A API Contrails usa dois modelos diferentes para prever rastros de condensação: um modelo baseado em machine learning(ML) que prevê zonas prováveis de rastros de condensação e um modelo baseado em física, o Contrail Cirrus Prediction (CoCiP), que prevê o aquecimento.
Modelo baseado em ML
O modelo de previsão de zona provável de rastros de condensação (CLZ, na sigla em inglês) com base em ML prevê a probabilidade de formação de rastros. O modelo é uma rede neural profunda que usa atributos climáticos como entradas e prevê CLZs com base em detecções de rastros de condensação de satélites (Geraedts et al., 2023).
As entradas consistem principalmente em recursos climáticos de alta resolução: umidade específica, temperatura, componente u do vento, componente v do vento, velocidade vertical, vorticidade relativa, fração de cobertura de nuvens, conteúdo específico de água gelada das nuvens, conteúdo específico de água da neve e divergência. A umidade relativa é calculada usando umidade específica e temperatura. As entradas do modelo também incluem horário solar local, dia do ano, latitude e altitude dos pontos de referência do voo.
Para algumas áreas geográficas (por exemplo, os Estados Unidos), o modelo é ajustado para usar latitude, longitude e altitude como recursos de entrada, enquanto o fallback global do modelo usa apenas latitude e altitude.
O modelo alcança um desempenho de ponta quando avaliado em relação a dados de rastros de condensação observacionais.
Modelo CoCiP
O modelo de previsão de cirrus de trilha de condensação prevê o forçamento energético da trilha, que é uma medida do impacto climático dela.
O forçamento energético é definido como:
\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]
ou seja, o forçamento radiativo instantâneo do rastro de condensação integrado ao longo da vida útil dele (Teoh et al., 2020). A força energética é normalizada pela distância do voo, resultando em unidades de (J/m).
O CoCiP é um modelo baseado em física que simula a formação, a evolução e o impacto dos rastros de condensação usando condições atmosféricas, tipo de aeronave, trajetória de voo e outros recursos (Schumann 2012; Schumann et al. 2012). O modelo usa 10 membros de conjunto dos conjuntos de previsão de alta resolução (HRES ENS, na sigla em inglês) do ECMWF como entradas para advectar os pontos de referência de voo em que as esteiras de condensação se formaram ao longo do tempo (Hersbach et al. 2020). O modelo CoCiP também usa a teoria da microfísica de nuvens para determinar quais rastros de condensação persistem, considerando a corrente descendente inicial, a queda e a sublimação. Com base na evolução simulada do rastro de condensação, o CoCiP calcula o forçamento energético com base nas propriedades do rastro e nas condições climáticas ao redor.
Além da estimativa de forçante radiativa do CoCiP, uma estimativa climatológica de forçante radiativa é calculada fazendo a média de um ano de saídas do CoCiP, agrupadas por hora do dia, estação e latitude.
A quantidade final de forçante energética é uma média da forçante energética dos membros do conjunto CoCiP com EF diferente de zero e da média climatológica, que é sempre diferente de zero. Incluir a climatologia na média garante uma estimativa do impacto dos rastros de condensação, mesmo quando o CoCiP não prevê a formação de um rastro usando qualquer um dos membros do conjunto de previsão do tempo.
Forçante energética efetiva esperada
O forçamento energético efetivo esperado é calculado como o produto das probabilidades de formação de rastros de condensação, que são calculadas com o modelo de ML, e o forçamento energético efetivo desses rastros, que são calculados com o modelo CoCiP.
Valores do índice de forçante de rastros de condensação
Os valores calculados de forçante energética efetiva esperada podem ser mapeados para uma escala de 0 a 4 para produzir valores de índice de forçante de rastro de condensação. Os valores do índice de forçante de esteira de condensação são inspirados nos valores de previsão de turbulência.
A API Contrails traduz expected_effective_energy_forcing para o índice de gravidade contrails usando corte e uma escala linear:
ds["contrails"] = ds["expected_effective_energy_forcing"].clip(min=2e7, max=2e8)
ds["contrails"] = ((ds["contrails"] - 2e7) / (2e8 - 2e7)) * 4
Para mais informações sobre esse mapeamento, consulte Interpretação de imposição de energia.
Além disso, você pode ler as notas da versão da API Contrails e se inscrever para receber anúncios sobre mudanças nessa escala.
A seguir
- Leia a visão geral das atribuições do ContrailWatch para entender como as atribuições históricas de rastros de condensação no nível do voo são usadas para melhorar a previsão de rastros.
Referências
- Geraedts, Scott, Erica Brand, Thomas R. Dean, Sebastian Eastham, Carl Elkin, Zebediah Engberg, Ulrike Hager e outros. 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 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: biblioteca Python para modelagem de impactos climáticos da aviação. 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" (em inglês). Environmental Science & Technology 54 (5): 2941-50.