对地下水系统开展有效的多源观测、模拟分析和风险评价是地下水资源保护和污染治理的重要支撑。在地下水污染运移模型中，许多参数难以直接测量（如污染源），或存在空间非均质性（如渗透系数）。此外，由于获取成本高，地下水系统的观测数据往往较为稀疏，这给地下水流和污染运移过程的准确模拟带来巨大挑战，不确定性难以避免。有效的数据同化方法可以将现有的过程理解和多源观测进行信息融合，量化并降低模型参数、状态、初始/边界条件等重要变量的不确定性，提高模拟预测的可靠性。在地下水模拟研究中，应用最为广泛的两类数据同化方法为马尔科夫链蒙特卡洛（MCMC）和集合卡尔曼滤波（EnKF）。然而，这两类方法皆存在各自不足。MCMC虽然理论完备，但计算效率低，难以处理参数众多的地下水数据同化问题（即高维难题）；EnKF及其相关算法具有较高的计算效率，但受限于高斯假设，无法解决地下水数据同化研究中常见的非高斯问题。为了提高对复杂地下水污染运移预测的准确性与可靠性，报告人利用深度学习强大的模式识别和模型近似能力，提出新型数据同化方法ES_DL和DA_DL，可以有效解决地下水污染运移研究中常见的高维、非线性、非高斯叠加的数据同化难题，效果远超经典方法。

地下水污染,数据同化,深度学习,非均质性,非高斯