用人工智能支持政策制定者激励有效且公平的净零土地利用变化

项目概览

本项目属于 UNRISK NERC 博士训练中心2027年项目，研究如何用 AI 与不确定性量化帮助英国政策制定者设计土地利用激励政策，以同时服务净零、生态恢复、水质、粮食和能源安全。项目主导师为埃克塞特大学 Prof Daniel Williamson，学术导师为 Dr Amy Binner，项目合作伙伴为 DEFRA。

项目详情

英国法律已经设定净零、恢复生物多样性、改善水质以及保障粮食和能源安全等目标。实现这些目标需要在大量土地上开展植树、农林复合、再野化、泥炭地恢复、生物能源作物和其他绿色技术。但英国大量土地为私人所有，很多属于农户。政策制定者不能只知道“哪里适合改变土地用途”，还必须设计能被土地所有者接受、对纳税人有价值、并能真实推动土地利用变化的支付和激励方案。

项目希望建立能够实时处理不确定性的预测与决策支持工具，预测土地变化对多类生态系统服务和风险的影响，并构建可扩展的主体模型来模拟农户或土地管理者对农业环境方案的采纳行为。项目使用的环境影响模型包括作物、畜牧、整农场模型、树木和土壤碳模拟、水和养分流动模型、1100种物种丰度模型以及农林复合模型。这些模型从几秒到数小时不等，计算平台从普通电脑到 JASMIN 超算。

技术核心是深度高斯过程、普通高斯过程、主动子空间、降维、嵌入和 Transformer 风格的时间序列表示。现有 GP/DGP 在高维输入中会遇到维度灾难，但土地影响模型需要每日天气强迫；一个作物模型到2050年可能需要约82000个天气参数。博士工作会研究如何把天气序列 token 化，用 Transformer 学习低维表示，再把这些表示接入 GP/DGP 以生成可解释、可信的不确定性估计。

项目强调技术要能进入决策支持系统，并与政策制定者一起建立对工具输出的信任。它不是单纯的机器学习 benchmark，而是环境经济学、生态系统服务、土地政策和不确定性量化交叉项目。

申请要点

• 适合机器学习、统计、数学背景强，并希望把 AI 用于环境和英国政策问题的申请者。

• 可用定量研究经历说明机器学习、统计或数学基础；具体项目技能与导师讨论，公开条件不要求同时掌握所有方法。

• UNRISK 可接受国际申请者，成功国际获奖者学费全覆盖，但国际名额有限，签证和 NHS IHS 需自理。

• 申请者最多可在 UNRISK 申请中指定两个项目，应在申请前联系导师确认项目是否实际招收及自身背景是否匹配。

需要进一步确认

需确认该项目是否最终属于18个实际招收名额之一、DEFRA 数据和政策参与的具体形式、可发表数据边界、博士注册学院、是否需要英国土地政策经验，以及国际申请者名额竞争强度。

【补充说明】

这个项目的难点在于把多个慢速、机制不同的环境影响模型压缩为政策可以交互使用的代理模型，同时不能丢失不确定性信息。学生需要理解 GP/DGP 的不确定性表达、Transformer 处理长时间序列的优势与局限，以及为什么主动子空间和自动相关性判断只能作为对照而不是万能方案。政策端还要求模型结果能被解释和信任，因此研究不能只追求预测精度，还要说明何时不确定性太大、不适合支持某种支付方案。

项目与 DEFRA 相关，说明研究可能接触真实政策需求，但公开信息没有说明是否有专属数据、实习、保密协议或政府部门共同指导。对申请者来说，最好准备一个结合土地利用、生态系统服务和机器学习不确定性量化的研究陈述，并能说明怎样把算法输出转成政策可用指标。

埃克塞特AI与净零土地利用政策博士项目调研

项目判断

值得重点考虑，需先确认课题分配及导师支持。 本题把机器学习中的高维代理建模，与土地政策中“激励怎样改变真实管理行为”联系起来。Daniel Williamson负责不确定性量化及深度高斯过程方法，Amy Binner及LEEP提供自然资本、土地利用和环境经济决策背景，DEFRA是项目伙伴。官网明确列为2027年埃克塞特课题。资金和学生名额须竞争，不能由课题上架推断已经获奖。官方课题

研究问题与博士工作

英国土地利用同时面对净零、生物多样性、水质、粮食及能源目标。大量土地由私人、尤其农户持有；政策需要同时评估生态效果、支付成本和实际采纳行为。博士研究带不确定性的实时预测、可扩展的主体采纳模型，以及比较政策效果的决策工具。

