ADAM RUTHERFORD: Faktum är att vi pratar om modeller inom vetenskap i stort sett varje program. Lyssnaren Jim Hay skrev in och ställde den här mycket enkla frågan: Jag undrar om du kan förklara vad en modell är? Termen används så ofta i BBC: s vetenskapliga program att jag bara låter den glida förbi mig men faktum är att jag inte vet vad det betyder exakt när en forskare säger att de gjorde en modell. Jag har nyligen förvärvat en modern, mycket stor A-nivå lärobok om fysik och jag noterar att varken modell eller modellering visas i indexet.
Tack Jim för det är en värdig påminnelse om att vetenskap kan vara teknisk, och du måste berätta för oss när vi pratar jargong. Hur som helst, på den mest grundläggande nivån är en modell ett sätt att ta data och mätningar från den verkliga världen och simulera vad som händer när vi lurar med dem: hur mycket nederbörd, flödet av floder, den typen av saker. Det är ett sätt att förenkla den fysiska världens kaos i en dator så att vi kan försöka förutsäga vad som kan hända i den verkliga världen. Du kan köra simuleringar tusentals gånger, var och en med mycket subtila förändringar för att se vad som händer.
När Jim ställde den här frågan insåg vi att de flesta veckor talar vi om ny vetenskap som använder modeller på detta sätt. Under de senaste två veckorna hade vi utvecklingen av DNA från forntida jordbrukare, vi hade smältningen av isarken i Antarktis och idag har vi Nick Reynard modellerar översvämningar i Cumbria. Så vi har bett några av våra gäster att berätta vad de menar när de använder vetenskapliga modeller. Andrew Ponson och Carole Haswell berättade för mig vad modeller är för astrofysiker.
ANDREW PONSON: Jag skulle säga att en modell är en uppsättning idéer vi har kring hur någon specifik aspekt av naturen fungerar. Och normalt när vi kallar det en modell menar vi förmodligen att den är preliminär på någon nivå. Så vi försöker inte göra ett påstående om att vi har sammanfattat allt om hur just det här fungerar.
ADAM RUTHERFORD: Vilken skulle vara en teori eller en lag?
ANDREW PONSON: Exakt! Vi försöker ge ett visst intryck av att vi ännu inte har packat upp allt om den speciella aspekten av naturen, men vi har några fungerande idéer som vi använder för att skapa tester som vi sedan kan gå och jämföra med verkligheten.
ADAM RUTHERFORD: Och ur en praktisk synvinkel, som astronom, Carol, hur modellerar du saker?
CAROLE HASWELL: Jag var faktiskt ganska gammal som forskare när jag läst något som en av mina kollegor hade skrivit på en av våra fysik-kurser, och han skrev essensen av att vara fysiker är att veta vilka approximationer som ska göras. Och så när vi försöker förstå något måste du reta ut vad som är de viktigaste sakerna som påverkar detta. Eftersom du inte kan hoppas kunna skapa en kopia av hela universum eftersom du skulle behöva hela universum för att göra det och du skulle inte vinna någonting genom att göra det. Så vad du behöver göra är att ta reda på vad som är de riktigt viktiga viktiga sakerna som du kanske kan skriva ner lite enkel matematik och arbeta med och skapa lite insikter.
Så det är den här typen av avskalad matematisk beskrivning av kärnan i saker som du sedan kan förkroppsliga en datorkod med. Så du kan lägga in systemet med enkla ekvationer eller kanske ganska komplexa ekvationer i ett datorprogram och du kan sedan ställa in programmet för att titta på samspelet mellan de olika faktorer som du har retat ut som viktiga. Så, till exempel, om du försökte förstå hur planeterna i solsystemet rör sig, skulle du behöva lägga in en matematisk beskrivning av gravitationen och sedan kan du sätta ditt solsystem igång och se hur saker rör sig. Och du behöver inte beskriva all autonom fysik som ger dig strukturen för varje enskild planet. För din modell av solsystemet kan du ha en ganska enkel beskrivning av gravitationen, och det skulle vara tillräckligt för det du försöker titta på.
ADAM RUTHERFORD: Så det är ett sätt att koppla in flera observationer och sedan göra förutsägelser om vad som kommer att hända baserat på vad vi redan har sett?
CAROLE HASWELL: Det är ett sätt att använda det du har observerat för att räkna ut vad du tycker är det viktigaste saker som styr beteendet. Och sedan ställa in något som inkapslar vad du tycker är viktigt, för att se om det faktiskt återger det du observerar.
ADAM RUTHERFORD: Dessa typer av modeller används inom alla vetenskapliga områden. Här är RSPB-bevarandevetenskapsmannen Paul Donald om hur simuleringar kan hjälpa honom att förstå fågelbeteende.
PAUL DONALD: För mig är en modell en formel som hjälper mig att förklara variation i något jag är intresserad av. Så låt mig ge dig ett exempel.Låt oss säga att jag är intresserad av en viss fågelart, låt oss säga till exempel skylarks, och jag går ut och samlar in data om antalet skylarks i, låt oss säga, hundra fält över södra England. Och vad jag säkert skulle hitta är att antalet skylark varierar mellan olika fält. Vissa fält har mycket få fåglar, kanske inga alls; andra fält kan ha många fåglar. Så jag är intresserad av att veta varför vissa fält har fler takmarkeringar än andra, och jag skulle använda en modell för att titta på det.
