В моделях всегда есть ошибки. Как учёные определяют, какие из них наиболее важны, а какие — слишком велики?

Глобальные климатические модели — это программные гиганты, часто содержащие более миллиона строк кода.

Такие сложные модели неизбежно содержат ошибки, или «баги». Но поскольку результаты моделирования широко используются для разработки климатической политики, важно, чтобы они давали достоверные результаты.

Проске и Мельсен (Proske and Melsen) захотели понять, как специалисты по моделированию климата рассматривают, выявляют и устраняют ошибки. Они опросили 11 учёных и научных программистов из Института метеорологии Общества Макса Планка, работающих над климатической моделью ICON.

По словам опрошенных, при разработке нового кода для ICON он проверяется и тестируется на наличие ошибок перед интеграцией в саму модель.

Однако после интеграции кода тестирование обычно прекращается. Предполагается, что код не содержит ошибок, пока модель не начнёт вести себя странно или программист случайно не обнаружит ошибку, исследуя код по другим причинам. Даже когда модель даёт сбой, это не обязательно означает, что ошибку нужно исправлять, поскольку исследователи всегда идут на компромисс между скоростью и стабильностью модели, а иногда просто выводят модель за пределы того, с чем она может справиться, учитывая эти ограничения.

Отслеживание ошибок и их исправление может занять много времени, поэтому, даже если команда подозревает наличие ошибки, она иногда оценивает её влияние как настолько незначительное, что не требует исправления. Когда исследователи решают исправить ошибку, многие рассматривают этот процесс как продолжение климатологии: они выдвигают гипотезы о том, как ошибка может повлиять на поведение модели, а затем проверяют эти гипотезы, чтобы определить точную природу ошибки и способы её устранения.

Многие опрошенные отметили, что лучший способ избежать ошибок — это тщательно протестировать код перед его интеграцией в полную модель. Существуют инструменты для облегчения тестирования, такие как Buildbot и платформа разработки GitLab, и учёные отметили, что такие инструменты можно было бы более полно использовать в процессе разработки ICON. Однако они также отметили, что существуют неотъемлемые ограничения на то, насколько тщательно исследователи могут тестировать климатические модели, поскольку они не всегда знают, как будет выглядеть стопроцентно точная модель. Таким образом, у них нет базы, с которой они могли бы сравнивать фактические результаты модели.

Хотя опрошенные признали несовершенство модели ICON, они также сочли её «достаточно хорошей» для прогнозирования погоды или ответа на исследовательские вопросы, например, о влиянии повышения уровня углерода в атмосфере на глобальную температуру. Авторы пишут, что, хотя «принцип „достаточности“» прагматичен и понятен, он также может привести к недопониманию, если пользователи не осознают ограничений модели.
(Earth’s Future, https://doi.org/10.1029/2025EF006318, 2025)

 

Ссылка: https://eos.org/research-spotlights/when-is-a-climate-model-good-enough