第12章 模型校准与敏感分析

12.1模型校准的基本概念

12.1.1 校准过程

通过准备适当的输入文件建成特定场地的数值模型之后,通常要作模型校准。校准是一个调整模型输入参数,直到模型输出变量(或因变量)与野外观测值达到适当匹配程度的过程。模型输出变量可以是水头,流量,溶液的浓度、污染物运动时间或物质去除率,具体要由模拟目标确定。在本书中使用的模型输入参数这一术语是指模型输入文件中要求的所有性质的数据,而不管它们在校准时是否可能需要调整。这种一般性的用法有别于Hill(1998)文中区分的模型输入——包括校准中不进行估算或调整的性质数据与参数,和实际上需要估算的量值。
在实际模型应用中,不管作多少实际测量,或已如何彻底地了解场地条件特征,模型输人参数都不能完全确定,并总会带有不同程度的不确定性。结果,用最初指定的模型输人参数﹐人们很少能够满意地再现野外观测到的条件。因而校准提供了获取模型输入参数优化值的一个主要手段。在这个意义上,模型校准与参数估计或参数识别同义(Matalas和 Maddock,1976)。在传统意义上﹐参数估计或识别主要关心参数的值。当校准的地下水模型性质随空间变化时,参数值与参数结构(即具有均匀参数值区域的数量以及这些区域的空间分布)都是重要的。在本章提及的模型输入参数既指参数值又指参数结构。
一般来说,地下水模拟可指定为正演或反演。在正演模拟中,输入参数被指定,并用来计算因模型而异的变量。在反演模型中,模型因变量的野外观测值被用来获得优化的输入参数。因此,模型校准是一个反演模拟过程,即﹐参数估计问题是反演问题。模型校准或反演模拟的实现,可以用人工试错法反复调整正演模型中指定的输入参数,或者用专门为参数识别而设计的计算程序。后一类型的计算程序通常称为反演程序。
 

12.2模型校准的评估
 

12.3试错法校准
 

12.3.1 规程及局限

模型校准通常是通过重复执行正演模拟来实现的,每次人为地调整要校准的输入参数,包括用于确定初始条件和边界条件的参数,直到模型的结果与野外观测值达到令人满意的匹配。这种试错法概念直接,计算上只不过是进行多次正演模拟。这种方法也很灵活,允许任意改变参数值与参数结构,包括网格设计和地质框架设置的改变。Anderson和 Woessner(1992a)详细讨论了试错校准方法。虽然他们的重点是水流模型的校准,但大部分内容同样适用于迁移模型的校准。
 

12.3.2案例研究
 

12.4“自动"校准
 

12.4.1校准能实现自动化吗?
 

12.4.2自动参数识别技术
 

12.4.3案例研究
 

12.5敏感分析
 

12.5.1敏感系数
 

敏感度是衡量改变一个因子时对其他因子影响的量。模型因变量对一个模型输入参数的敏感性是该因变量对该参数的偏微分（例如 McElwee，1982，1987）：
X_{i,k} = \frac{\partial \hat{y}_i}{\partial a_k}     （12.20）

其中X_{i,j}为第i个观测点处模型因变量\hat{y_i}对第k个参数的敏感系数。敏感系数在参数自动识别中起着重要作用，参数自动识别通常要求计算每一个估算参数在各观测点的敏感系数矩阵。用试错法校准模型时，敏感系数可表示出计算不同因变量时不同参数的重要性。（12.20）式可采用参数值标准化，这样对于任何给定参数，其敏感系数的单位与因变量y的单位相同。
X_{i,k} = \frac{\frac{\partial \hat{y}_i}{\partial a_k}}{a_k}     （12.21）
这个方程可以进一步标准化为量纲为一的形式如下：
X_{i,k} = \frac{\frac{\partial \hat{y}_i / \hat{y}_i}{\partial a_k / a_k}}    （12.22）

采用标准化形式便于比较不同参数、不同因变量类型以及不同模型之间的敏感系数。其他一些标准化方法已有使用（例如，Wagner 和 Gorelick，1986；1987；Hill，1992）。

对某特定参数敏感系数近似计算，可以对该参数做一个很小的扰动，而其他所有的参数保持不变，用参数的变化量除以因变量的变化量：
X_{i,k} = \frac{\partial  \hat{y_i}}{\partial a_k} \approx \frac{\hat{y_i}(a_k + \Delta a_k) - \hat{y_i}(a_k)}{\Delta a_k}          （12.23）

或者以标准化形式：

X_{i,k} = \left( \frac{\partial \hat{y_i}}{\partial a_k/a_k} \right)  \approx \frac{\hat{y_i}(a_k + \Delta a_k) - \hat{y_i}(a_k)}{\Delta a_k / a_k}         （12.24）

