L'API Contrails utilizza due modelli diversi per prevedere le scie di condensazione: un modello basato sul machine learning(ML) che prevede le zone in cui è probabile che si formino 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 in cui è probabile che si formino scie di condensazione (CLZ) basato su ML prevede la probabilità di formazione di 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 delle scie di condensazione satellitari (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 di acqua ghiacciata specifica delle nuvole, contenuto di acqua nevosa specifica 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, la latitudine e l'altitudine dei waypoint di volo.
Per alcune aree geografiche (ad es. Stati Uniti), il modello viene perfezionato per utilizzare la latitudine, la longitudine e l'altitudine come caratteristiche di input, mentre il fallback globale del modello utilizza solo la latitudine e l'altitudine.
Il modello raggiunge prestazioni all'avanguardia se valutato rispetto ai dati osservativi delle scie di condensazione.
Modello CoCiP
Il modello di previsione delle scie di condensazione prevede la forzatura energetica della scia di condensazione, che è una misura dell'impatto climatico della scia di condensazione.
La forzatura energetica è definita come:
\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]
ovvero la forzatura radiativa istantanea della scia di condensazione integrata durante la sua durata (Teoh et al. 2020). La forzatura energetica viene normalizzata in base alla distanza di volo, il che porta alle sue unità di (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 rotta di volo e altre caratteristiche (Schumann 2012; Schumann et al. 2012). Il modello utilizza 10 membri dell'ensemble degli ensemble di previsioni ad alta risoluzione (HRES ENS) dell'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 la forzatura energetica in base alle proprietà della scia di condensazione e alle condizioni meteorologiche circostanti.
Oltre alla stima della forzatura energetica di CoCiP, viene calcolata una stima climatologica della forzatura energetica calcolando la media di un anno di output di CoCiP, suddivisi per ora del giorno, stagione e latitudine.
La quantità di forzatura energetica finale 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 prevede la formazione di una scia di condensazione utilizzando nessuno dei membri dell'ensemble meteorologico.
Forzatura energetica effettiva prevista
La forzatura energetica effettiva prevista viene quindi calcolata come il prodotto delle probabilità di formazione di scie di condensazione calcolate dal modello ML e della forzatura energetica effettiva di queste scie di condensazione calcolata dal modello CoCiP.
Valori dell'indice di forzatura delle scie di condensazione
I valori della forzatura energetica effettiva prevista calcolati possono quindi essere mappati su una scala da 0 a 4 per produrre 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 di base su questa mappatura, consulta Interpretazione della forzatura energetica.
Inoltre, puoi leggere le note di rilascio dell'API Contrails e iscriverti agli annunci per ricevere una notifica delle modifiche apportate a questa scala.
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, and Tom Dean. 2023. Pycontrails: Python Library for Modeling Aviation Climate Impacts. https://doi.org/10.5281/zenodo.825291
- Teoh, Roger, Ulrich Schumann, Arnab Majumdar, and 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.