कॉन्ट्रेल एपीआई, कॉन्ट्रेल का अनुमान लगाने के लिए दो अलग-अलग मॉडल इस्तेमाल करता है: मशीन लर्निंग (एमएल) पर आधारित मॉडल, जो कॉन्ट्रेल बनने की संभावना वाले इलाकों का अनुमान लगाता है. साथ ही, फ़िज़िक्स पर आधारित मॉडल, कॉन्ट्रेल सिरस प्रेडिक्शन (CoCiP), जो तापमान बढ़ने का अनुमान लगाता है.
एमएल पर आधारित मॉडल
मशीन लर्निंग पर आधारित कॉन्ट्रेल लाइकली ज़ोन (सीएलज़ेड) पूर्वानुमान मॉडल, कॉन्ट्रेल बनने की संभावना का अनुमान लगाता है. यह मॉडल एक डीप न्यूरल नेटवर्क है. यह मौसम की विशेषताओं 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, एचआरईएस मौसम की विशेषताएं शामिल हैं: खास नमी, तापमान, हवा का यू कॉम्पोनेंट, हवा का वी कॉम्पोनेंट, वर्टिकल वेलोसिटी, रिलेटिव वोर्टिसिटी, बादल छाए रहने का हिस्सा, बादल में बर्फ़ के पानी की खास मात्रा, बर्फ़ में पानी की खास मात्रा, और डाइवर्जेंस. रिलेटिव ह्यूमिडिटी का हिसाब, स्पेसिफ़िक ह्यूमिडिटी और तापमान का इस्तेमाल करके लगाया जाता है. मॉडल को ट्रेन करने के लिए, स्थानीय समय, साल के दिन, और फ़्लाइट के वेपॉइंट की ऊंचाई का डेटा भी इस्तेमाल किया जाता है.
कुछ भौगोलिक इलाकों (जैसे, अमेरिका) के लिए, मॉडल को इस तरह से ट्यून किया गया है कि वह अक्षांश, देशांतर, और ऊंचाई को इनपुट सुविधाओं के तौर पर इस्तेमाल कर सके.वहीं, मॉडल का ग्लोबल फ़ॉलबैक सिर्फ़ ऊंचाई का इस्तेमाल करता है. यह अक्षांश या देशांतर का इस्तेमाल नहीं करता.
जब इस मॉडल का आकलन, कॉन्ट्रेल के डेटा के आधार पर किया जाता है, तो यह बेहतरीन परफ़ॉर्मेंस देता है.
CoCiP मॉडल
कॉन्ट्रेल सिरस प्रेडिक्शन मॉडल, कॉन्ट्रेल की एनर्जी फ़ोर्सिंग का अनुमान लगाता है. इससे, जलवायु पर कॉन्ट्रेल के 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 की लाइफ़टाइम के दौरान, कॉन्ट्रेल की वजह से होने वाली इंस्टैंटेनियस रेडिएटिव फ़ोर्सिंग (Teoh et al. 2020). एनर्जी फ़ोर्सिंग को फ़्लाइट की दूरी के हिसाब से सामान्य किया जाता है. इसकी वजह से, इसकी यूनिट (जूल/मीटर) होती है.
CoCiP, फ़िज़िक्स पर आधारित एक मॉडल है. यह वायुमंडल की स्थितियों, हवाई जहाज़ के टाइप, फ़्लाइट के पाथ, और अन्य सुविधाओं का इस्तेमाल करके, कॉन्ट्रेल के बनने, बढ़ने, और असर को सिम्युलेट करता है (Schumann 2012; Schumann et al. 2012). यह मॉडल, ईसीएमडब्ल्यूएफ़ के हाई रिज़ॉल्यूशन वाले पूर्वानुमान (एचआरईएस ईएनएस) से 10 एन्सेम्बल मेंबर का इस्तेमाल इनपुट के तौर पर करता है. इससे फ़्लाइट के उन वेपॉइंट को आगे बढ़ाया जाता है जहां कॉन्ट्रेल बने हैं (हर्सबैक और अन्य 2020). CoCiP मॉडल, क्लाउड माइक्रोफ़िज़िक्स थ्योरी का भी इस्तेमाल करता है. इससे यह तय किया जाता है कि कौनसे कॉन्ट्रेल बने रहेंगे. इसमें शुरुआती डाउनड्राफ़्ट, फ़ॉल, और सब्लिमेशन को ध्यान में रखा जाता है. कॉन्ट्रेल के सिम्युलेट किए गए इवोल्यूशन के आधार पर, CoCiP कॉन्ट्रेल की प्रॉपर्टी और आस-पास के मौसम की स्थितियों के आधार पर, एनर्जी फ़ोर्सिंग का हिसाब लगाता है.
