[論文レビュー] Multi-model ensembles for ecosystem prediction

Michael A. Spence, Julia L. Blanchard+8 more|arXiv (Cornell University)|Sep 15, 2017

Marine and fisheries research参考文献 9被引用数 5

ひとこと要約

この論文は、複数の機械的生態系シミュレータを統合して一貫性のあるアンサンブルを構築し、予測精度を向上させるとともに不確実性をしっかり定量化するベイジアン統計的メタモデルを提案する。シミュレータと観測値の差異をモデル化することで、事前知識、シミュレータの出力、観測データを統合し、気候政策および漁業政策シナリオ下での統一的予測を生成する。単一のモデルや単純平均よりも優れた性能を示す。

ABSTRACT

When making predictions about ecosystems, we often have available a number of different ecosystem models that attempt to represent their dynamics in a detailed mechanistic way. Each of these can be used as simulators of large-scale experiments and make forecasts about the fate of ecosystems under different scenarios in order to support the development of appropriate management strategies. However, structural differences, systematic discrepancies and uncertainties lead to different models giving different predictions under these scenarios. This is further complicated by the fact that the models may not be run with the same species or functional groups, spatial structure or time scale. Rather than simply trying to select a 'best' model, or taking some weighted average, it is important to exploit the strengths of each of the available models, while learning from the differences between them. To achieve this, we construct a flexible statistical model of the relationships between a collection or 'ensemble' of mechanistic models and their biases, allowing for structural and parameter uncertainty and for different ways of representing reality. Using this statistical meta-model, we can combine prior beliefs, model estimates and direct observations using Bayesian methods, and make coherent predictions of future outcomes under different scenarios with robust measures of uncertainty. In this paper we present the modelling framework and discuss results obtained using a diverse ensemble of models in scenarios involving future changes in fishing levels. These examples illustrate the value of our approach in predicting outcomes for possible strategies pertaining to climate and fisheries policy aimed at improving food security and maintaining ecosystem integrity.

研究の動機と目的

• 構造的・パrametric的・シナリオ的差異により生じる複数の機械的生態系モデルによる予測の不一致の問題に対処すること。
• モデルの強みを統合し弱みを軽減する統一的な統計的フレームワークを構築し、単一の「最良」モデルを選択する依存を避けること。
• ベイジアン推論を用いて、事前知識、シミュレータ出力、観測データを統合し、一貫性があり不確実性を考慮した予測を生成すること。
• とりわけ食料安全保障および生態系の健全性を考慮して、多様な管理シナリオ下での生態系の結果を頑健に予測できること。
• 空間的・時間的・機能的グループ構造が異なるモデルに対応できる柔軟でスケーラブルなアプローチを提供すること。

提案手法

• 各シミュレータの出力と現実との差異を階層ベイジアンフレームワークを用いて表す統計的メタモデルを構築する。
• シミュレータ出力を真の状態を条件とした独立にモデル化し、差異が多変量正規分布に従うと仮定する。
• 専門家によるモデルの信頼性および構造的不確実性に関する信念を、事前分布の特定に活用する。
• ベイジアン推論を用いて、事前信念、シミュレータ予測、観測データを統合し、事後予測分布を生成する。
• 将来のシナリオでシミュレータが実行できない場合に備え、差異の共分散行列を時間経過で増加させることで、時間に依存する不確実性を許容する。
• データが比較不能な場合にベイズ因子に依存しない、事後モデル確率に基づく重み付きモデル平均を用いる。

実験結果

リサーチクエスチョン

• RQ1 構造的・仮定が異なる複数の生態系シミュレータをどのように統合すれば、単一のモデルよりも信頼性の高い予測が得られるか？
• RQ2 出力やシナリオが比較不能な多様なシミュレータ間で、不確実性をどのように定量化し伝播させるか？
• RQ3 シミュレータと観測値の差異を学習することで、統計的メタモデルが予測精度を向上させられるか？
• RQ4 専門家の事前知識を、統計的メタモデルとしての統一的ベイジアンフレームワーク内で、どのように体系的にシミュレータ出力と観測データと統合できるか？
• RQ5 特定の将来シナリオで実行できないシミュレータを含めるとどのような影響があり、その貢献をどのように維持できるか？

主な発見

• アンサンブルモデルは、相補的な強みを活かし、全体の予測不確実性を低減することで、単一のシミュレータや単純平均を常に上回る性能を示す。
• 特定の将来シナリオで実行できないシミュレータであっても、時間経過とともに差異の分散を増やすことで、現在の生態系状態や種間相互作用に関する貴重な情報を提供する。
• フレームワークは「あるモデルが最良である」という仮定を避け、事後確率に基づくモデル固有の重みを許容することで、より頑健な予測を可能にする。
• 空間的・時間的・機能的グループ構造が異なるモデルに対しても効果的に対応でき、出力が直接比較不能であっても統合が可能になる。
• 実際の観測値が限られる状況でも、複数の観測値を用いることで共通の差異に関する学習が促進される。
• 現代のベイジアン計算ツールを用いることで、非ガウス型尤度を含む高次元問題に対してもスケーラブルかつ適応可能である。