17.3 模型校准原则 |
  
|
17.3 模型校准原则 |
|
吝啬原则
参数持续增加的情况下，模型拟合程度与预测水平的消长规律。
吝啬原则是：
● 模型中不需要体现系统的所有细节，就可以使用模型进行成功预测。
● 使用能体现系统主流动力的最简单模型，进行首次尝试。
● 仅调整代表系统主要矛盾的很有限的几个参数。
● 建模时从仅模拟系统最主要过程开始。
● 仅根据需要使用与当前复杂程度相一致的数学模型。
● 当向模型中增加复杂性时，应当考察：
o 观测值是否支持所增加的复杂性
o 增加的复杂性是否会影响预测结果
吝啬原则不是：
● 使用明显与事实或当地条件不符的数据。
● 用一个常数代表全区参数。
现有工具（ MODFLOW-2000, UCODE, PEST ）已经提供了模型自动调参的绝大部分功能。
吝啬原则的优势：
● 模型更透明，更容易理解系统过程、参数取值范围、参数对模型的控制力。也可以测试更多的复杂性是否必须。
● 容易检查出模型的错误。
● 帮助模型工作者保持与现有数据一致的大局观。
● 可以通过设计包含细节的模拟场景来测试这些细节的作用。
● 更短的运行时间。
软数据原则
软数据是指不能在模型中直接作为观测数据进行校正的现场信息。将软数据代入模型有巨大意义：1）支撑参数的空间变异规律；2）可以用更少变量的对模型进行参数化。典型的软数据应用领域包括：
● 使用区域地质和水文地质知识来降低渗透系数分布的不确定性；
● 对数据量大、质量好的资料进行充分分析，提取其中隐含的更多信息；
● 只有水头信息时，拟合出的K和垂向补给可能差的很远，这时如果有示踪试验成果可以极大约束参数范围。
经验数据原则
经验数据指从别地、类比案例、历史资料等来源获取的与本项目场地有关的信息。经验数据可以直接在校正的目标方程中使用，其原理是对偏离经验数据较远的观测数据施加“惩罚”。
将经验值加入目标方程
目标方程中使用经验数据时应注意以下方面：
● 开始时先不要使用经验数据，观察模型的反应。
● 对于不敏感的模型参数，无需设置经验值，因为自动校正的结果总是维持经验值本身。可直接设置为模型参数。
● 对于敏感的模型参数，如果出现自动调参结果与经验值相距甚远的情况：
o 不要贸然使用经验值选项来认为帮助调参过程
o 找出原因，为什么经过校正的模型会产生不切实际的参数。
根据调参结果迭代模型
模型自动调参过程不稳定的主要来源及相应的解决方案是：
● 模型对参数变化不敏感
o 对不敏感的参数（综合敏感度CSS比最大值小两个数量级），不要将其作为自动调参对象，直接给定观测值或经验值；
o 合并相关参数；
o 重新设置自动调参对象；
o 创造性地使用“软数据”。
● 模型对参数变化呈现非线性状态
o 分析调参步骤的中间过程；
o 检查大额误差来源，检查拟合过程中被丢弃（如因模拟当量值无法计算）的观测值，检查参数是否还有实际意义；
o 检查模型本身是否存在非线性元素，使用线性办法暂替。
● 现有参数存在前后不一致性
o 仔细检查现有的观测值是否存在解释错误；
o 比较观测值、经验值、模拟当量值之间关系。