Contrails API 使用兩種不同的模型預測卷雲：以機器學習(ML) 為基礎的模型，可預測卷雲可能出現的區域；以及以物理為基礎的模型「卷雲預測」(CoCiP)，可預測升溫情形。
以機器學習為基礎的模型
以機器學習為基礎的凝結尾雲可能區域 (CLZ) 預測模型，可預測凝結尾雲的形成機率。這個模型是深層類神經網路，會將天氣特徵做為輸入內容，並根據衛星凝結尾跡偵測結果預測 CLZ (Geraedts 等人，2023 年)。
主要輸入內容為 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度和溫度計算而得。模型的輸入內容也包括當地太陽時、一年中的日期、緯度，以及飛行航點的高度。
在某些地理區域 (例如美國)，模型會經過微調，將緯度、經度和海拔高度做為輸入特徵，而模型的全球備援機制只會使用緯度和海拔高度。
根據觀測到的凝結尾跡資料評估時，模型可達到最先進的效能。
CoCiP 模型
飛機雲卷雲預測模型會預測飛機雲的能量強迫效應，這是衡量飛機雲氣候衝擊的指標。
能量強制定義如下：
\[ EF [J] = \int_{0}^{t} RF'(t) \times L(t) \times W(t)dt \]
也就是說，凝結尾跡在整個生命週期內的瞬時輻射強迫 (Teoh 等人，2020 年)。能量強制力會依飛行距離進行正規化，因此單位為 (J/m)。
CoCiP 是以物理為基礎的模型，可使用大氣狀況、飛機類型、飛行路徑和其他特徵，模擬凝結尾流的形成、演變和影響 (Schumann 2012；Schumann et al. 2012)。模型會使用 ECMWF 高解析度預報集合 (HRES ENS) 的 10 個集合成員做為輸入內容，用於平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間上向前平流層雲形成後，在時間CoCiP 模型也會運用雲微物理理論，判斷哪些凝結尾流會持續存在，並考量初始下沉氣流、降落和昇華作用。根據飛機雲的模擬演變，CoCiP 會根據飛機雲屬性和周圍的天氣狀況計算能量強迫。
除了 CoCiP 的能量強迫估算值，我們還會計算氣候學能量強迫估算值，方法是將 CoCiP 輸出值按時段、季別和緯度分類，然後取一年內的平均值。
最終的能量強迫量是來自 CoCiP 集合成員的能量強迫平均值，這些成員的 EF 不為零，且為氣候平均值，而氣候平均值一律不為零。在平均值中納入氣候學，可確保即使 CoCiP 未使用任何天氣集成成員預測凝結尾跡的形成，也能估算凝結尾跡的影響。
預期有效能源強制
接著，系統會計算預期的有效能量強迫，也就是從機器學習模型計算出的凝結尾跡形成機率，以及從 CoCiP 模型計算出的這些凝結尾跡有效能量強迫的乘積。
飛機雲輻射強迫指數值
計算出的預期有效能量強迫值隨後會對應到 0 到 4 的範圍，產生凝結尾雲強迫指數值。凝結尾雲強制指數值是根據亂流預測值計算而得。
Contrails API 會透過剪除和線性比例，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，請參閱「Energy Forcing Interpretation」。
此外，您也可以參閱 Contrails API 版本資訊，並訂閱公告，以便在規模異動時收到通知。
後續步驟
- 請參閱 ContrailWatch 歸因總覽，瞭解如何運用歷來航班層級的卷雲歸因資料，提升卷雲預測準確度。
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.」(可擴充的系統，可根據航班測量凝結尾流的形成)。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, et al. 2020. 「The ERA5 Global Reanalysis.」Quarterly Journal of the Royal Meteorological Society 146 (730)： 1999-2049。
- Schumann, U. 2012 年。「A Contrail Cirrus Prediction Model.」Geoscientific Model Development 5 (3)：543-80。
- Schumann, U.、B. Mayer, K. Graf 和 H. 曼斯坦。2012 年。「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：用於模擬航空氣候影響的 Python 程式庫。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.」(透過小規模改道和採用技術，減輕飛機雲對氣候的影響)。Environmental Science & Technology 54 (5)：2941-50。