हम कॉन्ट्रेल का अनुमान लगाने के लिए, दो अलग-अलग मॉडल का इस्तेमाल करते हैं. पहला मॉडल, मशीन लर्निंग (एमएल) पर आधारित है. इससे कॉन्ट्रेल बनने की संभावना का अनुमान लगाया जाता है. कॉन्ट्रेल के संभावित ज़ोन (सीएलज़) का अनुमान लगाने वाला एमएल मॉडल, एक 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 सीएलज़ का अनुमान लगाता है (Geraedts et al. 2023). एमएल मॉडल के इनपुट में मुख्य रूप से, एचआरईएस (हाई रिज़ॉल्यूशन इमेज) वाली मौसम की सुविधाएं शामिल होती हैं. खास तौर पर, हम नमी, तापमान, हवा के यू कॉम्पोनेंट, हवा के वी कॉम्पोनेंट, वर्टिकल वेलोसिटी, रिलेटिव वोर्टिसिटी, बादल के कवर का फ़्रैक्शन, बादल में बर्फ़ के पानी की मात्रा, बर्फ़ में पानी की मात्रा, और डायवर्जेंस का इस्तेमाल करते हैं. हम रिलेटिव ह्यूमिडिटी का इस्तेमाल करते हैं. इसका हिसाब, खास ह्यूमिडिटी और तापमान का इस्तेमाल करके लगाया जाता है. हम इनपुट फ़ीचर के तौर पर, फ़्लाइट के वे पॉइंट भी इस्तेमाल करते हैं जहां विमान को रुकना होता है. इनमें, स्थानीय सौर समय, साल का दिन, अक्षांश, और ऊंचाई शामिल है. अमेरिका के लिए, हम लंबाई का इस्तेमाल भी एक सुविधा के तौर पर करते हैं. मॉडल की परफ़ॉर्मेंस का आकलन, कॉन्ट्रेल के डेटा के आधार पर किया जाता है.
दूसरा मॉडल, कॉन्ट्रेल सिरस प्रिडिक्शन (CoCiP) मॉडल, कॉन्ट्रेल की ऊर्जा को बढ़ाने का अनुमान लगाता है. यह कॉन्ट्रेल के जलवायु पर पड़ने वाले असर का आकलन करता है. एनर्जी फ़ोर्सिंग को इस तरह परिभाषित किया गया है
इसका मतलब है कि कॉन्ट्रेल के पूरे जीवनकाल में, उसके रेडिएटिव फ़ोर्सिंग को तुरंत इंटिग्रेट किया जाता है (Teoh et al. 2020). हम फ़्लाइट की दूरी के हिसाब से ऊर्जा की ज़रूरत को भी सामान्य बनाते हैं. इससे, ऊर्जा की इकाइयां \(J/m\)हो जाती हैं.
CoCiP, भौतिकी पर आधारित एक मॉडल है. यह वायुमंडल की स्थिति, हवाई जहाज़ के टाइप, फ़्लाइट पाथ, और अन्य सुविधाओं का इस्तेमाल करके, कॉन्ट्रेल के बनने, उसके विकास, और असर का अनुमान लगाता है (Schumann 2012; Schumann et al. 2012). हम ECMWF के हाई-रिज़ॉल्यूशन वाले पूर्वानुमान के एन्सेम्बल (HRES ENS) के 10 एन्सेम्बल मेंबर का इस्तेमाल, CoCiP के इनपुट के तौर पर करते हैं. इससे, उन फ़्लाइट व्यूपॉइंट को आगे बढ़ाने में मदद मिलती है जहां समय के साथ कॉन्ट्रेल बन गए हैं (Hersbach et al. 2020). CoCiP मॉडल, क्लाउड माइक्रोफ़िज़िक्स थ्योरी का इस्तेमाल करके यह तय करता है कि कौनसे कॉन्ट्रेल बने रहेंगे. इसमें शुरुआती डाउनड्राफ़्ट, गिरावट, और सुपरिऑक्साइड बनने की प्रक्रिया को ध्यान में रखा जाता है. कॉन्ट्रेल के सिम्युलेट किए गए विकास को ध्यान में रखते हुए, CoCiP कॉन्ट्रेल की प्रॉपर्टी और आस-पास के मौसम की स्थितियों के आधार पर, ऊर्जा को बढ़ाने वाले कारकों का हिसाब लगाता है.
हम ऊर्जा को बढ़ाने वाले कारकों के अनुमान के लिए, CoCiP के अनुमान के साथ-साथ जलवायु से जुड़े अनुमान का भी इस्तेमाल करते हैं. जलवायु विज्ञान का हिसाब लगाने के लिए, CoCiP के एक साल के आउटपुट का औसत निकाला जाता है. इसके बाद, दिन के समय, सीज़न, और अक्षांश के हिसाब से डेटा को बांटा जाता है.
ऊर्जा को बढ़ाने या घटाने वाली फ़ैसिंग की कुल मात्रा, CoCiP के एन्सेम्बल में शामिल उन सदस्यों की ऊर्जा को बढ़ाने या घटाने वाली फ़ैसिंग का औसत होती है जिनकी EF वैल्यू शून्य नहीं होती. साथ ही, यह क्लाइमैटोलॉजिकल औसत का भी औसत होती है, जो हमेशा शून्य से ज़्यादा होती है. औसत में जलवायु विज्ञान को शामिल करके, हमारे पास हमेशा कॉन्ट्रेल के असर का अनुमान होता है. भले ही, CoCiP किसी भी वेदर एनसेम्बल के सदस्यों का इस्तेमाल करके, कॉन्ट्रेल बनने का अनुमान न लगाए.
हम इन दोनों अनुमानों को एक प्रॉडक्ट का इस्तेमाल करके जोड़ते हैं:
ऊर्जा को बढ़ाने वाले संभावित असर \(=\) (कॉन्ट्रेल बनाने की संभावना, एमएल मॉडल) \(\times\) (कॉन्ट्रेल की ऊर्जा बढ़ाने की क्षमता, सीओसीआईपी, और जलवायु विज्ञान) \(\times\) (आरएफ़ -> ईआरएफ़ कन्वर्ज़न फ़ैक्टर, 0.42)
रेफ़रंस
Geraedts, Scott, Erica Brand, Thomas R. डीन, सेबस्टियन ईस्टहैम, कार्ल एलकिन, जेबेडियह एंगेबर्ग, उलरिके 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.
Hersbach, Hans, Bill Bell, Paul Berrisford, Shoji Hirahara, András Horányi, Joaquín Muñoz-Sabater, Julien Nicolas, et al. 2020. "ERA5 ग्लोबल रीऐनालिसिस." 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.
Schumann, U., बी॰ के. मेयर Graf, and H. मैनस्टीन. 2012. "कॉन्ट्रेल सिरस के लिए पैरामीटरिक रेडिएटिव फ़ोर्सिंग मॉडल." Journal of Applied Meteorology and Climatology 51 (7): 1391-1406.
Shapiro, Marc, Zeb Engberg, Roger Teoh, Marc Stettler, और Tom Dean. 2023. Pycontrails: Aviation Climate Impacts की मॉडलिंग के लिए Python लाइब्रेरी. https://doi.org/10.5281/zenodo.825291
Teoh, Roger, Ulrich Schumann, Arnab Majumdar, and Marc E. जे॰ Stettler. 2020. "छोटे पैमाने पर विमानों के रास्ते में बदलाव करके और नई तकनीक का इस्तेमाल करके, विमानों के कॉन्ट्रेल से होने वाले जलवायु परिवर्तन को कम करना." Environmental Science & Technology 54 (5): 2941-50.