Usamos dois modelos diferentes para prever contrails. O primeiro, um modelo baseado em machine learning (ML), prevê a probabilidade de formação de contrails. O modelo de previsão de zona provável de contrails (CLZ, na sigla em inglês) de ML é uma rede neural profunda que usa recursos meteorológicos como entradas e prevê CLZs com base em detecções de contrails de satélite (Geraedts et al., 2023). As entradas do modelo de ML consistem principalmente em recursos meteorológicos do HRES. Em particular, usamos umidade específica, temperatura, componente u do vento, componente v do vento, velocidade vertical, vorticidade relativa, fração de cobertura de nuvens, conteúdo específico de água de gelo em nuvens, conteúdo específico de água de neve e divergência. Usamos a umidade relativa calculada com base na umidade e na temperatura específicas. Também usamos o horário solar local, o dia do ano, a latitude e a altitude dos pontos de passagem do voo como elementos de entrada. Para a previsão dos EUA, também usamos a longitude como um atributo. O modelo alcança a performance de ponta quando avaliado em relação a dados de contrails observacionais.
O segundo modelo, a previsão de cirros de contrails (CoCiP, na sigla em inglês), prevê a força energética do contrail, que é uma medida do impacto climático do contrail. A forçamento energético é definida como
significando a força radiante instantânea da contrail integrada ao longo da vida útil (Teoh et al., 2020). Também normalizamos a força energética por distância de voo, levando a unidades de \(J/m\).
O CoCiP é um modelo baseado na física que simula a formação, a evolução e o impacto de contrails usando condições atmosféricas, tipo de aeronave, rota de voo e outros recursos (Schumann, 2012; Schumann et al., 2012). Usamos 10 membros do conjunto de previsões de alta resolução (HRES ENS, na sigla em inglês) do ECMWF como entradas para a CoCiP para advectar os pontos de passagem de voo em que as estelas se formaram no tempo (Hersbach et al., 2020). O modelo CoCiP também usa a teoria da microfísica de nuvens para determinar quais contrails persistem, considerando a queda inicial, a queda e a sublimação. Dada a evolução simulada da contrail, a CoCiP calcula a força da energia com base nas propriedades da contrail e nas condições climáticas ao redor.
Além da estimativa de forçamento energético do CoCiP, usamos uma estimativa climatológica de forçamento energético. A climatologia é calculada com a média de um ano de saídas da CoCiP, agrupadas por hora do dia, estação e latitude.
A quantidade final de forçamento energético é uma média da força de energia dos membros do conjunto CoCiP com EF diferente de zero e a média climatológica, que é sempre diferente de zero. Ao incluir a climatologia na média, sempre temos uma estimativa do impacto da contrail, mesmo quando a CoCiP não prevê a formação de uma contrail usando nenhum dos membros do conjunto de dados meteorológicos.
Combinamos essas duas previsões usando um produto:
força de energia efetiva esperada \(=\) (probabilidade de formação de uma contrail, modelo de ML) \(\times\) (força de energia da contrail, CoCiP e climatologia) \(\times\) (RF -> fator de conversão de ERF, 0,42)
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" (Um sistema escalonável para medir a formação de contrails em cada voo). 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. "A reanálise global ERA5." 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" (Mitigando a força climática dos rastros de condensação de aeronaves por desvios de pequena escala e adoção de tecnologia). Environmental Science & Technology 54 (5): 2941-50.