基于热示踪法的地表-地下水瞬态交互流速场的量化研究

Under natural conditions, surface water and groundwater always interact with each other, which has an important influence on the regional water quality and quantity. Accurately quantifying the interaction flow velocity forms the core of studying the interaction between surface water and groundwater. However, due to the comprehensive influence of natural and human factors, the interaction flow velocities often show a strong spatiotemporal variability, making them difficult to estimate through existing quantitative methods. The objective of this project is to precisely quantify the multi-dimensional transient flow velocity fields resulting from surface-groundwater interactions. The research method combining numerical modeling and heat tracing experiments will be adopted to inverse the multi-dimensional transient velocity fields from temperature measurements. Specifically, two different inversion strategies will be applied and the time-varying variables will be approximated as a dynamic superposition of a series of static values, which are then inversed step by step based on real-time temperature measurements. At the same time, both laboratory sandbox and field experiments will be conducted to verify the accuracy of the inversed velocity fields. The implementation of this project will be helpful to reveal the interaction law between surface water and groundwater under complex conditions, improve the calculation accuracy of interaction water quantity, and provide scientific basis for the management, regulation and protection of regional water resources.

自然条件下,地表-地下水之间普遍存在着交互关系，这对区域内的水量和水质变化具有重要的影响。准确量化地表-地下水的交互速度是研究二者相互作用的核心。然而，受自然及人为因素的综合影响，地表-地下水交互速度常表现出明显的时空变异性，已有量化方法很难对其进行精确估算。本项目以精确量化地表-地下水交互的多维瞬态流速场为研究目标，采用数值模拟与热示踪试验相结合的研究方法，根据温度数据对多维瞬态流速场进行反演。特别地，在反演过程中，实施了两种不同的反演策略，将随时间变化的未知量近似为一系列静态值的动态叠加，实现动态变量的分步反演。同时，开展室内砂箱和野外场地试验，对反演所得流速场的准确性进行验证。本项目的实施有助于揭示复杂条件下地表-地下水的交互规律，提升交互水量的计算精度，为区域水资源的管理与调控，及水环境生态的保护提供科学依据。

准确量化地表-地下水交互速度对于研究潜流带地下水运动及污染物迁移具有重要的作用。然而，自然条件下的地表-地下水交互速度常表现出明显的时空变异性，很难对其进行精确量化。本项目以量化地表-地下水交互的多维瞬态流速场为研究目标，发展数值反演方法从河床温度数据中反演出具有时空变异性的交互水流速度。首先，本项目对多种复杂条件下的地表-地下水交互过程进行综合建模，并基于该模型开发出用于异质河床水力参数估计的GPIS算法，与IES及GPIES算法相比，其具有较高的反演效率和精度。其次，本项目还将多种深度学习算法引入地表-地下水交互速度场的反演研究中，开发出多种反演交互速度场的新方法。例如，本研究将卷积神经网络（CNNs）与贝叶斯数据价值分析框架（Bayesian DWA）结合在一起来反演多维交互流速场。结果表明利用由Bayesian DWA筛选出来的价值较高的温度数据训练的CNN模型能给出更准确的交互流速场估计值；此外，本研究还提出了一种结合变分自编码器（Variational Autoencoder，VAE）和嵌入物理知识的神经网络（Physics Informed Neural Network，PINN）的地表-地下水多维瞬态交互水流速度的反演新框架——VAE-PINN。VAE-PINN能够对三维空间不同方向上的交互水流速度-时间序列进行降维，再反演获得能够代表交互水流速度-时间序列真实值的低维特征。与PINN相比，VAE-PINN能够大大提升河水-地下水瞬态交互水流速度的反演精度。室内砂箱和野外场地试验进一步证实了CNN-DWA及VAE-PINN在反演地表-地下水多维瞬态交互速度方面的可靠性。研究结果可以揭示复杂条件下的地表-地下水交互规律，提升交互水量的计算精度，为区域水资源的管理与调控，及水污染的防治提供科学依据，具有重要的科学意义与实际应用价值。