Погода – Климат – Человек
Шрифт:
Третий пример – это так называемый «эффект города». Уже давно известно, что температура в городах выше, чем за пределами городской застройки. В городах воздух охлаждается медленнее, чем в сельской местности, так как в городе меньше участков с открытой почвой и, соответственно, меньше испарений 1 . В Центральной Европе эта разница может превышать 1 градус. Проследим данный эффект на рисунке 7, на котором отображены температурные ряды для двух соседних населенных пунктов в канадской провинции Квебек. Метеорологическая станция «Шербрук» фиксирует климатические условия постоянно растущего города Шербрука, тогда как станция «Шоиниган» отображает климат сельского региона вокруг местечка Шоиниган. В 1966 году станция «Шербрук» переместилась из центра города в расположенный за его пределами аэропорт. Очевидно, именно после этого произошло резкое изменение в измерениях, схожее с тем, которое мы наблюдали в связи с ветровым климатом Гамбурга: станция Шербрук перестала быть репрезентативной для территории города Шербрука и тем более для его пригородов. В городе, за исключением резкого понижения температуры в 1966 году, мы видим
1
См., например: Cotton W. R., Pielke R. A. Human Impacts on Weather and Climate. ASTeR Press. 1992. P. 288 и далее.
Рис 6. Частота зафиксированных в США торнадо.
Источник: Harold Brooks
Наконец, последний пример отсылает нас к широко известному анализу ущерба от ураганов. Он содержится, в частности, в третьем докладе Межправительственной группы экспертов по изменению климата (МГЭИК). Активисты, призывающие к принятию государственных мер по ограничению выброса парниковых газов, охотно используют его в качестве аргумента 1 .
1
Разбирая этот случай, мы не собираемся спорить о том, может ли повышенная концентрация парниковых газов в атмосфере, связанная главным образом с деятельностью человека, изменить климат. Мы также не оспариваем тот факт, что эти изменения могут нанести серьезный вред экологии и что необходимо сокращение выбросов парниковых газов. Мы лишь хотим показать, что использование этих конкретных аргументов в данном случае ошибочно.
На рисунке 8 показан ущерб, причиненный ураганами, имевшими место на протяжении всего побережья на территории США с 1900 года. Размер ущерба выражен в долларах, за базисный период взят 2005 год. На графике можно совершенно четко проследить увеличение размера ущерба, причем пик приходится на 2005 год, когда на Нью-Орлеан обрушился ураган Катрина. Этот пример мы приводим для того, чтобы соотнести рост общей суммы ущерба с повышением температуры поверхностных вод в Мексиканском заливе, которое, к тому же, является одной из причин глобального потепления.
Рис. 7. Среднегодовые значения дневного минимума околоземных температур для двух соседних метеостанций в Шербруке и Шоунигане в канадской провинции Квебек. Шербрукская метеостанция до 1966 года находилась в центре города, а затем была перенесена за городскую черту, на территорию аэропорта. Станция в Шоунигане на протяжении всего рассматриваемого периода находилась в одном и том же месте в сельской местности.
Источник: Storch, Zwiers, 1998.
Цифры на рисунке 8 – это абсолютно точные цифры, полученные от страховых компаний. В этом случае интерпретация имеющихся данных затруднена по двум причинам. Первая, менее важная, связана с тем, что ураганная активность колеблется от десятилетия к десятилетию. Другая, более важная причина заключается в том, что использование прибрежных регионов, на которые обрушиваются ураганы, кардинально изменилось. В прибрежных регионах проживает гораздо больше людей. Это, в свою очередь, означает, что риску разрушения подвергается гораздо большее количество ценных объектов и владений. Если учесть этот факт при анализе и допустить, что динамика ураганов в США оставалась неизменной с 1900 года, но при этом в отношении ценности разрушаемого имущества на протяжении всего столетия сохранялась ситуация 2005 года, то мы придем к совершенно иным результатам, как это можно видеть на рисунке 9.
На протяжении всего прошлого столетия наблюдались значительные колебания, и отдельные ураганы наносили огромный ущерб. Самый большой однократный ущерб был нанесен, по-видимому, ураганом в Майами в 1926 году (тогда это был еще маленький тихий городок). Ураган Катрина стоил американцам 81 млрд долларов, в то время как ураган 1926 года мог бы причинить Майами ущерб приблизительно в 130 млрд долларов, если бы Майами тогда был таким крупным городом, каким он является сейчас.
Рис. 8. Суммарный годовой
Источник: Pielke et al., op. cit.
