夏永秋

 这是一个很有意思的联系：生态建模与物极必反，生态模型通过增加参数的数量而提高模型预测的精度，但是当生态模型的参数过多且非独立性强，模型就变得难于控制，必然导致模型可信度下降。

所谓物极必反，其本意是指事物发展到极端就会向相反的方面转化。翻开产生在我国三千年之前的世界人类唯一的智慧宝典和被今人称之为“数理哲学”、“宇宙代数学”和“超相对论”的《周易》一书，几乎随处可见如下类似的词语，诸如“静极生动”，“乐极生悲”，“剥久必复”，“否极泰来”，“阴极而阳”，“阳极而阴”，“日中则昃”，“月盈则亏”，等等。概括为一句话，即“物极必反”。

    物极必反与现代生态学中的许多概念和现象是相通的，是一个具有普适性的生态学原理。显然，深刻理解并认真领会物极必反的哲学内涵和生态建模的意义，无疑具有理论和实践上的双重意义。

Walters在E.P.Odum著的《生态学基础》(孙儒泳等译，1981)一书第十章中把数学模型定义为由系统物理学和生物学的概念翻译而成的一套数学关系，认为模型是现实世界的不完全的抽象的描述。

生态学和数学的成功结合，标志着“数学生态学”这门交叉学科的诞生和生态学步入了定量发展的轨道。特别是系统分析方法的出现和电子计算机的普及及其硬件能力的提高，使人们有能力将某一系统中的物理学和生物学概念“翻译”成一套数学关系，并对得到的“数学系统”进行操作，该数学系统即是模型，它是现实世界的不完全的抽象的描述。

    数学模型是数学思想和方法应用于生态学研究的桥梁，它是生态学家对某些生态现象进行量化研究和借助理论分析使研究结果得以进一步深化的极为有用的工具。然而在实际应用中却遇到了许多不尽人意的问题，也不像人们所期望的那样卓有成效。

关于模型复杂性和结构的选择问题，即模型的复杂性与人们从模型中获得的对系统的了解程度不是呈线性关系的。在一定的现有资料的条件下，当“知识”增至某一水平之后，模型的复杂性继续增加，知识非但不会增加，反而减少。因此，有的为了得到高精度而缩小他们研究问题的范围，这就可能导致模型复杂性降低。然而自然界是复杂的，生态学现象并不像物理学现象那样简单，一个对我们较为合用的模型应该同时具有较高的“准确度”和“信度”，而在一个系统中使这两个指标都达到最优化是不可能的，只能是两者之间的恰当的调和，以此来确定模型的简化程度。我们知道，一个模型的“准确度”将随着它所包含的因素个数的增加而增加。但是，随着模型中因素个数的增加，模型参数的个数以及运行模型所需的计算步骤势必增加，当参数数量超过所能控制的范围时，既所谓的物极必反，由于估算参数时所包含的观测误差以及多次迭代运算所积累的计算误差，将会大大降低模型的“信度”，影响到它的使用。

因此，我们在生态建模的过程中，不要片面追求模型的精细化而引入大量的参数，做到尽可能少用参数，分析各种参数对模型的敏感性，通过敏感性分析来精简参数的个数。

转载本文请联系原作者获取授权，同时请注明本文来自夏永秋科学网博客。
链接地址：https://blog.sciencenet.cn/blog-487-6192.html

上一篇：在取款机前遭遇假钱
下一篇：生态学资源链接和下载