我们是否得出了正确的偏好?来自空间多准则决策分析敏感性及不确定性分析的启示
《Environmental Modelling & Software》:Are we eliciting the right preferences? Insights from spatial MCDA sensitivity and uncertainty analysis
【字体:
大
中
小
】
时间:2026年08月09日
来源:Environmental Modelling & Software 5.2
编辑推荐:
摘要基于地理信息系统和多准则决策分析的规划支持系统对输入参数的不确定性较为敏感,但这一问题往往被忽视,人们更多关注目标权重。本研究运用不确定性分析和Sobol全局敏感性分析,评估用于蓝绿基础设施规划的GIS-MCDA型规划支持系统——空间适宜性分析工具中的关键偏好相关不确定性。我
摘要基于地理信息系统和多准则决策分析的规划支持系统对输入参数的不确定性较为敏感,但这一问题往往被忽视,人们更多关注目标权重。本研究运用不确定性分析和Sobol全局敏感性分析,评估用于蓝绿基础设施规划的GIS-MCDA型规划支持系统——空间适宜性分析工具中的关键偏好相关不确定性。我们研究了目标权重、属性值尺度以及决定各属性如何组合形成整体适宜性的聚合函数加性系数γ。通过采用空间显式Sobol分析并结合90,000次蒙特卡洛模拟,我们发现仅有少数参数对结果有显著影响:γ的影响最为突出,其次是目标权重,而属性值尺度的影响则相对较小。空间敏感性也很重要,因为那些平均贡献较小的参数可能在局部产生强烈影响。这些研究结果有助于确定参数优先级、指导数据收集,并设计出更为稳健、透明的GIS-MCDA工作流程,为分析偏好不确定性提供了框架。
引言在规划用于雨水管理的蓝绿基础设施时,需要采用多学科方法,充分考虑各种协同效益及利益相关者的偏好。地理信息系统与多准则决策分析相结合,可通过整合可测量的目标、空间属性、目标权重、属性值尺度以及用于生成最终性能得分的聚合函数,实现对场地性能的可视化呈现(Ferretti等人,2014年)。然而,GIS-MCDA模型的输出结果容易受到输入参数不确定性的影响。因此,评估模型稳定性及输出结果的可靠性越来越受到重视,甚至被视为至关重要(Lilburne与Tarantola,2009a;?alap-Ay?a等人,2021a)。识别出对输出变异影响最大的输入参数,有助于简化模型、降低不确定性并提高输出稳定性(Kang等人,2022年;Lilburne与Tarantola,2009a),同时也有助于更有效地获取利益相关者的偏好信息。不确定性分析与敏感性分析是两种可用于评估此类影响的互补方法(Chen、J.Yu等人,2010年;Feizizadeh与Kienberger,2017年;Malczewski与Jankowski,2020年;Tenerelli与Carver,2012年)。后续章节将首先定义这两种方法(1.1节),然后回顾它们在GIS-MCDA中的应用情况(1.2节)。
不确定性分析是一种“前瞻性”方法(Malczewski与Jankowski,2020年),用于分析输入不确定性如何在模型中传播并影响输出结果(Feizizadeh等人,2014b;Ligmann-Zielinska与Jankowski,2014b;Scholten等人,2015年)。该方法有助于判断输出质量是否足以支撑决策制定(Crosetto与Tarantola,2001年)。不确定性分析通常依赖模拟技术,如蒙特卡洛模拟,将输入视为具有估计概率分布函数的随机变量,而这些概率分布函数在不同GIS输入参数中会有所差异(Crosetto与Tarantola,2001年)。该分析方法能够提供描述性统计指标,如标准差、均值、最小值和最大值,以及概率性输出分布(Malczewski与Jankowski,2020年)。敏感性分析则是一种“回顾性”方法(Malczewski与Jankowski,2020年;Saisana等人,2005年),用于识别出哪些输入参数会导致输出变异,并量化它们的影响程度(Feizizadeh等人,2014b;Ligmann-Zielinska与Jankowski,2014b;Saltelli,2002年;Scholten等人,2015年)。敏感性分析可分为局部敏感性分析与全局敏感性分析两类。