В доступной широкому кругу читателей форме рассказывается о климате Земли — особенностях его формирования и методах изучения, современном состоянии и вероятных изменениях в ближайшем будущем. Обсуждаются также последствия глобального потепления и возможность человека воздействовать на эти изменения.
Вернуться в раздел «О климате»
Известный швейцарский физик В. Паули шутил, что когда он предстанет перед Богом, то спросит Всевышнего о двух вещах: об уравнении объединения всех физических полей и об описании атмосферных процессов — и будто бы услышит в ответ: «Уравнение — пожалуйста, а вот в атмосферных процессах я и сам ничего не могу понять».
Львиная доля этой шутки приходится на истину. Скажем прямо: абсолютно точно учесть протекающие в атмосфере и океане взаимовлияющие друг на друга процессы во всем их многообразии и даже просто их пересчитать вряд ли возможно. Однако впадать по этому поводу в пессимизм все же не стоит. Лишь сравнительно небольшое число таких процессов решающим образом сказывается на глобальном климате Земли. А остальные участвуют только в формировании климата регионального (например, понижение содержания озона каждой весной над Антарктидой, часто называемое «озонной дырой», разумеется, проявляется при формировании антарктического климата, но неощутимо для климата, скажем, Евразии).
Таким образом, если мы сможем корректно учесть вышеупомянутые основные процессы (а их список более или менее хорошо известен), то получим качественно правильную общую картину формирования глобального климата. Однако для того чтобы эта картина оказалась более подробной и достоверной, придётся заметно расширить набор учитываемых процессов, тем самым многократно осложнив себе задачу. Решать подобные задачи стало возможным только с появлением мощной вычислительной техники, позволяющей создавать сложные комплексные климатические модели и проводить огромный объем модельных вычислений.
Что же такое климатическая модель? Её построение начинается с определения системы уравнений, являющихся математическим описанием законов физики, действующих в климатической системе. Основные физические законы хорошо известны многим ещё со школьной скамьи — это второй закон Ньютона, первое начало термодинамики, закон сохранения массы и др. Сложность состоит в том, что применительно к жидкостям, движущимся на сфере (а таковыми в допустимом приближении являются и атмосферный воздух, и вода в океане), математическая запись этих законов существенно усложняется. Появляется необходимость использования так называемых дифференциальных уравнений в частных производных, решить которые привычным способом — аналитически, написав ответ в виде формулы, — невозможно.
Здесь приходит на помощь специальный раздел математики — вычислительная математика. Её методы позволяют с определённой точностью приблизить — аппроксимировать — дифференциальные уравнения с помощью алгебраических уравнений, аналитическое решение которых затрудняется уже лишь их количеством, которое и определяет точность аппроксимации.
Существуют разные способы аппроксимации дифференциальных уравнений, описывающих движение атмосферы и океана. Проще всего представить себе следующий. Вся атмосфера и весь океан разбиваются на слои (обычно толщина этих слоев значительно убывает по мере приближения к поверхности раздела атмосферы и океана). Затем параллели и меридианы рассекают эти слои на «кубики», которых тем больше, чем меньшее угловое расстояние задаётся между параллелями и меридианами. Число «кубиков» или, как их называют, ячеек характеризует пространственное разрешение модели. Чем больше размеры ячейки и, следовательно, меньше их общее число, тем более грубо модель описывает реальные процессы, так как внутри ячейки никакие изменения не учитываются. К примеру, если в один «кубик» поместить всю Московскую область, то окажется, что во всех её концах одна и та же температура воздуха и одинаковый по силе и направлению ветер.
Решив таким образом сформированную систему алгебраических уравнений, мы получим набор (для каждой ячейки свой!) взаимосогласованных значений искомых климатических величин. Совокупность этих наборов характеризует состояние климатической системы в конкретный момент времени. Для того чтобы узнать, как изменятся значения величин в каждом из наборов через некоторый заданный промежуток времени, нужно снова решить ту же систему алгебраических уравнений, но на сей раз её коэффициенты будут сформированы на основе уже вычисленных нами значений климатических величин и с учётом продолжительности заданного промежутка времени. Выбранный нами промежуток времени называется шагом модели по времени (к сожалению, в соответствии с методами вычислительной математики выбор величины шага по времени, как правило, жёстко связан с размерами наших «кубиков», поэтому, уменьшая габариты модельной ячейки, т. е. увеличивая число алгебраических уравнений в системе, мы часто обрекаем себя на измельчение шага по времени, а значит, на рост объёма вычислений, так как нашу систему придётся решать большее число раз). Многократно повторяя эту процедуру, можно вычислить последовательность наборов климатических величин, описывающих эволюцию состояния климатической системы.
