1. Introduction

Table of Contents

1. Introduction............................................................................................................................1

1.1 Installation.......................................................................................................................1

1.2 Software ..........................................................................................................................1

1.3 Concepts..........................................................................................................................2

1.4 Philosophy.......................................................................................................................3

1.5 PEST- The Book .............................................................................................................4

1.6 Some Practical Considerations........................................................................................4

1.6.1 The Model ...............................................................................................................4

1.6.2 Model Input and Output Files .................................................................................5

1.6.3 WINDOWS and UNIX ...........................................................................................6

1.6.4 Differentiability.......................................................................................................6

1.6.5 Local Optima...........................................................................................................7

1.6.6 Observations and Predictions..................................................................................7

1.6.7 Numerical Burden ...................................................................................................8

1.7 Some Common Tasks .....................................................................................................8

1.7.1 General ....................................................................................................................8

1.7.2 Over-Determined Model Calibration ......................................................................8

1.7.3 Highly Parameterized Inversion..............................................................................9

1.7.4 Parameter Preprocessing and Observation Postprocessing.....................................9

1.7.5 Linear Sensitivity and Uncertainty Analysis...........................................................9

1.7.6 Jacobian and General Matrix Manipulation ..........................................................10

1.7.7 Testing the Integrity of Finite-Difference Derivatives..........................................10

1.7.8 Nonlinear Uncertainty Analysis............................................................................10

1.7.9 In Conclusion ........................................................................................................11

1 说明

1.1安装

PEST安装方法简单。将PEST提供的所有可执行程序复制到合适的文件夹中。然后确保这个文件夹在PATH环境变量中被引用，这样无论当前的工作目录是什么，您的机器都可以找到PEST可执行程序。

1.2 Software

“PEST套件”包括:

•PEST本身;

•有助于并行运行管理的PEST变体(即并行PEST和BEOPEST);

•两个所谓的“全局优化器”，可以直接替代PEST;

•基本灵敏度分析仪SENSAN;•与PEST本身一起提供的一套实用程序支持程序;

•其他公用事业支持计划，加快在特定建模环境(如地下水和地表水建模)中使用PEST。

PEST、平行PEST、BEOPEST、SENSAN和全球优化器在本文件中有描述，该文件包括PEST手册的第一部分。手册的第二部分以以下和其他方式描述了支持PEST使用的实用程序:

•促进PEST输入数据集的构建;

•检查PEST输入数据集的完整性;

•处理和总结PEST输出数据集中的信息;

•处理和操作灵敏度矩阵;

•一般矩阵操作;

•线性参数和预测可识别性和不确定性分析;

•值得分析的线性数据;

•分析由模型缺陷引起的校准参数和预测偏差;

•促进非线性参数和预测不确定性分析;

•前后校准随机参数生成。

在特定的建模环境中加速使用PEST的更广泛的实用软件，以及在这些环境中通常使用的模型中加速使用PEST的设置，都有它们自己的文档。目前有两套这样广泛的实用软件可供使用，即PEST地下水实用软件套件和PEST地表水实用软件套件。然而，请注意，这些套件中的程序的使用不仅限于一方面的地下水模拟和另一方面的地表水模拟。

实际上，地下水工具套件的成员和参数列表处理器PLPROC已经成功地用于石油、天然气和地热地下储层模型。同样，地表水套件已广泛用于土地利用和补给模式。这些支持PEST的工具套件及其相关文档，可以从PEST网页下载，网址为http://www.pesthomepage.org

1.3概念

历史上，第一个组成PEST套件的程序就是PEST本身。PEST代表“参数估计”。它最初是为了加快模型校准的过程而编写的，其中模型参数的值是通过将模型输出与系统状态的测量相匹配来反向计算的。模型所使用的“参数”可以表示模型所模拟的过程发生的材料的特性，启动和支持这些过程的应力，或两者兼而有之。使PEST与之前的参数估计软件不同的是，PEST以模型独立的方式运行;它通过模型自己的输入和输出文件与模型交互。因此，使用PEST校准模型不需要编程。

