Сигнал и шум. Почему одни прогнозы сбываются, а другие – нет - Нейт Сильвер

Думается, что такие результаты должны немало удивить тех, кто имеет порой карикатурное представление о климатологии. На самом деле ученые не используют свои модели для создания фантастических предсказаний; они сомневаются в правильности моделей ничуть не меньше, чем их критики{835}. Однако целый ряд кинофильмов, где показаны возможные климатические изменения, наподобие фильма «Неудобная правда» («An Inconvenient Truth») Ала Гора, порой бывают куда более фантастическими: там демонстрируется, как белые медведи борются за жизнь в Арктике или как происходит затопление Южной Флориды и Нижнего Манхэттена{836}. Подобные фильмы не всегда правильно отражают имеющийся научный консенсус. На самом деле ученые спорят о гораздо более банальных вещах, например о том, как создать программу, позволяющую более точно описывать облака.

Наука о климате и сложные моменты

Синоптики и климатологи часто конфликтуют между собой{837}; большое количество метеорологов явно или скрыто критически отзывается о науках, изучающих климат.

Синоптики в течение десятилетий пытаются улучшить свои прогнозы и все равно ожидают, что после каждого неверного прогноза на них обрушатся десятки разгневанных зрителей или слушателей. Но предсказать погоду даже на сутки вперед – невероятно трудная задача. Так могут ли прогнозисты-климатологи, применяющие практически те же самые техники, эффективно предсказать, каким будет климат через десятилетия?

Отчасти разногласия, как и в случае с понятием «консенсус», являются исключительно семантическими. Климат определяется долгосрочным равновесием, которого достигает планета; погода описывает краткосрочные отклонения от него{838}. Прогнозисты климата не пытаются предсказать, пойдет ли дождь в городе Тулса 22 ноября 2062 г., хотя при этом их может интересовать, выпадет ли в Северном полушарии больше осадков в целом.

При всем этом метеорологам приходится решать целый ряд комплексных вопросов[164]: именно из множества попыток предсказать погоду возникла целая научная дисциплина, называемая теорией хаоса. Комплексность приходится учитывать и климатологам. Например, облака представляют собой довольно уникальные явления, для точного моделирования которых требуется значительная вычислительная мощность. При этом облака могут оказывать существенное влияние на петли обратной связи, присущие климатическим прогнозам{839}.

Как это ни иронично звучит, но именно прогнозирование погоды можно считать одной из историй успеха, описанных в этой книге. Благодаря упорному труду и слиянию вычислительных мощностей с человеческим суждением прогнозы стали значительно лучше, чем десятилетие или два назад. Учитывая, что прогнозисты в большинстве областей склонны к излишней самоуверенности, крайне приятно видеть, что синоптики безжалостно относятся к себе и своим собратьям по прогнозированию. Их достижения опровергают идею о том, что комплексность препятствует прогрессу.

Улучшение качества прогнозов погоды вызвано существованием двух особенностей, присущих этой дисциплине. У метеорологических прогнозов огромная обратная связь – прогнозы погоды ежедневно проходят проверку реальностью, – и это помогает синоптикам производить тонкую настройку своих программ. Данное преимущество недоступно специалистам по прогнозированию климата. И именно в этом и состоит основная причина появления скепсиса по отношению к их предсказаниям, поскольку прогнозы зачастую описывают события, которые произойдут через 80 или даже через 100 лет.

Определенные преимущества метеорологов обусловлены и тем, что они хорошо понимают физику погодной системы, управляемую сравнительно простыми и легко наблюдаемыми законами. В принципе, это же может считаться преимуществом и для прогнозистов климата. Мы можем наблюдать за облаками и довольно хорошо представлять себе их поведение; проблема состоит лишь в том, как перевести наши знания на математический язык.

Один их наиболее успешных примеров климатического прогнозирования – удачное предсказание траекторий движения некоторых огромных облаков – тех, которые образуют ураганы. Офис Эмануэля в МТИ под номером 54–1814 довольно сложно найти (мне помог исключительно интересный уборщик, который, возможно, послужил прототипом героя фильма «Умница Уилл Хантинг» («Good Will Hunting»)). Однако его явным плюсом является отличный вид на Чарльз-ривер. Легко представить себе, как где-то вдалеке зарождается ураган – направится ли он в сторону Кембриджа или улетит в сторону Северной Атлантики?

