李琰研究员在National Science Review发文阐述人类与自然耦合系统建模的挑战与机遇

发布日期：2023-04-18 | 浏览次数：

地球是一个由人与自然要素及其相互作用组成的复杂巨系统，被称为人与自然耦合系统(CHANS)。地球进入“人类世”，意味人类已成为地球系统演变的主要驱动力。因此，CHANS建模对于理解CHANS的涌现系统特征、预测系统动态和反馈，帮助环境系统治理以实现可持续发展十分重要。

目前，已经发展出多种用于模拟人与自然耦合系统及其组成部分的建模方法，例如简单数学模型、系统动力学模型、多主体模型、综合评估模型和地球系统模型等。在这些模型中，自然或人类系统中的一些关键组成部分以不同程度的复杂度在模型中被表征，而其他组分则被简化或视为外部驱动因素。现有模型中，自然和人类系统过程之间的动态相互作用通常是单向的，不能反映出两者之间的反馈环路和复杂行为，使其无法预测耦合系统的演化。

近日，学部李琰研究员在National Science Review在线发表了题为“Challenges and opportunities for modeling coupled human and natural systems”的文章，讨论了当前CHANS建模的主要挑战和机遇，提出了推进CHANS建模的科学发展及其应用的建议 (图1)。

图1 CHANS建模的研究挑战与机制

CHANS的合理概化。CHANS是异质的，在不同的尺度上(例如，村庄、社区、城市、流域、地区/国家，甚至地球)具有不同的组成、结构、过程和相互作用。CHANS建模的关键前提是对系统进行合理的概括，包括系统边界、结构，及其自然和人类组分、功能和反馈的表征。然而，由于CHANS的异质性，目前还没有一个适用于所有情况的通用建模框架，这限制了CHANS模型从一个应用/地区到另一个应用/地区的泛化和可转移性。

数据限制。CHANS的建模需要涵盖自然与人文社科领域的大量数据。与相对丰富的物理环境数据来源（如地面监测、实验、野外调查、遥感等）相比，人类社会过程的数据收集难度更大。统计数据等通用数据源存在不一致、分辨率较差、数据质量问题。尽管不同机构进行了数据整合和开放数据等努力，但克服数据限制，充分利用各种来源的数据仍然具有挑战性。

时空尺度不匹配。自然和人类过程在不同的空间和时间尺度上运作，两者结合时会出现尺度不匹配的问题。例如，水文过程可在小时(秒或分钟)和网格/流域尺度下进行建模。而社会经济过程，如人口动态、经济增长和资源需求，在年与行政区(州、国家)尺度上建模。因此，人类和自然过程的耦合需要新方法来协调尺度不匹配，实现跨尺度动态的捕捉。

人类过程量化。与大多数基于普遍物理定律的自然过程不同，人类的决策受到动机、情感、价值观、文化、政策和其他因素的影响。人类过程，包括社会经济和社会文化维度，反映了个体与社会和自然环境相互作用的涌现特征。目前还没有可靠的定量理论和原则预测这些过程，也难以解决社会系统的适应性决策问题。由于缺乏过程层面的科学解释，模型必须大幅简化或采用参数化来近似人类过程，但参数具有很大不确定性。当前难以量化人类过程及其对自然变化的响应,阻碍了CHANS建模发展。

相互作用表征有限。自然和人类系统的耦合依赖于两个系统及其组分之间的信息交换。从人类系统到地球系统的常见数据传输包括碳排放、土地利用变化、水需求、GDP和资源利用，而从地球系统到人类系统的数据传输包括气候、生态系统生产力/服务和作物生产。现有的CHANS模型中人与自然系统之间的信息交换的广度和深度非常有限，仅呈现弱耦合状态，不足以捕获CHANS中的复杂反馈。

耦合实现技术。在CHANS模型中耦合技术的实现需要一个合适的框架来连接各种组件并实现它们之间的反馈作用。耦合框架的设计会影响模型组分之间的耦合强度和频率，进而决定可以实现何种程度双向反馈。此外，耦合实现还面临着技术挑战，例如互通性障碍的解决需要额外模型修改。耦合技术实现应该考虑模型的复杂性、功能、计算效率和不确定性之间的权衡，同时确保耦合模型具有开放性、性能、模块化和一致性。

缺乏区域尺度的模型。目前已有大多数CHANS模型是在全球尺度上构建的，主要针对大规模人类和自然的动态问题。然而，自然与人类的冲突在局地和区域范围上发生更为频繁。尽管这些尺度与政策和管理更为相关，但针对区域尺度的CHANS模型很少。区域模型能够更多地关注区域进程，解决全球模型不能反映的紧迫问题。因此，需要优先发展区域尺度的CHANS模型，以促进区域可持续发展的决策。

作为地球、地理和可持续性科学的前沿和跨学科研究领域，CHANS建模面临着以下新的机遇：

人地耦合系统研究不断深入。在多个尺度上开展的对CHANS的理论、实证和建模研究不断增加，深化了对CHANS组分、系统行为和反馈机制的理解。CHANS相关领域的进展和跨学科研究合作的增加，为CHANS建模奠定了整体的系统思维和坚实的知识基础。在解决实际CHANS问题中的各种建模尝试和应用，丰富了CHANS建模的理论、方法和实践。

面向CHANS的大数据与云计算。新兴的大数据为解决CHANS建模的数据约束提供了前所未有的机会。云服务(如GEE和各种共享数据库)极大增强了数据的收集和处理能力。大数据结合数据同化技术，为人地过程量化及降低参数估计的不确定性提供了很多便利。此外，大数据中的丰富信息可以通过深度学习发现未知的模式和新知识，支持了数据驱动的理论和模型研究范式的建立。

CHANS的新建模技术。新的建模技术和方法正在快速发展，为CHANS建模提供了新的机会，包括机器学习、人工智能、模拟器、代理模型和集成模型。来自其他领域的新方法(例如，统计物理学，计算社会科学)和不同技术的融合使用(例如物理模型与深度学习)为更好地描述复杂的人类-自然过程及其之间相互作用提供了新的可能性。

总之，鉴于CHANS的复杂性和异质性，单一的通用模型可能并不存在。面对多样需求与异质性，CHANS模型将以由不同的建模方法和策略组成的模型族形式存在，包括不同建模策略、不同复杂度、针对不同目标与尺度的单个模型或平台。这些多样模型发展有助于实现通用建模标准的建立。双向耦合应作为长远目标来逐步实现。我们呼吁不断推进CHANS建模的理论与方法研究，以使CHANS模型更好发挥其对人地系统可持续发展的重要决策支持作用。