Although agent-based models (ABMs) provide an effective means for investigating complex interactions between heterogeneous agents and their environment, they might hinder an improved understanding of phenomena being modeled due to inherent challenges associated with uncertainty in model parameters. This study uses uncertainty analysis and global sensitivity analysis (UA-GSA) to examine the effects of such uncertainty on model outputs. The statistics used in UA-GSA, however, are likely to be affected by the modifiable areal unit problem. Therefore, to examine the scale-varying effects of model inputs, UA-GSA needs to be performed at multiple spatiotemporal scales. Unfortunately, performing comprehensive UA-GSA comes with considerable computational cost. In this article, our cyberGIS-enabled spatiotemporally explicit UA-GSA approach helps to not only resolve the computational burden but also measure dynamic associations between model inputs and outputs. A set of computational and modeling experiments shows that input factors have scale-dependent impacts on modeling output variability. In other words, most of the input factors have relatively large impacts in a certain region but might not influence outcomes in other regions. Furthermore, our spatiotemporally explicit UA-GSA approach sheds light on the effects of input factors on modeling outcomes that are particularly spatially and temporally clustered, such as the occurrence of communicable disease transmission.

尽管基于代理的模型 (ABM) 为研究异构代理与其环境之间的复杂交互提供了一种有效的方法，但由于与模型参数的不确定性相关的固有挑战，它们可能会阻碍对正在建模的现象的更好理解。本研究使用不确定性分析和全局敏感性分析 (UA-GSA) 来检查这种不确定性对模型输出的影响。然而，UA-GSA 中使用的统计数据可能会受到可修改面积单位问题的影响。因此，为了检查模型输入的尺度变化效应，需要在多个时空尺度上执行 UA-GSA。不幸的是，执行全面的 UA-GSA 会带来相当大的计算成本。在这篇文章中，我们支持网络GIS的时空显式UA-GSA方法不仅有助于解决计算负担，还有助于测量模型输入和输出之间的动态关联。一组计算和建模实验表明，输入因素对建模输出可变性具有规模相关的影响。换言之，大部分输入因素在某个地区的影响比较大，但在其他地区可能不会影响结果。此外，我们的时空显式 UA-GSA 方法揭示了输入因素对在空间和时间上特别集中的建模结果的影响，例如传染病传播的发生。一组计算和建模实验表明，输入因素对建模输出可变性具有规模相关的影响。换言之，大部分输入因素在某个地区的影响比较大，但在其他地区可能不会影响结果。此外，我们的时空显式 UA-GSA 方法揭示了输入因素对在空间和时间上特别集中的建模结果的影响，例如传染病传播的发生。一组计算和建模实验表明，输入因素对建模输出可变性具有规模相关的影响。换言之，大部分输入因素在某个地区的影响比较大，但在其他地区可能不会影响结果。此外，我们的时空显式 UA-GSA 方法揭示了输入因素对在空间和时间上特别集中的建模结果的影响，例如传染病传播的发生。