해결되지 않은 규모에서의 프로세스와 진화하는 시스템의 변화하는 속성을 나타내기 위한 모델 매개변수화

모델링은 과학 연구에 필수적인 도구가 되었습니다. 그러나 모델은 생태계의 글로벌 변화 반응을 예측하거나 예보할 때 큰 불확실성을 생성합니다. 이러한 불확실성은 부분적으로 매개변수화 때문인데, 이는 모델의 매개변수 값을 정의하여 모델 사양을 위한 필수적인 절차입니다. 매개변수화의 고전적인 이론은 매개변수가 일정하다는 것입니다. 그러나 모델링 실무에서 한 사이트에서 매개변수에 잘 보정된 모델이 다른 사이트에서 잘 시뮬레이션되지 않을 수 있다는 것이 일반적으로 알려져 있습니다. 이러한 일반적인 관행은 매개변수 값이 사이트에 따라 달라져야 함을 의미합니다. 실제로, 통계적으로 엄격한 접근 방식인 데이터 동화(data assimilation)를 사용하여 추정된 매개변수 값은 글로벌 변화 실험에서 시간, 공간 및 처리에 따라 달라집니다. 이 논문은 매개변수를 변화시키는 것이 해결되지 않은 규모에서의 프로세스와 진화하는 시스템의 변화하는 속성을 모두 고려하는 것임을 보여줍니다. 모델은 얼마나 복잡하든지 간에 하나의 시스템의 모든 프로세스를 해결된 규모에서 나타낼 수 없습니다. 해결되지 않은 규모의 프로세스와 해결된 규모의 프로세스 간의 상호작용은 모델 매개변수에 반영되어야 합니다. 한편, 생태계의 속성은 시간, 공간 및 환경 조건에 따라 변화하는 것이 널리 관찰됩니다. 연구 대상 시스템의 속성을 나타내는 매개변수도 변화해야 합니다. 수십 년 동안 매개변수 값을 변경하기 위해 조정이 수행되어 왔습니다. 그러나 불행히도 이 활동은 모델 매개변수화에 대한 우리의 지식에 전혀 기여하지 않았습니다. 데이터 동화는 매개변수 값을 엄격하게 추정할 수 있게 해주며, 결과적으로 매개변수가 어떻게, 얼마나, 왜 변화하는지를 이해할 수 있는 접근 방식을 제공합니다. 이러한 문제를 완전히 이해하려면 광범위한 연구가 필요합니다. 그럼에도 불구하고 매개변수 값의 변화가 모델 구조가 동일하더라도 다양한 모델 예측을 초래한다는 것은 분명합니다.