ऊर्जा के दबाव के बारे में CoCiP के अनुमान के अलावा, जलवायु के आधार पर ऊर्जा के दबाव का अनुमान भी लगाया जाता है. इसके लिए, CoCiP के एक साल के आउटपुट का औसत निकाला जाता है. इसे दिन के समय, मौसम, और अक्षांश के हिसाब से बांटा जाता है.
एनर्जी फ़ोर्सिंग की आखिरी वैल्यू, CoCiP एन्सेम्बल के उन सदस्यों से मिलने वाली एनर्जी फ़ोर्सिंग का औसत होती है जिनकी ईएफ़ वैल्यू शून्य नहीं होती. साथ ही, इसमें जलवायु के औसत को भी शामिल किया जाता है, जो कभी शून्य नहीं होता. औसत में क्लाइमेटोलॉजी को शामिल करने से, कॉन्ट्रेल के असर का अनुमान लगाया जा सकता है. भले ही, CoCiP मौसम के किसी भी एनसेंबल मेंबर का इस्तेमाल करके, कॉन्ट्रेल बनने का अनुमान न लगाता हो.
असरदार एनर्जी फ़ोर्सिंग का अनुमान
इसके बाद, एमएल मॉडल से कैलकुलेट की गई कॉन्ट्रेल बनने की संभावनाओं और CoCiP मॉडल से कैलकुलेट की गई इन कॉन्ट्रेल की प्रभावी ऊर्जा फ़ोर्सिंग के प्रॉडक्ट के तौर पर, अनुमानित प्रभावी ऊर्जा फ़ोर्सिंग का हिसाब लगाया जाता है.
कॉन्ट्रेल फ़ोर्सिंग इंडेक्स की वैल्यू
इसके बाद, कंप्यूट की गई संभावित 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 की वैल्यू, टर्बुलेंस के अनुमान की वैल्यू से प्रेरित होती हैं.
Contrails API, क्लिपिंग और लीनियर स्केल का इस्तेमाल करके, expected_effective_energy_forcing को contrails गंभीरता 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, एनर्जी फ़ोर्सिंग इंटरप्रिटेशन देखें.
इसके अलावा, Contrails API के रिलीज़ नोट पढ़ें और सूचनाएं पाने के लिए सदस्यता लें, ताकि आपको इस स्केल में होने वाले बदलावों के बारे में सूचना मिल सके.
CO2-equivalents
ईईएफ़ को कार्बन डाइऑक्साइड की तुलना में, कॉन्ट्रेल से जलवायु परिवर्तन पर पड़ने वाले असर के तौर पर भी समझा जा सकता है. यानी, $\text{CO}_2$-इक्विवैलेंट.
कॉन्ट्रेल से होने वाली वॉर्मिंग के अनुमान के $\text{CO}_2$-इक्विवैलेंट 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 है, एक्सपेक्टेड इफ़ेक्टिव एनर्जी फ़ोर्सिंग
- जीडब्ल्यूपी फ़ैक्टर, ग्लोबल वॉर्मिंग पैदा करने की क्षमता का फ़ैक्टर है. यह एक तय समयावधि (H, सालों में) के दौरान, एक किलोग्राम $\text{CO}_2$ से पैदा होने वाली कुल ऊर्जा का उलटा होता है. यह GWP 20, 50 या 100 हो सकता है.
