Повышение идентифицируемости в моделях роста растений: комплексная структура для точности и надёжности

В области моделирования роста растений существуют механистические модели, которые описывают сложную динамику развития растений через оценку параметров на основе экспериментальных данных. Однако этим моделям сложно обеспечить уникальность решений для параметров — эту проблему решают анализы структурной и практической идентифицируемости.

Хотя определение структурной идентифицируемости в литературе в целом едино, для практической идентифицируемости отсутствует унифицированный подход к её количественной оценке, что приводит к появлению разнообразных и иногда противоречивых индексов. Это указывает на необходимость стандартизированной методологии.

В феврале 2024 года журнал Plant Phenomics опубликовал исследование "Практическая идентифицируемость моделей роста растений: объединяющая структура и её спецификация для трёх локальных индексов". Работа создаёт унифицированную структуру для анализа идентифицируемости, которая гибко включает различные определения, адаптированные под конкретные контексты применения.

Исследователи сосредоточились на трёх основных методах:

• Индексы коллинеарности

• Профильное правдоподобие

• Средняя относительная ошибка

Были выявлены их ограничения в локальных приложениях, и для улучшения анализа практической идентифицируемости предложен новый индекс риска, основанный на доверительных интервалах профильного правдоподобия.

На тщательных примерах — дискретной модели роста отдельного растения (LNAS) и непрерывной модели эпидемий в популяции растений — была продемонстрирована полезность подхода.

Ключевые выводы:

• В модели LNAS, предназначенной для прогнозирования распределения биомассы у сахарной свёклы, обнаружены эффекты компенсации между параметрами, особенно между коэффициентом экстинкции и эффективностью использования радиации, что мешает их однозначной идентификации.
• Анализ динамики урожайности во времени показал, что выходные данные модели могут быть почти неразличимыми при разных значениях параметров, что подчёркивает проблемы практической идентифицируемости из-за взаимодействия параметров.
• В модели эпидемий также выявлены ключевые взаимозависимые параметры, которые создают трудности для получения надёжных оценок.

Новый индекс риска и использование доверительных интервалов на основе профильного правдоподобия предлагают более точный инструмент для оценки идентифицируемости, предполагая переход от бинарных индикаторов к более тонкому количественному измерению риска.

Исследование не только проясняет сложности анализа идентифицируемости, но и даёт практические рекомендации, прокладывая путь к систематическому включению проверок идентифицируемости в исследования для обеспечения достоверности прогнозов моделей.