14|Occam 正则化与反演结果可靠性|合并完整版

2 分钟阅读时长

发布时间:

发布时间:

本篇目录


第1单元|地球物理反演 07|Occam 为什么偏爱平滑模型:从相邻两层之差开始

我们终于知道怎样用 Gauss–Newton 更新地下电阻率模型。但仍有一个根本困难没有解决:如果好几种地下模型都能解释观测,计算机究竟应该选哪一种?

Occam(奥卡姆)反演给出了一个很有影响力的选择原则:在达到合理数据拟合水平的模型中,选择相对平滑、没有不必要起伏的结果。

所谓‘尽量平滑’,在数学上可以用相邻模型参数的差分来衡量。

一、怎样量化模型到底有多“粗糙”?

先只考虑三层地下,模型参数分别为 $m_1,m_2,m_3$。注意实际反演里常选择 $m_j=\log\rho_j$ 或 $\log\sigma_j$,而不是直接对电阻率本身求差。

第一种模型:

\[\mathbf m_A=\begin{pmatrix}1\\3\\1\end{pmatrix}.\]

相邻层的参数差为

\[m_2-m_1=2,\qquad m_3-m_2=-2.\]

把它们分别平方,再求和:

\[\Phi_m(\mathbf m_A)=2^2+(-2)^2=8.\]

第二种模型:

\[\mathbf m_B=\begin{pmatrix}1\\2\\3\end{pmatrix}.\]

相邻参数差为 1 和 1,所以

\[\Phi_m(\mathbf m_B)=1^2+1^2=2.\]

第二种模型的参数变化比较平缓,因此我们定义的粗糙度更小。

模型粗糙度示意

这里并没有判断哪一个模型更真实;我们只是定义了一个可以计算的“平滑程度”。

二、怎样用一个矩阵求所有相邻差?

定义差分矩阵

\[\mathbf L= \begin{pmatrix} -1&1&0\\ 0&-1&1 \end{pmatrix}.\]

将它乘以三层模型:

\[\mathbf L\mathbf m= \begin{pmatrix} m_2-m_1\\ m_3-m_2 \end{pmatrix}.\]

因此粗糙度函数就可以写成

\[\boxed{\Phi_m(\mathbf m)=\|\mathbf L\mathbf m\|^2}.\]

$|\cdot|^2$ 表示所有元素平方再求和。更一般地,如果希望模型接近某个参考结构 $\mathbf m_{\rm ref}$,也可以写

\[\boxed{ \Phi_m=\|\mathbf L(\mathbf m-\mathbf m_{\rm ref})\|^2. }\]

对于非均匀厚度网格,差分还应考虑层厚和深度间距。二维、三维模型也可以对水平与垂直方向采用不同的平滑权重。

三、为什么还需要数据失配?

如果只让粗糙度最小,一份所有层参数完全相等的常数模型就可能得到 $\Phi_m=0$。但它未必能解释真实测量。

所以我们既要数据拟合,也要模型平滑。常见的正则化目标写为

\[\boxed{ \Phi(\mathbf m)=\Phi_d(\mathbf m)+\lambda\Phi_m(\mathbf m). }\]

这里 $\Phi_d$ 是误差标准化后的数据失配,$\Phi_m$ 是粗糙度,$\lambda>0$ 是正则化权重。

如果 $\lambda$ 很大,程序更看重平滑,可能把真实异常都抹掉;如果 $\lambda$ 很小,程序更看重拟合,可能产生很多不必要的起伏。

请留意不同软件、文章采用的权重约定。 有些写成 $\Phi_m+\lambda^{-1}\Phi_d$,此时 $\lambda$ 和上式的直观大小关系需要重新解释,不能只凭一个希腊字母比较参数大小。

四、Occam 的目标与普通加权相加有什么不同?

