《Ecological Modelling》：From parameter uncertainty to process simulation: rethinking collision risk models
编辑推荐：
碰撞风险模型（Collision Risk Models，CRMs）是海上风电环境评估的核心工具，但其运行受到数据局限性和不确定的生态学假设的制约。尽管随机扩展方法纳入了参数不确定性，但其基本方法在结构上仍未改变，即将碰撞风险视为不确定输入的函数，而非潜在行为
碰撞风险模型（Collision Risk Models，CRMs）是海上风电环境评估的核心工具，但其运行受到数据局限性和不确定的生态学假设的制约。尽管随机扩展方法纳入了参数不确定性，但其基本方法在结构上仍未改变，即将碰撞风险视为不确定输入的函数，而非潜在行为和空间过程的结果。本文主张从参数估计转向模拟方法。基于主体的模型（Agent-based Models，ABMs）通过模拟鸟类的运动、行为响应及其与风机阵列的相互作用，为CRMs提供了必要的延伸。在这一框架中，碰撞风险从生成过程中涌现，而非通过诸如避让率等固定参数来施加。ABMs可与确定性CRM和随机CRM互补，支持情景测试，在数据稀缺条件下生成合成数据，并为碰撞风险提供机制性洞察。ABMs尚未被整合进监管性碰撞风险评估之中，但若将其纳入，将增强碰撞建模的生物学真实性，为海上风电审批决策提供更为稳健的基础。
**1. 引言（Introduction）**
碰撞风险模型（Collision Risk Models，CRMs）在海上风电环境影响评估（Environmental Impact Assessment，EIA）中被常规性地用于估算鸟类碰撞风险，这些模型为监管决策提供依据，包括可接受影响阈值和缓解措施的必要性判断。作者指出，当前碰撞风险被错误地界定为一个参数估计问题，而非潜在行为与空间过程的产物。这一区分至关重要，因为碰撞事件并非由参数生成，而是由个体之间、个体行为状态及其所处环境之间的交互作用所产生。将风险视为不确定输入的函数，掩盖了这些生成过程，限制了模型解释跨情境变异、表征适应性或支持基于情景推理的能力。在此意义上，当前CRMs体现了生态建模中一个更广泛的问题：不确定性在输入层面被处理，而潜在的因果结构仍隐而未显、未经审视。本文以碰撞风险建模为案例，论证从参数估计向过程模拟的转变。作者提出，基于主体的模型（Agent-based Models，ABMs）提供了一个互补框架，使风险从个体在空间明确环境中的交互中涌现。该方法不仅是对现有估计的精细化改进，而是通过将生成机制明确化并开放检验，重新框定建模问题本身。
**2. 碰撞风险模型（Collision Risk Models）**
陆上EIA工作中最常用的模型由Band开发（Band et al., 2007），后经更新用于海上风电（Band, 2012; Cook et al., 2025）。Band的海上CRM通过一组聚合参数（如密度、飞行高度、避让率）来表征碰撞风险，这些参数替代了产生飞行路径和交互的潜在行为过程。避让率和飞行高度数据来自先前的观测工作（Cook et al., 2014, 2018），此外还纳入了一系列其他变量。所有这些数据均来之不易且数量不足（Skov et al., 2018），而且数据收集方法多样，可能引入误差，降低了获得充分代表性风险描述的可能性（Feather et al., 2025）。Band模型采用参数的点估计值，这些参数为平均值，因此将概率分布缩减为单一数值。这种做法降低了风险判定的生物学合理性，且可能过于保守（Cook et al., 2025; Green et al., 2016）。为应对这一问题，随机CRM（stochastic CRMs）被开发出来（Masden, 2015; McGregor et al., 2018），其在已知概率分布上运行多次蒙特卡洛模拟（Monte Carlo simulations），得出碰撞风险的估计概率范围。尽管随机方法承认输入参数周围的不确定性，但其本质上仍是相同的CRM方法，面临同样的数据收集问题。通过将碰撞风险视为参数估计练习，定点估计CRM和随机CRM均假设了一个理想化的因果模型，却未对该模型进行任何明确的公式化表述或检验。当前模型追求优化策略，忽视了风险在变化条件下的动态涌现：蒙特卡洛抽样并非机制，参数分布并非动力学过程。碰撞风险应被视为一个生成性系统问题，聚焦于碰撞为何发生及如何发生。碰撞是鸟类行为、风电场空间属性以及天气等关键环境因素之间交互作用的结果。CRMs无法捕捉这种交互，意味着其缺乏足够的背景敏感性，也不能解释任何变异。
