Contrails API 使用两种不同的模型来预测凝结尾迹：一种是基于机器学习(ML) 的模型，用于预测可能出现凝结尾迹的区域；另一种是基于物理的模型，即凝结尾迹卷云预测 (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，并根据卫星凝结尾迹检测结果预测 CLZ (Geraedts 等人，2023 年)。
其输入主要由 HRES 天气特征组成：比湿、温度、风的 u 分量、风的 v 分量、垂直速度、相对涡度、云覆盖率、比云冰含水量、比雪含水量和散度。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、纬度和飞行航点的海拔高度。
对于某些地理区域（例如美国），模型经过微调，可使用纬度、经度和海拔高度作为输入特征，而模型的全球回退仅使用纬度和海拔高度。
在根据观测到的凝结尾迹数据进行评估时，该模型可实现前沿性能。
CoCiP 模型
航迹云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。
能源强制的定义如下：
\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]
是指航迹云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，因此其单位为 (J/m)。
CoCiP 是一种基于物理的模型，它使用大气条件、飞机类型、飞行路线和其他特征来模拟航迹云的形成、演变和影响（Schumann，2012 年；Schumann 等人，2012 年）。该模型使用 ECMWF 的高分辨率预报集成 (HRES ENS) 中的 10 个集成成员作为输入，用于平流输送已形成航迹云的飞行航路点，使其随时间向前移动（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，并考虑初始下沉气流、降落和升华。根据模拟的航迹云演变，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 对能量强迫的估计之外，我们还通过对一年的 CoCiP 输出（按时间、季节和纬度分箱）进行平均，计算出气候学上的能量强迫估计值。
最终的能量强迫量是 CoCiP 集成成员（具有非零 EF）的能量强迫与气候平均值（始终非零）的平均值。将气候学纳入平均值中可确保即使在 CoCiP 未使用任何天气集成成员预测出凝结尾迹形成的情况下，也能估计出凝结尾迹的影响。
预期有效能量强迫
然后，根据机器学习模型计算出的凝结尾迹形成概率和根据 CoCiP 模型计算出的这些凝结尾迹的有效能量强迫，计算出预期有效能量强迫。
凝结尾迹强制指数值
然后，将计算出的预期有效能量强迫值映射到 0 到 4 的范围内，以生成凝结尾迹强迫指数值。凝结尾迹强迫指数值的灵感来自湍流预报值。
Contrails API 通过剪裁和线性缩放将 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，请参阅能量强制解释。
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
预期有效能量强迫也可以根据与二氧化碳相当的航迹云气候影响（即其 $\text{CO}_2$ 当量）来解读。
若要计算预测的凝结尾迹变暖的 $\text{CO}_2$ 当量，请使用以下换算关系：
\[ \text{CO}_2\text{eq [kg]} = EEEF \text{ [J]} \times \text{GWP Factor} \]
其中：
- EEEF 是指预期有效能量强制
- GWP 系数是指全球变暖潜能系数；它是 1 千克 $\text{CO}_2$ 在特定时间范围（H，以年为单位）内产生的总集成能量强迫的倒数。可以是 GWP 20、50 或 100。
GWP 系数产品
根据 20 年、50 年和 100 年的时间范围，GWP 系数提供以下值：
| 时间范围 | GWP 系数（千克-$\text{CO}_2$/焦耳） |
|---|---|
| GWP20 | 2.497e-9 |
| GWP50 | 1.173e-9 |
| GWP100 | 6.779e-10 |
GWP 系数计算
这些 GWP 系数是根据 $\text{CO}_2$ 的绝对全球增温潜势 (AGWP) 使用 IPCC AR5 系数和以下计算公式得出的：
\[ \text{GWP Factor} = \frac{1}{AGWP_{\text{CO}_2, H} \times A_{\text{earth}} \times S_{\text{year}}} \]
其中：
- $AGWP_{ ext{CO}_2, H}$: 所选时间范围内的 $ ext{CO}_2$ 绝对全球增温潜势，数据源自 IPCC AR5
- $A_{\text{地球}}$：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
- 请参阅 ContrailWatch 归因概览，了解如何使用历史航班级飞机尾迹归因来改进飞机尾迹预测。
参考
- Geraedts、Scott、Erica Brand、Thomas R. Dean、Sebastian Eastham、Carl Elkin、Zebediah Engberg、Ulrike Hager 等。2023 年。“A Scalable System to Measure Contrail Formation on a per-Flight Basis”（一种可扩展的系统，用于按每次飞行来衡量凝结尾迹的形成）。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 年。“The ERA5 Global Reanalysis”（ERA5 全球再分析）。英国皇家气象学会季刊 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 和 Tom Dean。2023 年。《Pycontrails：用于模拟航空气候影响的 Python 库》。https://doi.org/10.5281/zenodo.825291
- Teoh、Roger、Ulrich Schumann、Arnab Majumdar 和 Marc E. J. Stettler. 2020 年。 “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 和 Marc E. J. Stettler. 2024 年。 “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。