L'API Contrails utilise deux modèles différents pour prévoir les traînées de condensation : un modèle basé sur le machine learning(ML) qui prédit les zones susceptibles de générer des traînées de condensation et un modèle basé sur la physique, Contrail Cirrus Prediction (CoCiP), qui prédit le réchauffement.
Modèle basé sur le ML
Le modèle de prévision des zones susceptibles de générer des traînées de condensation (CLZ) basé sur le ML prédit la probabilité de formation de traînées de condensation. Il s'agit d'un réseau de neurones profond qui prend des caractéristiques météorologiques comme entrées et prédit les CLZ en fonction des détections de traînées de condensation par satellite (Geraedts et al. 2023).
Ses entrées sont principalement constituées de caractéristiques météorologiques HRES : humidité spécifique, température, composante u du vent, composante v du vent, vitesse verticale, vorticité relative, fraction de couverture nuageuse, teneur spécifique en eau glacée des nuages, teneur spécifique en eau de neige et divergence. L'humidité relative est calculée à l'aide de l'humidité spécifique et de la température. Les entrées du modèle incluent également l'heure solaire locale, le jour de l'année, la latitude et l'altitude des points de cheminement du vol.
Pour certaines zones géographiques (par exemple, les États-Unis), le modèle est ajusté pour utiliser la latitude, la longitude et l'altitude comme caractéristiques d'entrée, tandis que le modèle de secours global n'utilise que la latitude et l'altitude.
Le modèle atteint des performances de pointe lorsqu'il est évalué par rapport aux données d'observation des traînées de condensation.
Modèle CoCiP
Le modèle Contrail Cirrus Prediction prédit le forçage énergétique de la traînée de condensation, qui est une mesure de l'impact climatique de la traînée de condensation.
Le forçage énergétique est défini comme suit :
\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]
ce qui signifie le forçage radiatif instantané de la traînée de condensation intégré sur sa durée de vie (Teoh et al. 2020). Le forçage énergétique est normalisé par la distance de vol, ce qui donne des unités de (J/m).
CoCiP est un modèle basé sur la physique qui simule la formation, l'évolution et l' impact des traînées de condensation en utilisant les conditions atmosphériques, le type d'aéronef, la trajectoire de vol et d'autres caractéristiques (Schumann 2012 ; Schumann et al. 2012). Le modèle utilise 10 membres d'ensemble des ensembles de prévisions haute résolution (HRES ENS) du CEPMM comme entrées pour advecter les points de cheminement du vol où des traînées de condensation se sont formées dans le temps (Hersbach et al. 2020). Le modèle CoCiP utilise également la théorie de la microphysique des nuages pour déterminer quelles traînées de condensation persistent, en tenant compte du courant descendant initial, de la chute et de la sublimation. Compte tenu de l'évolution simulée de la traînée de condensation, CoCiP calcule le forçage énergétique en fonction des propriétés de la traînée de condensation et des conditions météorologiques environnantes.
En plus de l'estimation du forçage énergétique de CoCiP, une estimation climatologique du forçage énergétique est calculée en faisant 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. L'inclusion de la climatologie dans la moyenne garantit une estimation de l'impact des traînées de condensation, même lorsque CoCiP ne prédit pas la formation d'une traînée de condensation à l'aide de l'un des membres de l'ensemble météorologique.
Forçage énergétique effectif attendu
Le forçage énergétique effectif attendu est ensuite calculé comme le produit des probabilités de formation de traînées de condensation calculées à partir du modèle ML et du forçage énergétique effectif de ces traînées de condensation calculé à partir du modèle CoCiP.
Valeurs de l'indice de forçage des traînées de condensation
Les valeurs de forçage énergétique effectif attendu calculées peuvent ensuite être mises en correspondance avec une échelle de 0 à 4 pour produire des valeurs d'indice de forçage des traînées de condensation. Les valeurs d'indice de forçage des traînées de condensation s'inspirent des valeurs de prévision des turbulences.
L'API Contrails traduit expected_effective_energy_forcing en indice de gravité contrails par écrêtage et échelle linéaire :
ds["contrails"] = ds["expected_effective_energy_forcing"].clip(min=2e7, max=2e8)
ds["contrails"] = ((ds["contrails"] - 2e7) / (2e8 - 2e7)) * 4
Pour en savoir plus sur cette mise en correspondance, consultez la section Interprétation du forçage énergétique.
Vous pouvez également consulter les notes de version de l'API Contrails et vous abonner aux annonces pour être informé des modifications apportées à cette échelle.
Étape suivante
- Consultez la présentation des attributions ContrailWatch pour comprendre comment les attributions historiques des traînées de condensation au niveau du vol sont utilisées pour améliorer les prévisions des traînées de condensation.
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." 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. 2012. "A Contrail Cirrus Prediction Model." Geoscientific Model Development 5 (3): 543-80.
- Schumann, 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.
- Shapiro, 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
- Teoh, 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.