生态系统过程模型是模拟和分析生态系统关键过程,研究生态系统与气候之间相互作用的重要手段(Cao& Woodward, 1998; Bonan, 2008),但由于过程模型的复杂性,及模型参数和输入数据的误差,导致模型模拟不可避免存在一定不确定性(Luo.等, 2009; Lin 等, 2011)。为了提高生态系统过程模型的准确性,减少模型的误差,我们需要对其进行不确定性分析来提高准确率。在计算过程中引入不确定性分析方法并不一定能降低所要研究问题内在的不确定性,但是它能够确定风险水平并提供更好的决策支持。
1.OAT 敏感性分析方法
模型模拟值对单个参数的敏感性用敏感度系数(变化百分率的比)表示(White 等, 2000;Churkina, 2003)通过计算模型的某个参数或初始状态变量增加和减少 10% %u65F6模型模拟值的变化百分率,从而计算对应的敏感度系数,选择二者的较大值代表模型模拟值对该参数的敏感性。公式如以下所示:
式中,VR 10%为参数 P 增加 10%时模拟值变化的百分率;VR -10%为参数 P 减小 10%时模拟值变化的百分率;VR 10%为参数 P 变化 10%时模拟值变化的百分率,β 为模型模拟值对参数P 的敏感度系数。Run ref为参数 P 不变时对应的模拟值,run 10%为参数 P 增加 10%时对应的模拟值,run -10%为参数 P 减少 10%时对应的模拟值。
2.Morris 算法
Morris 敏感性分析方法(Morris, 1991)能够在全局范围内研究模型输出对模型参数的敏感性。该方法设计基于“基本作用(Elementary Effect, EE)”采样设计非常巧妙,计算便捷,费时少。“基本作用”的概念类似于 OAT 敏感性分析中的敏感度系数,为参数变化引起的模型输出变化与相应参数变化的比值,可以通过较小的计算代价得到参数全局敏感性及参数相关性和非线性的定性描述,用于定性参数筛选。
Morris 算法的流程如图 1,假设模型形式为 y=f(x1,x2,.., xk),其中 y 为模型输出,k 为参数个数,xi为第 i 个参数将参数取值范围(xi,min, xi,max)进行离散化,使得每个参数只能从(xi,min, xi,min 1/(p-1)*(xi,max-xi,min), xi,min 2/(p-1) *( xi,max-xi,min),..xi,max)这 p 个值中进行取值,其中 p 为参数的水平数,这样所有 k 个参数的取值就限定在 p*k 的网格集合中开始采样,随机选择第一个样本点,然后对第一个样本点的任意一个参数做扰动(扰动必须是 1/(p-1)的整数倍),从而得到第二个样本点,之后再对第二个样本点的随意一个参数做扰动,得到第三个样本点;以此类推,得到第一组 k 1 个样本点,由此求出每个参数的基本作用。上述取样过程重复 r 次,其中 r 为预先设定的整数,这样样本点就可以代表整个样本空间。由 r 组 k 1 个样本点,每个参数都可以得到 r 个“基本作用”,每个参数的敏感性用r 个“基本作用”的均值和标准差来衡量。
图 1 Morris 算法基本流程
参考及引用:
[1]Shen, X., Xue, Z., Jiang, M. et al. Spatiotemporal Change of Vegetation Coverage and itsRelationship with Climate Change in Freshwater Marshes of Northeast China. Wetlands 39, 429–439 (2019). https://doi.org/10.1007/s13157-018-1072-z
[2]Morris MD (1991) Factorial sampling plans for preliminary computational experiments. Technometrics 33, 161–174. doi:10.1080/00401706.1991. 10484804
[3]张黎,任小丽,生态数据融合与同化课程