การพยากรณ์คอนเทรล

Contrails API ใช้โมเดล 2 แบบในการคาดการณ์เมฆหางเครื่องบิน ได้แก่ โมเดลที่ใช้แมชชีนเลิร์นนิง (ML) ซึ่งคาดการณ์โซนที่มีแนวโน้มจะเกิดเมฆหางเครื่องบิน และโมเดลที่อิงตามหลักฟิสิกส์อย่าง Contrail Cirrus Prediction (CoCiP) ซึ่งคาดการณ์ภาวะโลกร้อน

โมเดลที่อิงตาม ML

โมเดลการคาดการณ์ Contrail Likely Zone (CLZ) ที่อิงตาม ML จะคาดการณ์ความน่าจะเป็นของการเกิดคอนเทรล โมเดลนี้เป็นโครงข่ายประสาทแบบลึกที่ใช้ลักษณะสภาพอากาศเป็นอินพุตและคาดการณ์ CLZ โดยอิงตามการตรวจจับคอนเทรลจากดาวเทียม (Geraedts et al. 2023)

ข้อมูลที่ป้อนส่วนใหญ่ประกอบด้วยลักษณะสภาพอากาศของ HRES ได้แก่ ความชื้นจำเพาะ อุณหภูมิ องค์ประกอบ u ของลม องค์ประกอบ v ของลม ความเร็วในแนวตั้ง ความหมุนวนสัมพัทธ์ สัดส่วนของเมฆที่ปกคลุม ปริมาณน้ำแข็งในเมฆจำเพาะ ปริมาณน้ำในหิมะจำเพาะ และความแตกต่าง ความชื้นสัมพัทธ์จะคำนวณโดยใช้ความชื้นและอุณหภูมิที่เฉพาะเจาะจง ข้อมูลที่ป้อนลงในโมเดลยังรวมถึงเวลาสุริยคติท้องถิ่น วันของปี และระดับความสูงของจุดอ้างอิงของเที่ยวบินด้วย

สำหรับพื้นที่ทางภูมิศาสตร์บางแห่ง (เช่น สหรัฐอเมริกา) โมเดลจะได้รับการปรับแต่งให้ใช้ละติจูด ลองจิจูด และระดับความสูงเป็นฟีเจอร์อินพุต ส่วนโมเดลสำรองทั่วโลกจะใช้เฉพาะระดับความสูง (และไม่ใช้ละติจูดหรือลองจิจูด)

โมเดลนี้มีประสิทธิภาพล้ำสมัยเมื่อประเมินเทียบกับข้อมูลการสังเกตการณ์คอนเทรล

โมเดล CoCiP

โมเดลการคาดการณ์เมฆเซอร์รัสจากคอนเทรลจะคาดการณ์การบังคับพลังงานของคอนเทรล ซึ่งเป็นการวัดผลกระทบต่อสภาพอากาศของคอนเทรล

การบังคับใช้พลังงานมีคำจำกัดความดังนี้

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

ซึ่งหมายถึงการแผ่รังสีที่เกิดขึ้นทันทีของเมฆหางเครื่องบินที่รวมเข้ากับอายุการใช้งาน (Teoh et al. 2020) การบังคับพลังงานจะปรับให้เป็นมาตรฐานตามระยะทางของเที่ยวบิน ซึ่งทำให้มีหน่วยเป็น (J/m)

