Google uses AI technology to translate content into your preferred language. AI translations can contain errors.

Perkiraan kontrail

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

Model berbasis ML

Model prakiraan Zona Kemungkinan Jejak Awan (CLZ) berbasis ML memprediksi probabilitas pembentukan jejak awan. Model ini adalah jaringan neural dalam yang menggunakan fitur cuaca sebagai input dan memprediksi CLZ berdasarkan deteksi jejak awan satelit (Geraedts et al. 2023).

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

Untuk beberapa area geografis (misalnya, Amerika Serikat), model di-fine-tune untuk menggunakan lintang, bujur, dan ketinggian sebagai fitur input, sedangkan penggantian global model hanya menggunakan lintang dan ketinggian.

Model ini mencapai performa terbaik saat dievaluasi berdasarkan data jejak pesawat pengamatan.

Model CoCiP

Model Prediksi Awan Sirrus Kontrail memprediksi paksaan 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 gaya radiatif instan kontrail yang terintegrasi selama masa pakainya (Teoh et al. 2020). Gaya energi dinormalisasi berdasarkan jarak penerbangan, sehingga menghasilkan satuan (J/m).

CoCiP adalah model berbasis fisika yang menyimulasikan pembentukan, evolusi, dan dampak jejak pesawat menggunakan kondisi atmosfer, jenis pesawat, jalur penerbangan, dan fitur lainnya (Schumann 2012; Schumann et al. 2012). Model ini menggunakan 10 anggota ansambel dari ansambel perkiraan beresolusi tinggi ECMWF (HRES ENS) sebagai input untuk mengadveksi titik jalan penerbangan tempat jejak pesawat terbentuk di masa depan (Hersbach et al. 2020). Model CoCiP juga menggunakan teori mikrofisika awan untuk menentukan kontrail mana yang bertahan, dengan memperhitungkan downdraft awal, jatuh, dan sublimasi. Mengingat evolusi kontrail yang disimulasikan, CoCiP menghitung pemaksaan energi berdasarkan properti kontrail dan kondisi cuaca di sekitarnya.

Selain perkiraan gaya energi CoCiP, perkiraan gaya energi klimatologis dihitung dengan merata-ratakan output CoCiP selama setahun, yang dikelompokkan berdasarkan waktu dalam sehari, musim, dan lintang.

Kuantitas paksaan energi akhir adalah rata-rata paksaan energi dari anggota ansambel CoCiP dengan EF bukan nol dan rata-rata klimatologis, yang selalu bukan nol. Dengan menyertakan klimatologi dalam rata-rata, perkiraan dampak jejak pesawat dapat dipastikan, meskipun CoCiP tidak memprediksi pembentukan jejak pesawat menggunakan anggota ansambel cuaca mana pun.

Perkiraan gaya energi efektif

Kemudian, perkiraan gaya energi efektif dihitung sebagai hasil perkalian probabilitas pembentukan jejak pesawat yang dihitung dari model ML dan gaya energi efektif jejak pesawat ini yang dihitung dari model CoCiP.

Nilai indeks paksaan kontrail

Nilai paksaan energi efektif yang dihitung kemudian dapat dipetakan ke skala 0 hingga 4 untuk menghasilkan nilai indeks paksaan jejak pesawat. Nilai indeks paksaan jejak pesawat 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 Interpretasi Pemaksaan Energi.

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

Setara CO2

Perkiraan gaya energi efektif juga dapat diinterpretasikan dalam hal dampak iklim kontrail yang sebanding dengan karbon dioksida, yaitu, $\text{CO}_2$-ekuivalennya.

Untuk menghitung $\text{CO}_2$-ekuivalen pemanasan jejak pesawat yang diperkirakan, 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 gaya 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 jangka waktu 20, 50, dan 100 tahun, Faktor GWP yang ditawarkan adalah:

Horizon 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 perhitungan berikut:

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