Contrails API, yoğunlaşma izlerini tahmin etmek için iki farklı model kullanır: yoğunlaşma izi oluşma olasılığı yüksek bölgeleri tahmin eden makine öğrenimi (ML) tabanlı bir model ve ısınmayı tahmin eden fizik tabanlı bir model olan Contrail Cirrus Prediction (CoCiP).
ML tabanlı model
Makine öğrenimi tabanlı Contrail Likely Zone (CLZ) tahmin modeli, yoğunlaşma izi oluşma olasılığını tahmin eder. Model, hava durumu özelliklerini giriş olarak alan ve uydu yoğunlaşma izi algılamalarına (Geraedts ve ark. 2023) dayalı olarak CLZ'leri tahmin eden derin bir nöral ağdır.
Girdileri temel olarak HRES hava durumu özelliklerinden oluşur: özgül nem, sıcaklık, rüzgarın u bileşeni, rüzgarın v bileşeni, dikey hız, bağıl girdap, bulut örtüsü oranı, özgül bulut buz suyu içeriği, özgül kar suyu içeriği ve ıraksama. Bağıl nem, özgül nem ve sıcaklık kullanılarak hesaplanır. Modele girilen veriler arasında yerel güneş saati, yılın günü ve uçuş rotası noktalarının irtifası da yer alır.
Bazı coğrafi bölgelerde (ör.ABD) model; enlem, boylam ve rakımı giriş özellikleri olarak kullanacak şekilde hassaslaştırılır. Modelin global yedek sürümü ise yalnızca rakımı kullanır (enlem veya boylamı kullanmaz).
Model, gözlemsel yoğunlaşma izi verilerine göre değerlendirildiğinde son teknoloji performans sunar.
CoCiP modeli
Yoğunlaşma İzi Sirüs Tahmin 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 yoğunlaşma izinin anlık radyatif zorlamasının, yoğunlaşma izinin ömrü boyunca entegre edilmiş halidir (Teoh ve ark. 2020). Enerji zorlaması, uçuş mesafesine göre normalleştirilir ve birimi (J/m) olur.
CoCiP; atmosfer koşulları, uçak türü, uçuş rotası ve diğer özellikleri kullanarak yoğunlaşma izi oluşumunu, gelişimini ve etkisini simüle eden fizik tabanlı bir modeldir (Schumann 2012; Schumann ve diğerleri 2012). Model, yoğunlaşma izlerinin oluştuğu uçuş noktalarını zaman içinde ileriye doğru taşımak için ECMWF'nin yüksek çözünürlüklü tahmin topluluklarından (HRES ENS) 10 topluluk üyesini giriş olarak kullanır (Hersbach ve ark. 2020). CoCiP modeli, hangi yoğunlaşma izlerinin kalıcı olduğunu belirlemek için bulut mikrofiziği teorisini de kullanır. Bu teori; ilk aşağı yönlü hava akımını, düşüşü ve süblimleşmeyi hesaba katar. CoCiP, yoğunlaşma izinin simüle edilmiş gelişimine göre yoğunlaşma izi özelliklerini ve çevredeki hava koşullarını temel alarak enerji zorlamasını hesaplar.
CoCiP'nin enerji zorlaması tahminine ek olarak, bir yıllık CoCiP çıktılarının günün saatine, mevsime ve enleme göre gruplandırılıp ortalaması alınarak enerji zorlamasının klimatolojik tahmini hesaplanır.
Nihai enerji zorlama miktarı, sıfır olmayan EF'ye sahip CoCiP topluluk üyelerinden gelen enerji zorlamasının ve her zaman sıfır olmayan iklimsel 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, ML modelinden hesaplanan yoğunlaşma izi oluşma olasılıkları ile CoCiP modelinden hesaplanan bu yoğunlaşma izlerinin etkili enerji zorlamasının çarpımı olarak hesaplanır.
Yoğunlaşma izi zorlama endeksi değerleri
Hesaplanan beklenen etkili enerji zorlama değerleri, daha sonra yoğunlaşma izi zorlama dizini değerlerini oluşturmak için 0 ile 4 arasında bir ölçeğe eşlenebilir. Yoğunlaşma izi zorlama dizini değerleri, türbülans tahmini değerlerinden esinlenmiştir.
Contrails API, kırpma ve doğrusal ölçek aracılığıyla expected_effective_energy_forcing değerini contrails önem derecesi dizinine dönüştürür:
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 Zorlaması Yorumu başlıklı makaleyi inceleyin.
Ayrıca, Contrails API sürüm notlarını okuyabilir ve bu ölçekteki değişikliklerden haberdar olmak için duyurulara abone olabilirsiniz.
CO2 eşdeğerleri
Beklenen efektif enerji zorlaması, yoğunlaşma izlerinin karbondioksit ile karşılaştırılabilir iklim üzerindeki etkisi (yani $\text{CO}_2$ eşdeğeri) açısından da yorumlanabilir.
Tahmin edilen yoğunlaşma izi ısınmasının $\text{CO}_2$ eşdeğerini hesaplamak için aşağıdaki dönüşümü kullanın:
\[ \text{CO}_2\text{eq [kg]} = EEEF \text{ [J]} \times \text{GWP Factor} \]
Bu örnekte:
- EEEF, beklenen etkili enerji zorlamasıdır.
- GWP faktörü, küresel ısınma potansiyeli faktörüdür. Belirli bir zaman diliminde (H, yıl cinsinden) 1 kg $\text{CO}_2$ tarafından üretilen toplam entegre enerji zorlamasının tersidir. GWP 20, 50 veya 100 olabilir.
KIP faktörü teklifleri
20, 50 ve 100 yıllık zaman dilimlerine göre sunulan GWP faktörleri:
| Zaman aralığı | GWP Faktörü (kg-$\text{CO}_2$/J) |
|---|---|
| GWP20 | 2,497e-9 |
| GWP50 | 1.173e-9 |
| GWP100 | 6.779e-10 |
KIP faktörü hesaplaması
Bu GWP faktörleri, IPCC AR5 faktörleri ve aşağıdaki hesaplama kullanılarak $\text{CO}_2$ için Mutlak Küresel Isınma Potansiyeli'nden (AGWP) türetilir:
\[ \text{GWP Factor} = \frac{1}{AGWP_{\text{CO}_2, H} \times A_{\text{earth}} \times S_{\text{year}}} \]
Bu örnekte:
- $AGWP_{\text{CO}_2, H}$: Seçilen zaman aralığı için $\text{CO}_2$'nin mutlak küresel ısınma potansiyeli (IPCC AR5'ten alınmıştır)
- $A_{\text{earth}}$: Dünya'nın yüzey alanı ($5,101 \times 10^{14} \text{ m}^2$)
- $S_{\text{year}}$: Bir yıldaki saniye sayısı ($31.536.000 \text{ s}$)
Lisans
Forecast API tarafından sunulan veriler CC BY 4.0 kapsamında lisanslanmıştır.
Sırada ne var?
- Uçuş düzeyindeki geçmiş yoğunlaşma izi ilişkilendirmelerinin, yoğunlaşma izi tahminini iyileştirmek için nasıl kullanıldığını anlamak üzere ContrailWatch ilişkilendirmelerine genel bakış başlıklı makaleyi okuyun.
Referanslar
- 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. "Yoğunlaşma İzi Sirüs Tahmin Modeli" 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.
- Teoh, Roger, Zebediah Engberg, Ulrich Schumann, Christiane Voigt, Marc Shapiro, Susanne Rohs ve 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.