论文部分内容阅读
摘 要：GLOBIO3模型是全球生物多样性评价领域的前沿成果。该模型以剂量-反应关系为基础，借助比较容易监测的驱动因子预测难以监测的生物多样性。这一模型具有明显的创新性，但也有不足之处。该文在介绍GLOBIO3模型主体框架和基本方法的基础上，分析其中存在的不足并提出具有针对性的建议，以期完善GLOBIO3模型并促进相关领域的持续深入研究。
关键词：GLOBIO3 模型 完善
中图分类号：X17 文献标识码：A 文章编号：1674-098X（2014）06（a）-0248-04
GLOBIO3 perfect predictive model of biodiversity - questions， suggestions and Prospects
JIANG Xintong
（Environmental Institute， Renmin University of China， Beijing 100872）
Abstract：GLOBIO3 model is one of the frontier achievements in global biodiversity assessment and forecast.Based on the dose-effct relationship，the model predicts the hardly available biodiversity data using the relatively attainable monitoring results of the environmental and social drivers.Though innovative，the model shows clear shortcomings.This paper will firstly introduce the core framework and fundamental methods of GLOBIO3 as a preparation， then focus on the analysis and resolution of the targeted disadvantages of the model.Following this logic，this paper tries to make meaningful improvements to the model and encourage more studies in related fields.
Key word：GLOBIO3 model perfect
1 引言—— GLOBIO3模型簡介
1.1 基本思想
GLOBIO3[1]使用与原始环境相比的相对平均物种丰度（MSA）来表征一定环境条件下的生物多样性，这是模型需要预测的因变量。同时，GLOBIO3使用植被覆盖、土地利用程度、生态环境破碎化程度、全球平均气温、大气氮沉降量和基础设施建设量这六个驱动因子作为自变量。模型的基础是因变量与六个自变量间的六个函数关系。在对生物多样性进行预测时，先使用未来情景预测模型对驱动因子做出预测，然后将因子的预测值输入模型，其输出结果就是预测的MSA。
1.2 具体方法
对因变量与自变量的函数关系进行回归时需要使用样本数据，这些样本数据通过Meta分析得到。选取与“生物多样性和环境条件的关系”高度相关的研究，提取其中对生物多样性和环境条件进行描述的数据形成回归建模的素材。
得到自变量和因变量的函数关系后，需要对未来的自变量取值进行预测。模型中六个驱动因子的预测值依赖于对未来经济、社会和环境发展情景的预期。GLOBIO3将经济发展、植被覆盖及气候变化等领域的权威研究结果结合起来，构建驱动因子的预测模型。
将驱动因子的数值分别输入六个函数，得到每个因子影响下，生物多样性的预测值。基于驱动因子间不存在相互作用关系的假设，将六个函数的因变量值相乘，得到MSA综合预测值。
1.3 论题摘要
GLOBIO3模型的思想方法新颖、使用过程简洁。但是这不能掩盖理论分析和实践检验中显示的不足之处。为了完善该模型，该文将对三个主要问题进行分析并以此为基础提出建议。分析的三个不足之处包括：
（1）忽略重要驱动因子导致模型具有遗漏变量偏差；
（2）样本数据的收集质量不高，函数关系缺乏对某些地区和某些因子的代表性；
（3）对未来发展情景的预测结果单一，结论不够稳健；
以下三个部分将对这些问题分别进行分析。
2 忽略影响生物多样性的重要因子
2.1 问题分析
GLOBIO3的基础是六个驱动因子（植被覆盖、土地利用程度、生态环境破碎化程度、全球平均气温、大气氮沉降量和基础设施建设量）与生物多样性（平均物种丰度MSA）的剂量反应关系。其中，土地覆盖变化、土地利用强度、生态环境破碎化程度、气候变化、大气氮沉降因子源于评价全球环境的综合模型（IMAGE；MNP 2006）[3]；基础设施建设因子源于GLOBIO2模型。通过参考IMAGE团队、MNP和GLOBIO2的研究成果，GLOBIO3模型比较全面地体现了现有研究中对生物多样性具有显著影响的因子。
但是，通过文献分析找寻驱动因子的方法容易受到文献选择的制约，产生遗漏变量偏差。解决遗漏变量偏差的最佳途径就是通过更加深入的研究将以往未注意到的显著因子纳入模型。对发展问题的关注，使得很多研究注重贫困和生态的关系。已有一些研究发现，贫困地区与生物多样性热点地区高度重合（Brendan Fisher 2007）[7]，而且在经济发展水平较低的时期表现得尤其明显。这符合贫困导致生物多样性减少的理论预期。这一现象促使我们在完善GLOBIO3模型时，应当首先纳入被遗漏的“贫困水平”驱动因子以减小预测的偏差。或许“贫困水平”只是诸多遗漏变量中的一个，纳入它并不能使得这个模型足够全面。但是通过纳入“贫困水平”来完善模型却是探索更多遗漏变量的良好开端。 2.2 解决措施
（1）准确选取贫困水平的测度指标
将“贫困水平”纳入GLOBIO3模型的前提条件是找到合适的指标量化贫困水平。根据不同的研究目的，以往研究中使用的贫困测度指标包括生活水平、财产、教育水平、健康状况、营养条件等（Azariadis 2005[4]，Bowless 2006[5]，Carter MR 2006[6]）。由于在GLOBIO3中纳入“贫困水平”因子是从经济和环境的关系入手分析人类的福利水平变化，其测度应当既包括反映经济水平的货币指标，又包括反应环境变化的非货币指标。例如：选取劳动力人均收入直接度量贫困水平（Huib Hengsdijk 2007）[7]；或选取人群健康和死亡率指标间接度量贫困水平。
（2）在充分论证的基础上选择函数形式
“贫困水平”具有显著的经济发展阶段性特征，在描述它与生物多样性的关系时，许多学者以环境经济学为基础提出：应当使用库兹涅茨曲线的函数形式（Stern et al. 1996）拟合这种函数关系。这种想法来源于保护生物多样性会提高经济活动的机会成本的基本理论（M.Norton-Griffiths et al.1995）[8]，表示早期生物多样性会随着经济增长而降低；而到达一定临界状态后，生物多样性又随经济发展而升高。更多研究在试图应用这一函数形式时发现：该种形式成立的条件是生物多样性保护政策和经济发展政策协调实施，而这种双赢关系通常难以实现（D.Hulme 2001[9]， C.B.Barrett 1995[1]，M.Wells 1992[10]）。所以，在拟合生物多样性与贫困水平的函数关系时依然应当采用简单线性回归模型。