Occam 的经典思路常表述为一个带约束的优化问题:

\[\boxed{ \text{使 }\Phi_m(\mathbf m)\text{ 最小,条件是 } \Phi_d(\mathbf m)\leq\Phi_d^*. }\]

其中 $\Phi_d^*$ 是事先设定的合理目标失配。也就是说:先规定“预测与观测要接近到什么程度”,然后在满足这一条件的模型中找尽可能平滑的那个。

在数值求解时,可以采用拉格朗日乘子或者加权目标函数

\[\Phi_m+\mu\Phi_d\]

把问题转化为便于优化的形式,调节 $\mu$ 以寻找满足目标拟合的解。这里的 $\mu$ 不应与前面电磁学磁导率 $\mu_0$ 混淆。

这也解释了为什么 Occam 和 Gauss–Newton 不是“只能二选一”的两种不相干技术:Occam 决定优化偏好与目标拟合原则,具体迭代仍可以用线性化和类似 Gauss–Newton 的数值计算来完成。

五、Occam 怎么得到下一次模型?

设当前模型为 $\mathbf m_k$,希望得到下一次模型 $\mathbf m_{k+1}$。用雅可比做局部线性化:

\[F(\mathbf m_{k+1}) \approx F(\mathbf m_k)+ \mathbf J_k(\mathbf m_{k+1}-\mathbf m_k).\]

为了整理公式,定义

\[\widehat{\mathbf d}_k= \mathbf d-F(\mathbf m_k)+\mathbf J_k\mathbf m_k.\]

于是当前线性近似下的观测方程可以写成

\[\widehat{\mathbf d}_k\approx\mathbf J_k\mathbf m_{k+1}.\]

假设模型约束采用正定的 $\mathbf C_m^{-1}$,数据权重采用 $\mathbf C_d^{-1}$,构造

\[\Phi_{\rm approx}(\mathbf m_{k+1}) = (\mathbf m_{k+1}-\mathbf m_{\rm ref})^T \mathbf C_m^{-1} (\mathbf m_{k+1}-\mathbf m_{\rm ref}) +\mu(\widehat{\mathbf d}_k-\mathbf J_k\mathbf m_{k+1})^T \mathbf C_d^{-1} (\widehat{\mathbf d}_k-\mathbf J_k\mathbf m_{k+1}).\]

第一项管模型形态,第二项管模型预测与数据的距离。将目标对 $\mathbf m_{k+1}$ 求导并令其为零,整理得到

\[\boxed{ \begin{aligned} (&\mathbf C_m^{-1} +\mu\mathbf J_k^T\mathbf C_d^{-1}\mathbf J_k) \mathbf m_{k+1} ={}&\mathbf C_m^{-1}\mathbf m_{\rm ref}\\ &+\mu\mathbf J_k^T\mathbf C_d^{-1}\widehat{\mathbf d}_k. \end{aligned} }\]

如果左边矩阵可逆,可以形式上写成求逆后的解。实际计算依然更倾向于使用稳定的线性方程求解算法。

这段推导为什么要放在这里?是为了看见它与 Gauss–Newton 的共性:两者都使用当前模型的雅可比矩阵,把非线性反演暂时近似为一个线性系统。主要区别体现在目标函数、约束形式及权重选择原则上。

严格的“相邻差分平滑”对应 $\mathbf L^T\mathbf L$,它可能是半正定而非可逆的;使用上面的 $\mathbf C_m^{-1}$ 写法时,需要有适当正定先验或额外约束来保证可解,不能机械地把一个奇异差分算子求逆。

六、为什么 RMS 越低,模型反而可能越不可信?

拟合与复杂度之间的 L 曲线示意

假设模型 A 的 nRMS 是 1.1,模型 B 的 nRMS 是 1.0。两者都处于合理拟合范围,但模型 B 为达到这一点增加了一大堆高度起伏的低阻、高阻小块。

这些新出现的复杂结构可能只是在拟合观测噪声。数据拟合从 1.1 改善到 1.0,并不足以单独证明新增异常真实存在。

有时可以把不同权重得到的数据失配与模型粗糙度画在一张图上,形成所谓的 L 曲线(L-curve)。拐角区域常被用于寻找折中,但它也会因噪声、尺度、模型参数化而变化,不能把拐角当成真实地质结构的数学证明。

七、Occam 的平滑结果是否一定接近真实地下?

