תחזית ניגודיות

אנחנו משתמשים בשני מודלים שונים כדי לחזות פסי ענן. המודל הראשון, שמבוסס על למידת מכונה (ML), מנבא את הסבירות ליצירת פסי ענן. מודל החיזוי של אזורים סבירים ליצירת פסי ענן (CLZ) באמצעות למידת מכונה הוא רשת נוירונים עמוקה שמקבלת תכונות של מזג האוויר כקלט ומחילה אזורים סבירים ליצירת פסי ענן על סמך זיהוי פסי ענן בלוויין (Geraedts et al. 2023). הקלט של מודל ה-ML מורכב בעיקר מתכונות מזג אוויר של HRES. באופן ספציפי, אנחנו משתמשים בנתונים הבאים: לחות ספציפית, טמפרטורה, רכיב u של הרוח, רכיב v של הרוח, מהירות אנכית, וורטיקליות יחסית, חלק מהכיסוי בעננים, תוכן ספציפי של מים בקרח בעננים, תוכן ספציפי של מים בשלג ודיסקורגציה. אנחנו משתמשים בלחות יחסית שמחושבת על סמך לחות וטמפרטורה ספציפיות. אנחנו משתמשים גם בשעת השמש המקומית, ביום בשנה, ברוחב ובגובה של נקודות ציון במסלול הטיסה כתכונות קלט. בתחזית שלנו לארה"ב, אנחנו משתמשים גם לאורך כתכונה. המודל משיג ביצועים עדכניים כשמשווים אותו לנתוני תצפית של פסי ענן.

המודל השני, מודל החיזוי של ענני ערפל (CoCiP), חוזה את האנרגיה שגורמת ליצירת ענני ערפל, שהיא מדד להשפעה של ענני הערפל על האקלים. אנרגיה מאולצת מוגדרת בתור

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

כלומר, הלחץ הקרינתי המיידי של פסי ההתעבות שמשולבים במהלך כל משך החיים שלהם (Teoh et al. 2020). אנחנו גם מביאים את האנרגיה לתקן לפי מרחק הטיסה, כך שהיחידה שלה היא \(J/m\).

CoCiP הוא מודל מבוסס-פיזיקה שמבצע סימולציה של היווצרות, התפתחות והשפעה של פסי ענן באמצעות תנאי האטמוספרה, סוג המטוס, מסלול הטיסה ותכונות אחרות (Schumann 2012; Schumann et al. 2012). אנחנו משתמשים ב-10 חברי קבוצה מקבוצות התחזיות ברזולוציה גבוהה (HRES ENS) של ECMWF כנתונים להזנה של CoCiP, כדי להעביר קדימה בזמן את נקודות העצירה במסלול הטיסה שבהן נוצרו פסי ענן (Hersbach et al. 2020). מודל CoCiP משתמש גם בתיאוריה של מיקרופיזיקה של עננים כדי לקבוע אילו פסי ענן נמשכים, תוך התחשבות בזרימה כלפי מטה, בנפילה ובאידוי ראשוני. על סמך ההתפתחות המדומה של פסי ההתעבות, מערכת CoCiP מחשבת את אילוץ האנרגיה על סמך המאפיינים של פסי ההתעבות ותנאי מזג האוויר בסביבה.

בנוסף להערכה של CoCiP לגבי אילוץ אנרגטי, אנחנו משתמשים בהערכה אקלימולוגית של אילוץ אנרגטי. כדי לחשב את הנתונים הקלימטוולוגיים, מחשבים את הממוצע של שנה של תוצאות CoCiP, שמחולקות לפי שעה ביום, עונה וקו רוחב.

כמות הפעולה הכפויה הסופית על האנרגיה היא הממוצע של הפעולה הכפויה על האנרגיה מחברי ההרכב של CoCiP עם EF שונה מאפס והממוצע האקלימי, שהוא תמיד שונה מאפס. כשאנחנו כוללים את הנתונים הקלימטוולוגיים בממוצע, תמיד יש לנו הערכה של ההשפעה של פסי ההתעבות, גם אם מערכת CoCiP לא צופה את היווצרותם של פסי התעבות באמצעות אף אחד מהמודלים של קבוצת התחזיות למזג האוויר.

אנחנו משלבים את שתי התחזיות האלה באמצעות מוצר:

אילוץ אנרגטי יעיל צפוי \(=\) (סבירות ליצירת פסי ענן, מודל למידת מכונה) \(\times\) (אילוץ אנרגטי של פסי הענן, CoCiP וקלימטולוגיה) \(\times\) (גורם המרה מ-RF ל-ERF, 0.42)

קובצי עזר

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" (מערכת מתכווננת למדידת היווצרות פסי ענן על בסיס כל טיסה). 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 ועוד. 2020. "The ERA5 Global Reanalysis" Quarterly Journal of the Royal Meteorological Society 146 (730): 1999-2049.

שומאן, U. 2012. "A Contrail Cirrus Prediction Model". Geoscientific Model Development 5 (3): 543-80.

שומאן, אורי, ב. Mayer, K. Graf ו-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 ו-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. י. Stettler. 2020. "צמצום ההשפעה על האקלים של פסי ההתעבות של מטוסים באמצעות סטיות קטנות בנתיב הטיסה והטמעת טכנולוגיה". Environmental Science & Technology 54 (5): 2941-50.