（3）在适合的尺度上使用模型
“贫困水平”的地区异质性（T.Kepe 2004）限制了模型应用的尺度条件。正如对库兹涅茨曲线临界点的计算结果常因所选取的研究地区不同而产生巨大的差异（Panayotou 1993；Cropper and Griffiths 1994[12]），经济变量受制度因素的影响极大，在不同国家和地区对生物多样性的影响差异显著。（Southgate 1990[13]， Mendelsohn 1994[14]， von Amsberg 1994[15]）可以说，“贫困水平”因子作为该模型中对经济水平的代表，对全球尺度生物多样性的影响效果已经很不明确了。因此，纳入“贫困水平”后的GLOBIO3模型应当在较小的空间尺度上使用，比如在某一国家或地区共同体范围内。
3 样本数据的收集缺乏代表性
3.1 问题分析
GLOBIO3模型中驱动因子与生物多样性的因果关系是通过Meta分析从已经发表的文献中收集数据并拟合回归得到的。GLOBIO3团队先从SCI等权威数据库中搜索以“生物多样性与驱动因子的关系”为主题的研究；然后，从这些研究中提取驱动因子和生物多样性的数据；最后，利用这些数据建立驱动因子和生物多样性的对应关系。在实际检测技术受到限制，监测数据缺失严重的情况下，Meta分析方法能够间接帮助研究人员获得数据（G?ran Arnqvist et al.1995）[16]，但是其精确度低、数据代表性不足等问题降低了研究的指导意义。下文将着重讨论如何通过建立更完整有效的网络来获取并综合利用数据来拟合函数。
GLOBIO3在拟合函数时使用的数据通过Meta分析得到，其中存在的问题主要有：第一，对不同区域的代表性不均。在温带和北半球的大多数区域，人类活动的历史较长，难以找到未受人类干扰的参照情景，所以计算相对物种丰度存在困难。这一问题使得GLOBIO3中热带地区的数据丰富程度远高于温带和北方区域，导致模型对不同地区的代表性不均匀。第二，对于不同物种的代表性不均。分析基础设施建设影响的研究多以鸟类或哺乳动物为研究对象；而分析大气氮沉降的影响的研究则主要以温带植物为研究对象。第三，数据的统计精度差异为综合利用带来困难。比如：不同利用类型的地块分布数据既可以从FAO（FAO 2006）得到，又可以通过卫星影像数据获得，两种来源的统计精度不同；不同地区的基础设施统计精度也有较大差异。这都为这些数据在同一个模型中的整合利用带来困难。
3.2 解决措施
（1）综合利用监测数据和文献数据，增强数据体系的丰富度和代表性。
首先，扩大Meta分析的文献覆盖范围，增强对弱势物种和弱势因子的代表性。比如：欧洲地区的数据对植物物种的代表性不足，可以将对欧洲植物物种（Bakkenes et al.2002）[17]和生物群系（Leemans and Eickhout 2004）[18]的研究成果纳入Meta分析，增强对植物物种的代表性。再如：气候变化因子的建模依据只有IMAGE2.4模型，在文献分析中占比较少，属于弱势因子。借助生物对气候变化适应行为的研究成果（Peterson et al.2002[19]； Thuiller et al.2006[20]；Arau jo et al. 2006[2]）为气候变化因子的建模提供更强大的理论支持。其次，将实地监测与Meta分析结合使用，增强对弱势地区的代表性。例如：GLOBIO3在温带和北方地区的数据较少，可以使用瑞典的国家生物多样性监测数据（BDM 2004）作为GLOBIO3数据的补充，因为BDM中的取样点主要位于温带阔叶混交林和温带针叶林（Laura De baan et al.2013）[22]。该数据的实用性也在一些“生命周期影响评价”的相关研究（Koellner and Scholz 2008）中得到证实。
（2）完善监测体系，打好数据基础。
目前，全球已有很多国家致力于生物多样性的实地监测，但因检测标准尚未统一、监测成本过于高昂，导致数据的监测质量很低，难以综合利用。为了提供比Meta分析更为有力的数据支持，必须尽快完善数据监测网络。首先，改进和统一实地监测方法。目前，在陆地生物多样性监测中，比较先进的检测体系是in situ系统，它对物种、环境因子和人类活动的空间分布综合监测。为了增强监测数据的有效性，不同的检测地点的监测频度、方法和物种应当一致（Ferrier et al.2011）[23]。其次，应当注重样地监测和遥感监测的结合。in situ系统监测成本较高，使得很多地區多项数据严重缺失。使用卫星遥感数据以及其他的远程监控数据作为对in situ监测数据的补充可以在一定程度上弥补数据空白。为了使样地监测和遥感监测结果更好地配合，应当积极发展GEO BON这样的科研项目，探索整合利用in situ及遥感监测数据的方法（Scholes et al.2008）[24]。为了促进不同地区之间的数据综合利用，应当积极构建以跨国NGO为中心，包括其他NGO组织、研究机构和大学、保护区管理机构和森林管理机构的多渠道数据收集和利用网络。 4 对未来发展情景的预测不够稳健
4.1 问题分析
情景预测对生物多样性的预测具有决定性作用（Pearson et al.2006）[25]，因此情景预测的准确性和稳健程度至关重要。目前的生物多样性预测研究通常在常用的情景预测模型中选择一个加以使用，有时会援引其他研究支持自己所选用的模型（Olden，J.D.and Jackson，D.A.2002；[26]Anderson.R.P.2004[27]）；GLOBIO3模型也使用了类似的方法，但并沒有预测模型的选择依据进行论证。具体而言：GLOBIO3使用IMAGE2.4模型预测一定社会经济发展框架下土地利用的变化，以Global Land Cover 2000地图作为补充以提高精度；使用FAO和世界土壤地图预测全球氮沉降和超额氮负荷；用Digital Chart of the World数据库（DMA 1992）预测道路和管线建设的分布情况；根据土地利用的变化计算群落面积未来的变化（代表生态破碎化程度）；用IMAGE模型预测全球平均气温的变化情况。不加论证地选择预测模型的问题是说服力不足（Schmit et al.，2006）[3]；用单一而确定的预测结果取代多种潜在预测路径的问题是预测的稳健型和全面性缺失。
4.2 解决措施
（1）对多种模型的预测结果进行交互验证
情景预测模型有很多范本，但是不同研究对象地理条件和自然禀赋的差异使得从理论层面对比研究模型的适用性很难；而通过实地监测结果对模型有效性进行验证的成本又高。为了在不违反成本有效性的前提下增强预测结果的稳健程度，建议综合使用多种预测模型，并且将模型的输出结果进行交互验证。
