Одним из основных направлений развития политического менеджмента в современных условиях стало массовое использование новейшей компьютерной и телекоммуникационной техники, формирование на ее основе высокоэффективных информационно-управленческих технологий.
Информационные технологии (англ. information technology) — широкий класс дисциплин и областей деятельности, относящихся к технологиям управления и обработки данных, в том числе с применением вычислительной техники.
В последнее время под информационными технологиями чаще всего понимают компьютерные технологии. В частности, информационные технологии имеют дело с использованием компьютеров и программного обеспечения для хранения, преобразования, защиты, обработки, передачи и получения информации.
Согласно определению, принятому ЮНЕСКО, информационные технологии — это комплекс взаимосвязанных научных, технологических, инженерных дисциплин, изучающих методы эффективной организации труда людей, занятых обработкой и хранением информации; вычислительную технику и методы организации и взаимодействия с людьми и производственным оборудованием, их практические приложения, а также связанные со всем этим социальные, экономические и культурные проблемы.
Методы прогнозирования Тема 1.4 МДК01.01
Россия, как и весь современный мир, переживает период интенсивного освоения компьютеров и компьютерных технологий в различных сферах общественной жизни, в том числе и в политике.
Современные компьютерные программы позволяют обработать данные социологических исследований об ориентациях электората, оценить социально-политическую обстановку в стране и по отдельным регионам, составить прогнозную компьютерную карту оценки кризисных ситуаций, моделировать электоральное поведение, прогнозировать результаты голосования, подвести итоги голосования и многое другое.
Компьютерные технологии используются и в деятельности парламента: регистрация депутатов, электронное голосование, доступ к мировым библиотечным центрам и справочным базам данных при разработке, экспертизе, принятии законов, решений; контроль за их выполнением, прогнозирование участия фракций и лоббистских группировок в прохождении тех или иных законопроектов, компьютерные издательские системы, обработка выступлений депутатов и информации от избирателей, связь с регионами, электронная почта и т.д.
Качество, оперативность, доступность, эффективность — слагаемые все более широкого применения в политической жизни общества электронных технологий.
Новые компьютерные технологии получили настолько большую популярность, что в западной политологии их характеризуют как средства всеобщей демократизации общества.
В динамично изменяющихся условиях современного российского общества возрастает потребность в эффективном инструменте анализа и прогнозирования в социально-политической сфере.
Все это побудило исследователей искать возможности формализации методов изучения реальных взаимосвязей, определяющих социально-политическое развитие, переложения его на язык строгих логических, а затем математических символов. В итоге возникают математические конструкции, с той или иной степенью достоверности описывающие реальные процессы. Применение современных ЭВМ позволяет рассчитывать возможные варианты развития событий под воздействием различного рода условий, давать политологический прогноз.
Ю.И. Журавлев. Математические методы прогнозирования
Потребность управления сложными общественными, в том числе и политическими процессами, необходимость прогнозировать последствия действий по осуществлению поставленных целей делает актуальным применение системного анализа.
Существует большое число специализированных компьютерных программ, позволяющих создать прогноз.
Одной из наиболее популярных и доступных программ для рядового пользователя, позволяющей совершать достаточно большое число прогностических операций, является программа Microsoft Excel.
Microsoft Excel (также иногда называется Microsoft Office Excel) — программа для работы с электронными таблицами, созданная корпорацией Microsoft для Microsoft Windows, Windows NT и Mac OS. Она предоставляет возможности экономико-статистических расчетов, прогностических расчетов, различные графические инструменты. Microsoft Excel входит в состав Microsoft Office и на сегодняшний день является одним из наиболее популярных приложений в мире.
В компьютерной программе Microsoft Excel имеется несколько инструментов для прогнозирования, в основе которых применяются различные математические модели:
· скользящее среднее (в качестве прогноза принимается среднее значение наблюдаемой величины в нескольких последних измерениях)
· линейный прогноз (к полученным значениям величины приближается прямая линия, на основании которой и рассчитывается прогноз)
· нелинейный прогноз (принимается, что значение величины изменяется нелинейно)
· экспоненциальное сглаживание (принимается усредненное значение наблюдений, в которое значения последних наблюдений входят с большим весом по сравнению с весом старых наблюдений).
Еще одной популярной программой является SPSS Statistics.
SPSS Statistics (аббревиатура англ. «Statistical Package for the Social Sciences» — «статистический пакет для социальных наук») — компьютерная программа для статистической обработки данных, один из лидеров рынка в области коммерческих статистических продуктов, предназначенных для проведения прикладных исследований в социальных науках.
