولریش شومان، آرناب ماجومدار و مارک ای جی استتلر. 2020. "کاهش اجبار آب و هوای مهار هواپیما با انحرافات در مقیاس کوچک و پذیرش فناوری." Environmental Science & Technology 54 (5): 2941-50.