为了给这种交互验证提供素材，这里对处于国际前沿的情景预测模型及其主要思想进行回顾。IMAGE综合评价模型通过模拟全球贸易情景判断对农林产品的需求变化，从而间接计算农、林用地的面积变化。其优势在于充分考虑到预测范围之外的国际因素，适合开放条件下的情景预测（MNP 2006）[29]。Dyna-CLUE模型充分考虑用地需求、地理位置、管理政策、用地改变的难易程度等多重因素的交互作用，其中不同利用方式在同一地块上相互竞争的假设很符合日趋紧张的用地预期（Yongyut Trisurat et al 2010）[30]。但是该模型变量较多，数据需求高，只在小尺度研究中有较强的模拟能力。（Castella and Verburg 2007； Pontius 2008[31]； Verburg and Veldkamp 2004[32]）该模型包含40种具体的气候变化情景。已经初具概率预测的意义，其最新进展Post-SRES还考虑了政策选择与发展情景的交互作用（Strengers et al.2004）[33]。GCMs （Global Climate Models）模型可以分析气候变化情景预测的不确定性（Polvani et al.2004[34]）。人类足迹模型通过预测人口密度、对生态系统的干扰程度（Cardillo et al.2004[35]）、人类活动足迹（Sanderson et al.2002）和对初级产品的分配方式来预测未来环境的变化。（Imhoff et al. 2004）[36]。
因为难以捕捉影响未来环境经济情景的所有因素及影响机理，任何预测模型给出的结果都是不尽准确的。但是，这些模型从不同的角度提出的经济与环境发展的假设都是基于一定的历史趋势，因此模型间应当存在对未来情景预测的共性。如果能够比较这些模型的预测结果，剔除造成预测结果差异的变量，就能够在一定程度上找到这些模型对未来发展情景的公共认知并以次为平台构建未来的宏观图景。这一宏观图景就是分析在未来某一时点的生物多样性变化驱动因子的基础。模型预测结果之间的交互验证能够使用比较分析的方法推进对潜在发展路径的全面探索，增强预测结果的稳健性。
（2）利用“集合预测”和“一致预测”方法
预测情景是多方面输入条件给定后的一个输出结果，其核心层面包括“基年情景”、“模型类别”、“参数设定”等。每个方面在不同的发展模式假设下都会有不同的预测结果，将各方面的多种预测结果排列组合能够形成一系列综合预测图景。虽然难以在繁多的组合情景中筛选出最为准确的一个，但是从这些组合中体现的总体趋势却会在很大的概率上接近真实的发展情景。
“集合预测”方法同时考虑由不同的“基年情景”、“模型类别”、“参数设定”等多种条件组合生成的众多发展情景组成的情景预测集合。依据统计学的方法，以预测集合为样本数据，“集合预测”可以划定未来发展情景的变化区间并给出估计的可靠程度。使用“集合预测”方法建立气候变化—生物多样性预测模型（Pearson， R.G.et al.2006[37]；Thuiller，W.et al.2004[38]）的尝试可以认为是将这一方法应用于未来情景预测的范本。统计学的研究证实，集合预测能够比任何一种单一的预测方法产生更小的平均误差。（Cramer .W. 2001）
由“集合预测”发展而来的“一致预测”可以认为是在“集合预测”给出的大概率范围中求得一个未来发展情景的期望值作为最终的预测结果。目前，“一致预测”方法已经在建立气候变化情景的概率分布模型中有较好的应用（Stainforth.D.A et al.2005[39]），在此基础上，将“一致预测”推广到情景预测的其他方面需要更多持续的研究。同时，“一致预测”的研究人员强调使用这一方法的一个条件是尽量穷尽可能的组合情景，因为只有当这些组合全面地覆盖未来的发展路径，才能维持稳定的概率分布，从而得出更加稳健的预测结果。（Allen， M. et al. 2002[40]）
5 结语
GLOBIO3模型是对生物多样性进行预测的创新性方法，为了完善该方法，本文从纳入“贫困水平”驱动因子、增强建模数据的代表性和提高未来情景预测的准确程度三个方面入手，分别提出具有针对性的解决办法。在纳入“贫困水平”驱动因子时，应当使用货币指标与非货币指标相结合的方法来测度贫困水平、使用简单线性模型并在较小的地理尺度上应用改进后的模型；为增强数据的代表性，一方面发掘已有的文献数据和监测数据，提高对弱势因子、弱势物种和弱势地区的代表性，另一方面发展综合检测体系为以后的研究提供更加准确的数据基础；在预测未来情景时，既可以对不同模型的预测结果进行交互验证来发现共同的趋势，又可以使用不同条件的多种取值排列组合形成的预测集，划定未来发展情景的变化范围并求得期望趋势。 該文的建议主要针对三个比较明显的问题，但是GLOBOI3模型的完善仍需要对更多潜在的不确定性进行深入讨论。比如：同样没有包含在GLOBIO3模型中，却可能对生物多样性有重大影响的因素还有“生物交换”和“大气CO2聚集”等（R Leemans et al.2007）[41]，对这些因子影响的认识还很粗浅，只有通过更大力度的文献分析来逐步加深对他们的理解才能在此基础上建立合适的函数模型。再如：在深入挖掘现有的数据时，以何种方式将样地数据和遥感数据进行完美结合仍然需要探讨；在构建数据监测体系时面临的现实问题就是政策选择只对监测频度高，从而时间序列数据全面的物种有利（M de Heer， 2000），这就为发展定量方法，确定不同物种在数据收集时应当占据的权重提出诉求。只有继续推进相关领域的深入研究与国际合作才能为这些潜在的问题提出更明确的探索方法和更准确的答案。
参考文献
[1] Rob Alkemade，Mark Van oorschot，Lera Miles，et al.Globio3： a Framework to Investigate Options for Reducing Global Terrestrial Biodiversity Loss[J].Ecosystems，2009，12（3）：374-390.
[2] MNP. Integrated modeling of global environmental change. An overview of IMAGE 2.4.（2006）.Bilthoven，the Netherlands： Netherlands Environmental Assessment Agency （MNP）.
[3] Fisher，B.，Christopher，T. Poverty and biodiversity： Measuring the overlap of human poverty and the biodiversity hotspots[J]. Ecological Economics， 2007，62（1）：93-101.
[4] Costas Azariadis，John Stachurski.Poverty Traps[J].Handbook of Economic Growth， 2005，1（2）：295-384.
[5] Samuel Bowles，Steven N Durlauf，Karla Hoff.Poverty Traps[M].[S.l.]：Princeton University Press，2006.
[6] Michael R Carter，Christopher B Barrett.The Economics of Poverty Traps and Persistent Poverty： an Asset-based Approach[J].The Journal of Development Studies，2006，42（2）：178-199.