По мнению некоторых авторов, SPSS «занимает ведущее положение среди программ, предназначенных для статистической обработки информации».
В 1965 году студенты Норман Най и Дейл Вент, специализировавшиеся в области политологии пытались отыскать в Стенфордском университете Сан-Франциско компьютерную программу, подходящую для анализа статистической информации. Вскоре они разочаровались в своих попытках, так как имеющиеся программы оказывались более или менее непригодными, неудачно построенными или не обеспечивали наглядность представления обработанной информации.
Они решили разработать собственную программу, со своей концепцией и единым синтаксисом. В их распоряжении тогда был язык программирования FORTRAN и вычислительная машина типа IBM 7090. Уже через год была разработана первая версия программы. К этому времени к группе разработчиков присоединился Хэдлай Халл.
Как известно, компьютерные программы в то время являлись пакетами перфокарт. На это указывает исходное название программы, которое авторы дали своему продукту: SPSS — это аббревиатура от Statistical Package for the Social Science.
В 1970 году работа над программой была продолжена в Чикагском университете, а Норман Най основал соответствующую фирму — к тому моменту уже было произведено шестьдесят инсталляций.
С появлением персональных компьютеров была разработана также и PC-версия SPSS, с 1983 года появилась PC-версия SPSSPC+. рассчитанная на MS-DOS. Позже, с момента основания в 1984 году европейского торгового представительства в Горинхеме в Нидерландах, SPSS стал широко применяться и в Европе. В настоящее время это самое распространённое программное обеспечение для статистического анализа во всём мире.
Если PC версия SPSS/PC+ была чуть усовершенствованной версией для больших ЭВМ, то SPSS для операционной системой Windows (SPSS for Windows) стала большим шагом вперёд. Во-первых, эта версия SPSS обладает всеми возможностями версии для больших ЭВМ, во-вторых, за некоторыми немногочисленными исключениями, программой можно пользоваться без особых знаний в области прикладного программирования. Вызов необходимых процедур статистического анализа происходит при помощи стандартной техники, применяемой в Windows.
SPSS Statistics позволяет исследователю работать с данными, представляющими собой временные ряды, использовать различные модели временных рядов для анализа данных, выполнять сезонную декомпозицию временных рядов, строить прогнозы на основе различных моделей, оценивать качество прогноза и адекватность модели
Последней рассмотренной программой, предназначенной для реализации экспресс-прогнозирования в домашних условиях, является программа Statistica.
Statistica (торговая марка — STATISTICA) — пакет для всестороннего статистического анализа, разработанный компанией StatSoft. В пакете STATISTICA реализованы процедуры для анализа данных, управления данными, добычи данных, визуализации данных.
Система STATISTICA обладает широкими графическими возможностями. STATISTICA включает в себя большое количество разнообразных категорий и типов графиков (включая научные, деловые, трехмерные и двухмерные графики в различных системах координат, специализированные статистические графики — гистограммы, матричные, категорированные графики и др.). Доступ ко всем основным командам настройки реализован при помощи контекстных меню, которые появляются при нажатии на правую кнопку мыши, общего меню и из панели инструментов графика.
Система STATISTICA производится компанией StatSoft Inc., основанной в 1984 г. в городе Тулса (Оклахома, США). Первые программные продукты — PsyhoStat — 2,3 — были ориентированы на статистические исследования социологических данных. Первый коммерческий продукт — Statistical Supplement for Lotus 1-2-3, появился в 1985 г.
С 1985 г. начался быстрый рост фирмы. StatSoft выпускает первую систему статистического анализа для компьютеров Apple Macintosh под названием StatFast и статистический пакет для IBM PC под названием STATS+. В 1986 г. начинается работа над основной линией программных продуктов фирмы — интегрированных статистических пакетов для комплексной обработки данных.
В 1991 г. выходит первая версия системы STATISTICA/DOS, в которой был реализован графически-ориентированный подход к анализу данных. Этот пакет обладал рядом существенных преимуществ перед другими статистическими пакетами (за счет оптимизации удалось добиться повышения скорости обработки более чем в 10 раз по сравнению с другими пакетами, пакет мог работать фактически с неограниченным объемом данных).
STATISTICA является одним из наиболее динамично развивающихся статистических пакетов, позволяющим осуществлять следующие операции: дескриптивный и визуальный анализ, анализ таблиц сопряженности, построение зависимостей, множественная регрессия, анализ выживаемости, непараметрические методы, анализ соответствий, нейронные сети, классификация и прогнозирование с помощью нейронных сетей, контроль качества, планирование экспериментов, включая самые разнообразные планы и многое другое.
