Contrails API는 두 가지 다른 모델을 사용하여 비행운을 예측합니다. 비행운이 발생할 가능성이 높은 영역을 예측하는 머신러닝(ML) 기반 모델과 온난화를 예측하는 물리학 기반 모델인 Contrail Cirrus Prediction (CoCiP)입니다.
ML 기반 모델
ML 기반의 비행운 가능 구역 (CLZ) 예측 모델은 비행운 형성 가능성을 예측합니다. 이 모델은 날씨 특징을 입력으로 사용하고 위성 비행운 감지를 기반으로 CLZ를 예측하는 심층 신경망입니다 (Geraedts et al. 2023).
입력은 주로 HRES 날씨 기능으로 구성됩니다. 여기에는 특정 습도, 온도, 바람의 u 구성요소, 바람의 v 구성요소, 수직 속도, 상대 와도, 구름 덮개 비율, 특정 구름 얼음물 함량, 특정 눈물 함량, 발산이 포함됩니다. 상대 습도는 특정 습도와 온도를 사용하여 계산됩니다. 모델의 입력에는 현지 태양시, 연중 일, 위도, 비행 경로 지점의 고도도 포함됩니다.
일부 지리적 영역 (예: 미국)의 경우 모델은 위도, 경도, 고도를 입력 특성으로 사용하도록 미세 조정되지만 모델의 전역 대체는 위도와 고도만 사용합니다.
관측된 비행운 데이터를 기준으로 평가할 때 모델이 최첨단 성능을 달성합니다.
CoCiP 모델
비행운 권운 예측 모델은 비행운의 에너지 강제력을 예측합니다. 이는 비행운의 기후 영향을 측정하는 것입니다.
에너지 강제는 다음과 같이 정의됩니다.
\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]
즉, 수명 동안 통합된 비행운의 순간적인 복사 강제력입니다 (Teoh et al. 2020). 에너지 강제는 비행 거리로 정규화되므로 단위는 (J/m)입니다.
CoCiP는 대기 조건, 항공기 유형, 비행 경로 및 기타 기능을 사용하여 비행운 형성, 진화, 영향을 시뮬레이션하는 물리 기반 모델입니다 (Schumann 2012; Schumann et al. 2012). 이 모델은 ECMWF의 고해상도 예측 앙상블 (HRES ENS)의 앙상블 멤버 10개를 사용하여 시간 경과에 따라 비행 경로가 형성된 비행 경로 지점을 이송하는 입력으로 사용합니다(Hersbach et al. 2020). CoCiP 모델은 또한 구름 미세 물리학 이론을 사용하여 지속되는 비행운을 결정하고 초기 하강 기류, 낙하, 승화를 고려합니다. CoCiP는 시뮬레이션된 비행운의 진화를 고려하여 비행운 속성과 주변 날씨 조건을 기반으로 에너지 강제력을 계산합니다.
CoCiP의 에너지 강제력 추정치 외에도 시간대, 계절, 위도별로 분류된 1년치 CoCiP 출력을 평균하여 기후학적 에너지 강제력 추정치를 계산합니다.
최종 에너지 강제 수량은 EF가 0이 아닌 CoCiP 앙상블 구성원의 에너지 강제와 항상 0이 아닌 기후학적 평균의 평균입니다. 평균에 기후학을 포함하면 CoCiP가 날씨 앙상블 구성원을 사용하여 비행운 형성을 예측하지 않는 경우에도 비행운 영향 추정치를 얻을 수 있습니다.
예상 유효 에너지 강제
예상되는 유효 에너지 강제력은 ML 모델에서 계산된 운항로 형성 확률과 CoCiP 모델에서 계산된 이러한 운항로의 유효 에너지 강제력의 곱으로 계산됩니다.
비행운 강제 지수 값
계산된 예상 유효 에너지 강제 값은 0~4의 스케일에 매핑되어 비행운 강제 지수 값을 생성할 수 있습니다. 비행운 강제력 지수 값은 난기류 예측 값에서 영감을 받았습니다.
Contrails API는 클리핑과 선형 스케일을 통해 expected_effective_energy_forcing를 contrails 심각도 지수로 변환합니다.
ds["contrails"] = ds["expected_effective_energy_forcing"].clip(min=2e7, max=2e8)
ds["contrails"] = ((ds["contrails"] - 2e7) / (2e8 - 2e7)) * 4
이 매핑에 관한 자세한 배경 정보는 에너지 강제 해석을 참고하세요.
또한 비행운 API 출시 노트를 읽고 공지사항을 구독하여 이 규모의 변경사항에 관한 알림을 받을 수 있습니다.
다음 단계
- ContrailWatch 기여 분석 개요를 읽고 과거 항공편 수준의 비행운 기여 분석이 비행운 예측을 개선하는 데 어떻게 사용되는지 알아보세요.
참조
- Geraedts, Scott, Erica Brand, Thomas R. Dean, Sebastian Eastham, Carl Elkin, Zebediah Engberg, Ulrike Hager 외. 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. 만슈타인 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: 항공 기후 영향을 모델링하기 위한 Python 라이브러리. https://doi.org/10.5281/zenodo.825291
- Teoh, Roger, Ulrich Schumann, Arnab Majumdar, Marc E. J. Stettler. 2020. '소규모 우회 및 기술 채택을 통한 항공기 비행운의 기후 강제력 완화' Environmental Science & Technology 54 (5): 2941~50.