Итак, можно заключить, что пока еще не все ладно в «модельном королевстве», современные климатические модели имеют серьезные недостатки. Но если модели все же создаются, «значит это кому-нибудь нужно»?
Существование и развитие моделей неразрывно связаны с всесторонними наблюдениями за нашей климатической системой: данные измерений используются в качестве входных модельных параметров, они же служат мерилом качества работы моделей. Уникальность же моделей состоит в том, что они и только они (!) могут помочь: а) выявить и оценить основные механизмы формирования климата в условиях их комплексного постоянного взаимодействия; б) дать прогноз наиболее вероятных изменений климата в целом и отдельных его характеристик; в) проверить (не нанося какого-либо вреда окружающей среде!), какими последствиями чреваты для климата те или иные крупномасштабные человеческие акции.
Резюмируем сказанное: климатический мониторинг ответственен за поставку достоверных фактов и призван давать ответы на вопросы «что?», «где?» и «когда?», а предназначение моделирования – в истолковании этих фактов с позиции современных знаний и в ответах на вопросы «как?» и «почему?».
Остановимся на нескольких фактах, которые модели могут занести себе в актив. В 1970–80-е гг., когда основным объектом исследований была атмосфера (см. таблицу 5, с. 175), проводилось интенсивное модельное изучение формирования и поведения ее газовых составляющих. В то время основную часть общего объема поступающей информации составляли модельные результаты, поскольку возможности атмосферного мониторинга были крайне скудны. Как следствие, очень низкие, практически недоступные измерениям того времени концентрации атмосферных радикалов (гидроксила, атомарного кислорода и др.) определялись с помощью модельных расчетов, правильность которых подтвердилась дальнейшими измерениями. Тогда же именно модели предсказали наличие в атмосфере хлористого нитрозила ClONO2, который лишь впоследствии был обнаружен в пробах воздуха.
Чуть позже, во второй половине 1980-х гг., были развернуты исследования, посвященные возможным последствиям ядерной войны. Модельные оценки (до «натурных экспериментов», подтверждающих правоту моделей, к счастью, дело не дошло) показали, что в результате массового применения ядерного оружия в климатической системе установится режим «ядерной зимы», когда резкое увеличение концентрации аэрозоля (продуктов массовых пожаров) на продолжительный срок приведет к росту оптической толщины атмосферы, значительной трансформации в ней радиационных и динамических процессов и появлению в тропиках губительных для растительности низких температур.
Упомянутые примеры интересны только узкому кругу специалистов. Другое дело – предсказания климата будущего, они затрагивают каждого человека. Для обычного человека этот интерес ограничен, как правило, сугубо практическими вопросами: какую одежду взять с собой на курорт, стоит ли планировать лыжные каникулы под Петербургом ближайшей зимой или как уменьшить риск попадания в зону участившихся в последние годы природных катаклизмов. Но для моделиста сделанный им прогноз – это и очередной шаг в познании климата, и определенная ответственность, так как с учетом его прогноза зачастую принимаются важные хозяйственно-экономические, а то и политические решения. «Позвольте! – вправе возразить читатель. – О какой ответственности может идти речь, если моделисты не в состоянии, как было сказано выше, получить идентичные результаты даже при проведении вычислений разными моделями с одинаковыми параметрами». Что ж, если результаты отдельно взятой модели не вызывают доверия, можно рассмотреть комплекс результатов, полученных с помощью всех моделей (а их в мире – несколько десятков), участвующих, например, в программе их сравнения. Поскольку все они созданы на одних принципах, но независимо друг от друга, то эти результаты могут представлять собой статистический ансамбль, и, проведя их обработку по всем правилам математической статистики, мы получим наиболее вероятное значение («математическое ожидание») климатического элемента, например температуры воздуха или количества осадков, а также границы его вероятных изменений («среднеквадратическое отклонение»).
Успешность такого подхода уже нашла свое подтверждение. Из-за нелинейности климатической системы (этим термином кратко обозначают весь комплекс сложных взаимодействий между отдельными ее компонентами) модельные расчеты ее эволюции могут оказаться различными даже при малых возмущениях в начальных условиях (т. е. стартовых значениях модельных параметров). Поэтому в исследованиях реакции климатической системы на те или иные внешние воздействия (как в прошлом, так и в будущем) опять же важно использовать ансамблевый подход – повторять расчеты для одного и того же временного интервала при одном и том же внешнем воздействии, но стартуя от разных начальных условий.
