基于数据驱动模型的流域中长期径流预报方法

　　本书共6章。第1章为绪论，介绍了本书的研究背景与意义， 外研究现状，中长期径流预报在模型研究、因子筛选、后处理中存在的主要问题以及针对存在问题的研究思路和主要研究内容；第2章介绍了一种基于贝叶斯推断的支持向量回归（SVR）方法和ARD核函数的结合应用，该方法用以解决SVR模型中超参数优化困难、缺少概率预报以及无法衡量不同预报因子权重的问题；第3章基于因子选择方法提出一种总互信息指标及其计算方法，分析提出的总互信息指标与预报效果之间的相关性，并将其用来判断流域是否适宜采用数据驱动模型进行中长期径流预报；第4章将中长期降雨预报产品引入基于数据驱动模型的中长期径流预报框架中，研究引入降雨因子后不同数据驱动模型的预报效果变化；第5章在第2章至第4章的基础上，建立了以校正后的概率预报降雨为输入、以多个数据驱动模型产生的概率预报为基础、以贝叶斯模型平均方法（BMA）融合不同模型概率预报结果的中长期径流概率预报方法框架，产生融合后的 为可靠、实用的概率预报结果；第6章总结了主要的研究成果，并对未来研究方向进行展望。

暂缺《基于数据驱动模型的流域中长期径流预报方法》作者简介

第1章 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 外研究现状
1.2.1 中长期径流预报建模研究现状及发展趋势
1.2.2 中长期径流预报因子的选择和筛选
1.2.3 中长期径流预报结果后处理
1.3 研究中存在的问题与不足
1.4 研究内容及技术路线
1.4.1 研究目标与内容
1.4.2 研究技术路线
第2章 贝叶斯推断与支持向量回归耦合的中长期径流预报方法
2.1 概述
2.2 方法与数据
2.2.1 贝叶斯推断与支持向量回归耦合的中长期径流预报方法框架
2.2.2 支持向量回归及ARD核函数
2.2.3 基于贝叶斯推断的支持向量回归
2.2.4 数据与预处理
2.2.5 建模方案设定
2.3 结果及讨论
2.3.15 种预报方法的预报效果
2.3.25 种预报方法的预报效果对比分析
2.3.3 BSVR和BSVRARD方法的概半预报效果分析
2.4 小结
第3章 中长期径流预报效果与总互信息的相关关系
3.1 概述
3.2 基于数据驱动模型的中长期径流预报适宜性判别方法
3.2.1 PMIS因子选择方法
3.2.2 基于PMIS的总互信息指标
3.3 模型与数据
3.3.1 多层感知机模型（MIP）
3.3.2 长短期记忆网络模型（LSTM）
3.3.3 基于滚动预报的多层感知机模型（MB模型）
3.3.4 建模方案设定
3.45 种模型的预报效果对比分析
3.4.1 各模型预报效果分析
3.4.2 5种模型的预报效果对比分析
3.4.3 不同预见期的预报效果对比
3.5 总互信息和预报效果的关系分析
3.5.1 各模型预报效果与互信息MI的关系
3.5.2 各模型预报效果与总互信息TMI的关系
3.5.3 总互信息TMI的影响因素及潜在应用
3.6 小结
第4章 引入降雨预报产品的中长期径流预报效果
4.1 概述
4.2 数据及方法
4.2.1 流城实测降雨数据与降雨预报产品
4.2.2 研究区城降雨预报数据校正
4.2.3 建模方案设定