С фундаментальной точки зрения погода — динамическая система, в которой маленькая неточность в начальных условиях может привести к большим неточностям на выходе. Это называют «эффектом бабочки»: взмах крылышек бабочки в Токио приведет к урагану в Нью-Йорке, и если ты этот взмах не учел — ты можешь прозевать ураган.
Примерно 80 погодных спутников собирают очень много информации об атмосфере в режиме реального времени, сотни тысяч метеостанций по всему миру. Вся эта информация помогает избегать критических погрешностей во входных данных.
Информация скапливается на серверах, к которым можно получить доступ, в том числе за определенную плату. Эти данные становятся вводными для математических моделей прогноза погоды — это дифференциальные уравнения, записанные в виде программного кода. Модели составлены на основании знаний о физике процессов, происходящих в атмосфере: законов формирования циклонов, антициклонов, атмосферных фронтов и так далее. Результат такого моделирования, немножко доработанный, — это и есть прогноз погоды.
Вообще, точность прогноза погоды в последнее время сильно повысилась. Среди самых мощных суперкомпьютеров мира как минимум пять сделаны для того, чтобы прогнозировать погоду.
Неточные прогнозы возникают, во-первых, от недостатка данных. Если бы мы снимали атмосферу в 3D 24 часа в сутки 7 дней в неделю, наши прогнозы были бы заметно точнее. Но это очень дорого стоит. А во-вторых, модели не знают всей физики процессов, не могут учесть всех факторов. Есть какие-то силы в атмосфере, которые человеку пока не известны или не учтены в этих моделях.
Все погодные модели ошибаются. Некоторые сильно завышают количество выпавших осадков, а другие, наоборот, занижают городскую температуру ночью. Если постоянно сопоставлять фактическую погоду и прогнозы, сделанные с помощью этих моделей, можно найти много закономерностей. Человеку это сделать сложно, потому что объемы данных огромные. А вот роботы, специально созданные для того, чтобы искать в больших объемах данных неочевидные закономерности, с этим справляются прекрасно.
Благодаря знанию этих закономерностей роботы корректируют прогноз так, чтобы он был более точным. Условно говоря, если модель А предсказывает то-то, а в это время давление в этом регионе понижается, то, скорее всего, погода будет вот такой.
Помимо точности, в моделях важно их разрешение: чем оно больше, тем больше локальных особенностей можно учесть. Мы в «Яндексе» на мощных компьютерах можем гонять модели с высоким разрешением — 2 на 2 километра. Погода очень сильно зависит от того, какая поверхность у вас под ногами. Например, городской асфальт нагревается быстрее и остывает медленнее, чем лес. У «Яндекса», благодаря собственным картам, есть точное знание, где какая поверхность, что тоже позволяет делать прогноз более локальным.
Кроме того, есть данные от наших пользователей: они через мобильное приложение сообщают нам о погоде, которую наблюдают, и о том, не ошиблись ли мы в прогнозе и в оценке текущей погоды.
Для оценки точности прогноза погоды есть такая метрика — доля ошибок больше чем на 5 градусов. То есть такая ошибка, из-за которой человек, например, неправильно оденется. Таких ошибок прогноз «Яндекса» допускает не более 2,1%. То есть если смотреть наш прогноз сто дней подряд, вероятно, что два дня из них наш прогноз будет сильно неточен. Это очень хороший показатель.
В атмосфере бывают стабильные и нестабильные ситуации, которые, в частности, могут привести к очень обильным осадкам. Бывает, что метеорологи оказываются не в силах предупредить об огромном снегопаде, из-за которого потом город больше суток стоит в пробках. Технология прогноза погоды находится на таком уровне, что в нестабильных условиях его делать сложнее.
Если ты хочешь точно предсказать температуру и осадки в определенный час, то такой прогноз имеет смысл делать на три-четыре-пять дней. Если тебе достаточно сказать, что в определенный день будут какие-то осадки и температура будет колебаться в таких-то пределах, то это дней на десять. На более дальних горизонтах прогнозы по точности проигрывают климатическим нормам, то есть средним значениям за многие годы метеонаблюдений. Если вам надо предугадать погоду, например, на свой отпуск или на день свадьбы, имеет смысл посмотреть климатические данные.
Все те проблемы, о которых я рассказывал в самом начале, — недостаток данных и недостатки погодных моделей — уже не решаются традиционными методами. Мы не можем запускать миллионы метеоспутников или финансировать развитие физики атмосферы как науки. Технологический вызов состоит в том, чтобы с имеющимися средствами значительно повысить точность прогноза погоды. Технология Метеум решает эту проблему с помощью машинного обучения.
Систематика глобальных изменений климата очень сложная: нет единого тренда, будь то глобальное потепление или глобальное похолодание. Когда нынешнее лето оказывается жарче предыдущего или даже когда несколько лет подряд непривычно жарко — это скорее случайный процесс. Существуют проекты, когда люди обобщают точечные наблюдения с метеостанций и на основании этих данных выясняют, какое лето было самым жарким или какая зима — самой холодной на планете Земля. А какие-то локальные пики типа самого жаркого дня за всю историю метеонаблюдений в Москве — это именно случайности. Если определять самый жаркий день, то нужно анализировать метеонаблюдения не за 50, а за 500 лет: только такие масштабы позволяют рассуждать об изменениях климата.