模型校准属于一大类数值方法，数学家称之为“反演”。一般来说，反问题的解是非唯一的。然而，如果只有少量参数被估计，它可以被重新定义为唯一的。参数简化的过程是实现唯一性的必要前提，被称为“正则化”。这可以在估计参数之前手动完成。也可以通过逆过程本身来完成。一般来说，用后一种方法比较好。PEST两者兼而有之。

由于模型定标所需要解的逆问题通常是非唯一的，而且用于模型定标的观测数据集通常是有噪声的，因此通过模型定标过程估计的参数是不确定的。此外，通过反演估计的参数与它们所代表的实际系统属性之间的关系可能不清楚。采用高度参数化方法进行反演的好处之一是，实现反问题解的唯一性所需的正则化是作为求解过程本身的一部分完成的，这是参数不确定性问题，以及估计参数与现实世界对应参数之间的关系，可以被探索。事实上，当模型参数和模型输出之间的关系可以近似为线性时，对这些问题的探索就变得容易了。PEST套件包括许多为此目的而设计的程序。其中一些程序的根在贝叶斯方程中;另一些则采用基于奇异值分解的子空间方法。所有这些都为反转过程提供了有趣的见解。

PEST套件还提供了探索校准前和校准后参数不确定性的方法，这些方法不需要假设模型线性。PEST输入文件可以用随机参数集填充;然后可以使用这些集合中的每一个进行模型运行，以便可以探索感兴趣的模型输出的可变性。随机参数集可以约束，使用所谓的“零空间蒙特卡罗”方法，这是PEST特有的，使模型输出拟合校准数据集;零空间蒙特卡罗方法使用子空间概念以一种数值有效的方式来完成对随机参数值施加参数约束的通常困难的任务。

如果一个模型的参数是不确定的，那么它的预测也是不确定的。模型预测不确定性的量化是模型支持环境决策的关键;如果不能评估预测的不确定性，那么就不可能在决策过程中包括风险的重要因素。PEST套件为预测不确定性的量化提供了线性和非线性方法。有些是上述参数不确定度评估方法的扩展。其他人则更“专注于预测”。后者包括PEST的预测分析功能和PEST的Pareto功能。这两种方法都可以用来直接测试假设，即特定模型预测的值与专家知识(封装在参数值的合理性中)和系统的历史行为(封装在校准数据集中)兼容。

通过PEST套件提供的进一步功能允许建模者在模型参数受到历史匹配约束之前和之后，探索模型缺陷对模型所做预测的影响。所有的环境模型都有缺陷，因为所有的环境模型都是对现实的简化。这对校准模型的方式以及评估模型被要求做出的不同类型预测的可信度产生了重要影响。

1.4哲学

在撰写本文时，PEST套件是迄今为止可用于环境模型校准和校准后不确定度分析的最先进的软件。因此，它在环境行业中占有独特的地位——不仅因为它能做什么，而且因为它能教给我们关于环境建模的东西。

PEST及其辅助软件接受了这样一个事实:环境系统是复杂的，模型的参数和预测是不确定的。它的使用支持了一个关键概念，即模型永远无法告诉我们采用某种环境管理实践后未来会发生什么;这是与大多数环境利益模型预测相关的不确定性的结果。然而，一个模型可能会以高度的信心告诉我们，未来不会发生什么。为了实现这一点，它不能单独部署;相反，它必须与高端反演软件(如PEST)一起部署。在这种情况下，模型可以为决策过程提供宝贵的支持，因为它允许拒绝假设，即如果采取某些管理行动，就会发生不希望发生的事件。(这些管理措施通常包括安装监测系统，当超过预先定义的测量阈值时触发反应。)由此可见，作为模拟器的模型并不构成决策支持工具。相反，作为模拟器的模型应构成若干软件包中的一个，这些软件包在合作中用于•量化与管理利益预测有关的不确定性，并•将这些不确定性降低到一方面与专家知识提供的信息相称的水平，另一方面与系统的历史行为相称。

