3. 反演问题数学基础

多组实验联合反演的本质，是从有限、含噪的观测数据中反推模型参数。要判断一个反演方案是否可靠，必须先弄清三件事：正演算子对参数是线性还是非线性、病态性从何而来、以及如何把先验知识与数据证据合成一个可量化的后验分布。本节围绕这三条主线展开，为后续联合反演算法与校准流程打基础。

一、线性与非线性反演：从正演算子说起

反演问题写作 d = G(m) + ε，其中 d 为观测向量，m 为模型参数向量，G 为正演算子，ε 为观测噪声。若 G(m) = Gm 对 m 成立（G 为矩阵），则为线性反演；否则为非线性反演。线性情形下最小二乘解有闭式表达：

m_est = (GᵀC_d⁻¹G)⁻¹ GᵀC_d⁻¹ d

其中 C_d 为数据协方差矩阵。当 GᵀC_d⁻¹G 接近奇异时，微小噪声会被放大成巨大参数误差，这就是病态性。非线性反演（如走时层析、电磁响应反演）通常采用迭代线性化：在当前模型 m_k 处计算雅可比矩阵 J = ∂G/∂m，求解增量 Δm，再更新 m_{k+1} = m_k + αΔm。迭代能否收敛，取决于初始模型是否落在合理盆地内、雅可比计算是否准确、步长 α 是否受控。

二、正则化理论：给病态问题加约束

正则化的核心思想是在数据拟合项之外加入模型约束项，构造目标函数：

Φ(m) = ‖G(m) − d‖²_Cd + λ‖L(m − m_ref)‖²

第一项衡量数据残差，第二项衡量模型偏离参考模型 m_ref 的程度，L 可取单位矩阵（最小模型长度）、一阶差分（平滑）或二阶差分（更平滑），λ 控制两者权衡。λ 过大导致模型过度平滑、分辨率下降；λ 过小则噪声被拟合、出现虚假结构。实践中常用 L 曲线法或广义交叉验证选取 λ：以数据残差为横轴、模型范数为纵轴绘制曲线，拐点附近即为兼顾拟合与稳定的折中值。

需要强调的是，正则化引入的是“偏好”，不是“真理”。平滑约束会压制真实存在的陡变界面，因此在联合反演中应根据物理认识选择 L，而不是默认使用最平滑的方案。

三、贝叶斯推断与不确定性量化

贝叶斯框架把参数视为随机变量，后验分布为：

p(m|d) ∝ p(d|m) · p(m)

似然 p(d|m) 通常取高斯形式 exp(−½‖G(m)−d‖²_Cd)，先验 p(m) 编码已知地质或物理约束。线性高斯情形下后验仍是高斯分布，均值和协方差可解析计算；非线性情形则需用马尔可夫链蒙特卡洛（MCMC）或集合卡尔曼方法采样。不确定性量化的输出不应只是一个最优模型，而应包括后验均值、95% 置信区间、参数间相关系数，以及分辨率矩阵——它告诉我们哪些参数组合被数据真正约束、哪些只是先验在起作用。

四、联合反演中的耦合与尺度问题

多组实验联合反演的关键，是把不同数据集写入同一个目标函数，并处理量纲、灵敏度与分辨率差异。常用做法是为每组数据分配权重 w_i，使各组残差对总目标函数的贡献可比；或引入结构耦合项（如交叉梯度），要求不同物性模型的边界位置一致。若两组数据对同一参数的灵敏度相差几个数量级，直接相加会导致低灵敏度数据被完全忽略，因此权重标定本身就是反演设计的一部分。

五、一个可操作的示例：线性高斯反演的完整计算

设某实验测得 3 个观测值 d = [2.1, 3.9, 6.2]，正演矩阵 G = [[1,0],[1,1],[1,2]]，噪声标准差均为 0.2，先验均值 m_ref = [0,0]，先验协方差 C_m = diag(4,4)。按贝叶斯线性反演，后验均值为：

m_post = m_ref + C_m Gᵀ (G C_m Gᵀ + C_d)⁻¹ (d − G m_ref)

代入可得后验均值约为 [2.05, 2.02]，后验协方差对角线约为 [0.012, 0.008]。与先验方差 4 相比，后验方差缩小了两个数量级以上，说明数据对两个参数都有强约束。若把 C_d 放大到 1.0（模拟低信噪比），后验方差会明显回升，这就是不确定性量化最直接的用途：用同一套公式，定量回答“数据到底把参数约束到了什么程度”。

综上，线性与非线性决定求解策略，正则化决定病态问题的稳定解，贝叶斯推断与不确定性量化决定结果的可信度表达。三者不是并列的工具，而是一条从数据到结论的完整推理链：正演建模给出算子，正则化或先验给出约束，后验分布给出带误差棒的答案。后续联合反演章节中的权重设计、交叉梯度耦合与多数据融合，都是在这条链上做具体工程化展开。