基于U-D分解卡尔曼滤波地下水污染源溯源辨识

中国环境科学 2021,41(2)：713~719 China Environmental Science

基于U-D分解卡尔曼滤波地下水污染源溯源辨识

贾顺卿1,2,卢文喜1,2*,李久辉1,2,白玉堃1,2

(1.吉林大学地下水与资源环境教育部重点实验室,吉林 长春 130012；2.吉林大学新能源与环境学院,吉林 长春 130012)

摘要：采用基于U-D分解的卡尔曼滤波与非线性规划优化模型相结合,溯源辨识出地下水污染源的个数､位置与释放强度.基于一个假想例子,建立地下水污染质数值模拟模型,运用灵敏度分析筛选出对模型影响较大的参数作为模型中的随机变量.然后,应用基于U-D分解的卡尔曼滤波辨识出污染源的个数与位置.在此基础上建立辨识污染源释放强度的优化模型,应用克里格插值法建立地下水污染质运移数值模拟模型的替代模型,代替模拟模型,作为约束条件嵌入优化模型中,运用遗传算法求解优化模型辨识出地下水污染源源强.结果表明:采用基于U-D分解的卡尔曼滤波方法能够保证滤波的稳定性,有效识别出污染源的个数和位置;非线性规划优化模型,可以辨识出污染源释放强度.在优化模型的求解过程中,应用克里格方法建立模拟模型的替代模型嵌入优化模型,能在保证一定精度的情况下,大幅度减少计算负荷和计算时间.

关键词：地下水；污染源溯源辨识；U-D分解卡尔曼滤波；替代模型；遗传算法

中图分类号：X523 文献标识码：A 文章编号：1000-6923(2021)02-0713-07

Inversion identification of groundwater contamination source based on U-D factorization Kalman filter. JIA Shun-qing1,2, LU

Wen-xi1,2*, LI Jiu-hui1,2, BAI Yu-kun1,2 ( Laboratory of Groundwater Resources and Environment Ministry of Education, Jilin

University, Changchun 130012, China；e of Environment and Resources, Jilin University, Changchun 130012, China). China

Environmental Science, 2021,41(2)：713~719

Abstract：This paper uses U-D factorization Kalman filtering and a nonlinear programming optimization model to identify the

number, location, and release intensity of groundwater pollution sources. Based on a hypothetical example, a numerical simulation

model of groundwater contamination was established, and the parameters having large influences on the model were selected as

random variables in the model by using sensitivity analysis. Then, Kalman filtering based on U-D factorization was used to identify

the number and location of pollution sources. On the basis of these processes, an optimization model for identifying the release

intensity of contamination sources was established, and a Kriging interpolation method was used to establish an Surrogate model for

the numerical simulation model of groundwater pollution transport, as an alternative of the simulation model, which was embedded

in the optimization model as a constraint condition, and the genetic algorithm was applied to solve the optimization model. Finally,

the source strength of groundwater pollution was identified. The results show that the Kalman filter method based on U-D

factorization could ensure the stability of the filter and effectively identify the number and location of pollution sources; the nonlinear

programming optimization model could identify the release intensity of pollution sources. In the process of solving the optimization

model, a substitute model of the simulation model embedded the optimization model was built with the Kriging method, which could

greatly reduce the calculation load and time under the condition of a certain accuracy.

Key words：groundwater；contamination source identification；Kalman filter with UD factorization；Surrogate model;genetic

algorithm

地下水作为人类生存与社会发展必要的自然资源,近年来遭受的污染问题愈发严重.地下水污染难以监测,不易治理.地下水污染溯源识别是地下水污染修复与治理过程中的重要一环,能提供污染源空间分布、污染物释放历史等信息,为其治理提供参考依据.

