Contrails API, कॉन्ट्रेल का अनुमान लगाने के लिए दो अलग-अलग मॉडल का इस्तेमाल करता है: मशीन लर्निंग(एमएल) पर आधारित मॉडल, जो कॉन्ट्रेल बनने की संभावना वाले ज़ोन का अनुमान लगाता है. साथ ही, फ़िज़िक्स पर आधारित मॉडल, Contrail Cirrus Prediction (CoCiP), जो तापमान बढ़ने का अनुमान लगाता है.
मशीन लर्निंग पर आधारित मॉडल
मशीन लर्निंग पर आधारित कॉन्ट्रेल लाइक्ली ज़ोन (सीएलज़ेड) का अनुमान लगाने वाला मॉडल, कॉन्ट्रेल बनने की संभावना का अनुमान लगाता है. यह मॉडल, डीप न्यूरल नेटवर्क है. यह मौसम की जानकारी को इनपुट के तौर पर लेता है और सैटलाइट से कॉन्ट्रेल का पता लगाने के आधार पर सीएलज़ेड का अनुमान लगाता है (Geraedts et al. 2023).
इसके इनपुट में मुख्य रूप से, मौसम की HRES सुविधाएं शामिल होती हैं: खास नमी, तापमान, हवा का u कॉम्पोनेंट, हवा का v कॉम्पोनेंट, वर्टिकल वेलोसिटी, रिलेटिव वर्टिसिटी, बादल के ढके होने का फ़्रैक्शन, बादल में मौजूद बर्फ़ के पानी की खास मात्रा, बर्फ़ में मौजूद पानी की खास मात्रा, और डाइवर्जेंस. रिलेटिव ह्यूमिडिटी का हिसाब, स्पेसिफ़िक ह्यूमिडिटी और तापमान के आधार पर लगाया जाता है. मॉडल के इनपुट में, स्थानीय सौर समय, साल का दिन, अक्षांश, और फ़्लाइट के वेपॉइंट की ऊंचाई भी शामिल होती है.
कुछ भौगोलिक क्षेत्रों (जैसे, अमेरिका) के लिए, मॉडल को अक्षांश, देशांतर, और ऊंचाई को इनपुट सुविधाओं के तौर पर इस्तेमाल करने के लिए फ़ाइन-ट्यून किया जाता है. वहीं, मॉडल का ग्लोबल फ़ॉलबैक सिर्फ़ अक्षांश और ऊंचाई का इस्तेमाल करता है.
मॉडल, कॉन्ट्रेल के डेटा के आधार पर आकलन किए जाने पर बेहतरीन परफ़ॉर्म करता है.
CoCiP मॉडल
कॉन्ट्रेल सिरस का अनुमान लगाने वाला मॉडल, कॉन्ट्रेल की एनर्जी फ़ोर्सिंग का अनुमान लगाता है. यह कॉन्ट्रेल से जलवायु पर पड़ने वाले असर का मेज़रमेंट है.
ऊर्जा को बढ़ाने वाले कारकों को इस तरह परिभाषित किया गया है:
\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]
इसका मतलब है कि कॉन्ट्रेल के बनने के तुरंत बाद होने वाला रेडिएटिव फ़ोर्सिंग, जो कॉन्ट्रेल के जीवनकाल में इंटिग्रेट होता है (Teoh et al. 2020). फ़्लाइट की दूरी के हिसाब से एनर्जी फ़ोर्स को सामान्य किया जाता है. इसलिए, इसकी यूनिट (J/m) होती है.
CoCiP, फ़िज़िक्स पर आधारित एक मॉडल है. यह मॉडल, वायुमंडल की स्थितियों, विमान के टाइप, फ़्लाइट पाथ, और अन्य सुविधाओं (Schumann 2012; Schumann et al. 2012) का इस्तेमाल करके, कॉन्ट्रेल बनने, उनके विकसित होने, और उनके असर का अनुमान लगाता है. यह मॉडल, ECMWF के हाई-रिज़ॉल्यूशन फ़ोरकास्ट एन्सेम्बल (HRES ENS) के 10 एन्सेम्बल सदस्यों का इस्तेमाल करता है. इनका इस्तेमाल, फ़्लाइट के उन वेपॉइंट को आगे बढ़ाने के लिए किया जाता है जहां समय के साथ कॉन्ट्रेल बन गए हैं (Hersbach et al. 2020). CoCiP मॉडल, क्लाउड माइक्रोफ़िज़िक्स थ्योरी का इस्तेमाल करके यह भी तय करता है कि कौनसे कॉन्ट्रेल बने रहेंगे. इसके लिए, शुरुआती डाउनड्राफ़्ट, फ़ॉल, और सब्लिमेशन को ध्यान में रखा जाता है. कॉन्ट्रेल के सिम्युलेटेड इवॉल्यूशन के आधार पर, CoCiP कॉन्ट्रेल की प्रॉपर्टी और आस-पास के मौसम की स्थितियों के आधार पर, एनर्जी फ़ोर्सिंग का हिसाब लगाता है.