为了实现这些目标而使用的软件包共同构成了决策支持不可或缺的工具——这个工具既包含了现实世界的复杂性，同时又为决策者提供了对他们必须做出的决策的复杂性分支的理解。

关于模型在决策中的作用的完整讨论，请参阅Doherty和Simmons(2013)以及Doherty和Vogwill(2016)。

1.5 PEST- The Book

以下书籍可从PEST网站下载:Doherty, J.， 2015。复杂环境模型的标定与不确定度分析。

水印数值计算出版，布里斯班，澳大利亚。227pp, ISBN: 978-0-9943786-0-6本手册中对Doherty(2015)的大量引用都是本文。

Doherty(2015)详细介绍了PEST及其实用支持软件中体现的所有理论。它还讨论了这一理论的后果，即模型应该如何在现实世界的环境决策中使用。它提供了关于正则化理论和实践的广泛讨论-无论是通过参数简化手动完成，还是使用子空间或Tikhonov方法在数学上完成。它还提供了对人工正则化的批评，并提供了一个深入的讨论，为什么如果模型要在支持环境决策中发挥有用的作用，那么在模型参数化复杂性中反映环境系统复杂性是很重要的。它显示了参数的非唯一性不是要逃避的，而是要接受的;毕竟，无法估计的参数对预测的不确定性贡献最大——通常比那些可以估计的要大得多。它表明，在反演问题中使用许多参数不一定会导致过拟合;它也不会导致数值的不稳定性，也不会导致反问题的解过于复杂。这本书表明，参数简化是基本的实现一个唯一的解决方案，一个逆问题，并通过数学手段实现参数简化导致减少潜在的模型预测误差的同时，因为它允许量化这种潜在的误差。

本手册的第一部分和第二部分广泛引用了上述书籍。他们没有重复书中提出的理论;他们也没有讨论该理论在决策环境中对模型部署的影响。这使得这些手册比其他方式要短一些;它还使他们能够专注于实现细节。作为PEST用户，强烈建议您阅读这本书，因为它将为您提供充分利用PEST所需的理论基础。

1.6一些实际考虑

1.6.1模型

在估计其参数和/或计算模型输出对参数的灵敏度的过程中，PEST必须多次运行一个模型。它通过对操作系统的调用(称为“系统调用”)来实现这一点。这个调用与在命令行窗口(有时在WINDOWS系统上称为“DOS框”)中输入模型的名称(以及模型所需的任何参数)具有相同的效果。因此，用户必须能够通过命令行访问模型(因此也可以访问PEST)。理想情况下，模型可执行文件所在的目录(即文件夹)应该在PATH环境变量中显示，以便操作系统知道在哪里找到它。

用户无法以这种方式访问某些模型。有些模型只能通过它们自己特定于模型的图形用户界面运行;它们可以被这个接口作为DLL调用。只能以这种方式访问的模型不能与PEST一起使用。

然而，在构成可以由PEST运行的“模型”方面存在相当大的灵活性。模型可以是一个批处理文件(在WINDOWS系统上)或脚本文件(在UNIX系统上)，它连续运行一个或多个可执行程序。因此，模拟器可以伴随着预处理器和后处理器;前者可以操纵参数(例如将导航点参数插值到构成模型网格的单元)，而后者可以操纵模型输出(例如将模型输出从网格单元中心插值到观测点的位置)。该模型实际上可能由多个连续运行的模拟器组成(例如，流模型随后是传输模型)。在这种情况下，用命令删除所有由一个可执行程序写入然后由另一个可执行程序读取的文件来开始这样的批处理文件是一个好主意。因此，如果第一个可执行文件没有运行，第二个可执行文件将不会读取由第一个可执行文件生成的旧文件，而将其误认为是新文件。因此，它将崩溃。然后，PEST必须读取的最终输出文件将不存在(PEST在运行模型之前删除这些文件)。然后，PEST将优雅地停止执行，并显示适当的错误消息。