**3. 基于主体的模型（Agent Base Models）**
个体或基于主体的模型（Agent-based Model，ABM）是一种模拟工具，可创建环境并在其中填充个体主体。这些主体可被赋予目的及实现这些目的的能力。模拟将产生涌现属性（emergent properties），建模过程和数据收集有助于理解导致这些属性的关键交互。ABMs有助于建模主体之间以及主体与环境之间交互的动态空间。在ABM领域，通过采用概述、设计概念和细节（Overview, Design concepts and Details，ODD）协议，存在向共享良好建模实践的明确转向（Grimm et al., 2010, 2020）。Grimm等人（2010）指出，ODD通过层级化过程"促进严谨的模型构建"（p.2766），该过程始于模型目的的明确表述，继而细致关注因果假设和机制。该协议可实现ABM之间的直接比较。ABMs不仅仅是一种更精细的建模工具，更是表征生态系统的一种不同方式。它们通过清晰规定的过程生成结果，而非从变量间的假设关系中估算结果（Grimm and Railsback, 2006; McLane et al., 2011）。鉴于此，ABMs提供了理解碰撞风险涌现的途径，然而其在海上风电审批决策中似乎作用甚微。据作者所知，唯一已发表的与海上鸟类碰撞风险评估直接关联的ABM实例是Perrow及其同事的研究（Perrow et al., 2010）。然而，他们使用ABM模拟来估计暴露度和飞行活动，然后将这些参数输入常规CRM，随后用于审批决策（Cook and Masden, 2019）。就此而言，该工作仍嵌入在CRM框架内，而非将碰撞风险本身视为主体-环境交互的涌现属性。
Warwick-Evans及其同事使用ABM预测风电场对北方鲣鸟（Morus bassanus）体重、繁殖力和死亡率的影响（Warwick-Evans et al., 2018）。在该模型中，个体鸟类被表示为具有动态状态的主体，其行为随内部状态和环境背景而变化。死亡率和繁殖成功率等结果从这些交互中涌现，而非事先规定。该模型利用野外数据构建，并对数据收集区域进行了空间描述，同时纳入来自文献的关键生物学参数。研究运行了多次模拟，包括在觅食环境中引入风电场的模拟。该模型的最终结果表明，风电场似乎对体重、繁殖力和死亡率未造成显著差异。这一海上风电背景下的ABM实例虽未提供碰撞风险估计，但展示了如何将野外数据应用于模拟中，以实验性地检验海上风电的一种可能影响，以及这种方法如何对审批流程具有核心价值。通过将ABM建立在真实数据基础上，并根据已知现场结果对基线模拟进行合理性检验，建模者可转向操控和模拟以测试未来情景（Grimm and Railsback, 2006）。这表明当前为CRM收集的数据可用于ABM背景，这些数据应包括完整的概率分布，与最近的随机创新保持一致，并将有助于在不同变化情景（如种群密度、天气条件、一年中的时间等）下建模涌现性碰撞风险，从而解释碰撞风险如何生成。
Sandhu及其同事针对陆上风电场背景下的金雕（Aquila chrysaetos）开发了一个ABM（Sandhu et al., 2022）。遵循ODD协议，其模型旨在模拟与风机相关尺度的区域雕类运动，重点关注地形上升气流（orographic updrafts）——由风与局部地形相互作用产生——及其与飞行决策的交互。该项目的一个关键目标是检验该模型是否有助于风电场选址以减少碰撞风险。聚焦于低空飞行和季节性数据，Sandhu及其同事展示了与风机冲突的可能性。该模型具有若干优点，包括对雕类飞行路径决策行为的随机建模，以及公开可用的大气和地形数据的使用。然而，正如Sandhu等人所指出的，为提高模型精度，针对特定地点的局地风流模型将有助于改善预测飞行行为的分辨率。该模型还排除了某些飞行模式，这些模式会与其他变量（如觅食行为和风机避让行为）相互作用，这些要素均需额外的数据收集。因此，该模型尚未产出审批所需的正式碰撞风险估计，但如作者所言，这提供了一个可进一步构建的平台，并展示了至少在陆上风电环境中，实用的ABM工作正在进行。
值得关注的是Sandhu等人（2022）对模型的验证。验证是ODD协议的关键组成部分，该项目部署了大量雕类遥测数据以实现验证。这些数据需要投入大量精力捕获雕类并为其佩戴太阳能GPS定位器，并配备相应的技术基础设施以利用数据。遥测数据使真实雕类轨迹与模拟轨迹之间的比较成为可能。尽管该模型总体上优于其他方法，但作者注意到其性能随海拔升高而下降。正如他们所评论的，这可能是因为在更高海拔处条件与地形解耦，而该项目聚焦于地形上升气流。与通常通过参数不确定性和敏感性分析进行评估的CRMs相比，验证应被视为ABMs面临的新挑战。ABMs需要在多个层面进行评估，包括个体行为、运动模式和涌现系统结果（Grimm et al., 2010, 2020）。如Sandhu等人（2022）所示，这增加了实证需求，因为不仅需要观察来估计参数，还需要评估模拟主体是否再现已知的行为和生态模式。这或许可被视为通过明确表征行为过程来追求更高生物学真实性所需付出的代价。然而，与仅关注参数估计周围不确定性的方法相比，此类验证可为因果假设提供更强的检验。
