环境系统不确定性分析的理论与发展

环境系统不确定性分析的理论与发展陈吉宁清华大学环境科学与工程系100084在过去的三十年间，环境建模理论在表象上呈现了两种发展趋势。其一是寻求更加友好的模型使用界面,包括应用空间定位技术与数据库技术等；其二是新的数学理论、控制理论在环境系统的认识中被不断尝试,包括专家系统、非线性系统理论、神经网络、灰色理论、大系统理论以及冲突理论等。尽管前者极大地推动了环境模型和数据处理技术的广泛应用，但它并没有带来对环境系统认识的质的变化。相反，环境模型使用的世俗化却使人们易于忽略模型应用的精髓-结果与内在因果关系的解释，从而带来模型滥用的风险；虽然第二个方面从新的视角去研究环境系统，但目前的研究成果在整体上并没有突破和超越传统的机理模型的认知，这些技术本身的可用性也存在着明显的障碍，因而目前各类环境模型的主体依然是建立在常规自然定律基础上的机理模型，包括复杂的全球气候变化模型、生物圈模型和生态风险模型等。尽管如此，我们今天对环境模型与环境系统的认识已发生了根本性的变革，事实上，在环境系统分析领域的前沿，一直存在着一种内在的驱动力，在探究模型的本质以及模型与系统之间的内在关系。这些非常理论化的工作，导致了对环境模型不确定性问题的普遍性和不可回避性的认识，并由此推动了环境建模理论的发展。从模拟的角度来看，环境系统无疑是个病态系统。由于环境系统本身所具有的空间多样性、时间动态性以及表征水平上的多重性，导致观测数据和系统认知上的双重局限性，使对它的认识始终存在着显著的不确定性。尽管在过去的二十年间，环境系统的观测数据在微观和宏观上均得到了极大的丰富，但我们在关键或适合数学描述水平上的观测数据仍远远不足，我们仍缺乏有效的工具去转化大量的表象观测数据（如遥感数据）使其成为认识系统的深层信息。因为我们一直相信复杂的模型结构将会最终减少模型的误差，基于经典的物理、化学和生物定律建立的环境机理模型因而变得越来越复杂，宏观集成趋于全面而微观描述则趋于细腻。但是，与此同时我们却无法逃避这样一个规律，模型复杂性所导致的模型参数的增加强化了参数的不可识别性，从而增大了参数的不确定性。由于环境模型的非线性性，参数不确定性的增加往往带来模型预测误差更为显著的增加。即使在并不十分复杂的地表水质模型中，研究表明参数的误差可高达1000%，而预测误差则可达700-2000%。显然，模型的复杂化并不能解决模型的不确定性，认识环境模型不确定性的广泛存在并在不确定性中寻求环境系统的内在规律因而成为近三十年来对环境系统认识与预测的重大科学问题所在，成为环境模型理论发展的主要推动力。在今天的环境系统模拟中，忽视不确定性分析将使模型的结果被认为缺乏客观性和科学性，甚至具有欺骗性的嫌疑。自从O‘Neill七十年代初提出模型的不确定性思想之后，这一领域的研究即引起了不同背景研究人员的广泛兴趣，从而推动了对过程辨识理论、滤波理论、时间序列分析以及灵敏度分析等方法在环境系统中应用的探讨与融合，并产生了不确定性分析的可行工具。事实上，至八十年代初，在建模理论的思想前沿，对不确定性的探讨已经成为模型开发和应用的核心内容之一，这一点在地表水质模拟中尤为突出，包括著名的区域灵敏度方法的提出，构架了不确定性分析的基本思想框架。Beck在随后的研究中进一步完善了这一框架，进而形成了今天环境系统不确定性分析的理论体系。不确定性分析的应用领域也从最初的河流水质与湖泊富营养化，扩展到环境政策的制定、空气质量（如酸雨）的控制和生态风险评价等方面。理论上，模型的不确定性来自两个方面，即对系统认识的缺陷和系统观测数据的不完善。前者导致了模型结构的不确定性，而后者产生了模型参数的不确定性。在模型的实际应用中，很难区别模型的不确定性是产生于结构还是参数误差。一般地，在模型的率定中参数的不确定性不可避免地反映部分模型结构的不确定性。正是因为如此，机理模型的参数在本质上并不完全代表模型概化时的物理意义；同样，现场独立测定的参数直接带入未率定的模型中时，往往带来较大的预测中国城镇水网误差。环境模型继续向着空间规模扩大和时间动态频率增大的趋势发展，模型复杂性的急剧扩大使得对模型的解释越来越困难，我们对模型结果解释所花费的时间远远超过模型计算所耗时间。同时，我们对环境系统的认识越来越直接地建立在非结论性的模拟结果，而非现场观测的具有结论性的事实。换言之，我们研究工作趋向于处理数据稀缺而非事实清楚条件下的应急政策的制定（policyproximity），模拟的目标已从环境系统的最优控制与恢复，转向如何避免系统灾难或系统向最不可接受的方向发生（fearfuture）。换言之，政策决策者与公众更为担心环境系统会向着预想不到的非线性轨迹发展，而非现有趋势的光滑外推。近年来，有关未来情景设计的研究因而也引起了广泛兴趣。不确定性分析近年来已从参数和预测不确定性的研究主体过渡到模型结构的不确定性，并在此基础上对模型的验证进行了全新的认识，在传统的模型验证基础上，提出了模型的结构内部一致性验证、模型假设的证实(corroboration)与反证（falsification）以及模型的关联性等（relevance）。在环境系统中，模型的复杂性往往超越了实际的需求，从而使模型相当部分结构与模型的目标不相关，越来越多的研究者相信这样的模型面对着可靠性的质疑。九十年代初期，在多国政府与机构的支持下，成立了国际环境预测专家委员会，就环境结构变化与结构不确定情况下的环境预测的问题开展了系统和深入的研究，其成果将于近期出版。另一方面，早期有关模型的可验证问题近几年又引起了广泛的争论，其争论的焦点是我们对模型的信心不能只建立在对历史数据的符合上，模型结构误差的识别和其在预测中的发展在这里也成为争论的核心。这一问题随着预测时域远远超过历史观测时域情景的增多，而显得越来越重要。人们因而努力寻求更为严格和规范化的模型验证程序。在欧洲在近两年就此举行专门的内部讨论会的同时，美国EPA提出迄今为止最为全面的模型验证白皮书，并给出了相应的计算案例。模型的不确定性分析被认为是模型诊断的X-ray、是模型开发中的必不可少的程序、是了解复杂物理过程的工具。不确定性分析之所以重要，是因为环境系统本身从来都不是封闭的，描述其特征的模型因而不可能是唯一的，模型从来不能够被验证（validation），而只能通过观测与预测之间的一致性与矛盾性而被证实或确信（confirmed）。尽管不确定性分析受到了广泛的关注与研究，但它在普通模型使用者中却被明显地忽视了。这种现象在国内尤为突出，国内有关这方面的报道甚少，本文的目的也是借此希望这方面的研究与应用得到广泛的重视。随着环境问题公共参与和决策透明度在我国的加大，对模型结果可靠性的要求将越来越强烈，对模型的不确定性分析与验证的社会需求必将会推动我国模型使用层次和质量的提高。中国城镇水网