Kami menggunakan dua model yang berbeda untuk memperkirakan contrail. Yang pertama, model berbasis machine learning (ML), memprediksi probabilitas pembentukan contrail. Model perkiraan zona kemungkinan contrail (CLZ) ML adalah jaringan saraf dalam yang menggunakan fitur cuaca sebagai input dan memprediksi CLZ berdasarkan deteksi contrail satelit (Geraedts et al. 2023). Input model ML terutama terdiri dari fitur cuaca HRES. Secara khusus, kami menggunakan kelembapan, suhu, komponen u angin, komponen v angin, kecepatan vertikal, vortisitas relatif, fraksi tutupan awan, konten air es awan tertentu, konten air salju tertentu, dan divergensi. Kami menggunakan kelembapan relatif yang dihitung menggunakan kelembapan dan suhu tertentu. Kami juga menggunakan waktu matahari lokal, hari dalam setahun, lintang, dan ketinggian titik jalan penerbangan sebagai fitur input. Untuk perkiraan cuaca AS, kami juga menggunakan bujur sebagai fitur. Model ini mencapai performa terbaik saat dievaluasi berdasarkan data contrail observasional.
Model kedua, model Contrail Cirrus Prediction (CoCiP), memprediksi pemicu energi contrail, yang merupakan ukuran dampak iklim contrail. Pemaksaan energi didefinisikan sebagai
yang berarti pemaksaan radiasi instan dari contrail yang terintegrasi selama masa aktifnya (Teoh et al. 2020). Kita juga menormalisasi pemaksaan energi berdasarkan jarak penerbangan, yang menghasilkan satuan \(J/m\).
CoCiP adalah model berbasis fisika yang menyimulasikan pembentukan, evolusi, dan dampak contrail menggunakan kondisi atmosfer, jenis pesawat, jalur penerbangan, dan fitur lainnya (Schumann 2012; Schumann et al. 2012). Kami menggunakan 10 anggota ensemble dari ensemble prakiraan resolusi tinggi (HRES ENS) ECMWF sebagai input ke CoCiP untuk melakukan adveksi pada titik jalan penerbangan tempat contrail terbentuk ke depan dalam waktu (Hersbach et al. 2020). Model CoCiP juga menggunakan teori mikrofisika awan untuk menentukan contrail mana yang bertahan, dengan memperhitungkan downdraft, jatuh, dan sublimasi awal. Dengan simulasi evolusi contrail, CoCiP menghitung pemaksaan energi berdasarkan properti contrail dan kondisi cuaca di sekitarnya.
Selain estimasi pemicu energi CoCiP, kami menggunakan estimasi pemicu energi klimatologis. Klimatologi dihitung dengan rata-rata output CoCiP selama setahun, yang dikelompokkan menurut waktu, musim, dan lintang.
Jumlah pemicuan energi akhir adalah rata-rata pemicuan energi dari anggota ensemble CoCiP dengan EF non-nol dan rata-rata klimatologis, yang selalu non-nol. Dengan menyertakan klimatologi dalam rata-rata, kita selalu memiliki estimasi dampak contrail, meskipun CoCiP tidak memprediksi pembentukan contrail menggunakan salah satu anggota ensemble cuaca.
Kami menggabungkan kedua perkiraan ini menggunakan produk:
pengaruh energi efektif yang diharapkan \(=\) (probabilitas pembentukan contrail, model ML) \(\times\) (pengaruh energi contrail, CoCiP, dan klimatologi) \(\times\) (faktor konversi RF -> ERF, 0,42)
Referensi
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". 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. "Model Prediksi Cirrus Contrail". Geoscientific Model Development 5 (3): 543-80.
Schumann, U., B. Mayer, K. Graf, dan 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, dan Tom Dean. 2023. Pycontrails: Python Library for Modeling Aviation Climate Impacts. https://doi.org/10.5281/zenodo.825291
Teoh, Roger, Ulrich Schumann, Arnab Majumdar, dan Marc E. J. Stettler. 2020. "Mitigating the Climate Forcing of Aircraft Contrails by Small-Scale Diversions and Technology Adoption". Environmental Science & Technology 54 (5): 2941-50.