Обзоры,
критические выступления
Александр Трунев (Canada)
Из истории хорошо известно, что астрология с успехом использовалась для предсказания погоды, пока ее методы не были вытеснены более "естественными" методами прогноза, основанными на модельных представлениях о движениях больших воздушных масс. По-видимому, прогноз погоды был одним из основных занятий древних астрологов. Во всяком случае, дошедшие до наших дней характеристики качества планет и знаков Зодиака содержат чисто климатические определения: жаркий, сухой, влажный, холодный и т.п. Одно из первых упоминаний об астрологическом прогнозе погоды содержится в книге Клавдия Птолемея "Тетрабиблос" [1].
В представлении Птолемея погода в большей степени зависит от положения Солнца и Луны относительно друг друга и в Зодиаке. Неподвижные звезды и аспекты планет имеют второстепенное значение, создавая дополнительные ветры. Тот факт, что Птолемей с особой легкостью излагает тему прогноза погоды, свидетельствует о его тесном практическом знакомстве с этим предметом. Ведь в отсутствии других методов астрология играла незаменимую роль, когда дело касалось сезонных прогнозов, столь важных для жителя древнего мира. В мореплавании, в сельском хозяйстве, у кочевых и оседлых племен потребность в прогнозе погоды была необычайно велика.
Стоит ли удивляться, что повсюду на планете сохранились следы древних обсерваторий. Люди вели наблюдения за звездами и планетами, начиная уже с каменного века, очевидно не только из любопытства, но и для практических нужд. Ведь в представлении древних погода однозначно зависела от ситуации на небесах. Где и на каком этапе были утеряны эти представления, а вместе с ними и превосходные методы предсказания погоды на длительный период, мы не можем сказать точно. Еще у Нострадамуса мы встречаем любопытные вступления, дающие образное представление о погоде много столетий спустя после его смерти. Но в наше время уже вряд ли сыщется астролог или климатолог, способный прозорливо дать определение погоды в данной местности хотя бы на год вперед.
Недавно два пытливых исследователя - Элфи Лявуа и Сергей Тарасов [2] поставили перед собой нелегкую задачу описать температуру воздуха в связи с движением планет. Они использовали самообучающуюся нейросеть [3] для поиска корреляционных зависимостей температуры воздуха в приземном слое атмосферы от некоторых особых астрономических факторов, связанных с остановкой планет в геоцентрической системе координат. Полученные ими результаты представляются весьма интересными для приложений в задачах прогнозирования климата. Как оказалось, такого рода нейросеть способна улавливать некоторые тенденции изменения температуры. Ниже дан перевод фрагментов работы [2] вместе с нашими комментариями.
Работа начинается с
обширного вступления, которое мы приводим здесь полностью: "Предсказание погоды - это очень сложный процесс,
зависящий от различных факторов. Температура, давление, магнитные поля,
солнечные пятна, и человеческая активность - все имеет свою часть в процессе
образования погоды. Некоторые из этих могут быть описанными с помощью
соответствующих моделей и дифференциальных уравнений; другие являются только
объектом научного наблюдения. Влияние солнечных пятен на жизнь на Земле
(включая погоду) исследуется в наше время в различных странах. Но что можно
сказать о космических соседях Земли – планетах нашей солнечной системы и
меньших космических объектах? А что если они также имеют некоторое влияние на
погоду? Существуют ли корреляции между этими внеземными объектами и некоторыми
процессами на Земле? Планеты имеют некоторые физические параметры, которые
могут быть рассчитаны, как, например, масса, скорость, параметры их орбит,
расстояния и т.п. Мы предлагаем такой подход к этой проблеме, который позволяет
принять во внимание любые корреляции между некоторыми параметрами погоды и
некоторыми астрономическими характеристиками планет.
Мы
не являемся одними в этом направлении или первый в этой области. Было несколько
исследований по теме в течение последних десятилетий в различных странах.