真实地下常有尖锐断层、突变界面和很薄的导电层。平滑约束会让这些边界变宽,有时还会把相邻异常连成一片。平滑模型很好读,但也可能给地质界面开了一层‘磨皮’。

因此 Occam 应被理解为:当数据不足以证明某些尖锐细节时,先选择比较简单、平滑的解释。 这个模型便于看清数据稳定要求的主要异常,但仍需进行灵敏度、分辨率与恢复实验。

八、自检

① 两个模型同样能满足目标 RMS,为什么不能只选结构变化最大的那个?因为复杂起伏可能是数据并不要求的额外自由度。

② 为什么不能一味把正则化权重调得越来越大?因为模型可能过分平滑,无法再解释观测。

③ 平滑反演中出现一个 10 km 宽的低阻区,是否说明真实导电地层一定宽 10 km?不能,范围受数据分辨率与平滑约束共同影响。

下一节:反演结果怎样验证?


第2单元|地球物理反演 08|反演结果可信到哪一步:从 RMS 到分辨率测试

数据失配、零空间、雅可比、Gauss–Newton 和 Occam 已经串成完整的计算链。接下来讨论结果检验:计算机给出一张电阻率剖面之后,我们究竟能信到哪一步?

但反演工作的真正考验恰恰从这张彩图出现以后才开始:怎样知道某个低阻体是数据确实需要的结构,还是算法、噪声与先验共同制造的伪影?

一、不是所有反演都必须使用同一套算法

对一维 MT 数据,有一种相对快速的做法:将频率相关的视电阻率转换成近似的深度—电阻率关系,例如 Niblett–Bostick 类型变换。它具有直观和快速的优点,但本质是近似映射,不能自动替代完整的物理反演。

如果地下模型层数很少,还可以人工调整层厚与电阻率,每次做正演、与数据对比,再继续调整。这叫试错正演(trial-and-error)。它有助于建立物理直觉,但参数一多就很难系统搜索。

另一种方法是随机生成大量地下模型,进行正演,保留能在误差范围内解释数据的候选模型。这是 Monte Carlo 思路的一种简单形式。它有利于观察多解性,但当模型变成二维、三维时,计算成本迅速增加。

对于大量未知参数的二维、三维 MT,采用正则化和迭代优化的反演方法更常见,例如 Occam1D、Occam2D、MARE2DEM、ModEM 等相关软件或框架。

二、一个好的 RMS 代表什么?

假设拟合后得到了

\[\mathrm{nRMS}=1.05.\]

如果 RMS 的定义与误差条正确,并且模型与观测的数据类型一致,这意味着预测与观测的平均标准化残差处于合理尺度。它是值得报告的结果。

RMS=1.05 表示在所采用的误差定义下,模型与数据达到了相应的拟合水平。 不同地下结构可能具有相近的 RMS,所以还需要分析异常恢复、灵敏度和其他约束。

必须进一步检查各个周期、站点、阻抗分量与相位的残差。某些明显偏离的数据点可能来自仪器噪声、静态位移、处理问题,也可能意味着当前一维或二维模型假设不合适。

三、为什么过分追求更低 RMS 可能制造伪影?

假设一个正则化较强的模型只有一个主要低阻异常,RMS=1.10。继续放松平滑约束,RMS 降到 0.99,但剖面里长出很多尖锐斑点与破碎条带。

这时要问:改进的拟合幅度,相比新增模型粗糙度,是否值得?新增异常是否受到足够多独立观测约束?若只是模型越来越复杂,却没有对应的显著数据改善,很可能是过拟合或反演伪影。

一个实用的方法是同时比较不同正则化权重的模型、数据拟合图与 L 曲线,而不是只盯着最终彩图的细节。

棋盘测试比较已知电性模型和恢复模型

四、棋盘测试究竟在测什么?