CoCiP เป็นโมเดลที่อิงตามหลักฟิสิกส์ซึ่งจำลองการก่อตัว วิวัฒนาการ และผลกระทบของคอนเทรลโดยใช้สภาพบรรยากาศ ประเภทเครื่องบิน เส้นทางการบิน และลักษณะอื่นๆ (Schumann 2012, Schumann et al. 2012) โมเดลนี้ใช้สมาชิกกลุ่ม 10 รายจากกลุ่มการพยากรณ์ความละเอียดสูง (HRES ENS) ของ ECMWF เป็นอินพุตสำหรับการพัดพาจุดอ้างอิงของเที่ยวบินที่เกิดคอนเทรลไปข้างหน้า (Hersbach et al. 2020) นอกจากนี้ โมเดล CoCiP ยังใช้ทฤษฎีฟิสิกส์ระดับไมโครของเมฆเพื่อระบุว่าเมฆหางเครื่องบินใดจะคงอยู่ โดยพิจารณาจากกระแสลมลง การตกลงมา และการระเหิดในระยะเริ่มต้น เมื่อพิจารณาถึงวิวัฒนาการจำลองของคอนเทรล CoCiP จะคำนวณการบังคับพลังงานตามคุณสมบัติของคอนเทรลและสภาพอากาศโดยรอบ

นอกเหนือจากค่าประมาณการบังคับพลังงานของ CoCiP แล้ว ระบบจะคำนวณค่าประมาณการบังคับพลังงานทางภูมิอากาศวิทยาโดยการหาค่าเฉลี่ยของเอาต์พุต CoCiP เป็นเวลา 1 ปี โดยแบ่งตามช่วงเวลาของวัน ฤดูกาล และละติจูด

ปริมาณการบังคับพลังงานขั้นสุดท้ายคือค่าเฉลี่ยของการบังคับพลังงานจากสมาชิกกลุ่ม CoCiP ที่มี EF ที่ไม่ใช่ศูนย์และค่าเฉลี่ยทางภูมิอากาศวิทยา ซึ่งไม่ใช่ศูนย์เสมอ การรวมภูมิอากาศวิทยาไว้ในค่าเฉลี่ยจะช่วยให้มั่นใจได้ว่ามีการประมาณผลกระทบของคอนเทรล แม้ว่า CoCiP จะไม่ได้คาดการณ์การก่อตัวของคอนเทรลโดยใช้สมาชิกชุดข้อมูลสภาพอากาศใดๆ ก็ตาม

การบังคับใช้พลังงานที่มีประสิทธิภาพที่คาดไว้

จากนั้นระบบจะคำนวณการบังคับพลังงานที่มีผลที่คาดไว้เป็นผลคูณของความน่าจะเป็นในการก่อตัวของคอนเทรลที่คำนวณจากโมเดล ML และการบังคับพลังงานที่มีผลของคอนเทรลเหล่านี้ที่คำนวณจากโมเดล CoCiP

ค่าดัชนีการบังคับของคอนเทรล

จากนั้นจะสามารถแมปค่าการบังคับพลังงานที่มีประสิทธิภาพที่คาดไว้ซึ่งคำนวณได้กับสเกล 0 ถึง 4 เพื่อสร้างค่าดัชนีการบังคับของคอนเทรล ค่าดัชนีการบังคับเมฆหางเครื่องบินได้รับแรงบันดาลใจจากค่าการคาดการณ์ความปั่นป่วนของอากาศ

Contrails API จะแปล expected_effective_energy_forcing เป็นดัชนีความรุนแรง contrails ผ่านการตัดและการปรับสเกลเชิงเส้น ดังนี้

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

ดูข้อมูลพื้นฐานเพิ่มเติมเกี่ยวกับการแมปนี้ได้ที่การตีความการบังคับใช้พลังงาน

นอกจากนี้ คุณยังอ่านบันทึกประจำรุ่นของ Contrails API และสมัครรับประกาศเพื่อรับการแจ้งเตือนเกี่ยวกับการเปลี่ยนแปลงในระดับนี้ได้ด้วย

เทียบเท่า CO2

นอกจากนี้ ยังสามารถตีความการบังคับพลังงานที่มีประสิทธิภาพที่คาดไว้ในแง่ของผลกระทบต่อสภาพอากาศของคอนเทรลที่เทียบได้กับคาร์บอนไดออกไซด์ ซึ่งก็คือค่าเทียบเท่า $\text{CO}_2$

