AGU旗下EOS编辑视点报道我院在地下水模拟方面研究成果

近期，我院张江江教授指导学生在在水文水资源领域权威期刊《Water Resource Research》发表题为“Improving heterogeneous aquifer characterization using a deep learning-based ensemble smoother with a hybrid prior strategy”的研究论文，在非均质含水层刻画方法开发方面取得进展，被期刊主编Stefan Kollet和副主编Alberto Bellin共同选取为期刊亮点论文（Editors’ Highlights），并在美国地球物理联合会（AGU）会刊EOS做题为“Robustness Through Diversity: Learning from Heterogeneous Aquifers”的专题报道。

注释：EOS是全球地球与空间科学研究领域前沿信息来源的权威平台，其中的“Editors’ Highlights”专门报道AGU期刊编辑认为最激动人心的研究成果，只有不到2%的AGU期刊论文会被选中进行报道。

含水层的非均质性为地下水系统的模拟预测和有效管理带来了挑战。由于含水层水力参数在空间分布上的非均质性，传统的直接测量方法通常难以全面、准确地反映含水层的真实特征。在此背景下，数据同化方法为含水层刻画提供了新思路：数据同化通过融合多源观测与模型预测两种信息，可提高对含水层系统的认识。然而，当前用于含水层刻画的数据同化方法研究通常假设已知含水层的空间分布结构类型，如对数高斯分布、渠道特征分布或三相特征分布等。在实际应用中，含水层的空间分布类型通常不明确，导致这些假设往往不成立，从而影响数据同化的效果，降低了含水层刻画的准确性。因此，如何在缺乏准确先验信息的情况下，依然确保数据同化的有效性，成为亟待解决的问题。

针对上述问题，本研究提出了一种混合先验策略，并将其与深度学习驱动的集合平滑器（ES_DL）结合使用。ES_DL通过深度学习模型（图1）学习模型输出空间距离（新息向量）与对应的参数空间距离（更新向量）之间的非线性映射关系。通过这种方式，ES_DL能够根据新的观测数据与模型输出之间的差异，利用训练好的深度学习模型进行参数更新，从而提高参数估计的精度。在此基础上，通过引入了混合先验策略，即先验信息来源于不同类型的含水层空间分布假设，如符合对数高斯分布（P1）、渠道特征分布（P2）等。如图2所示，深度学习模型利用具有相同或不同先验假设的样本配对，例如，对数高斯分布与对数高斯分布（P1 vs. P1）、渠道特征分布与渠道特征分布（P2 vs. P2），以及对数高斯分布与渠道特征分布（P1 vs. P2）来学习新息向量与更新向量之间的非线性映射。这种多样化的样本配对丰富了特征学习，有效缓解了过拟合问题，并提升了模型在处理有偏先验时的泛化能力。通过这种方式，ES_DL能够更好地适应不同类型的含水层特性，在复杂的地下水系统中保持较高的刻画精度和稳定性。

为全面评估有偏先验对数据同化的影响以及混合先验策略的有效性，本研究以对数高斯、渠道特征和三相特征渗透系数场为参考，设计了三种典型的含水层刻画场景（图3）。对于每种情况，研究系统地分析了不同混合比例的混合先验如何影响ES_DL的性能，并将基于卡尔曼（Kalman）更新算子的集合平滑器（ES_K）作为基准方法进行对比。

研究结果表明，在偏差先验的条件下，得益于深度学习模型的非线性特征捕捉与模式识别能力，ES_DL的表现通常优于ES_K。即便仅将少量无偏样本纳入混合先验集合，也能显著提升两种数据同化方法的性能（图4）。ES_DL在从混合先验中提取有效信息方面展现出优势，从而得到了更精确的含水层刻画和更优的数据匹配结果。此外，即使完全没有无偏先验信息，ES_DL与混合先验策略的结合依然能够提供一个稳健的数据同化框架，有效地完成含水层参数的反演。总体而言，所提出的混合先验框架与ES_DL的结合，为减少数据同化过程中对无偏先验的依赖，提供了一个具有广阔前景的解决方案。

我院硕士毕业生曹成龙为论文的第一作者，张江江教授为论文的通讯作者，论文其他作者包括河海大学鲁春辉教授、南统超教授、尹吉娜副教授，以及博士生尤烽骅。河海大学为论文第一单位。研究成果得到国家自然科学基金项目U2340212和42472329的资助。

论文链接：Chenglong Cao, Jiangjiang Zhang*, Fenghua You, Tongchao Nan, Jina Yin, & Chunhui Lu (2026). Improving heterogeneous aquifer characterization using a deep learning‐based ensemble smoother with a hybrid prior strategy. Water Resources Research, 62(3), e2025WR040819, https://doi.org/10.1029/2025WR040819.

相关链接：