Yoğunlaşma izi tahmini

Contrails API, yoğunlaşma izlerini tahmin etmek için iki farklı model kullanır: yoğunlaşma izi oluşma olasılığı olan bölgeleri tahmin eden makine öğrenimine(ML) dayalı bir model ve ısınmayı tahmin eden, fiziğe dayalı bir model olan Contrail Cirrus Prediction (CoCiP).

ML tabanlı model

Makine öğrenimine dayalı Contrail Likely Zone (CLZ) tahmin modeli, yoğunlaşma izi oluşma olasılığını tahmin eder. Bu model, hava durumu özelliklerini giriş olarak alan ve uydu izi algılamalarına göre CLZ'leri tahmin eden derin bir sinir ağıdır (Geraedts ve diğerleri, 2023).

Girdileri temel olarak HRES hava durumu özelliklerinden oluşur: özgül nem, sıcaklık, rüzgarın u bileşeni, rüzgarın v bileşeni, dikey hız, bağıl vortisite, bulut örtüsü oranı, özgül bulut buzlu su içeriği, özgül kar suyu içeriği ve ıraksama. Bağıl nem, özgül nem ve sıcaklık kullanılarak hesaplanır. Modele girilen veriler arasında yerel güneş saati, yılın günü, enlem ve uçuş rotası ara noktalarının yüksekliği de yer alır.

Bazı coğrafi bölgelerde (ör. ABD) model, giriş özellikleri olarak enlem, boylam ve yüksekliği kullanacak şekilde hassaslaştırılırken modelin genel yedeklemesi yalnızca enlem ve yüksekliği kullanır.

Model, gözlemsel yoğunlaşma izi verileriyle karşılaştırıldığında son teknoloji performansına ulaşıyor.

CoCiP modeli

Yoğunlaşma izi sirüs tahmini modeli, yoğunlaşma izinin enerji zorlamasını tahmin eder. Bu, yoğunlaşma izinin iklim üzerindeki etkisinin bir ölçüsüdür.

Enerji zorlaması şu şekilde tanımlanır:

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

Yani, izlerin ömrü boyunca anlık radyatif zorlaması (Teoh ve diğerleri, 2020). Enerji zorlaması, uçuş mesafesine göre normalleştirilir ve birimi (J/m) olur.

CoCiP, atmosferik koşulları, uçak türünü, uçuş rotasını ve diğer özellikleri kullanarak yoğuşma izi oluşumunu, gelişimini ve etkisini simüle eden fizik tabanlı bir modeldir (Schumann 2012; Schumann ve diğerleri 2012). Model, ECMWF'nin yüksek çözünürlüklü tahmin topluluklarından (HRES ENS) 10 topluluk üyesini, uçuş rotası üzerindeki yoğunlaşma izlerinin zaman içinde ilerlemesini sağlamak için girdi olarak kullanır (Hersbach ve diğerleri, 2020). CoCiP modeli, hangi yoğunlaşma izlerinin kalıcı olduğunu belirlemek için bulut mikrofiziği teorisini de kullanır. Bu model, ilk aşağı yönlü hava akımını, düşüşü ve süblimasyonu hesaba katar. Yoğunlaşma izinin simüle edilmiş evrimi göz önüne alındığında CoCiP, yoğunlaşma izi özelliklerine ve çevredeki hava koşullarına göre enerji zorlamasını hesaplar.

CoCiP'nin enerji zorlaması tahminine ek olarak, bir yıllık CoCiP çıktılarının günün saatine, mevsime ve enleme göre gruplandırılmasıyla enerji zorlamasının klimatolojik bir tahmini hesaplanır.

Son enerji zorlama miktarı, sıfır olmayan EF'ye sahip CoCiP topluluk üyelerinin enerji zorlaması ile her zaman sıfır olmayan klimatolojik ortalamanın ortalamasıdır. Klimatolojinin ortalamaya dahil edilmesi, CoCiP hava durumu topluluğu üyelerinden herhangi birini kullanarak yoğunlaşma izi oluşumunu tahmin etmediğinde bile yoğunlaşma izi etkisinin tahmin edilmesini sağlar.

Beklenen etkili enerji zorlaması

Beklenen etkili enerji zorlaması, makine öğrenimi modelinden hesaplanan yoğunlaşma izi oluşumu olasılıkları ile CoCiP modelinden hesaplanan bu yoğunlaşma izlerinin etkili enerji zorlamasının çarpımı olarak hesaplanır.

Yoğunlaşma izine bağlı zorlama endeksi değerleri

Hesaplanan beklenen etkili enerji zorlama değerleri, Contrail zorlama dizini değerlerini oluşturmak için 0 ile 4 arasındaki bir ölçekle eşlenebilir. Yoğunlaşma izi zorlama indeks değerleri, türbülans tahmini değerlerinden alınmıştır.

Contrails API, expected_effective_energy_forcing değerini kırpma ve doğrusal ölçek kullanarak contrails önem derecesi dizinine çevirir:

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

Bu eşleme hakkında daha fazla bilgi için Enerji Zorlamalı Yorumlama başlıklı makaleye göz atın.

Ayrıca, Contrails API sürüm notlarını okuyabilir ve bu ölçekteki değişikliklerden haberdar olmak için duyurulara abone olabilirsiniz.

Sırada ne var?

Referanslar

  • Geraedts, Scott, Erica Brand, Thomas R. Dean, Sebastian Eastham, Carl Elkin, Zebediah Engberg, Ulrike Hager ve diğerleri, 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 ve 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 ve Tom Dean. 2023. Pycontrails: Python Library for Modeling Aviation Climate Impacts. https://doi.org/10.5281/zenodo.825291
  • Teoh, Roger, Ulrich Schumann, Arnab Majumdar ve 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.