Contrails API, कॉन्ट्रेल का अनुमान लगाने के लिए दो अलग-अलग मॉडल का इस्तेमाल करता है: मशीन लर्निंग(एमएल) पर आधारित मॉडल, जो कॉन्ट्रेल के संभावित ज़ोन का अनुमान लगाता है. साथ ही, फ़िज़िक्स पर आधारित मॉडल, कॉन्ट्रेल सिरस प्रेडिक्शन (CoCiP), जो तापमान बढ़ने का अनुमान लगाता है.
मशीन लर्निंग पर आधारित मॉडल
मशीन लर्निंग पर आधारित कॉन्ट्रेल लाइक्ली ज़ोन (सीएलज़ेड) का पूर्वानुमान 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 एचआरईएस सुविधाएं शामिल होती हैं: खास नमी, तापमान, हवा का यू कॉम्पोनेंट, हवा का वी कॉम्पोनेंट, वर्टिकल वेलोसिटी, रिलेटिव वर्टिसिटी, बादल के कवर का फ़्रैक्शन, बादल के आइस वॉटर कॉन्टेंट का फ़्रैक्शन, बर्फ़ के वॉटर कॉन्टेंट का फ़्रैक्शन, और डाइवर्जेंस. रिलेटिव ह्यूमिडिटी का हिसाब, स्पेसिफ़िक ह्यूमिडिटी और तापमान के आधार पर लगाया जाता है. मॉडल को इनपुट के तौर पर, स्थानीय सौर समय, साल का दिन, अक्षांश, और फ़्लाइट के वेपॉइंट की ऊंचाई की जानकारी भी दी जाती है.
कुछ भौगोलिक क्षेत्रों (जैसे, अमेरिका) के लिए, मॉडल को इनपुट सुविधाओं के तौर पर अक्षांश, देशांतर, और ऊंचाई का इस्तेमाल करने के लिए फ़ाइन-ट्यून किया जाता है. वहीं, मॉडल का ग्लोबल फ़ॉलबैक सिर्फ़ अक्षांश और ऊंचाई का इस्तेमाल करता है.
मॉडल, ऑब्ज़र्वेशनल कॉन्ट्रेल डेटा के आधार पर आकलन किए जाने पर, बेहतरीन परफ़ॉर्मेंस देता है.
CoCiP मॉडल
कॉन्ट्रेल सिरस का अनुमान लगाने वाला मॉडल, कॉन्ट्रेल की एनर्जी फ़ोर्सिंग का अनुमान लगाता है. इससे कॉन्ट्रेल की वजह से जलवायु पर पड़ने वाले असर का पता चलता है.
एनर्जी फ़ोर्सिंग 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). एनर्जी फ़ोर्सिंग को फ़्लाइट की दूरी के हिसाब से 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 का इस्तेमाल करके, कॉन्ट्रेल बनने, उनके विकास, और उनके असर का अनुमान लगाता है (Schumann 2012; Schumann et al. 2012). यह मॉडल, ECMWF के हाई-रिज़ॉल्यूशन फ़ोरकास्ट एन्सेम्बल (HRES ENS) के 10 एन्सेम्बल सदस्यों का इस्तेमाल, इनपुट के तौर पर करता है. इससे, फ़्लाइट के उन वेपॉइंट को आगे बढ़ाया जाता है जहां कॉन्ट्रेल बने हैं (Hersbach et al. 2020). CoCiP मॉडल, क्लाउड माइक्रोफ़िज़िक्स थ्योरी का इस्तेमाल यह पता लगाने के लिए भी करता है कि कौनसे कॉन्ट्रेल बने रहते हैं. इसके लिए, यह शुरुआती डाउनड्राफ़्ट, फ़ॉल, और सब्लिमेशन को ध्यान में रखता है. कॉन्ट्रेल के अनुमानित विकास 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 एनर्जी फ़ोर्सिंग के अनुमान के अलावा, जलवायु विज्ञान के आधार पर एनर्जी फ़ोर्सिंग का अनुमान भी लगाया जाता है. इसके लिए, CoCiP से मिले एक साल के आउटपुट का औसत निकाला जाता है. इन आउटपुट को दिन के समय, सीज़न, और अक्षांश के हिसाब से 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 हिसाब से औसत वैल्यू 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 मॉडल का इस्तेमाल करके कॉन्ट्रेल बनने का अनुमान न लगाए.