หากต้องการคำนวณค่าเทียบเท่า $\text{CO}_2$ ของภาวะโลกร้อนที่เกิดจากคอนเทรลที่คาดการณ์ไว้ ให้ใช้การแปลงต่อไปนี้

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

โดยที่

  • EEEF คือ Expected Effective Energy Forcing
  • ปัจจัย GWP คือปัจจัยศักยภาพในการทำให้เกิดภาวะโลกร้อน ซึ่งเป็นค่าผกผันของพลังงานรวมทั้งหมดที่เกิดจาก $\text{CO}_2$ 1 กก. ในช่วงเวลาที่เฉพาะเจาะจง (H ในหน่วยปี) โดยอาจเป็น GWP 20, 50 หรือ 100 ก็ได้

ข้อเสนอ GWP Factor

ปัจจัย GWP ที่เสนอมีดังนี้ โดยอิงตามกรอบเวลา 20, 50 และ 100 ปี

ระยะเวลา ปัจจัย GWP (กก.-$\text{CO}_2$/J)
GWP20 2.497e-9
GWP50 1.173e-9
GWP100 6.779e-10

การคำนวณปัจจัย GWP

ปัจจัย GWP เหล่านี้ได้มาจากศักยภาพในการทำให้เกิดภาวะโลกร้อนแบบสัมบูรณ์ (AGWP) สำหรับ $\text{CO}_2$ โดยใช้ปัจจัย IPCC AR5 และการคำนวณต่อไปนี้

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

โดยที่

  • $AGWP_{\text{CO}_2, H}$: ศักยภาพในการทำให้เกิดภาวะโลกร้อนแบบสัมบูรณ์ของ $\text{CO}_2$ สำหรับกรอบเวลาที่เลือก โดยอ้างอิงจาก IPCC AR5
  • $A_{\text{earth}}$: พื้นที่ผิวของโลก ($5.101 \times 10^{14} \text{ m}^2$)
  • $S_{\text{year}}$: จำนวนวินาทีใน 1 ปี ($31,536,000 \text{ วินาที}$)

ใบอนุญาต

ข้อมูลที่แสดงโดย Forecast API ได้รับอนุญาตภายใต้ CC BY 4.0

ขั้นตอนถัดไป

ข้อมูลอ้างอิง

  • Geraedts, Scott, Erica Brand, Thomas R. Dean, Sebastian Eastham, Carl Elkin, Zebediah Engberg, Ulrike Hager และคณะ 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 และคณะ 2020 "The ERA5 Global Reanalysis" Quarterly Journal of the Royal Meteorological Society 146 (730): 1999-2049.
  • Schumann, U. 2012. "โมเดลการคาดการณ์เมฆเซอรัสที่เกิดจากคอนเทรล" Geoscientific Model Development 5 (3): 543-80.
  • Schumann, U., ข. Mayer, K. Graf และ 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 และ Tom Dean 2023 Pycontrails: ไลบรารี Python สำหรับการสร้างโมเดลผลกระทบต่อสภาพอากาศจากการบิน https://doi.org/10.5281/zenodo.825291
  • Teoh, Roger, Ulrich Schumann, Arnab Majumdar และ Marc E. J. Stettler 2020 "Mitigating the Climate Forcing of Aircraft Contrails by Small-Scale Diversions and Technology Adoption" Environmental Science & Technology 54 (5): 2941-50.
  • Teoh, Roger, Zebediah Engberg, Ulrich Schumann, Christiane Voigt, Marc Shapiro, Susanne Rohs และ Marc E. J. Stettler 2024. "ผลกระทบต่อสภาพอากาศจากคอนเทรลของการบินทั่วโลกตั้งแต่ปี 2019 ถึง 2021" Atmospheric Chemistry and Physics 24: 6071–6093. https://www.researchgate.net/publication/384141259_Global_aviation_contrail_climate_effects_from_2019_to_2021.