Do prognozowania smug kondensacyjnych używamy 2 różnych modeli. Pierwszy model oparty na uczeniu maszynowym (ML) przewiduje prawdopodobieństwo tworzenia się smug kondensacyjnych. Model prognozowania strefy prawdopodobieństwa smug kondensacyjnych (CLZ) oparty na ML to głęboka sieć neuronowa, która przyjmuje jako dane wejściowe właściwości pogodowe i prognozuje strefy prawdopodobieństwa na podstawie wykrywania smug kondensacyjnych przez satelity (Geraedts i inni 2023 r.). Dane wejściowe modelu ML składają się głównie z funkcji pogodowych HRES. W szczególności używamy danych o wilgotności, temperaturze, komponencie u wiatru, komponencie v wiatru, prędkości pionowej, względnej vortyczności, ułamku pokrycia chmur, zawartości wody w chmurach lodowych, zawartości wody w śniegu i dywergencji. Używamy względnej wilgotności powietrza obliczonej na podstawie względnej wilgotności i temperatury. Jako dane wejściowe wykorzystujemy też lokalny czas słoneczny, dzień w roku, szerokość geograficzną i wysokość punktów drogi lotu. W przypadku prognozy dla Stanów Zjednoczonych dodatkowo używamy długości geograficznej. Model osiąga najnowocześniejszą wydajność w porównaniu z danymi obserwacyjnymi dotyczącymi smug kondensacyjnych.
Drugi model, model prognozowania smug kondensacyjnych (CoCiP), przewiduje wpływ smugi kondensacyjnej na klimat, czyli jej wpływ na klimat. Wymuszanie energii jest zdefiniowane jako
oznacza to, że natężenie promieniowania cienia kondensacyjnego jest zintegrowane w czasie trwania tego zjawiska (Teoh i inni 2020). Normalizujemy też nakładanie energii przez odległość lotu, co prowadzi do jednostek \(J/m\).
CoCiP to model oparty na fizyce, który symuluje powstawanie smug kondensacyjnych, ich ewolucję i wpływ na podstawie warunków atmosferycznych, typu samolotu, trajektorii lotu i innych cech (Schumann 2012; Schumann i in. 2012). Do obliczeń CoCiP używamy 10 elementów zbioru prognoz ECMWF o wysokiej rozdzielczości (HRES ENS) w celu przesuwania w czasie punktów drogi lotu, w których powstały smugi kondensacyjne (Hersbach i in., 2020). Model CoCiP wykorzystuje też teorię mikrofizyki chmur do określania, które smugi kondensacyjne się utrzymują, uwzględniając początkowy prąd zstępujący, opadanie i sublimację. Na podstawie symulowanej ewolucji smug kondensacyjnych CoCiP oblicza stężenie energii na podstawie właściwości smug kondensacyjnych i otaczających warunków pogodowych.
Oprócz szacunków CoCiP dotyczących czynników wpływających na klimat, używamy też szacunków klimatologicznych. Klimatologia jest obliczana przez uśrednianie wyników CoCiP w ciągu roku, pogrupowanych według pory dnia, pory roku i szerokości geograficznej.
Ostateczna wielkość czynnika energetycznego to średnia czynnika energetycznego z elementów zbioru CoCiP z niezerowym EF oraz średnia klimatyczna, która zawsze jest różna od zera. Dzięki uwzględnieniu klimatologii w średniej zawsze mamy szacowany wpływ smug kondensacyjnych, nawet wtedy, gdy CoCiP nie przewiduje ich powstania przy użyciu żadnego z elementów zbioru danych pogodowych.
Te dwa prognozy są łączone za pomocą mnożenia:
oczekiwaną skuteczną siłą napędową energii \(=\) (prawdopodobieństwo tworzenia smug kondensacyjnych, model ML) \(\times\) (siła napędowa smugi kondensacyjnych, CoCiP i klimatologia) \(\times\) (RF -> współczynnik konwersji ERF, 0,42)
Pliki referencyjne
Geraedts, Scott, Erica Brand, Thomas R. Dean, Sebastian Eastham, Carl Elkin, Zebediah Engberg, Ulrike Hager i inni. 2023 r. „A Scalable System to Measure Contrail Formation on a Per-Flight Basis” (Angielski) 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 r. „Model przewidywania smug kondensacyjnych”. 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: 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 r. „Mitigating the Climate Forcing of Aircraft Contrails by Small-Scale Diversions and Technology Adoption” Environmental Science & Technology 54 (5): 2941-50.