Должны ли быть разработаны простые или сложные экологические модели?
Более четырех десятилетий назад Левинс указал на неизбежный компромисс между универсальностью, точностью и реальностью математических моделей в популяционной биологии.
Хотя модели, включающие дополнительные процессы или использующие дополнительную информацию, не обязательно должны быть очень сложными, нет сомнений, что каждый дополнительный процесс, добавляемый в модель, имеет свои издержки с точки зрения понимания модели, ее общности и способности проверить ее прогнозы.
В крайнем случае создается невероятно сложное животное, и о нем можно понять немного больше, чем о самом реальном мире.
Модели всегда будут востребованы на различных стадиях сложности, но стоимость возрастающей сложности в целом недооценивается.
Развитие компьютерной техники позволило в последние годы изучить чрезвычайно сложные модели, но есть соблазн использовать эту технологию, чтобы добавить слишком много сложности в ущерб всеобщности, предсказуемости и пониманию.
Мы предлагаем понять простую модель и ее ограничения, прежде чем переходить к более сложным моделям.
Когда простые модели, такие как нейтральные модели, терпят неудачу, они делают это информативным образом из-за того, что было упущено и которое затем часто может быть идентифицировано.
Это контрастирует с более сложной моделью, которая, если ее вообще можно протестировать, может также выйти из строя из-за ошибочно включенных в нее компонентов. Надо начинать с экологических вопросов, а затем тщательно обдумывать, какой уровень сложности необходим для того, чтобы на них ответить.
Простота и прослеживаемость многих нейтральных моделей является большим преимуществом нейтральной теории, но это само по себе не является основанием для оценки этой теории.
Хорошая теория не обязательно должна быть простой, но, учитывая несколько теорий, которые одинаково хорошо объясняют одно и то же явление, самой простой является предпочтительная.
Если бы клеточный биолог предложил сложное клеточное объяснение всей экологии, мы, экологи, не стали бы сразу же подчиняться и думать на клеточном уровне для всех наших исследований; клеточный биолог должен был бы показать, что эти более сложные (после масштабирования до уровня сообщества) объяснения имеют для нас большее значение, чем простые экологические рамки.
Аналогичным образом, нейтральная теория гласит, что для объяснения некоторых закономерностей не нужно ссылаться на различные ниши или типы местообитаний.
Бремя доказывания лежит на тех, кто выступает за более сложные объяснения явлений, с тем чтобы показать, что тем самым они объясняют больше.
Мы ожидаем, что это будет означать изучение других типов данных, таких как эволюционные и динамические данные, и в конечном итоге должны оставить только скудные (возможно, не нейтральные) эксплантаты для новых и интересных моделей.
Является ли экологический дрейф процессом и является ли он важным? Экологический дрейф относится к случайным колебаниям численности популяции, которые являются результатом экологической эквивалентности в вероятностном смысле: люди имеют равные шансы на повторное производство или смерть независимо от их видовой идентичности.
В недавней объединяющей концепции дрейф был назван одним из четырех ключевых процессов в экологии, остальные - видообразование, отбор и рассеивание.
Нейтральные модели включают в себя любую комбинацию из них, исключающую возможность выбора.
Кларк утверждает, что стохастические компоненты в моделях, включая экологический дрейф, представляют собой шум или термин ошибки, описывающий то, что еще не понято о системе.
Он утверждает, что необходимо стремиться преобразовывать эти "неизвестные" (стохастические) компоненты моделей в "известные" (детерминированные).
В этом контексте экологический дрейф представляется неудовлетворительным "объяснением" чему-либо, поскольку он не рассматривается как реальный процесс, а просто выступает в поддержку детерминированных процессов, действующих в более широких масштабах.
Мы считаем, что цели исследования не всегда должны заключаться в "объяснении" стохастичности с детерминизмом.
Помимо практической нецелесообразности, достижение этой цели может лишь усложнить модели и противоречит потребности в простых, а также сложных моделях.
Цель упрощения существующих моделей (возможно, с использованием стохастичности) не менее актуальна. Кроме того, сложные детерминированные модели могут давать хаотичное поведение, которое кажется случайным, и, наоборот, стохастические системы могут иметь детерминированные компоненты, например, их ожидаемое поведение является детерминированным.
Стохас- тик в модели гораздо больше, чем "необъяснимый" компонент: стохастические процессы включают в себя знания в своих распределениях.
Например, рассредоточенное ядро содержит ценную информацию о возможности распространения семян на определенные расстояния от их происхождения, однако оно должно быть стохастическим, поскольку детерминированная альтернатива практически неосуществима.