Прогнозирование погоды — это известно сложная задача! Наша атмосфера — это сложная система с множеством движущихся частей. Моделям приходится работать с ограниченными данными и делать прогнозы на несколько дней вперёд. Благодаря множеству достижений, сделанных за последний век, качество прогнозирования значительно улучшилось. Однако всё ещё может быть некоторая путаница в том, как на самом деле работает прогноз. Например, что на самом деле означает процентная вероятность дождя?
В этой статье я обсужу некоторые методы, используемые в прогнозировании погоды, и объясню несколько крупных достижений последнего века. Много времени будет уделено одному конкретному методу, называемому ансамблевым прогнозированием, который является наиболее распространенным методом прогнозирования погоды сегодня. Чтобы действительно понять, как это работает, я также кратко обсужу трудности работы со сложными системами и то, как это влияет на науку о прогнозировании погоды. Понимание ансамблевого прогноза необходимо для того, чтобы знать, как относиться к вероятностям, которые мы видим в современных прогнозах погоды.
История прогнозирования
Прогнозирование погоды практически не существовало до XX века. Попытки делать это до этого периода в основном базировались на догадках и интуиции. Это изменилось в начале Первой мировой войны, когда разные страны начали использовать улучшающиеся технологии для помощи в военных усилиях. Сети инструментов для мониторинга погоды начали становиться устойчивыми, что значительно помогло в этой задаче. Планирование Дня Д зависело от прогнозов погоды и было фактически отложено из-за прогноза бурной погоды.
Ниже я показал график, отображающий процент точности прогнозирования погоды во времени. Он конкретно для геопотенциальных высот на уровне 500 гПа, но вам не нужно знать, что это такое, чтобы понять суть! Большинство характеристик погоды, такие как температура и осадки, также улучшились аналогичным образом. Этот график может быть сложным для понимания, поэтому я потрачу некоторое время, чтобы объяснить, что он означает.
Если вам нужно базовое понимание этого графика, знайте, что ось Y — это точность прогноза (для этой конкретной переменной), а ось X — год. Вы можете видеть, что точность прогнозов погоды улучшается со временем, как и следовало ожидать. Цвета соответствуют количеству дней, за которое делается прогноз. Например, синие линии представляют прогноз на три дня вперёд, а красные линии — на пять дней вперёд. Как и следовало ожидать, чем дальше делается прогноз, тем он хуже. Мы даже не пытались предсказать на 10 дней вперёд для этой переменной до конца 1990-х
Две линии на краю каждого цвета представляют прогнозы для северного и южного полушарий. На протяжении большей части истории прогнозирования, прогнозы для южного полушария были намного хуже, чем для северного. Это объясняется несколькими причинами, наиболее очевидной из которых является тот факт, что в северном полушарии проживает больше людей, поэтому больше усилий было направлено на разработку этих прогнозов. Каждый регион имеет свои уникальные особенности, и для прогнозирования погоды в определённой области требуется местное знакомство с её природой. Вторая причина заключается в том, что южное полушарие состоит в основном из океана, что затрудняет наблюдения по сравнению с сушей. Когда спутниковые измерения стали обычным делом в 1990-х годах, разрыв между двумя полушариями резко уменьшился, поскольку они могли наблюдать океаны гораздо легче.
Приход спутников и резкое увеличение инфраструктуры наблюдений, кажется, очевидной причиной улучшений, которые мы видели в точности прогнозов. Мы также могли бы приписать это улучшениям в вычислительной мощности и более совершенным физическим моделям. Эти факторы, безусловно, важны для достижений, которые мы видели, но мы упускаем ключевой сдвиг в философии прогнозирования: переход к ансамблевому прогнозированию.
Ансамблевые прогнозы и хаос
В дополнение к широкой доступности спутниковых данных, 1990-е годы видели, как многие прогнозные центры приняли новый подход к прогнозированию погоды. Вместо того, чтобы запускать свои симуляции один раз как лучшее предположение, они запускали их многократно и сообщали о разбросе результатов. Отсюда и появляются выражения вроде «вероятность дождя 30%». Но почему этот метод имеет смысл? Сначала это может показаться огромной тратой вычислительных ресурсов.
Чтобы действительно понять цель ансамблевого прогнозирования, нам нужно отступить назад и поговорить о хаотических системах. Многие идеи хаоса вошли в обиход, но давайте на мгновение определим, как учёные говорят о хаотических системах. В этой статье я конкретно буду говорить о детерминированных хаотических системах. Существуют некоторые разногласия по деталям, но большинство ученых согласны, что эти системы обладают следующими свойствами:
- Должно быть несколько (более двух) взаимодействующих частей.
- Должна быть детерминированность, то есть отсутствие случайных свойств.
- Должна быть высокая чувствительность к начальным условиям.
Иногда определение хаотических систем может быть представлено более математическим способом, но пока этого определения будет достаточно. Система Лоренца ниже является примером хаотической системы. Хотя она кажется простой, она может быть довольно сложной!
Детерминированные хаотические системы по сути являются теми, которые кажутся случайными, но на самом деле следуют чётким математическим правилам. Здесь ключевым является последняя часть: даже самая маленькая ошибка в начальных значениях приведет к кардинально различным результатам позже во времени. Хотя эта идея рассматривалась долгое время, она впервые стала известна благодаря метеорологу и математику Эдварду Лоренцу.
