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 аргумента1.
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 ущерб от ураганов на побережье США в период с 1900 по 2005 год.
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 временнóй 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 деятельностью1.
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 шкалах1, 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 слова2. 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.
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 – выше1. Годовой и суточный ход на рисунке 1 представляет собой как раз среднюю величину (рассчитанную для каждого календарного месяца / каждого часа в отдельности).
Среднеквадратическое отклонение или его квадрат (дисперсия) показывает меру разброса случайных величин. В двух третях всех случайных выборов мы попадаем в интервал «среднее значение ± среднеквадратическое отклонение», а в одной трети случайных выборов мы получаем значения больше или меньше, чем «среднее значение ± среднеквадратическое отклонение». Частота подобных существенных отклонений от среднего значения измеряется с помощью перцентилей. Перцентиль 90% больше, чем 90% всех наблюдений, перцентиль 10% меньше, чем 10% всех наблюдений. Если в нашем числовом ряду речь идет о максимальной скорости ветра в течение года, то перцентиль 99% описывает максимальную скорость ветра, которая была превышена в среднем один раз в сто лет.
Случайность не означает, что следующие друг за другом числовые показатели абсолютно не зависят друг от друга. Скорее, здесь – именно в климатологическом контексте – мы наблюдаем такую ситуацию, когда значение климатической переменной в какой-то момент времени частично определяется предшествующим моментом времени: «Завтра погода будет в сущности такой же, как сегодня». Отсюда следует, что значение переменной в послеследующий момент времени все еще будет частично детерминировано настоящим значением, однако чем дальше мы продвигаемся по шкале, тем меньше будет эта детерминированность. Так что значение, которое переменная примет через большой промежуток времени, не будет иметь ничего общего с нынешним значением. Отсутствие связи между ними можно понимать таким образом, что, случайным образом изменив последовательность ряда, мы никак не изменим характер этого ряда. Последовательную детерминацию можно понимать как память случайного процесса.
