Rastros, abreviação de trilhas de condensação, são nuvens em forma de linha que às vezes você vê atrás dos aviões. Eles se formam quando o vapor d’água no ar se condensa em torno de pequenas partículas de fuligem e outros poluentes emitidos pelos motores dos aviões.
Os rastros podem persistir como nuvens cirros por minutos ou horas, dependendo das condições. Normalmente, o lado da Terra que não está voltado para o sol libera calor durante a noite. À noite, nuvens naturais e rastros de companhias aéreas retêm o calor. Durante o dia, eles também refletem a luz solar e o calor que entram. Os rastos noturnos aquecem mais do que os diurnos porque não refletem a luz solar que entra e apenas retêm o calor, criando um efeito de aquecimento líquido. Um relatório recente do IPCC observou que as nuvens criadas por rastos são responsáveis por cerca de 35% do impacto do aquecimento global da aviação.
Os aviões nem sempre fazem rastros. Os rastros só ocorrem quando os aviões voam por regiões úmidas. Se os aviões evitarem intencionalmente voar através destas regiões, poderão evitar a criação de rastos de aquecimento, com impacto mínimo no consumo de combustível.
O desafio é saber onde essas regiões irão ocorrer. Ao combinar enormes quantidades de dados meteorológicos, dados de satélite e dados de voo, a IA pode criar previsões de última geração sobre quando e onde é provável que se formem rastos. Pilotos e despachantes podem então usar essas informações para ajustar as altitudes de seus voos.
Nossa equipe desenvolveu uma abordagem para aproveitar imagens de satélite e visão computacional para detectar rastros e atribuí-los a voos associados, com base em centenas de horas de rotulagem de dezenas de milhares de imagens de satélite. A imagem abaixo mostra nossa IA detectando rastros sobre os Estados Unidos, com base em imagens de satélite.
Um grupo de pilotos da American Airlines e da Emirates realizou 70 voos de teste durante seis meses usando nossas previsões baseadas em IA para evitar rotas que criassem rastros. Após esses voos de teste, analisamos imagens de satélite e descobrimos que as previsões reduziram os rastros em 54% em comparação com quando os pilotos não usaram nossas previsões. Vimos também que os voos que evitavam os rastos queimavam 2% mais combustível, o que se traduziria em 0,3% mais combustível quando dimensionados para toda a frota de uma companhia aérea. (Isso ocorre porque nem todos os voos fazem rastros e, com as previsões da IA, apenas uma fração dos voos precisa ser ajustada.) Juntos, isso sugere que os custos para evitar rastros poderiam estar na faixa de US$ 5-25/tonelada de CO2e, o que tornaria uma das soluções climáticas mais econômicas.
- Dados rotulados: Nossa equipe de engenheiros analisou imagens de satélite e passou centenas de horas rotulando dezenas de milhares de imagens de rastros coletadas pelo satélite geoestacionário GOES-16.
- Treinar um modelo de visão computacional de última geração: Usamos dados rotulados para treinar um modelo de visão computacional de última geração para detectar rastros quando eles são formados. O modelo de detecção pode identificar rastros visíveis nas imagens GOES em questão de 30 minutos.
- Combine grandes conjuntos de dados: combinamos nosso modelo de visão computacional com dados meteorológicos em grande escala, dados de voo e imagens de satélite para desenvolver um modelo de previsão mais preciso.
- Integrar insights de IA ao fluxo de trabalho dos pilotos: Fizemos uma parceria com a American Airlines para integrar previsões de zonas prováveis de rastros nos tablets que seus pilotos usavam em voo, para que pudessem fazer ajustes de altitude em tempo real, assim como fazem para evitar turbulência, para evitar a criação de rastos.
- Analisar resultados de desempenho: Avaliamos o desempenho do modelo de previsão usando imagens de satélite, comparando o número de rastos produzidos em voos onde os pilotos usaram previsões para evitar rastos com rastos criados em voos onde os pilotos não usaram previsões de rastos. Em nossa primeira prova com a American Airlines, observamos uma redução de 54%.
No futuro, estenderemos os nossos modelos a satélites geoestacionários na Europa, África, Oceano Índico ( Meteosat Terceira Geração ), Leste Asiático e Austrália Ocidental ( Hikawari ).
