Šiuolaikinėje visuomenėje prognozės tapo neatsiejama kasdienybės dalimi – nuo orų iki ekonomikos ar socialinių procesų. Jų pagrindas yra matematiniai modeliai, leidžiantys simuliuoti sudėtingas sistemas ir numatyti galimus ateities scenarijus. Vis dėlto VU Matematikos ir informatikos fakulteto mokslininkai įspėja, kad modelių tikslumas priklauso nuo daugybės veiksnių: duomenų kokybės, jų atnaujinimo dažnio, taikomų algoritmų ar pačių reiškinių nepastovumo. Šiame kontekste net ir paprastas klausimas – ar rytoj reikės skėčio – tampa iliustracija, kaip matematika padeda suprasti pasaulį, bet kartu primena apie jos ribas.
Asociatyvi nuotr. Unsplash.com
Prieš keletą dienų visi gavome pranešimus į telefonus apie didžiulį sniegą, tačiau tokio gausaus snygio taip ir nesulaukėme. Laukėme baltos žiemos stebuklo, o vietoj to mus aplankė šlapdriba. Tai ko gi laukti – sniego, šlapdribos ar gal lietaus?
Akylesni galėjo pastebėti, kad skirtingų operacinių sistemų – „Apple“ ir „Android“ – pateikiami duomenys neretai nesutampa: vienu atveju prognozuojama sausa diena, kitu – patariama pasirūpinti skėčiu. Daugybė anekdotų apie sinoptikų klaidinančias prognozes taip pat moko nepamiršti skėčio, net kai orų prognozė skelbia ramią dieną.
Tokie neatitikimai pabrėžia tiek orų prognozavimo sudėtingumą, tiek mūsų įpročius išlikti atsargiems net tuomet, kai žadamas giedras dangus.
Bet ar galime kaltinti tuos, kurie mums orų prognozes praneša? Daugybėje sričių, kur girdime žodį prognozė, pirmiausia verta pagalvoti, ar suprantame, kaip tos orų prognozės atsiranda.
Sinoptikai, arba meteorologai, rengiantys orų prognozes, gali suklysti dėl įvairių priežasčių.
Gamta iš prigimties nenuspėjama, o atmosfera yra labai sudėtinga sistema, kurioje vienu metu veikia daugybė kintamų veiksnių: temperatūra, oro slėgis, drėgmė ar vėjas. Kartais jų sąveika būna tokia netikėta, kad, rodos, tarsi iš niekur atsiradusi audra ar uraganas visiškai pakeičia įprastą orų eigą.
Tokiame sparčiai kintančiame, labai paslankiame pasaulyje sinoptikams talkina matematikai.
Oro prognozės kuriamos remiantis matematiniais modeliais, bandančiais atkartoti atmosferos procesus. Tačiau dažnai šie procesai būna pernelyg sudėtingi ar nepakankamai tiksliai apibrėžti, todėl prognozėse neišvengiamai atsiranda klaidų.
Matematiniai modeliai, kuriais grindžiamos orų prognozės, remiasi sudėtingomis lygtimis. Jos nagrinėjamos vadinamojoje chaoso arba netiesinių dinaminių lygčių teorijoje, kur net menkiausias pradinės informacijos pokytis gali sukelti didelius skirtumus ateities rezultatuose. Matematikai privalo atsižvelgti į tai, kad tiek patys reiškiniai, tiek juos aprašančios lygtys turi savybę nuolat keistis. Todėl nedidelis, atrodytų, nereikšmingas temperatūros pasikeitimas vienoje vietoje gali turėti įtakos visiškai kitur ir visiškai kitu laiku. Šį reiškinį vaizdžiai iliustruoja vadinamasis „drugelio efektas“: plasnodamas sparnais Kinijoje, drugelis gali prisidėti prie uragano kitoje pasaulio pusėje.
Asociatyvi nuotr. Unsplash.com
Prognozės tikslumą lemia ne tik pačios lygtys, bet ir duomenys. Įprasti modeliai dažnai remiasi istorine informacija, tačiau tai, kas buvo teisinga praeityje, nebūtinai atitinka dabartį ar ateitį, ypač sparčiai kintant klimatui.
Prognozės tikslumą lemia ir duomenų kokybė. Jei tam tikroje vietoje nėra pakankamai stebėjimo stočių ar duomenys netikslūs, prognozės taip pat bus mažiau patikimos. Labai svarbus ir informacijos atnaujinimo dažnis – tai, kaip dažnai papildomi ir atnaujinami stebėjimų duomenys. Kuo jie naujesni, tuo didesnė tikimybė, kad prognozės bus tikslesnės.
Vis dėlto net ir turint kokybiškus duomenis, prognozės gali skirtis, nes jų interpretacija priklauso nuo specialistų patirties. Todėl sinoptikai, nepaisant pažangios technologijos ir matematikos modelių, negali visiškai tiksliai numatyti, kokie orai bus.
Skirtumus galima pastebėti net tarp išmaniųjų telefonų programėlių. Pavyzdžiui, „Android“ ir „Apple“ įrenginiuose pateikiamos prognozės gali nesutapti, nes jos remiasi skirtingais duomenų šaltiniais, naudoja kitus modelius, algoritmus ar atnaujinimo dažnius. Kai kurios sistemos remiasi daugiau statistiniais, kitos – dinaminiais arba hibridiniais modeliais. Tai irgi gali lemti skirtingą prognozės tikslumą.
Net ir naudojant panašius duomenis, galutinis rezultatas priklauso nuo pasirinktų prognozavimo strategijų. Situaciją apsunkina ir tai, kad skiriasi informacijos atnaujinimo intervalai, o dalis algoritmų, paremti istoriniais duomenimis, gali būti sukurti taip, jog nuolat tikslintų ankstesnes prognozes.
Negalima atmesti ir kito veiksnio – pritaikymo vartotojui. Mūsų telefonai, žinodami tam tikrus įpročius, gali pateikti suasmenintą informaciją, tad du vartotojai, net tikrinantys orą toje pačioje vietoje, kartais mato skirtingą prognozę.
Visa tai rodo, kad už tokių terminų kaip duomenų kokybė, modeliai, informacijos atnaujinimo dažnis ar suasmenintos informacijos visada slypi matematika. Ji yra pagrindas, leidžiantis mums prognozuoti, bet kartu primena apie tikrovės sudėtingumą.