Razumiju li ljudi probabilističke prognoze vremena?
Svaka vremenska prognoza nosi u sebi neizvjesnost. Ta je činjenica fundamentalna za meteorologiju, a ipak se o njoj rijetko otvoreno govori. Zašto? Postoji uvriježeno mišljenje da “ljudi ne razumiju vjerojatnosti” i da bi ih dodatne informacije o nesigurnosti prognoze samo zbunile. No što ako je ta pretpostavka pogrešna?
Dva nedavno objavljena članka Kena Mylnea iz britanskog Met Officea, publicirana u časopisu Weather Kraljevskog meteorološkog društva, bave se upravo ovom temom — i njihovi zaključci mogli bi promijeniti način na koji razmišljamo o vremenskim prognozama.
Zašto je neizvjesnost neizbježna?
Atmosfera je kaotični sustav. Edward Lorenz, otac teorije kaosa, slikovito je to opisao riječima da “jedan zamah krila leptira može uzrokovati tornado na drugom kraju svijeta”. U praktičnom smislu, to znači da male pogreške u početnim uvjetima — a savršeno poznavanje stanja atmosfere jednostavno nije moguće — mogu rezultirati velikim razlikama u prognozi, osobito na dulje rokove.
Tradicionalna “deterministička” prognoza polazi od jedne procjene trenutnog stanja atmosfere i simulira jedan mogući razvoj događaja. Problem je što takva prognoza ne govori ništa o tome koliko smo sigurni u taj ishod.
Ansambli: od jedne do mnoštva prognoza
Rješenje koje se u operativnoj meteorologiji koristi već više od tri desetljeća jest ansambelsko prognoziranje. Umjesto jedne simulacije, pokreće se više njih — svaka s malo drugačijim početnim uvjetima ili drugačijim podešavanjem modela, koji odražavaju nesigurnost u analizi trenutnog stanja atmosfere ili nesavršenost modela. ECMWF-ov globalni ansambl, primjerice, ima 51 član, dok britanski MOGREPS-UK koristi 18 članova s vremenskim pomacima.
Rezultat je distribucija vjerojatnosti mogućih ishoda. Iz nje se mogu izvući razne informacije: najvjerojatnija vrijednost, raspon mogućih temperatura, vjerojatnost oborine iznad određenog praga ili, što je posebno važno za upozorenja, šansa za ekstremne događaje.
Mylne u prvom članku navodi da verifikacijske studije dosljedno pokazuju kako ansambli imaju veću prognostičku vještinu od determinističkih modela, čak i kad rade na nižoj rezoluciji. Zbog toga su i Met Office i ECMWF odlučili ukinuti zasebne determinističke modele visoke rezolucije i usmjeriti resurse isključivo na ansambelske sustave.
Hoće li javnost to razumjeti?
Ovdje dolazimo do ključnog pitanja drugog članka. Uobičajene brige prognozera i pružatelja usluga uključuju tvrdnje poput: “Ljudi jednostavno moraju donijeti odluku”, “Korisnici žele da mi donesemo odluku umjesto njih” ili “Komunikacija neizvjesnosti potkopat će povjerenje u naše prognoze”.
No istraživanja pokazuju suprotno.
Na Sveučilištu u Exeteru provedena su laboratorijska ispitivanja u kojima su sudionici donosili odluke na temelju različitih prikaza vremenskih prognoza. U jednom eksperimentu (Roulston i Kaplan, 2009.), jedna skupina vidjela je jednostavan linijski graf temperature, dok je druga dobila složeniji prikaz s prikazanim rasponom nesigurnosti. Rezultat? Skupina s dodatnim informacijama o nesigurnosti donosila je ispravne odluke u 85% slučajeva, nasuprot 69% kod kontrolne skupine — i to neovisno o akademskoj pozadini sudionika.
Posebno zanimljiva bila je online igra “Weather Game” (Stephens i sur., 2019.) s preko 8000 sudionika koji su pomagali izmišljenom prodavaču sladoleda Bradu odabrati najbolja vremena i lokacije za prodaju. Zaključci su bili jasni:
- Većina ljudi sposobna je iskoristiti informacije o nesigurnosti
- Složeniji prikazi nisu zbunjivali sudionike
- Čak i uz determinističke prognoze, ljudi su iskazivali manje od 100% povjerenja — intuitivno su pretpostavljali određenu nesigurnost
- Najbolje rezultate postigli su oni s najsloženijim prikazom (kombinacija linije najvjerojatnije vrijednosti s prikazom raspona)
Sustavni pregled literature Ripbergera i suradnika (2022.), koji je obuhvatio 327 studija, dolazi do istog zaključka: prosječni ljudi mogu razumjeti i koristiti probabilističke informacije ako se pazi na način prezentacije, a takve informacije općenito poboljšavaju kvalitetu odluka.
