运用自组织映射框架在不确定的未来条件下探讨管理方案的选择
《Environmental Modelling & Software》:Negotiating Management Alternatives under Uncertain Future Conditions using a Self-Organizing Map Framework
【字体:
大
中
小
】
时间:2026年07月28日
来源:Environmental Modelling & Software 5.2
编辑推荐:
摘要:评估不同环境管理方案的性能,需要在各种可能的未来状况下平衡各利益相关方的目标。本文提出了MAPS框架,这是一种基于自组织映射的可视化决策支持方法,能够同时实现数据聚类和降维,帮助利益相关方在高度不确定的情况下比较不同管理方案。MAPS将大量可能的未来状况聚类为可在二维地图上
摘要:评估不同环境管理方案的性能,需要在各种可能的未来状况下平衡各利益相关方的目标。本文提出了MAPS框架,这是一种基于自组织映射的可视化决策支持方法,能够同时实现数据聚类和降维,帮助利益相关方在高度不确定的情况下比较不同管理方案。MAPS将大量可能的未来状况聚类为可在二维地图上呈现的可解释群体,再将各管理方案的性能叠加在这些地图上。这样,利益相关方就能了解在不同状况下性能的变化情况,明确哪些目标能够实现,哪些无法实现,以及在不同系统状况下各种客观权衡是如何变化的。该框架以科罗拉多河流域为案例进行了演示,说明了MAPS如何识别上游与下游流域利益相关方之间的潜在冲突点,并有助于找到折中方案。
引言:在面对冲突并作出环境管理决策时,利益相关方之间开展充分的讨论至关重要(Kalra等人,2014;Lempert等人,2003;美国国家研究委员会,2009;Pigmans等人,2019)。不同的管理方案——比如不同的基础设施投资路径(Allison等人,2024;Taner等人,2017)或运营政策选择(Giuliani等人,2018;Veena等人,2021)——会以不同方式影响系统性能,从而导致那些对性能有不同要求的利益相关方之间产生矛盾。与此同时,管理方案的性能还取决于未来水文气候、社会经济以及制度条件,而这些条件本身就具有不确定性(Caretta等人,2022;Kundzewicz等人,2018;Stanton和Roelich,2021;Walker等人,2013)。这些因素共同使得合理的决策讨论变得更加复杂:虽然需要根据多种优先级,也就是相互竞争的目标来评估各种方案,但它们的实际性能又取决于无法预知的未来状况。为助力合理决策,人们通常会通过探索性建模,在多种可能的未来状况下对管理方案进行评估(Bankes,1993;Lempert等人,2003)。首先,人们会生成许多代表不确定系统因素(如供水或用水需求)的不同情况,以此来模拟各种可能的未来状况,从而形成所谓的“未来状况集合”。随后,通过仿真模型在每种未来状况下评估每种方案,最终得到一个规模为M×N×P的数据集:M代表不同方案,N代表未来状况数量,P则代表反映利益相关方优先级的目标数量。为了全面涵盖各种不确定性及相互冲突的目标,每种方案对应的N×P结果空间往往具有很高的维度,这就给理解和解读行动与结果之间的关系带来了困难(Bonham等人,2024a;Hadjimichael等人,2024b;Shavazipour等人,2021)。尽管已有研究提出了多种用于场景选择的有趣方法(Carlsen等人,2016b;Tietje,2005),但Elsawah等人(2020)指出,多维度不确定性分析仍是社会环境系统建模领域长期面临的重大挑战。根据近期针对这一问题的决策支持方法分类研究(Bonham等人,2025;Herman等人,2015;Moallemi等人,2020),我们简要介绍了稳健性与脆弱性分析,并阐述了本文研究的背景。