有时，在WINDOWS环境中，从命令行或通过系统调用启动执行的模型会立即将控制返回给调用程序(或用户提示符)，即使它仍在运行。这将导致PEST查找它的输出文件，认为它已经完成了。这可以通过使用“start /w”命令来防止。输入start /?在命令行提示符中查看有关WINDOWS“start”命令的更多详细信息。

如果在开始执行时，模型提示用户输入键盘，这种情况可以很容易地适应。键盘对模型提示的响应可以放在一个文本文件中。假设该文件名为model.inp。假设模型可执行文件的名称是model.exe，或者在UNIX平台上简单地命名为model。然后，如果使用命令model < model运行模型。Inp将查找文件模型。Inp而不是键盘作为其输入。PEST可以使用此命令运行模型，而不需要任何用户参与。

1.6.2模型输入输出文件

如本文所述，PEST可以通过模型的输入和输出文件与模型交互。一个模型可以有多个输入文件和多个输出文件;PEST可以与所有这些相互作用;输入和输出文件的数量并不重要。

必须根据模型输入文件编写所谓的“模板文件”，以允许PEST识别在运行模型之前必须更改的模型输入文件的那些部分。

只有在为模型提供一组适合该模型运行的参数值时，才需要对模型的输入文件进行更改。这样修改的模型输入文件必须是ASCII文件;它不能是二进制文件。因此，即使一个特定的模型从一个或多个二进制文件中读取其输入数据集，包含参数值的文件也必须是ASCII(即文本)文件。

类似的考虑也适用于模型输出文件。PEST使用所谓的“指令文件”中包含的指令从模型输出文件中读取相应的现场测量数据。读取这些数字的文件必须是ASCII文件。如果模型将其输出写入二进制文件，则必须使用在模型批处理或脚本文件中跟踪模型的后处理器以ASCII格式重写相关的模型输出。

1.6.3 WINDOWS和UNIX系统

如果模板文件是在UNIX系统上准备的，然后在WINDOWS系统上使用，那么有时PEST或模型都会遇到困难。后一种操作系统用回车符和换行符结束文本文件的每行;UNIX只使用换行符。随时可以下载的实用程序，如DOS2UNIX和UNIX2DOS，允许在两种协议之间进行转换。

1.6.4可微性

PEST用于反演和校准约束不确定性分析的方法属于“梯度方法”的总称。这些都是功能强大的方法，因为它们可以容纳的参数数量确实非常大，甚至可以达到数十万个。然而，它们的使用要求反演过程中使用的模型输出对通过该过程调整的参数的导数是可计算的。PEST使用有限差分计算这些导数;它增量地改变一个参数，然后将相关模型输出的增量变化除以参数的增量变化。

如果模型计算的数字不是模型参数的连续函数，则此过程将失败。模型输出相对于参数的非连续性可能是模型设计不良的结果，也可能是模型可能遇到的数值困难的无意结果-特别是如果它采用迭代方案来解决描述其模拟过程的方程。

PEST可以以多种方式适应模型输出相对于参数的有问题的连续性。它可以使用三个，甚至五个参数值来计算有限差分导数，而不仅仅是两个参数值;当然，这是以模型运行为代价的。它还可以检测和排除有问题的衍生品。但是，如果模型在这方面的表现太糟糕，例如，如果模型使用必须采用离散值而不是连续变量值的分类参数，那么对该模型使用PEST就变得不可能。在这种情况下，建模者必须采用一种所谓的“全局方法”，这种方法不将校准参数集的估计建立在模型输出相对于可调参数的连续性上。PEST套件提供了两个全局优化器，名称为SCEUA_P和CMAES_P。

然而，使用全局方法也有一些缺点。这些包括以下内容。

•全局方法不能处理梯度方法可以处理的大量参数;•他们会在逆问题不适定的地方挣扎;•在寻找反问题的解时，它们的模型运行效率通常远低于梯度方法;•在全局优化器中使用高级正则化方法是困难的，如果不是不可能的话;•线性参数不确定性和可识别性统计数据，从模型输出的导数相对于可调参数的快速计算是不可用的。

