⚡ 电气工程

Efficient uncertainty quantification in FDEM inversion using an adjusted Bayesian information criterion

本研究引入了一种计算高效的频域电磁（FDEM）反演框架，该框架利用有效自由度调整后的贝叶斯信息准则（EDF-BIC）进行层数模型平均，从而在不具备传统贝叶斯方法高昂计算成本的情况下，为电阻率结构提供稳健的不确定性量化。

原作者： Zekai Deng, Hai Li, Ziteng Li

发布于 2026-11-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Zekai Deng, Hai Li, Ziteng Li

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在地球表面之下，地层很少是均匀的。它是一个复杂的堆叠层，有些由坚硬的岩石组成，有些则由饱和水的土壤或富含矿物的矿脉组成。为了了解地下情况，地球物理学家使用一种称为频域电磁感应的技术。他们向地下发送电磁信号，并测量地球在不同频率下的响应。这些信号根据它们经过的材料的电阻率而以不同的方式传播，从而使科学家能够构建出地下结构的图像。然而，这个过程并不像拍摄照片那样能得到清晰且唯一的图像。相反，它更像是通过聆听声音撞击物体后产生的回声来猜测隐藏物体的形状。许多不同的岩层排列方式都可能产生完全相同的回声。这种歧义性被称为“非唯一性”。当科学家运行计算机模型来解释这些信号时，他们必须在对层数的猜测中做出选择。如果选择的层数太少，他们会遗漏重要的细节；如果选择得太多，他们可能会凭空创造出并不存在的特征。挑战在于找到正确的平衡点，并理解我们对最终图像可以投入多少信心。

北京地质调查研究机构的一支研究团队开发了一种处理这种不确定性的新方法。他们创建了一个框架，该框架不仅仅是挑选一个单一的“最佳”地下层模型，而是结合多种不同的可能性，从而创建一个更诚实、更完整的图像。他们的研究重点是一个特定的问题：当数据被数学规则平滑处理后，如何计算模型的复杂度。在标准方法中，模型的复杂度通常是通过简单统计变量的数量（例如层数和厚度）来计算的。但当数据为了消除噪声而被平滑处理时，这些变量就不再是完全独立的。研究人员意识到，计算原始变量的数量会过度惩罚复杂的模型，导致科学家倾向于选择更简单的、平坦的模型，而这可能会错过真实的的地质特征。为了解决这个问题，他们引入了一种方法，该方法衡量的是实际用于拟合数据的“有效”变量数量，而不是可用的总变量数。

研究人员使用计算机生成的地球地下结构模型测试了这种被称为“调整信息准则”的新方法。在一项测试中，他们模拟了一个五层的地下结构。当他们使用传统的计数方法时，计算机往往会倾向于选择一个只有四层的模型，从而忽略了真实的复杂度。当他们应用新的调整方法时，结果转向支持五层模型，正确识别了真实的结构。这种调整使得系统能够识别出即使在应用了平滑规则后，额外的图层仍受数据支持。随后，团队转向了更复杂的模拟场景，其中岩层变薄并消失，模拟了真实的地质尖灭现象。在这些场景中，新方法显示出“最佳”层数会随着沿调查线的移动而发生变化。在某些地点，数据支持一个简单的两层模型，而仅仅几米之外，三层模型则更为合适。

研究人员并没有强行做出单一选择，而是结合了所有受支持模型的结果。他们根据每个模型对数据的拟合程度分配权重，通过加权平均法将不同的可能性融合在一起。这个过程被称为“层数计数模型平均法”，它产生的最终图像比仅选取单一模型要更加平滑且连续。此外，它还允许他们将不确定性分为两类。第一类是不确定性关于固定层数时的精确厚度或电阻率。第二类是不确定性关于层数本身。在他们的模拟中，当层数发生变化（如层尖灭或界面移动）时，关于层数的不确定性最高。这有助于他们区分哪些特征是稳健的，哪些特征高度依赖于特定的模型选择。

为了确保方法的可靠性，研究人员进行了五十次独立的实验，在数据中加入了略微不同的随机噪声。他们发现，该方法能够一致地恢复出正确的结构，并且他们计算出的不确定性范围在84%到88%的时间内包含了真实答案。这种准确水平表明该方法是稳定的，且不会对数据中的随机误差过度敏感。最后，他们将该技术应用于从中国西部耶门口铁铅锌矿床采集的真实数据。调查线覆盖了地质条件多变的数百米地形。新方法成功识别出了主要的电学结构，例如大型高阻岩体和导电带，这与之前的独立研究相吻匹配。然而，它也揭示了这些区域之间的确切边界位置具有较低的确定性。该方法表明，虽然宏观图像很清晰，但一个图层的开始或结束的具体细节会因所选模型的不同而有所变化。

这种方法的计算成本出奇地低。研究人员指出，计算有效复杂度和平均模型所增加的时间不到标准反演所需时间的百分之一。这种效率至关重要，因为它意味着该方法可以在现有的工作流程中使用，而无需庞大的新计算能力。通过复用标准反演过程中已经计算出的数学导数，他们避免了其他概率方法通常需要的数百万次额外计算。其结果是一个实用的工具，帮助地球物理学家看到的不仅是地下结构的单一版本，而是一个可能性的光谱。它强调了数据在何处足以定义一个结构，以及解释在何处仍具灵活性。最终，这项工作提供了一个更清晰、更细致的视角来观察地球隐藏的层级，将一次猜测转变为一个基于充分信息的可能性范围。

