1. 定性研究是生态建模的前提

数学建模总是基于对事务一定认识的基础之上进行的。即要知道哪些过程是生态系统中相对重要的过程，哪些因素对生态过程起主要的控制作用，这些因素影响程度的大小如何，以及如何影响生态过程的。生态建模的本质就是量化生态系统，进而定量模拟生态过程，对生态系统状态的定量描述做不好，准确模拟生态过程是不可能的。对生态系统定量描述既是要从复杂的生态系统中提取关键的基本要素，并通过一定的评价指标量化这些要素，这些要素是生态系统的状态量；此外，模拟过程还要量化控制生态过程的环境要素。这些因素的量化是生态建模的第一步，也即生态要素和环境因子参数化的过程。另一个重要工作是要知道单一的环境因子与生态系统状态量之间存在什么样的关系，所建立的生态模型在此条件下能描述这一关系才能算是合理的模型。这些工作都是在大量定性试验的基础之上才能开展的，这些要素，因子，以及他们之间的关系知道了，选择合适数学模型和函数也就有了充分的理论基础，最终得到的模型才有切近实际，具有现实意义。  

2. 模型应能考虑所模拟问题的所有关键因素和重要过程

生态系统是极其复杂的，但在一定条件下，总是只有部分环境因子对于生态过程所产生的影响远远大于其他因素，也总是有部分过程可以反应绝大部分的生态变化。完全精确地描述复杂的生态系统及其变化过程往往是不现实的，在现实一定精度要求下也是没有必要的。事实上，只要抓住影响生态变化的关键因素和生态过程就能使生态模型满足一定的精度要求。但是，漏掉任何一个关键因素或重要过程，生态模型都可能产生难以预料的模拟结果，不仅因为这些因素和过程本身对生态变化是重要的，而且因为各要素和过程之间也总是互相联系和影响的。所以，生态模型应能考虑所模拟问题的所有关键因素和重要过程。  

3. 模型应尽可能少地使用非独立参数

生态模型的重要功能之一就是分析环境要素（模型参数）对生态过程的影响，如果模型参数是非独立的，那么模型必须能反映参数之间的这种关系，否则，模型很难解释现实中的结果是什么原因所导致的。在生态建模的过程中，由于生态系统的复杂性，往往很难抽象出完全独立的参数，也即要素之间的关系是不清楚的，为了建模建立和简化模型，人们往往采用复合参数去代替多个因素的复合影响，这必然导致参数物理意义模糊，确定困难。采用非独立的模型参数是在环境要素之间的关系比较复杂，很难定量描述的情况下简化模型，增加模型实用价值的一个重要方法，但是必须清楚，这类模型得到的模拟结果很难完全分离各因子对生态过程的单一影响。因此，研究参数之间的关系，细化和明确复合参数的物理意义，减少参数的非独立性是生态建模的另一重要内容。 

4. 模型参数应尽可能有明确的物理意义

首先，只有参数物理意义明确的生态模型才能更加清楚和全面地解释生态系统变化的一些现象，因为任何物理意义不明确的参数的存在都可能使其他因素对于模拟结果解释的置信度降低，同时，也使得模型帮助理解生态系统变化过程内在机制的实际价值降低。此外，物理意义不明确使得参数很难确定，因为一个好的参数确定方法总是建立在一定物理过程的基础之上的，如果参数没有明确的物理意义，很难设计一个包含这类参数的物理过程。虽然根据实测的结果，反推参数是一种比较常用的确定模型参数的方法，但是这类方法存在参数不唯一性问题，未知参数越多，问题越突出。经验模型是这类模型的例子，在未知生态过程控制机理的情况下，经验模型具有一定作用，但是由于未考虑内在物理机制，其参数确定往往建立在大量实测结果基础之上，工作量比较大，并且应用条件有限，环境因素的微小变化就可能导致很大误差。  

5. 模型参数是否容易获得在生态建模过程中是需要特别考虑的问题之一

任何模型的建立最终都是为了满足一定的预测和评价功能，预测的前提是要知道合理的模型参数。再好的模型，参数不能确定，从应用角度来讲都是毫无价值的。目前确定参数的主要方法有三类：直接测定法，间接测定法和反推参数法。由于上面3中所述缺点，反推参数法实际上是没有办法的办法。在有条件的情况下，直接法和间接法建立在物理基础之上，应当优先考虑。虽然确定模型参数的方法在建模时未必全都知道，但是在建模过程中尽可能采用简单容易测定的参数，少用物理意义不明确的参数可以大大简化后期模型预测准备工作的难度，也可以为模型的进一步发展提供更广阔的空间。 

6. 模型参数获取的条件应尽可能与生态模型的使用条件具有一致性

确定模型参数的过程中，往往简化了实际问题的条件，这在一定程度上使模型参数测定变得相对容易，但在另一方面也可能使所得到的参数失真，因为参数获得的条件与模型模拟条件不一致，也即意味着模型模拟的情况与实际情况不一样，这样就很难得到与实际相一致的结果。所以在选择模型参数确定方法的时候应尽可能保证参数确定方法成立的条件与模型模拟的条件一致。 

7. 模型并不是参数越多，考虑过程越精细越好

机理模型在模拟实际生态过程中所获得的部分成功使得一些人认为，模型应尽可能全面的考虑各种因素和过程，也即模型参数越多，考虑过程越精细越好。而事实上，许多复杂的模型并未获得比简单模型更好的效果。首先，影响生态变化过程的因素极其复杂，并且各因素之间往往也有密切关系，而这些关系是很难全部弄清楚的，不清楚的关系在应用时往往忽略。在这种情况下，增加模型参数等于忽略越来越多的参数内在联系，从而导致模型模拟精度随参数的增加而降低。此外，在仅考虑主要因素和过程情况下，其他未考虑的次要因素和过程实际上是耦合在主要因素和过程内的，他们对过程产生的相反的效应可能相互抵消，不致使模型出现太大偏差，随着模型考虑的因素和过程更全面，这种平衡越弱，更可能的情况是某些具有相同效应的因素和过程占优，降低模型模拟效果。其次，模型参数的增加使得模型的可控性降低。因为参数越多，越难理解模拟结果与参数之间的关系，并且模型对参数的灵敏度可能随之增加，降低模型的稳定性。最后，模型考虑越复杂，参数也越多，这必然增加参数确定的工作量，并且也增加了参数确定的难度，因为参数确定的难度是随参数个数增加的。因为参数确定大多是基于一定过程进行的，参数越多，确定参数需要的过程也越多，在一定的条件下，只有少数过程是显著的容易观测的，对于大量非显著的交互过程，简化分离生成包含一定参数相对简单的独立过程是困难的。

当然，模型也并非越简单越好，太简单的模型，其功能也是有限的，所以合理地生态模型在模型功能和模型参数数量之间达到一定平衡，既能满足一定的功能需求，又简单可行。