1.一种岩溶含水层渗透场反演优化方法，其特征在于：S1，从岩溶含水层渗透场模型获取渗透数据，通过贝叶斯推理，根据该渗透数据获取后验概率密度函数，通过将后验概率密度函数局部近似为高斯分布，获取初始参考概率分布函数；

S2，通过低秩矩阵近似法，根据渗透数据对初始参考概率分布函数中的Hessian矩阵局部进行改写，获取改写后的参考概率分布函数；

S3，获取参考概率分布函数的方差数据，通过截断牛顿法将方差数据引入改写后的参考概率分布函数中，获取最终参考概率分布函数；

S4，通过最终参考概率分布函数对岩溶含水层渗透场模型进行反演；

步骤S1中，从岩溶含水层渗透场模型获取渗透数据，通过贝叶斯推理，包括以下步骤：获取渗透数据，所述渗透数据包括：水头观测结果hobs＝[h1,h2,...,hM]以及对渗透率s＝[log(P1),log(P2),...,log(PN)]，其中，M表示测量点的数目，N表示中待拟合点的数目，P代表渗透率值；

通过贝叶斯推理，后验概率密度函数∏post(s)正比于先验概率密度函数∏prior(s)和似然函数∏(hobs|s)的积，即：∏post(s)∝∏prior(s)∏(hobs|s)；

通过L2准则可以将后验概率密度函数进一步表示为：其中，Γnoise以及Γprior为协方差矩阵；

步骤S1中，通过将后验概率密度函数局部近似为高斯分布，获取初始参考概率分布函数，包括以下步骤：将后验概率密度函数局部近似为高斯分布，获取基于局部梯度信息的初始参考概率分布函数：其中，y表示从参考概率分布函数q(sk,y)中抽取的新样本，g是局部梯度， 是一个正定的Hessian矩阵。

2.如权利要求1所述的一种岩溶含水层渗透场反演优化方法，其特征在于：局部梯度g可以表示为：其中， J是敏感度矩阵， 是先验概率密度函数均

值。

3.如权利要求1所述的一种岩溶含水层渗透场反演优化方法，其特征在于：步骤S2中，通过低秩矩阵近似法，根据渗透数据对初始参考概率分布函数中的Hessian矩阵局部进行改写，包括以下步骤：在统计设置中，Hessian矩阵由两部分组成：

其中，Hmisfit表示参数字段的子空间，该参数字段受渗透数据的约束，通过低秩矩阵近似法，根据参数字段对初始参考概率分布函数中的Hessian矩阵局部进行改写。

4.如权利要求3所述的一种岩溶含水层渗透场反演优化方法，其特征在于：改写后的参考概率分布函数为：‑T T ‑1

H＝L (LHmisfitL+I)L ；

T

其中，L是先验协方差矩阵Γprior的Cholesky因式分解，T代表转置，I＝LL。

5.如权利要求4所述的一种岩溶含水层渗透场反演优化方法，其特征在于：通过采用特征值分解 可以获取失配项的先验条件下的Hessian的r阶低阶近似，所述局部Hessian的低阶近似可以表示为：其中，Vr仅包含主要的特征向量，而Dr的对角元素代表相对应的主要特征值，下标r代表的秩的阶数。

6.如权利要求1所述的一种岩溶含水层渗透场反演优化方法，其特征在于：获取参考概率分布函数的方差数据，通过截断牛顿法将方差数据引入改写后的参考概率分布函数中，获取最终参考概率分布函数，包括以下步骤：最终参考概率分布函数为：2

其中，σ为参考概率分布函数的方差。