[7] Huib Hengsdijk，Wang Guanghuo，Marrit M Van den berg， et al.Poverty and Biodiversity Trade-offs in Rural Development： a Case Study for Pujiang County， China[J].Agricultural Systems，2007，94（3）：851-861.
[8] Michael Norton-griffiths，Clive Southey.The Opportunity Costs of Biodiversity Conservation in Kenya[J].Ecological Economics，1995，12（2）：125-139.
[9] David Hulme，Marshall Murphree.African Wildlife and Livelihoods： the Promise and Performance of Community Conservation.[M].[S.l.]：James Currey Ltd，2001.
[10] Christopher B Barrett，Peter Arcese.Are Integrated Conservation-development Projects （icdps） Sustainable？ on the Conservation of Large Mammals in Sub-saharan Africa[J].World Development，1995，23（7）：1073-1084.
[11] Michael Wells，K Bradon.People and Parks：Linking Protected Area Management with Local Communities[M].[S.l.]：World Bank，1992.
[12] Maureen Cropper，Charles Griffiths.The Interaction of Population Growth and Environmental Quality.[J].American Economic Review，1994，84（2）：250-4.
[13] Douglas Southgate，John Sanders，Simeon Ehui.Resource Degradation in Africa and Latin America：Population Pressure， Policies， and Property Arrangements[J].American Journal of Agricultural Economics，1990，72（5）：1259-1263. [14] Robert Mendelsohn.Property Rights and Tropical Deforestation[J].Oxford Economic Papers，1994：750-756.
[15] Joachim Von amsberg.Economic Parameters of Deforestation[R].The World Bank，1994.
[16] G?ran Arnqvist，David Wooster.Meta-analysis： Synthesizing Research Findings in Ecology and Evolution[J].Trends in Ecology & Evolution，1995，10（6）：236-240.
[17] M Bakkenes，JRM Alkemade，F Ihle， et al.Assessing Effects of Forecasted Climate Change on the Diversity and Distribution of European Higher Plants for 2050[J].Global Change Biology，2002，8（4）：390-407.
[18] Rik Leemans，Bas Eickhout.Another Reason for Concern： Regional and Global Impacts on Ecosystems for Different Levels of Climate Change[J].Global Environmental Change，2004， 14（3）：219-228.
[19] A Townsend Peterson，Miguel A Ortega-huerta，Jeremy Bartley， et al.Future Projections for Mexican Faunas Under Global Climate ChangeScenarios[J].Nature，2002，416（6881）：626-629.
[20] Wilfried Thuiller，Guy F Midgley，Greg O Hughes， et al.Endemic Species and Ecosystem Sensitivity to Climate Change in Namibia[J].Global Change Biology，2006，12（5）：759-776.
[21] Miguel B Araujo，Antoine Guisan.Five （or So） Challenges for Species Distribution Modelling[J]. Journal of Biogeography，2006，33（10）：1677-1688.
[22] Laura De baan，Rob Alkemade，Thomas Koellner.Land Use Impacts on Biodiversity in Lca： a Global Approach[J].The International Journal of Life Cycle Assessment，2013，18（6）：1216-1230.
[23] Simon Ferrier.Extracting More Value From Biodiversity Change Observations Through Integrated Modeling[J].Bioscience，2011，61（2）：96-97.
[24] RJ Scholes，GM Mace，W Turner， et al.Toward a Global Biodiversity Observing System[J]. Science， 2008，321（5892）：1044-1045.
[25] Richard G Pearson，Wilfried Thuiller，Miguel B Araújo， et al.Model‐based Uncertainty in Species Range Prediction[J].Journal of Biogeography，2006，33（10）：1704-1711.
[26] Julian D Olden，Donald A Jackson.A Comparison of Statistical Approaches for Modelling Fish Species Distributions[J].Freshwater Biology，2002，47（10）：1976-1995.
[27] Robert P Anderson，Miroslav Dudík，Simon Ferrier， et al.Novel Methods Improve Prediction of Species’Distributions From Occurrence Data[J].Ecography，2006，29（2）：129-151.
[28] Christian Schmit，Mark DA Rounsevell，Isidore La jeunesse.The Limitations of Spatial Land Use Data in Environmental Analysis[J].Environmental Science & Policy，2006，9（2）：174-188.
[29] AF Bouwman，Tom Kram，Ke Klein goldewijk.Intergrated Modelling of Global Environmenthal Change： an Overview of Image 2.4.MNP，2006. [30] Yongyut Trisurat，Rob Alkemade，Peter H Verburg.Projecting Land-use Change and Its Consequences for Biodiversity in Northern Thailand[J].Environmental Management， 2010，45（3）：626-639.
[31] Robert Gilmore Pontius jr，Wideke Boersma，Jean-Christophe Castella， et al.Comparing the Input， Output， and Validation Maps for Several Models of Land Change[J].The Annals of Regional Science，2008，42（1）：11-37.
[32] Peter H Verburg，Paul P Schot，Martin J Dijst， et al.Land Use Change Modelling： Current Practice and Research Priorities[J].Geojournal，2004，61（4）：309-324.
[33] Bart Strengers，Rik Leemans，Bas Eickhout， et al.The Land-use Projections and Resulting Emissions in the Ipcc Sres Scenarios Scenarios as Simulated By the Image 2.2 Model[J]. Geojournal， 2004，61（4）：381-393.
[34] Lorenzo M Polvani，RK Scott，SJ Thomas.Numerically Converged Solutions of the Global Primitive Equations for Testing the Dynamical Core of Atmospheric Gcms.[J].Monthly Weather Review，2004，132（11）：2539-2552.
[35] Marcel Cardillo，Andy Purvis，Wes Sechrest， et al.Human Population Density and Extinction Risk in the World’s Carnivores[J].Plos Biology，2004，2（7）：24-35.
[36] Marc L Imhoff，Lahouari Bounoua，Taylor Ricketts， et al.Global Patterns in Human Consumption of Net Primary Production[J].Nature，2004，429（6994）：870-873.
[37] Richard G Pearson，Wilfried Thuiller，Miguel B Araújo， et al.Model-based Uncertainty in Species Range Prediction[J].Journal of Biogeography，2006，33（10）：1704-1711.
[38] Wilfried Thuiller，Miguel B Araújo，Richard G Pearson， et al.Biodiversity Conservation： Uncertainty in Predictions of Extinction Risk[J].Nature，2004，430（6995）：145-148.
[39] David A Stainforth，T Aina，C Christensen， et al.Uncertainty in Predictions of the Climate Response to Rising Levels of Greenhouse Gases[J].Nature，2005，433（7024）：403-406.
[40] Allen，M.et al.Model error in weather and climate forecasting[B].Inpredictability of Weather and Climate，2002： 391–427.Cambridge University Press.
