《Smart Agricultural Technology》：Monte Carlo Uncertainty Quantification of Emergy-Based Sustainability Indices for Greenhouse Agricultural Systems: A Multi-Criteria Reliability Framework
编辑推荐：
基于能值（Emergy）合成的温室农业系统（greenhouse agricultural systems）可持续性评估承载着由单位能值（unit emergy values, UEVs）、资源流估算和建模假设引起的显著参数不确定性。本研究提出了一个基于真实输
基于能值（Emergy）合成的温室农业系统（greenhouse agricultural systems）可持续性评估承载着由单位能值（unit emergy values, UEVs）、资源流估算和建模假设引起的显著参数不确定性。本研究提出了一个基于真实输入级蒙特卡洛传播（Monte Carlo propagation）的园艺不确定性量化框架。该框架并非扰动模型输出，而是从对数正态先验中采样14个原始资源流、14个UEVs和能量产出——共29个不确定量——然后对每次抽取重新计算方程(1)–(6)。验证涵盖60个温室案例，涉及四种作物（番茄、黄瓜、辣椒、草莓）跨越三个季节和五种技术原型（从低技术隧道到工业系统），每个案例进行10,000次蒙特卡洛抽样。通过Saltelli设计的Sobol分解（约127,000次模型评估）识别主导输入驱动因素；总方差法则将案例内偶然性（aleatoric）与案例间认知性（epistemic）贡献分离。得出三个主要发现。首先，劳动力UEV是每个指标的主导一阶驱动因素（一阶Sobol指数0.32–1.00，且六个指标中有五个≥0.49），将其确定为限制数据质量的关键约束；对于能值产出比（emergy yield ratio），地下水UEV与之相当（S? = 0.26）。其次，环境可持续性指数（Environmental Sustainability Index）被证明是最可靠的复合指标（R2 = 0.84，PICP = 100%，复合可靠性80.5/100），而能值产出比在现实输入不确定性下仍难以识别（R2 = 0.07，PICP = 50%）。第三，指标间的Spearman相关性较大且非零（|ρ| = 0.53–1.00），反映了共享R、N和F能值流引入的数学耦合；恒等式EYR = 1/EIR + 1在样本间得以保持。在截断正态、对称三角和±50%均匀CV缩放下确认了鲁棒性。
**论文解读：基于输入级蒙特卡洛传播的温室农业系统能值可持续性指数不确定性量化框架**
**研究背景、问题与意义**
温室农业系统在全球粮食安全中扮演关键角色，尤其在干旱和半干旱地区，露天耕作受限于水资源、温度和土壤侵蚀。能值分析（Emergy analysis）作为一种基于热力学的可持续性定量方法，将各类资源输入转化为共同的太阳能焦耳（sej）单位，并衍生出转换率（Tr）、可再生百分比（%R）、能值产出比（EYR）、环境负荷比（ELR）、能值可持续性指数（ESI）和能值投资比（EIR）等六项可持续性指标。然而，现有能值评估大多采用点估计，忽略了单位能值（UEVs）、资源流估算和模型假设带来的参数不确定性，这可能导致比较不同系统时产生误导性政策建议。尽管蒙特卡洛模拟（MCS）在环境评估中广泛应用，但针对温室系统的能值指数的不确定性量化研究仍十分匮乏。现有研究多采用输出级扰动，无法识别哪些输入驱动了指标不确定性，也未进行方差分解来区分偶然性与认知性成分。为此，本研究提出一个基于输入级蒙特卡洛传播的不确定性量化框架，旨在：(i) 量化各能值可持续性指标的不确定性；(ii) 通过Sobol指数识别关键输入参数；(iii) 基于60个锡斯坦（Sistan）温室案例验证框架的预测可靠性和指标间依赖结构。论文发表在《Smart Agricultural Technology》。