其中 \( a \) 为基准例子的参数值；\( \Delta a \) 为参数的微小变化量；\( y(a) \) 和 \( y(a + \Delta a) \) 分别为基准例子与参数受扰动后模型因变量的值。为了用式 (12.23) 或 (12.24) 计算敏感系数，需要重复进行正演模拟。例如，为了计算 \( M \) 个参数的敏感系数，有必要进行一次基准模拟，以及另外 \( M \) 次模拟，其中每次改变一个参数。这个过程简单直接。但是，如果需要许多参数以及许多观测点的敏感系数，该过程的计算效率会降低。采用伴随矩阵可以减少水流和迁移模型敏感系数的计算量（Sykes 等，1985；Wilson 和 Metcalfe，1985；Schmidtke 等，1987）。根据伴随矩阵理论，在整个模型网格上建立与地下水流方程相似的伴随矩阵状态方程并求解。敏感系数可直接由伴随矩阵状态求得。式 (12.23) 和 (12.24) 给出的敏感系数衡量模型中某特定位置的模型响应对某特定参数的敏感性。通常有价值的是定义一个单一的敏感系数，表明平方和目标函数对模型输入参数的敏感性。为此，我们可以用一个校准准则代替敏感系数表达式中的模型因变量，例如：用目标函数平方和：
X_k = \frac{\partial S}{\partial a_k} \approx \frac{S(a_k + \Delta a_k) - S(a_k)}{\Delta a_k}       （12.25）

或者用标准化形式：
X_k = \frac{\partial S}{\partial a_k/(a_k)} \approx \frac{S(a_k + \Delta a_k) - S(a_k)}{\Delta a_k / a_k}              （12.26）

其中\Delta S为由于参数a变化引起的目标函数平方和从基准例子S(a_k)到新例子S(a_k + \Delta a_k) 的变化量。为了计算目标函数平方和对某选定参数ag的敏感系数，首先选择模型输入参数的基准例子，并由观测点上观测与计算的水头、浓度、流量计算S值。保持其他参数不变，参数a的变化\Delta a_k，算出新的一组参数下的S值。然后敏感系数可以用(12.25)式或(12.26)式计算。

(12.25)式或(12.26)式中定义的X_k为正值时，表示S随a_k的增大而增大；X_k为负时，表示S随a_k的增大而减小。X_k的绝对值表示野外观测值与模型模拟的匹配对模型参数a的相对敏感性。

应该注意，如果模型因变量与参数a_k的关系是线性的，a_k增大或减小不同倍数会得到相同的X_k值。然而，如果模型因变量与参数的关系是非线性的，a_k增大或减小不同倍数会得到不同的X_k值。因此，如果因变量与参数的关系是非线性的，有必要指明参数的变化范围。理论上，用(12.23)式～(12.26)式的有限差分近似式计算敏感系数，随着参数扰动值变小，将逼近准确值。但是，正如 Poeter 和 Hill（1998）所指出，太小的扰动值会引起模型因变量计算值的差别小到可忽略，或者由于四舍五入的误差变得模糊；而另一方面，太大的扰动会得出不准确的敏感系数。经验是采用1%到5%大小的扰动。

12.5.2敏感分析的规程

敏感性分析极为有用的方面有：(1) 检验改变模型输入参数时模拟结果的总体响应；(2) 检验因模型输入参数不确定性可能引起的模拟结果的不确定性；(3) 检验从已有的模型校准数据中估算出参数的难易程度。通常来说，在校准前后都应作敏感性分析。在系统地进行校准之前，通常需要几次敏感性分析运行以认识模型对某个参数的反应。这些运行常常可以帮助排除一些难以发现的错误或模型设置的前后不统一。在进行校准并已识别出一组优化参数后，应进行敏感性分析以确定模型结果对模型参数的敏感度。这提供了模型参数的不确定性如何影响模拟结果的重要信息。如果模拟结果对某特定参数很敏感，则该参数的不确定性会显著影响模型作出有意义的解释与预测的能力。另一方面，如果模型对某给定参数不敏感，该参数的不确定性很少会影响模型的解释性与预测性能力。不确定性问题在下一章作进一步讨论。

若校准已由线性或非线性回归反演程序完成，敏感系数可从校准运行的输出中找到，用该输出可以进行详细的敏感性分析（例如，Hill，1994；Hill等，2000）。如果校准用试错法完成，应该做一些如上所述的敏感运行，计算敏感系数。

敏感性分析结果可以分级为高、中、低度来描述，或者用表12.4给出的数值尺度定量表示。图12.13所示的直方图可以用来表示不同模型参数敏感系数的相对大小。敏感系数也可以直接画在等值区图上；图12.14为某特定模型参数的敏感系数的空间分布。水流和迁移模拟敏感分析的其他例子包括Knopman和Voss（1987），Bulter和McElwee（1990），Person和Garven（1994），Ibaraki和Sudicky（1995），Jiao和Lerner（1996），Jiao和Zheng（1997），以及Ji和Brusseau（1998）。