ABM方法的关键在于引入更明确的行为数据，这需要不同于传统CRM开发的野外工作。Linder及其同事构建了陆上风电场碰撞风险行为组分的统计模型（Linder et al., 2022），研究了头部位置、主动飞行、轨迹曲折度和轨迹对称性等飞行数据如何在关键天气变量背景下影响碰撞风险。其分析使用了通过人工智能辅助摄像系统收集和分类的野外数据。主要发现是低曲折度与较高碰撞风险相关，主动飞行亦如此。尽管在海上风电环境中部署摄像机存在挑战，但并非不可能（Skov et al., 2025），这将有助于生成关于特定条件下飞行行为时间占比的数据，从而进一步优化随机CRM的ABM呈现。同样，相比CRM方法，这是ABM开发的一项新增成本，逐步推进的模型开发——结合专家知识、针对性行为研究和新传感器技术——可能在ABMs能够常规应用于所有审批背景之前是必要的。
**4. CRMs的未来（A Future for CRMs）**
如前所述，CRMs并未阐明其所基于的因果假设，而是通过有限的行为和空间参数将因果关系理想化。然而，不应因噎废食，本文提出的ABM方法可用于检验现有CRMs，即在模拟环境中运行其数据，从而使相关利益方能够发展出对背景敏感的因果理解。这还带来了额外益处：历史CRMs可被重新利用，跨CRM的数据汇集可创建日益敏感的模型用于模拟和情景测试。通过这种方式，可充分利用现有数据并实现数据收集后的标准化——这亦是良好建模实践的另一要素（Jakeman et al., 2024）。此外，随着ABM开发的持续推进，将能够更好地理解哪些变量在任何风险评估中最为关键，并聚焦于收集这些数据，这应带来效率收益。实质上，这意味着可将未来的CRM实践嵌入或植根于ABMs之中。从管理角度来看，ABMs应被视为互补性的。常规CRMs因其透明性、计算效率以及目前已被纳入既定审批流程而具有吸引力。基于主体的方法不太可能立即取代这些工具，但可通过识别碰撞风险对行为响应、环境条件或风电场配置特别敏感的情境，提供额外的决策支持。这为情景测试创造了关键机会，包括在开发前评估替代风机布局方案。通过这种方式，ABMs既可改进影响评估和缓解规划，又允许常规CRMs继续履行其监管职能。在此框架内，ABMs可继续发展并影响监管实践。通过遵循ODD协议及更广泛的良好建模实践，建模者群体可在增进对碰撞风险及其降低途径的理解方面取得重大进展。
**5. 结论（Conclusion）**
本文聚焦于海上风电环境中基于参数估计的鸟类碰撞风险模型。这些模型一直是大量研究和开发的重点，致力于确定相关参数（Cook et al., 2025），而更广泛的研究领域正开始超越这一方法。例如，基于性状的模型已被提出用于蝙蝠碰撞风险（Crane et al., 2025）。Crane及其同事专门使用翼形态作为定性风险框架内碰撞风险的预测因子，但得出结论认为包括行为在内的其他性状将提高建模精度。这虽令人期待，但并未聚焦于生成碰撞的过程。基于主体的模型在风电行业中是一种尚未得到充分利用的工具，它们可在经验数据有限或缺乏的条件下实现情景测试、敏感性分析以及风险的机制性解释。参数不确定性与过程不确定性之间的区分并非碰撞风险建模所独有。在生态学中，只要结果从聚合参数或经验相关性中推断，而非从明确表征的机制中生成，类似的挑战就会出现。这在物种分布建模等领域已有广泛讨论，其中基于过程的方法已被提议通过纳入生理学、种群统计学、扩散和物种相互作用来补充相关性模型（Evans et al., 2016; Peterson et al., 2015）。基于主体及其他基于过程的建模方法的价值在于透明的因果假设，以及探索涌现结果和在新条件下检验生态学假设的能力。实现这些益处将需要在传统CRM开发之外的实证投入。基于过程的模型必须使用行为、运动和交互数据进行信息充实和验证，这些数据不仅能够评估参数值，还能评估模拟主体是否再现了观察到的生态模式。即使ABMs主要用于检验或情境化常规CRMs，这些额外的数据需求仍然是核心，因为它们提供了表征和评估碰撞风险从中涌现的行为过程所需的证据。因此，本文提出的论点应被理解为生态建模向机制明确表征及支撑这些表征所需实证项目这一更广泛转变的一部分。本文的强烈建议是，海上风电行业及其监管机构，连同学术合作伙伴，应加入这一转变方向，并投资于ABM方法的发展以及收集使这些方法成为当前CRM实践有效补充所需的行为和生态数据。
