Новый инструмент для предсказания засухи
Засухи остаются самым неблагоприятным природным явлением для сельского хозяйства и наносят ощутимый ущерб экономике
Засухи всегда внушали страх. Люди не понимали их причин, они влекли неурожай, голод, болезни и смерть. Во время засухи 1920–1921 годов в Советской России от голода погибло более 5 млн человек. Теперь засухи не кажутся нам столь опасными — неурожай в нескольких областях страны не грозит нам пустыми прилавками. Но засухи остаются самым неблагоприятным природным явлением для сельского хозяйства и наносят ощутимый ущерб экономике.
Фото: Олег Харсеев, Коммерсантъ
Фото: Олег Харсеев, Коммерсантъ
Знаменитым летом 2010 года, когда Москва была окутана смогом торфяных пожаров, ущерб от засухи составил 41,6 млрд руб., а в 2012 году — 35,5 млрд руб. Обеспокоенность вызывает также наблюдающееся и прогнозируемое изменение климата: частота и сила экстремальных погодных явлений, в том числе засух и волн жары, будет на протяжении XXI века возрастать.
Снижение ущерба от засух даже на 10–15% позволяет экономить миллиарды рублей. Сокращению ущерба помогают мелиорация, грамотный севооборот, особые способы распашки и ухода за почвой и др. Эффективность всего зависит от точности и заблаговременности прогноза засухи.
Виновником наиболее сильных засух становится «блокирующий» антициклон, который господствует над территорией продолжительное время, препятствуя поступлению влажных морских воздушных масс и выпадению осадков. В случае дефицита почвенной влаги, который может быть следствием, например, малоснежной зимы, засуха становится наиболее опасной для посевов и урожая.
Все мы привыкли пользоваться тем или иным ресурсом для того, чтобы узнать погоду на завтра или на предстоящие выходные. Такой прогноз называется краткосрочным, и он составляется с помощью численных физико-математических моделей. Уравнения гидродинамики, которые лежат в основе этих моделей, описывают эволюцию погоды во времени примерно так же, как предсказываются траектории полета космической ракеты, но только задача прогноза погоды во много раз сложнее.
Одна из сложностей связана с нелинейностью процессов в атмосфере. Неприятным следствием нелинейности является рост во времени небольших неопределенностей в описании состояния атмосферы: даже с помощью самой точной и подробной системы наблюдений невозможно измерить каждый порыв ветра на всем земном шаре. Это приводит к тому, что предел предсказуемости состояния атмосферы составляет 10–15 дней. Печальный вывод таков: детерминистский прогноз погоды, то есть такой, когда известному из наблюдений начальному состоянию атмосферы соответствует вполне определенное состояние атмосферы в будущем, возможен лишь с ограниченной заблаговременностью. Прогноз на срок дольше десяти дней смысла просто не имеет.
Рост точности прогноза атмосферного давления с различной заблаговременностью
Диаграмма: по данным Европейского центра среднесрочных прогнозов
Рост точности прогноза атмосферного давления с различной заблаговременностью
Диаграмма: по данным Европейского центра среднесрочных прогнозов
Но краткосрочный прогноз погоды достиг высокой точности. Оправдываемость прогноза на трое суток вперед составляет 95–97% в отношении атмосферного давления. Наиболее быстрые и производительные суперкомпьютеры мира используются именно для прогноза погоды и климатического моделирования. Рост точности прогноза связан также с постоянным развитием системы метеонаблюдений.
Увы, осадки, а именно они важны для прогноза режима увлажнения и засух, предсказываются с меньшей точностью. Во-первых, мелкомасштабные процессы осадкообразования довольно грубо описываются в моделях. Во-вторых, конвективные процессы, с которыми связаны определенные виды осадков, в частности ливневые, носят случайный характер, поэтому даже на несколько дней вперед так сложно предсказать, где именно выпадут осадки.
Для своевременного принятия мер по сокращению ущерба от засух краткосрочный прогноз и не годится: необходима заблаговременность на несколько месяцев, а то и больше. Казалось бы, предел предсказуемости не оставляет поводов для оптимизма. Но внутри климатической системы существуют элементы, состояние которых медленно меняется во времени, то есть они обладают инерцией. Это прежде всего океан, ледники и морские льды, а также верхний слой суши. Большой инерцией также обладает взаимодействие нижней части атмосферы — тропосферы — с вышележащей стратосферой. Состояние этих элементов оказывает влияние на погоду, и именно это делает возможными сезонные (на срок три-шесть месяцев) и долгосрочные (на срок один-два года) прогнозы.
В качестве наиболее характерного примера выступает явление «Эль-Ниньо — южное колебание». Его суть заключается в изменении температуры поверхности в тропической и экваториальной областях Тихого океана с периодичностью пять-семь лет. Потепление приповерхностного слоя носит название «Эль-Ниньо» (исп. «мальчик»), а похолодание — «Ла-Нинья» (исп. «девочка»). Эль-Ниньо влияет на глобальную циркуляцию атмосферы и на погоду во многих регионах земного шара, что выражается в том числе в увеличении или уменьшении количества осадков в определенных районах.
