简体中文 | English
基于集合的数据同化算法作为最流行的数据同化算法之一，已经被广泛应用
于求解含水层参数识别问题。然而，该方法的核心假设（线性系统、变量服从高斯
分布）在水文地质实践中通常不成立。为高效、准确地求解非高斯情景中的数据同
化问题并准确描述含水介质连通性、重建污染物释放历史，本研究首先将正态分数
变换（Normal Score Transformation, NST）与多重数据同化集合平滑器（Ensemble
Smoother with Multiple Data Assimilation, ES-MDA）相结合，提出NS-ESMDA 方
法。该方法在更新前将非高斯分布的变量转换为高斯分布，更新后再逆变换回原始
分布，从而解决传统ES-MDA 更新后无法保持非高斯含水层概率分布的问题。此
外，研究引入超参数化，以弥补NS-ESMDA在保持参数先验空间特征方面的弱点。
具体做法是使用场生成器超参数化渗透系数场，将超参数限制在高斯空间，并通过
施加预定义的规则确保其生成的全维度参数场与先验含水层特征保持一致。随后，
通过训练深度生成模型（Deep Generative Models, DGM）作为场生成器与ES-MDA
相结合，提出ES-DGM (Ensembel Smoother with Deep Generative Models) 方法，并
通过合理设计DGM的结构成功将基于距离的局域化技术整合到ES-DGM框架中。
具体研究结论如下：
（1）相较于重启正态分数集合卡尔曼滤波器（restart Normal Score Ensemble
Kalman Filter, rNS-EnKF），NS-ESMDA 在吸收相同数据后，参数估计精度提升约
35%，计算效率提升约24%。此外，NS-ESMDA 方法受异参同效性的影响较小，
具有较强的更新能力，能够保障得到较准确的参数估计值。
（2）二维理想算例（渗透系数场识别）和三维场地算例（污染源参数和渗透
系数场识别）反演结果表明，ES-DGM 能准确识别非高斯含水层参数、重建污染物
释放历史，且其性能优于NS-ESMDA，尤其在避免异参同效性和保持先验含水层
特征方面。
（3）在超参数化背景下提出的局域化技术在小尺寸集合中表现出色，与ESDGM
联合使用可以节约大量计算资源。
本研究提出了针对非高斯含水层参数估计的高效求解方法，有望大幅度提升
非高斯含水层参数估计精度，为非高斯分布含水层中的地下水流及污染物运移数
值模拟提供准确可靠的参数支持。