4. 局部敏感性分析方法与实操
局部敏感性分析回答的是一个非常具体的问题：在当前这组基准参数附近，把某一个参数稍微动一下，模型输出会变化多少？它不考察参数在整个取值范围内的大幅变动，也不考虑参数之间的联合作用，因此计算量小、结果直观，是地下水模型参数筛选和初步诊断最常用的手段。本节围绕四种实现方式展开：一次一因子法（OAT）、扰动法、直接求导法和有限差分灵敏度计算，并说明它们在典型地下水模型中的落地步骤与结果解读。
一、灵敏度的数学定义与参照约定
设模型输出为 y，待分析参数为 pi，基准值为 pi0。局部灵敏度最常用的定义是偏导数：
S_i = ∂y/∂p_i |_(p=p0)由于不同参数量纲差异极大（渗透系数单位 m/d，给水度无量纲，补给量 mm/a），直接比较偏导数没有意义，因此实际工作中更常用无量纲相对灵敏度：
S_i^rel = (Δy / y0) / (Δp_i / p_i0)它表示参数变化 1% 时输出变化百分之几。本文约定：参数增大时输出增大，灵敏度为正；参数增大时输出减小，灵敏度为负。所有图示与算例均遵循这一符号约定。若输出本身可能为零或负值（如水头为负标高），相对灵敏度需改用绝对值基准或改用绝对灵敏度，这一点必须在报告中写明。
二、四种方法的实现逻辑
一次一因子法（OAT）是最基础的方案：固定其余参数在基准值，逐个改变单个参数，记录输出。它的优点是实现简单、结果可解释；缺点是忽略了参数交互，且结果依赖基准点的选取。实操中通常对每个参数取基准值的 ±10% 或 ±20% 两个扰动水平，形成“参数—输出”对照表。
扰动法可以看作 OAT 的工程化实现：不追求解析导数，而是直接对参数施加一个小扰动 δ，用 (y(p+δ) − y(p))/δ 近似导数。关键在于 δ 的选取——太小会被模型数值误差淹没，太大则引入非线性偏差。经验做法是取参数基准值的 1%～5%，并做一次 δ 减半检验：若两次结果相差小于 5%，认为 δ 合适。
直接求导法适用于输出对参数有解析表达的情形，例如一维稳定流中定水头边界下的解析解，或简单均衡模型中的水量平衡方程。此时可对公式直接求偏导得到灵敏度，结果精确、无截断误差，但对复杂数值模型（如 MODFLOW 有限差分模型）通常不可行。
有限差分灵敏度计算是数值模型中最通用的方法，本质是用差分商代替导数：
前向差分：S_i ≈ [y(p_i + Δp_i) − y(p_i)] / Δp_i
中心差分：S_i ≈ [y(p_i + Δp_i) − y(p_i − Δp_i)] / (2Δp_i)中心差分精度更高（二阶），但每个参数需要两次模型运行；前向差分只需一次。对于参数个数为 n 的模型，OAT 加中心差分的总运行次数约为 2n+1（含基准运行）。这正是局部方法相对全局方法（如 Sobol 分析需成千上万次运行）的最大优势。
三、在典型地下水模型中的实现步骤
以一个二维承压含水层稳定流模型为例（示例设定，非实测）：模型 50×50 网格，两侧定水头边界，中间一口抽水井，输出为井位处水位降深 s。待分析参数包括渗透系数 K（基准 10 m/d）、给水度 Sy（0.15，稳定流下不参与）、补给量 R（0.5 mm/d）和边界水头 H（30 m）。稳定流条件下给水度不影响结果，这本身就是一个应先通过敏感性排序发现的事实。
实操流程可归纳为：
- 确定输出指标与基准运行：明确 y 是降深、水头还是均衡项，运行基准模型得到 y₀，并保存为对照基准。
- 设定扰动幅度：对每个参数取 ±10%，即 K 取 9 和 11 m/d，R 取 0.45 和 0.55 mm/d，H 取 27 和 33 m。记录每次运行的输出。
- 计算灵敏度：用中心差分计算绝对灵敏度，再换算为相对灵敏度，填入灵敏度表。
- 排序与判断：按 |S_rel| 排序，识别主导参数；对 |S_rel| 很小的参数，考虑固定取值以降低后续反演维度。
- 扰动幅度复核：将 Δp 减半重算，若灵敏度变化超过 5%，说明基准点附近非线性较强，应缩小扰动幅度或改用更小步长。
假设示例计算结果为：K 的相对灵敏度约 −0.62，R 约 +0.35，H 约 +0.08。负号表示 K 增大时降深减小（渗透性越好，井位水位下降越少），符合物理直觉；R 增大补给增强，降深减小应为负，此处若出现正号则需检查补给项符号约定是否与模型输入一致——这类符号异常往往是输入方向错误的早期信号。
四、结果解读与常见陷阱
解读灵敏度结果时，首先要区分绝对灵敏度与相对灵敏度：前者用于同一参数不同工况间的比较，后者用于不同参数之间的横向排序。其次要警惕三个陷阱：其一，基准点选择偏差，若基准值本身远离真实值，局部灵敏度可能严重失真；其二，扰动幅度不当，过小导致数值噪声主导，过大引入非线性；其三，忽略参数相关性，OAT 结果不能直接外推到多参数同时变化的情形。
局部敏感性分析的价值不在于给出精确的方差贡献，而在于以极低的计算成本快速识别“哪些参数值得花力气”。它是后续全局敏感性分析和参数反演的前置筛选步骤，也是模型校准时判断“调哪个参数最有效”的直接依据。