Мы используем две разные модели для прогнозирования инверсионных следов. Первая модель, основанная на машинном обучении (ML), предсказывает вероятность образования инверсионных следов. Модель прогнозирования зоны вероятности инверсионных следов (CLZ) ML представляет собой глубокую нейронную сеть, которая принимает погодные характеристики в качестве входных данных и прогнозирует CLZ на основе обнаружений спутниковых следов инверсионных следов (Geraedts et al. 2023). Входные данные модели ML состоят в основном из погодных условий HRES. В частности, мы используем удельную влажность, температуру, компонент u ветра, компонент v ветра, вертикальную скорость, относительную завихренность, долю облачного покрова, удельное содержание ледяной воды в облаках, удельное содержание снеговой воды и дивергенцию. Мы используем относительную влажность, рассчитанную с учетом удельной влажности и температуры. Мы также используем местное солнечное время, день года, широту и высоту путевых точек полета в качестве входных признаков. Для нашего прогноза по США мы дополнительно используем долготу в качестве признака. Модель достигает самых современных характеристик при сравнении с данными наблюдений за инверсионным следом.
Вторая модель, модель Contrail Cirrus Prediction (CoCiP), предсказывает энергетическое воздействие инверсионного следа, которое является мерой воздействия инверсионного следа на климат. Энергетическое воздействие определяется как
это означает мгновенное радиационное воздействие инверсионного следа, интегрированное за время его существования (Teoh et al. 2020). Мы также нормализуем воздействие энергии по расстоянию полета, что приводит к его единицам \(J/m\).
CoCiP — это основанная на физике модель, которая имитирует образование, эволюцию и воздействие инверсионных следов с использованием атмосферных условий, типа самолета, траектории полета и других особенностей (Шуманн, 2012; Шуман и др., 2012). Мы используем 10 членов ансамбля из ансамблей прогнозов высокого разрешения ECMWF (HRES ENS) в качестве входных данных для CoCiP для переноса точек маршрута полета, где образовались инверсионные следы, вперед во времени (Hersbach et al. 2020). Модель CoCiP также использует теорию облачной микрофизики, чтобы определить, какие инверсионные следы сохраняются, учитывая первоначальный нисходящий поток, падение и сублимацию. Учитывая смоделированную эволюцию инверсионного следа, CoCiP рассчитывает энергетическое воздействие на основе свойств инверсионного следа и окружающих погодных условий.
В дополнение к оценке энергетического воздействия CoCiP мы используем климатологическую оценку энергетического воздействия. Климатологические данные рассчитываются путем усреднения годовых результатов CoCiP, сгруппированных по времени суток, сезону и широте.
Окончательная величина энергетического воздействия представляет собой среднее значение энергетического воздействия от членов ансамбля CoCiP с ненулевым EF и климатологического среднего значения, которое всегда ненулевое. Включая климатологические данные в среднее значение, мы всегда имеем оценку воздействия инверсионного следа, даже если CoCiP не прогнозирует образование инверсионного следа, используя какой-либо из членов ансамбля погоды.
Мы объединяем эти два прогноза с помощью продукта:
ожидаемое эффективное энергетическое воздействие \(=\) (вероятность образования инверсионного следа, модель ML) \(\times\) (энергетическое воздействие на инверсионный след, CoCiP и климатология) \(\times\) (Коэффициент преобразования RF -> ERF, 0,42)
Ссылки
Гераедтс, Скотт, Эрика Брэнд, Томас Р. Дин, Себастьян Истхэм, Карл Элкин, Зебедайя Энгберг, Ульрика Хагер и др. 2023. «Масштабируемая система для измерения образования инверсионных следов для каждого полета». arXiv [Physics.ao-Ph]. arXiv. http://arxiv.org/abs/2308.02707.
Херсбах, Ханс, Билл Белл, Пол Беррисфорд, Сёдзи Хирахара, Андраш Хораньи, Хоакин Муньос-Сабатер, Жюльен Николас и др. 2020. «Глобальный реанализ ERA5». Ежеквартальный журнал Королевского метеорологического общества 146 (730): 1999–2049 гг.
Шуман, У. 2012. «Модель прогнозирования следа перистых облаков». Разработка геонаучной модели 5 (3): 543-80.
Шуман У., Б. Майер, К. Граф и Х. Манштейн. 2012. «Параметрическая модель радиационного воздействия для перистых следов». Журнал прикладной метеорологии и климатологии 51 (7): 1391-1406.
Шапиро, Марк, Зеб Энгберг, Роджер Тео, Марк Стеттлер и Том Дин. 2023. Pycontrails: библиотека Python для моделирования воздействия авиации на климат. https://doi.org/10.5281/zenodo.825291
Тео, Роджер, Ульрих Шуман, Арнаб Маджумдар и Марк Э. Дж. Стеттлер. 2020. «Смягчение воздействия на климат инверсионных следов самолетов за счет небольших отклонений и внедрения технологий». Экологические науки и технологии 54 (5): 2941-50.