Системы таких алгебраических уравнений огромны, поэтому решать эти уравнения «вручную» невозможно, зато именно такие уравнения «умеют» решать компьютеры. Для этого необходимо лишь записать эти уравнения на «понятном» компьютеру языке — в виде компьютерной программы. Все остальное определяется лишь мощностью и быстродействием компьютера.
Задачу компьютеру можно облегчить разными способами — начиная с упрощения исходной системы уравнений (например, исключив описание процессов, которые в рамках поставленной задачи не очень важны) и оптимизации вычислительных алгоритмов (допустим, уменьшая пространственное разрешение модели) и кончая совершенствованием компьютерной программы (учитывая особенности используемого компьютера — число работающих одновременно процессоров, объем оперативной памяти и т. д.).
Очевидно, определение исходной системы уравнений — задача физика, разработка вычислительного алгоритма — ответственность математика, а создание компьютерной программы — искусство программиста. По этой причине для создания климатической модели, проведения исследований с её помощью и, главное, анализа полученных модельных результатов одного специалиста недостаточно. Моделирование климата на современном уровне — задача, с которой способна справиться лишь группа специалистов в указанных областях. По мере развития климатической модели возникает потребность в расширении круга специалистов — привлечении химиков, биологов и др.
Все вышесказанное относится к детерминистским (физико-биохимическим) моделям, наиболее часто используемым сегодня при изучении климата. Их можно разделить на три основных класса (в порядке возрастания сложности): 1) простые климатические модели, в частности двумерные (учитывающие только изменения климатических величин с высотой и от полюса до полюса), одномерные (определяющие лишь изменения климатических параметров с высотой) или даже нульмерные (для одной точки пространства); 2) так называемые модели промежуточной сложности и, наконец, 3) сложные трёхмерные модели совместной циркуляции атмосферы и океана (МОЦАО), занимающие высшую ступень в иерархии климатических моделей.
В настоящее время наиболее мощным и перспективным инструментом оценки возможных в будущем изменений климата большинство специалистов считают глобальные объединённые модели общей циркуляции атмосферы и океана. Такие модели воспроизводят климатически значимые процессы и обратные связи между ними, благодаря чему позволяют оценивать будущие состояния климатической системы.
Простые модели могут быть использованы сами по себе (например, для оценки эффектов сокращения выбросов в атмосферу в соответствии с международными договорённостями), либо как часть так называемых моделей совокупной оценки (Integrated Assessment Models), например, для анализа стоимости таких сокращений. Необходимые для работы простых моделей параметры подбираются или из данных измерений, или из результатов расчётов по более сложным МОЦАО, ледниковым моделям и т. п.
Модели промежуточной сложности не столько уступают МОЦАО в числе описываемых процессов, сколько превосходят их в степени упрощённости этих описаний. Модели промежуточной сложности полезны при исследовании отдельных физических процессов, их взаимодействий и обратных связей между ними, а также применяются в исследованиях палеоклимата (климата далёких прошлых эпох).
Основным преимуществом моделей, находящихся на более низких ступенях иерархии, является их вычислительная эффективность. Она позволяет проводить с простыми моделями и моделями промежуточной сложности многочисленные расчёты при различных дополнительных предположениях, а также осуществлять на их основе вычисления, охватывающие сравнительно длительные (от тысячи лет и более) периоды в истории климата Земли. Использование простых моделей и моделей промежуточной сложности в исследованиях возможных в будущем изменений климата носит вспомогательный характер.
(Детальное описание современных климатических моделей и особенностей их построения составляет обычно том объёмом несколько сотен страниц. Поскольку, по-видимому, не всем нашим читателям будут интересны нюансы модельных исследований, далее мы выделили более мелким шрифтом раздел, чтение которого позволит ознакомиться с некоторыми проблемами, решением которых попутно вынуждены заниматься моделисты. Читатели, желающие получить лишь общее представление о модельных исследованиях климата, могут без ущерба для понимания далее изложенного продолжить чтение, опустив этот раздел.)