棋盘测试(checkerboard test)是一种人为构造“真值已知的模型”的分辨率实验。

做法大致如下:

  1. 在背景电阻率模型中放入一组交替高阻、低阻的规则异常块。
  2. 将这个已知模型送入正演程序,计算若干测站和周期的模拟观测。
  3. 视测试目的,为模拟数据加入与实测相近的噪声与误差。
  4. 采用与真实研究相同或相近的网格、平滑约束和反演策略,从模拟数据恢复模型。
  5. 比较恢复结果与最初已知棋盘:哪些块能恢复位置、幅值和边界,哪些被抹平或混在一起?

如果浅部的块分得很清楚,深部所有块却融合成一片,就说明相应深度的结构分辨能力有限。

但棋盘测试同样有局限:结果依赖棋盘块的大小、幅值、位置、观测点分布、噪声和正则化策略。因此“通过了一次棋盘测试”并不能证明所有可能形状的地下异常都能被分辨。

五、为什么还要做异常恢复或消除试验?

棋盘测试针对预先设置的规则异常,而实际研究往往只关心一个特定的导电层、断层或深部高阻体。

可以设计更针对性的实验:

  • 在反演模型基础上删去某个异常,重新正演或反演,观察数据失配是否显著恶化;
  • 将目标异常加深、变薄、改变电阻率,再检验是否仍能满足观测;
  • 采用不同起始模型、参考模型或正则化权重,查看关键结构能否稳定出现;
  • 对某些层施加高阻或低阻范围约束,检查邻近层是否通过补偿继续拟合数据。

如果把某个低阻体删除后数据几乎没变,不能说它已经得到充分约束;如果无法删除它却可以改变其大小与形状,则可能说明“存在某种导电性异常”比“异常的准确形态”更加可靠。

六、横向与纵向分辨率为什么常常不同?

地表测站的空间排列通常使模型对不同方向的变化具有不同灵敏度。例如某些二维 MT 反演中,异常的横向位置比较稳定,而深度边界更容易被平滑和扩散。

这不是无条件适用于所有区域的一条定律。实际分辨率取决于背景电阻率、测站间距、频带、目标深度和数据类型。但它提醒我们:图上同样大小的横向色块和纵向色块,不代表相同的分辨能力。

随着深度增大,许多模型单元会受到更少有效观测约束。应避免把深部弱约束区域的每一条电阻率等值线都赋予具体构造意义。

七、不同正演程序、不同反演程序为何会给出不同结果?

实际二维、三维计算可使用有限差分(FD)、有限元(FE)、积分方程(IE)等方法,在网格、边界、数值求解精度、各向异性处理与源场假设方面可能不同。

同一个地下测试模型,多个程序算出的阻抗若有差别,需要区分是正演误差、坐标与单位约定、网格不足,还是更根本的模型假设差异。

即使正演算法一致,反演程序也可能因起始模型、参数化、正则化和收敛标准不同,得到不同但都符合数据的地下模型。这正是跨算法比较和可重复性测试的重要价值。

八、怎样向地质问题迈出最后一步?

稳定出现的低阻区可以提示电性异常,但它可能由含盐流体、部分熔融、石墨/硫化物、黏土矿物或其他导电机制导致。电阻率并不会直接标注“这里是岩浆”“这里是水”。

需要结合岩石物性实验、温压条件、地震、重力、区域构造以及其他独立证据,才能讨论异常的地质成因。

因此,一份可信的反演研究报告,除了彩图,还应该清楚说明观测数据、误差权重、反演目标、起始模型、拟合情况、约束测试与未解决的不确定性。

九、最后一道思考题

如果两个模型都达到 $\mathrm{nRMS}\approx1$:模型 A 平滑、模型 B 出现一个漂亮但狭窄的深部高阻体。我们能否只因为 B 更符合自己希望看到的地质故事就选择 B?

不能。需要检验那个高阻体是否改善了具有统计意义的数据拟合,是否在改变先验和模型参数化后仍存在,以及观测对它的深度与幅值是否具备足够灵敏度。

当这些条件还没有得到验证时,合理的表述应保留不确定性,而不是让反演图替我们作出超出数据支持范围的结论。

继续:电性结构的地质解释