生态学与气象学的特点

气象学：强调系统的发展和演变的动力学过程；

生态学：强调系统内部不同组分之间的相互关系。比如食物链。

系统生态学与模拟的概念

什么是系统？（System）

在结构上或功能上具有两个以上组分，并且组分之间存在相互作用的现象、事物、对象。

系统分析（System analysis）是对系统或系统的基本特性的程式化研究。

研究对象

系统分析的对象具有不同的水平（level）或尺度（scale），如生态系统、社会系统、经济系统等。本文从植物个体上升到更复杂的群体尺度。

个体的组合成为种群（population），各种植物种群组成一个community。Communities与非生物的相关的环境一起形成生态系统（ecosystem）。次大陆尺度的巨大生态系统和强大的生物连续体（biotic continuity）称为群落（biomes），地球上所有的生物体总称为生物圈。

系统尺度： 在生态系统尺度上存在许多生物的（biotic）和非生物的（abiotic）相互作用。这些是一些环境问题的核心。同样我们需要考虑的问题是高于或低于这个尺度的过程。

每个复杂性水平 的机制可以在低于该水平的机理上得到解释，并且在高于其水平的尺度上体现出意义。

什么是模型？

模型是对系统的抽象和简化的表达。模型是科学分析的扩展。生态系统模型比其实德生态系统更简单。一个模型应该具有真实系统的重要功能特性。显然它不是具有反映所有的特性，否则它就不是一个模型，而是一个真实系统。

模型模拟的功能是帮助生态系统的概化（conceptualization）和复杂系统的测定。还可以用于预测和评估一个行动的结果（后果），或带来的影响。如果现实中比较难于进行，或对现实系统具有破坏性和耗资巨大。模型具备真实世界的特性，如汽车模型，飞机模型等。

另一个定义是，模型是从已知的局部的行为预测负责的尚不清楚的整体行为。或者模型是我们对系统认知的程式化（formalization）。

我们需要模型来认识自然界，因此自然界是极其复杂的。然而模型必需用实践去检验以保证它对其实世界的表达是准确的，至少我们清楚它在哪儿不准确。

根据模型的定义，可以发现模型的几个特点：

1. 验证（validation）

2. 标定（calibration）

3. 不确定性（uncertainty）

工作方法的启示

在研究工作中的启示：

模型研究的创新在哪里？如何体现？

1. 新的模型它可以解释前人解释不了的自然现象和规律。

2. 改进的模型： 是否合理？是否更准确？（光抑制）

由于新的实验结果，过去的模型无法表达，或者旧的模型本身就具有弱点，新的模型可否有所推进？

更复杂？ 模型本身是简化，如果深入地考虑更细化的过程，可以提升模型模拟的能力。比如说多层模型可以模拟冠层内小气候，而大叶模型不能。在生态系统水热过程模拟的基础上可以增加氮素模拟；土壤中水热过程的处理简单的士水热分开，复杂一些的是水的流动同时伴随热的流动，因而是水热过程耦合的，使得模型的复杂程度提高很多。它对于土壤的冻融过程可以有较好的解析。

植物的冠层类型同样复杂，对于农田只需要一种类型，许多生态模型可以有10种植物类型，每种类型有不同的辐射特性和生理特性。由于模型复杂程度的增加，模型的时间、空间意义更明显。可能会提示模型的功能，比如说在生态模型中增加作物生长模块。

用于研究农田生态过程

由于模型的功能各有侧重，有一种趋势是模型之间的相互渗透、影响，叫做耦合模型（Hybrid model），气候模式过去是独立于陆面和生态过程的，现在的工作将气候、陆面、生态系统和海洋结合，除了能量、水汽以外增加了生物地球化学循环（C，N，P，S），这样使的模型的功能大大扩展，做到了前期模型做不到的。比如，植被大气相互作用。由于气候的变化影响了植被分布、生长和水热过程，因而反馈作用于气候系统。

模型是否更简单？

模型的合理简化也是重要方向。在更大的尺度上，模型输入的气象因子和参数更少不易获得，模型必须更简化才能应用，这时如果用详细的模型可能会导致一些参数不准确而使它的预测更不准确。

模型简化的目的是更需提炼出主干的过程，也就是“删繁就简三秋树，领异标新二月花”（郑板桥）。模型简化的任务就是发现哪是主要过程，哪些是次要过程。忽略次要过程就要使模型用较少的模块，较少的语言，较少的输入需求和参数，得到的结果（模拟的精度却损失不多或在许可的误差范围）。

模型的两种方法：

解析模型（Analytic model）

模拟模型（Simulation model）

解析模型关注数学方程的应用，模拟模型的特点是应用较简单一些的数学知识并结合应用计算机。解析模型方法需要求证微分方程或其他方程的解析解。这种方法在预报能力和分析能力上有很大的优势，以及数学的aesthetics。这种分析方法在生态学得一些学科中有相当多的应用，尤其在种群生物学和种群遗传学领域。解析方法在理论模型的发展上有价值。这是许多生态学理论的基础。有时解析模型可用于种群管理计划。但很少用于整个生态系统的研究。原因是解析方程只在极其有限的条件下成立，即，只有当描述生物过程的方程是线性的，或同时解相对少的方程时。

