Google używa technologii AI do tłumaczenia treści na Twój preferowany język. Tłumaczenia wygenerowane przez AI mogą zawierać błędy.

Prognozowanie smug kondensacyjnych

Interfejs Contrails API używa 2 różnych modeli do prognozowania smug kondensacyjnych: modelu opartego na uczeniu maszynowym, który prognozuje strefy, w których mogą wystąpić smugi kondensacyjne, oraz modelu opartego na fizyce, Contrail Cirrus Prediction (CoCiP), który prognozuje ocieplenie.

Model oparty na uczeniu maszynowym

Oparty na systemach uczących się model prognozowania strefy prawdopodobnego występowania smug kondensacyjnych (CLZ) przewiduje prawdopodobieństwo ich powstawania. Model to głęboka sieć neuronowa, która przyjmuje cechy pogodowe jako dane wejściowe i prognozuje CLZ na podstawie wykrywania smug kondensacyjnych przez satelity (Geraedts i inni, 2023).

Dane wejściowe obejmują głównie cechy pogodowe HRES: wilgotność właściwą, temperaturę, składową u wiatru, składową v wiatru, prędkość pionową, względną wirowość, ułamek zachmurzenia, właściwą zawartość lodu w chmurach, właściwą zawartość wody w śniegu i dywergencję. Wilgotność względna jest obliczana na podstawie wilgotności właściwej i temperatury. Dane wejściowe modelu obejmują też lokalny czas słoneczny, dzień roku i wysokość punktów trasy lotu.

W przypadku niektórych obszarów geograficznych (np. Stanów Zjednoczonych) model jest dostosowany do używania szerokości, długości i wysokości geograficznej jako cech wejściowych, podczas gdy globalny model zastępczy używa tylko wysokości (i nie używa szerokości ani długości geograficznej).

Model osiąga najnowocześniejszą wydajność, gdy jest oceniany na podstawie danych obserwacyjnych dotyczących smug kondensacyjnych.

Model CoCiP

Model Contrail Cirrus Prediction przewiduje wymuszanie energii przez smugę kondensacyjną, co jest miarą wpływu smugi na klimat.

Wymuszanie energii jest zdefiniowane jako:

\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]

czyli chwilowe wymuszanie radiacyjne smugi kondensacyjnej zintegrowane w czasie jej istnienia (Teoh i in., 2020). Wymuszanie energii jest normalizowane według odległości lotu, co prowadzi do jednostek (J/m).

CoCiP to model oparty na fizyce, który symuluje powstawanie, ewolucję i wpływ smug kondensacyjnych na podstawie warunków atmosferycznych, typu samolotu, toru lotu i innych cech (Schumann 2012; Schumann i in. 2012). Model wykorzystuje 10 członków zespołu z prognoz ECMWF o wysokiej rozdzielczości (HRES ENS) jako dane wejściowe do adwekcji punktów orientacyjnych lotu, w których smugi kondensacyjne uformowały się w czasie (Hersbach i in. 2020). Model CoCiP wykorzystuje też teorię mikrofizyki chmur do określenia, które smugi kondensacyjne się utrzymują, uwzględniając początkowy prąd zstępujący, opad i sublimację. Na podstawie symulowanej ewolucji smugi kondensacyjnej CoCiP oblicza wymuszanie energii na podstawie właściwości smugi i otaczających warunków pogodowych.

Oprócz oszacowania wymuszania energii przez CoCiP obliczane jest oszacowanie klimatologiczne wymuszania energii przez uśrednienie wyników CoCiP z roku, podzielonych według pory dnia, pory roku i szerokości geograficznej.

Ostateczna wartość wymuszania energii to średnia wymuszania energii z elementów zbioru CoCiP z niezerowym EF i średnią klimatologiczną, która zawsze jest niezerowa. Uwzględnienie klimatologii w średniej zapewnia oszacowanie wpływu smug kondensacyjnych, nawet jeśli CoCiP nie przewiduje ich powstawania na podstawie żadnego z elementów zbioru danych pogodowych.

Oczekiwane efektywne wymuszanie energii

Oczekiwane efektywne wymuszanie energii jest następnie obliczane jako iloczyn prawdopodobieństwa powstania smug kondensacyjnych obliczonego na podstawie modelu ML i efektywnego wymuszania energii tych smug obliczonego na podstawie modelu CoCiP.

Wartości wskaźnika wymuszania smug kondensacyjnych

Obliczone oczekiwane wartości efektywnego wymuszania energii można następnie zmapować na skalę od 0 do 4, aby uzyskać wartości indeksu wymuszania smug kondensacyjnych. Wartości indeksu wymuszania smug kondensacyjnych są inspirowane wartościami prognozy turbulencji.

Interfejs Contrails API przekłada expected_effective_energy_forcing na indeks dotkliwości contrails 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 wersji interfejsu Contrails API i zasubskrybować ogłoszenia, aby otrzymywać powiadomienia o zmianach w tej skali.

ekwiwalent CO2

Oczekiwane efektywne wymuszanie energii można też interpretować pod kątem wpływu smug kondensacyjnych na klimat, który jest porównywalny z wpływem dwutlenku węgla, czyli ich ekwiwalentu $\text{CO}_2$.

Aby obliczyć równoważnik $\text{CO}_2$ prognozowanego ocieplenia spowodowanego przez smugi kondensacyjne, użyj tego przelicznika:

\[ \text{CO}_2\text{eq [kg]} = EEEF \text{ [J]} \times \text{GWP Factor} \]

gdzie:

EEEF to oczekiwane efektywne wymuszanie energii (Expected Effective Energy Forcing).
Współczynnik GWP to współczynnik globalnego ocieplenia, czyli odwrotność całkowitego zintegrowanego wymuszania energii wytwarzanego przez 1 kg $\text{CO}_2$ w określonym horyzoncie czasowym (H, w latach). Może to być GWP 20, 50 lub 100.

Oferty czynników GWP

Współczynniki GWP są oferowane na podstawie horyzontów czasowych wynoszących 20, 50 i 100 lat:

Horyzont czasowy	Współczynnik GWP (kg-$\text{CO}_2$/J)
GWP20	2.497e-9
GWP50	1.173e-9
GWP100	6,779e-10

Obliczanie współczynnika globalnego ocieplenia

Te współczynniki GWP są obliczane na podstawie bezwzględnego współczynnika globalnego ocieplenia (AGWP) dla $\text{CO}_2$ przy użyciu współczynników IPCC AR5 i tego obliczenia:

\[ \text{GWP Factor} = \frac{1}{AGWP_{\text{CO}_2, H} \times A_{\text{earth}} \times S_{\text{year}}} \]