技术难点是天气输入维度太高。现有工具整合作物、畜牧、整农场、树木和土壤碳、水与养分、物种丰度及农林复合模型；运行耗时和计算平台差别较大。每日天气序列使普通高斯过程GP和深度高斯过程DGP难以直接建模。项目拟把天气序列分成可学习的单元，用Transformer学习低维表示，再服务GP／DGP代理模型，并与自动相关性确定及主动子空间方法比较。方法改进只有在不确定性估计值得信任时，才适合进入政策决策工具。

预期博士贡献可包括代理模型方法论文、软件和农业环境政策案例；这是对成果路径的分析，具体论文数量、数据和交付范围需与导师商定。

学校、学科与培养

Williamson的不确定性量化、DGP和昂贵模拟器研究，与本题方法部分直接相接；Binner的环境经济学和自然资本研究支撑政策部分。LEEP强调经济、环境与数据科学交叉，IDSAI的不确定性主题提供相关方法环境。ADD-TREES及NetZeroPlus可帮助理解工具与合作背景，不能当作导师论文。

• Bateman、Binner、Williamson等2024年PNAS土地政策论文，把科学与经济决策放在气候、生物多样性和粮食目标的共同问题中。论文
• Yazdi、Bingham和Williamson的2024年DGP研究讨论复杂模拟器的非平稳性及不确定性量化。链接是arXiv预印本，不能据此认定已在期刊发表；其演示应用是天体物理，支持方法基础而非土地政策效果。预印本
• Nortier、Williamson、Mancini、Bateman、Day和Binner的ICLR 2024 Climate Change AI工作坊论文，将DGP及反演用于气候减缓／适应决策支持。工作坊成果与正式期刊论文应分别看待。工作坊论文
• Binner等2025年Philosophical Transactions B论文，用自然资本框架讨论可持续性、效率和公平，支持政策评价方向。论文

资助、资格与申请时间

成功获得UNRISK奖项后，覆盖全部国际学费、3年9个月UKRI标准津贴、£6,000个人研究训练支持及同届培训活动支持，还可申请灵活基金。国际名额有限；签证与IHS不覆盖，培养期间预期有三个月实践及同届驻地研究活动。2027/28津贴具体数额未确认，应把搬迁、旅行和生活预算分开核算，不能把研究支持金当生活收入。埃克塞特的实际预算还取决于住房及合作活动安排。资助要求生活成本

中国申请者原则上可以参加竞争。最低学历为相关专业英国二等一或同等资格，相关硕士也会考虑；已获博士或当前注册博士者不符合该培养中心申请条件。英语需在注册前满足学校要求。正式截止是2027年1月13日13:00 GMT，利兹系统于2026年11月16日开放。官网材料说明仍含2026版流程，提交前须核对更新后的2027要求，最多可选择两个课题并提前联系导师。申请流程

适合背景与准备重点

项目明确偏向机器学习、统计或数学基础强、希望研究环境及政策问题的人。环境经济或土地模型背景也有交叉价值，但应展示定量建模能力。建议准备一个可复现的Python／R项目，解释高维天气输入、GP／DGP或贝叶斯方法，以及不确定性怎样改变政策判断。这些是准备建议，不是额外的正式入学门槛。

职业方向可延伸至政策数据分析、自然资本咨询、环境经济、气候风险、农业科技和环境AI决策支持。学校整体声誉提供背景；真正决定训练价值的是方法深度、可用代码／数据与政策合作范围，伙伴名单不能保证实习或就业。

申请前应解决的问题

先向两位导师发送简短技术说明，讨论天气表示、代理模型和一个具体政策问题，再确认第一年的模型代码、数据及指导安排。提交前问清课题分配方式、DEFRA的数据与发表限制，以及方法创新和政策软件的工作比例。收到录取后，再核对国际学费资助确认信、实践旅行支持和个人预算。

证据与来源

• UNRISK official project: Supporting policymakers to incentivise effective and equitable land use change for Net Zero with AI
• UNRISK application process
• UNRISK entry requirements and funding
• UNRISK 2027 projects catalogue
• Prof Daniel Williamson Exeter expert profile
• Prof Amy Binner Exeter expert profile
• Exeter IDSAI Uncertainty Quantification theme
• Exeter LEEP about us
• Exeter LEEP research and impact
• ADD-TREES NetZeroPlus project
• ADD-TREES and NetZeroPlus workshop
• How to make land use policy decisions: Integrating science and economics to deliver connected climate, biodiversity, and food objectives
• Deep Gaussian Process Emulation and Uncertainty Quantification for Large Computer Experiments
• Deep Gaussian Processes and inversion for decision support in model-based climate change mitigation and adaptation problems
• Using the natural capital framework to integrate biodiversity into sustainable, efficient and equitable environmental-economic decision-making
• Royal Society multifunctional land use
• UK Government land-use data and innovation report
• University of Exeter rankings
• University of Exeter cost of living
• University of Exeter China postgraduate entry information
• UK student visa financial requirement
• UKRI studentship guidance