Чтобы переводить контент на ваш предпочитаемый язык, Google использует технологии на основе искусственного интеллекта. Переводы от ИИ могут содержать ошибки.

Прогнозирование конденсационных следов

Contrails API использует две разные модели для прогнозирования инверсионных следов: модель на основе машинного обучения (ML), которая прогнозирует зоны вероятного образования инверсионных следов, и физическую модель Contrail Cirrus Prediction (CoCiP), которая прогнозирует потепление.

Модель на основе машинного обучения

Модель прогнозирования зон вероятного образования инверсионных следов (CLZ) на основе машинного обучения предсказывает вероятность образования инверсионных следов. Модель представляет собой глубокую нейронную сеть, которая принимает погодные характеристики в качестве входных данных и прогнозирует CLZ на основе обнаружения инверсионных следов со спутников (Geraedts et al. 2023).

Входные данные в основном состоят из погодных характеристик HRES: удельной влажности, температуры, u- и v-компонентов ветра, вертикальной скорости, относительной завихренности, доли облачного покрова, удельного содержания ледяной воды в облаках, удельного содержания воды в снеге и дивергенции. Относительная влажность рассчитывается с использованием удельной влажности и температуры. Входные данные для модели также включают местное солнечное время, день года и высоту путевых точек полета.

Для некоторых регионов (например, США) модель настроена так, чтобы использовать широту, долготу и высоту в качестве входных данных, тогда как глобальная резервная модель использует только высоту (и не использует широту или долготу).

Модель достигает высокой эффективности при оценке на основе данных наблюдений за инверсионными следами.

Модель CoCiP

Предиктивная модель перистых облаков, образованных конденсационными следами, предсказывает энергетическое воздействие следа, которое является мерой его влияния на климат.

Радиационное воздействие определяется следующим образом:

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

то есть мгновенное радиационное воздействие инверсионного следа, интегрированное за время его существования (Teoh et al. 2020). Радиационное воздействие нормализуется по расстоянию полета, поэтому его единицы измерения – Дж/м.

CoCiP – это физическая модель, которая симулирует образование, развитие и воздействие инверсионных следов на основе атмосферных условий, типа самолета, траектории полета и других факторов (Schumann 2012; Schumann et al. 2012). Модель использует 10 ансамблей из ансамблей прогнозов высокого разрешения (HRES ENS) ECMWF в качестве входных данных для адвекции путевых точек полета, где образовались инверсионные следы, вперед во времени (Hersbach et al. 2020). Модель CoCiP также использует теорию микрофизики облаков, чтобы определить, какие следы сохраняются, с учетом начального нисходящего потока, падения и сублимации. На основе смоделированной эволюции конденсационного следа CoCiP рассчитывает радиационное воздействие с учетом свойств следа и погодных условий.

В дополнение к оценке радиационного воздействия, полученной с помощью CoCiP, рассчитывается климатологическая оценка радиационного воздействия путем усреднения результатов CoCiP за год, сгруппированных по времени суток, сезону и широте.

Итоговое значение радиационного воздействия – это среднее значение радиационного воздействия, полученное от участников ансамбля CoCiP с ненулевым радиационным воздействием, и среднее климатологическое значение, которое всегда отлично от нуля. Включение климатологии в среднее значение обеспечивает оценку воздействия инверсионного следа, даже если CoCiP не прогнозирует образование инверсионного следа с использованием любого из элементов ансамбля погоды.

Ожидаемое эффективное радиационное воздействие

Ожидаемое эффективное радиационное воздействие рассчитывается как произведение вероятности образования следа, полученной из модели машинного обучения, и эффективного радиационного воздействия этого следа, полученного из модели CoCiP.

Значения индекса влияния конденсационных следов на климат

Рассчитанные значения ожидаемого эффективного радиационного воздействия можно сопоставить со шкалой от 0 до 4, чтобы получить значения индекса радиационного воздействия инверсионных следов. Значения индекса воздействия инверсионных следов основаны на значениях прогноза турбулентности.

Contrails API преобразует expected_effective_energy_forcing в индекс серьезности contrails с помощью отсечения и линейной шкалы:

ds["contrails"] = ds["expected_effective_energy_forcing"].clip(min=2e7, max=2e8)
ds["contrails"] = ((ds["contrails"] - 2e7) / (2e8 - 2e7)) * 4

Дополнительную информацию об этом сопоставлении можно найти в разделе Интерпретация радиационного воздействия.

Вы также можете ознакомиться с примечаниями к выпуску Contrails API и подписаться на уведомления об изменениях в этой шкале.

Эквивалент CO2

Ожидаемое эффективное радиационное воздействие также можно интерпретировать с точки зрения климатического воздействия конденсационных следов, сопоставимого с диоксидом углерода, то есть их эквивалента $\text{CO}_2$.

Чтобы рассчитать эквивалент $\text{CO}_2$ для прогнозируемого потепления, вызванного конденсационными следами, используйте следующую формулу:

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

где:

EEEF – ожидаемое эффективное энергетическое воздействие.
GWP Factor – это потенциал глобального потепления, величина, обратная общему интегрированному энергетическому воздействию, производимому 1 кг $\text{CO}_2$ за определенный период времени (H, в годах). Возможные значения: GWP 20, 50 или 100.

Предложения по коэффициенту ПГП

В зависимости от временных горизонтов (20, 50 и 100 лет) предлагаются следующие коэффициенты ПГП:

Временной горизонт	Коэффициент ПГП (кг-$\text{CO}_2$/Дж)
GWP20	2,497e-9
GWP50	1,173e-9
GWP100	6,779e-10

Расчет коэффициента ПГП

Эти коэффициенты ПГП получены из абсолютного потенциала глобального потепления (АПГП) для $\text{CO}_2$ с использованием коэффициентов Пятого оценочного доклада МГЭИК и следующего расчета:

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