Современные МОЦАО, используемые в расчётах изменений климата, включают в качестве основных компонентов интерактивные (взаимодействующие друг с другом) модели атмосферы, океана, верхнего слоя суши, криосферы и биосферы. Пространственное разрешение атмосферных компонентов МОЦАО составляет в среднем до 200— 300 км по горизонтали и около 1 км по вертикали (вне пределов пограничного слоя, в котором вертикальное разрешение всегда выше). Пространственное разрешение океанских компонентов МОЦАО составляет в среднем 200–400 м по вертикали и до 50–200 км по горизонтали (однако есть модели с гораздо более высоким разрешением). Поскольку для значительной части климатически значимых процессов указанного разрешения недостаточно, такие процессы представлены в моделях с помощью так называемых параметризаций (приблизительно верных и не требующих больших вычислительных затрат соотношений), основанных на физических связях между климатическими характеристиками разных масштабов. Современный уровень развития компьютерной техники позволяет проводить вычисления с использованием МОЦАО для интервалов времени в сотни лет.
(Под «современными» МОЦАО подразумевается поколение моделей начала XXI века. Благодаря стремительному развитию компьютерной техники приводимые в этом абзаце характеристики моделей устаревают достаточно быстро.)
Из-за нелинейности климатической системы (этим термином кратко обозначают весь комплекс сложных взаимодействий между отдельными её компонентами) результаты модельных расчётов её эволюции могут оказаться различными даже при малых возмущениях в начальных условиях (т. е. стартовых значениях модельных параметров). Поэтому в исследованиях реакции климатической системы на те или иные внешние воздействия (как в прошлом, так и в будущем) важно использовать так называемый ансамблевый подход, другими словами, повторять расчёты для одного и того же временного интервала при одном и том же внешнем воздействии, но при разных начальных условиях. Такой подход, чрезвычайно успешно используемый в численном прогнозе погоды, позволяет оценить изменения функций распределения вероятности для различных климатических характеристик, т. е. получить намного более полную и достоверную картину возможных климатических изменений по сравнению с одиночным расчётом. Другим примером ансамблевого подхода является собирание результатов расчётов, полученных с помощью нескольких моделей, в одну группу.
Оценка возможных изменений климата для пространственных масштабов меньше континентальных требует привлечения различных способов «детализации» результатов расчётов с помощью МОЦАО. В настоящее время с этой целью широко применяются настроенные на те или иные регионы региональные климатические модели с высоким пространственным разрешением (от нескольких десятков километров и выше). В таких моделях, в частности, более детально учитывается рельеф подстилающей поверхности, даётся более точное описание границ водоёмов и т. д. Региональные климатические модели почти всегда используются вместе с глобальными. Они, как правило, описывают те же физические процессы, а на границах моделируемого региона значения моделируемых величин совпадают или плавно переходят в соответствующие величины, полученные с помощью глобальной модели. Таким образом происходит «телескопизация» моделируемого климата в нужном регионе.
Наряду с детерминистскими моделями существуют статистические модели климата. Это «чёрные ящики», в которых устанавливаются статистические связи между «входящими» изменениями климатоформирующих факторов (обычно в большом регионе) и «выходящими» климатическими элементами в какой-то его части (или в отдельной точке — на метеостанции) в течение некоторого промежутка времени. В статистических моделях «автоматически» получаются статистические характеристики моделируемых величин, но обычно они верны лишь для исследуемого региона и рассматриваемого периода времени. Выносить их результаты за рамки этих региона и промежутка времени можно только будучи уверенными в том, что модельные связи в «ящике» будут «работать» и вне указанных рамок. По своей сути статистические модели являются диагностическими, т. е. численно отражают существующее и зафиксированное измерениями положение дел. Они мало пригодны для прогнозирования, так как могут «не работать» в условиях меняющегося климата.
В отличие от них детерминистские физико-математические модели во многом являются прогностическими — они призваны дать ответ на вопрос, каков будет отклик климатической системы на грядущие изменения в существующих сегодня природных явлениях или на появление новых естественных или антропогенных феноменов. От того, каким будет этот ответ, зависит очень многое: принятие или непринятие тех или иных решений, в первую очередь экономических и политических, изменение качества жизни населения и пр. Как известно, реализация таких решений требует значительных материальных затрат и немалого времени. Поэтому цена ошибки модельного прогноза чрезвычайно высока. В связи с этим возникает естественный вопрос, можно ли доверять (и если да, то в какой степени) модельным результатам. Как удостовериться в том, что та или иная модель «правильно» реагирует на изменяющиеся внешние воздействия?
