Winowajcą pozostawał brak wystarczającej ilości danych, które mogłyby posłużyć do ograniczenia liczby pojawiających się błędów. W konsekwencji prowadziło to do występowania swego rodzaju efektu motyla, dlatego naukowcy próbowali znaleźć sposób na skuteczniejsze tworzenie prognoz. Tym sposobem opracowali metodę, którą określają mianem asymilacji danych.
Czytaj też: Jądro Ziemi zachowuje się w niewyjaśniony sposób. Historia powtarza się w regularnych odstępach
O kulisach prowadzonych badań, za którymi stoją przedstawiciele Tokyo University of Science, czytamy na łamach Physical Review Letters. Ich osiągnięcia będą bardzo istotne dla przedstawicieli wielu różnych dziedzin. W grę wchodzi bowiem postęp obejmujący wojskowość, rolnictwo, lotnictwo czy przewidywanie nadchodzących klęsk żywiołowych pokroju huraganów.
W obliczu działania na niewielkiej ilości danych, członkowie zespołu badawczego postanowili dokonać połączenia różnych źródeł informacji. Asymilacja danych, bo tak nazywają to podejście sami zainteresowani, pozwala na wyciąganie szczegółowych wniosków dotyczących wirów turbulentnych w małej skali z wykorzystaniem ich większych odpowiedników.
Skuteczne prognozy dotyczące turbulencji powinny przynieść korzyści w dziedzinach takich jak lotnictwo, wojskowość, rolnictwo czy przewidywanie klęsk żywiołowych
W toku prowadzonych analiz japońscy naukowcy rozpoznali parametr znany jako krytyczna skala długości. Reprezentuje on punkt, poniżej którego wszystkie istotne informacje na temat wirów o małej skali mogą być ekstrapolowane z większych. W tym kontekście bardzo istotną rolę odgrywa tzw. liczba Reynoldsa, czyli wskaźnik poziomu turbulencji w przepływie płynu. Im wyższy wskaźnik tym silniejsza turbulencja.
Na tym wysiłki autorów się nie skończyły, ponieważ chcieli także wyjaśnić pochodzenie tego parametru oraz jego związek z liczbą Reynoldsa. Postanowili rozpatrywać asymilację danych jako problem stabilności. Połączyli także teorię chaosu i teorię synchronizacji.
Czytaj też: Dokładniejsze prognozy pogody dzięki sztucznej inteligencji. DeepMind wkracza do gry
Skupiając się na tzw. kolektorze asymilacji danych przeprowadzili analizę stabilności i wykazali, że krytyczna skala długości jest kluczowym warunkiem dla asymilacji danych. Opracowane za sprawą ostatnich badań ramy teoretyczne mają potencjał, aby znacznie przyspieszyć badania nad turbulencjami. Powinny doprowadzić do lepszego zrozumienia tego zjawiska oraz zwiększenia dokładności tworzonych prognoz.