Google menggunakan teknologi AI untuk menerjemahkan konten ke dalam bahasa pilihan Anda. Terjemahan AI mungkin mengandung kesalahan.

Perkiraan kontrail

Contrails API menggunakan dua model berbeda untuk memperkirakan jejak kondensasi: model berbasis machine learning(ML) yang memprediksi zona yang berpotensi memiliki jejak kondensasi dan model berbasis fisika, Contrail Cirrus Prediction (CoCiP), yang memprediksi pemanasan.

Model berbasis ML

Model perkiraan Zona Kemungkinan Jejak Kondensasi (CLZ) berbasis ML memprediksi probabilitas pembentukan jejak kondensasi. Model ini adalah deep neural network yang mengambil fitur cuaca sebagai input dan memprediksi CLZ berdasarkan deteksi jejak kondensasi satelit (Geraedts et al. 2023).

Inputnya terutama terdiri dari fitur cuaca HRES: kelembapan spesifik, suhu, komponen u angin, komponen v angin, kecepatan vertikal, vortisitas relatif, fraksi cakupan awan, kandungan air es awan spesifik, kandungan air salju spesifik, dan divergensi. Kelembapan relatif dihitung menggunakan kelembapan dan suhu spesifik. Input ke model juga mencakup waktu matahari lokal, hari dalam setahun, dan ketinggian titik jalan penerbangan.

Untuk beberapa area geografis (misalnya, Amerika Serikat), model ini disesuaikan untuk menggunakan lintang, bujur, dan ketinggian sebagai fitur input, sedangkan penggantian global model hanya menggunakan ketinggian (dan tidak menggunakan lintang atau bujur).

Model ini mencapai performa tercanggih saat dievaluasi berdasarkan data observasi jejak kondensasi.

Model CoCiP

Model Prediksi Sirus Kontrail memprediksi pemaksaan energi kontrail, yang merupakan ukuran dampak iklim kontrail.

Pemaksaan energi didefinisikan sebagai:

\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]

yang berarti pemaksaan radiasi seketika dari jejak kondensasi yang terintegrasi selama masa pakainya (Teoh et al. 2020). Pemaksaan energi dinormalisasi berdasarkan jarak penerbangan, sehingga menghasilkan satuan (J/m).

CoCiP adalah model berbasis fisika yang menyimulasikan pembentukan, evolusi, dan dampak jejak kondensasi menggunakan kondisi atmosfer, jenis pesawat, jalur penerbangan, dan fitur lainnya (Schumann 2012; Schumann dkk. 2012). Model ini menggunakan 10 anggota ensemble dari ensemble perkiraan resolusi tinggi (HRES ENS) ECMWF sebagai input untuk mengadveksi titik jalan penerbangan tempat jejak kondensasi telah terbentuk ke depan dalam waktu (Hersbach et al. 2020). Model CoCiP juga menggunakan teori mikrofisika cloud untuk menentukan jejak kondensasi mana yang bertahan, dengan memperhitungkan downdraft awal, penurunan, dan sublimasi. Dengan simulasi evolusi kontrail, CoCiP menghitung pemaksaan energi berdasarkan properti kontrail dan kondisi cuaca di sekitarnya.

Selain estimasi pemaksaan energi CoCiP, estimasi klimatologi pemaksaan energi dihitung dengan merata-ratakan output CoCiP selama setahun, yang dikelompokkan berdasarkan waktu, musim, dan lintang.

Kuantitas pemaksaan energi akhir adalah rata-rata pemaksaan energi dari anggota ensemble CoCiP dengan EF bukan nol dan rata-rata klimatologis, yang selalu bukan nol. Menyertakan klimatologi dalam rata-rata memastikan estimasi dampak jejak kondensasi, bahkan saat CoCiP tidak memprediksi pembentukan jejak kondensasi menggunakan salah satu anggota ensemble cuaca.

Perkiraan pemaksaan energi efektif

Perkiraan pemaksaan energi efektif kemudian dihitung sebagai produk dari probabilitas pembentukan jejak kondensasi yang dihitung dari model ML dan pemaksaan energi efektif dari jejak kondensasi ini yang dihitung dari model CoCiP.

Nilai indeks pemaksaan kontrail

Nilai perkiraan pemaksaan energi efektif yang dihitung kemudian dapat dipetakan ke skala 0 hingga 4 untuk menghasilkan nilai indeks pemaksaan Jejak Kondensasi. Nilai indeks pemaksaan contrail terinspirasi oleh nilai perkiraan turbulensi.

Contrails API menerjemahkan expected_effective_energy_forcing ke indeks tingkat keparahan contrails melalui pemangkasan dan skala linear:

ds["contrails"] = ds["expected_effective_energy_forcing"].clip(min=2e7, max=2e8)
ds["contrails"] = ((ds["contrails"] - 2e7) / (2e8 - 2e7)) * 4

Untuk mengetahui informasi latar belakang selengkapnya tentang pemetaan ini, lihat Penafsiran Pemaksaan Energi.

Selain itu, Anda dapat membaca catatan rilis Contrails API dan berlangganan pengumuman untuk mendapatkan notifikasi tentang perubahan pada skala ini.

CO2-equivalents

Paksaan energi efektif yang diharapkan juga dapat ditafsirkan dalam hal dampak iklim kontrail yang sebanding dengan karbon dioksida, yaitu, setara dengan $\text{CO}_2$.

Untuk menghitung setara $\text{CO}_2$ dari perkiraan pemanasan contrail, gunakan konversi berikut:

\[ \text{CO}_2\text{eq [kg]} = EEEF \text{ [J]} \times \text{GWP Factor} \]

dengan:

EEEF adalah Expected Effective Energy Forcing
Faktor GWP adalah Faktor Potensi Pemanasan Global; kebalikan dari total pemaksaan energi terintegrasi yang dihasilkan oleh 1 kg $\text{CO}_2$ selama jangka waktu tertentu (H, dalam tahun). Dapat berupa GWP 20, 50, atau 100.

Penawaran Faktor GWP

Berdasarkan rentang waktu 20, 50, dan 100 tahun, Faktor GWP yang ditawarkan:

Rentang waktu	Faktor GWP (kg-$\text{CO}_2$/J)
GWP20	2,497e-9
GWP50	1,173e-9
GWP100	6,779e-10

Penghitungan Faktor GWP

Faktor GWP ini berasal dari Potensi Pemanasan Global Absolut (AGWP) untuk $\text{CO}_2$ menggunakan faktor IPCC AR5 dan penghitungan berikut:

\[ \text{GWP Factor} = \frac{1}{AGWP_{\text{CO}_2, H} \times A_{\text{earth}} \times S_{\text{year}}} \]