Så vad jag skulle göra medan jag var ute och samlade mina räkningar av skylarks, är jag skulle också mäta en hel massa andra saker som jag tror skulle kunna förklara variationen i skylark nummer. Så jag skulle samla in data om till exempel saker som vilken grödotyp som fanns i fältet, för det är helt möjligt att de gillar vissa grödtyper än andra. Jag skulle samla in data om fältets storlek. Jag kan samla in data om häckskyddet, antalet träd i närheten, alla sådana saker som möjligen kan förklara det.
Vad modellen skulle göra är att det skulle tillåta mig att identifiera vilka av dem som förutsäger skylark siffror och vilka som inte gör det. Så om vi ställer in det så här. Du förstår att vi har den här första kolumnen här. Det här är min kolumn med skylarkräkningar. För varje fält har jag räknat och sedan för varje fält har jag ett värde på fältets storlek. Jag har vad skörden var, vad skörden var föregående år, jordtyp, häckrad och så och så och så och så. Så vad jag vill göra nu är att jag vill lägga in detta i en modell, i programvaran och be det att identifiera vilken av dessa prediktorer eller förklarande variabler, som vi kallar dem, förklarar bäst variation i mina skylarknummer.
Så om vi bara klickar på den här knappen här som skickar den till programmet och ger den ett par sekunder att köra – där är den. Så modellen har körts och om jag öppnar modellen, okej, så vad den visar mig här är att du kan se här att den visar mig att fältstorlek har ett positivt inflytande på takmarkeringsnummer. Ju större fältstorlek, desto fler himmelmarker finns det. Och det visar mig också att det i själva verket finns en gröntyp där. Det visar mig att vårflingor här har mer skylark än vinterflingor här, och att den effekten kompletterar effekten av grödan. Och det finns även andra kolumner med all annan information. Så vad jag kan göra är att jag kan förfina den här modellen nu, och det kommer att ge mig en väldigt bra uppfattning om varför det är att antalet skylarks, det jag är intresserad av, varierar mellan olika fält.
Så den verkliga skickligheten, på ett sätt, med dessa saker ligger i tolkningen. Så vad den här modellen visar är att för de variabler som jag har lagt i den, förutspår vissa av dem markant skylarknummer och andra inte, men det kan inte förutsäga saker jag inte har lagt in. Vad händer om till exempel , det viktigaste att bestämma takmarkeringsnummer är ingen av de saker jag har mätt? Kanske är det något annat. Kanske är det väder eller fältets lutning eller marktyp eller något liknande. Något jag inte har mätt alls. Så modellen är i huvudsak fel eftersom jag inte har mätt det som är den viktigaste drivkraften för skylarkpopulationen. Det kan fortfarande vara så att de saker jag har mätt delvis bestämmer takmarkeringsantal, men den verkliga underliggande saken kanske jag inte har mätt alls. Så det finns en slags vanlig sak i ekologi som säger att alla modeller är felaktiga, men några av dem är användbara.
Det här är den enda metoden egentligen, om jag bara var intresserad av en sak, förhållandet mellan skylark nummer och fältstorlek, till exempel, jag kunde helt enkelt plotta ut dem och se, om när fältstorleken blir större, skylark antalet ökar. Men du kan bara göra det för en sak i taget. Jag kan inte titta på alla dessa olika variabler samtidigt, och det är vad modellen tillåter mig att göra. Och det är ett helt grundläggande verktyg i ekologi och bevarande är denna typ av sätt att analysera data.
Modellering misslyckas aldrig riktigt i den meningen. Om du vet vad den matematiska formeln gör är den på ett sätt ofelbar. Det misslyckas om du inte mäter rätt saker eller om du tolkar dem på fel sätt. Jag kan ge dig ett exempel. Låt oss säga vad min modell här på skärmen visar är att du får fler takmarkeringar i stora fält. Så jag kanske går bort och säger OK, svaret på detta problem med nedgången i skylarks är att vi måste göra alla våra fält större, men tänk om de bara väljer stora fält, inte för att de är stora utan för att de kan se rovdjur komma från en lång väg bort, till exempel. Så det är inte storleken på fältet som fåglarna svarar på? Det är hur bra de kan se rovdjur, och det är det viktiga som bestämmer siffrorna.
Så det kan mycket väl vara att du faktiskt skulle kunna göra mer för skylarks genom att kanske ta ner fältgränser, vilket gör att fälten verkar större för fåglarna.Så du måste vara mycket försiktig med hur du tolkar produktionen från dessa modeller.
ADAM RUTHERFORD: Paul Donald där. Så det här är viktigt: alla modeller har fel. De är simuleringar men vissa är mycket användbara. Tillbaka till översvämningarna i Cumbria, som hydrologen Nick Reynard har simulerat. Nick, hur hjälper modellering oss att förstå dessa extrema väderhändelser?
NICK REYNARD: OK, så helst skulle vi naturligtvis ha data överallt, så vi skulle förstå vad som händer i flodsystemet och med nederbörden hela tiden överallt. Vi kan inte ha det, det är inte praktiskt och det är för dyrt, så vi måste kunna fylla luckorna. Och vi använder modeller för att göra det. Så vi fyller luckorna i rymden och i tiden genom att ta reda på hur nederbörden rör sig genom landskapet i floderna och sedan i slutändan ut i haven, och modellerna är bara datorsimuleringar av hur vattnet rör sig så att vi faktiskt kan förstå höga och låga flöden förekommer var som helst över länet eller till och med över hela Europa eller över hela världen. Så det är vad vi använder modeller för, och det hjälper oss att förstå just nu hur hydrologin gör, hur flödena är, men det låter oss också använda dessa modeller för att förutsäga och förutsäga hur flödena kan se ut i framtiden.
ADAM RUTHERFORD: Nick Reynard från Center of Ecology and Hydrology.
