【模型工具】基于机器学习的水生生物地球化学模型敏感性分析框架 - 海洋地球化学分析

原标题：【模型工具】基于机器学习的水生生物地球化学模型敏感性分析框架

) M+ X) d* q N4 u

原文信息

- g A& ?9 Q6 k( S

题目：Development of a sensitivity analysis framework for aquatic biogeochemical models using machine learning

作者：Haibin Cai, Yuko Shimoda, Jingqiao Mao, George B. Arhonditsis

; J- g7 d1 y( ^ A0 u" K1 d ]

作者单位：College of Water Conservancy and Hydropower Engineering, Hohai University, Nanjing 210098, China; Ecological Modelling Laboratory, Department of Physical & Environmental Sciences, University of Toronto, Toronto, Ontario M1C 1A4, Canada

期刊：Ecological Informatics

7 e: j% I$ n8 y. v: S! ]

时间：2023

4 g2 Y0 ~1 U3 L d/ Z+ i# t

导读

对生态系统功能理解的发展为复杂数据模型提供的理论基础，水生生态系统的数学表示在过程和时空尺度上越来越精细，但当模型考虑的生态途径数量大于外部可观测的数量时，模型可能会“出于错误的原因给出好的结果”，这反映了敏感性分析和不确定性评估检查模型复杂必要性的重要意义。

* r4 E, E4 o' V7 K

文章简介

敏感性分析（Sensitive Analysis，SA）的成功应用在很大成都上取决于是否选择适当的技术来研究输入因素对模型的影响。鉴于不同方法都有其假设和局限性，本研究引入了一种多管齐下的敏感性分析框架（图1），其中包括统计和机器学习技术，从而揭示复杂过参数化模型的高维空间中的非线性响应关系。

研究首先利用蒙特卡洛模拟重现输入扰动引起的模型输出可变性，应用主成分分析PCA来识别模型年内（季节）可变性的不同模式。然后使用CART分析法根据一个或多个独立预测变量（即模型参数、强制函数）预测因变量（即模型状态变量）的响应，而不预先指定它们相互作用的形式，该步骤允许通过分层结构（显示为树状图）描述输入因素之间的相互作用。随后研究采用自组织图（Self-Organizing Maps，SOM）来捕捉模型终点和生态机制（由一个或多个参数表示）与外部因素之间的线性关系，以及它们的相互作用关系。该框架的一个优点是利用SOM方法能够产生可理解的可视化效果。

. }' |* _* p u# c6 A, M0 {

图1 本研究SA分析框架

研究以加拿大安大略湖昆特湾为案例，利用其水生生物地球化学模型验证该SA框架。结果表明，代表生长和代谢过程对温度的依赖性的参数对模拟一年中寒冷时期的浮游生物群落动态影响显著，而种间资源竞争、猎物-捕食者相互作用的强度和磷可用性之间的相互作用主要调节浮游生物在生长季节的状态。硅藻的生长策略、决定浮游动物同化效率的营养质量以及环境营养可用性决定了模型模拟蓝藻优势模式的能力。

( {4 \- v' k- ^1 X X

编者点评

4 L% O; h X2 m* |8 [0 m" `. k

本研究提出的基于机器学习的SA框架可以有效表征模型输入之间的相互作用，SOM分析说明了相互作用如何影响浮游生物竞争模式和结构变化的模拟，该方法为探索生物地球化学模型参数空间的非线性关系提供了一种新的思路。

% { Q: W7 ~1 ^# ~ v5 y

原文地址：

6 k+ v( X) W4 i

https://doi.org/10.1016/j.ecoinf.2023.102079

或点击“阅读原文”查看

城市水系统领域

% _5 D; ^- b+ Q& H3 T

最新研究动态

, }; c+ z3 w! |, F

UrbanWaterGroup

& e" [) V" m1 m t7 W* @ F

长按二维码关注返回搜狐，查看更多

责任编辑：

( m$ i) b/ S# z 2 p4 x; I5 [7 R. a/ X" t1 F l