1. 课程导入与反问题评估全景

反问题建模与正问题建模的根本差别，在于“已知什么、要求什么”。正问题是由模型参数推演观测数据，例如给定地下介质速度场，用波动方程算出地震记录；反问题则反过来，从含噪、不完备的观测数据出发，反推模型参数、初始条件、边界条件或源项。这一“反向”特性决定了反问题几乎总是不适定的：解可能不存在、不唯一，或对数据扰动极度敏感。因此，反问题课程的核心不只是“把参数反演出来”，而是回答一个更严格的问题——反演得到的模型，凭什么可信？换一批数据、换一个场景，它还能成立吗？这正是交叉验证与泛化评估要解决的问题。

先建立反问题建模的基本范式。一个典型的反问题可以写成算子形式：

d = F(m) + ε
目标：由 d 估计 m
其中 d ∈ R^N 为观测数据，m ∈ R^M 为待反演模型参数，
F 为正演算子（通常是非线性、需数值求解的 PDE 算子），
ε 为观测噪声与模型误差的合成项。

求解时通常构造带正则项的目标函数 J(m) = ||F(m) − d||² + λR(m)，通过梯度类方法（如 Gauss-Newton、共轭梯度）或全局搜索方法迭代求解。这里已经埋下了评估难题：正则化参数 λ 的选择、正演算子 F 的离散误差、噪声水平 ε 的估计，都会让反演结果产生系统性偏差。如果只用“反演残差小”来判断模型好坏，就会掉进过拟合的陷阱——残差可以靠拟合噪声压得很低，但模型已经偏离真实物理结构。

交叉验证正是对抗这一陷阱的基本工具。其核心思想是：把数据划分为训练部分与验证部分，用训练部分反演模型，用验证部分检验模型对“未见数据”的预测能力。对反问题而言，K 折交叉验证的典型做法是：将观测数据按空间位置或炮检点分组，轮流留出一折作为验证集，其余用于反演，记录每折在验证集上的预测误差，最后取均值与方差。这里有一个反问题特有的关键细节——数据划分必须尊重数据的空间相关性与采集结构。若随机打乱炮检点，训练集与验证集在空间上高度重叠，验证误差会被严重低估；更合理的做法是按区块、按测线或按时间窗分组划分，模拟“预测未知区域”的真实场景。

泛化评估则更进一步，它关心的不是同一数据集内部的插值能力，而是模型迁移到新条件后的表现。对反问题模型，泛化至少包含三个层次：数据泛化（新噪声水平、新采样密度下的稳定性）、参数泛化（反演目标参数分布变化时的适应性）、物理泛化（正演算子或边界条件改变时的可靠性）。评估时常用的指标包括验证集均方误差、相对模型误差 ||m̂ − m_true||/||m_true||（在合成数据场景下可得）、以及分辨率与不确定性指标，如点扩散函数宽度、后验协方差的置信区间覆盖率。需要强调的是，在真实数据场景中 m_true 不可得，此时应依赖数据残差 + 物理一致性 + 独立观测校验的组合判据，而不能只看单一误差数字。

为了让上述抽象框架落地，本课程设置了一个贯穿全程的实战项目：一维层状介质走时反演与泛化评估。设定如下（示例参数，用于教学演示）：地下为水平层状结构，真实层速度取 [1500, 2200, 3000, 4000] m/s，层厚 [200, 300, 400, 500] m；在地表布设 24 个检波器，间距 50 m，激发 5 个炮点；正演采用射线追踪计算初至走时，并在走时上叠加标准差为 8 ms 的高斯噪声。待反演参数为各层速度与层厚，共 8 个未知量。项目要求学员完成四件事：其一，用 Gauss-Newton 迭代反演，观察残差随迭代下降的曲线；其二，按炮点分组做 5 折交叉验证，比较训练残差与验证残差是否出现明显分叉；其三，将噪声标准差从 4 ms 逐步提高到 20 ms，绘制验证误差随噪声变化的曲线，判断模型在何种噪声水平下开始失效；其四，用反演结果做一次“留出一层”的预测检验，即用反演模型预测未参与反演的某层走时，评估物理泛化能力。