Maldives: Decision Support for Coral Reef and Climate Resilience Using Bayesian Networks

报告概述

本报告围绕马尔代夫珊瑚礁生态系统，构建了一个基于贝叶斯网络的决策支持工具。研究整合了1997年至2022年的潜水调查数据与卫星遥感环境、社会经济变量，以硬珊瑚覆盖率为核心健康指标，识别关键驱动因素。报告从决策支持的理论要素出发，阐述了选择贝叶斯网络的依据，随后通过机器学习构建网络模型，并引入潜在因子形成层次结构。在此基础上，报告实现从观测推断到因果推断的转变，结合效用函数建立决策模型，并开发了交互式Web模拟器。该研究为决策者提供了一种透明、可解释的政策评估框架，有助于在生态保护与经济发展之间进行权衡。

报告的核心结论

报告回答的关键问题

报告中的代表性数据

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

• 执行摘要与引言：总结马尔代夫珊瑚礁的生态和经济重要性，介绍DMADD项目及其组件3，说明报告在全球气候压力和本地人类活动背景下开发决策支持工具的初衷。
• 相关研究创新与机会：回顾贝叶斯网络在珊瑚礁生态建模中的应用，以及遥感与实地观测结合的研究进展，指出当前模型维度有限和缺乏因果讨论的空白。
• 理论考量与贝叶斯网络选择理由：详细阐述决策支持工具的四大要素，以及贝叶斯网络在维度、可解释性、概率、非参数、双向推断、知识整合和因果性上的优势，并论证为何需要因果分析。
• 数据收集与整合：描述1997-2022年Reef Check和REEF潜水调查的样方数据，以及卫星衍生的海温、叶绿素、人类活动等变量，说明数据预处理和最终数据集构成。
• 模型开发与初步分析：介绍使用BayesiaLab 11.6和Augmented Naive Bayes算法学习网络的过程，通过互信息和2D映射可视化检查变量重要性，并讨论模型限制。
• 效应分析：分别评估环境条件（海表温度）、人类压力（人类密度）和海洋生物（鱼类）对硬珊瑚覆盖的影响，并与线性回归结果对照，展示贝叶斯网络与参数模型的一致性。
• 层次贝叶斯网络与潜在因子：展示如何从观测变量归纳出商业价值、食肉动物、净初级生产力、表面温度四个潜在因子，形成宏观视角以揭示系统主导动力。
• 因果推断方法论：讨论从预测模型到因果模型的转变，利用Disjunctive Cause Criterion进行混杂因素选择，并对比人类密度与海洋保护区的因果效应曲线，强调观测与干预结果差异。
• 决策支持模型与WebSimulator：定义效用函数，构建两个决策模型并展示效用曲线，介绍可直接在浏览器中试验的交互式模拟器，让决策者无需技术背景即可探索政策情景。
• 局限、挑战与未来工作：讨论数据有限性、数据碎片化、效用价值提取、静态模型假设，以及生成式AI集成、资金、培训和避免“直升机科学”等议题，为后续改进提供路线图。