L'API Contrails utilizza due modelli diversi per prevedere le scie di condensazione: un modello basato sul machine learning(ML) che prevede le zone con probabilità di scie di condensazione e un modello basato sulla fisica, Contrail Cirrus Prediction (CoCiP), che prevede il riscaldamento.
Modello basato su ML
Il modello di previsione della zona probabile di formazione delle scie di condensazione (CLZ) basato su ML prevede la probabilità di formazione delle scie di condensazione. Il modello è una rete neurale profonda che prende come input le caratteristiche meteorologiche e prevede le CLZ in base ai rilevamenti satellitari delle scie di condensazione (Geraedts et al. 2023).
I suoi input sono costituiti principalmente da caratteristiche meteorologiche HRES: umidità specifica, temperatura, componente u del vento, componente v del vento, velocità verticale, vorticità relativa, frazione di copertura nuvolosa, contenuto specifico di acqua ghiacciata nelle nuvole, contenuto specifico di acqua nella neve e divergenza. L'umidità relativa viene calcolata utilizzando l'umidità specifica e la temperatura. Gli input del modello includono anche l'ora solare locale, il giorno dell'anno e l'altitudine dei waypoint di volo.
Per alcune aree geografiche (ad es. gli Stati Uniti), il modello è ottimizzato per utilizzare latitudine, longitudine e altitudine come caratteristiche di input, mentre il modello di riserva globale utilizza solo l'altitudine (e non utilizza latitudine o longitudine).
Il modello raggiunge prestazioni allo stato dell'arte se valutato rispetto ai dati osservativi sulle scie di condensazione.
Modello CoCiP
Il modello di previsione dei cirri di condensazione prevede il forzante energetico della scia di condensazione, che è una misura dell'impatto climatico della scia di condensazione.
Il forzante energetico è definito come:
\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]
ovvero il forzante radiativo istantaneo della scia di condensazione integrato nel corso della sua durata (Teoh et al. 2020). Il forzante energetico è normalizzato in base alla distanza di volo, con unità di misura (J/m).
CoCiP è un modello basato sulla fisica che simula la formazione, l'evoluzione e l'impatto delle scie di condensazione utilizzando le condizioni atmosferiche, il tipo di aeromobile, la traiettoria di volo e altre caratteristiche (Schumann 2012; Schumann et al. 2012). Il modello utilizza 10 membri dell'ensemble provenienti dagli ensemble di previsione ad alta risoluzione (HRES ENS) di ECMWF come input per l'avvezione dei waypoint di volo in cui si sono formate le scie di condensazione nel tempo (Hersbach et al. 2020). Il modello CoCiP utilizza anche la teoria della microfisica delle nuvole per determinare quali scie di condensazione persistono, tenendo conto della corrente discendente iniziale, della caduta e della sublimazione. Data l'evoluzione simulata della scia di condensazione, CoCiP calcola il forzante energetico in base alle proprietà della scia di condensazione e alle condizioni meteorologiche circostanti.
Oltre alla stima del forzante energetico di CoCiP, viene calcolata una stima climatologica del forzante energetico facendo la media di un anno di output di CoCiP, raggruppati per ora del giorno, stagione e latitudine.
La quantità finale di forzatura energetica è una media della forzatura energetica dei membri dell'ensemble CoCiP con EF diverso da zero e della media climatologica, che è sempre diversa da zero. L'inclusione della climatologia nella media garantisce una stima dell'impatto delle scie di condensazione, anche quando CoCiP non ne prevede la formazione utilizzando uno dei membri dell'ensemble meteorologico.
Forzante energetico effettivo previsto
Il forzante energetico effettivo previsto viene quindi calcolato come il prodotto delle probabilità di formazione delle scie di condensazione calcolate dal modello ML e del forzante energetico effettivo di queste scie di condensazione calcolato dal modello CoCiP.
