Пять нерешенных проблем науки - [43]

Чтобы заострить внимание на том, как малые различия ведут к большим последствиям, а возможно, руководствуясь наглядным образом странного аттрактора, свое выступление [в декабре 1972 года перед Американским обществом содействия науке] Лоренц озаглавил так: «Вызовет ли взмах крыла бабочки в Бразилии смерч в Техасе?» Выражение «эффект бабочки» вскоре стало общепринятым. Системы уравнений с подобным поведением уже создавались и изучались независимо от возможности применять их к физическим системам.

Рис. 5.4. Странный аттрактор

В итоге возникла совершенно новая отрасль математики с, пожалуй, вводящим в заблуждение названием «теория хаоса», придуманным математиком Джеймсом Йорком из Мэрилендского университета (см.: Список идей, 12. Теория хаоса). К сожалению, слово хаос подразумевает совершенный беспорядок, что в корне неверно. Погода не носит случайного характера. Общая картина погоды хорошо всем известна: лето теплое, а зима холодная. Чего нам недостает, так это подробностей: насколько теплой или холодной будет погода, и ждать непогоду спустя неделю или же ровно через час.

Решение головоломки: как и где?

Есть несколько мнений о путях достижения более точного, долгосрочного прогноза погоды.

КАК И ГДЕ

Улучшение методов.

♦ Совершенствование наблюдений за погодой. Требуется больше данных и лучшего качества. Есть места на Земле, откуда поступает крайне мало данных, прежде всего это горные районы и океанические поверхности. Два больших сезонных течения поверхностных океанических вод, Эль-Ниньо и Ла-Нинья, вызывают обширные синоптические явления, существенно воздействующие на погоду в мире, особенно сказываясь на сельском хозяйстве. Точный долговременный прогноз помог бы крестьянам сохранить сотни миллионов долларов. В рамках проектов наподобие ARGO, составной части Системы наблюдения за климатом Земли, на океанических просторах размещаются 3 тыс. дрейфующих станций для слежения за погодными и водными условиями.

♦ Повышение качества моделирования. Современное математическое моделирование значительно совершенней методов Эдуарда Лоренца, но многое еще предстоит сделать. Некоторые физические процессы, управляющие погодой, весьма сложны. Нужно учитывать рельеф местности и свойства почвы, брать в расчет динамическое поведение океана и облачного покрова. Нынешние модели лишь аппроксимируют крайне сложные процессы в целях ускорения вычислений с учетом объемов памяти ЭВМ. К тому же различные службы придерживаются собственных моделей со своими аппроксимациями.

♦ Уменьшение шага сетки у модели. Первые модели прогнозирования погоды использовали сетку с шагом в сотни километров. В нынешних моделях этот шаг уменьшен до десятков километров, а ближайшая цель — 5 км. Чем меньше область, тем точнее моделирование, однако для получения такой точности нужны суперЭВМ (вспомним потребность биологии в больших вычислительных мощностях, получившую название биоинформатики). В построении суперЭВМ наметилось два подхода: массовая параллельная обработка и векторные вычисления. Процессоры с массовым параллелизмом соединяют большое число универсальных процессоров, каждый из которых осуществляет часть сложного вычисления, а отдельные результаты суммируются. Векторная обработка использует специализированные микропроцессоры, предназначенные для решения сугубо определенной задачи. В свое время американский разработчик ЭВМ Сеймор Крей собирал необыкновенно быстрые суперЭВМ на основе векторного вычисления. Хотя его подход перестал пользоваться спросом на родине, к нему решила прибегнуть японская компания NEC Вместо перехода на сетку с меньшим шагом для всего земного шара было решено, что качество прогноза у глобальных моделей можно улучшить при сетках с переменным шагом в особо важных областях.

♦ Сборный прогноз. Сборный прогноз — метод, учитывающий чувствительность моделей к малым изменениям в начальных условиях. Данный подход связан с неоднократным прогоном модели, использованием различных начальных условий, чтобы посмотреть, как меняются выходные данные. Если, например, дождь выпадает в четырех испытаниях из десяти, можно прогнозировать 40 % вероятности дождя. Обычно модели запускают более 10 раз — часто это 17 прогонов, но порой может быть и 46. Одна из разновидностей данного подхода связана со сравнением результатов различных моделей с последующим прогнозированием на основе средневзвешенного значения. Опытные метеорологи используют ЭВМ, когда сверяют результаты, и порой отклоняют выданный ею прогноз исходя из собственного опыта.

Признание невозможности подробного долгосрочного прогноза и изучение лишьобщих тенденций

Как пишет популяризатор науки Джеймс Глейк в книге ХАОС: создание новой науки (1987) [СПб., 2001]:

Предположим, что Земля покрыта датчиками на удалении одного фута друг от друга, а по высоте — идущими на расстоянии одного фута вплоть до верхних слоев атмосферы. Предположим, что каждый датчик снимает совершенно точные показания температуры, давления, влажности и любой иной величины по желанию метеоролога. Ровно в полдень обладающая неограниченной мощностью ЭВМ получает все эти данные и вычисляет, что произойдет в каждой точке в 12.01, потом в 12.02 и т. д. И тем не менее ЭВМ не в состоянии предсказать, будет ли в Принстоне, штат Нью-Джерси, солнечно или пасмурно через месяц.