局部敏感性分析着眼于在参数空间中某个给定参考点附近,其他参数保持不变时,单个或少数几个输入参数的微小变化所导致的输出变化,因此最常用的方法被称为“逐一分析法”(Daniel,1958年)。由于其简单性、直观性以及较低的计算成本,该方法被广泛使用(Aidinidou等人,2022年;Cartwright等人,2022年;Chen、J.Yu等人,2010年;de Brito等人,2019a年;Fildes等人,2022a年;Romanoa等人,2015年;Saltelli等人,2019年)。局部敏感性分析适用于线性模型或用于分析临界阈值等局部行为的情况(Ligmann-Zielinska与Jankowski,2014b;Saltelli等人,2019年)。不过,由于该方法仅能在输入空间的选定点周围评估模型行为,其结果在很大程度上取决于参考参数的选择,且往往具有临时性特点(Lilburne与Tarantola,2009b年;Saltelli等人,2019年;Saltelli等人,2008年)。全局敏感性分析则将输出变异归因于多种不确定性来源,包括参数之间的相互作用(de Brito等人,2019a年;Feizizadeh等人,2014b年)。与基于逐一分析法的局部敏感性分析不同,全局敏感性分析会探索由所有可能的参数组合构成的完整输入空间(Ligmann-Zielinska与Jankowski,2014b年;Saltelli等人,2019年)。蒙特卡洛模拟常被用于传递输入不确定性并生成模型输出的概率分布函数,从而实现图形化及概率性可视化呈现(Plata-Rocha等人,2012a年)。全局敏感性分析虽能检测模型误差并揭示参数间的关联,但计算成本较高,且需要专业的统计知识(Saltelli等人,2019年)。常见的全球敏感性分析方法包括Morris基本效应法(Morris,1991年)、与矩值无关的方法(Da Veiga与Martins,2015年)、扩展FAST技术(Crosetto与Tarantola,2001年)、基于变异图的方法(Razavi与Gupta,2019年),以及基于Sobol方法的方差分解法(Saltelli等人,2010a年)。其中,基于方差的分解法被认为是全球敏感性分析中最有效的技术之一(Feizizadeh等人,2014b年;Malczewski与Jankowski,2020年;Puy、Becker等人,2022年;Saltelli,2004年)。尽管不确定性分析与敏感性分析已被公认为不可或缺的工具,但它们的系统化应用仍然较为有限(Scholten等人,2015年),尤其是在空间分析领域,这些方法常常被简化或直接忽略(Chen、J.Yu等人,2010年;de Brito等人,2019a年;Delgado与Sendra,2004年;Lilburne与Tarantola,2009a年;Xu与Zhang,2013年)。空间分析还带来了其他挑战:大量像素带来的高计算成本、异构的输入数据、潜在的自相关性、缺乏专门用于不确定性分析与敏感性分析的GIS工具,以及难以直观展示空间动态变化(Chen、Yu等人,2010年;de Brito等人,2019a年;Delgado与Sendra,2004年;Ferretti与Montibeller,2016年;Lilburne与Tarantola,2009a年;Plata-Rocha等人,2012a年)。尽管存在这些挑战,空间建模中的不确定性分析与敏感性分析仍是一片新兴的研究领域(Malczewski等人,2020年),尤其是空间全局敏感性分析已逐渐受到关注(Abily等人,2016年;Ligmann-Zielinska与Jankowski,2014b年;?alap-Ay?a,2022年;?alap-Ay?a等人,2021b年)。目前不确定性分析的应用仍比敏感性分析更为普遍,而且两者通常都是单独使用的(Crosetto与Tarantola,2001年)。只有少数研究将这两种方法结合使用(例如Feizizadeh等人,2014a年;Ligmann-Zielinska与Jankowski,2014b年;Feizizadeh与Kienberger,2017年;Tang等人,2018年;de Brito等人,2019b年;Fildes等人,2022b年)。大多数GIS-MCDA敏感性分析都属于局部敏感性分析,而非全局敏感性分析,只有少数研究采用了全局敏感性分析方法(例如Saint-Geours等人,2012年;Feizizadeh等人,2014a年;Ligmann-Zielinska与Jankowski,2014b年;Feizizadeh与Kienberger,2017年;Tang等人,2018年;Pe?acoba-Antona等人,2021b年;Campos等人,2023年)。