जीडब्ल्यूपी फ़ैक्टर ऑफ़र
20, 50, और 100 साल की समयावधि के आधार पर, GWP फ़ैक्टर ये हैं:
| समयसीमा | जीडब्ल्यूपी फ़ैक्टर (कि॰ग्रा॰-$\text{CO}_2$/जूल) |
|---|---|
| GWP20 | 2.497e-9 |
| GWP50 | 1.173e-9 |
| GWP100 | 6.779e-10 |
जीडब्ल्यूपी फ़ैक्टर का कैलकुलेशन
ये जीडब्ल्यूपी फ़ैक्टर, $ ext{CO}_2$ के लिए ऐब्सलूट ग्लोबल वॉर्मिंग पैदा करने की क्षमता (एजीडब्ल्यूपी) से लिए गए हैं. इसके लिए, आईपीसीसी एआर5 फ़ैक्टर और इस कैलकुलेशन का इस्तेमाल किया गया है:
\[ \text{GWP Factor} = \frac{1}{AGWP_{\text{CO}_2, H} \times A_{\text{earth}} \times S_{\text{year}}} \]
कहां:
- $AGWP_{\text{CO}_2, H}$: चुनी गई समयावधि के लिए, $\text{CO}_2$ की ग्लोबल वॉर्मिंग पैदा करने की क्षमता. यह डेटा, IPCC AR5 से लिया गया है
- $A_{\text{earth}}$: पृथ्वी का सतही 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 मिलने वाले 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 के पूर्वानुमान को बेहतर बनाने के लिए, फ़्लाइट-लेवल पर कॉन्ट्रेल के पुराने एट्रिब्यूशन का इस्तेमाल कैसे किया जाता है.
रेफ़रंस
- गेरेट्स, स्कॉट, एरिका ब्रैंड, थॉमस आर॰ डीन, सेबेस्टियन ईस्टहैम, कार्ल एल्किन, ज़ेबेडिया एंगबर्ग, उलरीके हेगर 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.
- हर्सबाख, हैंस, बिल बेल, पॉल बेरिस्फ़ोर्ड, शोजी हिराहारा, आंद्रास होरानी, जॉकिन मुनोज़-सबातेर, जूलियन निकोलस वगैरह. 2020. "ईआरए5 ग्लोबल रीऐनलिसिस." Quarterly Journal of the Royal Meteorological Society 146 (730): 1999-2049.
- Schumann, U. 2012. "कॉन्ट्रेल सिरस का अनुमान लगाने वाला मॉडल." Geoscientific Model Development 5 (3): 543-80.
- उलरिच शूमन, B. Mayer, K. Graf, and H. मैनस्टाइन. 2012. "A Parametric Radiative Forcing Model for Contrail Cirrus." जर्नल ऑफ़ अप्लाइड मीटियोरोलॉजी ऐंड क्लाइमेटोलॉजी 51 (7): 1391-1406.
- शपिरो, मार्क, ज़ेब एंगबर्ग, रॉजर टियो, मार्क स्टेटलर, और टॉम डीन. 2023. Pycontrails: Python Library for Modeling Aviation Climate Impacts. https://doi.org/10.5281/zenodo.825291
- रोजर टिओ, उलरिच शूमान, अर्नब मजूमदार, और मार्क ई॰ जे॰ स्टैटलर. 2020. "Mitigating the Climate Forcing of Aircraft Contrails by Small-Scale Diversions and Technology Adoption." Environmental Science & Technology 54 (5): 2941-50.
- Teoh, Roger, Zebediah Engberg, Ulrich Schumann, Christiane Voigt, Marc Shapiro, Susanne Rohs, and Marc E. जे॰ स्टैटलर. 2024. "Global aviation contrail climate effects from 2019 to 2021." Atmospheric Chemistry and Physics 24: 6071–6093. https://www.researchgate.net/publication/384141259_Global_aviation_contrail_climate_effects_from_2019_to_2021.