Приводит ли Эль-Ниньо к засухам в России? Статистический анализ метеорологических данных говорит, что Эль-Ниньо оказывает слабое влияние на погоду на европейской территории нашей страны. А вот аномалия температуры воды в Северной Атлантике, а также весенняя перестройка циркуляции в стратосфере имеют значимую корреляцию с повторяемостью засух в различных регионах России.
Из этих ответов становится понятна суть статистических методов долгосрочного прогноза. В качестве предикторов используются характеристики состояния наиболее инерционных составляющих системы атмосфера—суша—океан, а также крупномасштабных характеристик циркуляции атмосферы. На основании имеющихся рядов наблюдений устанавливаются статистические связи между предикторами и вероятностями аномалий погоды в конкретных регионах. Существенную роль в прогнозировании засух играют и более очевидные факторы, прежде всего толщина снежного покрова зимой, которая во многом определяет насыщенность почвы влагой в весенние месяцы.
В составлении сезонного прогноза также участвует динамико-статистический метод: с помощью гидродинамических моделей атмосферы рассчитывается целый «набор» прогнозов погоды на месяц (или больше) вперед. Модели генерируют несколько десятков различных прогнозов, которые представляют собой случайные реализации погоды. На основании этих данных рассчитывается вероятность того, что в предстоящие месяцы в том или ином регионе будет теплее или холоднее, чем обычно. Увы, такой метод требует больших вычислительных ресурсов, а также страдает от недостатков, присущих численным моделям, а именно грубого описания мелкомасштабных процессов.
Важной особенностью сезонного прогноза является его вероятностный характер. Мы не можем с точностью сказать, какой будет погода через два месяца, но можем указать, что с вероятностью, к примеру, 65% условия будут более засушливыми, чем обычно.
За счет чего же можно увеличить точность прогноза? Одним из перспективных направлений развития технологии прогноза является использование методов искусственного интеллекта (ИИ). Еще в 2023 году большой резонанс вызвала новость, что ИИ сначала сравнялся по точности краткосрочного прогноза с традиционным методом численного моделирования, а затем и превзошел его. В первом случае об успехах своей модели на основе ИИ заявила в журнале Nature компания Huawei. Во втором случае отличился коллектив из Google DeepMind, опубликовав результаты в Science. Суть этих моделей заключается в том, что нейронные сети тренируются на огромных массивах данных наблюдений, собранных за много лет и нанесенных на регулярную сетку, как бы заполняющую собой атмосферу. Хотя тренировка нейросети требует больших вычислительных ресурсов, расчет прогноза с помощью этих моделей происходит в сотни раз быстрее, чем с помощью традиционных методов.
Модель ИИ полностью заменяет собой численную гидродинамическую модель атмосферы. Помимо скорости и малой ресурсоемкости, преимуществом этих моделей является тренировка на данных наблюдений, что и позволяет достичь большей точности. Однако необходимы дополнительные исследования, чтобы оценить возможность предсказания с помощью ИИ-моделей редких экстремальных явлений, в том числе засух.
Поэтому развивается гибридный подход: расчеты гидродинамических моделей «подправляются» с помощью моделей ИИ, задача последней — устранить расхождение между наблюдениями и расчетами. Именно такой подход реализован в «Яндекс. Погоде» для задачи краткосрочного прогноза.
При гибридном подходе ИИ-модель не только более эффективно борется с систематическими ошибками, но и позволяет увеличить пространственную детализацию прогноза. Последнее особенно важно для сезонного прогноза, который составляется на основе ансамблевых расчетов с достаточно грубым пространственным разрешением.
Одним из ключевых преимуществ применения ИИ для сезонного прогноза погоды, и в том числе засух, стала возможность учесть влияние большого количества предикторов и обнаружить неочевидные зависимости. Традиционно ограниченный набор предикторов для статистических моделей сезонного прогноза выбирался учеными вручную. С другой стороны, довольно трудным препятствием как для статистических, так и для ИИ-моделей являются сравнительно короткие ряды метеорологических наблюдений, за время которых наблюдалось не так много сильных засух. Это вроде бы не позволяет установить статистически достоверные связи между повторяемостью засух и предикторами: ряды наблюдений недостаточно длинны.
Чтобы обойти эту проблему, мы включили в выборку данные из традиционных моделей атмосферы — проще говоря, сгенерировали погоду и за счет этого удлинили ряды.
Сейчас наша модель позволяет для любой точки на территории России сделать как качественную, так и количественную оценку, будет засуха или нет. В частности, сказать, насколько она будет сильной. Заблаговременность прогноза составляет до шести месяцев, точность — порядка 70%.