Contrails API ใช้โมเดล 2 แบบเพื่อคาดการณ์คอนเทรล ได้แก่ โมเดลที่อิงตามแมชชีนเลิร์นนิง(ML) ซึ่งคาดการณ์โซนที่มีแนวโน้มจะเกิดคอนเทรล และโมเดลที่อิงตามหลักฟิสิกส์ ซึ่งก็คือ Contrail Cirrus Prediction (CoCiP) ที่คาดการณ์ภาวะโลกร้อน
โมเดลที่อิงตาม ML
โมเดลการคาดการณ์ Contrail Likely Zone (CLZ) ที่อิงตาม ML จะคาดการณ์ความน่าจะเป็นของการเกิดคอนเทรล โมเดลนี้เป็นโครงข่ายประสาทแบบลึกที่ใช้ฟีเจอร์สภาพอากาศเป็นอินพุตและคาดการณ์ CLZ โดยอิงจากการตรวจจับคอนเทรลด้วยดาวเทียม (Geraedts et al. 2023)
อินพุตของโมเดลประกอบด้วยฟีเจอร์สภาพอากาศ HRES เป็นหลัก ได้แก่ ความชื้นจำเพาะ อุณหภูมิ องค์ประกอบ u ของลม องค์ประกอบ v ของลม ความเร็วในแนวตั้ง ความปั่นป่วนสัมพัทธ์ เศษส่วนของเมฆปกคลุม ปริมาณน้ำแข็งในเมฆจำเพาะ ปริมาณน้ำในหิมะจำเพาะ และการเบี่ยงเบน ความชื้นสัมพัทธ์คำนวณโดยใช้ความชื้นจำเพาะและอุณหภูมิ อินพุตของโมเดลยังรวมถึงเวลาสุริยคติท้องถิ่น วันของปี ละติจูด และระดับความสูงของจุดอ้างอิงของเส้นทางการบิน
สำหรับพื้นที่ทางภูมิศาสตร์บางแห่ง (เช่น สหรัฐอเมริกา) โมเดลจะได้รับการปรับแต่งให้ใช้ละติจูด ลองจิจูด และระดับความสูงเป็นฟีเจอร์อินพุต ในขณะที่การสำรองข้อมูลทั่วโลกของโมเดลจะใช้เฉพาะละติจูดและระดับความสูง
โมเดลนี้มีประสิทธิภาพล้ำสมัยเมื่อประเมินเทียบกับข้อมูลคอนเทรลที่ได้จากการสังเกต
โมเดล CoCiP
โมเดล Contrail Cirrus Prediction จะคาดการณ์การบังคับพลังงานของคอนเทรล ซึ่งเป็นการวัดผลกระทบต่อสภาพอากาศของคอนเทรล
การบังคับพลังงานกำหนดไว้ดังนี้
\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]
หมายถึงการบังคับการแผ่รังสีแบบทันทีของคอนเทรลที่รวมเข้าด้วยกันตลอดอายุการใช้งาน (Teoh et al. 2020) การบังคับพลังงานจะแปลงเป็นรูปแบบมาตรฐานตามระยะทางการบิน ซึ่งทำให้มีหน่วยเป็น (J/m)
CoCiP เป็นโมเดลที่อิงตามหลักฟิสิกส์ซึ่งจำลองการเกิด การพัฒนา และ ผลกระทบของคอนเทรลโดยใช้สภาพบรรยากาศ ประเภทเครื่องบิน เส้นทางการบิน และฟีเจอร์อื่นๆ (Schumann 2012; Schumann et al. 2012) โมเดลนี้ใช้สมาชิก 10 รายการจากกลุ่มการคาดการณ์ความละเอียดสูง (HRES ENS) ของ ECMWF เป็นอินพุตสำหรับการเคลื่อนย้ายจุดอ้างอิงของเส้นทางการบินที่เกิดคอนเทรลไปข้างหน้าตามเวลา (Hersbach et al. 2020) โมเดล CoCiP ยังใช้ทฤษฎีจุลภาคของเมฆเพื่อกำหนดว่าคอนเทรลใดจะคงอยู่ โดยพิจารณาจากกระแสลมลงเริ่มต้น การตก และการระเหิด เมื่อพิจารณาจากการพัฒนาคอนเทรลที่จำลองขึ้น CoCiP จะคำนวณการบังคับพลังงานโดยอิงตามคุณสมบัติของคอนเทรลและสภาพอากาศโดยรอบ
นอกจากการประมาณการบังคับพลังงานของ CoCiP แล้ว เรายังคำนวณการประมาณการบังคับพลังงานตามสภาพภูมิอากาศโดยหาค่าเฉลี่ยของเอาต์พุต CoCiP เป็นเวลา 1 ปี ซึ่งจัดกลุ่มตามช่วงเวลาของวัน ฤดูกาล และละติจูด
ปริมาณการบังคับพลังงานสุดท้ายคือค่าเฉลี่ยของการบังคับพลังงานจากสมาชิกกลุ่ม CoCiP ที่มี EF ไม่เป็นศูนย์ และค่าเฉลี่ยตามสภาพภูมิอากาศ ซึ่งไม่เป็นศูนย์เสมอ การรวมสภาพภูมิอากาศไว้ในค่าเฉลี่ยจะช่วยให้ได้ค่าประมาณผลกระทบของคอนเทรล แม้ว่า CoCiP จะไม่คาดการณ์การเกิดคอนเทรลโดยใช้สมาชิกกลุ่มสภาพอากาศก็ตาม
การบังคับพลังงานที่มีประสิทธิภาพที่คาดไว้
จากนั้นเราจะคำนวณการบังคับพลังงานที่มีประสิทธิภาพที่คาดไว้เป็นผลคูณของความน่าจะเป็นของการเกิดคอนเทรลที่คำนวณจากโมเดล ML และการบังคับพลังงานที่มีประสิทธิภาพของคอนเทรลเหล่านี้ที่คำนวณจากโมเดล CoCiP
ค่าดัชนีการบังคับคอนเทรล
จากนั้นเราจะแมปค่าการบังคับพลังงานที่มีประสิทธิภาพที่คาดไว้ซึ่งคำนวณได้กับสเกล 0 ถึง 4 เพื่อสร้างค่าดัชนีการบังคับคอนเทรล ค่าดัชนีการบังคับคอนเทรล ได้รับแรงบันดาลใจจากค่าการคาดการณ์ความปั่นป่วน
Contrails API จะแปล expected_effective_energy_forcing เป็นดัชนีความรุนแรง contrails ผ่านการตัดค่าและการปรับสเกลเชิงเส้น ดังนี้
ds["contrails"] = ds["expected_effective_energy_forcing"].clip(min=2e7, max=2e8)
ds["contrails"] = ((ds["contrails"] - 2e7) / (2e8 - 2e7)) * 4
ดูข้อมูลพื้นฐานเพิ่มเติมเกี่ยวกับการแมปนี้ได้ที่ การตีความการบังคับพลังงาน.