[41] R Leemans，KJ Gaston，AS Van jaarsveld，et al.International Review of the Globio Model Version 3[J].Netherlands Environmental Assessment Agency（mnp）.Bilthoven，the Netherlands，2007.
关键词：GLOBIO3 模型 完善
中图分类号：X17 文献标识码：A 文章编号：1674-098X（2014）06（a）-0248-04
GLOBIO3 perfect predictive model of biodiversity - questions， suggestions and Prospects
JIANG Xintong
（Environmental Institute， Renmin University of China， Beijing 100872）
Abstract：GLOBIO3 model is one of the frontier achievements in global biodiversity assessment and forecast.Based on the dose-effct relationship，the model predicts the hardly available biodiversity data using the relatively attainable monitoring results of the environmental and social drivers.Though innovative，the model shows clear shortcomings.This paper will firstly introduce the core framework and fundamental methods of GLOBIO3 as a preparation， then focus on the analysis and resolution of the targeted disadvantages of the model.Following this logic，this paper tries to make meaningful improvements to the model and encourage more studies in related fields.
Key word：GLOBIO3 model perfect
1 引言—— GLOBIO3模型簡介
1.1 基本思想
GLOBIO3[1]使用与原始环境相比的相对平均物种丰度（MSA）来表征一定环境条件下的生物多样性，这是模型需要预测的因变量。同时，GLOBIO3使用植被覆盖、土地利用程度、生态环境破碎化程度、全球平均气温、大气氮沉降量和基础设施建设量这六个驱动因子作为自变量。模型的基础是因变量与六个自变量间的六个函数关系。在对生物多样性进行预测时，先使用未来情景预测模型对驱动因子做出预测，然后将因子的预测值输入模型，其输出结果就是预测的MSA。
1.2 具体方法
对因变量与自变量的函数关系进行回归时需要使用样本数据，这些样本数据通过Meta分析得到。选取与“生物多样性和环境条件的关系”高度相关的研究，提取其中对生物多样性和环境条件进行描述的数据形成回归建模的素材。
得到自变量和因变量的函数关系后，需要对未来的自变量取值进行预测。模型中六个驱动因子的预测值依赖于对未来经济、社会和环境发展情景的预期。GLOBIO3将经济发展、植被覆盖及气候变化等领域的权威研究结果结合起来，构建驱动因子的预测模型。
将驱动因子的数值分别输入六个函数，得到每个因子影响下，生物多样性的预测值。基于驱动因子间不存在相互作用关系的假设，将六个函数的因变量值相乘，得到MSA综合预测值。
1.3 论题摘要
GLOBIO3模型的思想方法新颖、使用过程简洁。但是这不能掩盖理论分析和实践检验中显示的不足之处。为了完善该模型，该文将对三个主要问题进行分析并以此为基础提出建议。分析的三个不足之处包括：
（1）忽略重要驱动因子导致模型具有遗漏变量偏差；
（2）样本数据的收集质量不高，函数关系缺乏对某些地区和某些因子的代表性；
（3）对未来发展情景的预测结果单一，结论不够稳健；
以下三个部分将对这些问题分别进行分析。
2 忽略影响生物多样性的重要因子
2.1 问题分析
GLOBIO3的基础是六个驱动因子（植被覆盖、土地利用程度、生态环境破碎化程度、全球平均气温、大气氮沉降量和基础设施建设量）与生物多样性（平均物种丰度MSA）的剂量反应关系。其中，土地覆盖变化、土地利用强度、生态环境破碎化程度、气候变化、大气氮沉降因子源于评价全球环境的综合模型（IMAGE；MNP 2006）[3]；基础设施建设因子源于GLOBIO2模型。通过参考IMAGE团队、MNP和GLOBIO2的研究成果，GLOBIO3模型比较全面地体现了现有研究中对生物多样性具有显著影响的因子。
但是，通过文献分析找寻驱动因子的方法容易受到文献选择的制约，产生遗漏变量偏差。解决遗漏变量偏差的最佳途径就是通过更加深入的研究将以往未注意到的显著因子纳入模型。对发展问题的关注，使得很多研究注重贫困和生态的关系。已有一些研究发现，贫困地区与生物多样性热点地区高度重合（Brendan Fisher 2007）[7]，而且在经济发展水平较低的时期表现得尤其明显。这符合贫困导致生物多样性减少的理论预期。这一现象促使我们在完善GLOBIO3模型时，应当首先纳入被遗漏的“贫困水平”驱动因子以减小预测的偏差。或许“贫困水平”只是诸多遗漏变量中的一个，纳入它并不能使得这个模型足够全面。但是通过纳入“贫困水平”来完善模型却是探索更多遗漏变量的良好开端。 2.2 解决措施
（1）准确选取贫困水平的测度指标
将“贫困水平”纳入GLOBIO3模型的前提条件是找到合适的指标量化贫困水平。根据不同的研究目的，以往研究中使用的贫困测度指标包括生活水平、财产、教育水平、健康状况、营养条件等（Azariadis 2005[4]，Bowless 2006[5]，Carter MR 2006[6]）。由于在GLOBIO3中纳入“贫困水平”因子是从经济和环境的关系入手分析人类的福利水平变化，其测度应当既包括反映经济水平的货币指标，又包括反应环境变化的非货币指标。例如：选取劳动力人均收入直接度量贫困水平（Huib Hengsdijk 2007）[7]；或选取人群健康和死亡率指标间接度量贫困水平。
（2）在充分论证的基础上选择函数形式
“贫困水平”具有显著的经济发展阶段性特征，在描述它与生物多样性的关系时，许多学者以环境经济学为基础提出：应当使用库兹涅茨曲线的函数形式（Stern et al. 1996）拟合这种函数关系。这种想法来源于保护生物多样性会提高经济活动的机会成本的基本理论（M.Norton-Griffiths et al.1995）[8]，表示早期生物多样性会随着经济增长而降低；而到达一定临界状态后，生物多样性又随经济发展而升高。更多研究在试图应用这一函数形式时发现：该种形式成立的条件是生物多样性保护政策和经济发展政策协调实施，而这种双赢关系通常难以实现（D.Hulme 2001[9]， C.B.Barrett 1995[1]，M.Wells 1992[10]）。所以，在拟合生物多样性与贫困水平的函数关系时依然应当采用简单线性回归模型。
