في عالم علوم المياه تحت السطح، تلعب عملية دمج البيانات (Data Assimilation) دورًا حيويًا في تحسين دقة النماذج الجيولوجية. ترتكز هذه العملية على ضبط معلمات النموذج لتتطابق مع البيانات المرصودة، مثل تلك المستخلصة من الآبار، مع الحفاظ على واقعية جيولوجية. تقدم نماذج الانتشار الكامن (Latent Diffusion Models - LDMs) طرقًا فعالة لتحقيق ذلك، حيث تتيح الانتقال من فضاء النموذج الجيولوجي عالي الأبعاد إلى متغيرات منخفضة الأبعاد، مما يؤدي إلى تقليل البعد المتعلق بالمشاكل العكسية، لكن قد تؤثر غير الخطية العالية في نموذج LDM على أداء التحديثات المعتمدة على كسب كالمان (Kalman Gain).

أجرينا مقارنة منهجية بين خوارزميات دمج البيانات المستخدمة في نماذج جيولوجية ثلاثية الأبعاد، حيث تم تناول عدة أنواع من عدم اليقين الجيولوجي. خلال هذه الدراسة، قارنّا بين دمج البيانات في فضاء النموذج وفضاء المتغير الكامن باستخدام خوارزمية ‘Ensemble Smoother with Multiple Data Assimilation (ESMDA)‘، واستنتجنا وجود مقايضة رئيسية: فبينما تحقق التحديثات في فضاء النموذج انخفاضًا كبيرًا في عدم اليقين، فإنها تنتج نماذج جيولوجية غير واقعية. أما التحديثات في فضاء المتغير الكامن، فبينما تحافظ على الواقعية، إلا أنها تعاني من تقليل محدود في عدم اليقين.

نتيجةً لهذه النتائج، استثمرنا في استكشاف تقنيات محاكاة ماركوف (MCMC) وسلسلة مونت كارلو (SMC) في فضاء LDM. ولاستيعاب الطلبات الحوسبية العالية لهذه الخوارزميات، قمنا بتطوير نموذج تدفق بديل سريع يقترب من استجابات معدل الضخ. وُجد أن كلا من MCMC وSMC متوافقان مع بعضهما البعض، ويحققان أقل تناقض في البيانات وتخفيض أكبر في عدم اليقين مقارنةً بـ ESMDA في فضاء المتغير الكامن. تُظهر نتائجنا أن طرق كالمان الجماعي قد تقدم تقديرات مبالغ فيها لعدم اليقين، بينما يمكن أن توفر عينات مونت كارلو الدقيقة، بفضل النماذج البديلة السريعة، بديلًا أكثر موثوقية.