对于一个生态系统的模型通常包括数十个到数百个甚至更多的瞬时公式。并且它们多为非线性的。简化进一步限制了解析模型在生态系统中的有效性。解析模型常常对模拟的过程进行彻底的简化（purposeful）。例如，许多种群模型假定内禀增长率（intrinsic increase rate）为常数。事实上，实际增长率和潜在增长率可以随环境因子和种群的功能而变化。如食物的季节性改变限制程度。

因此分析方法在建立生态系统模型时并非特别有效，因为需要同时求解数十个数百个方程，其中许多是非线性的。只有非常简化的偏微分方程可以求得解析解。对于非线性方程一般情况下，需要借助计算机，应用数值方法求解。因而近数十年来随着计算机的普及和计算能力的提高，modeler转而采用模拟模型（Simulation model）。模拟模型并不像解析模型那样给出模型的解析解，它会产生一系列的误差，由于求解方法与自然状况并非绝对一致。另外，modeler失去了简便地用纯数学方法发掘模型行为的机会，然而你得到了两个非常重要的财富：一是，你能同时求解许多方程，其次可以不必损失重要的模型组分（components），用已知的数学方程来描述生物过程，biotic过程也可以描述，不管它们如何复杂。

初学者和有经验的modeler都无法回避模拟的准确性和误差。模型建立的每一步都需要平衡、判断、常常需要tradeoffs。

模型的价值（功能）有哪些？

认识（understanding）

评价（assessing）

优化（optimizing）

模型可以帮助科学家概化（conceptualizing）、组织（organizing）和联络（系）复杂的现象。在实验中，常常可以设定环境条件以分析主要因子之间的关系，同时排除其他因子的变化带来的不确定性，因为在自然条件下，生物体与环境的关系错综复杂，有土壤、植物、气象因子的相互作用，生物之间的相互作用，也有物理、化学与生物过程的相互作用。为了认识某一生态过程与单因子之间的关系，需要确定其他因子稳定少变条件下的响应特征。

模型的重要功能之一是产生假说（generate hypotheses）。如果我们对系统的局部有较好的认识，我们希望将各部分连接起来，分析判断系统的整体行为。例如地球系统模式（EES），通过模型预测或模拟与（在相同条件下）自然界过程的对比。可以检验假设（assumption）是否正确合理。如果两者不符，就可以肯定（资料？模型？两个都由问题？）。然后追溯误差来源，可以增加我们对真实系统或模型的理解。

模型并不是灵丹妙药，不是能解决所有问题。模型仍有缺陷，但是离开模型就对纷繁的世界无所适从。模型需要一步步推进，也就是认识提高和知识积累的一个过程。

模型的另外一个用处是检验田间试验资料和我们从这些资料的推论。主要是气象资料的准确性检验（数据质量控制）。模型协助我们建立一个系统的观念。指导试验和观测方法。比如说现在试验站做水分观测，如果不做生物量观测，如LAI，Biomass跟没有观测差不了多少。因为我们的观测与物理化学实验不同，在实验室的可控实验中，一个基本原则是可重复性。这在自然条件下是不成立的。那就需要我们对系统的状态有明确的定义，不然结果没有意义。也就是说不知道在何种环境条件下得到这样的结果。

例如，名茶的产生；高产的产生（气候年型，高产试验的重复性）

模型的预测功能

1. 动态预报，如气候、天气预报

系统前后的时间状态服从于动力学方程。

2. 相互作用的预报

从已知的外界驱动预测系统的响应，如从气象要素预报生态系统变化和状态。如产量预报，水体污染预报等。

是一般生态模型方法。比较而言，生态学更侧重生物与环境的关系（系统与外部因素关系）的研究。

3. 评价

预报模型常用于资源管理方式对缓解影响的评价。可以有助于分析某些行为、措施产生的后果。

有些类似于气象上的数值试验（numerical experiment）。可以做真实的实验，但是可能是破坏性的，有些是不可能做的，如全球气候变化。

例：陈超的计算；于强的气候预报价值。

4. 资源管理的优化与决策

因为现实的影响因子极其复杂，需要对决策者或生产者提供决策支持，这也是模型分析功能的延伸。

如何构建一个模型？

开发者通常开始于确定什么是系统的主要部分等，形成强烈依赖于开发者的经验和动机，也就是说你假定什么在系统中是最重要的，通过模拟你希望发现什么？

从已有的研究中、试验资料中和其他系统中可以发现哪些重要的组分和组分间的相互作用。然后模型建立和运行，通过各种方法检查模拟结果。这些方法可以是数值的分析，可以是实验验证。如果输出结果不真实，就需要更多的信息，然后重复运行。发现模型的不足是创新的开端。

一旦对系统有了一定的认识，并决定建立模型，从我们的知识到实际的模拟，需要走过哪些步骤？通常模拟被认为与计算机有关，但也并非常常如此，实际上有一系列的步骤，通常有：

概念模型→图解模型→数学模型→计算机模型

Conceptual→Diagrammatic→Mathematical→Computer