Valori dell'indice di forzatura delle scie di condensazione
I valori calcolati della forzatura energetica effettiva prevista possono quindi essere mappati su una scala da 0 a 4 per produrre i valori dell'indice di forzatura delle scie di condensazione. I valori dell'indice di forzatura delle scie di condensazione sono ispirati ai valori di previsione della turbolenza.
L'API Contrails traduce expected_effective_energy_forcing nell'indice di gravità contrails tramite il clipping e una scala lineare:
ds["contrails"] = ds["expected_effective_energy_forcing"].clip(min=2e7, max=2e8)
ds["contrails"] = ((ds["contrails"] - 2e7) / (2e8 - 2e7)) * 4
Per ulteriori informazioni su questa mappatura, consulta Interpretazione del forzante energetico.
Inoltre, puoi leggere le note di rilascio dell'API Contrails e iscriverti agli annunci per ricevere notifiche sulle modifiche a questa scala.
CO2 equivalenti
La forzatura energetica effettiva prevista può anche essere interpretata in termini di impatto climatico delle scie di condensazione paragonabile all'anidride carbonica, ovvero il loro equivalente di $\text{CO}_2$.
Per calcolare l'equivalente di $\text{CO}_2$ del riscaldamento previsto delle scie di condensazione, utilizza la seguente conversione:
\[ \text{CO}_2\text{eq [kg]} = EEEF \text{ [J]} \times \text{GWP Factor} \]
dove:
- EEEF è l'Expected Effective Energy Forcing (forzante energetico effettivo previsto)
- Fattore GWP è il fattore del potenziale di riscaldamento globale, l'inverso del forcing energetico integrato totale prodotto da 1 kg di $\text{CO}_2$ in un orizzonte temporale specifico (H, in anni). Può essere GWP 20, 50 o 100.
Offerte GWP Factor
In base a orizzonti temporali di 20, 50 e 100 anni, i fattori GWP offerti sono:
| Orizzonte temporale | Fattore GWP (kg-$\text{CO}_2$/J) |
|---|---|
| GWP20 | 2.497e-9 |
| GWP50 | 1,173e-9 |
| GWP100 | 6.779e-10 |
Calcolo del fattore GWP
Questi fattori GWP derivano dal potenziale di riscaldamento globale assoluto (AGWP) per la $\text{CO}_2$ utilizzando i fattori IPCC AR5 e il seguente calcolo:
\[ \text{GWP Factor} = \frac{1}{AGWP_{\text{CO}_2, H} \times A_{\text{earth}} \times S_{\text{year}}} \]
dove:
- $AGWP_{\text{CO}_2, H}$: potenziale di riscaldamento globale assoluto della $\text{CO}_2$ per l'orizzonte temporale scelto, proveniente da IPCC AR5
- $A_{\text{earth}}$: area della superficie della Terra ($5,101 \times 10^{14} \text{ m}^2$)
- $S_{\text{year}}$: numero di secondi in un anno ($31.536.000 \text{ s}$)
Licenza
I dati esposti dall'API Forecast sono concessi in licenza ai sensi della licenza CC BY 4.0.
Passaggi successivi
- Leggi la panoramica delle attribuzioni di ContrailWatch per capire come vengono utilizzate le attribuzioni storiche delle scie di condensazione a livello di volo per migliorare la previsione delle scie di condensazione.
Riferimenti
- 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, and 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 e Tom Dean. 2023. Pycontrails: Python Library for Modeling Aviation Climate Impacts. https://doi.org/10.5281/zenodo.825291
- Teoh, Roger, Ulrich Schumann, Arnab Majumdar e 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.
- Teoh, Roger, Zebediah Engberg, Ulrich Schumann, Christiane Voigt, Marc Shapiro, Susanne Rohs e Marc E. J. Stettler. 2024. "Global aviation contrail climate effects from 2019 to 2021." Atmospheric Chemistry and Physics 24: 6071–6093. https://www.researchgate.net/publication/384141259_Global_aviation_contrail_climate_effects_from_2019_to_2021.