Исходя из графиков 8 и 9, можно нарисовать две разные картины. Рисунок 8 сообщает нам о том, что ущерб от последнего урагана достиг беспрецедентного размера и что это изменение объясняется беспрецедентным уровнем ураганной активности. В этом случае в последующие годы и десятилетия можно было бы ожидать ее дальнейшего роста. Рисунок 9 говорит нам, с одной стороны, о том, что с 1992 года ураганы наносили значительный материальный ущерб, однако его масштабы сопоставимы с ущербом от предыдущих ураганов. С другой стороны, этот рисунок показывает нам, что данных за 50 лет недостаточно для того, чтобы оценить все возможные последствия.
Добиться временнoй репрезентативности сложно, так как на любой хронологической шкале наблюдаются колебания по всем основным климатическим переменным. Инструментарий с высоким временным разрешением показывает, что скорость ветра или температура меняются на шкале времени с секундным делением точно так же, как на шкалах с делением на недели, годы или десятилетия. Очевидно, необходимо определить такие числовые показатели, которые бы описывали, в каком интервале колебаний обычно варьируются изменения и с какой вероятностью встречаются крайние значения. Только на основании подобных измерений данном случае речь идет об изменениях, вызванных человеческой деятельностью 1 .
1
К этому тезису мы еще вернемся в разделе 4.4.
Рис. 9. То же, что и на рисунке 8, с тем лишь изменением, что в отношении численности населения, благосостояния и ценности владений жителей американского побережья взяты данные за 2005 год.
Источник: Pielke et al. [2005] 1а .
В этой ситуации имеет смысл обратиться к статистической терминологии. Мы исходим из того, что климат действительно варьируется на всех временных шкалах 1 , но после аппроксимации эти колебания могут рассматриваться как случайные, если не принимать во внимание упомянутые выше регулярные годовые или дневные циклы. Если говорить точнее, мы рассматриваем отклонения от средних значений годового или суточного хода – так называемые математическую абстракцию, с помощью которой мы можем описать кажущуюся нерегулярность. В ходе погоды и климатическом режиме не бывает случайностей в строгом смысле этого слова 2 . Однако их динамика складывается из многих «нелинейных» процессов, которые могут порождать крайне изменчивые структуры. Наложение этих многочисленных «хаотичных» и «нехаотичных» процессов друг на друга получается настолько сложным, что становится невозможным в полной мере учесть отдельные процессы, и общий ход уже сложно отличить от статистических колебаний.
1
См. также: Pielke Jr., R. A. and C. W. Landsea, Gratz J., Collins D., Saunders M., Musulin R. Normalized Hurricane Damages in the United States: 1900–2005 // Natural Hazards Review 2008, Nr. 9. P. 29–42.
1
Когда был изобретен гармонический анализ, разлагающий все ряды на периодические компоненты, предпринималось множество попыток зафиксировать и обособить периодические компоненты в погоде – подобно тому, как это делается в финансовых науках и других областях. Через несколько десятилетий выяснилось, что таким образом можно разбить даже абсолютно случайные ряды данных, но что добавление всего лишь одного дополнительного показателя нарушает все построение. И если в изучении действительно периодических явлений, например, приливов и отливов, эта концепция может быть очень полезной, в контексте климата эти допущения ведут к артефактам. Тем не менее, гармонический анализ широко распространен, особенно среди невежд.
2
В принципе здесь не играет никакой роли, говорим ли мы о «подлинной» случайности в значении брошенного Господом богом жребия. Достаточно заметить, что множество нелинейных, зачастую хаотических процессов в климатической системе демонстрирует такие долговременные характеристики, что их сложно отличить от математической конструкции случайности. Следовательно, «случайность» – это удобный и эффективный инструмент, позволяющий вместить климатические колебания в одном понятии. См. также раздел 3.2.
Теперь мы совершим небольшой экскурс в статистику.
Под случайным процессом мы будем понимать процесс, порождающий числовые ряды, значения которых соответствуют случайному распределению. Наиболее известным является гауссово распределение. Оно сообщает нам, с какой вероятностью переменная принимает то или иное возможное значение. Такие распределения можно описать при помощи нескольких характерных величин – среднего и среднеквадратического отклонения.
Среднее значение есть арифметическое среднее всех наблюдений, т. е. в большинстве случаев половина всех полученных в ходе наблюдений результатов ниже среднего, а другая половина – выше 1 . Годовой и суточный ход на рисунке 1 представляет собой как раз среднюю величину (рассчитанную для каждого календарного месяца / каждого часа в отдельности).
1
Строго говоря, это верно только тогда, когда мы имеем дело с симметричным распределением.