Конечно, можно, заложив в качестве стартовых параметров модели данные, соответствующие, допустим, 1920-м годам, и сведения о росте содержания углекислого газа в последующие десятилетия, рассчитать значения климатических величин в конце ХХ века и сравнить полученные результаты модельных расчётов с данными мониторинга за этот период. Однако даже если согласие модельных результатов и данных измерений окажется превосходным, нет никакой гарантии, что так будет и в случае с прогнозом, например, на 2020 год (напомним, что ввиду крайне сложной зависимости — «нелинейности» — между климатоформирующими природными явлениями полученные оценки могут сильно изменяться даже при небольших отклонениях в модельных параметрах). В настоящее время единственной возможностью получить ответ на поставленный вопрос остаётся всесторонняя оценка модели, включающая анализ воспроизведения моделью не только наблюдаемого среднего состояния климатической системы, но и межгодовой, внутри- и межвековой и, по-видимому, более долгопериодной изменчивости климатической системы.
(Термин оценка (evaluation) в англоязычной литературе используется применительно собственно к моделям. Оценка модели основывается на сопоставлении результатов модельных расчётов с данными наблюдений, которое называется верификацией (verification).)
Удобной иллюстрацией служит оценка моделей (или, точнее говоря, систем), используемых в численном прогнозе погоды, на основе верификации прогнозов. В численном прогнозе погоды используются модели общей циркуляции атмосферы с заданными распределениями температуры поверхности океана и характеристик морского льда. Основное отличие таких моделей от климатических состоит в более высоком пространственном разрешении. Это обусловлено тем, что в численном прогнозе погоды сроки расчётов с помощью моделей измеряются сутками, что позволяет использовать высокое пространственное разрешение и большое (несколько десятков) число членов ансамбля. Сравнение прогноза с данными наблюдений является рутинной процедурой во всех прогностических центрах. Обычно сравнение проводится по ряду критериев, или так называемых мер мастерства, для ограниченного числа ключевых прогнозируемых характеристик атмосферы (температуры и влажности воздуха, скорости ветра и др.).
Иначе обстоит дело с расчётами будущих изменений климата с помощью МОЦАО. Такие расчёты проводятся, как правило, на десятки и сотни лет, поэтому прямые сравнения полученных сегодня результатов с данными наблюдений станут возможными лишь в далёком будущем, когда это уже не будет иметь никакого практического смысла. Кроме того, результаты этих расчётов нельзя считать в полном смысле прогнозами, поскольку внешние воздействия на модельную климатическую систему (например, антропогенные выбросы парниковых газов и аэрозолей в атмосферу), как отмечалось выше, задаются в соответствии с различными сценариями развития человечества, вероятность реализации которых не определена. В англоязычной литературе это обстоятельство проявилось в том, что термин prediction (прогноз) был в последние годы вытеснен термином projection, который не имеет прямого перевода на русский язык и который мы переводим несколько громоздко: оценка возможных в будущем изменений (используемый иногда в этом случае нашими соотечественниками термин проекция представляется нам неудачным).
Итак, в отличие от численного прогноза погоды, при расчётах будущих состояний климатической системы невозможно установить, насколько пригодны используемые модели, анализируя собственно результаты этих расчётов. В то же время вполне резонным является предположение о том, что достоверность результатов расчётов будущего климата определяется способностью модели как минимум воспроизводить современное состояние климатической системы (включая годовой цикл), а также различные её состояния в прошлом в соответствии с имеющимися данными наблюдений. Тогда возникает вопрос: как именно проверять эту способность?
Здесь следует отметить, что ещё одним отличием моделирования климата от численного прогноза погоды является отсутствие общепризнанных мер мастерства для климатических моделей.
Можно выделить три обширные категории критериев оценки климатических моделей: 1) описание ими морфологии климата, представленной пространственным распределением и структурой средних значений, средних квадратических отклонений и корреляций (и, возможно, других статистических характеристик) основных климатических параметров; 2) описание моделями бюджетов (балансов) и циклов в климатической системе (например, гидрологического цикла); 3) модельное представление климатических процессов (например, муссонов, конвекции).
