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.

Я бы не хотел сводить процесс прогнозирования до набора простых лозунгов. Конечно, эвристические правила типа «бритвы Оккама» («при прочих равных условиях более простое объяснение всегда лучше более сложного»{842}) звучат достаточно привлекательно, однако их трудно реализовать на практике. Нам доводилось видеть случаи довольно простых и элегантных предположений (например, в моделях SIR, использовавшихся для прогнозирования всплесков болезней). Однако при этом они слишком наивны, чтобы на их основе можно было сделать толковый прогноз. Также (как в случае предсказания землетрясений) мы видели, как невероятно сложные схемы прогнозирования, отлично смотревшиеся в рамках компьютерной программы, терпели на практике унизительное поражение.

Признание, подобное выражению «чем более сложной вы делаете модель, тем хуже становится прогноз», можно сравнить с фразой «не пересолите блюдо». С какого уровня сложности вы начали (сколько соли вы насыпали с самого начала)? Если вы хотите добиться успеха в прогнозировании, то вам нужно заставить себя погрузиться в эксперименты и доверять собственным рецепторам.

Знать ограничения прогнозов – уже наполовину выиграть сражение, и в этом направлении дела прогнозистов климата идут довольно хорошо. Эти ученые остро осознают суть неопределенности – различные варианты понятий неуверенность и неопределенность использовались в одном из отчетов МГЭИК за 1990 г. 159 раз{843}. Авторы отчета МГЭИК смогли найти массу различных способов объяснения степени согласия или определенности при формулировке того или иного вывода. Например, фраза «скорее всего» в отчете МГЭИК предполагает, что вероятное значение точности предсказания не менее 66 %, а фраза «практически наверняка» предполагает степень согласованности на 99 % и более{844}.

Тем не менее одно дело – понимать суть неопределенности, и совсем другое – реально правильно ее оценить. Когда дело заходит о политических опросах, мы можем полагаться на достаточно широкую базу данных исторических свидетельств. Если кандидат лидирует по итогам опроса на десять пунктов за месяц до выборов, то насколько велики его шансы на победу? Для получения эмпирического ответа на этот вопрос мы можем изучить данные, полученные при проведении десятков прошедших выборов.

Модели, которые создаются прогнозистами климата, не могут полагаться на эту методику. У нас есть только одна планета, и прогнозы ее дальнейшего развития создаются на интервалы, захватывающие десятилетия. Хотя климатологам и приходится много думать о неопределенности, нужно помнить и о том, что существует неопределенность и в отношении того, сколько неопределенности у нас есть. С проблемами такого рода встречаются прогнозисты в любой дисциплине.

Тем не менее мы вполне можем анализировать неопределенность климатических прогнозов, учитывая три ее составные части. Для обсуждения этого вопроса я встретился с коллегой Хансена по НАСА, саркастичным лондонцем, соавтором блога RealClimate.org Гэвином Шмидтом. Встреча состоялась в пабе неподалеку от его офиса, расположенного в нью-йоркском районе Морнингсайд-Хайтс в Нью-Йорке.

Во время разговора Шмидт нарисовал на салфетке для коктейлей график, который был похож на тот, что вы видите на рис. 12.3. На нем отображены три значимые проблемы, с которыми сталкиваются ученые, и различные типы неопределенности, начинающие занимать более-менее главенствующее положение в процессе создания климатического прогноза.

Рис. 12.3. Схема, отражающая неопределенность в прогнозах глобального потепления

Прежде всего, речь пойдет о том, что Шмидт называет изначальным условием неопределенности, – это краткосрочные факторы, конкурирующие с парниковым сигналом и влияющие на то, как мы ощущаем климат. Парниковый эффект представляет собой долгосрочное явление, и день ото дня или даже год от года его влияние может быть незаметно за другими всевозможными событиями.

Самый очевидный тип неопределенности изначального условия – это обычная погода. Когда дело касается прогнозирования климата, она представляет собой скорее шум, а не сигнал. Текущий прогноз МГЭИК предсказывает, что температуры в течение следующего столетия должны повыситься на 2 °C (или около 4 °F). Это значит, что за десятилетие температура увеличится примерно на 0,2 °C, а за год – на 0,02 °C. Такой сигнал сложно заметить, когда разница дневных и ночных температур может колебаться в пределах 15 °C, а на некоторых широтах – в пределах 30 °C от сезона к сезону.