卡尔曼滤波是求解地下水污染反问题的一种有效方法[1].卡尔曼滤波作为一种最优状态估计方法,可以应用于受随机干扰的动态系统[2-3]进行时空优化;Dokou[6]尝试使用卡尔曼滤波创建一个最优的搜索策略,使用最少的水质样本来识别DNAPL来源[6],Jiang等[7],江思珉等[89],顾文龙等[10]-应用基于卡尔曼滤波技术和模糊集理论识别污染羽的方法.常规卡尔曼滤波可能出现矩阵协方差非对称或者负定的情况[11-12],崔尚进将卡尔曼滤波协方差矩阵进行U-D分解,提高了卡尔曼滤波的稳定

收稿日期：2020-06-10

基金项目：国家自然科学基金资助项目(41972252)

* 责任作者, 教授,***************.cn. Herrera,

[4]Schmidt等[5]应用卡尔曼滤波对地下水水质监测网

714 中 国 环 境 科 学 41卷

性[13].Chen等[14], Xu等[15-16]使用集合卡尔曼滤波对二维确定性含水层中的污染源进行了溯源辨识[14-16];场地信息存在不确定性[17-18],白玉堃等[19]采用灵敏度分析筛选出灵敏度最高的参数作为随机变量进行污染源反演.

结合前人研究,本文运用U-D分解卡尔曼滤波识别污染源的个数与位置,在此基础上建立优化模型,采用克里格插值法建立替代模型并嵌入优化模型,运用遗传算法求解优化模型得到污染源源强.

1 研究方法

1.1 技术路线

现场调查与动态监测

估计污染源潜在位置、个数与初始权重

建立地下水污染质运移数值模拟模型

灵敏度分析,生成参数随机场、溶质浓度场库

初始综合浓度场与误差协方差矩阵

误差协方差矩阵UD分解

综合浓度场更新与权重更新

否

权重稳定

是

克里格替代模型

优化模型

遗传算法求解优化模型

污染源个数、位置、源强

图1 污染源反演技术路线

Fig.1 Flow chart of contamination source identification

首先应用U-D分解卡尔曼滤波反演污染源的个数与位置.在现场调查与动态监测的基础上,结合专家意见初步估计污染源潜在的个数､位置以及初始权重,构建地下水溶质运移模拟模型.考虑场地信息存在不确定性,对场地参数进行灵敏度分析,筛选出灵敏度最高的参数作为随机变量,其余参数作为确定型变量.给出随机变量一个取值范围,由拉丁超立方抽样生成参数随机场,采用蒙特卡罗法将参数随机场输入模拟模型生成溶质浓度场库,结合各潜在污染源初始权重计算得到初始综合浓度场与误差协方差矩阵.对误差协方差矩阵进行U-D分解,结

合采样点数据运用U-D分解卡尔曼滤波对污染浓度场和潜在污染源权重进行更新,权重稳定后判断污染源的个数与位置.

在识别出污染源个数与位置的基础上建立优化模型,进行污染源释放强度反演.以污染物监测浓度与模拟计算浓度拟合误差极小化为目标函数,污染源释放强度为待求变量,替代模型作为优化模型等式约束条件,同时考虑源强上下限等约束条件,建立非线性规划优化模型,运用遗传算法求解优化模型反演出污染源释放强度.为了减小求解优化模型时调用模拟模型产生的运算负荷,建立溶质运移模拟模型的克里格替代模型.

1.2 灵敏度分析与浓度场库建立

灵敏度分析可反应模型输出对参数变化的敏感程度,本文采用Morris全局灵敏度分析方法评价参数变化对模型输出的影响,选出影响程度最大的参数进行研究.Morris设计采用“一次只改变一个参数”的抽样取值方法,轮流计算各参数的目标函数值,从而得到各个参数全局灵敏度及参数间相关性和非线性的定性描述[20-21]:

EEi=[y(xi,...,xi−1,xi+Δi,xi+1,...,xk)−y(x)]/Δi (1)

式中:EEi为第i个参数变化引起的变化效应,

X={x1,x2,…,xk}为模型y(x)的k个参数.

采用文献[20]中的修正化方法进行评价,用影响值Si判断参数变化对模型输出值的影响

Si=(yi−y0)y0−1

Δ Δi=xi−x0x (2)

i0多次抽样取均值

S=1n(yi−y0)y−1n∑0=1i=1Δin∑nSi=1i (3)

把研究区用网格剖分,将筛选出的参数进行拉丁超立方抽样得到n组随机变量参数场,只考虑一个潜在污染源时,输入模拟模型得到对应的n组溶质浓度场,m个潜在污染源共m×n组.计算每个网格上参数场取不同值时浓度值的均值,就得到了该污染源的均值浓度场.在同一随机变量参数场下,m个污染源的溶质浓度场按照初始权重进行加权叠加得到叠加浓度场.将m个污染源的均值浓度场按初始权重进行加权叠加得到初始综合浓度场.

