12|反问题、零空间、误差与 RMS|合并完整版
发布时间:
发布时间:
本篇目录
- 地球物理反演与 Occam|从零空间走到 Gauss–Newton 和模型验证
- 地球物理反演 01|知道结果,为什么很难倒推出原因?
- 地球物理反演 02|零空间是什么:为什么数据看不到某些地下变化?
- 地球物理反演 03|RMS 怎么来的:误差、残差和加权最小二乘
第1单元|地球物理反演与 Occam|从零空间走到 Gauss–Newton 和模型验证
我们已经学会了如何根据地下电阻率计算地表的电磁响应,也能从野外时间序列处理出阻抗、相位和视电阻率。接下来轮到最困难、也最接近真实科研的一步:
从有限、有误差的地表数据,恢复地下电阻率的空间分布。
问题看上去只需把正演过程反过来,却立刻遇到存在性、唯一性、稳定性、计算效率、模型先验与数据噪声。这一专题不从最终反演算法的公式开始,而是先认识为什么需要它们。
推荐学习顺序
反演为什么比正演难?
从行程时间与速度入门,区别参数估计、地下成像、正演与反演,理解存在性、唯一性和稳定性。零空间:为什么数据看不到某些模型变化?
手算 $m_1+m_2=10$,把“很多模型一样符合观测”写成 $\mathbf G\Delta\mathbf m=0$。RMS 怎么来的?
从残差、标准差与平方和开始,推导标准化 RMS 和协方差加权,理解为什么 RMS≈1 不代表模型一定真实。雅可比矩阵:改变一层,哪些数据会变?
从普通偏导数走到灵敏度矩阵,理解模型扰动、有限差分求导与非线性正演的局部线性化。梯度与 Hessian:从抛物线学习 Newton 更新
手算 $\Phi(m)=(m-3)^2$ 的一阶导数、二阶导数与更新量,并认识线搜索。Gauss–Newton:正规方程怎样一步步推出来?
从残差平方和与一阶泰勒展开出发,得到 $\mathbf J^T\mathbf J\Delta\mathbf m=-\mathbf J^T\mathbf r$,手算两次迭代,然后加入数据误差和正则化。Occam:为什么要在合理拟合中尽可能平滑?
从相邻参数差分构造粗糙度,认识模型约束、目标 RMS、拉格朗日乘子、Occam 更新与 L 曲线。反演结果能信到哪一步?
近似深度映射、试错与 Monte Carlo、二维三维反演、模型伪影、棋盘测试、异常恢复和地质解释边界。
全部内容其实是一条运算链
为了给这些数学符号一个清楚的归宿,你可以先看看反演程序真正反复执行的工作:
\[\text{地下模型}\ \mathbf m_k \ \xrightarrow{\,F\,}\ \text{预测数据} \ \xrightarrow{\ \text{与观测比较}\ }\ \text{残差}.\]随后根据
\[\Delta\mathbf d\approx\mathbf J_k\Delta\mathbf m\]用雅可比预测模型调整对数据的影响,再按照数据失配和模型约束求更新,得到下一轮模型 $\mathbf m_{k+1}$。之后重新正演,如此循环,直到满足合理的停止条件。
但反演目标绝不是让计算机无止境地追求零残差。真正重要的是判断:
- 数据误差是否估计合理,失配究竟来自哪个频带和测点;
- 某个模型特征是否被数据需要,是否受初始模型、平滑约束影响;
- 改善拟合是否值得引入更多模型起伏;
- 深部异常能否被目前频带、测点布置和数据质量有效分辨。
前面我们已从最小二乘学过简单拟合,本章会用同样的耐心处理每一次矩阵乘法和偏导运算。
下一专题再把稳定的电性异常放回真实地质环境中,研究其可能的物性成因。
第2单元|地球物理反演 01|知道结果,为什么很难倒推出原因?
我们已经学会了一个重要的本领:给定一组地下电阻率,再通过麦克斯韦方程计算地表阻抗、视电阻率和相位。
现在假设手中只有实测曲线,要反过来恢复地下电阻率。看上去只是把箭头反过来,为什么后面突然冒出了最小二乘、矩阵求逆、正则化、Occam 等一大堆新概念?
答案藏在一个非常简单的例子里。
一、同样一小时的旅程,能推断速度吗?
