洛河流域水文特性分析及中长期径流预报研究

前言 第1章 绪论 1.1 研究背景及意义 1.2 研究进展 1.2.1 水文要素特性分析研究进展 1.2.2 中长期径流预报研究进展 1.2.3 干旱的定义 1.2.4 干旱指标 1.2.5 水文序列变异性检验研究 1.3 主要研究内容 第2章 研究区域概况 2.1 自然地理 2.1.1 地理位置 2.1.2 河流水系 2.1.3 水文气象 2.2 社会经济 2.3 水文站概况 2.4 数据来源 2.5 本章小结 第3章 水文要素特性分析 3.1 趋势分析 3.1.1 线性趋势相关检验法 3.1.2 Mann-Kendall趋势检验法 3.1.3 Spearman秩次相关检验法 3.1.4 Hurst指数法 3.1.5 应用实例 3.2 变异分析 3.2.1 Mann-Kendall突变检验法 3.2.2 Pettitt检验法 3.2.3 应用实例 3.3 周期性分析 3.3.1 小波分析法 3.3.2 应用实例 3.4 本章小结 第4章 水文要素序列重构方法与应用 4.1 概述 4.2 分解合成法的基本原理 4.3 基于分解合成法的水文序列重构 4.3.1 水文要素序列分解 4.3.2 水文要素序列的合成 4.4 本章小结 第5章 非一致水文干旱评估方法 5.1 概述 5.2 标准化流量指数构建 5.3 理论分布线型优选 5.4 干旱事件识别 5.5 合理性验证 5.6 本章小结 第6章 基于Bootstrap方法的水文干旱不确定性分析 6.1 Bootstrap方法 6.2 估计参数不确定性分析 6.3 基于样本抽样的水文干旱不确定性分析 6.4 本章小结 第7章 预报因子的选取 7.1 相关系数法 7.2 主成分分析法 7.3 本章小结 第8章 基于多元线性回归的径流预报模型 8.1 多元线性回归模型原理 8.2 多元线性回归模型的应用 8.3 多元线性回归模型检验与预测 8.4 本章小结 第9章 基于BP神经网络的径流预报模型 9.1 BP神经网络的基本原理 9.2 基于BP神经网络预报模型的建立 9.2.1 数据预处理 9.2.2 网络的构建与训练 9.2.3 网络仿真模拟 9.2.4 模型评定 9.2.5 预报与检验 9.2.6 三层BP神经网络算法流程 9.3 模型应用与评价 9.4 本章小结 第10章 基于ELM算法的径流预报模型 10.1 ELM算法概述 10.2 ELM算法原理 10.3 ELM算法训练步骤 10.4 ELM算法的特点 10.5 模型应用与评价 10.6 本章小结 第11章 基于马尔可夫链校正模型的径流预测 11.1 马尔可夫链校正模型 11.2 应用实例 11.2.1 基于马尔可夫链校正的多元线性回归预测 11.2.2 基于马尔可夫链的BP神经网络预测 11.3 本章小结 第12章 基于R/S灰色组合模型的中长期径流预报 12.1 R/S灰色预测模型原理 12.1.1 R/S分析法 12.1.2 平均循环周期 12.1.3 基本灰色GM(1，1)模型 12.1.4 模型精度检验 12.1.5 R/S灰色组合模型预测步骤 12.2 实例应用 12.2.1 径流序列的R/S分析 12.2.2 平均循环周期 12.2.3 R/S灰色组合模型预测分析 12.3 本章小结 第13章 基于小波包分解的LS-SVM-ARIMA组合径流预测 13.1 小波包分解的LS-SVM-ARIMA组合模型原理 13.1.1 小波包分解 13.1.2 LS-SVM模型 13.1.3 PSO算法 13.1.4 ARIMA模型 13.2 实例应用与评价 13.2.1 实例应用 13.2.2 评价 13.3 本章小结 第14章 各水文模型适用性对比分析 14.1 各水文模型预报结果对比分析 14.2 各水文模型预测结果评价指标对比分析 第15章 结论与展望 15.1 研究结论 15.2 不足与展望 参考文献