1.3 U-D分解卡尔曼滤波

常规卡尔曼滤波存在数值稳定性较差,计算复

2期 贾顺卿等：基于U-D分解卡尔曼滤波地下水污染源溯源辨识 715

杂等问题,针对这一点可引入U-D分解改进.

常规卡尔曼滤波更新方程[89]:

-K=P−×HT[HP−HT+r]−1

C+=C−+K[Z−HC−] (4)

P+=[I−KH]P−式中:K为卡尔曼增益矩阵,P为n阶误差协方差矩阵,C为n维状态向量,表示浓度估计值;-、+号表示先验估计与后验估计;Z为采样值,r是采样误差的方差,H是1×n阶量测矩阵,采样点处矩阵元素为1,其余位置为0,H=[0K0,1,0K0];I是n阶单位向量.

P矩阵更新时矩阵相减易导致矩阵稳定性降低,甚至引发滤波发散,将P矩阵分解为P=UDUT的形式,方程表示如下:

K=U−×g×a−1

C+=C−+K[Z−HC−]U (5)

+=U−×AD+=B其中

a=H×U−×g+r

g=D−×ff=UT (6)

−×HTD−−a−1×g×gT=ABAT式中:U为单位上三角矩阵;D为正定对角矩阵.

1.4 权重更新

每个潜在污染源均值浓度场对应的污染羽为单个污染羽,综合浓度场对应的污染羽为综合污染羽.确定污染源的个数与位置需要通过污染源权重判断,将综合污染羽与单个污染羽标准化,用模糊集表示(所有浓度值除以最大浓度值),每个模糊集合的元素隶属度都大于等于给定的αi,本文取值为0.2、0.4、0.6、0.8.

将以模糊集形式表示的综合污染羽与各单个污染羽进行比较,记录二者的公共面积Si,计算出全局相似度并用各污染源全局相似度除以各污染源全局相似度中的最大者,即可算得各污染源的权重.全局相似度为[7-9]:

g=∑nαiSi (7)

i=1式中:g为全局相似度;αi为模糊集标准值,

i=1,2,…;Si为综合污染羽与单个污染羽在同一αi下的交叉面积.

图2 污染羽对比示意

Fig.2 Comparison of pollution plumes

1.5 优化模型建立

以污染物监测浓度与模拟计算浓度拟合误差极小化为目标函数,污染源释放强度为待求变量,替代模型作为优化模型等式约束条件,同时考虑源强上下限等约束条件,建立非线性规划优化模型

目标函数:

minZ(q)=∑nk=1(ck-cˆk)2 (8)

约束条件:

qmin≤q≤qmax (9)

ck=f(q) (10)

式中, q为污染源释放强度,n为采样点个数,ck为替代模型输出的模拟值,cˆk为实测值,f为替代模型.

1.6 替代模型

应用遗传算法求解优化模型的过程中会大量调用溶质运移模拟模型,使用克里格方法建立溶质运移模拟模型的替代模型能有效减少运算负荷.替代模型回归方程为

yˆ(x)=∑nfi(x)βi+Z(x)=f(x)Tβ+Z(x) (11)

1式中:yˆ(x)为y(x)的估计值,y(x)为要求解的污染物浓度值;f(x)Tβ是线性回归部分,Z(x)是随机部分;f(x)=[f1(x),f2(x)Kfn(x)]为模型的基函数,β=[β1,β2Kβn]为基函数系数,可应用训练数据求出,Z(x)满足以下条件:

⎧

⎪⎪E(Z(x))=0⎨2⎪D(Z(x))=σ (12)

⎪⎩cov[Z(xi),Z(xj)]=σ2R(xi,xj)R(xi,xj)为任意两点xi,xj之间的关联函数,本文采用高斯型关联函数表示:

716 中 国 环 境 科 学 41卷

水层底板为基准面,北边界水位为16m,南边界水位iR(xi,xj)=exp(−∑θk|xk−xkj|) (13)

为14m;东西边界为隔水边界.模型模拟时间长度为1500d,分为5个时段,每个时段为100d.研究区接受降雨入渗补给,5个时段降水量分别为100,300, 100,50,

ni式中:θk为待定参数,xk为第i个样本第k维坐标.

