Парадоксы климата

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.