（3）在适合的尺度上使用模型
“贫困水平”的地区异质性（T.Kepe 2004）限制了模型应用的尺度条件。正如对库兹涅茨曲线临界点的计算结果常因所选取的研究地区不同而产生巨大的差异（Panayotou 1993；Cropper and Griffiths 1994[12]），经济变量受制度因素的影响极大，在不同国家和地区对生物多样性的影响差异显著。（Southgate 1990[13]， Mendelsohn 1994[14]， von Amsberg 1994[15]）可以说，“贫困水平”因子作为该模型中对经济水平的代表，对全球尺度生物多样性的影响效果已经很不明确了。因此，纳入“贫困水平”后的GLOBIO3模型应当在较小的空间尺度上使用，比如在某一国家或地区共同体范围内。
3 样本数据的收集缺乏代表性
3.1 问题分析
GLOBIO3模型中驱动因子与生物多样性的因果关系是通过Meta分析从已经发表的文献中收集数据并拟合回归得到的。GLOBIO3团队先从SCI等权威数据库中搜索以“生物多样性与驱动因子的关系”为主题的研究；然后，从这些研究中提取驱动因子和生物多样性的数据；最后，利用这些数据建立驱动因子和生物多样性的对应关系。在实际检测技术受到限制，监测数据缺失严重的情况下，Meta分析方法能够间接帮助研究人员获得数据（G?ran Arnqvist et al.1995）[16]，但是其精确度低、数据代表性不足等问题降低了研究的指导意义。下文将着重讨论如何通过建立更完整有效的网络来获取并综合利用数据来拟合函数。
GLOBIO3在拟合函数时使用的数据通过Meta分析得到，其中存在的问题主要有：第一，对不同区域的代表性不均。在温带和北半球的大多数区域，人类活动的历史较长，难以找到未受人类干扰的参照情景，所以计算相对物种丰度存在困难。这一问题使得GLOBIO3中热带地区的数据丰富程度远高于温带和北方区域，导致模型对不同地区的代表性不均匀。第二，对于不同物种的代表性不均。分析基础设施建设影响的研究多以鸟类或哺乳动物为研究对象；而分析大气氮沉降的影响的研究则主要以温带植物为研究对象。第三，数据的统计精度差异为综合利用带来困难。比如：不同利用类型的地块分布数据既可以从FAO（FAO 2006）得到，又可以通过卫星影像数据获得，两种来源的统计精度不同；不同地区的基础设施统计精度也有较大差异。这都为这些数据在同一个模型中的整合利用带来困难。
3.2 解决措施
（1）综合利用监测数据和文献数据，增强数据体系的丰富度和代表性。
首先，扩大Meta分析的文献覆盖范围，增强对弱势物种和弱势因子的代表性。比如：欧洲地区的数据对植物物种的代表性不足，可以将对欧洲植物物种（Bakkenes et al.2002）[17]和生物群系（Leemans and Eickhout 2004）[18]的研究成果纳入Meta分析，增强对植物物种的代表性。再如：气候变化因子的建模依据只有IMAGE2.4模型，在文献分析中占比较少，属于弱势因子。借助生物对气候变化适应行为的研究成果（Peterson et al.2002[19]； Thuiller et al.2006[20]；Arau jo et al. 2006[2]）为气候变化因子的建模提供更强大的理论支持。其次，将实地监测与Meta分析结合使用，增强对弱势地区的代表性。例如：GLOBIO3在温带和北方地区的数据较少，可以使用瑞典的国家生物多样性监测数据（BDM 2004）作为GLOBIO3数据的补充，因为BDM中的取样点主要位于温带阔叶混交林和温带针叶林（Laura De baan et al.2013）[22]。该数据的实用性也在一些“生命周期影响评价”的相关研究（Koellner and Scholz 2008）中得到证实。
（2）完善监测体系，打好数据基础。
目前，全球已有很多国家致力于生物多样性的实地监测，但因检测标准尚未统一、监测成本过于高昂，导致数据的监测质量很低，难以综合利用。为了提供比Meta分析更为有力的数据支持，必须尽快完善数据监测网络。首先，改进和统一实地监测方法。目前，在陆地生物多样性监测中，比较先进的检测体系是in situ系统，它对物种、环境因子和人类活动的空间分布综合监测。为了增强监测数据的有效性，不同的检测地点的监测频度、方法和物种应当一致（Ferrier et al.2011）[23]。其次，应当注重样地监测和遥感监测的结合。in situ系统监测成本较高，使得很多地區多项数据严重缺失。使用卫星遥感数据以及其他的远程监控数据作为对in situ监测数据的补充可以在一定程度上弥补数据空白。为了使样地监测和遥感监测结果更好地配合，应当积极发展GEO BON这样的科研项目，探索整合利用in situ及遥感监测数据的方法（Scholes et al.2008）[24]。为了促进不同地区之间的数据综合利用，应当积极构建以跨国NGO为中心，包括其他NGO组织、研究机构和大学、保护区管理机构和森林管理机构的多渠道数据收集和利用网络。 4 对未来发展情景的预测不够稳健
4.1 问题分析
情景预测对生物多样性的预测具有决定性作用（Pearson et al.2006）[25]，因此情景预测的准确性和稳健程度至关重要。目前的生物多样性预测研究通常在常用的情景预测模型中选择一个加以使用，有时会援引其他研究支持自己所选用的模型（Olden，J.D.and Jackson，D.A.2002；[26]Anderson.R.P.2004[27]）；GLOBIO3模型也使用了类似的方法，但并沒有预测模型的选择依据进行论证。具体而言：GLOBIO3使用IMAGE2.4模型预测一定社会经济发展框架下土地利用的变化，以Global Land Cover 2000地图作为补充以提高精度；使用FAO和世界土壤地图预测全球氮沉降和超额氮负荷；用Digital Chart of the World数据库（DMA 1992）预测道路和管线建设的分布情况；根据土地利用的变化计算群落面积未来的变化（代表生态破碎化程度）；用IMAGE模型预测全球平均气温的变化情况。不加论证地选择预测模型的问题是说服力不足（Schmit et al.，2006）[3]；用单一而确定的预测结果取代多种潜在预测路径的问题是预测的稳健型和全面性缺失。
4.2 解决措施
（1）对多种模型的预测结果进行交互验证
情景预测模型有很多范本，但是不同研究对象地理条件和自然禀赋的差异使得从理论层面对比研究模型的适用性很难；而通过实地监测结果对模型有效性进行验证的成本又高。为了在不违反成本有效性的前提下增强预测结果的稳健程度，建议综合使用多种预测模型，并且将模型的输出结果进行交互验证。