假设一辆车走完一段路,一共用了 1 小时。
如果知道路程是 60 km,并且车速恒定,可以算出速度:
\[v=\frac{60\ \mathrm{km}}{1\ \mathrm h}=60\ \mathrm{km/h}.\]这看起来像在“反求”一个未知数。但如果只知道耗时 1 小时,路程未知,就无法确定速度。因为速度 40 km/h、路程 40 km 和速度 80 km/h、路程 80 km 都能符合观测。
这说明反演最根本的困难之一是信息量不足:有些未知数,无论计算机算得多快,仅靠现有观测都确定不了。
二、把这个例子写成地球物理语言
我们把地下模型参数放在一起,记作
\[\mathbf m= \begin{pmatrix}m_1\\m_2\\\vdots\\m_M\end{pmatrix}.\]它可能包含每一层的电阻率、厚度,或二维、三维网格的电导率。大写 $M$ 是模型未知参数的数量,小写 $m_j$ 是其中第 $j$ 个参数。
把观测数据组成另一列:
\[\mathbf d= \begin{pmatrix}d_1\\d_2\\\vdots\\d_N\end{pmatrix}.\]例如在一组不同周期处测得的视电阻率、相位或者阻抗实部和虚部。$N$ 是观测数据的数量。
正演就是给定 $\mathbf m$,求 $\mathbf d$:
\[\boxed{\mathbf d_{\rm pred}=F(\mathbf m)}.\]这里 $F$ 表示物理正演计算过程,前面学过的解析正演或数值正演都可充当它。
反演则是已知实际观测 $\mathbf d_{\rm obs}$,尝试寻找某个 $\mathbf m$,使
\[F(\mathbf m)\approx\mathbf d_{\rm obs}.\]三、为什么不能直接写成 F 的倒数?
普通数字方程 $y=2x$ 能写成 $x=y/2$,但一般地球物理正演的 $F$ 未必存在唯一的逆函数。
例如
\[y=x^2.\]给出 $y=9$,至少有 $x=3$ 与 $x=-3$ 两个解。这个简单函数已经出现“一个数据对应不同参数”。
更加复杂的地下结构甚至可能有大量模型,其预测数据之间的差别小于观测误差。对于 MT,较厚但相对高阻的导电层与较薄但相对低阻的导电层,在某些频率范围内可能产生近似相同的地表响应;我们之前已经学习过纵向电导的等效性。
四、反问题的三个困难
(1)存在性。 实际观测有噪声,正演和地下参数化也有近似。数据可能无法被当前模型族精确重现,因此反演通常追求与误差水平相符的拟合。
(2)唯一性。 同一组数据有时对应许多不同的地下模型。有限频段与有限测点通常只能约束其中一部分模型信息。
(3)稳定性。 观测只变一点点,模型会不会突然改变很多?在病态问题中,确实可能发生。
我们尤其要警惕第三件事。假设
\[y=0.001x.\]若测得 $y=1$,则 $x=1000$;若测得 $y=1.01$,则 $x=1010$。数据只变了 $0.01$,模型就改变 10。若观测本身的误差已经达到 $0.01$,这个模型参数显然不容易精确确定。
五、参数估计与成像反演有何差别?
有些反演只需要求少数参数。例如利用许多地震台的到时估计地震震源的三个空间坐标和发震时刻,这大体属于参数估计。
但若要用地表数据求出整个地下剖面的成百上千个网格电阻率,就接近成像反演。这时未知数很多,有时还多于独立观测信息,需要处理不唯一性、计算量以及模型空间的巨大自由度。
二者都可以用矩阵、最小二乘和统计学处理,只是规模与约束需求不同。
六、一个可以亲自回答的问题
假设只有一条观测:
\[d=m_1+m_2=10.\]那么 $(m_1,m_2)=(3,7)$、$(6,4)$、$(8,2)$ 是否都符合观测?全部符合。
当你问“哪一个才是真实的地下模型”时,单靠这条观测已经没有答案了。你必须增加观测、加入独立地质信息,或者明确采用某种选择原则。
正因为数据无法唯一确定全部地下参数,反演才需要加入参考模型、平滑程度或独立地质信息等约束。算法的复杂,是信息不足在数学上的具体表现。
第3单元|地球物理反演 02|零空间是什么:为什么数据看不到某些地下变化?