Kako komunicirati nesigurnost?
Istraživanja nude konkretne smjernice. Jezik je važan: riječ “vjerojatnost” (probability) mnogima zvuči matematički i zastrašujuće, dok “šansa” (chance) ili “izgledi” (likelihood) djeluju pristupačnije. Slično tome, “pogreška” (error) u znanstvenom smislu znači odstupanje od točne vrijednosti, ali javnost može to protumačiti kao “grešku” ili nesposobnost.
Posebno je problematično kad ljudi različito tumače što “30% šanse za kišu” uopće znači. Gigerenzer i suradnici (2005.) identificirali su tri česta pogrešna tumačenja: da će kiša padati na 30% područja, da će padati 30% vremena, ili čak da 30% meteorologa misli da će padati. Jasno definiranje na što se vjerojatnost odnosi — tzv. referentna klasa — ključno je za ispravno razumijevanje.
Mylne predlaže dualni pristup: kombinaciju grafičkog prikaza (npr. tortni dijagram ili piktogram) s numeričkom vrijednošću. Tako se istovremeno doseže i one koji preferiraju vizualne informacije i one koji vole brojke.
Događaji visokog učinka, niske vjerojatnosti
Poseban izazov predstavljaju tzv. HILL događaji (High-Impact Low-Likelihood) — rijetki, ali potencijalno katastrofalni vremenski ekstremi. U ansambelskim prognozama oni se često pojavljuju kao “outlieri” — pojedinačni članovi ansambla koji predviđaju znatno drugačiji ishod od većine.
Primjer koji Mylne navodi jest oluja “Beast from the East” koja je početkom ožujka 2018. donijela obilne snježne nanose u jugozapadnu Englesku. Tri i pol dana unaprijed, većina članova ansambla predviđala je nastavak snježnih pljuskova na sjeveroistoku, dok je samo nekoliko članova sugeriralo mogućnost razvoja ciklone s juga koja bi pogodila jugozapad. To je bio signal za izdavanje ranog upozorenja.
Britanski sustav upozorenja koristi matricu koja kombinira razinu učinka s vjerojatnošću. Istraživanje Mu i suradnika (2018.) pokazalo je da ljudi koji dobiju informaciju i o razini učinka i o vjerojatnosti donose bolje odluke od onih koji vide samo boju upozorenja.
Implikacije za praksu
Zaključak ovih istraživanja je jasan: uskraćivanje probabilističkih informacija iz straha da ih javnost neće razumjeti čini medvjeđu uslugu većini korisnika. Prognoza koja govori samo najvjerojatniji ishod onemogućuje korisnicima da prilagode svoje odluke vlastitim potrebama i osjetljivostima.
Razmislite o sljedećem primjeru: prognoza daje 30% šanse za kišu. Automatski sustav koji “svodi” tu informaciju na deterministički zaključak “suho” loše služi svakom korisniku koji je osjetljiv na kišu i radije bi ponio kišobran pri 30% šanse nego riskirao. Slično, vlasnik broda koji bi premjestio plovilo na sigurno već pri 10% šanse za olujne vjetrove — zbog visokog potencijalnog troška štete — bio bi loše uslužen prognozom koja daje samo najvjerojatnije, blaže vjetrove.
Meteorolog nikad ne može znati sve raznovrsne primjene javne prognoze, ali učinkovita komunikacija nesigurnosti otvara mogućnost korisnicima da donesu odluke primjerene njihovim okolnostima.
Pogled naprijed
Ansambli više nisu samo pomoćno sredstvo — postaju srž operativnih prognostičkih sustava. S razvojem sustava poput IMPROVER-a koji kalibrira i kombinira izlaze različitih modela, te s naglim usponom metoda umjetne inteligencije u meteorologiji, mogućnosti se dodatno šire.
No tehnološki napredak sam po sebi nije dovoljan. Da bi se ulaganja u ansambelsko prognoziranje u potpunosti isplatila, ključno je pronaći učinkovite načine za komunikaciju tih informacija korisnicima — ne samo profesionalnim donosiocima odluka, već i širokoj javnosti s njezinom raznolikošću vremenski osjetljivih aktivnosti i različitom averzijom prema riziku.
Istraživanja pokazuju da je taj cilj ostvariv. Većina ljudi nije samo sposobna razumjeti probabilističke prognoze — oni na temelju njih donose bolje odluke. Vrijeme je da im to i omogućimo.
Izvori:
Mylne, K.R. (2025). Probability forecasts – Part 1: ensembles and probabilistic forecasts. Weather. https://doi.org/10.1002/wea.70015
Mylne, K.R. (2025). Probability forecasts – Part 2: will people understand? Weather. https://doi.org/10.1002/wea.70016
Ivan Toman