三論地下水：模擬與預測

地下水模擬研究在我國開展得挺早，上世紀八十年代就曾很熱。分布式參數模型、集中參數模型、灰箱模型，還有什么神經網絡等。

但是，研究來，研究去，總逃不出參數的鬼門關，尤其是分布式模型，包括降水入滲系數、含水層孔隙度或給水度、老K、地表水補給、開采量等。輸出的水位或濃度和實際觀測的差距大，就調參，還美其名曰“逆問題”。知道參數，預測水位，這是正問題，反過來就是逆問題。但怎么逆都脫離實際的物理實體，最后大家把搞模型的叫“數學游戲愛好者”。

分布式參數模型的理論本身沒問題，都是基于質量守恒定律。但與實際差距大的原因可能是地下水物理實體太復雜，數據又嚴重短缺，難以精準模擬和預測。

其實，我們有個很好的“老師”，一直沒當回事，它就是我們自己的大腦。

大腦預測或認知，不是根據物理或者化學原理進行計算出來的，而是經驗統(tǒng)計。每個人的成長都是靠錯誤或試錯堆積出來的。

小孩騎車下坡，沒拉緊閘，車子加速，直至失控摔跤為止。這次的教訓在他大腦里輸入了信息：那種陡坡需要更緊地拉閘。試錯幾次，他就記住了，也能預測不同力度的控制會有多快的速度。

同樣，對復雜的地下水系統(tǒng)，也可以用這類基于統(tǒng)計的人工智能型方法，在大量歷史觀測數據基礎上，建立外部環(huán)境與內部動態(tài)的響應關系，預測不同情景組合下的地下水變化趨勢。

基于數理統(tǒng)計的模型也需大量數據進行分析，學名叫訓練。這些大數據必須是實際發(fā)生的，而不是虛擬的，因為虛擬的東西脫離了內在發(fā)生過的物理過程，不靠譜。

寫文章可以用高精度分布式的模型，但實際應用時，地下水系統(tǒng)還是統(tǒng)計學和分布式基于過程的模型都試試，對比一下，看哪些方法適用，不一定復雜的就一定好。管用的，才是好的。