Contrails API menggunakan dua model berbeda untuk memperkirakan jejak pesawat: model berbasis machine learning(ML) yang memprediksi zona yang berpotensi memiliki jejak pesawat dan model berbasis fisika, Contrail Cirrus Prediction (CoCiP), yang memprediksi pemanasan.
Model berbasis ML
Model prediksi Contrail Likely Zone (CLZ) berbasis ML memprediksi probabilitas pembentukan jejak pesawat. Model ini adalah jaringan neural dalam yang menggunakan 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 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 dari jejak pesawat 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 (HRES ENS) ECMWF sebagai input untuk mengadveksi titik jalan penerbangan tempat jejak pesawat terbentuk ke depan dalam waktu (Hersbach et al. 2020). Model CoCiP juga menggunakan teori mikrofisika awan untuk menentukan jejak pesawat 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.
Jumlah 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 dilakukan, meskipun CoCiP tidak memprediksi pembentukan jejak pesawat menggunakan salah satu anggota ansambel cuaca.
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 Contrail. Nilai indeks paksaan jejak pesawat terinspirasi oleh nilai perkiraan turbulensi.
Contrails API menerjemahkan expected_effective_energy_forcing ke indeks tingkat keparahan contrails melalui clipping 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.
Langkah berikutnya
- Baca ringkasan atribusi ContrailWatch untuk memahami cara penggunaan atribusi jejak pesawat tingkat penerbangan historis untuk meningkatkan perkiraan jejak pesawat.
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. "A Contrail Cirrus Prediction Model". Geoscientific Model Development 5 (3): 543-80.
- Schumann, U., B. Mayer, K. Graf, dan H. Mannstein. 2012. "Model Pemaksaan Radiatif Parametrik untuk Cirrus Jejak Pesawat". 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.