由于GIS模型往往存在非线性关系以及输入参数之间的潜在相互作用,仅孤立地分析单个参数可能无法准确反映它们的综合效应以及由此产生的复杂性问题。全局敏感性分析则能更好地捕捉GIS数据中复杂的、空间上具有异质性且常常存在自相关性的关系(Ligmann-Zielinska与Jankowski,2014b年;Pe?acoba-Antona等人,2021a年)。由于目标权重具有主观性、易于受到引导偏差影响且容易被操纵,因此它是最常被分析的不确定性来源(Chen、J.Yu等人,2010年;Haag等人,2022a年)。正因如此,大多数GIS-MCDA不确定性分析与敏感性分析研究都只调整目标权重(例如Feizizadeh等人,2014a年;Ligmann-Zielinska与Jankowski,2014b年;de Brito等人,2019b年;Cartwright等人,2022年;Soliman等人,2022年;Campos等人,2023年;Aidinidou等人,2023年;Rafiquee与Shabbiruddin,2024年;Marzouk与Azab,2024年;Membele等人,2024年;Shahmoradi等人,2026年)。然而,仅仅关注目标权重就会忽视其他不确定性来源(Ligmann-Zielinska与Jankowski,2014b年)。根据Bertsch与Fichtner的观点(2016年),多准则决策分析的不确定性主要源于三个方面:第一是输入数据的不确定性,第二是偏好方面的不确定性,这一类别又可进一步细分为反映各场地在某一目标下表现情况的内部准则偏好(通过属性值尺度来表征)以及反映各目标之间相对重要性的外部准则偏好(通过目标权重来表征),第三是模型本身的不确定性,即模型结构中对现实情况的简化处理。此外,关于究竟哪些人的偏好会被纳入分析的问题也基本上被忽视了。此前的一项研究显示(Lacroix,2025年;Lacroix等人,正在审稿中),不同的专业角色并不能始终预测出一致的偏好模式,这就引发了如何在GIS-MCDA中有效选取多样化的利益相关群体以获取偏好参数的疑问。目前很少有GIS-MCDA研究涉及其他参数,比如数据集(例如Saint-Geours等人,2012年;Pe?acoba-Antona等人,2021b年;Anteneh等人,2022年;Rane等人,2023年),而且在我们所查阅的所有研究中,也没有任何研究在不确定性分析或敏感性分析中调整过加性系数或属性值尺度。表SI-1.1汇总了那些在GIS-MCDA模型中开展不确定性分析与敏感性分析的研究,详细说明了分析类型、所调整的输入参数以及报告的结果类型。本研究运用不确定性分析与全局敏感性分析,全面评估GIS-MCDA规划支持系统SSANTO——即空间适宜性分析工具中偏好参数的不确定性,这些参数包括目标权重、属性值尺度以及聚合函数的类型(Kuller等人,2019年;Lacroix等人,2024年)。由于这类规划支持系统会影响空间规划决策,因此开展此类分析至关重要(Saltelli等人,2019年)。本研究主要有两项贡献。首先,它提出了一种方法论框架,将不确定性分析与基于Sobol的全局敏感性分析整合到空间GIS-MCDA模型中,从而能够系统地分析偏好相关不确定性在规划支持系统中的传播机制。其次,它在SSANTO规划支持系统中展示了该框架的实际应用,为提升参与式空间规划应用的透明度与稳健性提供了可复制的操作流程。据我们所知,目前还没有研究系统地量化偏好相关参数的不确定性,尤其是目标权重、属性值尺度以及聚合函数类型这些参数,是如何影响GIS-MCDA规划支持系统输出结果的。本研究通过将空间显式的敏感性分析与不确定性分析相结合,并利用针对空间规划定制的蒙特卡洛模拟方法,对大量不同的输入组合进行不确定性传播分析,填补了这一空白。本研究要解决以下研究问题:在不同输入参数条件下,GIS-MCDA规划支持系统的空间输出结果具有多大的稳定性?在目标权重、属性值尺度以及聚合函数这几类输入参数中,哪些参数对蓝绿基础设施适宜性地图的变异程度影响最大?在将不同利益相关者的价值融入GIS-MCDA规划支持系统时,有效的偏好获取在确定空间规划优先级方面起着怎样的作用?我们的研究目标是:第一,识别出那些由于对决策不确定性影响较大而需要重点关注的输入参数;第二,评估在面临偏好多样化或不稳定的参与式场景时,进行彻底的偏好获取工作的必要性;第三,提出一种可复制的不确定性分析与敏感性分析框架,以提高GIS-MCDA规划支持系统的透明度、可解释性及可靠性。