为了给这种交互验证提供素材，这里对处于国际前沿的情景预测模型及其主要思想进行回顾。IMAGE综合评价模型通过模拟全球贸易情景判断对农林产品的需求变化，从而间接计算农、林用地的面积变化。其优势在于充分考虑到预测范围之外的国际因素，适合开放条件下的情景预测（MNP 2006）[29]。Dyna-CLUE模型充分考虑用地需求、地理位置、管理政策、用地改变的难易程度等多重因素的交互作用，其中不同利用方式在同一地块上相互竞争的假设很符合日趋紧张的用地预期（Yongyut Trisurat et al 2010）[30]。但是该模型变量较多，数据需求高，只在小尺度研究中有较强的模拟能力。（Castella and Verburg 2007； Pontius 2008[31]； Verburg and Veldkamp 2004[32]）该模型包含40种具体的气候变化情景。已经初具概率预测的意义，其最新进展Post-SRES还考虑了政策选择与发展情景的交互作用（Strengers et al.2004）[33]。GCMs （Global Climate Models）模型可以分析气候变化情景预测的不确定性（Polvani et al.2004[34]）。人类足迹模型通过预测人口密度、对生态系统的干扰程度（Cardillo et al.2004[35]）、人类活动足迹（Sanderson et al.2002）和对初级产品的分配方式来预测未来环境的变化。（Imhoff et al. 2004）[36]。
因为难以捕捉影响未来环境经济情景的所有因素及影响机理，任何预测模型给出的结果都是不尽准确的。但是，这些模型从不同的角度提出的经济与环境发展的假设都是基于一定的历史趋势，因此模型间应当存在对未来情景预测的共性。如果能够比较这些模型的预测结果，剔除造成预测结果差异的变量，就能够在一定程度上找到这些模型对未来发展情景的公共认知并以次为平台构建未来的宏观图景。这一宏观图景就是分析在未来某一时点的生物多样性变化驱动因子的基础。模型预测结果之间的交互验证能够使用比较分析的方法推进对潜在发展路径的全面探索，增强预测结果的稳健性。
（2）利用“集合预测”和“一致预测”方法
预测情景是多方面输入条件给定后的一个输出结果，其核心层面包括“基年情景”、“模型类别”、“参数设定”等。每个方面在不同的发展模式假设下都会有不同的预测结果，将各方面的多种预测结果排列组合能够形成一系列综合预测图景。虽然难以在繁多的组合情景中筛选出最为准确的一个，但是从这些组合中体现的总体趋势却会在很大的概率上接近真实的发展情景。
“集合预测”方法同时考虑由不同的“基年情景”、“模型类别”、“参数设定”等多种条件组合生成的众多发展情景组成的情景预测集合。依据统计学的方法，以预测集合为样本数据，“集合预测”可以划定未来发展情景的变化区间并给出估计的可靠程度。使用“集合预测”方法建立气候变化—生物多样性预测模型（Pearson， R.G.et al.2006[37]；Thuiller，W.et al.2004[38]）的尝试可以认为是将这一方法应用于未来情景预测的范本。统计学的研究证实，集合预测能够比任何一种单一的预测方法产生更小的平均误差。（Cramer .W. 2001）
由“集合预测”发展而来的“一致预测”可以认为是在“集合预测”给出的大概率范围中求得一个未来发展情景的期望值作为最终的预测结果。目前，“一致预测”方法已经在建立气候变化情景的概率分布模型中有较好的应用（Stainforth.D.A et al.2005[39]），在此基础上，将“一致预测”推广到情景预测的其他方面需要更多持续的研究。同时，“一致预测”的研究人员强调使用这一方法的一个条件是尽量穷尽可能的组合情景，因为只有当这些组合全面地覆盖未来的发展路径，才能维持稳定的概率分布，从而得出更加稳健的预测结果。（Allen， M. et al. 2002[40]）
5 结语
GLOBIO3模型是对生物多样性进行预测的创新性方法，为了完善该方法，本文从纳入“贫困水平”驱动因子、增强建模数据的代表性和提高未来情景预测的准确程度三个方面入手，分别提出具有针对性的解决办法。在纳入“贫困水平”驱动因子时，应当使用货币指标与非货币指标相结合的方法来测度贫困水平、使用简单线性模型并在较小的地理尺度上应用改进后的模型；为增强数据的代表性，一方面发掘已有的文献数据和监测数据，提高对弱势因子、弱势物种和弱势地区的代表性，另一方面发展综合检测体系为以后的研究提供更加准确的数据基础；在预测未来情景时，既可以对不同模型的预测结果进行交互验证来发现共同的趋势，又可以使用不同条件的多种取值排列组合形成的预测集，划定未来发展情景的变化范围并求得期望趋势。 該文的建议主要针对三个比较明显的问题，但是GLOBOI3模型的完善仍需要对更多潜在的不确定性进行深入讨论。比如：同样没有包含在GLOBIO3模型中，却可能对生物多样性有重大影响的因素还有“生物交换”和“大气CO2聚集”等（R Leemans et al.2007）[41]，对这些因子影响的认识还很粗浅，只有通过更大力度的文献分析来逐步加深对他们的理解才能在此基础上建立合适的函数模型。再如：在深入挖掘现有的数据时，以何种方式将样地数据和遥感数据进行完美结合仍然需要探讨；在构建数据监测体系时面临的现实问题就是政策选择只对监测频度高，从而时间序列数据全面的物种有利（M de Heer， 2000），这就为发展定量方法，确定不同物种在数据收集时应当占据的权重提出诉求。只有继续推进相关领域的深入研究与国际合作才能为这些潜在的问题提出更明确的探索方法和更准确的答案。
参考文献
[1] Rob Alkemade，Mark Van oorschot，Lera Miles，et al.Globio3： a Framework to Investigate Options for Reducing Global Terrestrial Biodiversity Loss[J].Ecosystems，2009，12（3）：374-390.
[2] MNP. Integrated modeling of global environmental change. An overview of IMAGE 2.4.（2006）.Bilthoven，the Netherlands： Netherlands Environmental Assessment Agency （MNP）.
[3] Fisher，B.，Christopher，T. Poverty and biodiversity： Measuring the overlap of human poverty and the biodiversity hotspots[J]. Ecological Economics， 2007，62（1）：93-101.
[4] Costas Azariadis，John Stachurski.Poverty Traps[J].Handbook of Economic Growth， 2005，1（2）：295-384.
[5] Samuel Bowles，Steven N Durlauf，Karla Hoff.Poverty Traps[M].[S.l.]：Princeton University Press，2006.
[6] Michael R Carter，Christopher B Barrett.The Economics of Poverty Traps and Persistent Poverty： an Asset-based Approach[J].The Journal of Development Studies，2006，42（2）：178-199.
[7] Huib Hengsdijk，Wang Guanghuo，Marrit M Van den berg， et al.Poverty and Biodiversity Trade-offs in Rural Development： a Case Study for Pujiang County， China[J].Agricultural Systems，2007，94（3）：851-861.
