首页 理论教育如何选择生态数据分析与建模中的模型?

如何选择生态数据分析与建模中的模型?

【摘要】:表24-1模型类型及选择标准模型的复杂性和结构的选择,首先要弄清模型的复杂性就是一个平衡问题。一方面,模型必须包括问题基本的状态变量和过程,另一方面,不要使模型复杂令数据难以支撑。如果有一定量的数据,增加新的状态变量或参数,超过一定的模型复杂性,并不能增加我们模拟生态系统的能力,只会增加未考虑到的不确定性。由模型获得的知识与模型复杂性之间的关系可由数据质和量的两个水平来表示。

选取合适类型的模型常常比增加模型复杂程度更重要。例如,当结构动态变化确实发生时,增加复杂程度是解决不了这个问题的。相同地,如果个体特征的变化对于描述生态系统的反应很重要时,只有基于个体的模型(IBM)才能够给出满意答案。

表24-1总结了不同类型的模型特征,同时给出了选取模型类型的指导。

表24-1 模型类型及选择标准

模型的复杂性和结构的选择,首先要弄清模型的复杂性就是一个平衡问题。一方面,模型必须包括问题基本的状态变量和过程,另一方面,不要使模型复杂令数据难以支撑。对过程、状态变量以及数据的认识将决定模型的复杂性。如果我们的知识很贫乏,模型将不能给我们提供很多细节信息,并且具有相对较高的不确定性。如果我们对想要建模的问题具有深刻的认识,我们就能够建立一个更加详细的模型,并且具有相对较低的不确定性。(www.chuimin.cn)

许多研究者主张,在认识没有到达一定的水平之前是不能建立模型的,并且认为在数据贫乏的情况下,试图建立模型是一个错误。这种观点是不对的,因为模型总是能够帮助研究者综合当前的知识,并使系统清楚地呈现出来。研究者须认识到模型的不足之处和不确定性,并且不要以为模型是对现实世界所有细节的全面描述。只有认识到模型的不完整性,研究者手里的模型才是一个富有成效的检验假设的工具。

在一定范围,通过更多连接,模型可能更真实。超过这一范围之后,再加入新的参数不利于继续提高模拟水平;相反,参数越多,稳定性越差,因为可能缺少关于流的信息,而流是用参数来定量的。如果有一定量的数据,增加新的状态变量或参数,超过一定的模型复杂性,并不能增加我们模拟生态系统的能力,只会增加未考虑到的不确定性。

由模型获得的知识与模型复杂性之间的关系可由数据质和量的两个水平来表示。应该怎样选择模型的复杂性和结构来保证我们获得的知识是最优的,或怎样能最好地回答模型提出的问题。