| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究进展 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 主要研究内容及技术路线 | 第13-15页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 技术路线 | 第14-15页 |
| 2 研究区概况 | 第15-19页 |
| 2.1 地理位置 | 第15-16页 |
| 2.2 地形地貌 | 第16页 |
| 2.3 气候因素 | 第16页 |
| 2.4 覆被情况 | 第16-17页 |
| 2.5 工程概况 | 第17-18页 |
| 2.6 暴雨特性分析 | 第18页 |
| 2.7 洪水特性分析 | 第18-19页 |
| 3 降水径流序列趋势性分析 | 第19-25页 |
| 3.1 研究资料 | 第19-20页 |
| 3.2 研究方法 | 第20-22页 |
| 3.2.1 Mann-Kendall非参数秩次相关检验法 | 第20-21页 |
| 3.2.2 Spearman秩次相关检验法 | 第21页 |
| 3.2.3 R/S检验法 | 第21-22页 |
| 3.3 结果与分析 | 第22-25页 |
| 4 次洪量影响因素分析 | 第25-39页 |
| 4.1 影响因素研究方法 | 第25-26页 |
| 4.2 影响因素选取 | 第26-32页 |
| 4.2.1 平均雨强 | 第26页 |
| 4.2.2 暴雨中心 | 第26-28页 |
| 4.2.3 前期影响雨量 | 第28页 |
| 4.2.4 土地利用/覆被变化 | 第28-31页 |
| 4.2.5 淤地坝拦蓄水量 | 第31-32页 |
| 4.3 还原系数法 | 第32-39页 |
| 4.3.1 还原系数法概述 | 第32-33页 |
| 4.3.2 还原系数法应用 | 第33-39页 |
| 5 单一预测模型 | 第39-49页 |
| 5.1 多元线性回归 | 第39-40页 |
| 5.1.1 多元线性回归方程 | 第39页 |
| 5.1.2 多元线性回归的建立 | 第39-40页 |
| 5.2 神经网络模型 | 第40-44页 |
| 5.2.1 BP神经网络模型的构建 | 第40-43页 |
| 5.2.2 模型预测结果及分析 | 第43-44页 |
| 5.2.3 BP神经网络存在的问题 | 第44页 |
| 5.3 去趋势互相关分析法 | 第44-46页 |
| 5.3.1 DCCA模型 | 第44-45页 |
| 5.3.2 模型预测结果及分析 | 第45-46页 |
| 5.4 单一预测模型结果分析 | 第46-49页 |
| 6 组合预测模型及模型评价 | 第49-59页 |
| 6.1 组合预测原理 | 第49页 |
| 6.2 定权重组合模型 | 第49-50页 |
| 6.2.1 最优加权组合预测模型 | 第49-50页 |
| 6.3 变权重组合模型 | 第50-51页 |
| 6.3.1 基于相关系数的变权组合预测模型 | 第50-51页 |
| 6.3.2 基于误差平方和倒数的变权组合 | 第51页 |
| 6.4 基于MLR-DCCA的BP神经网络组合模型 | 第51-54页 |
| 6.4.1 基于MLR-DCCA的BP神经网络组合模型的提出 | 第51-52页 |
| 6.4.2 基于MLR-DCCA的BP神经网络组合模型的构建 | 第52-54页 |
| 6.5 模型效果评价指标 | 第54页 |
| 6.6 组合模型预测结果 | 第54-57页 |
| 6.7 模型评价结果分析 | 第57-59页 |
| 7 结论与展望 | 第59-61页 |
| 7.1 结论 | 第59页 |
| 7.2 展望 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67页 |