**主要技术方法**
研究人员采用输入级蒙特卡洛传播（IPCC Tier 2方法），从对数正态先验中采样29个不确定量（14个原始资源流、14个UEVs和能量产出），并重新计算式(1)–(6)以获得每个指标的后验分布。使用Saltelli设计的Sobol全局敏感性分析（约127,000次模型评估）计算一阶和总阶指数，识别主导驱动因素。通过总方差法则将预测方差分解为案例内偶然性（aleatoric）和案例间认知性（epistemic）成分。验证集包含60个温室案例（四种作物×三个季节×五种技术原型），来自伊朗锡斯坦地区，采用留一法交叉验证（LOO-CV）和bootstrap 95%置信区间评估预测性能。此外，使用复合可靠性评分（CRS）综合信号-噪声比、预测区间覆盖率和变异系数稳定性。
**研究结果**
* **描述性统计与不确定性分布**：输入级传播产生了均匀重尾分布，转换率（Tr）、环境负荷比（ELR）和能值投资比（EIR）呈典型对数正态分布（偏度5.8–8.1，峰度82–264），而可再生百分比（%R）、EYR和ESI呈正偏态。变异系数（CV）跨度从7.34%（EYR）到176.6%（ELR）。95%可信区间跨度超过两个数量级，表明无不确定性区间的点估计不可靠。
* **预测性能指标**：ESI、%R和ELR达到R2≥0.84且预测区间覆盖率（PICP）为100%；EIR中等（R2=0.62，PICP=100%）；Tr中等精度（R2=0.45）；EYR识别性差（R2=0.07，PICP=50%），表明其案例间信号窄于传播的不确定性。
* **Sobol全局敏感性分析**：劳动力UEV是所有六个指标的主导一阶驱动因素（一阶Sobol指数S?=0.32–1.00，六个指标中五个≥0.49），是数据质量的关键约束；对于EYR，地下水UEV与之相当（S?=0.26）。其余24个输入参数影响可忽略（S?<0.05）。
* **方差分解：偶然性vs.认知性**：Tr、EYR和EIR中偶然性方差占比≥87%；%R和ESI中认知性方差占比超过一半（55.8%和52.3%）；ELR介于两者之间（65.9%偶然性）。这一异质性表明，改进现场数据可显著收窄%R和ESI的可信区间。
* **收敛性与相关性**：所有指标在约2,000–5,000次抽样内收敛至最终均值1%以内。Spearman秩相关矩阵揭示非零耦合（|ρ|=0.53–1.00），包括完美秩对（%R与ELR，ρ=?1.00；EYR与EIR，ρ=?1.00），反映了恒等式EYR=1/EIR+1的样本级保持。
* **多准则可靠性分类**：基于复合可靠性评分，ESI、%R和ELR被评为“优秀”（CRS 80.5–82.0），EIR为“良好”（65.7），Tr为“一般”（41.0），EYR为“差”（24.1）。该排序直接指导干旱区温室审计的指标选择。
**讨论与结论**
讨论部分指出，修订后的指标可靠性排序（ESI≈%R≈ELR>EIR>Tr>EYR）与先前输出级扰动版本有本质不同。劳动力UEV作为关键数据质量约束，其改进（通过区域特定校准）将带来最大精度增益。方差分解为Tr、EYR和EIR的不可约不确定性提供了明确解释，而%R和ESI的认知性成分表明现场数据收集可显著改善。研究结论总结了五点：(1) 劳动力UEV是所有指标的主导一阶驱动因素；(2) ESI是最可靠的复合指标，而EYR在现实输入不确定性下不可靠；(3) %R和ESI的精度最可能通过更好的现场数据改善；(4) 指标间Spearman相关性大且非零，反映数学耦合；(5) 框架代码和结果已公开存档。研究局限性包括UEV的CV来自出版荟萃分析而非区域特定，验证集为受控设计而非概率样本。未来工作应扩展至运行温室现场调查、应用贝叶斯更新整合专家判断，并开发开源工具箱。