通常可以(并且应该)采取简单的步骤来使用更易于处理的PEST模型。如上所述，PEST从模型编写的文件中读取模型输出。这些输出应该在模型允许的范围内以尽可能高的数值精度记录(如果模型使用单一精度算法，则为7位有效数字)。当PEST使用有限差分计算导数时，它必须减去非常相似的数字。在这个过程中，前导有效数字会丢失，只留下尾随有效数字。如果这些没有被表示出来，那么有限差分导数就失去了完整性。

同样，一个模型所采用的迭代求解器的收敛准则也应该设置得很严密。就模型预测而言，松散的收敛准则导致的几个重要数字的损失无关紧要。然而，它们对有限差分衍生品造成了沉重的代价。有时，如果认为数值装置(如自适应时间步进)可能无意中造成模型输出的变化，而这些变化并非完全由模型参数值的变化引起，则可能有必要限制它们的活动。

1.6.5本地优化

极端逆问题非线性会导致标定目标函数出现局部最优。对梯度方法的一个常见抱怨是，它们可能会找到一个局部最优，而不是全局最优。

这一论断必须放在上下文中看。虽然在某些校准环境中局部最优的存在性是不可否认的，但在文献中有许多场合，由于零空间的存在而产生的参数非唯一性被误认为是局部最优产生的参数非唯一性。梯度方法具有在反演过程中结合复杂正则化方案的能力，在前一种情况下工作得很舒服。正则化也可以在后一种情况下有所帮助，反映观测数据集的各个组成部分的信息内容的多成分目标函数的公式也可以;详见White et al(2014)和Doherty(2015)。

此外，正如Kavetski等人(2006)指出的那样，有时局部最优是一个糟糕的模型算法的不希望的结果。

1.6.6观察和预测

如上所述，PEST能够使用记录在指令文件中的指令从模型输出文件中读取感兴趣的数字。对于PEST的早期版本，这些数字是那些有测量对应的数字。这些数字共同构成了与校准数据集对应的模型生成数据。对于最新版本的PEST，其中一些数字可能是预测的，没有可测量的对应物。

由于许多原因，预测可能会出现在PEST数据集中。当PEST以“预测分析”模式运行时，它被指示在保持校准约束的前提下最大化或最小化预测，即在保持校准目标函数低于某一阈值的前提下。当PEST以“帕累托”模式运行时，一个或多个预测的权重可能会缓慢增加，因为“拟合预测”与拟合校准数据集之间进行了权衡。

建模者可以在PEST数据集中包括预测，以便可以计算预测对模型所采用参数的敏感性。PEST可仅用于计算这些灵敏度。或者，由于同样的原因，它们可能在反演过程中“携带”，而PEST实际上是在调整参数，以便模型输出更好地匹配现场数据。在后一种情况下，PEST不需要将相关的模型输出明确地确定为预测。通过为它们提供零权重，可以抵消它们对参数估计过程的影响。

在PEST术语中，从模型输出文件中读取的任何数字都被称为“观察值”。如果它的权重为零，那么它与相应的测量值不匹配(尽管PEST输入协议仍然要求提供测量值)。因此，一些“观察”实际上可以是预测。因此，它们可用于线性和非线性预测不确定性分析。

1.6.7数字负担

参数估计和校准约束参数和预测不确定性分析需要进行大量的模型运行。如果模型运行时间很长，并且需要调整的参数数量很大，那么这代表了相当大的数字负担。PEST提供了三种减轻这种负担的机制。

第一种机制是运行并行化。雅可比矩阵(即灵敏度)矩阵的计算是100%可并行的。在一定程度上，使用不同的马夸特λ值对基于这些灵敏度计算的参数升级进行测试也是可以并行化的。并行PEST和BEOPEST允许建模者在同一台机器上、跨机器、跨网络和跨世界的不同处理器上并行运行。