ऊर्जा को बेहतर तरीके से इस्तेमाल करने की सुविधा
इसके बाद, अनुमानित प्रभावी 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 प्रभावी ऊर्जा फ़ोर्सिंग को गुणा किया जाता है.
कॉन्ट्रेल फ़ोर्सिंग इंडेक्स की वैल्यू
इसके बाद, कंप्यूट की गई 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. कॉन्ट्रेल फ़ोर्सिंग इंडेक्स वैल्यू, टर्बुलेंस के पूर्वानुमान की वैल्यू से मिलती-जुलती हैं.
Contrails API, क्लिपिंग और लीनियर स्केल की मदद से expected_effective_energy_forcing को contrails सीवरिटी 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.
CO2 के बराबर
अनुमानित प्रभावी ऊर्जा फ़ोर्सिंग को, कार्बन डाइऑक्साइड की तुलना में कॉन्ट्रेल के जलवायु पर पड़ने वाले असर के तौर पर भी समझा जा सकता है. जैसे, उनका $\text{CO}_2$-इक्विवेलेंट.
अनुमानित कॉन्ट्रेल वार्मिंग के $\text{CO}_2$-इक्विवेलेंट का हिसाब लगाने के लिए, इस कन्वर्ज़न का इस्तेमाल करें:
\[ \text{CO}_2\text{eq [kg]} = EEEF \text{ [J]} \times \text{GWP Factor} \]
कहां:
- EEEF का मतलब Expected Effective Energy Forcing है
- जीडब्ल्यूपी फ़ैक्टर, ग्लोबल वॉर्मिंग पैदा करने की क्षमता फ़ैक्टर होता है. यह किसी तय समयसीमा (H, सालों में) में, एक किलोग्राम $ ext{CO}_2$ से पैदा होने वाली कुल इंटिग्रेटेड ऊर्जा फ़ोर्सिंग का उलटा होता है. यह GWP 20, 50 या 100 हो सकता है.
GWP फ़ैक्टर की पेशकश
20, 50, और 100 साल की समयसीमा के आधार पर, GWP फ़ैक्टर ने ये ऑफ़र दिए:
| टाइम होराइज़न | GWP फ़ैक्टर (किलोग्राम-$\text{CO}_2$/J) |
|---|---|
| GWP20 | 2.497e-9 |
| GWP50 | 1.173e-9 |
| GWP100 | 6.779e-10 |
GWP फ़ैक्टर का हिसाब लगाना
ये जीडब्ल्यूपी फ़ैक्टर, आईपीसीसी एआर5 फ़ैक्टर का इस्तेमाल करके, $\text{CO}_2$ के लिए ऐब्सलूट ग्लोबल वॉर्मिंग पोटेंशियल (एजीडब्ल्यूपी) से निकाले जाते हैं. इसके लिए, यह हिसाब लगाया जाता है:
\[ \text{GWP Factor} = \frac{1}{AGWP_{\text{CO}_2, H} \times A_{\text{earth}} \times S_{\text{year}}} \]
कहां:
- $AGWP_{\text{CO}_2, H}$: चुने गए समय के लिए, $\text{CO}_2$ की ग्लोबल वॉर्मिंग पैदा करने की क्षमता. यह डेटा IPCC AR5 से लिया गया है
- $A_{\text{earth}}$: पृथ्वी की सतह का क्षेत्रफल ($5.101 \times 10^{14} \text{ m}^2$)
- $S_{\text{year}}$: एक साल में सेकंड की संख्या ($31,536,000 \text{ s}$)
लाइसेंस
Forecast API से मिले डेटा को CC BY 4.0 के तहत लाइसेंस मिला है.
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, ज़ेबेडियाह 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.
- हर्स्बैक, हैंस, बिल बेल, पॉल बेरिसफ़ोर्ड, शोजी हिरहारा, एंड्रास होरानी, जोकिन मुनोज़-सबाटर, जूलियन निकोलस वगैरह. 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. Mannstein. 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 शुमान, 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.
- Teoh, Roger, Zebediah Engberg, Ulrich Schumann, Christiane Voigt, Marc Shapiro, Susanne Rohs, and Marc E. जे॰ Stettler. 2024. "साल 2019 से 2021 तक, कॉन्ट्रेल की वजह से जलवायु पर पड़ने वाले असर." Atmospheric Chemistry and Physics 24: 6071–6093. https://www.researchgate.net/publication/384141259_Global_aviation_contrail_climate_effects_from_2019_to_2021.