Prévisions de traînées
Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Nous utilisons deux modèles différents pour prévoir les traînées de condensation. Le premier, un modèle basé sur le machine learning (ML), prédit la probabilité de formation de traînées. Le modèle de prévision de la zone probable de traînées de condensation (CLZ) par ML est un réseau de neurones profonds qui utilise des caractéristiques météorologiques comme entrées et prédit les zones CLZ en fonction des détections de traînées de condensation par satellite (Geraedts et al., 2023). Les entrées du modèle de ML consistent principalement en éléments météorologiques HRES. Plus précisément, nous utilisons l'humidité spécifique, la température, la composante u du vent, la composante v du vent, la vitesse verticale, la vorticité relative, la fraction de couverture nuageuse, la teneur en eau spécifique de la glace nuageuse, la teneur en eau spécifique de la neige et la divergence. Nous utilisons l'humidité relative calculée à partir de l'humidité et de la température spécifiques. Nous utilisons également l'heure solaire locale, le jour de l'année, la latitude et l'altitude des points de cheminement de vol comme éléments d'entrée. Pour nos prévisions aux États-Unis, nous utilisons également la longitude comme caractéristique. Le modèle offre des performances optimales lorsqu'il est évalué par rapport aux données d'observation des traînées de condensation.
Le deuxième modèle, le modèle CoCiP (Contrail Cirrus Prediction), prédit la force énergétique des traînées de condensation, qui est une mesure de leur impact climatique. La force énergétique est définie comme
$$ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt $$
c'est-à-dire la force radiative instantanée de la traînée intégrée sur toute sa durée de vie (Teoh et al., 2020). Nous normalisons également la force énergétique en fonction de la distance de vol, ce qui donne pour unités \(J/m\).
CoCiP est un modèle basé sur la physique qui simule la formation, l'évolution et l'impact des traînées de condensation à l'aide des conditions atmosphériques, du type d'avion, de la trajectoire de vol et d'autres caractéristiques (Schumann 2012 ; Schumann et al. 2012). Nous utilisons 10 membres d'ensembles de prévisions haute résolution (HRES ENS) de l'ECMWF comme entrées pour CoCiP afin d'extrapoler les points de cheminement des vols où des traînées de condensation se sont formées (Hersbach et al., 2020). Le modèle CoCiP utilise également la théorie de la microphysique des nuages pour déterminer quelles traînées persistent, en tenant compte de la descente initiale, de la chute et de la sublimation. Compte tenu de l'évolution simulée des traînées de condensation, CoCiP calcule la contrainte énergétique en fonction des propriétés des traînées de condensation et des conditions météorologiques environnantes.
En plus de l'estimation de la forcing énergétique par CoCiP, nous utilisons une estimation climatologique de la forcing énergétique. La climatologie est calculée en effectuant la moyenne d'une année de sorties CoCiP, regroupées par heure de la journée, saison et latitude.
La quantité finale de forçage énergétique est une moyenne du forçage énergétique des membres de l'ensemble CoCiP avec un EF non nul et de la moyenne climatologique, qui est toujours non nulle. En incluant la climatologie dans la moyenne, nous disposons toujours d'une estimation de l'impact des traînées de condensation, même lorsque CoCiP ne prévoit pas la formation de traînées de condensation à l'aide de l'un des membres de l'ensemble météorologique.
Nous combinons ces deux prévisions à l'aide d'un produit :
forçage énergétique effectif attendu \(=\) (probabilité de formation d'une traînée, modèle ML) \(\times\) (forçage énergétique de la traînée, CoCiP et climatologie) \(\times\) (facteur de conversion RF -> ERF, 0,42)
Références
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" (Un système évolutif pour mesurer la formation de traînées de condensation par vol). 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" (Réanalyse globale ERA5). Quarterly Journal of the Royal Meteorological Society 146 (730): 1999-2049.
Schumann, U. vers 2012. "A Contrail Cirrus Prediction Model" (Modèle de prévision des cirrus de traînées de condensation). Geoscientific Model Development 5 (3): 543-80.
Schumann, U., B. Mayer, K. Graf, et H. Mannstein. vers 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 et Tom Dean. 2023. Pycontrails: bibliothèque Python pour modéliser les impacts climatiques de l'aviation. https://doi.org/10.5281/zenodo.825291
Teoh, Roger, Ulrich Schumann, Arnab Majumdar et Marc E. J. Stettler. 2020. "Mitigating the Climate Forcing of Aircraft Contrails by Small-Scale Diversions and Technology Adoption" (Atténuation de l'impact des traînées de condensation sur le climat par des déviations à petite échelle et l'adoption de technologies) Environmental Science & Technology 54 (5): 2941-50.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/08/31 (UTC).