Достойным упоминания являются теоретические попытки трех больших русских
мыслителей 20 столетия - Вернадского, Циолковского и Чижевского. Следует
отметить также выполненную для NASA работу д-ра. Джона Нельсона. Д-р. Theodore
Landscheidt сделал краткий обзор исследований солнечной активности в своих
книгах и статьях.
Мы
потратили многие годы, чтобы ответить на один простой вопрос: существуют ли
любые корреляции между космическими факторами и различными физическими
процессами? А если есть, то, какие? Это заняло у нас несколько лет, чтобы
создать инструменты для нашего исследования. Сейчас мы хотим применить эти инструменты,
т.е., наше программное обеспечение, в некоторых интересующих нас специальных
областях. Мы уже использовали эти программы в анализе большой серии данных. Мы нашли, что есть корреляции
между космическими факторами и некоторыми процессами на Земле. Мы также нашли,
что такие корреляции нелинейные. Но найти корреляцию - это еще не все. Наиболее
важная вещь - это использование полученных корреляций для моделирования и
предсказания настоящего физического процесса. В этой статье мы попытаемся
объяснить наш подход к предсказанию погоды и солнечной активности, связанной с
образованием пятен.
Мы
проанализировали временные ряды для высоких температур в Hartford, Коннектикут;
данные включили период от 1.1.1949 вплоть до 7.31.1998 (18,000 точек
исследования). Мы выбрали эти данные только из-за их доступности и готовы
повторить этот анализ для любого другого набора данных. В первую очередь, мы
подготовили данные для анализа. Это означает, что при исследовании температуры
мы принимаем во внимание годовые тренды и работаем с нормализованными
температурами.
Затем
мы высчитали положения планет, их скорости, ускорения, расстояния и углы между
планетами, а также некоторыми главными астероидами, и т.п. все в течение
интервала времени, который определен нашим набором данных. Следующий шаг - сравнить
этот два набора данных для того, чтобы найти любую корреляцию. Мы использовали
различные модификации известных статистических методов для этого сравнения.
И
в заключении - мы использовали результаты предыдущего шага для предсказания.
Чтобы выполнить это, мы разработали специализированную нейросеть. Эта нейросеть
работает с огромным количеством данных (например, специализированная нейросеть
для анализа активности солнечных пятен имеет приблизительно 5000 входов; мы
использовали около 50000 точек для обучающего процесса). Причина использования
нейросети заключается в особенности влияния космических факторов. Мы нашли, что их влияние является
нелинейным. Мы не покажем этого в данной статье, однако, это было обнаружено
при анализе фондовой биржи.
Это не является 100% прогнозом и мы не отвечаем на все вопросы об анализируемом процессе. Мы только скромно предполагаем, что это поможет присоединить еще проценты к точному предсказанию, сделанному различными профессионалами в этой области. Наш подход универсален - это может быть использовано для любых наборов данных. Его цель заключается в нахождении корреляции анализируемого процесса и некоторых космических факторов".
В качестве замечания отметим, что проценты, которые авторы намерены присоединить к "точному предсказанию" видимо, не очень велики. В тоже время как указывалось ранее астрономическая составляющая в прогнозе погоды, который делали древние астрологи, была напротив непропорционально большой. Будущим исследователям предстоит установить, как возникают эти существенные различия. Связаны ли они с психологией современных ученых стремящихся, во что бы то ни стало, закрывать глаза на очевидный факт, что атмосфера является открытой системой соприкасающейся с космическим окружением, или вклад космических факторов действительно является второстепенным по сравнению с процессами в приземном слое атмосферы. Но тогда остается вопрос, почему древняя астрология на протяжении тысячелетий использовалась для предсказания погоды? Далее авторы раскрывают методы своего исследования:
"Один
из методов, используемым для анализа, является тест-эффект. Идея очень проста.