Также к способам прогнозирования можно отнести контент-анализ-количественно-качественный анализ текстов и текстовых массивов с целью последующей содержательной интерпретации выявленных числовых закономерностей.
Кодирование данных при контент-анализе обычно осуществляется с помощью компьютерных программ, в которых фиксируется каждое появление в анализируемом тексте искомой единицы.
В ходе контент-аналитического исследования как для анализа текста, так и для последующей обработки его результатов может с успехом использоваться вычислительная техника.
После квантификации (перевода анализируемых данных в числовую форму) их математическая и, в частности, статистическая обработка может осуществляться многими разными программными средствами, в том числе стандартными статистическими пакетами типа SPSS. При анализе текста и последующем сохранении результатов этого анализа в базах данных могут использоваться специальные программы, предназначенные для целей лингвистических исследований. В частности, анализ метафорики в русских политических текстах может вестись с помощью разработанной в Институте русского языка РАН программы Dialex, способной осуществлять составление частотных словарей и конкордансов, а также поиск лексических единиц с их контекстами и сохранять его результаты в базе данных; в настоящее время завершается работа над более совершенной системой, предназначенной для решения тех же задач. Некоторая подсистема контент-анализа входит составной частью в отечественную систему прикладного анализа текстов ВААЛ. Имеется также ряд зарубежных контент-аналитических компьютерных систем, а также систем, потенциально применимых для целей контент-анализа — такова, в частности, система KEDS, разработанная Ф. Шродтом в Канзасском университете и используемая для анализа потока политических событий, отображаемых на ленте информационного агентства «Рейтер».
Для составления прогноза взаимоотношений между Россией и Украиной, представленного во 2 главе в дипломной работе, использовался табличный редактор Microsoft Excel.
Источник: studentopedia.ru
Классификация и общая характеристика методов прогнозирования
Общие методы прогнозирования можно разделить на четыре крупные группы:
. методы экспертных оценок;
. методы экстраполяции трендов;
. методы регрессионного анализа;
. методы экономико-математического моделирования.
Методы экстраполяции трендов и методы регрессионного анализа объединяют в общее понятие “методы анализа временных рядов”.
Методы регрессионного анализа и метод экономико-математического
моделирования вместе составляют понятие “методы анализа причинных связей”.
Общая характеристика методов прогнозирования представлена в таблице.
Таблица — Характеристика методов прогнозирования
| Группа методов | Сущность | Разновидности | Сфера применения |
| Методы экспертных оценок | Предполагает учет субъективного мнения экспертов о будущем состоянии дел. Для экспертных оценок характерно предсказание будущего на основе как рациональных доводов, так и интуитивного знания. Методы экспертных оценок, как правило, имеют качественный характер. | 1. Индивидуальные экспертные оценки: — сценарии; — метод “интервью”; — аналитические докладные записки. 2. Коллективные экспертные оценки: — метод “комиссий”; — метод “мозговых атак”; — метод Дельфи. | Могут применяться при использовании различных методов прогнозирования (краткосрочного, среднесрочного и долгосрочного) |
| Методы экстраполяции трендов | Основаны на статистическом наблюдении динамики определенного показателя, определении тенденции (трения) его развития и продолжении этой тенденции для будущего периода, т.е. при помощи методов экстраполяции трендов закономерности прошлого развития объекта переносятся в будущее. | 1. Метод скользящего среднего; 2. Метод экспоненциального сглаживания. | Обычно применяются в краткосрочном (не более одного года) прогнозировании, когда число изменений в среде минимально. Прогноз создается для каждого конкретного объекта отдельно и последовательно на каждый следующий момент времени. Если прогноз составляется для товара (продукта/ услуги), в задачи прогнозирования входят анализ спроса и анализ продаж этого продукта Результаты прогнозирования используются во всех сферах внутрифирменного планирования, включая общее стратегическое планирование, финансовое планирование, планирование производства и управления запасами, маркетинговое планирование и управление торговыми потоками и торговыми операциями. |
| Методы регрессионного анализа | Исследует зависимость определенной величины от другой величины или нескольких других величин. | Применяется преимущественно в среднесрочном прогнозировании, а также в долгосрочном прогнозировании. Средне- и долгосрочный периоды дают возможность установления изменений в среде бизнеса и учета влияний этих изменений на исследуемый показатель | |