[8] Michael Norton-griffiths，Clive Southey.The Opportunity Costs of Biodiversity Conservation in Kenya[J].Ecological Economics，1995，12（2）：125-139.
[9] David Hulme，Marshall Murphree.African Wildlife and Livelihoods： the Promise and Performance of Community Conservation.[M].[S.l.]：James Currey Ltd，2001.
[10] Christopher B Barrett，Peter Arcese.Are Integrated Conservation-development Projects （icdps） Sustainable？ on the Conservation of Large Mammals in Sub-saharan Africa[J].World Development，1995，23（7）：1073-1084.
[11] Michael Wells，K Bradon.People and Parks：Linking Protected Area Management with Local Communities[M].[S.l.]：World Bank，1992.
[12] Maureen Cropper，Charles Griffiths.The Interaction of Population Growth and Environmental Quality.[J].American Economic Review，1994，84（2）：250-4.
[13] Douglas Southgate，John Sanders，Simeon Ehui.Resource Degradation in Africa and Latin America：Population Pressure， Policies， and Property Arrangements[J].American Journal of Agricultural Economics，1990，72（5）：1259-1263. [14] Robert Mendelsohn.Property Rights and Tropical Deforestation[J].Oxford Economic Papers，1994：750-756.
[15] Joachim Von amsberg.Economic Parameters of Deforestation[R].The World Bank，1994.
[16] G?ran Arnqvist，David Wooster.Meta-analysis： Synthesizing Research Findings in Ecology and Evolution[J].Trends in Ecology & Evolution，1995，10（6）：236-240.
[17] M Bakkenes，JRM Alkemade，F Ihle， et al.Assessing Effects of Forecasted Climate Change on the Diversity and Distribution of European Higher Plants for 2050[J].Global Change Biology，2002，8（4）：390-407.
[18] Rik Leemans，Bas Eickhout.Another Reason for Concern： Regional and Global Impacts on Ecosystems for Different Levels of Climate Change[J].Global Environmental Change，2004， 14（3）：219-228.
[19] A Townsend Peterson，Miguel A Ortega-huerta，Jeremy Bartley， et al.Future Projections for Mexican Faunas Under Global Climate ChangeScenarios[J].Nature，2002，416（6881）：626-629.
[20] Wilfried Thuiller，Guy F Midgley，Greg O Hughes， et al.Endemic Species and Ecosystem Sensitivity to Climate Change in Namibia[J].Global Change Biology，2006，12（5）：759-776.
[21] Miguel B Araujo，Antoine Guisan.Five （or So） Challenges for Species Distribution Modelling[J]. Journal of Biogeography，2006，33（10）：1677-1688.
[22] Laura De baan，Rob Alkemade，Thomas Koellner.Land Use Impacts on Biodiversity in Lca： a Global Approach[J].The International Journal of Life Cycle Assessment，2013，18（6）：1216-1230.
[23] Simon Ferrier.Extracting More Value From Biodiversity Change Observations Through Integrated Modeling[J].Bioscience，2011，61（2）：96-97.
[24] RJ Scholes，GM Mace，W Turner， et al.Toward a Global Biodiversity Observing System[J]. Science， 2008，321（5892）：1044-1045.
[25] Richard G Pearson，Wilfried Thuiller，Miguel B Araújo， et al.Model‐based Uncertainty in Species Range Prediction[J].Journal of Biogeography，2006，33（10）：1704-1711.
[26] Julian D Olden，Donald A Jackson.A Comparison of Statistical Approaches for Modelling Fish Species Distributions[J].Freshwater Biology，2002，47（10）：1976-1995.
[27] Robert P Anderson，Miroslav Dudík，Simon Ferrier， et al.Novel Methods Improve Prediction of Species’Distributions From Occurrence Data[J].Ecography，2006，29（2）：129-151.
[28] Christian Schmit，Mark DA Rounsevell，Isidore La jeunesse.The Limitations of Spatial Land Use Data in Environmental Analysis[J].Environmental Science & Policy，2006，9（2）：174-188.
[29] AF Bouwman，Tom Kram，Ke Klein goldewijk.Intergrated Modelling of Global Environmenthal Change： an Overview of Image 2.4.MNP，2006. [30] Yongyut Trisurat，Rob Alkemade，Peter H Verburg.Projecting Land-use Change and Its Consequences for Biodiversity in Northern Thailand[J].Environmental Management， 2010，45（3）：626-639.
[31] Robert Gilmore Pontius jr，Wideke Boersma，Jean-Christophe Castella， et al.Comparing the Input， Output， and Validation Maps for Several Models of Land Change[J].The Annals of Regional Science，2008，42（1）：11-37.
[32] Peter H Verburg，Paul P Schot，Martin J Dijst， et al.Land Use Change Modelling： Current Practice and Research Priorities[J].Geojournal，2004，61（4）：309-324.
[33] Bart Strengers，Rik Leemans，Bas Eickhout， et al.The Land-use Projections and Resulting Emissions in the Ipcc Sres Scenarios Scenarios as Simulated By the Image 2.2 Model[J]. Geojournal， 2004，61（4）：381-393.
[34] Lorenzo M Polvani，RK Scott，SJ Thomas.Numerically Converged Solutions of the Global Primitive Equations for Testing the Dynamical Core of Atmospheric Gcms.[J].Monthly Weather Review，2004，132（11）：2539-2552.
[35] Marcel Cardillo，Andy Purvis，Wes Sechrest， et al.Human Population Density and Extinction Risk in the World’s Carnivores[J].Plos Biology，2004，2（7）：24-35.
[36] Marc L Imhoff，Lahouari Bounoua，Taylor Ricketts， et al.Global Patterns in Human Consumption of Net Primary Production[J].Nature，2004，429（6994）：870-873.
[37] Richard G Pearson，Wilfried Thuiller，Miguel B Araújo， et al.Model-based Uncertainty in Species Range Prediction[J].Journal of Biogeography，2006，33（10）：1704-1711.
[38] Wilfried Thuiller，Miguel B Araújo，Richard G Pearson， et al.Biodiversity Conservation： Uncertainty in Predictions of Extinction Risk[J].Nature，2004，430（6995）：145-148.
[39] David A Stainforth，T Aina，C Christensen， et al.Uncertainty in Predictions of the Climate Response to Rising Levels of Greenhouse Gases[J].Nature，2005，433（7024）：403-406.
[40] Allen，M.et al.Model error in weather and climate forecasting[B].Inpredictability of Weather and Climate，2002： 391–427.Cambridge University Press.
[41] R Leemans，KJ Gaston，AS Van jaarsveld，et al.International Review of the Globio Model Version 3[J].Netherlands Environmental Assessment Agency（mnp）.Bilthoven，the Netherlands，2007.