Contrails API 使用兩種不同的模型預測飛機雲：一種是以機器學習 (ML) 為基礎的模型，可預測可能出現飛機雲的區域；另一種是以物理為基礎的模型，稱為飛機雲卷雲預測 (CoCiP)，可預測暖化。
機器學習模型
飛機雲可能區域 (CLZ) 預測模型採用機器學習技術，可預測飛機雲形成的機率。這個模型是深層類神經網路，會以天氣特徵做為輸入內容，並根據衛星偵測到的飛機雲預測 CLZ (Geraedts et al. 2023)。
輸入內容主要包含 HRES 天氣特徵：比濕、溫度、風的 u 分量、風的 v 分量、垂直速度、相對渦度、雲量比例、比雲冰水含量、比雪水含量和散度。相對濕度是根據比濕和溫度計算得出。模型的輸入內容也包括當地太陽時、一年中的日期，以及飛行路線控點的高度。
在某些地理區域 (例如美國)，模型經過微調，會使用經度、緯度和海拔高度做為輸入特徵，而模型的全球備用方案則只會使用海拔高度 (不使用經度或緯度)。
根據觀測到的飛機雲資料評估，該模型可達到頂尖效能。
CoCiP 模型
飛機雲卷雲預測模型會預測飛機雲的能量強迫，這是衡量飛機雲對氣候衝擊的指標。
能量強迫的定義如下：
\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]
也就是飛機雲在生命週期內的瞬時輻射強迫積分 (Teoh et al. 2020)。能量強迫值會依飛行距離正規化，單位為 (J/m)。
CoCiP 是以物理學為基礎的模型，可利用大氣條件、飛機類型、飛行路徑和其他特徵，模擬飛機雲的形成、演變和影響 (Schumann 2012；Schumann et al. 2012)。模型會使用 ECMWF 高解析度預測集合 (HRES ENS) 的 10 個集合成員做為輸入內容，用於平流傳輸已形成飛機雲的飛行路線控點 (Hersbach et al. 2020)。CoCiP 模型也會使用雲微物理理論，判斷哪些雲凝結尾會持續存在，並考量初始下降氣流、下降和昇華。CoCiP 會根據模擬的飛機雲演變，計算飛機雲屬性和周圍天氣條件的能量強迫。
除了 CoCiP 的能量強迫估算值外，系統也會計算能量強迫的氣候估算值，方法是將一年的 CoCiP 輸出結果平均，並依時段、季節和緯度分組。
最終的能量強迫量是 CoCiP 集合成員的能量強迫平均值 (EF 非零)，以及氣候平均值 (一律非零)。將氣候學納入平均值，可確保即使 CoCiP 未使用任何天氣集合成員預測飛機雲的形成，也能估算飛機雲的影響。
預期有效能量強迫
接著，系統會將機器學習模型計算出的飛機雲形成機率，乘以 CoCiP 模型計算出的飛機雲有效能量強迫，得出預期有效能量強迫。
飛機雲強迫指數值
接著，系統會將計算出的預期有效能量輻射強迫值對應至 0 到 4 的量表，產生凝結尾輻射強迫指數值。凝結尾強迫指數值是根據亂流預測值而定。
Contrails API 會透過裁剪和線性比例，將 expected_effective_energy_forcing 轉換為 contrails 嚴重程度指數：
ds["contrails"] = ds["expected_effective_energy_forcing"].clip(min=2e7, max=2e8)
ds["contrails"] = ((ds["contrails"] - 2e7) / (2e8 - 2e7)) * 4
如要進一步瞭解這項對應關係的背景資訊，請參閱「能量強迫解讀」。
此外，您也可以參閱 Contrails API 版本資訊，並訂閱公告，以便接收這項量表的異動通知。
二氧化碳當量
預期有效能量強迫也可解讀為飛機雲對氣候的影響，與二氧化碳相當，即二氧化碳當量。
如要計算預測飛機雲暖化的 $\text{CO}_2$ 等效值，請使用下列轉換公式：
\[ \text{CO}_2\text{eq [kg]} = EEEF \text{ [J]} \times \text{GWP Factor} \]
其中：
- EEEF 是指預期有效能量強迫
- GWP 係數是全球暖化潛勢係數，也就是 1 公斤 $\text{CO}_2$ 在特定時間範圍 (H，以年為單位) 內產生的總整合能量強迫的倒數。可以是 GWP 20、50 或 100。
GWP 係數產品
根據 20、50 和 100 年的時間範圍，提供的 GWP 係數如下：
| 時間範圍 | GWP 係數 (kg-$\text{CO}_2$/J) |
|---|---|
| GWP20 | 2.497e-9 |
| GWP50 | 1.173e-9 |
| GWP100 | 6.779e-10 |
GWP 係數計算
這些 GWP 係數是根據 $\text{CO}_2$ 的絕對全球暖化潛勢 (AGWP)，使用 IPCC AR5 係數和下列計算方式得出：
\[ \text{GWP Factor} = \frac{1}{AGWP_{\text{CO}_2, H} \times A_{\text{earth}} \times S_{\text{year}}} \]
其中：
- $AGWP_{\text{CO}_2, H}$：所選時間範圍內 $\text{CO}_2$ 的絕對全球暖化潛勢，資料來源為 IPCC AR5
- $A_{\text{earth}}$：地球表面積 ($5.101 \times 10^{14} \text{ m}^2$)
- $S_{\text{year}}$：一年的秒數 ($31,536,000 \text{ s}$)
授權
Forecast API 提供的資料依據 CC BY 4.0 授權。
後續步驟
- 請參閱「ContrailWatch 歸因總覽」，瞭解如何使用歷來航班層級的凝結尾歸因，改善凝結尾預測。
參考資料
- Geraedts, Scott, Erica Brand, Thomas R. Dean、Sebastian Eastham、Carl Elkin、Zebediah Engberg、Ulrike Hager 等人，2023 年。"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 年。「飛機雲卷雲預測模型。」Geoscientific Model Development 5 (3): 543-80.
- Schumann, U.、B. Mayer, K. Graf 與 H. Mannstein。2012 年。「A Parametric Radiative Forcing Model for Contrail Cirrus」(凝結尾卷雲的參數化輻射強迫模型)。Journal of Applied Meteorology and Climatology 51 (7): 1391-1406.
- Shapiro, Marc、Zeb Engberg、Roger Teoh、Marc Stettler 和 Tom Dean。2023. Pycontrails：用於模擬航空氣候衝擊的 Python 程式庫。 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。 「2019 年至 2021 年全球航空飛機雲對氣候的影響」。 Atmospheric Chemistry and Physics 24: 6071–6093. https://www.researchgate.net/publication/384141259_Global_aviation_contrail_climate_effects_from_2019_to_2021.