| Методы экономико-математического моделирования | Предполагают построение математических моделей, основанных на использовании методов теории вероятностей и математической статистики | 1. Модели внутренней среды фирмы (корпоративные модели); 2. Макроэкономические модели: — эконометрические модели; — модели “затраты-выпуск”. | При использовании корпоративных моделей полезно делать не только перспективные, но и ретроспективные (обращенные в прошлое) прогнозы. Сравнение данных ретроспективного прогноза и фактических данных за прошлый период позволяет сделать вывод о надежности моделей. Большая часть математических моделей имеет форму компьютерных программ. Находясь в процессе выполнения, такие программы позволяют исследовать развитие внутрифирменных взаимосвязей, то есть придают моделям динамический характер. |
Особое место среди методов прогнозирования занимает технологическое прогнозирование, которое возникло позже экономического. Его необходимость обусловили серьезные сдвиги в технологии, постоянно происходящие в современной экономике. Технологическое прогнозирование имеет значение в первую очередь для подготовки стратегии исследований и разработок (стратегического плана НИОКР). Здесь технологические прогнозы находят свое выражение в решениях о том, на каких технологиях должна сосредоточиться фирма и от каких технологий отказаться. При помощи технологических прогнозов формируется объем потенциальных технологий, который позднее, при разработке стратегии НИОКР, подвергнется отбору и селекции.
Технологические прогнозы находят свое применение также в краткосрочном планировании для оценки используемой технологии. Используя технологические прогнозы, можно определить возможности текущей технологии, потолок ее использования и необходимость в срочной смене технологии.
Техническое прогнозирование имеет наиболее важное значение для фирм, которые являются технологическими лидерами в отрасли и нацелены на дальнейший рост. Менее важно участие в технологическом прогнозировании для компаний, ориентированных на выживание.
Вместе с тем выживание огромного числа современных российских предприятий связано, в первую очередь, с переориентацией производства и приспособлением его к рыночному спросу. Такая переориентация практически невозможна без технологической перестройки, перехода к новым, прогрессивным способам производства товаров. Поэтому специалисты по управлению рекомендуют создание технологических прогнозов даже небольшим предприятиям, не имеющим собственных подразделений НИОКР. Источниками информации для них могут стать публикации в специальной литературе, сведения, предоставляемые поставщиками и крупными клиентами, и т.д.
В целом роль технологического прогнозирования гораздо шире, чем только при подготовке стратегии НИОКР. Результаты технологического прогнозирования влияют на формирование новых взглядов в общем управленческом мышлении, оказывают воздействие на подготовку различных функциональных стратегий фирмы, например стратегии маркетинга.
Традиционная концепция маркетинга предполагает, что фирма адаптируется к уже сформировавшимся потребностям показателя. Вместе с тем, сами потребности покупателей отстают от быстро меняющихся технологий. Многие товары не успевают завершить свой жизненный цикл и вытесняются с рынка под напором субститутов – технологических новинок. Следовательно, фирмы должны уметь предусматривать возможные изменения в технологии; уметь создавать новые потребности у покупателей, чтобы покупатели были готовы к восприятию товаров-новинок.
Технологическое прогнозирование способствует выработке новой концепции маркетинга, заключающейся в подготовке потребителей к будущим изменениям, ознакомлении и обучении потенциальных покупателей новых товаров. Такой подход к воздействию фирмы на свой рынок не означает давление на потребителей и контроль над ними с целью заставить их изменить свои потребности, напротив, он приводит к сохранению существующих потребностей и обогащению их новыми, то есть к увеличению потребностей покупателей.
Как показывает опыт рыночной экономики, технологическое прогнозирование наиболее часто применяется в компьютерной, телекоммуникационной, нефтехимической, транспортной отраслях.
Технологическое прогнозирование широко использует методы, сложившиеся в общем экономическом прогнозировании, особенно:
. метод подготовки сценариев;
. методы экстраполяции трендов и некоторые другие.
Вместе с тем для технологического прогнозирования характерны некоторые специфические методы, среди них:
. анализ перекрестного влияния.
Большой популярностью у фирм, занимающихся технологическим прогнозированием, пользуются сценарии. Широко известны сценарии, разработанные для фирм, работающих в отраслях: генной инженерии; системы телекоммуникаций; автомобилестроения; техники и технологии для фармацевтической промышленности; автоматизации домашнего хозяйства и многих других.