В конце 1980-х – начале 1990-х гг. была создана Межправительственная группа экспертов по изменению климата (МГЭИК). В ее задачу, в частности, входит координация всесторонних усилий, направленных на изучение эволюции климата. В регулярно издаваемых отчетах МГЭИК приводятся модельные оценки вероятных изменений основных климатических элементов в обозримом будущем, полученные с использованием вышеописанного подхода. Упомянем, что при подготовке последнего, вышедшего в 2007 г. отчета, МГЭИК использовала около 20 моделей глобального климата Земли. В частности, в отчете указано, что в период 1990–2007 гг. зафиксировано увеличение среднеглобальной температуры воздуха на 0,2 °C и именно такая величина была предсказана модельными оценками.
«Ну, хорошо, один раз совпало, – усомнится читатель, – но изменения климата напрямую зависят от содержания в атмосфере парниковых газов – CO2, метана и других. Понятно, их концентрации в моделях учитывают. Только кто может знать, сколько будет в атмосфере, скажем, того же метана через полвека – он же попадает туда и с газо– и нефтедобывающих установок, и из болот, и с рисовых полей, и даже от крупного рогатого скота… Как все это учтешь?» Действительно, эволюция содержания в атмосфере парниковых газов во многом определяет изменения климата, а то, какими будут их концентрации, зависит от интенсивности и методов хозяйствования ведущих мировых держав, а также от международных соглашений, регламентирующих выбросы таких газов в атмосферу. Неопределенность в этом вопросе очень велика, поэтому экспертами МГЭИК были разработаны несколько десятков сценариев эмиссии парниковых газов – от наиболее вероятных до весьма экзотических и в соответствии с каждым из них были сделаны модельные расчеты изменения климатических элементов вплоть до конца XXI в.
Относительно недавно было высказано опасение, что парниковое потепление поверхности океана со временем (через 100–200 лет, так как океан обладает много большей инерцией, чем атмосфера) способно изменить скорость водооборота в системе глубинных течений Мирового океана, и это может привести к отклонению течения Гольфстрим от Европы. Известно, что Гольфстрим «обогревает» Западную Европу, и, случись такое отклонение, оно может серьезно отразиться на европейском климате. Однако, как показали модельные расчеты, отклонение Гольфстрима от Европы не приведет тем не менее к климатической катастрофе, поскольку к тому времени уровень глобального парникового потепления перекроет ожидаемое похолодание Западной Европы от ухода Гольфстрима. Несомненно, случай проверить этот вывод представится еще очень нескоро, но констатируем: модели – единственный инструмент, позволяющий оценивать результат сложного многофакторного взаимодействия частей климатической системы.
Еще с советских времен известен такой анекдот. «Сладкая парочка» в составе Героя Гражданской войны В. И. Чапаева (руководитель) и его ординарца П. Исаева (ассистент) – оба в белых халатах – проводит научный эксперимент. Василий Иванович берет блоху и командует: «Блоха, прыгай!», после чего обращается к помощнику: «Петька, пиши – блоха прыгнула высоко». Снова берет блоху, отрывает ей одну лапу, повторяет команду и затем констатирует: «Петька, пиши – блоха прыгнула чуть-чуть ниже». Далее процедура повторяется, но каждый раз блоха лишается еще одной лапы. Наконец, когда удалена последняя лапа, приказ «Блоха, прыгай!» остается невыполненным. И Василий Иванович, слегка подумав, заключает: «Петька, пиши – блоха оглохла!». «К чему это?» – спросит читатель. А вот к чему. Важнейшим аспектом при работе с моделями является искусство правильно истолковывать полученные модельные результаты.
Допустим, модель успешно отработала и выдала безошибочные результаты в виде набора чисел, количество которых вполне соизмеримо с многомегабайтным объемом спутникового мониторинга. Поэтому прежде чем предстать «пред светлы очи» моделиста, этот набор чисел преобразуется в карты, графики, диаграммы. Графическое представление результатов сопровождается стандартным «сглаживанием» исходного набора, причем зачастую алгоритм этого сглаживания разработчику модели детально неизвестен. Другими словами, процедура обработки данных может «пройтись катком» по важному модельному результату и уничтожить его. Отсюда имеющийся риск (правда, небольшой) «выплеснуть с водой и младенца». Но вот перед группой моделистов – десятки карт, отражающих результаты проведенного модельного эксперимента. Каждый – физик и химик, гидролог и радиационщик, оптик и биолог – анализируют свою «зону ответственности», после чего наиболее опытный и знающий специалист – координатор – делает обобщающие выводы. Качество этих выводов целиком зависит от квалификации всех членов группы и ее «сыгранности». Как правило, усложняет ситуацию временной фактор: результаты должны быть подготовлены к определенному сроку (к крупной конференции, к заранее оговоренному моменту публикации сравнения модельных результатов и т. д.), а устранить обнаруженные «шероховатости» нет возможности, так как время, необходимое на проведение дополнительного или повторного расчета, составляет несколько месяцев.
