Utilizziamo due modelli diversi per prevedere le scie di condensazione. Il primo, un modello basato sul machine learning (ML), prevede la probabilità di formazione di scie di condensazione. Il modello di previsione delle zone con probabilità di formazione di scie di condensazione (CLZ) basato su ML 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). Gli input del modello di ML sono costituiti principalmente da elementi meteorologici HRES. In particolare, utilizziamo 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. Utilizziamo l'umidità relativa calcolata utilizzando umidità e temperatura specifiche. Utilizziamo anche l'ora solare locale, il giorno dell'anno, la latitudine e l'altitudine dei waypoint di volo come caratteristiche di input. Per le nostre previsioni negli Stati Uniti, utilizziamo anche la longitudine come caratteristica. Il modello raggiunge prestazioni all'avanguardia se valutato in base ai dati osservazionali delle scie di condensazione.
Il secondo modello, il modello di previsione delle scie di condensazione (CoCiP), prevede l'energia forzata della scia di condensazione, che è una misura dell'impatto climatico della scia di condensazione. L'energia forzata è definita come
ovvero l'effetto serra istantaneo della scia di condensa integrato per tutta la sua durata (Teoh et al. 2020). Inoltre, normalizziamo l'energia forzata in base alla distanza del volo, ottenendo le 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). Utilizziamo 10 membri dell'ensemble di previsioni ad alta risoluzione (HRES ENS) del Centro europeo per le previsioni meteorologiche a medio termine (ECMWF) come input per CoCiP per advectionare i waypoint di volo in cui si sono formate le scie di condensazione in avanti 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 condensa, CoCiP calcola l'energia forzata in base alle proprietà della scia di condensa e alle condizioni meteorologiche circostanti.
Oltre alla stima del forcing energetico del CoCiP, utilizziamo una stima climatologica del forcing energetico. La climatologia viene calcolata facendo la media di un anno di output di CoCiP, raggruppati in base all'ora del giorno, alla stagione e alla 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. Se includiamo la climatologia nella media, abbiamo sempre 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.
Combiniamo queste due previsioni utilizzando un prodotto:
forzamento energetico effettivo previsto \(=\) (probabilità di formazione di una scia di condensazione, modello ML) \(\times\) (forzamento energetico della scia di condensazione, CoCiP e climatologia) \(\times\) (fattore di conversione RF -> ERF, 0,42)
Riferimenti
Geraedts, Scott, Erica Brand, Thomas R. Dean, Sebastian Eastham, Carl Elkin, Zebediah Engberg, Ulrike Hager e altri. 2023. "A Scalable System to Measure Contrail Formation on a per-Flight Basis" (Un sistema scalabile per misurare la formazione di scie di condensazione su base di volo). 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 e altri. 2020. "La rianalisi globale ERA5". 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 e 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.