La recopilació d'observacions de la càrrega piezomètrica i les
mesures de la conductivitat hidràulica local (o transmissivitat)
proporcionen una inestimable informació per a identificar el
patró espacial dels paràmetres en aqüífers, inclús els
camins de fluix o barreres de fluix, i per a reduir la incertesa
dels models d'aqüífers. Per a obtindre la dita informació
de conectivitat a partir de les mesures i quantificar la incertesa
amb exactitud, el mètode Monte Carlo és normalment utilitzat
per a generar un gran nombre de realitzacions dels paràmetres
d'aqüífers condicionats a dades durs (conductivitat) i
inversament condicionats a les dades d'estat (càrrega
piezomètrica). No obstant això, la simulació inversa
condicionada dels paràmetres d'aqüífers és computacionalment
molt pesada, ja que implica una optimació no lineal del
problema per a generar cada una de les realitzacions inverses
condicionades. En contrast amb alguns dels optimadors no lineals
clàssics i buscadors d'algoritmes, en este estudi es presenta un
esquema de cadena Markov Monte Carlo (McMC) per a generar
realitzacions condicionades multi-gaussianes, mostrejant
directament d'una distribució posterior que incorpora
informació a priori i observacions a posteriori en un esquema
Bayesiano. El que fa d'este mètode prou eficient en
l'exploració de l'espai dels paràmetres del model és que el
nucli proposat és una aproximació apropiada a la
distribució de l'objectiu posterior i que la generació de
realitzacions de candidats és molt ràpida a causa de la
descomposició LU de la matriu de covarianza. Les realitzacions
generades d'esta forma no estan únicament condicionades per
les dades durs sinó que també tenen l'estructura espacial
esperada. El funcionament de l'esquema McMC proposat és
àmpliament avaluat per mitjà d'un exemple sintètic que simula el
cas de fluix per gradient natural. La propagació d'incertesa
deguda al mapeado condicionat i invers condicionat dels models per
a aqüífers és llavors quantificada en termes
estadístics de temps d'arribada, resolent els estats
estacionaris de fluix assumits i els problemes de transport
conservatiu ideal. La reducció en la incertesa de la
predicció, implica no sols el valor de la càrrega
piezomètrica, sinó també el significat dels moments
temporals i les estadístiques de conectivitat en el mapeado de
paràmetres d'aqüífers.

Una representació adequada de la variació espacial
detallada dels paràmetres superficials requerix models
d'aqüífers d'alta resolució. La caracterització
precisa d'estos models a gran escala en un mètode Monte Carlo
recorre típicament a una simulació estocàstica capaç de
condicionar les dades durs (ex. conductivitat) i les dades d'estat
dependents (ex. càrrega piezomètrica, concentració, etc.),
coneguda com modelació condicionada i inversa condicionada
respectivament. S'ha comprovat que un esquema de cadena Markov
Monte Carlo (McMC) resulta efectiu i eficient per a portar a terme
este tipus de simulacions condicionada i inversa condicionada,
mostrejant directament en una distribució posterior que
incorpora la informació prèvia i les observacions posteriors
en un marc de treball Bayesiano. A pesar d'açò, la utilitat dels
mètodes McMC prèviament mencionats, es deu a la limitada capacitat
de la descomposició LU de la matriu de covarianza en desacord
amb els casos d'alta resolució. En este estudi es presenta un
nou esquema McMC per a generar realitzacions condicionades
multi-gaussianes d'alta resolució. El que fa d'este mètode
molt eficient en l'exploració dels paràmetres espacials de
models d'elevades dimensions, és que el nucli proposat és
una aproximació apropiada per a la distribució posterior
de l'objectiu seleccionat i que la generació de realitzacions
de candidats està basada en la descomposició espectral de la
matriu covarianza a fi d'augmentar la velocitat de la transformada
de Fourier. Les realitzacions generades d'esta forma, no sols
estan condicionades pel registro de conductivitat, la càrrega
piezomètrica i els moments temporals de la concentració de
soluto, sinó que també tenen l'estructura espacial
esperada. La propagació d'incertesa deguda al mapeado
condicionat i invers condicionat dels models per a aqüífers
també és quantificada.