1. 课程导入与不确定性认知

在工程实践中，数值模型早已不是"算一算看看"的辅助工具，而是方案比选、安全评估、投资决策的重要依据。但任何一位有经验的工程师都清楚：模型给出的那条曲线、那个数字，并不等于真实世界的唯一答案。同一座大坝的渗流模型，换一套渗透系数取值，下游出逸坡降可能相差数倍；同一片含水层的污染物运移预测，网格加密一倍，峰值浓度到达时间可能提前或推迟若干年。这种"输入确定、输出却不唯一"的现象，就是数值模型输出不确定性。本课程要解决的，正是如何识别它、量化它、并把量化结果转化为可被决策者使用的信息。

不确定性从哪里来

把不确定性简单归为"模型不准"是一种误解。它实际上沿着建模链条逐级传递，至少可以拆成四个来源。第一是输入参数的不确定性：渗透系数、弥散度、边界水位、源强等往往只能通过少量钻孔或监测点反演，空间变异性极强，一个场地取 10⁻⁵ m/s 还是 10⁻⁶ m/s 量级，结果可能完全不同。第二是模型结构的不确定性：把三维非均质含水层简化为二维均质模型，或把非线性吸附简化为线性等温线，都会引入系统性偏差，这类误差不会因为参数调得更好而消失。第三是观测与尺度不确定性：监测数据本身有仪器误差，点尺度测量被外推到网格尺度时又产生尺度效应。第四是数值离散与计算不确定性：时间步长、网格尺寸、收敛容差、迭代截断都会影响结果，粗网格带来的数值弥散常被误当作物理弥散。

这四类来源性质不同，处理方式也不同：参数不确定性可以通过概率分布描述并传播；结构不确定性更多依赖多模型比较与专家判断；数值不确定性则可通过网格与步长收敛性检验加以控制。混淆它们，往往导致"用更复杂的参数反演去弥补模型结构缺陷"这类无效努力。

不确定性如何影响工程判断

不确定性的危害不在于"有误差"，而在于它可能悄悄改变结论的方向。设想一个场地污染修复的抽水方案：确定性模型给出下游 500 m 处浓度 8 年后达标，看似可行；但若考虑渗透系数的对数正态分布（均值 2×10⁻⁴ m/s、变异系数 0.8）做 1000 次蒙特卡洛抽样，可能发现达标时间的 90% 分位数是 14 年，甚至有约 15% 的实现永远无法达标。此时"8 年达标"这一单点结论就具有误导性，决策者真正需要的是"有多大概率在 10 年内达标"以及"若未达标，超标倍数是多少"。这就是不确定性评估的价值：把确定性的点估计，转换为带概率语义的区间与风险描述。

在工程决策中，评估结果通常扮演三种角色。其一是方案筛选：当两个方案的输出分布高度重叠时，说明现有数据不足以区分优劣，应优先补充勘察而非仓促定案。其二是安全裕度设定：以 P90 或 P95 作为设计工况，比直接采用均值更符合风险控制逻辑，但需说明分位数选择依据。其三是监测与 adaptive 管理：识别出对输出最敏感的参数（如某段弱透水层的渗透性），将其列为重点监测对象，用后续观测逐步收缩不确定性。

本课程的学习路径

本课程共 30 章，整体遵循"认知—量化—应用"的递进结构。前段建立概念框架：明确不确定性与误差、变异性、敏感性的区别，掌握输入、结构、观测、数值四类来源的识别方法。中段进入量化技术：学习蒙特卡洛模拟、拉丁超立方抽样、一阶二阶矩法、全局敏感性分析（如 Sobol 指数）等方法的适用条件与实现要点，并讨论代理模型在计算昂贵场景下的加速作用。后段面向应用：包括参数反演与数据同化如何收缩不确定性、多模型集合如何刻画结构不确定性、以及如何把评估结果写成决策者可读的风险表述。

学习过程中建议始终带着一个自己的模型案例：每学一种方法，就回到案例上试算一次，记录输入分布、抽样次数、输出分位数与敏感性排序的变化。下面这张检查表可作为每章练习后的自查工具，帮助判断一次评估是否闭环。

需要强调的是，不确定性评估不是给模型"挑毛病"，而是让模型的适用边界变得透明。一个坦率报告"在现有数据下达标概率为 72%"的模型，远比一个只给出"达标"二字的模型更有工程价值。接下来的章节将从最基本的概念辨析开始，逐步搭建起这套可操作、可复核的评估方法体系。