地下水污染源识别：SOM与GPR替代模型在含水层不确定性评估中的应用

"这篇论文探讨了在地下水管理中如何应对未知地下水污染物源的表征问题。作者使用了自组织图（SOM）和高斯过程回归（GPR）算法构建替代模型，以处理由于信息有限和时间延迟带来的不确定性。替代模型的独特之处在于，它们可以独立于优化模型解决方案进行应用，以便更好地理解复杂流动和污染物输运过程。在澳大利亚新南威尔士州Botany盆地的异质砂含水层中的一个实验性污染场地，这些模型被用于源表征的性能评估。研究假设测量的污染物浓度和水力传导率存在随机误差，并通过三维数值模拟进行校准和验证。比较了不同代理模型的性能，结果表明基于SOM和GPR的替代模型在反向模式下对于未知地下水污染物源的表征具有高效性和准确性。" 在这篇2017年的《水资源与保护》期刊文章中，作者Shahrbanoo Hazrati-Yadkoori和Bithin Datta探讨了在地下水环境不确定性下的污染物源表征问题。他们指出，由于污染物活动开始后往往经过一段时间才会被检测到，以及信息的有限和潜在错误，使得地下水污染物源的识别成为一大挑战。为了克服这些问题，研究者采用了一种创新方法，即结合自组织图（SOM）和高斯过程回归（GPR）算法构建替代模型。 SOM是一种神经网络模型，能够自动组织输入数据并创建数据的低维表示，这对于处理复杂系统如含水层的非线性和多变性特别有用。GPR则是一种非参数统计回归工具，能捕获数据的内在结构并预测未知数据点的输出，尤其适用于处理不确定性。 在实际应用中，研究人员在Botany盆地的实验场地运用这些替代模型，模拟了含水层对随机污染压力的响应，以评估模型性能。他们假设测量数据中包含随机误差，这反映了实际监测中的不确定因素。通过与三维数值模拟模型的对比，他们验证了替代模型在模拟复杂流动和污染物扩散方面的有效性。 研究结果表明，所提出的替代模型能够独立于优化模型解决方案工作，提供了一种反向模式下进行源表征的有效途径。这为解决地下水污染问题提供了新的思路，特别是在面对数据不足和不确定性的情况下。该研究为地下水污染源的识别提供了新的工具和技术，对于地下水管理和污染控制有重要的理论和实践意义。