CoCiP से मिले अनुमान के अलावा, जलवायु विज्ञान के आधार पर भी ऊर्जा के अनुमान का हिसाब लगाया जाता है. इसके लिए, CoCiP से मिले एक साल के आउटपुट का औसत निकाला जाता है. इस डेटा को दिन के समय, सीज़न, और अक्षांश के हिसाब से अलग-अलग ग्रुप में बांटा जाता है.
एनर्जी फ़ोर्सिंग की फ़ाइनल वैल्यू, CoCiP के उन सभी सदस्यों की एनर्जी फ़ोर्सिंग का औसत होती है जिनकी EF वैल्यू शून्य नहीं होती. साथ ही, यह जलवायु के औसत के बराबर होती है, जो हमेशा शून्य से ज़्यादा होती है. औसत में जलवायु विज्ञान को शामिल करने से, कॉन्ट्रेल के असर का अनुमान लगाया जा सकता है. भले ही, CoCiP मौसम के किसी भी सदस्य का इस्तेमाल करके, कॉन्ट्रेल बनने का अनुमान न लगाए.
ऊर्जा को बेहतर तरीके से इस्तेमाल करने की सुविधा चालू होने की उम्मीद है
इसके बाद, अनुमानित असरदार ऊर्जा फ़ोर्सिंग का हिसाब लगाया जाता है. इसके लिए, एमएल मॉडल से कंप्यूट की गई कॉन्ट्रेल बनने की संभावनाओं और CoCiP मॉडल से कंप्यूट की गई इन कॉन्ट्रेल की असरदार ऊर्जा फ़ोर्सिंग को गुणा किया जाता है.
कॉन्ट्रेल फ़ोर्सिंग इंडेक्स की वैल्यू
इसके बाद, अनुमानित प्रभावी ऊर्जा फ़ोर्सिंग वैल्यू को 0 से 4 के स्केल पर मैप किया जा सकता है, ताकि कॉन्ट्रेल फ़ोर्सिंग इंडेक्स वैल्यू जनरेट की जा सकें. कंट्रेल फ़ोर्सिंग इंडेक्स की वैल्यू, टर्बुलेंस के अनुमान की वैल्यू से मिलती-जुलती हैं.
Contrails API, क्लिपिंग और लीनियर स्केल की मदद से expected_effective_energy_forcing को contrails सेवरिटी इंडेक्स में बदलता है:
ds["contrails"] = ds["expected_effective_energy_forcing"].clip(min=2e7, max=2e8)
ds["contrails"] = ((ds["contrails"] - 2e7) / (2e8 - 2e7)) * 4
इस मैपिंग के बारे में ज़्यादा जानकारी के लिए, Energy Forcing Interpretation देखें.
इसके अलावा, Contrails API के रिलीज़ नोट पढ़ें. साथ ही, इस स्केल में होने वाले बदलावों के बारे में सूचना पाने के लिए, सूचनाएं पाने की सुविधा के लिए साइन अप करें.
आगे क्या करना है
- ContrailWatch के एट्रिब्यूशन की खास जानकारी पढ़ें. इससे आपको यह समझने में मदद मिलेगी कि कॉन्ट्रेल की फ़्लाइट-लेवल की पुरानी एट्रिब्यूशन जानकारी का इस्तेमाल, कॉन्ट्रेल का अनुमान लगाने की सुविधा को बेहतर बनाने के लिए कैसे किया जाता है.
रेफ़रंस
- Geraedts, Scott, Erica Brand, Thomas R. डीन, सेबेस्टियन ईस्टहम, कार्ल एल्किन, ज़ेबेडिया एंगबर्ग, उलरीके हैगर वगैरह. 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.
- शूमन, यू., B. मेयर, के॰ ग्राफ़, और एच. मैनस्टीन. 2012. "A Parametric Radiative Forcing Model for Contrail Cirrus." Journal of Applied Meteorology and Climatology 51 (7): 1391-1406.
- शैपिरो, मार्क, ज़ेब एंगबर्ग, रॉजर टीओह, मार्क स्टेटलर, और टॉम डीन. 2023. Pycontrails: Python Library for Modeling Aviation Climate Impacts. https://doi.org/10.5281/zenodo.825291
- टीओह, रॉजर, उलरिच शूमन, अर्नब मजूमदार, और मार्क ई॰ जे॰ Stettler. 2020. "हवाई जहाज़ के कॉन्ट्रेल से होने वाले जलवायु परिवर्तन को कम करने के लिए, छोटे पैमाने पर रूट में बदलाव करना और टेक्नोलॉजी का इस्तेमाल करना." Environmental Science & Technology 54 (5): 2941-50.