模型结构敏感性如何影响预测结果与环境管理决策能力——以墨累-达令流域生态模型为例

《Ecological Indicators》：Structural model sensitivity alters predictions and affects management decision-making ability

本研究针对生态模型结构不确定性对管理决策的影响问题，以澳大利亚墨累-达令流域环境水流需求(EWR)模型为研究对象，系统分析了关系函数形状、聚合方法等结构选择对预测结果的敏感性。研究发现不同模型结构可导致生态状况评估结果出现巨大差异(24%-90%)，常见默认选择(如线性关系)并非保守估计，可能夸大风险。研究强调必须明确测试和报告结构不确定性，为基于科学的稳健环境管理提供重要依据。

　　

在全球变化加剧的背景下，人类活动以前所未有的速度改变着生态系统、生物多样性和人类福祉。大多数生态系统已受到人类影响，而景观变化、生态系统服务丧失、标志性物种消失和作物歉收等问题可能影响所有人。缓解这些影响需要做出许多复杂且存在争议的决策，而这些决策往往基于不完整的知识。作为一项"超级棘手"的问题，这一挑战的特点在于时间紧迫且缺乏强有力的中央权威来实施解决方案。因此，预测可能替代方案的生态后果对于支持环境管理决策变得越来越重要。

环境管理应基于最佳可用科学，并考虑多个社会目标。然而，生态系统复杂多变，仅凭数据难以确定管理行动的结果。这部分是因为物种和环境在空间和时间尺度上相互作用。此外，我们对全球变化下生态脆弱性的理解可能很薄弱。因此，生态模型变得越来越重要，因为它们可以探索替代管理和未来条件的后果。然而，建模生态系统是困难的，特别是在平衡代表众多组件的愿望与有限可用数据之间时。使用指标是应对这种复杂性的常用解决方案，但指标如何预测期望结果方面并非免疫于结构不确定性。证明模型符合其预期目的是一个关键挑战，导致人们对其价值产生广泛矛盾的态度——要么将其视为解决方案，要么视为可能被滥用以产生任何结果的危险工具。这两种观点都无济于事，建议保持健康的怀疑态度。

对用于管理的生态模型进行 skeptical（审慎）考虑和测试的一个原因是，如果这些模型质量差，就会产生现实世界的影响。从根本上说，生态模型预测不同结果的可能性，通常是相对于其他可能性而言，与绝对和相对结果中的错误相关的风险。此外，模型越来越多地被没有定量背景的个人使用，他们无法判断预测的质量或适当性。不适当的应用或模型规范可能导致错误的决策，并对环境和社会造成昂贵、有害且不可逆转的影响。环境管理在最佳状态下可以拯救物种并减轻生态退化，但相反，管理出错可能会加剧损害或导致资源分配不当。因此，风险及其管理是模型使用的关键组成部分。事实上，一些作者认为，风险偏好从根本上塑造了模型的构建和使用方式，甚至关系形状（例如，线性与非线性）也源于风险偏好。

权衡在有利结果和出错风险之间很常见。一些方法认识到这一点，并推荐保守的方法，但其他方法并未明确识别模型开发和应用程序中的选择与相关风险偏好之间的联系。因此，"风险中性"（无论相关不确定性如何，都偏好最佳建模结果）或"风险偏好"（由于可能获得高结果，即使罕见，也偏好高不确定性）方法可能默认出现，而不是考虑适当的风险水平。很容易忽视模型的局限性、不确定性、遗漏和主观性。因此，需要批判性评估模型的充分性和不确定性，以进行明智的决策。

模型通常被构建为系统的合理简化。这种简化必然会给预测带来不确定性和误差。不确定性主要有三个来源：1）结构不确定性（系统如何表示），2）参数不确定性（组件之间的关系如何指定），以及3）观测不确定性（输入数据的准确性和完整性如何）。结构不确定性（或"概念不确定性")很少被评估，这给预测带来了错误的精确感。

结构不确定性涉及系统如何表示，包括：选择的模型组件、识别的组件之间的关系以及描述这些关系的函数形状。系统表示通常基于（经常未声明的）关于系统功能的假设。例如，简单的回归和相关分析假设线性关系，并且与这种选择相关的不确定性很少被捕获。理想情况下，我们拥有关于哪种建模方法"最佳"的经验知识，或者对底层过程有很好的理解。然而，在实践中，这很罕见，并且预测可能显示出对模型结构的非常小的变化具有"惊人"的反直觉敏感性。以前，生态学家假设错误指定需要很大才重要，但微小的差异会极大地影响模型预测。因此，需要明确考虑模型假设和不确定性的影响，以评估预测对环境管理的价值。

评估模型准确性极具挑战性，但可以识别最不确定或对最终预测影响最大的结构元素。正式的不确定性或敏感性分析往往侧重于模型参数和数据，但未能充分考虑不同的底层系统结构——通常由概念模型表示。因此，传统的敏感性分析可能存在偏差，低估不确定性，或无法识别最不确定的模型元素。

最佳实践生态建模规定了明确陈述主要系统简化，以及相关的局限性、敏感性和不确定性。在结构不确定性很大的情况下，建议使用像集成模型（对不同结构和哲学的多