在稳健性分析中,会将每种方案在所有未来状况集合下的性能汇总为一些总结性指标(Lempert等人,2003;McPhail等人,2018),这些指标值便成为评估方案性能排序的依据(Bonham等人,2024a)。由于存在多种类型的稳健性指标,分析时就需要考虑更多的因素,而且往往难以确定该使用哪种指标来进行排序。可以根据利益相关方的风险偏好以及与决策情境最相关的性能方面来筛选指标(McPhail等人,2021),或者将各类指标置于一个能够支持跨指标类型和目标进行比较的可视化框架中加以展示(Bonham等人,2024b)。此外,不同类型的稳健性指标在是否使用全部未来状况集合或其子集方面也存在差异(McPhail等人,2018)。例如,“满意化”就是一种稳健性指标,它通过计算满足某项性能目标的未来状况比例(比如保持目标A低于X值)来确定方案性能,因此会考虑全部的future状况集合。但由于它采用二元判断方式(成功或失败),所以无法体现未达成性能目标的严重程度,也无法表明是哪些具体的未来状况导致了失败。相比之下,“极小极大”和“极大极小”指标则分别用于分析在最差和最佳未来状况下的方案性能,这类指标只关注极端情况,而忽略了其他未来状况。总体而言,虽然这些指标能对整个未来状况集合进行有效总结,但却无法展现不同未来状况下方案性能的细微差异(Bonham等人,2024c;Hadjimichael等人,2024a)。脆弱性分析则旨在识别未来状况集合中那些可能引发与决策相关的结果的特定子集(Bonham等人,2025;Lempert,2013)。早期的一种脆弱性分析方法采用了“患者规则归纳法”(PRIM)(Friedman和Fisher,1999),通过类似满意化方法中的二元分类方式,即判断某个未来状况是否满足目标A低于X值,来简洁地总结出可能导致性能故障的不确定因素数值(Bryant和Lempert,2010)。Guivarch等人(2016)通过迭代应用PRIM改进了这一二元分类过程,相比使用单一分类器,这种方法能更全面地探索不确定性空间。正如Bonham等人(2025)所总结的,近期的研究已经超越了二元分类,开始发展多类别(Jafino和Kwakkel,2021)以及连续型(Quinn等人,2020)的脆弱性分析方法。决策尺度分析法(Brown等人,2011)也致力于可视化完整的不确定性空间,不过这类可视化通常仅限于两个不确定因素。因此,有必要通过改进的可视化方法来补充脆弱性分析(Hadjimichael等人,2024b;Shavazipour等人,2021),同时也需要开发那些无需将各种状况严格划分为不同类别的分析方法。当存在意见不合的多个利益相关方时,又会进一步增加稳健性和脆弱性分析的复杂性。例如,不同的风险偏好可能会导致不同利益相关方倾向于使用不同类型的稳健性指标(McPhail等人,2021),进而使得方案排序结果也有所不同。在多个水务机构开展区域协调的过程中,各参与方可能会面临不同的压力因素,这也会增加找到折中解决方案的难度(Gold等人,2019)。此外,当各利益相关方的目标无法直接比较——也就是说,这些目标的衡量单位不同或内涵不具备可比性时——就很难将他们的多个目标整合为统一的综合指标(Dowling等人,2016)(Bankes,2002;Keeney和Raiffa,1993)。总而言之,正是这些挑战促使人们寻求更完善的决策讨论方法,其目的就是帮助利益相关方了解不同方案在满足自身目标以及其他各方目标方面的表现如何。无监督学习中的两种工具可以为构建先进的决策框架提供帮助,那就是数据聚类和降维。聚类技术已被用于将具有相似特征的未来状况集合归类在一起(比如在水文、社会经济或制度条件方面具有相似性的状况)(Brauers和Weber,1988;Gerst等人,2013;Steinmann等人,2020),从而得到与决策者过去所经历的状况相关的未来状况子集(Hadjimichael等人,2024a)。我们的框架则是根据各种未来状况的潜在特征而非实际性能结果来进行分类,从而形成固定的未来状况子集,便于在不确定性空间的相对稳定区域内比较不同方案。