Мы находим средний параметр для всех дат, когда происходит некоторое
космическое событие, все даты включающие день перед ним и день после этого
события, два дня перед и два дня после события, три дня перед и три дня после,
и т.п. Затем мы помещаем все эти средние значения на диаграмму, которая
показывает изменения параметра вокруг даты космического события. Это дает нам
идею о возможных корреляциях. Здесь мы можем делать гипотезы. Затем мы идем
обратно, и просто пересчитываем число раз, когда такая гипотеза выполнялась, а
когда нет. Поэтому, мы возвращаемся
к статистике для нашего образца данных, чтобы сделать вывод о нашей
гипотезе.
Что
мы делаем практически? Мы определяем интервал времени для анализа и ищем
некоторый космический фактор в пределах этого интервала. "Космический
фактор" мог бы быть специальным местоположением некоторой планеты,
некоторой ситуацией в угловом положении между двумя планетами, некоторое
специальное космическое образование, в которое вовлечены две или несколько
планет и объектов (например, затемнение, которое вовлекает Солнце, Луну и
Землю), - что-либо, что случается в пространстве и может быть описано, как
единое событие. Это событие
происходит в некоторое время в пределах интервала; это и является нашим
образцом. Для каждой даты этого образца, мы нормализуем анализируемый параметр
(т.е., температуру) вокруг даты события. Мы обозначаем дату, когда космическое
событие происходит, как "0" день; мы принимаем высокую температуру
этого дня за 0: [T(0)-T(0)=0]. Накануне это событие - это день "-1".
Высокая температура этого дня находится соответственно температуре
"0" дня: [T(-1)-T(0)]. Мы делаем то же на протяжении дня после
события ("1" дня), в течение двух дней до и после (дни "-2"
и "2"), три дня, и т.п. Мы попробовали даже 10 дней до и после
событий, но меньшие интервалы обычно показывают картину лучше. Затем мы
вычисляем температуру для "0" дней и находим ее среднюю величину (что
конечно равно 0); это является центральной точкой диаграммы. После этого мы
вычисляем температуру для "1" дней, высчитываем ее среднюю величину и
помещаем ее на диаграмму. Мы делаем то же для всего "2" дней,
"3", "4" ..., "-1", "-2",
"-3", "-4" ... Результаты, которые показаны на диаграмме,
позволяют нам сделать гипотезу о корреляции между этим космическим событием и
высокой температурой дня".
И так, речь фактически идет о дискретной производной температуры по времени, что при заданной высоте измерения температуры (эта высота фиксирована во всех метеорологических измерениях в мире) эквивалентно моделированию теплового потока в приземном слое атмосферы. В свою очередь тепловой поток в дневной время суток (когда фиксируется высокая температура) зависит от потока солнечной радиации и от наличия облачного покрова (см., например, [4]). Вот этот облачный покров и является камнем преткновения для современной метеорологии. Дело в том, что хотя всем известно, что облака образуются путем конденсации водяных паров (влаги), но нет даже простейших моделей позволяющих, сколь ни будь, реалистично описывать этот процесс. В тоже время в представлении древних астрологов именно перенос влаги, зависящий от положения планет, определяет локальный климат. На этот факт и обращают внимание авторы [2] , абстрагируясь конечно от атмосферного воздуха и содержащейся в нем влаги:
"Например,
давайте рассмотрим такое событие как изменение направления планетного движения.
Планеты, конечно, всегда движутся в одном направлении в гелиоцентрической
системе координат. Изменение направления касается геоцентрической системы
координат. В пределах этой системы, Земля - это центр, и движение планет
происходит вокруг нее по различным траекториям. Где угодно на поверхности Земли
наблюдатель видит, что планеты идут в одном направлении (директное движение),
затем все более медленно, пока не остановятся. После того, они идут назад (т.н.
ретроградное движение) до следующей остановки. Затем они возобновляют прямое
движение. Мы предполагаем, что анализ процессов, происходящие вблизи поверхность земли в пределах
геоцентрической системы координат, и важных точек планетной траектории в
пределах этой системы может дать нам некоторые результаты.
Рис.1. Тест-эффект для Венеры, возобновляющей директное движение:
температура падает.