上一节我们碰到一条方程:
\[m_1+m_2=10.\]它同时包含两个未知参数,所以有无数个解。这次我们要把它与地球物理中的“零空间”联系起来。
一、先找两组不同但都正确的答案
选择一个模型
\[\mathbf m_A=\begin{pmatrix}3\\7\end{pmatrix}.\]再选择另一个模型
\[\mathbf m_B=\begin{pmatrix}5\\5\end{pmatrix}.\]它们都满足 $m_1+m_2=10$。两个模型的差是
\[\Delta\mathbf m=\mathbf m_B-\mathbf m_A =\begin{pmatrix}2\\-2\end{pmatrix}.\]仔细看这个变化:第一个参数增加 2,第二个参数减少 2,它们对观测总和的贡献恰好抵消。
这意味着我们虽然真的改变了模型,但观测保持不变。
二、把方程变成一个矩阵
令
\[\mathbf G=\begin{pmatrix}1&1\end{pmatrix}.\]于是
\[d=\mathbf G\mathbf m =\begin{pmatrix}1&1\end{pmatrix} \begin{pmatrix}m_1\\m_2\end{pmatrix}=m_1+m_2.\]对于刚才的模型变化,
\[\mathbf G\Delta\mathbf m =\begin{pmatrix}1&1\end{pmatrix} \begin{pmatrix}2\\-2\end{pmatrix} =2-2=0.\]只要一个非零的模型变化乘以正演矩阵以后等于零,数据就完全看不到这个方向上的变化。
所有满足
\[\boxed{\mathbf G\Delta\mathbf m=\mathbf0}\]的模型变化组成 $\mathbf G$ 的零空间(null space)。
三、用初中的“抵消”理解零空间
你可以把零空间想成给地下模型的一套修改方案:这里增加一点,那里减少一点,最终全部观测正好没改变。
在更一般的有限维线性模型里,
\[\mathbf d=\mathbf G\mathbf m.\]如果已找到一组解 $\mathbf m_0$,那么所有形如
\[\mathbf m=\mathbf m_0+\Delta\mathbf m,\qquad \mathbf G\Delta\mathbf m=0\]的模型都会有相同的预测数据。
现在“反演非唯一性”终于有了严格的数学形式。
四、多加一条观测,能否消除零空间?
假设除了 $m_1+m_2=10$,我们还能额外测出
\[m_1-m_2=2.\]两个方程联立:
\[\begin{cases} m_1+m_2=10,\\ m_1-m_2=2. \end{cases}\]两式相加得到 $2m_1=12$,所以 $m_1=6$;再求 $m_2=4$。
矩阵写为
\[\mathbf G=\begin{pmatrix}1&1\\1&-1\end{pmatrix}.\]它的两行提供独立信息,能够在此例中唯一确定两个参数。
但如果新增的观测只不过是第一条的两倍:
\[2m_1+2m_2=20,\]它没有提供新的独立约束,零空间仍然存在。这解释了一个重要事实:测量条数多,不等于独立信息就一定多。
五、真实 MT 还有“几乎看不到”的变化
在非线性地球物理反演里,我们通常关注当前模型附近很小的变化:
\[\Delta\mathbf d\approx\mathbf J\Delta\mathbf m.\]$\mathbf J$ 是后面要认真推导的雅可比矩阵。若某个 $\Delta\mathbf m$ 使 $|\mathbf J\Delta\mathbf m|$ 非常小,甚至比数据误差还小,那么它虽然不是严格零空间中的向量,实际观测也可能难以分辨。
例如某个很深的薄层参数改变很多,但在现有频带上引起的视电阻率、相位变化都很小,就可能属于弱约束方向。
即使数据条数超过模型参数,若这些数据彼此相关,或者对某些参数几乎不敏感,反演仍可能不稳定。真正决定约束强弱的是独立信息与灵敏度,而非单纯比较两个数字。
六、为什么模型会被平滑?
如果地表数据无法分别确定大量相邻网格的参数,反演程序就需要选择一些更可取的模型。后面 Occam 方法会通过惩罚不必要的剧烈变化,选择较平滑的结果。
这种偏好可以有效避免数值解沿着弱约束方向到处振荡,但与此同时,真实地层界面也可能被抹宽。
这就是在阅读反演彩图时必须保留的一点警觉:平滑部分可能来自反演选择原则,不能自动解释成地下岩石本身连续渐变。
七、自检
① 已知 $\mathbf G=(2,1)$,找一个非零的零空间向量。答案之一是 $(1,-2)^T$,因为 $2(1)+1(-2)=0$。
② 为什么新增观测不能只看数量?因为新观测可能与已有观测高度相关,提供的独立约束很少。
③ 如果某深部低阻层能在多个不同厚度和电阻率组合下保持类似数据拟合,应如何表述?可以说数据更可靠地约束了某种综合电性效应,对厚度和电阻率的单独确定仍需更多检验。
第4单元|地球物理反演 03|RMS 怎么来的:误差、残差和加权最小二乘
你可能已经在反演软件里见过 RMS、目标 RMS、misfit。这些数字往往决定程序什么时候停止迭代,却也最容易被误解。
我们不妨只拿两条观测做一个小实验。
一、两个点的误差一样大吗?
假设某个正演模型对两条观测的预测都比实测高了 2:
\[F_1-d_1=2,\qquad F_2-d_2=2.\]直观上它们的残差大小相同。但如果第一条观测非常可靠,标准差只有 1;第二条很嘈杂,标准差为 4,那么我们应当同样对待两个“偏差为 2”吗?
对第一条,偏差是其噪声标准差的 2 倍;对第二条,偏差只有噪声标准差的 0.5 倍。
因此定义标准化残差
\[\boxed{r_j=\frac{F_j(\mathbf m)-d_j}{s_j}}.\]这里 $F_j(\mathbf m)$ 是模型预测、$d_j$ 是实际观测,$s_j>0$ 是该条观测的不确定度标准差。
于是本例得到
\[r_1=\frac21=2,\qquad r_2=\frac24=0.5.\]二、为什么要把残差平方?