Понравилась статья? Добавь ее в закладку (CTRL+D) и не забудь поделиться с друзьями:
Источник: studopedia.ru
Погода, катастрофы и космические аномалии: как наука научилась все предсказывать
Расчеты будущего стали легче и надежнее, и речь тут не о предсказаниях и другой эзотерике, а о научно доказанных фактах, сопоставив которые можно узнать больше о завтрашнем дне. Рассказываем о новых методах прогнозирования.
Читайте «Хайтек» в
Что такое прогнозирование?
- объемом «истинных» (верифицированных с известной погрешностью) исходных данных и периодом их сбора;
- объемом неверифицированных исходных данных и периодом их сбора;
- свойствами объекта прогнозирования и системы его взаимодействия с субъектом прогноза;
- методиками и моделями прогнозирования.
При возрастании совокупности факторов, влияющих на точность прогноза, он практически замещается рутинным расчетом с некоторой установившейся погрешностью.
Прогнозы делятся (условно):
- по срокам: краткосрочные, среднесрочные, долгосрочные, дальнесрочные;
- по масштабу: частные, местные, региональные, отраслевые, страновые, мировые (глобальные);
- по ответственности (авторству): личные, на уровне предприятия (организации), на уровне государственных органов.
К основным методам прогнозирования относят:
- статистические методы;
- экспертные оценки (например, метод Дельфи);
- методы моделирование, в том числе имитационного;
- интуитивные (то есть выполненные без применения технических средств, экспромтом, «в уме» специалистом, имеющим опыт ранее применяемых научных методов в данном типе прогнозов).
Статистические методы прогнозирования
Статистические методы прогнозирования — научная и учебная дисциплина, к основным задачам которой относятся разработка, изучение и применение современных математико-статистических методов прогнозирования на основе объективных данных.
Развитие теории и практики вероятностно-статистического моделирования экспертных методов прогнозирования; методов прогнозирования в условиях риска и комбинированных методов прогнозирования с использованием совместно экономико-математических и эконометрических (как математико-статистических, так и экспертных) моделей.
Научной базой статистических методов прогнозирования является прикладная статистика и теория принятия решений.
Простейшие методы восстановления используемых для прогнозирования зависимостей исходят из заданного временного ряда, т. е. функции, определенной в конечном числе точек на оси времени.
Оценивание точности прогноза (в частности с помощью доверительных интервалов) — необходимая часть процедуры прогнозирования. Обычно используют вероятностно-статистические модели восстановления зависимости, например, строят наилучший прогноз по методу максимального правдоподобия.
Разработаны параметрические (обычно на основе модели нормальных ошибок) и непараметрические оценки точности прогноза и доверительные границы для него (на основе Центральной предельной теоремы теории вероятностей). Применяются также эвристические приемы, не основанные на вероятностно-статистической теории, например, метод скользящих средних.
Многомерная регрессия, в том числе с использованием непараметрических оценок плотности распределения — основной на настоящий момент статистический аппарат прогнозирования.
Нереалистическое предположение о нормальности погрешностей измерений и отклонений от линии (поверхности) регрессии использовать не обязательно; однако для отказа от предположения нормальности необходимо опереться на иной математический аппарат, основанный на многомерной Центральной предельной теореме теории вероятностей, технологии линеаризации и наследования сходимости.
Приложения для прогнозирования
Для прогнозирования по временному ряду обычно используют компьютерные программы. Это позволяет автоматизировать большую часть операций при построении прогноза, а также позволяет избежать ошибок, связанных с вводом данных и построением моделей.
Такие приложения могут быть как локальными (для использования на одном компьютере), так и интернет-приложениями (доступными в виде веб-сайта, например). В качестве локальных приложений следует выделить такие программы, как R, SPSS, Statistica, Forecast Pro, Forecast Expert.
Что можно предсказывать?
Ошибки при расчетах будущих состояний атмосферы и других хаотических систем со временем накапливаются, поэтому прогноз погоды на сутки вперед значительно лучше, чем на месяц.
Тем не менее, точность постепенно растет: современные пятидневные прогнозы так же хороши, как 40 лет назад — однодневные. Полезный прогноз можно сделать и на девять-десять дней. А предел предсказуемости классическими моделями, по словам Александра Чернокульского, составляет две недели.
Все эти модели построены по одному принципу. Погода описывается несколькими базовыми уравнениями, которые решаются пошагово подстановкой данных наблюдений, а не в общем виде, как учат в школе, — так их просто невозможно решить.