方法概述通过同时改变多个输入参数,可以提高不确定性分析与敏感性分析的稳健性。在本研究中,我们在全局敏感性分析框架下采用了基于方差的分解方法,并结合蒙特卡洛模拟,来分析输入参数对模型输出结果——即空间适宜性地图——的影响(见图1)。我们共进行了J次模型运行,其中N个样本是通过Sobol准随机序列生成的(Sobol,1967年),随后根据2.4节中描述的采样策略将这些样本转换为对应的参数特定概率分布函数(即多元正态分布)。
结果收敛性检验表明,90,000次模型运行足以确保分析结果的可靠性(详见补充信息部分SI-3.1)。总体来看,分析结果显示出稳定的敏感性指数。所有参数的一阶敏感性指数平均值约为96%,在各个像素层面的数值则在86%到115%之间波动,这一数值接近预期的100%,也与基于蒙特卡洛方法的Sobol估计器所存在的抽样变异范围相符。约有10%的敏感性指数存在轻微的波动。
讨论第4章分为两个主要部分:4.1节探讨分析结果如何为偏好获取过程提供参考,重点分析其方法论意义;4.2节则介绍本研究的局限性,并指出未来研究的方向。
结论本研究首次全面分析了在参与式规划背景下,由利益相关者确定的各类参数——即目标权重、属性值尺度的形态以及聚合函数的加性程度——是如何共同影响GIS-MCDA模型输出结果的。据我们所知,这是首次在空间规划场景中,将完整的不确定性分析与全局敏感性分析方法应用于由真实利益相关者及专家所提供的所有这类参数。通过90,000次蒙特卡洛模拟,本研究实现了对这些参数影响机制的深入探究。
CRediT作者贡献说明Martijn Kuller:写作——审阅与编辑、结果验证、研究监督、软件使用、资源协调、方法设计、概念构思。Sandrine Lacroix:写作——审阅与编辑、初稿撰写、结果可视化、软件使用、方法设计、研究实施、形式化分析、数据整理、概念构思。Fran?oise Bichai:写作——审阅与编辑、结果验证、研究监督、资源协调、方法设计、资金筹集、概念构思。Danielle Dagenais:写作——审阅与编辑、结果验证。
未引用文献Chen等人,2010年;Chen等人,2010年;Haag等人,2019年;Haag等人,2019年;Lacroix等人;Puy等人,2022年。
数据可用性本研究使用的空间数据集均为公开可获取的,其来源信息列于表SI-4.1中。如需了解有关GIS-MCDA软件的更多信息,请访问:https://urbanbeatsmodel.com/about-ssanto-pss/。可通过以下链接申请使用SSANTO PSS:https://martijnkuller.limesurvey.net/439414?lang=fr。•软件名称:空间适宜性分析工具(SSANTO)•开发者:Martijn Kuller•联系方式:sandrine.lacroix@etud.polymtl.ca•首次可用日期:SSANTO PSS已推出。
关于生成式AI及AI辅助技术在写作过程中的应用声明
作者使用了ChatGPT来提升文本的可读性和语言表达水平。在使用该工具后,作者对内容进行了必要的审阅和修改,并对文章内容承担全部责任。
利益冲突声明
? 作者声明自己不存在任何可能影响本文所述工作的已知财务利益或个人关系。
致谢
相关计算是在Calcul Québec和加拿大数字研究联盟(the Alliance)管理的超级计算机[Narval]上完成的。该超级计算机的运行得到了Alliance、魁北克省经济、创新与能源部(MEIE)以及魁北克研究基金(FRQ)的资助。我们要感谢Solydd Solutions团队(K. Leumassi、E. Kenmogne和J.-R. Guiala)在软件开发方面做出的重要贡献。
Sandrine Lacroix | Martijn Kuller | Jonathan Jalbert | Danielle Dagenais | Fran?oise Bichai
加拿大魁北克省蒙特利尔市édouard-Montpetit大道2900号,蒙特利尔理工学院土木工程系
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号