1. 课程导入与全局认知
地下水数值模型（如 MODFLOW、FEFLOW、TOUGH2）在资源评价、水源地论证、污染物迁移预测、矿山疏干排水与地面沉降控制中被广泛使用。但任何模型都不是现实的复制品：含水层是非均质的，野外试验点稀疏，边界条件往往只能估计，补给量随气象与人类活动波动。于是建模者必须回答两个问题——哪些参数真正左右预测结果，以及预测结果本身有多大的可信区间。前者是敏感性分析，后者是不确定性分析，二者共同构成模型可信度评估的核心。
两个概念的分工
敏感性分析（Sensitivity Analysis, SA）研究的是"输入扰动→输出响应"的强弱关系。它回答：渗透系数 K 变化 20% 时，某观测井水位变化多少？若把 K 的扰动幅度与输出变化量之比定义为无量纲敏感度，就能对参数排序。常用方法包括一次一因子法（OAT）、局部敏感度、Morris 筛选法与 Sobol 全局方差分解。OAT 计算量小、易解释，但无法反映参数交互；Sobol 能给出主效应与交互效应，代价是样本量随参数维数快速增长。
不确定性分析（Uncertainty Analysis, UA）则把参数视为随机变量，通过蒙特卡洛抽样、拉丁超立方抽样（LHS）或贝叶斯反演（如 PEST、DREAM）得到输出的概率分布，进而给出 P10/P50/P90 分位数、置信区间与超标概率。敏感性分析常作为不确定性分析的前置筛选：先用 Morris 剔除无关参数，再对关键参数做全分布抽样，可显著降低计算成本。
在建模全流程中的位置
参数敏感性与不确定性分析不是建模末尾的"附加报告"，而是贯穿概念模型、参数识别、校准与预测的闭环环节。下面的信号链图展示了它在建模流程中的位置与反馈关系：
图中虚线反馈尤其重要：当敏感性分析显示某参数几乎不影响目标输出时，不必为其投入昂贵的抽水试验；反之，若某参数敏感度极高而现场数据匮乏，就应优先补充勘察。不确定性分析得到的预测区间若过宽，说明问题往往不在算法，而在概念模型或先验信息不足。
典型工程与科研场景
在水源地论证中，常需评估开采量增加后某观测井的降深是否超过允许值。此时对 K、给水度、补给量做 LHS 抽样 500 次，统计降深超过阈值的样本比例，即得到超标概率。在污染物迁移问题中，弥散度与分配系数的不确定性会显著放大到达时间的分布范围，敏感性分析可帮助判断应优先开展哪类示踪试验。在矿山疏干与地面沉降场景中，弱透水层渗透系数与压缩系数的交互效应突出，OAT 容易低估其影响，宜采用 Sobol 或 Morris 全局方法。科研层面，参数敏感性与不确定性分析还是数据同化、模型结构辨识与多模型集合预报的基础。
学习路径与工具准备
本课程按"概念—方法—实现—案例—复盘"推进：先建立敏感度与不确定度的数学定义，再依次掌握 OAT、Morris、Sobol 与蒙特卡洛/贝叶斯反演，随后在 Python 生态中落地实现，最后通过完整案例串联。工具方面建议准备：
- 建模内核：MODFLOW 6（配合 FloPy 脚本化建模）或 FEFLOW，用于生成不同参数组合下的运行结果。
- 分析库：Python 的
numpy、pandas做抽样与统计，SALib提供 Morris/Sobol 采样与指数计算，chaospy支持多项式混沌展开。 - 反演工具：PEST / PEST++ 用于参数估计与线性化不确定性，
pyEMU可读取 PEST 结果做预报不确定性分析。 - 可视化：
matplotlib绘制敏感度条形图、龙卷风图与输出累积分布曲线。
下面给出一个可直接运行的最小示例，用 SALib 对三个参数做 Morris 筛选，帮助建立"抽样—运行—计算指数"的完整手感（示例参数与结果均为教学假设，非实测）：
import numpy as np
from SALib.sample import morris as ms
from SALib.analyze import morris as ma
problem = {
"num_vars": 3,
"names": ["K", "Sy", "R"],
"bounds": [[1e-5, 1e-3], [0.05, 0.25], [50, 200]]
}
X = ms.sample(problem, N=20, num_levels=4) # 生成轨迹样本
# Y 为每次 MODFLOW 运行得到的观测井降深（此处以假设函数代替）
Y = 0.8 * np.log10(X[:, 0] / 1e-5) + 2.0 * X[:, 1] + 0.01 * X[:, 2]
Si = ma.analyze(problem, X, Y, num_levels=4)
print(Si["mu_star"]) # 各参数平均绝对敏感度，用于排序
运行后若 mu_star 显示 Sy 与 K 明显大于 R，则后续蒙特卡洛抽样可只对前两者展开，计算量可下降一个数量级。这正是敏感性分析"降维"价值的直接体现。