Поскольку речь идёт о климате, то сравнение результатов расчёта состояния климатической системы с помощью МОЦАО в фиксированный момент «модельного» времени (например, на определённом временном шаге модели) с данными наблюдений, относящихся к этому же моменту «реального» времени (как это делается в численном прогнозе погоды), бессмысленно. Столь же бессмысленно сравнивать результаты модельных расчётов и данные наблюдений для того или иного отдельного года. Как мы помним, климат — это «осреднённая» погода, поэтому сравнения результатов расчётов с помощью МОЦАО и данных наблюдений можно проводить для характеристик, осреднённых за достаточно большие промежутки времени, измеряемые десятками лет. Примерами таких интервалов могут служить так называемые базовые климатические периоды. Так, «классический» базовый период ВМО (1961–1990 годы) представлял современный климат в трёх первых «оценочных» докладах Межправительственной группы экспертов по изменениям климата (МГЭИК, Intergovernmental Panel on Climate Change, IPCC). В последнем — четвёртом — докладе МГЭИК, выпущенном в 2007 году, был использован новый базовый период — 1980–1999 годы. Выбор того или иного базового периода, включая его продолжительность, определяется различными обстоятельствами, например характером изменчивости климата в том или ином регионе, наличием и качеством данных наблюдений за тот или иной период и др.
Ещё одним примером некорректной верификации модельных расчётов является прямое сравнение результатов моделирования в ячейке модели с данными наблюдений в ближайшей географической точке. Некорректность таких сравнений обусловлена, в частности, тем, что модельное решение соответствует среднему значению по всей модельной ячейке. Например, отношение массы сажи, выброшенной из заводской трубы, к объёму воздуха в окрестности этой трубы (т. е. концентрация сажи в окрестности трубы) значительно выше отношения той же массы к объёму модельной ячейки, охватывающей, скажем, уже упоминавшуюся Московскую область (средней концентрации по модельной ячейке).
При этом огромное количество информации, генерируемое моделями, неизмеримо превосходит объем данных наблюдений в точке и сравнимо лишь с объёмом данных быстро развивающихся наблюдений Земли из космоса. Поэтому для оценки моделей обычно используются преобразованные данные наблюдений, например интерполированные в узлы регулярной сетки с использованием методов объективного анализа; представленные в виде интегральных оценок по тем или иным регионам и т. п.
Наиболее мощным и хорошо себя зарекомендовавшим источником данных для оценки моделей являются результаты так называемого ре-анализа. Они представляют собой результаты модельных расчётов атмосферных полей, произведённых с учётом всего комплекса имеющихся данных наблюдений таких ключевых характеристик, как температура и влажность воздуха, атмосферное давление и др. Там, где такие данные отсутствуют, они дополняются соответствующими модельными результатами. После этого весь комплекс значений каждой из характеристик подвергается процедуре ассимиляции — созданию такого результирующего гладкого взаимосогласованного поля в заданных точках поверхности земного шара и атмосферы (в узлах модельной сетки), которое максимально приближено к значениям исходного комплекса. Достоверность результатов ре-анализа для разных атмосферных характеристик неодинакова, а для некоторых характеристик (например, для осадков или облачности) данные наблюдений не ассимилируются, несмотря на их наличие. Вместо этого указанные характеристики рассчитываются — с погрешностями, присущими их модельным описаниям.
Обнаружение расхождений между модельным и наблюдаемым климатом чаще всего не позволяет сразу же внести в модель исправления. Высокая сложность взаимодействий в модельной климатической системе маскирует связь между причиной и следствием. Это вынуждает разработчиков проводить многочисленные, подчас дорогостоящие и не всегда успешные эксперименты по определению чувствительности модели к изменению её параметров. Улучшение воспроизведения моделью некоего среднего состояния, отвечающего, например, современному климату, может быть достигнуто, в частности, путём так называемой настройки, состоящей в подборе свободных (недостаточно хорошо известных или изменяющихся в широких пределах) параметров модели с целью наилучшего соответствия как можно большего числа характеристик модельного климата наблюдаемым значения.
(Нелишне заметить, что улучшение воспроизведения моделью одной характеристики может сопровождаться ухудшением воспроизведения другой.)
Настройка моделей традиционно является объектом критики со стороны исследователей, скептически относящихся к физико-математическому моделированию как методу исследования и предсказания климата. Однако, как отмечалось выше, в контексте исследований будущих изменений климата удовлетворительное воспроизведение его современного среднего состояния не является самоцелью. Дело в том, что даже при использовании одного и того же сценария внешнего воздействия современные модели демонстрируют значительный разброс в оценках возможных в будущем изменений климата. А контролировать чувствительность модели к внешним воздействиям — задача куда более сложная, нежели воспроизведение современного состояния климатической системы.