Эмануэль описал мне различие между двумя типами прогнозов ураганов. Один из них в чистом виде статистический. «У вас имеется довольно длительная история описаний интересующего вас явления. Есть у вас и информация о том, что вы считаете достаточно серьезными предикторами, в числе которых масштабное перемещение ветра в верхних слоях атмосферы или температура океана. И вы просто-напросто используете статистику для того, чтобы связать то, что вы пытаетесь предсказать, с этими предикторами».

Представьте, что в Мексиканском заливе зарождается ураган. Вы можете создать базу данных прошлых ураганов и изучить их скорость ветра, долготу и широту, температуру воды в океане и т. д. Это дает вам возможность найти среди них ураганы, более всего похожие на зарождающийся. Как они себя вели? Какая часть из них дошла до густонаселенных областей типа Нового Орлеана, а какая – бесследно исчезла? По сути, чтобы создавать подобные прогнозы, вам не нужны глубокие метеорологические знания, достаточно лишь хорошей базы данных.

Подобные техники могут использоваться для довольно грубых, но применимых на практике прогнозов. В реальности еще 30 лет назад статистические модели были основным методом, основываясь на котором служба погоды предсказывала траектории движения ураганов.

Но такой метод имеет существенные недостатки. Ураганы возникают довольно часто, однако самые серьезные из них накрывают территорию Соединенных Штатов примерно один раз в год. А если вы используете большое количество переменных, связанных с довольно редким явлением, то рискуете повысить степень оверфиттинга в своей модели и ошибочно принять шум в исторических данных за сигнал.

Однако возможен и альтернативный вариант: вам нужно понимать, какая именно структура лежит в основе системы. По сути, речь идет о создании физической модели определенного участка Вселенной. Для ее создания требуется выполнить значительно больший объем работы, чем при использовании статистического метода. Вы должны более четко понимать первопричины явления. Однако потенциально этот метод способен обеспечить вам более точные результаты.

Модели такого рода уже используются в настоящее время для прогнозирования движения ураганов и доказали свою успешность. Как я уже говорил в главе 4, с 1980‑х гг. произошло примерно трехкратное улучшение правильности предсказаний траекторий ураганов, а точка около Нового Орлеана, в которой ураган «Катрина» должен был обрушиться на землю, была предсказана более чем за 48 часов{840} (хотя к этому прогнозу прислушались не все). Статистические системы в наши дни используются, скорее, как основа, с которой сравниваются другие, более точные прогнозы.

Прогнозирование – это не книга готовых рецептов

Критика, которой Армстронг и Грин подвергают климатические прогнозы, связана с их эмпирическим изучением дисциплин, подобных экономике, в которых мало физических моделей такого рода{841}. Суть причинно-следственной связи понимается достаточно плохо. Слишком амбициозные подходы к прогнозированию в этих областях часто терпели крах, и поэтому Армстронг и Грин полагают, что они окажутся неудачными и в случае прогнозировании климата.

Цель любой предсказательной модели состоит в том, чтобы захватить максимально возможный объем сигнала и минимально возможный объем шума. Достигнуть оптимального соотношения между ними можно далеко не всегда, и на нашу способность сделать это будут влиять сила теории, а также качество и объем данных. В прогнозах в сфере экономики недостаточно данных, а теория слаба, вот почему Армстронг и считает, что «чем более сложной вы делаете модель, тем хуже становится прогноз».

Когда речь заходит о прогнозировании климата, ситуация становится еще более сомнительной: теория парникового эффекта достаточно сильна, и этот факт поддерживает более комплексную модель. Однако температурные данные переполнены шумом, и это ей мешает. Кто одержит победу? На этот вопрос мы можем дать эмпирический ответ, оценивая успех и неудачу различных видов предсказаний в науке о климате. Однако, как и всегда, самое главное – это то, насколько хорошо предсказания отражают происходящее в реальном мире.