[[["Facile à comprendre","easyToUnderstand","thumb-up"],["J'ai pu résoudre mon problème","solvedMyProblem","thumb-up"],["Autre","otherUp","thumb-up"]],[["Il n'y a pas l'information dont j'ai besoin","missingTheInformationINeed","thumb-down"],["Trop compliqué/Trop d'étapes","tooComplicatedTooManySteps","thumb-down"],["Obsolète","outOfDate","thumb-down"],["Problème de traduction","translationIssue","thumb-down"],["Mauvais exemple/Erreur de code","samplesCodeIssue","thumb-down"],["Autre","otherDown","thumb-down"]],["Dernière mise à jour le 2025/08/31 (UTC)."],[[["\u003cp\u003eContrail forecasts use two models: a machine learning model to predict contrail formation probability and the CoCiP model to predict contrail climate impact (energy forcing).\u003c/p\u003e\n"],["\u003cp\u003eThe machine learning model uses weather data and flight information to identify areas where contrails are likely to form, achieving high accuracy compared to observations.\u003c/p\u003e\n"],["\u003cp\u003eThe CoCiP model simulates contrail properties and atmospheric conditions to estimate their energy forcing, providing insights into their climate effects.\u003c/p\u003e\n"],["\u003cp\u003eA climatological estimate of energy forcing is incorporated to ensure an impact assessment even when CoCiP doesn't predict contrail formation.\u003c/p\u003e\n"],["\u003cp\u003eThe final contrail climate impact is calculated by combining the probability of formation, energy forcing, and a conversion factor.\u003c/p\u003e\n"]]],[],null,["# Contrail forecast\n\nWe use two different models to forecast contrails. The first, a machine learning (ML)-based model, predicts the probability of contrail formation. The ML contrail likely zone (CLZ) forecasting model is a deep neural network that takes weather features as inputs and predicts CLZs based on satellite contrail detections (Geraedts et al. 2023). The ML model's inputs consist primarily of HRES weather features. In particular, we use specific humidity, temperature, u component of wind, v component of wind, vertical velocity, relative vorticity, fraction of cloud cover, specific cloud ice water content, specific snow water content, and divergence. We use relative humidity calculated using specific humidity and temperature. We also use local solar time, day of year, latitude, and altitude of flight waypoints as input features. For our US forecast, we additionally use longitude as a feature. The model achieves state-of-the-art performance when evaluated against observational contrail data.\n\n\u003cbr /\u003e\n\n\nThe second model, the Contrail Cirrus Prediction (CoCiP) model, predicts the energy forcing of the contrail, which is a measure of the climate impact of the contrail. Energy forcing is defined as \n$$ EF \\[J\\] = \\\\int_{0}\\^{t} RF'(t) \\\\times L(t) \\\\times W(t)dt $$\n\n\nmeaning the instantaneous radiative forcing of the contrail integrated over its lifetime (Teoh et al. 2020). We also normalize energy forcing by flight distance, leading to its units of \\\\(J/m\\\\).\n\n\u003cbr /\u003e\n\n\nCoCiP is a physics-based model that simulates contrail formation, evolution, and impact using atmospheric conditions, aircraft type, flight path, and other features (Schumann 2012; Schumann et al. 2012). We use 10 ensemble members from ECMWF's high-resolution forecast ensembles (HRES ENS) as inputs to CoCiP for advecting the flight waypoints where contrails have formed forward in time (Hersbach et al. 2020). The CoCiP model also uses cloud microphysics theory to determine which contrails persist, accounting for initial downdraft, fall, and sublimation. Given the simulated evolution of the contrail, CoCiP calculates energy forcing based on the contrail properties and the surrounding weather conditions.\n\n\u003cbr /\u003e\n\n\nIn addition to CoCiP's estimate of energy forcing, we use a climatological estimate of energy forcing. The climatology is computed by averaging a year of CoCiP outputs, binned by time of day, season, and latitude.\n\n\u003cbr /\u003e\n\n\nThe final energy forcing quantity is an average of the energy forcing from the CoCiP ensemble members with nonzero EF and the climatological average, which is always nonzero. By including climatology in the average, we always have an estimate of contrail impact, even when CoCiP does not predict the formation of a contrail using any of the weather ensemble members.\n\n\u003cbr /\u003e\n\n\nWe combine these two forecasts using a product:\n\n\u003cbr /\u003e\n\n\nexpected effective energy forcing \\\\(=\\\\) (probability of forming a contrail, ML model) \\\\(\\\\times\\\\) (energy forcing of the contrail, CoCiP and climatology) \\\\(\\\\times\\\\) (RF -\\\u003e ERF conversion factor, 0.42)\n\nReferences\n----------\n\nGeraedts, 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.\n\n\u003cbr /\u003e\n\n\nHersbach, 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.\n\n\u003cbr /\u003e\n\n\nSchumann, U. 2012. \"A Contrail Cirrus Prediction Model.\" Geoscientific Model Development 5 (3): 543-80.\n\n\u003cbr /\u003e\n\n\nSchumann, U., B. Mayer, K. Graf, and H. Mannstein. 2012. \"A Parametric Radiative Forcing Model for Contrail Cirrus.\" Journal of Applied Meteorology and Climatology 51 (7): 1391-1406.\n\n\u003cbr /\u003e\n\n\nShapiro, Marc, Zeb Engberg, Roger Teoh, Marc Stettler, and Tom Dean. 2023. Pycontrails: Python Library for Modeling Aviation Climate Impacts. https://doi.org/10.5281/zenodo.825291\n\n\u003cbr /\u003e\n\n\nTeoh, Roger, Ulrich Schumann, Arnab Majumdar, and 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."]]
