地下水模型建立过程中,通常需要对实际地下水系统进行简化,简化的模型将导致地下水模拟及预测结果的不确定性。不确定性来源可以分为模型参数、模型结构及观测数据不确定性。针对当前模型结构不确定性研究方法在实际应用中的限制,如多模型方法中模型权重计算等困难,本次研究将基于数据驱动的模型结构误差统计学习方法,如高斯过程回归(Gaussian process regression,GPR),用于地下水模型结构不确定性分析,提高了对模型结构误差的刻画精度,降低了地下水数值模拟及预测结果的不确定性。主要研究成果如下:(1)将DREAMzs算法与GPR相结合,对地下水模型和统计模型的参数进行联合识别,建立基于GPR的模型结构不确定性分析方法。基于该方法,分别以理想岩溶裂隙海水入侵过程和溶质运移柱体实验为例,进行地下水模型参数及预测结果的不确定性分析。相对于不考虑模型结构误差条件的不确定性分析,结果表明,考虑结构误差之后,基于GPR的模型结构不确定性分析方法能够明显减少参数识别过程中的参数补偿影响,且能显著提高模型的预测性能。(2)系统地对比评价了多个单核函数、双核函数、多核函数在GPR模型结构不确定性分析中的表现。选择平方指数型、Matern型和有理二次型核函数,并通过这些单核函数构建组合核函数(双核函数、多核函数),通过三个地下水解析解案例,分别将基于不同核函数的GPR用于地下水模型结构不确定性分析。通过多个定量评价指标发现,所有核函数中,由于有理二次型核函数的形状超参可以灵活调节核函数结构,有理二次型核函数表现最好;平方指数型核函数也具有较好预测效果;同种类型案例,核函数表现结果相似;基于双核函数或多核函数的GPR中,由于超参较多导致过拟合现象,预测结果较单核函数的GPR预测结果要差。(3)针对多层模型不确定性传递及多源数据的复杂地下水模型不确定性分析,将堆叠高斯过程回归(Stacked GPR)应用于理想地下水溶质运移模型案例中。分别基于Stacked GPR和单次GPR方法进行地下水模型及预测结果的不确定性分析,结果表明:与单次GPR相比,Stacked GPR将理想溶质运移案例分为渗透系数、水流及溶质运移模型三层子模型,Stacked GPR方法对于大部分模型物理参数识别效果较好,Stacked GPR的每层子模型预测结果均优于单次GPR对应预测结果,预测值绝对误差在空间分布上总体较小。然而Stacked GPR的水流子模型中结构误差项的引入会改变模型边界条件,使得溶质运移子模型输入的不确定性增加,导致浓度预测值绝对误差在缺乏观测点或水文地质边界区域较大,预测指标提升不明显,个别溶质运移参数后验分布偏差较大。