在进行高度参数化反演时，如果不计算参数本身的敏感性，而是计算基于当前校准数据集通过奇异值组合识别为唯一可估计的参数组合的敏感性，则可以大大减轻雅可比矩阵计算的数值负担;这些组合在PEST术语中称为“超级参数”。PEST通过其svd辅助功能实现了这一点。用于超参数灵敏度计算的模型运行可以并行化，从而进一步提高了数值效率。

通过其“观测再引用”功能，PEST在计算模型输出相对于可调参数的有限差分导数时，可以使用一个或多个替代模型代替实际模型。如果代理模型的运行时间比实际模型的运行时间短得多，则可以大大减少反演过程的计算负担。通过在svd辅助的反演过程中并行化代理模型和实际模型运行，可以获得进一步的收益。

1.7常用任务

1.7.1 General

本节的目的是确定使用PEST系列软件可以执行的一些任务，并列出可用于执行这些任务的PEST套件程序。尽管参考了本手册后面解释的文件和概念，但本节向新用户介绍了PEST及其辅助实用软件提供的功能。

1.7.2过定模型校准

如果必须估计少量参数，则不需要在PEST控制文件中包含正则化。PESTGEN实用程序可以帮助准备PEST输入文件。然而，与PEST地下水和地表水公用事业套件一起提供的程序可以在PEST输入数据集构建中提供更全面的帮助。

可以使用TEMPCHEK和INSCHEK实用程序检查PEST模板和指令文件的完整性。可以使用PESTCHEK实用程序检查整个PEST输入数据集的完整性。

在一次模型运行完成后，可以使用PWTADJ1实现PEST数据集中特征的观察组之间的权重平衡。WTFACTOR在观测数较大的情况下为权重调整提供进一步的帮助。

在完成参数估计过程后，EIGPROC可以总结与该过程的适定性(或其他)相关的信息。PHISTATS可以在反演过程中提供目标函数行为的摘要。如果希望从当前PEST运行期间计算的参数开始构建新的PEST数据集，可以使用PARREP实用程序相应地填充新的PEST控制文件。

1.7.3高参数化反演

一旦准备好了PEST输入数据集，ADDREG1实用程序可用于快速将“首选值”吉洪诺夫正则化添加到PEST控制文件中。然后可以运行PEST，而不需要任何进一步的输入文件准备。在完成PEST运行(或仅计算雅可比矩阵的PEST运行的一次迭代)后，可以使用SSSTAT实用程序获得基于子空间概念的完整参数范围和观测统计信息。IDENTPAR可用于计算参数可识别性;或者，GENLINPRED可以用于计算参数可识别性和相对参数不确定性的减少。使用PREDUNC7可以获得后验参数协方差矩阵的线性逼近。

如果要使用有效的svd辅助方法进行反演，则可以使用SUPCALC实用程序来推断校准解空间的维数，从而对必须估计的超级参数的数量设置下界。

然后可以运行SVDAPREP来自动准备PEST输入数据集，以进行svd辅助反演。

1.7.4参数预处理和观测后处理

在批处理或脚本文件(PEST作为“模型”运行)中运行模拟器之前，可以通过运行PAR2PAR参数预处理器来增强反转相关参数定义的创造性。通过在模型批处理或脚本文件中运行模拟器后运行OBS2OBS实用程序，可以实现观测值定义的最优性，以及针对校准数据集的信息内容进行调整的多分量目标函数的制定，并提供对结构噪声有害影响的一些防御。

1.7.5线性灵敏度和不确定性分析

在完成PEST运行后，可以使用SUBREG1实用程序从PEST控制文件中删除正则化。在校准后线性分析之前，PWTADJ2实用程序可以调整权重，使其反映在之前的反演过程中建立的测量和结构噪声。PREDUNC1、PREDUNC4、PREDUNC5和PREDUNC6可用于探索参数和预测的不确定性，不同参数对不确定性的贡献，以及不同数据类型在降低预测不确定性方面的价值(或其他)。PREDVAR1、PREDVAR4和PREDVAR5实用程序完成了相同的角色，但探索参数和预测误差方差，而不是参数和预测不确定性(关于“误差”和“不确定性”之间的区别，参见Doherty, 2015)。或者，可以使用GENLINPRED用户界面运行所有这些实用程序。