นอกจากนี้ คุณยังอ่านบันทึกประจำรุ่นของ Contrails API และสมัครรับข้อมูลประกาศเพื่อรับการแจ้งเตือนเกี่ยวกับการเปลี่ยนแปลงสเกลนี้ได้ด้วย
ค่าเทียบเท่า CO2
นอกจากนี้ เรายังตีความการบังคับพลังงานที่มีประสิทธิภาพที่คาดไว้ในแง่ของผลกระทบต่อสภาพภูมิอากาศของคอนเทรลที่เทียบได้กับคาร์บอนไดออกไซด์ หรือค่าเทียบเท่า $\text{CO}_2$ ของคอนเทรลได้ด้วย
หากต้องการคำนวณค่าเทียบเท่า $\text{CO}_2$ ของภาวะโลกร้อนที่คาดการณ์ไว้จากคอนเทรล ให้ใช้การแปลงต่อไปนี้
\[ \text{CO}_2\text{eq [kg]} = EEEF \text{ [J]} \times \text{GWP Factor} \]
โดยที่
- EEEF คือการบังคับพลังงานที่มีประสิทธิภาพที่คาดไว้
- ปัจจัย GWP คือปัจจัยศักยภาพในการทำให้เกิดภาวะโลกร้อน ซึ่งเป็นส่วนกลับของการบังคับพลังงานทั้งหมดที่เกิดจาก $\text{CO}_2$ 1 กก. ในช่วงเวลาที่กำหนด (H หน่วยเป็นปี) สามารถเป็น GWP 20, 50 หรือ 100
ข้อเสนอของปัจจัย GWP
ปัจจัย GWP ที่เสนอโดยอิงตามช่วงเวลา 20, 50 และ 100 ปี มีดังนี้
| ช่วงเวลา | ปัจจัย GWP (กก.-$\text{CO}_2$/จูล) |
|---|---|
| GWP20 | 2.497e-9 |
| GWP50 | 1.173e-9 |
| GWP100 | 6.779e-10 |
การคำนวณปัจจัย GWP
ปัจจัย GWP เหล่านี้ได้มาจากศักยภาพในการทำให้เกิดภาวะโลกร้อนแบบสัมบูรณ์ (AGWP) สำหรับ $\text{CO}_2$ โดยใช้ ปัจจัย 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 $\text{CO}_2$ สำหรับช่วงเวลาที่เลือก ซึ่งได้มาจาก IPCC AR5
- $A_{\text{earth}}$: พื้นที่ผิวโลก ($5.101 \times 10^{14} \text{ ตร.ม.})$
- $S_{\text{year}}$: จำนวนวินาทีใน 1 ปี ($31,536,000 \text{ วินาที})$
ใบอนุญาต
ข้อมูลที่ Forecast API แสดงได้รับอนุญาตภายใต้ CC BY 4.0
ขั้นตอนถัดไป
- อ่านภาพรวมการระบุแหล่งที่มาของ ContrailWatch เพื่อทำความเข้าใจวิธีใช้การระบุแหล่งที่มาของคอนเทรลระดับเที่ยวบินในอดีต เพื่อปรับปรุงการคาดการณ์คอนเทรล
ข้อมูลอ้างอิง
- Geraedts, Scott, Erica Brand, Thomas R. Dean, Sebastian Eastham, Carl Elkin, Zebediah Engberg, Ulrike Hager, et al. 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, et al. 2020. "The ERA5 Global Reanalysis." 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, and 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, and Tom Dean. 2023. Pycontrails: Python Library for Modeling Aviation Climate Impacts. https://doi.org/10.5281/zenodo.825291
- Teoh, Roger, Ulrich Schumann, Arnab Majumdar, and 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, and Marc E. J. Stettler. 2024. "Global aviation contrail climate effects from 2019 to 2021." Atmospheric Chemistry and Physics 24: 6071–6093. https://www.researchgate.net/publication/384141259_Global_aviation_contrail_climate_effects_from_2019_to_2021.