如果简单把残差求和,正负偏差会相互抵消。例如一个点高了 2,另一个低了 2,和就是 0,显然不能叫“完美拟合”。
因此使用平方和:
\[\boxed{ \Phi_d(\mathbf m)=\sum_{j=1}^N r_j^2 =\sum_{j=1}^N\left(\frac{F_j(\mathbf m)-d_j}{s_j}\right)^2. }\]这就是最常见的加权平方失配。本例为
\[\Phi_d=2^2+0.5^2=4.25.\]这里使用实值数据表达;如果直接拟合复阻抗,需要按软件采用的方式组织实部与虚部,或使用复数共轭转置形式,并正确指定协方差。
三、归一化 RMS 为什么要除以数据数目?
平方和随数据数量增加而倾向增大,因此常定义
\[\boxed{\mathrm{nRMS}= \sqrt{\frac1N\sum_{j=1}^{N}r_j^2}}.\]对刚才两条数据:
\[\mathrm{nRMS}= \sqrt{\frac{4+0.25}{2}} =\sqrt{2.125}\approx1.458.\]这里还有一个容易忽略的细节:RMS 还取决于我们给数据设置了多大的误差条。继续使用刚才的两条观测。如果把它们的标准差都改成原来的两倍,而预测值和观测值一概不变,那么标准化残差从 $(2,0.5)$ 变成 $(1,0.25)$,于是
$ \mathrm{nRMS}_{\rm new} =\sqrt{\frac{1^2+0.25^2}{2}} =\sqrt{0.53125}\approx0.729. $
数据并没有神奇地变得更好,只是我们允许了更大的测量误差。因此报告反演 RMS 时,最好同时交代误差是怎样设置的;脱离误差定义比较两次 RMS,结论可能完全相反。
这里的 nRMS 已经是“标准化的”,因为每条残差都除以自己的不确定度。如果数据没有经过标准化,普通 RMS 的数值就不能按这一含义理解。
在独立高斯噪声、误差标准差合理、正演模型充分准确等前提下,nRMS 接近 1 是一个常见的目标尺度。但它不是证明模型真实的奖章。
四、如果数据彼此相关呢?
我们此前假设不同观测独立,可以分别除以各自的 $s_j$。实际数据可能存在相关误差,例如相邻频率或同一个测站上的处理噪声相关。
将数据误差协方差写成矩阵 $\mathbf C_d$,其对角元素表示各观测误差方差,非对角元素刻画误差相关程度。对实值数据,失配可写为
\[\boxed{ \Phi_d=(F(\mathbf m)-\mathbf d)^T \mathbf C_d^{-1}(F(\mathbf m)-\mathbf d). }\]为什么出现逆矩阵?它把不同数据的尺度和相关性纳入统一的二次型。若 $\mathbf C_d$ 是只有 $s_j^2$ 在对角线上、其余为零的对角矩阵,那么这个公式就退化回逐条除以 $s_j$ 后平方求和。
若协方差矩阵不是正定或估计不可靠,求逆也会产生问题,需要采用适当近似和误差处理策略。
五、哪些数据应该放进同一个目标函数?
MT 数据可以使用阻抗张量元素的实部和虚部,也可以使用视电阻率和相位,部分工作流还使用 tipper。
如果直接把 $\rho_a$(单位 $\Omega\cdot\mathrm m$)与 $\phi$(度)裸加在一起,大数字的量纲和量级会不合理地主导目标函数。必须按照实际数据类型与误差进行归一化。
某些反演软件使用 $\log\rho_a$;它对跨多个数量级的电阻率响应更方便,但此时误差也应当在相应的对数尺度下定义。软件输出的 RMS 还可能采取不同的复数计数和归一化规则,比较结果时先看定义。
六、为什么不能只看一个全局 RMS?
假设有 100 条数据,99 条残差都很小,只有某个极长周期的点误差巨大。全局 RMS 会被它显著拉高,模型可能为了降低这个数字而在深处出现不合理结构。
相反,某个模型总体 RMS 已很低,但关键频带的相位系统性偏离,也不能当作已经解释好了问题。
因此建议同时查看各频率、各测点、不同数据分量的残差,分辨明显异常数据、错误权重和模型维度不足等不同原因。
七、独立练习
假设三条数据的标准化残差为 $1,1,2$:
\[\Phi_d=1+1+4=6,\qquad \mathrm{nRMS}=\sqrt{\frac63}=\sqrt2\approx1.414.\]如果只看最后一个数字而不查看三个残差,便看不出第三条数据明显偏大。这也是为什么“达到了目标 RMS”仍不代表反演分析已经完成。