克里格模型中,点x的响应值y(x)的估计值为

ˆ(x)=fTβ+rT(x)R−1(y−fβ) (14)

y100mm.忽略研究区蒸发蒸腾作用的影响.结合场地式中:r(x)为点x与n个采样点(x1,x2,K,xn)的相关向量,

r(x)=[R(x,x1),R(x,x2),K,R(x,xn)];y为n个采样点对应的响应值,为n×1阶向量;β为待定参数,可以通过最优线性无偏估计求得:

β=(fTR−1f)TfTR−1y (15)

相关矩阵R可表示为:

⎛R(x1,x1)LR(x1,x

R=⎜n)⎞⎜⎜MOM⎟⎝R(xn,x1)LR(xn,x⎟ (16)

n)⎟⎠方差σ2可表示为:

σ2=(y−fβ)TR−1(y−fβ)/n (17)

替代模型通过求解上面的非线性无约束优化问题来实现,待定参数θk可通过一个无约束优化问题求得:

min{nlnσ2+ln|R|} (18)

2 假想算例

2.1 问题概述

图3 污染场地

Fig.3 The plan of contaminated site

假定研究区大小为1000m×1000m,潜水含水层厚度为20m,介质为粗砂,含水层非均质各向同性.忽略非饱和带的影响.南北边界为已知水头边界,以含

信息与专家经验,估计潜在污染源个数为4个(图3),并给出潜在污染源的初始权重(权重表示潜在污染源为真实污染源的可能性大小,取值0~1之间),Ⅰ、Ⅱ、Ⅲ、Ⅳ号污染源分别为0.6、0.7、0.7、0.6.设定Ⅲ号为真实污染源,污染源泄漏流量为2000mg/d.

2.2 问题分析

2.2.1 位置个数反演 将研究区剖分成20×20的网格,应用GMS软件的MODFLOW和MT3DMS模块建立溶质运移模拟模型,考虑场地信息的不确定性,对模型中的参数进行Morris全局灵敏度分析,筛选出渗透系数K､纵向弥散系数Ld、给水度Sy､降雨入渗补给系数α灵敏度最高的参数作为随机变量.共有15种组合方式,具体方法参照文献[21].

表1 参数组合方式

Table 1 Combination-patterns of parameters

组号 1 2 3 4 5

参数 K Ld Sy α K,Ld

组号 6 7 8 9 10

参数 K,Sy K,α Ld,Sy Ld,α Sy,α

组号 11 12 13 14 15

参数 K,Ld,Sy K,Ld,α K,Sy,α Ld,Sy,α K,Ld,Sy,α

1.4

1.21

度0.8敏灵0.60.40.201234567 8 9 10 11 12 131415组号

图4 参数灵敏度分析

Fig.4 Sensitivity analysis of parameters

从图4可以看出,渗透系数灵敏度最高,本研究将渗透系数作为随机变量,其余参数作为确定性变量,应用拉丁超立方抽样生成110组渗透系数随机场并进行相关性排序,场地存在4个潜在污染源,输

2期 贾顺卿等：基于U-D分解卡尔曼滤波地下水污染源溯源辨识 717

入模型得到4×110组溶质浓度场,计算得出初始综合浓度场和误差协方差矩阵,Ⅲ号污染源的均值浓度场作为真实浓度场.

)m(yx(m)

图5 真实污染羽

Fig.5 True pollution plume

将采样点数据带入U-D分解卡尔曼滤波更新方程对综合浓度场和污染源权重进行更新,图为浓度场和权重更新结果.

)m(yx(m)

a.1次更新

)m(yx(m)

c. 3次更新

图5为污染源真实污染羽,图6为初始综合污染羽.从图7可以看出,经过4次采样更新后,综合污染羽逐渐收敛于Ⅲ号污染源,与真实污染羽相似.4个污染源权重从0.6,0.7,0.7,0.6变为0,0.2,1,0.05,可以判断出Ⅲ号污染源为真实污染源,更新完成后污染羽中浓度最高处就是污染源位置.