通过INFSTAT和INFSTAT1实用程序提供了探索观测值的进一步机制。同时，SUPOSBPAR和SUPOBSPAR1实用程序可用于建立由校准数据集组成的观测组合，这些数据集是唯一且完全提供相应参数组合信息的。

可以使用PREDVAR1B和PREDVAR1C实用程序来探索由模型缺陷引起的校准诱导参数和预测误差的倾向。

1.7.6雅可比矩阵和一般矩阵操作

填充雅可比矩阵可能需要进行多次模型运行。提供了许多实用程序来操作、转换、分解和重新组合这个矩阵。

除了其他好处之外，如果改变了反问题的参数和/或观测组成，这些可以减少在重新计算该矩阵时浪费模型运行的需要。

JCO2JCO和JCOCOMB可用于为新的PEST控制文件构建雅可比矩阵文件(即“JCO文件”)，该文件具有与现有PEST控制文件相同或更少的观测值和/或参数。JCOPCAT、JCOORDER、JCOSUB和JCOADDZ有助于从偏雅可比矩阵形成新的雅可比矩阵。

JROW2VEC可用于从雅可比矩阵中提取单行。这在线性预测不确定性分析中很有用，其中该行包含预测对可调参数的敏感性。

JACWRIT将二进制雅可比矩阵文件重写为ASCII文件。JCOCHEK检查雅可比矩阵文件与PEST控制文件的兼容性。JCO2MAT以PEST矩阵文件格式重写JCO文件中包含的雅可比矩阵，在这种格式下，它可以进行基于矩阵的分析和/或在WINDOWS和UNIX平台之间传输。

MAT2JCO的做法与此相反。WTSENOUT将雅可比矩阵替换为加权雅可比矩阵。

本手册第二部分中记录的实用软件还包括一组程序，这些程序执行一套与反转相关的矩阵操作，包括奇异值分解，以及从雅可比矩阵中制定所谓的“正规矩阵”。

1.7.7检验有限差分导数的完整性

JACTEST实用程序可以使用与PEST在计算有限差分导数时使用的参数增量相同的参数增量来运行用户指定次数的模型。POSTJACTEST实用程序帮助处理和绘制这些运行的结果，以查找模型数值性能不正常的迹象。

如果JACTEST和POSTJACTEST确定有限差分导数没有足够的数值完整性来支持使用PEST，那么可以使用SCEUA_P和CMAES_P全局优化器来代替PEST。

1.7.8非线性不确定性分析

RANDPAR生成从先验或后验参数协方差矩阵中采样的随机参数集。后者的线性近似可以使用PREDUNC7实用程序构建;同时，COVCOND算法根据所描述的一些随机变量的已知信息来构造协方差矩阵。

使用COMFILNME和RDMULRES实用程序可以方便地处理多个模型运行的结果，以实现(校正后)蒙特卡罗分析。运行本身可以使用批处理循环进行，其中反复使用PARREP实用程序将随机参数放入PEST控制文件中。

PNULPAR实用程序是PEST的零空间蒙特卡罗功能的重要组成部分。利用奇异值分解去除随机参数域在标定解空间上的投影;这是参数字段的组成部分，它损害了其校准模型的能力。PNULPAR用校准参数集(理论上应该是校准参数集本身)的解空间投影替换该分量。

1.7.9总结

上面列出的可以使用PEST及其相关工具套件完成的任务还远远没有完成。此外，如果考虑到利用PEST地下水和地表水公用事业可以完成的任务，这一任务清单将大大扩大。

有关与PEST一起提供的实用程序的文档，请参阅本手册的第二部分。请参阅地下水和地表水公用事业的手册，以及PLPROC参数列表处理器的手册，以获得这些支持反演的公用事业在模型校准中所起作用的完整描述，以及完整的使用细节。