本项目融合了多源信息。使用监测水位生成区域水力梯度信息，使用导水系数追踪工具从若干实测点出发推算全区导水系数分布。此时就可以对用户指定的任意剖面进行积分，求取通过此剖面的实时水流通量。另外本区域内地下水中硝酸盐浓度分布已完成内插，此时可以直接耦合溶质信息，生成指定剖面上的地下水实时硝酸盐通量。

瞬时流态参数回归软件TFPR（Transient Flow Parameter Regression）是一款地下水动态信息数据挖掘工具。其工作原理是利用高密高频地下水水位和降水量监测数据，根据含水层水位对降雨过程和开采过程的响应趋势，设计合理的求参方法，估算含水层关键参数及净开采量季节分布特征，进而评估这些关键水文地质参数的空间分布。 EnviFusion支持从表格类图层建立TFPR地下水数值模型，解释运行，以及模拟结果的后处理。

对于水头值和水力梯度值处处已知的单一含水层，其地下水流线分布可以在任意点沿水力梯度方向持续做切线而得。在多孔介质水动力学中，地下水质子的流动迹线可近似等价为地下水流线。在平面二维稳定流系统中，由于单一流线两侧的地下水没有沟通，基于此可以使用流线对含水层做条带状剖分，如下图(a)所示。

考虑相邻两条流线所围成的区域，在其中任取两个断面A-A’和B-B’，如图(b)所示，有如下控制方程：

其中，QA为通过断面A-A’的地下水流量，QB为通过断面B-B’的地下水流量，QSS为两个断面间的地下水源汇项，此源汇项来自于含水层中存在的垂向边界，如降雨入渗、抽水井开采等。当区域内不存在垂向源汇项时，即QSS为0，代入达西定律，有：

其中，T为断面上的导水系数，i为断面上的水力梯度，w为断面宽度。可见在相邻流线所包围区域内，各断面上的导水系数之间存在定量关系。在三角网格M中的任意两条流线所包围的区域内，由于i值和w值为处处已知，这时如果在某个断面处的T值为已知，我们就可以根据上式推断出区域内所有位置的T值。注意，这里的前提为此区域内不存在垂向源汇项，如果在监测时段有降雨、开采过程或其它垂向水力因素影响，本方法不适用。

SEAWAT是一个三维变密度地下水流与溶质运移模型，由USGS基于MODFLOW和MT3DMS开发。SEAWAT包含两个特有模块:变密度流VDF和粘度VSC。本项目为示意性单层模拟，温淡水从左侧逐渐对冷海水进行驱离。由于冷水密度较高，所以上层驱离过程较快，下层驱离过程较慢。将平面模拟结果沿Z轴进行拉伸，拉伸强度与温度值一致；同时用颜色代表盐度，可以直观观察温度场和盐度场的实时变化。

在地下水监测领域，时间序列数据是必不可少的基础数据。随着我国对地下水监测工作的逐渐重视与完善，我们在获得了大量的高频水位监测数据同时，也在在时间序列数据的统计与利用上遇到了新的问题。这些问题，既包括数据在时间空间上的不均匀，数据采集过程中意外因素影响导致的采集中断，设备因意外变化失去校准导致数据失真等采集问题，也包括时序数据的特征提取，数据清洗，模型数据预处理等下游问题。

传统的时序数据补齐通常以插值为基础，其中最为简单的插值方法为临点法，即以时间向前最靠近的或向后最靠近的有效数据作为该时间点的数据值；线性插值先对于临点法更为符合真实世界的物理规律，其逻辑为取数值缺失的时间序列片段前后有效数据，以线性的方式补齐缺失时间段上各个数据点；工程上运用最多的插值方法为样条插值，该方法需要插值所在位置前后两个或三个连续数据点，通过二次及三次多项式的拟合完成极为贴近真实世界的拟真。在水文地质领域，应用最多的插值方法为高斯过程插值法，它更被水文地质工作者所熟知的名字为克里金插值。统计学方法的数据补齐介于插值法与神经网络模拟中间，如将时序数据先输入贝叶斯网进行参数调整，而后以此网络进行插值预测，其本质上已经可以归类于机器学习。以上插值方法在数据缺失量较少，数据周期性较弱的情况下有各自的优势领域。地下水时序数据与季节周期有显著的相关性，同时若缺失数据较多且连续，如出现跨周期的情况，以上插值方法通常无法实现与现实结果相符的结果。

利用大数据机器学习方法进行时序数据补齐为近二十年最为火热的研究领域，其应用覆盖信号监测，随机数列预测，自然语言学习等无数相领域。近几年，水文工作者开始逐步将在计算机科学经过实践检验的机器学习工具运用在水文领域，产生了一批值得瞩目的科研成果。自组织映射 (SOM)是一种无监督机器学习技术，是通过神经元间的竞争学习将相似的数据映射到相邻位置并保持拓扑结构不变的一种方法，最早由Kohonen基于生物神经网络对外部信号分布式响应的特征提出，其特点与人脑的自组织特性相类似，会接受外界输入模式时，将会自动分为不同的对应区域，各区域对输入模式具有不同的响应特征。SOM常用于生成高维数据集的低维（通常为二维）表示，同时保留数据集的拓扑结构。由于这种聚类过程是数据的全部维度映射，所以SOM本身具有多维数据融合的属性。本项目使用SOM神经网络对监测井水位数据以及水位值对时间的一阶导数进行融合学习，其后使用训练后的神经网络对缺失的水位数据和水位的时间导数进行补齐，以求得到时空完整的监测井水位时间序列。

使用水位数据直接训练称为SOM水位补齐，适用于数据远距离外插以及跨周期内插等情形。在此类确定性极低的情况下，由于数据序列附近没有可用锚点，对空缺水位的预测仅能来自于其它在此时间点做过水位测量的监测点，这时使用SOM水位补齐方法产生的水位预测结果可以作为锚点，指导后续的时间序列内插工作。然而从特定角度观察，SOM水位补齐方法类似于使用平均值进行补齐，若应用在监测频率较为密集的水位时间序列补齐（如小时数据）中，容易产生较大短期波动，与经验不符。为克服此局限性，在使用SOM水位补齐方法生成阶段性水位锚点后，可以重新对SOM神经网络进行训练，此时不是使用水位向量，而是使用水位对时间的一阶导数（近似于本时间步与上时间步间的水位差值）组成的向量对SOM进行训练，此时的预测值即为从水位锚点出发的逐时间点水位增量，产生顺滑的水位时间序列补齐结果，称为SOM增量补齐。