)m(yx(m)

图6 初始综合污染羽

Fig.6 Initial composite pollution plume

x(m)

b. 2次更新

)m(yx(m)

d. 4次更新

y(m)

718

10.8污染源权重0.60.40.2012污染源编号3中 国 环 境 科 学 41卷

10.8污染源权重0.60.40.20412污染源编号34

图7 污染羽与权重更新

e. 初始权重 f. 4次更新后权重

Fig.7 Update composite pollution plume and source location weight

2.2.2 源强反演 在运用U-D分解卡尔曼滤波反演出污染源的个数和位置的基础上,建立优化模型并应用遗传算法求解.采用克里格插值法建立模拟模型的替代模型,应用拉丁超立方抽样获得80组源强,输入模拟模型得到4口采样井的输出,生成80组输入-输出样本,前60组作为训练样本,后20组作为检验样本,将平均相对误差(MRE)作为克里格替代模型近似精度的评价指标,结果见表2.

表2 替代模型精度评价

Table 2 Accuracy assessment of surrogate model

评价方法

采样点

1 2 3 4 5

0.24%0.99 0.99 0.99 0.99 0.99

计算过程中卡尔曼滤波因为协方差矩阵可能出现不对称或者负定,导致迭代过程发散的情况,保证了卡尔曼滤波的数值稳定性,使迭代过程更容易收敛.算例表明基于U-D分解的卡尔曼滤波,能够准确地辨识含水层中污染源的个数与位置.

3.2 采用局部灵敏度分析方法筛选出渗透系数K对模型输出影响最大,作为反映场地信息不确定性的随机变量输入模型建立浓度场库.

3.3 针对污染源释放强度辨识问题,建立非线性规划优化模型.应用遗传算法求解非线性规划优化模型,能快速计算出污染源释放强度.应用克里格方法建立地下水污染质数值模拟模型的替代模型,将克里格替代模型代替模拟模型嵌入优化模型,能够在保证精度的同时减少大量的运算负荷和运算时间.

参考文献：

[1] 王景瑞,胡立堂.地下水污染源识别的数学方法研究进展 [J]. 水科学进展, 2017,28(6):943-952.

Wang J R,Hu L T.

Advances in mathematical methods of groundwater

pollution source identification [J].

Advances in Water Science, 2017,

28(6):943-952.

[2] Mohinder S G. Kalman filtering theory and practice using matlab [M].

New Jersey: Wiley, 2015.

[3] Chui C K. Kalman filtering: With real-time applications [M]. 2010.

[4] Herrera G S, Pinder G F. Space-time optimization of groundwater

quality sampling networks [J]. Water Resources Research, 2005,

41(12):/10.1029/2004WR003626.

[5] Schmidt F, Wainwright H M, Faybishenko B, et al. In situ monitoring

of groundwater contamination using the Kalman filter [J].

Environmental Science & Technology, 2018,52(13):7418-7425.

平均相对误差 0.13% 0.08% 0.15% 0.17%确定性系数

由表2可知,误差精度不超过1%,替代模型符合精度要求.

以污染物监测浓度与模拟计算浓度拟合误差极小化为目标函数,污染源释放强度为待求变量,替代模型作为优化模型等式约束条件,同时考虑源强上下限等约束条件,建立非线性规划优化模型.采用MATLAB软件中的遗传算法工具箱求解优化模型,经过46次迭代求得源强1972mg/d,与真实值2000mg/d接近,相对误差1.4%,源强反演精度较高.

3 结论

3.1 将协方差矩阵进行U-D分解,能够避免在迭代

2期 贾顺卿等：基于U-D分解卡尔曼滤波地下水污染源溯源辨识 719

[6] Dokou Z, Pinder G F. Optimal search strategy for the definition of a

DNAPL source [J]. Journal of Hydrology, 2009,376(3/4):542-556.

[7] Jiang S, Fan J, Xia X, et al. An effective Kalman Filter-Based Method

for groundwater pollution source identification and plume morphology

characterization [J]. Water, 2018,10(8)::10.3390/w10081063.

[8] 江思珉,张亚力,周念清,等.基于污染羽形态对比的地下水污染源识别研究 [J]. 水利学报, 2014,45(6):735-41.

Jiang S M, Zhang Y L, Zhou N Q, et al.

Groundwater contaminant

source identification based on the morphological comparison of

pollution plume [J]. Journal of Hydraulic Engineering, 2014,45(6):

735-741.

[9] 江思珉,张亚力,周念清,等.基于卡尔曼滤波和模糊集的地下水污染羽识别 [J]. 同济大学学报(自然科学版), 2014,42(3):435-40.

Jiang S M, Zhang Y L, Zhou N Q, et al.