不过,仅靠聚类技术是无法解决不确定性空间维度过高的问题的。因此,降维技术(Sorzano等人,2014)就能发挥作用,它在保留各未来状况之间关键关联的同时,降低其维度,从而得到简化后的表示形式。例如,Groves等人(2019)提出了结合维度堆叠的情景发现方法,该方法将不确定性维度分解为“情景单元”,以此实现对不确定性空间的简化表示。如果将聚类技术和降维技术结合起来使用,就能够直观地展现不同未来状况集群之间的相似之处和差异,帮助利益相关方理解随着系统状况在各种未来状况集合中的变化,方案性能会发生怎样的变化。自组织映射是一种能够同时实现数据聚类和降维的无监督学习方法。它能在高维空间中识别出不同的数据集群,然后把这些集群投影到二维“地图”上(Kohonen,1990)。在水文学领域,自组织映射已被广泛用于整理和可视化历史上的系统状况(do Nascimento等人,2022;Farsadnia等人,2014;Ferentinou等人,2011;Hsu和Li,2010;Ley等人,2011;Nguyen等人,2015;Wang等人,2013)。自组织映射特别适用于决策分析,因为它生成的地图提供了一种可视化的参考结构,人们可以在其上叠加其他数据层,从而深入洞察其中的规律。在这方面,自组织映射已被用于对历史上的水库入库水量及其他状态变量进行聚类,同时还将运营决策信息叠加在地图上,以此展示运营措施与实际状况之间的关系(Rodríguez-Alarcón和Lozano,2017),还可用于可视化多目标优化结果(Bonham等人,2022;Mousavi Janbehsarayi等人,2024;Nagar等人,2023)。除了用于查看优化结果之外,MORDM之后的框架还会叠加稳健性指标,以便展示决策空间中稳健性的变化情况(Bonham等人,2022;Mousavi Janbehsarayi等人,2024)。这项研究的出发点在于构建自组织映射时所使用的变量,以及它在决策分析中所承担的功能。所提出的MAPS框架利用自组织映射对未来状况集合进行聚类和可视化处理,从而生成一张未来状况地图,再将各方案的性能信息叠加在这张地图上。这样一来,就可以既查看在特定系统状况下(即各个集群内部)的方案性能,也能了解在所有可能状况下的整体性能表现。有了这张固定的未来状况地图,利益相关方就可以将自己的关注目标叠加在地图上,同时也能轻松理解其他人的可视化结果,从而促进彼此间的共识形成以及更为明智的决策讨论。此外,MAPS框架还融合了稳健性和脆弱性分析的要素,有助于人们从整体上、共同地理解不同方案的性能表现。本文的其余部分结构如下:第二节介绍MAPS方法论;第三节通过科罗拉多河流域的一个水库运营决策案例,展示MAPS的应用效果;第四节探讨该案例带来的启示;第五节则总结全文并指出未来研究的方向。美国水利局,2007年。数据可用性声明:本研究中使用的数据和代码可在https://github.com/madrpernat/MAPS-Framework获取。利益冲突声明:? 作者声明存在以下可能被视为潜在利益冲突的财务利益/个人关系:Joseph Kasprzyk表示获得了美国水利局的财政支持;Edith Zagona表示获得了美国水利局的财政支持;Madeline Pernat表示获得了美国水利局的财政支持以及美国国家科学基金会的财政支持。致谢:作者感谢美国水利局在R22AC00593项目“科罗拉多河流域的适应性规划研究”中的支持,以及美国国家科学基金会研究生研究奖学金计划在2040434号项目中的支持。我们也很感激两位匿名审稿人的意见,这些意见极大地提升了我们手稿的质量。Madeline R. Pernat|Joseph R. Kasprzyk|Edith A. Zagona,美国科罗拉多大学博尔德分校土木、环境与建筑工程系,地址:美国科罗拉多州博尔德市工程大道1111号,邮编80309。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号