Interfejs Contrails API korzysta z 2 różnych modeli prognozowania śladów kondensacyjnych: modelu opartego na uczeniu maszynowym, który przewiduje strefy, w których prawdopodobnie powstaną ślady kondensacyjne, oraz modelu fizycznego o nazwie Contrail Cirrus Prediction (CoCiP), który przewiduje ocieplenie.
Model oparty na uczeniu maszynowym
Model prognozowania prawdopodobnego obszaru powstawania smug kondensacyjnych (CLZ) oparty na uczeniu maszynowym przewiduje prawdopodobieństwo powstawania smug kondensacyjnych. Model to głęboka sieć neuronowa, która przyjmuje jako dane wejściowe cechy pogodowe i przewiduje CLZ na podstawie wykrywania smug kondensacyjnych z satelity (Geraedts i in. 2023).
Dane wejściowe modelu to głównie dane pogodowe HRES: wilgotność właściwa, temperatura, składowa u wiatru, składowa v wiatru, prędkość pionowa, względna wirowość, ułamek zachmurzenia, zawartość wody w lodzie w chmurach, zawartość wody w śniegu i dywergencja. Wilgotność względną oblicza się na podstawie wilgotności bezwzględnej i temperatury. Dane wejściowe modelu obejmują też lokalny czas słoneczny, dzień roku, szerokość geograficzną i wysokość punktów trasy lotu.
W przypadku niektórych obszarów geograficznych (np. Stanów Zjednoczonych) model jest dostrajany do używania szerokości i długości geograficznej oraz wysokości jako cech wejściowych, natomiast globalny model rezerwowy używa tylko szerokości geograficznej i wysokości.
Model osiąga najwyższą skuteczność w porównaniu z danymi obserwacyjnymi dotyczącymi śladów kondensacyjnych.
Model CoCiP
Model prognozowania chmur cirrus powstałych ze smug kondensacyjnych przewiduje wymuszenie energetyczne smug kondensacyjnych, które jest miarą wpływu smug kondensacyjnych na klimat.
Wymuszanie energii jest zdefiniowane w ten sposób:
\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]
czyli chwilowe wymuszanie radiacyjne śladu kondensacyjnego zintegrowane w czasie jego istnienia (Teoh i in. 2020). Wymuszenie energetyczne jest normalizowane przez odległość lotu, co daje jednostkę (J/m).
CoCiP to model fizyczny, który symuluje powstawanie, ewolucję i wpływ smug kondensacyjnych na podstawie warunków atmosferycznych, typu samolotu, trasy lotu i innych cech (Schumann 2012; Schumann i in. 2012). Model wykorzystuje 10 elementów zespołu prognoz z zespołów prognoz o wysokiej rozdzielczości (HRES ENS) ECMWF jako dane wejściowe do przenoszenia punktów trasy lotu, w których utworzyły się smugi kondensacyjne, w przyszłość (Hersbach i in. 2020). Model CoCiP wykorzystuje też teorię mikrofizyki chmur do określania, które smugi kondensacyjne utrzymują się, uwzględniając początkowy prąd zstępujący, opadanie i sublimację. Na podstawie symulowanej ewolucji smug kondensacyjnych model CoCiP oblicza wymuszenie energetyczne na podstawie właściwości smug kondensacyjnych i otaczających warunków pogodowych.
Oprócz oszacowania wymuszania radiacyjnego przez CoCiP obliczane jest też oszacowanie klimatyczne wymuszania radiacyjnego. W tym celu uśrednia się dane wyjściowe CoCiP z całego roku, podzielone na przedziały czasowe, pory roku i szerokości geograficzne.
Końcowa wartość wymuszenia energetycznego jest średnią wartości wymuszenia energetycznego z członków zespołu CoCiP o niezerowym EF i średniej klimatycznej, która zawsze jest niezerowa. Uwzględnienie klimatologii w średniej zapewnia oszacowanie wpływu smug kondensacyjnych nawet wtedy, gdy CoCiP nie przewiduje ich powstawania w żadnym z elementów zespołu prognoz pogody.
Oczekiwane efektywne wymuszanie energii
Oczekiwane efektywne wymuszanie energii jest obliczane jako iloczyn prawdopodobieństwa powstania smug kondensacyjnych obliczonego na podstawie modelu ML i efektywnego wymuszania energii przez te smugi obliczonego na podstawie modelu CoCiP.
Wartości indeksu wymuszania smug kondensacyjnych
Obliczone oczekiwane wartości efektywnego wymuszania energii można następnie przypisać do skali od 0 do 4, aby uzyskać wartości indeksu wymuszania smug kondensacyjnych. Wartości indeksu wymuszania smug kondensacyjnych są inspirowane wartościami prognozy turbulencji.
Interfejs Contrails API przekształca expected_effective_energy_forcing na indeks ważnościcontrails za pomocą przycinania i skali liniowej:
ds["contrails"] = ds["expected_effective_energy_forcing"].clip(min=2e7, max=2e8)
ds["contrails"] = ((ds["contrails"] - 2e7) / (2e8 - 2e7)) * 4
Więcej informacji o tym mapowaniu znajdziesz w artykule Interpretacja wymuszania energii.
Możesz też zapoznać się z informacjami o wersjach interfejsu Contrails API i zasubskrybować ogłoszenia, aby otrzymywać powiadomienia o zmianach w tej skali.
Co dalej?
- Przeczytaj omówienie atrybucji ContrailWatch, aby dowiedzieć się, jak historyczne atrybucje smug kondensacyjnych na poziomie lotu są wykorzystywane do ulepszania prognozowania smug kondensacyjnych.
Odniesienia
- Geraedts, Scott, Erica Brand, Thomas R. Dean, Sebastian Eastham, Carl Elkin, Zebediah Engberg, Ulrike Hager i in. 2023 r. „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 i in. 2020. „The ERA5 Global Reanalysis”. Quarterly Journal of the Royal Meteorological Society 146 (730): 1999-2049.
- Schumann, U. 2012 r. „A Contrail Cirrus Prediction Model”. Geoscientific Model Development 5 (3): 543-80.
- Schumann, U., B. Mayer, K. Graf i H. Mannstein. 2012 r. „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 i Tom Dean. 2023 r. Pycontrails: biblioteka Pythona do modelowania wpływu lotnictwa na klimat. https://doi.org/10.5281/zenodo.825291
- Teoh, Roger, Ulrich Schumann, Arnab Majumdar i Marc E. J. Stettler. 2020 r. „Mitigating the Climate Forcing of Aircraft Contrails by Small-Scale Diversions and Technology Adoption.” Environmental Science & Technology 54 (5): 2941-50.