Если же, помимо современного климата, модель позволяет воспроизводить различные состояния климатической системы, наблюдавшиеся в далёком прошлом (когда внешние воздействия сильно отличались от современных), а также известную эволюцию климатической системы (например, в течение ХХ века и ранее), можно надеяться, что полученные с помощью этой модели оценки изменений климата при тех или иных ожидаемых в будущем сценариях внешнего воздействия заслуживают доверия.
Всесторонняя оценка модели требует очень больших усилий от коллектива её разработчиков, которые, как правило, оказываются в состоянии контролировать её поведение лишь в ограниченном числе наиболее важных аспектов. В этом смысле чрезвычайно облегчает дело международная кооперация в виде проектов сравнения моделей или их отдельных блоков. Активное участие в этих проектах не только разработчиков моделей, но и специалистов из других областей науки о климате открывает замечательные перспективы перед всем научным сообществом.
Сегодня не существует модели, лучше прочих описывающей, например, современный климат. Обычно каждая модель хорошо воспроизводит лишь часть искомых климатических величин, в то время как остальная часть воспроизводится значительно хуже. Сравнительный анализ показывает, что наиболее высокую успешность, как правило, показывает «средняя» (по ансамблю) модель (рис. 5).
Рис. 5а. Поля средних сумм осадков (см/год).
Вверху — поля, полученные с использованием «средней» модели (результаты расчёта по 19 глобальным моделям), внизу — фактически наблюдаемые (результаты ре-анализа за период 1980–1999 гг.).
Рис. 5б. Поля температуры приземного воздуха (°С).
Вверху — поля, полученные с использованием «средней» модели (результаты расчёта по 19 глобальным моделям), внизу — фактически наблюдаемые (результаты ре-анализа за период 1980–1999 гг.).
Это связано с тем, что систематические ошибки разных моделей (а они присущи каждой модели) не зависят друг от друга и при осреднении по ансамблю взаимно компенсируются. Однако если погрешности расчёта той или иной переменной в «средней» модели оказываются больше, чем соответствующие погрешности некоторых отдельно взятых моделей, это означает, что большинство рассматриваемых моделей содержат систематические ошибки одного знака. Последнее можно использовать как тест на наличие систематических ошибок, присущих данной группе моделей.
Некоторые исследователи подвергают сомнению пригодность моделей для оценки изменений климата в будущем. Конечно, современным моделям присущи недостатки, исправление которых потребует больших усилий, однако уже сегодня модели дают полезную информацию о возможных изменениях климата. Так, например, сегодня мы можем констатировать совпадение предсказанного моделями увеличения среднеглобальной температуры воздуха в период с 1990 по 2007 год примерно на 0,2 °С с соответствующими данными измерений (об этом говорится в последнем отчёте МГЭИК).
В основе моделей лежат физические законы, благодаря чему они позволяют получить физически согласованную картину будущих изменений климата — в отличие от любых других известных на сегодняшний день методов его предсказания. Замечательное качество моделей заключается в том, что численные эксперименты с ними позволяют исследователям приблизиться к пониманию физических механизмов, определяющих эволюцию климатической системы, а значит, продолжать совершенствование моделей на основе численных экспериментов и тем самым уменьшать неопределённость модельных оценок будущих изменений климата.
Разумеется, при всем огромном и пока не реализованном потенциале моделей их возможности не безграничны. На многие вопросы, связанные с предсказуемостью климатической системы, ещё предстоит получить ответы. Кроме того, мы вряд ли когда-нибудь будем уверены в том, что модели включают надлежащее описание всех климатически значимых процессов. Не исключено, что сегодня мы недооцениваем роль каких-либо факторов в будущих изменениях климата, и, возможно, на этом пути нас ещё ждут сюрпризы. Тем не менее, несомненно, современные модели отвечают наивысшему уровню знаний, накопленных человечеством за время исследований климатической системы. Когда-то Уинстон Черчилль утверждал, что демократия несовершенна, но ничего лучше человечество пока не придумало. Аналогичное утверждение справедливо и в приложении к климатическим моделям: они несовершенны, но им нет альтернативы в оценках возможных в будущем изменений климата.
Итак, ознакомившись с организацией сети измерений, основными природными явлениями, формирующими климат, региональный и планетарный, а также методами, применяемыми при его изучении, давайте поговорим о тех сторонах нашей жизни, на которые климат оказывает непосредственное влияние.
Вернуться в раздел «О климате»
Техногенные отложения древних и современных урбанизированных территорий 
A Guide to Empirical Orthogonal Functions for Climate Data Analysis 
Особо охраняемые природные территории Свердловской области как объекты экологического туризма