Groundwater contaminant

plume identification by using Kalman filter technique and Fuzzy set

theory [J]. Journal of Tongji University(Natural Science), 2014,42(3):

435-440.

[10] Gu W, Lu W, Zhao Y, et al. Identification of groundwater pollution

sources based on a modified plume comparison method [J]. Water

Science and Technology-Water Supply, 2017,17(1):188-197.

[11] 张友民,张洪才,戴冠中.一种U-D分解自适应推广卡尔曼滤波及应用 [J]. 西北工业大学学报, 1993,(3):345-350.

Zhang Y M, Zhang H C, Dai G Z.A U-D factorization-based adaptive

extended Kalman filter and its application to flight state estimation [J].

Journal of Northwestern Polytechnical University, 1993,(3):345-350.

[12] 张友民,戴冠中,张洪才.基于U－D分解推广卡尔曼滤波的神经网络学习算法 [J]. 控制理论与应用, 1996,(2):235-241.

Zhang Y M, Zhang H C, Dai G Z. A New fast learning algorithm for

feedforward neural networks using U-D factorization-based extended

Kalman filter [J]. Control Theory & Applications, 1996,(2):235-241.

[13] 崔尚进,卢文喜,顾文龙,等.基于U-D分解的卡尔曼滤波法在地下水污染源识别中的应用 [J]. 中国环境科学, 2016,36(9):2633-2637.

Cui S J, Lu W X, Gu W L,

et al.

Application of U-D factorization-

based Kalman filter to identify the groundwater pollution source [J].

China Environmental Science, 2016,36(9):2633-2637.

[14] Chen Z, Jaime Gomez-Hernandez J, XU T, et al. Joint identification of

contaminant source and aquifer geometry in a sandbox experiment

with the restart ensemble Kalman filter [J]. Journal of Hydrology,

2018,564(10):74-84.

[15] Xu T, Gomez-Hernandez J J. Joint identification of contaminant

source location, initial release time, and initial solute concentration in

an aquifer via ensemble Kalman filtering [J]. Water Resources

Research, 2016,52(8):6587-6595.

[16] Xu T, Jaime Gomez-Hernandez J. Simultaneous identification of a

contaminant source and hydraulic conductivity via the restart

normal-score ensemble Kalman filter [J]. Advances in Water

Resources, 2018,112(10):6-23.

[17] 李久辉,卢文喜,常振波,等.基于不确定性分析的地下水污染超标风险预警 [J]. 中国环境科学, 2017,37(6):2270-7.

Li J H, Lu W X, Chang Z B,

Risk prediction of groundwater pollution

based on uncertainty analysis [J]. China Environmental Science, 2017,

37(6):2270-2277.

[18] 施小清,吴吉春,吴剑锋,等.多个相关随机参数的空间变异性对溶质运移的影响 [J]. 水科学进展, 2012,23(4):509-515.

Shi X Q, Wu J C, Wu J F, et al.

Effects of the heterogeneity of

multiple correlated random parameters on solute transport [J].

Advances in Water Science, 2012,23(4):509-515.

[19] 白玉堃,卢文喜,李久辉.卡尔曼滤波方法在地下水污染源反演中的应用 [J]. 中国环境科学, 2019,39(8):3450-3456.

Bai Y K, Lu W X, Li J H,

et al.

Application of Kalman filter to

identify the groundwater contaminant sources [J].

China

Environmental Science, 2019,39(8):3450-3456.

[20] 鲁程鹏,束龙仓,刘丽红,等.基于灵敏度分析的地下水数值模拟精度适应性评价 [J]. 河海大学学报(自然科学版), 2010,38(1):26-30.

Lu C P, Shu L C, Liu L H,

et al.

Adaptability evaluation of numerical

simulation accuracy of groundwater based on sensitivity analysis [J].

Journal of Hohai University(Natural Sciences), 2010,38(1):26-30.

[21] 束龙仓,王茂枚,刘瑞国,等.地下水数值模拟中的参数灵敏度分析

[J]. 河海大学学报(自然科学版), 2007,(5):491-495

Shu L C, Wang M M, Liu R G,

et al.

Sensitivity analysis of parameters

in numerical simulation of groundwater [J].

Journal of Hohai

University (Natural Sciences), 2007,(5):491-495.

作者简介：贾顺卿(1997-),男,河南平顶山人,吉林大学硕士研究生,主要从事地下水污染源反演识别问题方面研究.