Чтобы не оказаться в неловком положении, как когда-то Лоренц, модель запускают 10–20 раз, чуть-чуть меняя исходные значения, — вносят шум, чтобы рассмотреть разные варианты.
Ученые всего мира уже 70 лет работают над тем, что выясняют причины аномального нагрева солнечной короны. Этот процесс связывают с магнитными бурями, которые до сих пор невозможно точно спрогнозировать.
Температура солнечной короны — внешнего слоя атмосферы Солнца — составляет около 1 млн градусов Цельсия, а местами достигает почти 10 млн. Однако нижние слои атмосферы достигают всего лишь 5,5 тыс. градусов.
В результате вывод: чем дальше от центра Солнца, тем жарче, хотя внутри него все наоборот. Механизм работы этого нагрева короны до сих пор непонятен.
Распространение альфвеновских волн самарские ученые исследуют с помощью уравнений магнитной газодинамики. По итогам работы ученые представят системы уравнений, математически точно описывающие различные параметры и модели нагрева солнечной корональной плазмы.
Исследователи из Стэнфордского университета проанализировали расположение кристаллов оливина, которые застыли в лаве после извержения вулкана Килауэа. Так ученые смогли узнать подробности процессов, происходящих в недрах земли — эта информация поможет предсказать будущие извержения.
Ученые объяснили, что они попытались создать алгоритм для того, чтобы предсказать извержения вулканов. Однако многие процессы, которые могут подсказать об этом, происходят глубоко под землей в лавовых трубках. После извержения любые подземные маркеры, которые могли бы дать подсказки исследователям, уничтожаются практически во всех случаях.
Поэтому исследователи сфокусировались на исследованиях кристаллов оливина, которые образовались во время сильного извержения на Гавайях более полувека назад.
После этого исследователи Стэнфордского университета нашли способ протестировать компьютерные модели потока магмы, которые, по их словам, могли бы раскрыть больше данных о прошлых извержениях и, возможно, помочь предсказать будущие.
Исследование пожарной лаборатории Университета имени Бригама Янга в США позволяет получить более точное представление о том, где начинаются лесные пожары и как они распространяются. Ученые уверены, что любые новые данные, которые позволят контролировать стихийные бедствия, сэкономят бюджету страны миллионы долларов.
Исследования показали, что химический состав кустарников имеет важное значение для того, насколько быстро они горят. Тип растений, найденный рядом с очагом возгорания, может помочь предсказать, как будет распространяться огонь и как быстро он может перекинуться на другие виды растений.
Эксперимент направлен на совершенствование моделей прогнозирования пожаров. Поскольку борьба с ними обходится лесной службе и государственным учреждениям США в миллиарды долларов ежегодно, любые исследования, которые могут помочь сделать борьбу с пожарами более эффективной, имеют важное значение, отметили исследователи.
Исследователи из Норвежской бизнес-школы в Осло создали математическую модель изменений климата, согласно которой, после прекращения всех выбросов рост температур будет продолжаться еще минимум 100 лет.
Исследователи использовали в своей модели информацию о климате с 1850 года и до наших дней. На основе этого они спрогнозировали, как изменятся глобальные температуры и на сколько повысится уровень моря до 2500 года.
В результате выяснилось, что если пик выбросов парниковых газов придется примерно на 2030 год, а к 2100 упадет до нуля, то к 2500 все равно глобальные температуры будут на три градуса больше, а уровень моря на 2,5 м выше, чем в 1850 году. И это самый благоприятный прогноз.
Несмотя на то, что часть углекислого газа из воздуха будет поглощена биомассой, почвой и океанами, это никак не остановит глобальное потепление. Точка невозврата была пройдена раньше 2020 года.
Как улучшить наши прогнозы?
В будущем качество данных повысится благодаря спектрорадиометрам, радарам и лидарам (лазерам) на новых спутниках. Передовые космические аппараты уже сейчас способны в случае необходимости наводить аппаратуру.
Другое перспективное направление — измерения с помощью обыкновенных смартфонов, оборудованных всевозможными датчиками, и другой потребительской электроники.
Есть еще одна проблема — с уменьшением масштаба модели и ростом объема данных сложность вычислений колоссально растет. Например, для прогнозирования погоды применяются одни из самых мощных компьютеров на свете.
Стоят они дорого, а их производительность больше не увеличивается прежними темпами: кремниевые микросхемы почти некуда совершенствовать. Вдобавок современным метеорологам осталось наследство из миллионов строчек программного кода, из-за чего вычисления не так-то просто оптимизировать.
Читать далее
Источник: hightech.fm