为了提高地下水水位变化的预测能力，掌握地下水水位动态变化，优化水资源管理，本文基于支持向量机（Support Vector Machine, SVM）和集合卡尔曼滤波（Ensemble Kalman Filtering, EnKF）技术，采用气象站点观测数据（气温、降水、太阳辐射、地表温度）和地下水水位观测数据，建立SVM及SVM-EnKF双向数据同化模式（Support Vector Machine-Ensemble Kalman Filtering Dual Data Assimilation, SVMEnKF DDA），对未来1至3个月的地下水水位变化进行预测。结果表明：（1）SVM的预测能力受气象驱动要素的影响较大，仅适应于地下水水位变化与气象要素相关性高的站点。（2）在有限气象要素驱动下，SVM-EnKF DDA较SVM更适应于未来1至3个月地下水水位变化的预测。本研究为有限资料区域地下水水位动态变化预测提供了一种有效的双向数据同化技术。
