我院科研團隊在《Water Resources Research》發(fā)表系列研究成果

近日,，我院張江江教授、南統(tǒng)超教授、魯春輝教授等借助深度學習技術(shù),，研發(fā)了一系列功能強大的數(shù)據(jù)同化方法,，為復(fù)雜的非線性,、非高斯數(shù)據(jù)同化問題提供了全新的解決方案,。這些研究成果在水資源領(lǐng)域國際知名期刊《Water Resources Research》連續(xù)發(fā)表3篇研究論文,。

數(shù)據(jù)同化是一種將自然系統(tǒng)的觀測數(shù)據(jù)與數(shù)值模型結(jié)合,，以獲得對自然系統(tǒng)更準確預(yù)測的方法,。經(jīng)典的數(shù)據(jù)同化算法，如集合卡爾曼濾波,，基于線性的卡爾曼更新公式,，適用于符合線性高斯假設(shè)的數(shù)據(jù)同化問題。然而,，大多數(shù)地球系統(tǒng)過程是非線性和非高斯的,，這使得傳統(tǒng)數(shù)據(jù)同化算法在解決這些復(fù)雜問題時表現(xiàn)欠佳。針對這一不足,，張江江等提出使用深度學習更新替代傳統(tǒng)的卡爾曼更新公式,，研發(fā)出一種名為“深度學習驅(qū)動的集合平滑器方法”（ES_DL）。目前,，ES_DL方法已得到多個學者的應(yīng)用,，相關(guān)論文發(fā)表于《Journal of Hazardous Materials》《Geoenergy Science and Engineering》《Agricultural Water Management》等相關(guān)領(lǐng)域主流期刊。

進一步的研究發(fā)現(xiàn),，通過為深度學習模型提供更全面的輸入信息,，可以獲得更優(yōu)良的同化效果,。在此基礎(chǔ)上，團隊發(fā)展出一種融合多源數(shù)據(jù)輸入的數(shù)據(jù)同化算法,，即“基于深度學習的數(shù)據(jù)同化算法”（DA_DL,，圖1）。該方法在高斯和非高斯情況下均顯示出優(yōu)于經(jīng)典數(shù)據(jù)同化算法的效果,，表現(xiàn)出強大的普適性,。相關(guān)論文被《Water Resources Research》期刊編輯（editor）Stefan Kollet選為亮點（highlight）文章。

為應(yīng)對裂縫介質(zhì)的強非均質(zhì)性和非高斯性帶來的挑戰(zhàn),，團隊研發(fā)出一種名為“基于深度學習的參數(shù)估計器”（PEDL）的新型數(shù)據(jù)同化方法,。該方法利用深度學習模型構(gòu)建先驗參數(shù)、先驗?zāi)Ｐ洼敵?、觀測數(shù)據(jù)三種信息到后驗參數(shù)的映射,。數(shù)值案例和實測案例結(jié)果表明，PEDL算法具備有效識別裂隙網(wǎng)絡(luò)主要特征的能力（圖2）,。

圖2 (a) PEDL對水力滲透系數(shù)均值場的估計,；(b) PEDL對水力滲透系數(shù)標準差場的估計；(c-f) PEDL對水力滲透系數(shù)場估計的隨機樣本

此外,，團隊將所發(fā)展的ES_DL算法與海水入侵的科學治理緊密結(jié)合,。實現(xiàn)地下水科學管理的前提是對其含水層特征進行有效刻畫。然而,，直接測量濱海含水層的參數(shù)存在較大困難,。在這種情況下，團隊借助數(shù)據(jù)同化技術(shù),，從容易觀測的水頭,、濃度等數(shù)據(jù)出發(fā)，獲得了對含水層參數(shù)更為準確的認識,。通過實施ES_DL算法,，團隊成功地提高了對海水入侵過程的預(yù)測精度（圖3）。