Еще с советских времен известен такой анекдот. «Сладкая парочка» в составе Героя Гражданской войны В. И. Чапаева (руководитель) и его ординарца П. Исаева (ассистент) – оба в белых халатах – проводит научный эксперимент. Василий Иванович берет блоху и командует: «Блоха, прыгай!», после чего обращается к помощнику: «Петька, пиши – блоха прыгнула высоко». Снова берет блоху, отрывает ей одну лапу, повторяет команду и затем констатирует: «Петька, пиши – блоха прыгнула чуть-чуть ниже». Далее процедура повторяется, но каждый раз блоха лишается еще одной лапы. Наконец, когда удалена последняя лапа, приказ «Блоха, прыгай!» остается невыполненным. И Василий Иванович, слегка подумав, заключает: «Петька, пиши – блоха оглохла!». «К чему это?» – спросит читатель. А вот к чему. Важнейшим аспектом при работе с моделями является искусство правильно истолковывать полученные модельные результаты.
Допустим, модель успешно отработала и выдала безошибочные результаты в виде набора чисел, количество которых вполне соизмеримо с многомегабайтным объемом спутникового мониторинга. Поэтому прежде чем предстать «пред светлы очи» моделиста, этот набор чисел преобразуется в карты, графики, диаграммы. Графическое представление результатов сопровождается стандартным «сглаживанием» исходного набора, причем зачастую алгоритм этого сглаживания разработчику модели детально неизвестен. Другими словами, процедура обработки данных может «пройтись катком» по важному модельному результату и уничтожить его. Отсюда имеющийся риск (правда, небольшой) «выплеснуть с водой и младенца». Но вот перед группой моделистов – десятки карт, отражающих результаты проведенного модельного эксперимента. Каждый – физик и химик, гидролог и радиационщик, оптик и биолог – анализируют свою «зону ответственности», после чего наиболее опытный и знающий специалист – координатор – делает обобщающие выводы. Качество этих выводов целиком зависит от квалификации всех членов группы и ее «сыгранности». Как правило, усложняет ситуацию временной фактор: результаты должны быть подготовлены к определенному сроку (к крупной конференции, к заранее оговоренному моменту публикации сравнения модельных результатов и т. д.), а устранить обнаруженные «шероховатости» нет возможности, так как время, необходимое на проведение дополнительного или повторного расчета, составляет несколько месяцев.
Повторимся, интерпретация модельных результатов – архиважный момент в исследованиях. Только специалист, хорошо знающий особенности модели, в состоянии корректно установить соответствие между полученными модельными значениями и данными мониторинга.
К примеру, казалось бы, естественно напрямую сравнить результаты, полученные в модельной ячейке, с наблюдениями в ближайшей географической точке. Однако так поступать нельзя, поскольку модельное решение соответствует среднему значению по всей модельной ячейке. Так, отношение массы сажи, выброшенной из заводской трубы, к объему воздуха в окрестности этой трубы (т. е. концентрация сажи в окрестности трубы) значительно выше отношения той же массы к объему модельной ячейки, охватывающей, скажем, уже упоминавшуюся Московскую область (средней концентрации по модельной ячейке).
Еще одной «головной болью» моделистов является неравномерность расположения метеостанций на поверхности Земли. «А какая-тут связь?» – возможно, удивится читатель. Прямая: информация, поступающая с этих метеостанций, необходима для работы моделей, но модель «привязана» к узлам регулярной сетки, не совпадающим с местоположением станций. На практике это означает, что в окрестности одного модельного узла может не оказаться ни одной станции, в то время как около другого «роится» сразу несколько. Однако значения метеопараметров должны быть присвоены каждому узлу. В первом случае не понятно, откуда такие значения брать, а во втором – какому из них отдавать предпочтение (или по какому правилу учесть все из них). Во многом ситуацию спасает спутниковый мониторинг, но все же не полностью, поскольку он не охватывает измерениями абсолютно всю поверхность земного шара.
