2. 物理源项反演的数学基础
物理源项反演的本质，是由有限个探测器上观测到的响应（浓度、剂量率、计数率等），反推源的位置、强度乃至释放历史。这一过程在数学上被组织成一条清晰的链条：线性代数负责把“源—响应”关系写成矩阵方程，概率统计负责刻画观测噪声与先验不确定性，优化理论负责在约束下求解，而不适定性与正则化则决定了这个解是否可信、如何稳定地得到。本节按这条链条展开，并给出可直接用于编程的示例。
一、线性代数：把物理模型写成矩阵方程
在源项反演中，最常用的离散化模型是线性响应模型。设源空间被划分为 n 个候选源单元（网格、潜在泄漏点、烟囱编号等），探测器共 m 个。若第 j 个单元单位源强在第 i 个探测器上产生的响应为 aij（由扩散模型、蒙卡模拟或实测标定得到），则观测向量 y 与源强向量 x 满足：
y = Ax + ε，其中 A ∈ ℝm×n
矩阵 A 称为响应矩阵或敏感度矩阵，其每一列对应一个候选源单元的“指纹”。反演的核心任务就是由 y 求 x。这里必须注意两个维度事实：其一，m 通常远小于 n（探测器少、候选源多），方程欠定；其二，A 的列之间往往高度相关（相邻网格的响应几乎相同），导致矩阵接近秩亏。这两点正是后文不适定性的根源。
求解时常用的矩阵工具包括：用奇异值分解 A = UΣVT 观察奇异值谱，判断哪些方向被数据约束、哪些方向几乎无信息；用条件数 κ(A) = σmax/σmin 量化病态程度；用最小二乘的伪逆解 xLS = VΣ+UTy 作为基准解。实践中，若 κ(A) 达到 104 以上，直接求逆几乎必然放大噪声。
二、概率统计：噪声、似然与先验
观测值总带有误差。若假设噪声服从零均值高斯分布 ε ~ N(0, Cd)，则似然函数为：
p(y|x) ∝ exp[−½(y−Ax)TCd−1(y−Ax)]
取负对数即得到加权最小二乘目标。若再引入源强的先验分布 p(x)（例如源强非负、空间平滑、稀疏等），由贝叶斯公式可得最大后验估计：
xMAP = argmin ‖y−Ax‖2Cd−1 + λ·R(x)
其中 R(x) 来自先验，λ 为权衡系数。这一步把“统计假设”直接翻译成了“优化目标”，是反演建模中最关键的桥梁。工程上还需关注：噪声是否独立（决定 Cd 是否对角）、是否存在本底与探测限（决定是否用泊松似然）、先验是否合理（决定正则项形式）。
三、优化理论初步：约束与求解
源强具有明确的物理约束：非负（x ≥ 0），有时还有上界或总量约束。因此典型问题是带约束的二次规划：
minimize 0.5 * x^T * (A^T * Cd^-1 * A + λL) * x - (A^T * Cd^-1 * y)^T * x
subject to x >= 0
其中 L 是正则化矩阵（如拉普拉斯矩阵或单位阵）。求解可用投影梯度法、内点法或非负最小二乘（NNLS）。判断收敛的实用依据是：目标函数相对下降小于 1e−6，且 KKT 条件中的互补松弛残差足够小。对初学者而言，先跑通 NNLS 得到非负解，再逐步加入平滑正则项，是稳妥的路径。
四、不适定性与正则化思想
不适定性表现为三点：解不唯一（欠定）、解不连续依赖数据（病态）、解可能非物理（负值、剧烈振荡）。正则化的思想不是“消除”不适定，而是用合理的先验把解空间约束到物理可接受的子集。常见形式包括：Tikhonov 正则（‖Lx‖²，抑制振荡）、L1 正则（‖x‖₁，鼓励稀疏源）、全变差正则（保留源区边界）。λ 的选择可用 L 曲线法：以 log‖Ax−y‖ 为横轴、log‖Lx‖ 为纵轴，取拐点处对应的 λ。
五、一个可复现的教学示例
假设某厂房有 3 个潜在泄漏点、布置 2 个探测器，响应矩阵（单位：计数率/(Bq·m⁻³)）与观测值如下（示例数据，非实测）：
A = [[0.80, 0.35, 0.10],
[0.30, 0.75, 0.40]]
y = [12.5, 11.8]
Cd = diag(0.25, 0.25) # 噪声标准差 0.5
先做 SVD：可算得 σ₁ ≈ 1.13、σ₂ ≈ 0.42，条件数约 2.7，本例尚属良态；但若把第三个候选点改为与第一个几乎重合（列变为 [0.79, 0.31]），σ₂ 会迅速趋近于 0，条件数飙升，此时最小二乘解对 y 的微小扰动极其敏感。这正是“候选源划分过密”带来的典型病态。加入 Tikhonov 项 λ‖x‖² 后，解被拉向零附近，振荡被抑制，但 λ 过大会把真实源强也压小——这就是偏差与方差的权衡。实操中建议：先算 SVD 谱，若最小奇异值相对最大奇异值低于 1e−3，就应引入正则化并报告 λ 的选取依据。