Contrails API 使用两种不同的模型来预测航迹云：一种是基于机器学习 (ML) 的模型，用于预测可能出现航迹云的区域；另一种是基于物理的模型，即航迹云预测 (CoCiP)，用于预测变暖。
基于机器学习的模型
基于机器学习的凝结尾迹可能区域 (CLZ) 预测模型可预测凝结尾迹形成的概率。该模型是一个深度神经网络，它以天气特征作为输入，并根据卫星尾迹检测结果预测 CLZ（Geraedts 等人，2023 年）。
其输入主要包括 HRES 天气特征：比湿、温度、风的 u 分量、风的 v 分量、垂直速度、相对涡度、云量分数、比云冰水含量、比雪水含量和散度。相对湿度是使用比湿和温度计算得出的。模型的输入还包括当地太阳时、一年中的日期以及飞行航点的高度。
对于某些地理区域（例如美国），模型经过微调，可使用纬度、经度和海拔作为输入特征，而模型的全球后备方案仅使用海拔（不使用纬度或经度）。
根据观测到的尾迹数据进行评估时，该模型可实现前沿性能。
CoCiP 模型
航迹卷云预测模型可预测航迹云的能量强迫，这是衡量航迹云对气候影响的指标。
能量强迫的定义如下：
\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]
即凝结尾迹在其生命周期内的瞬时辐射强迫积分（Teoh 等人，2020 年）。能量强迫按飞行距离进行归一化，其单位为 (J/m)。
CoCiP 是一种基于物理的模型，可利用大气条件、飞机类型、飞行路径和其他特征来模拟航迹云的形成、演变和影响（Schumann 2012；Schumann 等人，2012）。该模型使用 ECMWF 高分辨率预测集合 (HRES ENS) 中的 10 个集合成员作为输入，用于对已形成航迹云的飞行航点进行时间上的前向平流（Hersbach 等人，2020 年）。CoCiP 模型还使用云微物理学理论来确定哪些航迹云会持续存在，并考虑了初始下沉气流、下落和升华。根据航迹云的模拟演变，CoCiP 会根据航迹云属性和周围天气条件计算能量强迫。
除了 CoCiP 对能量强迫的估计值之外，系统还会计算能量强迫的气候学估计值，方法是将一年的 CoCiP 输出按一天中的时间、季节和纬度进行分箱，然后求平均值。
最终的能量强迫量是具有非零 EF 的 CoCiP 集合成员的能量强迫与气候平均值（始终不为零）的平均值。将气候学纳入平均值可确保对航迹云影响进行估算，即使 CoCiP 未使用任何天气集合成员预测航迹云的形成。
预期有效能量强迫
然后，将机器学习模型计算出的尾迹形成概率与 CoCiP 模型计算出的这些尾迹的有效能量强迫相乘，即可计算出预期有效能量强迫。
航迹云辐射强迫指数值
然后，可以将计算出的预期有效能量强迫值映射到 0 到 4 的范围，以生成凝结尾迹强迫指数值。凝结尾迹强迫指数值受湍流预测值的启发。
Contrails API 通过裁剪和线性缩放将 expected_effective_energy_forcing 转换为 contrails 严重程度指数：
ds["contrails"] = ds["expected_effective_energy_forcing"].clip(min=2e7, max=2e8)
ds["contrails"] = ((ds["contrails"] - 2e7) / (2e8 - 2e7)) * 4
如需详细了解此映射的背景信息，请参阅能量强迫解释。
此外，您还可以阅读 Contrails API 版本说明并订阅公告，以便及时了解此规模的变化。
二氧化碳当量
预期有效辐射强迫也可以用航迹云对气候的影响来解释，这种影响与二氧化碳相当，即航迹云的二氧化碳当量。
如需计算预测的航迹云变暖的 $\text{CO}_2$ 当量，请使用以下换算：
\[ \text{CO}_2\text{eq [kg]} = EEEF \text{ [J]} \times \text{GWP Factor} \]
其中：
- EEEF 是指预期有效能量强迫
- GWP 因子是全球增温潜势因子，即 1 千克 $\text{CO}_2$ 在特定时间范围（H，以年为单位）内产生的总综合能量强迫的倒数。可以是 GWP 20、50 或 100。
GWP Factor 产品
根据 20 年、50 年和 100 年的时间范围，提供的 GWP 因子如下：
| 时间范围 | GWP 因子（kg-$\text{CO}_2$/J） |
|---|---|
| GWP20 | 2.497e-9 |
| GWP50 | 1.173e-9 |
| GWP100 | 6.779e-10 |
GWP 因子计算
这些 GWP 因子是使用 IPCC AR5 因子和以下计算公式，根据 $\text{CO}_2$ 的绝对全球增温潜势 (AGWP) 得出的：
\[ \text{GWP Factor} = \frac{1}{AGWP_{\text{CO}_2, H} \times A_{\text{earth}} \times S_{\text{year}}} \]
其中：
- $AGWP_{\text{CO}_2, H}$：所选时间范围内 $\text{CO}_2$ 的绝对全球增温潜势，数据来自 IPCC AR5
- $A_{\text{earth}}$：地球表面积 ($5.101 \times 10^{14} \text{ m}^2$)
- $S_{\text{year}}$：一年的秒数 ($31,536,000 \text{ s}$)
许可
Forecast API 公开的数据已获得 CC BY 4.0 许可。
后续步骤
- 阅读 ContrailWatch 归因概览，了解如何使用历史航班级尾迹归因来改进尾迹预测。
参考
- Geraedts, Scott, Erica Brand, Thomas R. Dean、Sebastian Eastham、Carl Elkin、Zebediah Engberg、Ulrike Hager 等。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 等。2020。“ERA5 全球再分析。”《英国皇家气象学会季刊》146 (730): 1999-2049。
- Schumann, U. 2012。“航迹云预测模型。”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 年。 Pycontrails：用于对航空气候影响进行建模的 Python 库。 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.”《环境科学与技术》54 (5): 2941-50。
- Teoh, Roger, Zebediah Engberg, Ulrich Schumann, Christiane Voigt, Marc Shapiro, Susanne Rohs, and Marc E. J. Stettler。2024。 “2019 年至 2021 年全球航空航迹云对气候的影响。” Atmospheric Chemistry and Physics 24: 6071–6093. https://www.researchgate.net/publication/384141259_Global_aviation_contrail_climate_effects_from_2019_to_2021.