Для восполнения дефицита данных и получения взаимосогласованных полей метеорологических характеристик применяют разные методы, например интерполяцию на основе объективного анализа или ныне наиболее популярный ре-анализ. Ре-анализы представляют собой результаты модельных расчетов атмосферных полей, произведенные с учетом всего комплекса имеющихся данных наблюдений таких ключевых характеристик, как температура, влажность, атмосферное давление и др. Там, где такие данные отсутствуют, они восполняются соответствующими модельными результатами. После этого весь комплекс значений каждой из характеристик подвергается процедуре ассимиляции – созданию такого результирующего «гладкого» взаимосогласованного поля в заданных точках поверхности земного шара и атмосферы (в узлах модельной сетки), которое максимально приближено к значениям исходного комплекса. Достоверность ре-анализов для разных атмосферных характеристик неодинакова, а для некоторых характеристик (например, для осадков или облачности) данные наблюдений плохо или совсем не ассимилируются, несмотря на их наличие. Вместо этого указанные характеристики рассчитываются – с погрешностями, присущими их модельным описаниям.
Однако «лучше один раз увидеть, чем сто раз услышать». Рис. 19 и 20 цв. вклейки иллюстрируют возможности современных климатических моделей. На них показаны попарно модельные и наблюдаемые распределения годовых сумм осадков (рис. 19) и температуры приземного воздуха (рис. 20) по поверхности земного шара. Модельные распределения – это средние величины, полученные в результате работы 19 моделей, а наблюдаемые – данные ре-анализа за период 1980–1999 гг. Конечно, теория и практика расходятся, но, согласитесь, «картинки» во всех основных деталях получаются весьма похожими и вполне подошли бы для популярной игры «Найди десять отличий».
Обнаружение расхождений между модельным и наблюдаемым климатами чаще всего не позволяет сразу же внести исправления в модель. Высокая сложность взаимодействий в модельной климатической системе маскирует связь между причиной и следствием. Это вынуждает разработчиков проводить многочисленные, подчас дорогостоящие и не всегда успешные эксперименты для оценки того, насколько чувствительны полученные с помощью модели результаты к изменению ее параметров. Улучшение воспроизведения моделью некоего среднего состояния, отвечающего, например, современному климату, может быть достигнуто, в частности, путем так называемой «настройки», состоящей в подборе свободных (недостаточно известных или изменяющихся в широких пределах) параметров модели в целях наилучшего соответствия как можно большего числа характеристик модельного климата наблюдаемым значениям (нелишне заметить, что улучшение воспроизведения моделью одной характеристики может сопровождаться ухудшением другой).
«Настройка» моделей традиционно является объектом критики со стороны исследователей, скептически относящихся к физико-математическому моделированию как методу исследования и предсказания климата. Однако повторимся, в контексте исследований будущих изменений климата удовлетворительное воспроизведение его современного среднего состояния не является самоцелью. Дело в том, что даже при использовании одного и того же сценария внешнего воздействия современные модели демонстрируют значительный разброс в оценках возможных изменений климата в будущем. А контролировать чувствительность модели к внешним воздействиям – задача куда более сложная, нежели воспроизведение современного состояния климатической системы.
Если же помимо современного климата модель позволяет воспроизводить различные состояния климатической системы, наблюдавшиеся в далеком прошлом (когда внешние воздействия сильно отличались от современных), а также известную эволюцию климатической системы (например, в течение ХХ и предыдущих веков), можно надеяться, что полученные с помощью этой модели оценки изменений климата при тех или иных ожидаемых в будущем сценариях внешнего воздействия заслуживают доверия.
Сегодня не существует модели, лучше прочих описывающей, например, современный климат. Обычно каждая модель хорошо воспроизводит лишь часть искомых климатических величин, в то время как остальные воспроизводятся значительно хуже. Сравнительный анализ показывает, что наиболее высокую успешность, как правило, демонстрирует «средняя» (по ансамблю) модель. Это связано с тем, что систематические ошибки разных моделей (а они присущи каждой) не зависят друг от друга и при осреднении по ансамблю могут взаимно компенсироваться. Например, если две модели регулярно «завышают» температуру воздуха на 0,3 °C и 0,4 °C, а две другие ее «занижают» на 0,25 °C и 0,3 °C соответственно, то средняя ошибка (0,3 + 0,4–0,25 – 0,3 = 0,15 °C) окажется меньше, чем у любой из четырех моделей.