4. 不确定性来源识别与分解
在数值模型输出不确定性评估中，最容易被跳过、却最影响结论可信度的一步，是把总不确定性“拆开”。如果不做分解，我们只能得到一个笼统的区间；做了分解，才能回答“误差主要来自哪里、该优先补哪一块数据、模型是否值得继续投入”。本节围绕四类来源展开：输入不确定性、参数不确定性、模型结构不确定性，以及观测误差与数值误差的区分。
四类来源的界定与区分逻辑
先明确一个基本约定：本文所有“不确定性”均指模型输出相对真实值的偏离可能性，误差方向以“模型输出减真实值”为正。四类来源的划分依据是“不确定性进入模型的通道不同”，而不是按学科分类。
- 输入不确定性：驱动模型的边界条件、初始场、外强迫等随时间或空间变化的数据本身不精确。例如降雨预报、上游来水、气温序列。
- 参数不确定性：模型方程中那些不随时间和空间逐点变化、但取值未知或只能率定的系数，如糙率、渗透系数、衰减系数。
- 模型结构不确定性：方程形式、过程概化、离散方案、忽略的物理机制带来的系统性偏差。它不会因为参数调得更好而消失。
- 观测误差与数值误差：前者是“用来对比的真值”本身不准，后者是求解过程引入的离散误差、截断误差、迭代容差误差。二者常被误当作模型误差。
关键区分点在于：输入和参数不确定性可以通过“更好的数据、更好的率定”压缩；结构不确定性只能通过“换模型结构或增加过程”改变；观测误差影响的是评价基准，数值误差影响的是同一模型在不同设置下的可重复性。混淆这四者，会导致错误的改进方向——例如把观测站代表性误差当成模型结构缺陷去改方程，往往越改越偏。
实例分析：一条河流的水位模拟
设某河段一维水动力模型模拟 24 小时水位，观测站实测洪峰水位 8.42 m，模型输出 8.71 m，残差 +0.29 m。若直接归因于“模型不准”，就无法指导改进。按四类来源逐项排查：
- 输入不确定性：上游边界流量采用预报值，预报相对误差约 ±12%。以该河段水位流量关系粗略估算，流量偏大 12% 可造成水位偏高约 0.15～0.20 m。这一项可通过集合预报或区间输入量化。
- 参数不确定性：主槽糙率率定值 0.030，率定样本仅含 3 场中小洪水，95% 置信区间约 [0.026, 0.035]。糙率取 0.026 时洪峰水位约降低 0.08 m。可用蒙特卡洛抽样得到参数引起的输出分布。
- 模型结构不确定性：该模型未考虑下游顶托与滩区滞蓄，属系统性偏差，表现为所有场次洪峰均偏高，且偏差随洪水量级增大而增大。这类偏差不能靠调参消除。
- 观测误差与数值误差：水位计标称精度 ±0.02 m，站点位于弯道凹岸，代表性误差可能达 ±0.05 m；数值方面，将 Δt 由 60 s 减至 30 s，洪峰水位仅变化 0.01 m，说明数值误差不是主因。
综合判断：残差 +0.29 m 中，输入约贡献 0.15～0.20 m，参数约贡献 0.08 m，观测误差约 ±0.05 m，数值误差约 0.01 m，剩余部分指向结构偏差。此时正确的改进顺序是：先收紧上游边界输入、扩充率定样本，再评估是否引入滩区滞蓄过程，而不是继续微调糙率。
可操作的分解流程与记录表
下面给出一份可直接套用的分解记录表结构，字段按本节四类来源设置，示例数值为教学假设，实际使用时替换为本地数据。
| 来源类别 | 量化方法 | 示例变动范围 | 输出变化 | 是否可压缩 |
|---|---|---|---|---|
| 输入 | 集合预报/区间抽样 | 流量 ±12% | 水位 0.15～0.20 m | 可（更好预报） |
| 参数 | 蒙特卡洛/GLUE | 糙率 0.026～0.035 | 水位约 0.08 m | 可（更多率定样本） |
| 结构 | 多模型对比/残差趋势分析 | 增加滩区滞蓄 | 系统性偏差 0.05 m 以上 | 仅换结构 |
| 观测 | 仪器标称+代表性分析 | ±0.05 m | 影响评价基准 | 可（换站/校正） |
| 数值 | 时间步/网格收敛性试验 | Δt 60→30 s | 约 0.01 m | 可（加密计算） |
执行时注意两点：其一，参数抽样前先检查参数间相关性，糙率与下游水位边界常强相关，独立抽样会高估参数不确定性；其二，结构不确定性的识别依赖“残差是否随条件系统变化”，可绘制残差对流量级、季节的分组箱线图，若各组中位数显著偏离零，则结构偏差存在的证据较强。
完成分解后，应形成一句可交付的结论，例如：“本场洪峰残差以输入不确定性为主，参数次之，结构偏差在量级上不可忽略，建议优先更新上游边界预报并补充大洪水率定样本。”这样的结论才能直接支撑后续的数据采集与模型改进决策。