Артур Уиггинс - Пять нерешенных проблем науки

♦ 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.

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.

Устоявшаяся сеть прогнозирования погоды не приемлет невозможности прогнозирования. Пока не удастся делать более точные прогнозы на срок более двух недель, приходится мириться с возможностью исходной непредсказуемости погоды. В некотором отношении здесь улавливается сходство с другой задачей науки о Земле: прогнозированием землетрясений (см.: Список идей, 13. Предсказание землетрясений).

При всех любопытных свойствах, проявляемых теорией хаоса и теорией катастроф, занятой изучением скачкообразных перестроек систем как чистой математики, для извлечения научных выгод требуется их более тесное соотнесение с физической реальностью. Свежий подход на основе простых правил программирования [так называемой системы компьютерной алгебры] предложил в 2002 году Стивен Вольфрам. Его идеи могут помочь в прогнозе погоды и иных областях науки, однако потребуется еще много усилий для соотнесения его отвлеченных математических методов моделирования с реальным миром.