在地下水资源管理以及污染环境风险评估中，利用模型开展定量分析是一项十分重要的工作。而地下水溶质运移模型的关键参数，如污染源参数和含水层渗透系数等，往往难以直接获取，需要利用数据同化方法从多源观测数据（如水头、浓度和温度等）中提取有效信息，以降低模型参数的不确定性。在地下水领域，集合卡尔曼滤波（ensemble Kalman filter, EnKF）和马尔科夫链蒙特卡洛（Markov chain Monte Carlo, MCMC）这两种数据同化方法得到了广泛应用。然而，EnKF和MCMC都存在各自的不足（优点）：EnKF受限于高斯假设（但计算效率较高），MCMC计算效率低下（但不受高斯假设的限制）。针对上述问题，本研究利用局部更新、深度学习和提议分布改进等方法对EnKF和MCMC分别进行改进，使之能够更好地应用于高维复杂、非线性非高斯的地下水污染物运移问题，从而为水资源和水环境的管理提供支撑。

地下水，溶质运移模拟，数据同化