[论文解读] 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 5

一句话总结

本文提出了一种贝叶斯统计元模型，将多个机制性生态系统模拟器整合为一个连贯的集合，以提高预测准确性并稳健地量化不确定性。通过建模模拟器与观测值之间的差异，该方法结合先验知识、模拟器输出和数据，生成在气候变化和渔业政策情景下的统一预测，其表现优于单一模型或简单平均。

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.

研究动机与目标

• 解决由于结构、参数和情景差异导致的多个机制性生态系统模型预测不一致的问题。
• 开发一种统一的统计框架，整合模型优势并弱化其劣势，避免依赖于选择单一‘最佳’模型。
• 利用贝叶斯推断，结合先验知识、模拟器输出和观测数据，生成一致且具备不确定性意识的预测。
• 实现对不同管理情景下生态系统结果的稳健预测，尤其关注粮食安全与生态系统完整性。
• 提供一种灵活且可扩展的方法，能够适应具有不同空间、时间及功能群结构的模型。

提出的方法

• 构建一个统计元模型，使用分层贝叶斯框架来表示每个模拟器输出与真实情况之间的差异。
• 将模拟器输出建模为给定真实状态下的条件独立变量，假设差异服从多元正态分布。
• 通过先验 elicitation 方法，纳入专家对模型可靠性及结构不确定性的信念。
• 应用贝叶斯推断，将先验信念、模拟器预测和观测数据整合为后验预测分布。
• 通过在无法运行模拟器的未来情景中增加差异的协方差矩阵，实现随时间变化的不确定性建模。
• 采用基于后验模型概率的模型平均方法，避免在数据不可比时依赖贝叶斯因子。

实验结果

研究问题

• RQ1 如何将具有不同结构和假设的多个生态系统模拟器整合，以产生比任何单一模型更可靠的预测？
• RQ2 如何最佳地量化并传播来自输出和情景均不可比的多样化模拟器中的不确定性？
• RQ3 统计元模型能否通过学习模拟器与观测值之间的差异来提高预测准确性？
• RQ4 如何在一致的贝叶斯框架中系统性地整合专家先验知识、模拟器输出和观测数据？
• RQ5 包含无法运行某些未来情景的模拟器会产生何种影响？其贡献如何得以保留？

主要发现

• 该集合模型通过利用互补优势并降低整体预测不确定性，始终优于单一模拟器和简单平均方法。
• 即使在某些情景下无法运行的模拟器，通过随时间增加其差异方差，仍能为当前生态系统状态和物种相互作用提供有价值的信息。
• 该框架避免了假设某一模型为‘最佳’的预设，转而基于后验概率为各模型分配特定权重，从而提升稳健性。
• 该方法能有效处理具有不同空间、时间及功能群结构的模型，即使输出不可直接比较，也能实现整合。
• 引入对真实系统多个观测值可增强对共享差异的学习，尤其在直接观测稀缺时更为显著。
• 该方法具有可扩展性，借助现代贝叶斯计算工具，可适用于高维问题，即使在非高斯似然情况下亦适用。