深度学习增强的反演框架：基于稀疏地球物理数据的高保真度刻画含水层异质性与DNAPL污染区

为解决地下水修复中含水层异质性与DNAPL污染源区结构（SZA）的高效表征难题，研究人员提出集成电阻率层析成像（ERT）、深度学习与数据同化（DA）的创新框架DLM-ILUES-MDA。通过改进的迭代局部更新集合平滑器（ILUES-MDA）和深度增强残差密集卷积网络（DERDCN），仅用495个电阻率数据即实现水力传导系数（K）与DNAPL饱和度（SN）场的精准重建，效率提升81%，单次调用耗时仅0.2秒，为污染场地实时决策提供技术支撑。

　　

随着化工产业的发展，地下水有机污染已成为环境治理的焦点。其中，重质非水相液体（DNAPL）因低水溶性和强滞留性，在含水层底部形成复杂污染结构，传统采样方法难以精准刻画。电阻率层析成像（ERT）虽能无损监测，但稀疏数据与高维参数反演的矛盾长期存在。如何通过有限观测高效重建地下参数场，成为污染修复的关键瓶颈。

针对这一挑战，浙江大学团队在《Journal of Hydrology》发表研究，提出融合深度学习与改进数据同化（DA）的DLM-ILUES-MDA框架。该研究以长三角某废弃化工园区为案例，通过合成ERT数据验证了方法的有效性。

关键技术包括：1）改进的迭代局部更新集合平滑器（ILUES-MDA），结合Morozov差异准则优化高维参数反演；2）深度增强残差密集卷积网络（DERDCN），利用残差嵌套密集块（RRDRB）构建多相流替代模型；3）基于ERT观测的K与S_N场联合反演策略。

DNAPL迁移模型
通过多相质量守恒方程描述DNAPL在含水层中的运移，引入Archie公式关联电阻率与饱和度，建立电阻率-饱和度-渗透率的物理纽带。

问题描述
以实际污染场地的二维数值模型为对象，设置50×50网格的反演区域，初始集合通过高斯随机场生成，验证框架在稀疏数据下的适应性。

ILUES、ES-MDA与ILUES-MDA对比
ILUES-MDA在lnK场反演中表现最优：相较于传统ES-MDA，其均方根误差降低42%；相比ILUES，迭代次数减少37%，证明局部更新策略与多数据同化的协同优势。

DERDCN性能验证
替代模型在测试集上R²达0.98，预测速度较传统模型提升98%，显著缓解了DA过程中频繁正演计算的计算负担。

框架应用
DLM-ILUES-MDA成功重建实际场地的K与S_N场，DNAPL污染核心区定位误差<5%，且计算耗时仅为传统方法的19%。

结论与意义
该研究通过三项创新突破：1）ILUES-MDA解决了高维参数反演中的“维数灾难”；2）DERDCN首次将残差嵌套结构引入地下水替代模型；3）框架仅需495个ERT观测点即可实现厘米级分辨率刻画。尽管存在合成数据验证的局限性，但为污染场地快速诊断提供了新范式，未来可扩展至多物理场耦合反演。研究获国家重点研发计划等资助，相关算法已开源以促进领域发展。