Лоренц работал над разработкой атмосферных моделей в 1960-х годах. Он придумал очень простой набор уравнений для описания основной атмосферной циркуляции. Эта система была введена в компьютер, и Лоренц изучал, как она развивается. Он обнаружил, что даже самые незначительные различия в начальных переменных приводили к кардинально разным результатам! Это было обнаружено случайно, когда он не ввел одинаковое количество знаков после запятой во время одной из своих симуляций. Ниже приведен пример, где я изменил одну из начальных переменных всего на 0.00001 в начале. Сначала две системы совершенно неотличимы. По мере развития системы различие увеличивается до огромного изменения. Это та же система, что и на сюжетной диаграмме выше, просто представленная иным способом.
Как вы могли догадаться, наша атмосфера является примером хаотической системы. Она может иметь огромные изменения в результате вследствие незначительных различий в начальной настройке. Вы могли слышать о эффекте бабочки, который утверждает, что бабочка, машущая крыльями в Бразилии, может в конечном итоге вызвать торнадо в Техасе. В этой идее есть доля правды, но она более сложная, чем кажется. Атмосфера действительно является результатом множества малых возмущений. Бабочка, машущая крыльями, могла бы также с равной вероятностью предотвратить торнадо.
Сущность эффекта бабочки уже была описана математиками, такими как Анри Пуанкаре и Норберт Винер. Однако потребовалось улучшение вычислительной мощности, чтобы действительно легко наблюдать и количественно оценивать это явление. Компьютеры действительно позволили нам увидеть, насколько мощным является эффект бабочки.
Эффект бабочки стал широко известной темой в популярной культуре, персонаж Джеффа Голдблюма даже упоминает его в «Парке Юрского периода»:
«Это просто касается непредсказуемости в сложных системах. Краткое изложение — это эффект бабочки. Бабочка может махнуть крыльями в Пекине, и в Москве вы получите дождь вместо солнечной погоды».
Возможно ли вообще прогнозирование?
Это, кажется, рисует мрачную картину для метеорологов. Как мы можем даже попытаться предсказать погоду, когда нам нужно учитывать каждое единичное воздействие на нашу атмосферу? Краткий ответ: мы не измеряем всё; попытаться измерить все эти мелкие возмущения невозможно. К сожалению, нам всё же нужно учитывать это в прогнозах. Ранее я упоминал, что все текущие метеорологические центры запускают модель несколько раз. Каждый раз, когда модель запускается, начальные условия немного различаются. Это приводит к разнообразию различных результатов, которые интерпретируются как различные возможные будущие состояния погоды.
Повторяя запуск прогноза с начальными условиями, метеорологи могут смягчить ошибки, вызванные несовершенными измерениями. Поскольку наши атмосферные данные никогда не будут иметь полного охвата и 100% точности, вероятно, нам всегда придется это делать в той или иной степени при прогнозировании погоды.
Мы начинаем с распределения вероятностей начальных условий, основанных на измерениях в полевых условиях. Это распределение подключается к модели прогнозирования и запускается многократно с небольшими вариациями. В результате мы получаем разброс результатов. Затем метеорологи берут эти разные будущие состояния и смотрят на те, которые наиболее вероятны.
Теперь мы можем понять, откуда берется вероятность дождя в 30%! Если 30% выходных моделей показывают дождь, то это и сообщается как вероятность дождя в 30%. На самом деле это немного сложнее. Метеорологи обычно также учитывают процент площади, действительно затронутой дождем во многих результатах, а затем сообщают процентное значение.
Вы ясно можете видеть ансамблевые прогнозы на картах прогноза ураганов. Посмотрите ниже карту предыдущих прогнозов урагана Иэн в 2022 году, использующую ансамблевый прогноз. Это изображение взято с веб-сайта, который на самом деле объединяет несколько ансамблевых прогнозов из разных моделей! Преимущество этого заключается в том, что оно может смягчить ошибки из-за неправильных уравнений модели и дать лучшее представление о общей системе.
На этом прогнозе вы ясно можете видеть множество итераций моделей. Каждая линия представляет разные запуски модели с немного разными начальными условиями. Вы можете видеть, что в начале этого запуска точки начала неотличимы друг от друга. К концу конечные точки (черные точки) разбросаны повсюду! Мне нравится эта визуализация, потому что она вписывает эллипс в возможные исходы, показывая наиболее вероятное местоположение урагана в конце этих запусков.
Еще одна вещь, на которую стоит обратить внимание в этом прогнозе, это то, что он сообщает что-то, называемое средним значением ансамбля, выделенное жирным и черным. Обычно это основной результат, сообщаемый прогнозом погоды, даже если ни одна из моделей на самом деле его не предсказывает! Некоторые ансамблевые прогнозы дают результаты, которые очень разнообразны, что представляет систему с высокой внутренней изменчивостью. Эти системы гораздо сложнее предсказывать, и траектории ураганов известны своей переменчивостью. При событии с высокими последствиями, таком как ураган, метеорологам сложно передать природу неопределенности важных событий, таких как призыв к эвакуации.
Ансамблевые прогнозы имеют еще один инструмент, который делает их полезными для изучения климата и погоды. Вместо того чтобы изменять начальные условия, некоторые ансамблевые прогнозы будут изменять разные коэффициенты в самих уравнениях! Это позволяет ученым оценить ошибку в прогнозировании из-за выбора модели. Интерпретация этих результатов — дело статистики, и это позволяет ученым продолжать совершенствовать инструменты, которые они используют.