技术摘要：利用调整后的贝叶斯信息准则进行高效的 FDEM 反演不确定性量化

问题陈述
频域电磁（FDEM）反演本质上具有非唯一性；一组观测数据可以由电阻率、层厚度和模型参数化方案的多种组合来解释。虽然正则化可以稳定反演以获得一个优选解，但传统的确定性方法通常要求预先指定模型维度（特别是层数 $K$ ）。选择单一的“最佳”层数会忽略由于维度选择本身带来的不确定性，从而可能高估局部界面和精细结构的可信度。

现有的贝叶斯方法（如转维度马尔可夫链蒙特卡洛 MCMC）可以表征这种不确定性，但通常需要数百万次前向计算，这对于大规模或常规应用来说在计算上是难以承受的。相反，标准的信息准则（如贝叶斯信息准则 BIC）虽然计算效率高，但往往无法考虑到正则化导致的有效模型复杂度降低。标准 BIC 使用名义参数计数作为复杂度惩罚，这可能会过度惩罚具有较高层数的正则化模型，因为正则化限制了新增参数对数据拟合的独立贡献。

方法论
作者提出了一个用于层数评估和模型平均不确定性量化的框架，该框架与传统的正则化 FDEM 反演集成。该工作流由三个主要部分组成：

有效自由度（EDF）调整：
研究中用有效自由度（EDF）取代了 BIC 公式中的名义参数计数。EDF 通过数据空间影响矩阵的迹（ $S_K = J_d H_K^{-1} J_d^T$ ）计算得出，其中 $J_d$ 是数据残差的雅可比矩阵， $H_K$ 是高斯-牛顿海森矩阵。该指标量化了在考虑正则化、参数相关性和数据敏感性后所保留的实际数据拟合灵活性。由此产生的准则称为 EDF-BIC，定义为：
$\text{EDF-BIC}_K = \chi_K^2 + \nu_K \ln N$
其中 $\chi_K^2$ 是加权残差平方和， $\nu_K$ 是 EDF， $N$ 是数据点数量。
层数模型平均（LCMA）：
该框架并非选择单一的优选层数，而是评估一组有限的候选模型（按层数 $K$ 递增顺序进行反演）。一个自适应停止规则（2% 的相对改善阈值）限制了候选层数的扩展。各候选模型之间的 EDF-BIC 差异被转化为每个站点的相对支持权重（ $w_{i,K}$ ）。这些权重用于执行 LCMA，其中候选模型被映射到共同的深度网格，并在对数电阻率空间内进行平均。
不确定性分解：
利用全方差定律，总的模型平均不确定性被分解为两个部分：
- 模型内不确定性： 在固定层数条件下的参数不确定性（电阻率、厚度），通过使用高斯-牛顿海森矩阵的拉普拉斯近似进行估算。
- 模型间不确定性： 源于不同受支持层数的平均电阻率结构之间差异的方差。
  该框架结合这两者，生成最终电阻率结构的 P10–P90 置信区间。

关键结果

合成实验 (U05, G02, G05)：
- 在 U05 五层模型中，EDF 调整纠正了名义 BIC 对低层数模型的偏好。加权平均层数从 4.06（名义 BIC）移动到 5.15（EDF-BIC），显著减小了与真实五层配置的偏差。
- 在横向变化的模型（G02 和 G05）中，EDF-BIC 的支持随空间变化，正确识别了层数变薄或消失的区域。
- LCMA 恢复出的主电学结构比固定维度或最大支持模型具有更低的均方根误差（RMSE）。
- 在 50 次噪声实现中，EDF-BIC LCMA 方法在 P10–P90 区间内实现了 87.57% (G02) 和 83.66% (G05) 的平均经验覆盖率，展示了稳定性和鲁棒性。
- 不确定性分解显示，虽然模型内不确定性在全球范围内占主导地位，但模型间不确定性集中在结构转换区（例如变薄处），凸显了层数选择对解释影响最大的地方。
野外数据应用 (Yemaquan L52 和 L53)：
- 将该框架应用于多金属矿床的 FDEM 数据，恢复了在不同候选层数下一致的主电阻和主导电结构。
- 虽然大规模电学分区是稳健的，但局部界面位置和深部延伸对层数选择表现出更高的敏感性，这反映在转换区增加的模型间不确定性中。
- 计算 EDF 和不确定性分析的成本微乎其微，增加的计算时间不到总候选反演时间的 1%。

意义与主张
本文声称提供了一种计算上可行的方法，用于正则化 FDEM 反演中的层数评估和不确定性传播。其主要意义在于：

弥合效率与严谨性之间的差距： 它提供了一种无需承担全后验采样（MCMC）高昂代价即可量化模型维度不确定性的方法。
改进的复杂度惩罚： 通过使用 EDF 取代名义参数计数，该方法为正则化反演提供了更准确的模型复杂度度量，防止了对必要层数的低估。
显式的不确定性传播： 该框架超越了选择单一“最佳”模型，实现了将参数估计和模型维度选择的不确定性传播到最终电阻率结构中。
实际适用性： 该方法重复利用了标准确定性反演中的雅可比矩阵和海森矩阵，使其能够以极低的额外计算开销轻松集成到现有工作流中。

作者保持了审慎的态度，指出所报告的不确定性取决于所选的候选集、误差模型和正则化。他们承认拉普拉斯近似描述的是局部不确定性，且该方法并未涵盖正则化参数或更广泛模型类的确定性，也未完全解决后验分布中强非高斯性或多模态的问题。然而，对于评估正则化 FDEM 中的层数不确定性而言，该框架提供了一个稳健且高效的替代方案。

类似论文