API Contrails использует две разные модели для прогнозирования инверсионных следов: модель на основе машинного обучения (ML), которая предсказывает зоны вероятности образования инверсионных следов, и физическую модель, Contrail Cirrus Prediction (CoCiP), которая предсказывает потепление.
модель на основе машинного обучения
Модель прогнозирования вероятной зоны образования инверсионных следов (CLZ) на основе машинного обучения предсказывает вероятность образования инверсионных следов. Модель представляет собой глубокую нейронную сеть, которая принимает на вход погодные характеристики и прогнозирует зоны образования инверсионных следов на основе спутниковых данных об их обнаружении ( Geraedts et al. 2023 ).
В качестве входных данных используются в основном метеорологические параметры HRES: удельная влажность, температура, составляющая скорости ветра (u-компонента), составляющая скорости ветра (v-компонента), вертикальная скорость, относительная завихренность, доля облачного покрова, удельное содержание ледяной воды в облаках, удельное содержание воды в снегу и дивергенция. Относительная влажность рассчитывается с использованием удельной влажности и температуры. Входные данные для модели также включают местное солнечное время, день года, широту и высоту точек маршрута полета.
Для некоторых географических регионов (например, Соединенных Штатов) модель дорабатывается с использованием широты, долготы и высоты в качестве входных данных, тогда как в глобальном резервном варианте модель использует только широту и высоту.
При сравнении с данными наблюдений за инверсионными следами модель демонстрирует самые современные результаты.
модель CoCiP
Модель прогнозирования перистых инверсионных следов (Contrail Cirrus Prediction) предсказывает энергетическое воздействие инверсионных следов, которое является мерой климатического влияния этих следов.
Энергетическое воздействие определяется следующим образом:
\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]
Это означает мгновенное радиационное воздействие инверсионного следа, интегрированное за весь период его существования ( Teoh et al. 2020 ). Энергетическое воздействие нормируется по дальности полета, что приводит к его единицам измерения (Дж/м).
CoCiP — это физическая модель, которая имитирует образование, эволюцию и воздействие инверсионных следов, используя атмосферные условия, тип самолета, траекторию полета и другие характеристики ( Schumann 2012 ; Schumann et al. 2012 ). Модель использует 10 членов ансамбля из ансамблей прогнозов высокого разрешения ECMWF (HRES ENS) в качестве входных данных для переноса точек маршрута полета, где образовались инверсионные следы, вперед во времени ( Hersbach et al. 2020 ). Модель CoCiP также использует теорию микрофизики облаков для определения того, какие инверсионные следы сохраняются, учитывая начальный нисходящий поток, падение и сублимацию. На основе смоделированной эволюции инверсионного следа CoCiP рассчитывает энергетическое воздействие, исходя из свойств инверсионного следа и окружающих погодных условий.
В дополнение к оценке энергетического воздействия, полученной с помощью CoCiP, рассчитывается климатологическая оценка энергетического воздействия путем усреднения результатов CoCiP за год, сгруппированных по времени суток, сезону и широте.
Итоговая величина энергетического воздействия представляет собой среднее значение энергетического воздействия от членов ансамбля CoCiP с ненулевым EF и климатологического среднего значения, которое всегда не равно нулю. Включение климатологии в среднее значение обеспечивает оценку воздействия инверсионного следа, даже если CoCiP не прогнозирует образование инверсионного следа, используя данные любого из членов метеорологического ансамбля.
Ожидаемое эффективное энергетическое воздействие
Ожидаемое эффективное энергетическое воздействие затем рассчитывается как произведение вероятностей образования инверсионных следов, вычисленных на основе модели максимального правдоподобия, и эффективного энергетического воздействия этих инверсионных следов, вычисленных на основе модели CoCiP.
Значения индекса воздействия инверсионных следов
Затем вычисленные ожидаемые значения эффективного энергетического воздействия можно сопоставить со шкалой от 0 до 4 для получения значений индекса воздействия инверсионных следов. Значения индекса воздействия инверсионных следов основаны на прогнозируемых значениях турбулентности .
API Contrails преобразует expected_effective_energy_forcing в индекс серьезности contrails посредством обрезки и линейного масштабирования:
ds["contrails"] = ds["expected_effective_energy_forcing"].clip(min=2e7, max=2e8)
ds["contrails"] = ((ds["contrails"] - 2e7) / (2e8 - 2e7)) * 4
Для получения более подробной информации об этом сопоставлении см. раздел «Интерпретация энергетического воздействия» .
Кроме того, вы можете ознакомиться с примечаниями к выпуску API Contrails и подписаться на уведомления, чтобы получать оповещения об изменениях в этом масштабе.
Что дальше?
- Ознакомьтесь с обзором методов атрибуции ContrailWatch , чтобы понять, как исторические данные об атрибуции инверсионных следов на уровне полетов используются для улучшения прогнозирования их образования.
Ссылки
- Герадтс, Скотт, Эрика Бранд, Томас Р. Дин, Себастьян Истхэм, Карл Элкин, Зебедия Энгберг, Ульрике Хагер и др. 2023. «Масштабируемая система для измерения образования инверсионных следов в зависимости от времени 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 перистых инверсионных следов». Разработка геофизических моделей 5 (3): 543-80.
- Шуман, У., Б. Майер, К. Граф и Х. Маннштейн. 2012. «Параметрическая модель радиационного воздействия для перистых инверсионных следов». Журнал прикладной метеорологии и климатологии 51 (7): 1391-1406.
- Шапиро, Марк, Зеб Энгберг, Роджер Тео, Марк Стетлер 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. Штетлер. 2020. «Смягчение климатического воздействия авиационных инверсионных следов путем мелкомасштабных изменений маршрутов и внедрения технологий». Environmental Science & Technology 54 (5): 2941-50.