Чтобы быть более конкретными, мы определяем событие, связанное с возобновлением
директного движения Венеры. Тест-эффект для этого события показан на рис.1. Это
исследование сделано с помощью программы "Market Trader Expert", разработанной для
анализа финансового рынка, поэтому сохранились некоторые финансовые обозначения
в окнах. Мы используем эту программу, чтобы проанализировать другие наборы
данных, не только финансовые. Программа нашла, что в пределах наблюдаемого
интервала, Венера становится директной 29 раз. Распределение изменения
температуры показано на гистограмме в правой части окна. Вы можете видеть, что
температура начинает падать за 3 дня перед этим событием и поднимается на
следующий день после того. Падение температуры в течение 4 дней (3 дня перед
событием и день после) составляет около 10% (в сравнении с температурой
"0" дня) и показано голубой стрелой; это происходит 21 раз (из 29) и
не случается только 8 раз. Другая стрелка объединяет дни, когда температура
поднимается после того, как Венера становится директной; это случается 20 (из 29) и только 9 раз температура
падает - рис. 2.
Здесь мы можем выдвинуть две гипотезы: 1) температура падает за три дня
перед тем, как Венера становится директной и день после того; 2) температура
поднимается на следующий день после того, как Венера становится директной.
Первая гипотеза выполняется в среднем 21 раз из 29; вторая гипотеза выполняется
в среднем 20 раз из 29. Похоже, эти гипотезы работают очень хорошо, и мы можем
использовать эти гипотезы для прогнозов погоды. Даты, когда Венера становится
директной, могут быть легко высчитаны астрономически, и в следующий раз, когда
это будет иметь место мы можем принять, что температура падает за 3 дня перед событием и поднимается на
следующий день. Но в нашем примере имеется только 29 дат для анализа; это не
позволяет сделать статистически надежное заключение. Нам нужно проверить эту
гипотезу с большим числом данных. Подобное исследование сделано также для всех
точек, когда Венера становится ретроградной. В этих случаях, температура в основном поднимается".
Рис. 2. Тест-эффект для Венеры, возобновляющей директное движение:
температура повышается.
Этих
примеров достаточно для иллюстрации метода. Далее авторы обсуждают полученные
результаты для ретроградного Меркурия (146 случаев), директного Юпитера (42
случая), директного Сатурна (45
случаев), ретроградного Марса (23 случая). Далее авторы переходят к обсуждению
влияния аспектов планет:
"Мы можем проделать тот же анализ для любого космического фактора.
Давайте попробуем один из них, который включает угловое расстояние между
планетами, например, случай аспекта в 120 градусов между Юпитером и Ураном (мы
принимаем за расстояние между двумя космическими объектами разницу
эклиптических долгот). Рис. 7 показывает тест-эффект для этого события:
Рис.
7. Тест-эффект
для угла в 120 градусов между Юпитером и Ураном.
В
пределах наблюдаемого интервала, это событие случилось 13 раз. Мы предполагаем
(соответственно тест-эффекту), что температура поднимается на два дня после
этого события; температура поднимается 11 раз против всего лишь 2 случаев. Так
что, в следующий раз, когда случится аспект в 120 градусов между Юпитером и
Ураном (астрономы могут сообщить нам о том), мы должны предположить, что
температура должна подняться на тот же день (но она будет падать за 4 дня
перед). Некоторые обсуждения статистических результатов для этого примера
упомянуты выше.
Выше,
мы показали результаты тест-эффектов для только двух типов космических
факторов: изменение направления планетного движения и угол между планетами. Для
нашего образца данных, некоторые из них имеют корреляции с изменением
температуры (температура падает в пределах трех дней перед тем, как Венера
становится директной и поднимается через день после того; температура
поднимается в течение двух дней после достижения точного аспекта в 120 градусов
между Юпитером и Ураном); другие корреляции не так очевидны (падение
температуры, когда Меркурий становится ретроградным). Мы можем взять любое
космическое событие и проверить корреляцию с изменением температуры. Но, как было указано выше, влияние
космических факторов на физические процессы имеет нелинейную структуру. Один из
лучших методов, чтобы создать модель нелинейной системы является
нейросеть".
Далее авторы
описывают технологию нейросетей. Они разработали специальную нейросеть для
анализа данных по температуре. Часть данных, начиная с января 1949 года и до
марта 1995 года, они использовали для обучения сети. Другая часть данных с
марта 1995 и до конца июля 98 года была использована для проверки модели. Результат проверки модели показан на
рис. 8. светлая зеленая линия - это нормализованная температура, т. е.
фактически дискретная производная температуры по времени или тепловой поток.
Темная зеленая линия на этом рисунке
- это результат моделирования с помощью нейросети. Вертикальная линия показывает границу
раздела между обучающим интервалом
и собственно прогнозом. Хорошо
видно, что тренировка сети имеет внутренние издержки: нет удовлетворительного
совпадения с экспериментом даже на этапе обучения. Естественно, что и за
пределами интервала обучения совпадение с экспериментом тоже не блестящее. Тем
не менее, в задачах прогноза температуры такое совпадение можно признать даже
хорошим. Ведь речь идет о моделировании теплового потока, который сильно
зависит от облачного покрова. Тот факт, что облачность зависит от положения
планет, было известно уже в глубокой древности и использовалось для
предсказания погоды. Но чтобы астрология могла быть использована для
моделирования природных явлений в наше время, необходимо иметь ясную теорию о
природе планетарных влияний. Без этой теории астрология будет плестись в хвосте
других наук, даже имея большой запас подтвердившихся прогнозов. Это хорошо
известно, что из истины следует только истина, но из ложных положений также
может следовать истина.
Рис. 8.
Нормализованная температура (светлая зеленая линия) и прогноз (темная линия),
сделанный с помощью нейросети. Вертикальная линия - граница между обучающим
интервалом и собственно прогнозом.
Казалось бы, ясно, что среди всех факторов планетного влияния на первое место следует поставить гравитацию. Но никто, никогда не решил эту задачу до конца! Возьмем уравнения неравновесных процессов испарения и конденсации влаги в атмосфере и подставим туда потенциал гравитационного поля. Система замкнется. Вместо абстрактных гипотез о связи температуры с положением планет, мы получим замкнутую модель. Однако авторы [2] предложили собственный путь решения задачи прогнозирования погоды - путь абстрактного моделирования с помощью нейросетей.
Делать прогнозы, особенно астрологические, дело тонкое. Многое зависит от интуиции астролога, благодаря которой удается отличать потенциально опасные конфигурации от множества реально действующих положений планет, напрямую связанных с событием. Иными словами, бывает прогноз, а бывает и прорицание. Решение естественнонаучной задачи тоже может быть очень успешным, если ее правильно сформулировать. Но прорицание, которое собственно и ассоциируется с астрологией, это нечто совсем другое. Поэтом, не следует искать какой-то мистический смысл в аспектах. Применяя астрологию к прогнозу погоды, мы, собственно ставим, естественнонаучную задачу, которая никакого отношения не имеет к чьей-либо индивидуальной судьбе, но связана с атмосферой планеты. Полученные в работе [2] результаты и тот факт, что нейросеть работает во многом подобно человеческому мозгу позволяет сделать вывод, что астрологическая нейросеть может оказаться неплохим оракулом для естественных наук.
1.
Клавдий Птолемей. Тетрабиблос. Математический трактат из четырех частей. Книга 2/ http://dstrox.ru/lib/book/tetra/Tetrabiblos_Index.htm
2.
Sergey Tarassov, Alphee Lavoie, Correlation
between extraterrestrial factors and some terrestrial processes: Case Study
4.
А.П. Трунев.
Теория турбулентности и моделирование диффузии примесей в приземном слое
атмосферы/ СНИЦ РАН, 1999.