| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究进展 | 第14-21页 |
| 1.2.1 水文信息熵的描述性统计研究 | 第14-17页 |
| 1.2.2 水文信息熵的推断性统计研究 | 第17-21页 |
| 1.3 论文研究思路 | 第21-25页 |
| 1.3.1 研究内容 | 第21-22页 |
| 1.3.2 技术路线 | 第22-25页 |
| 第二章 信息熵及Copula函数理论 | 第25-31页 |
| 2.1 信息熵理论 | 第25-27页 |
| 2.1.1 信息熵定义及性质 | 第25-26页 |
| 2.1.2 极大熵原理及推导 | 第26-27页 |
| 2.2 Copula函数 | 第27-31页 |
| 2.2.1 Copula函数定义及性质 | 第28页 |
| 2.2.2 常用Copula函数 | 第28-29页 |
| 2.2.3 Copula函数参数估计 | 第29-31页 |
| 第三章 小样本下水文信息熵估计方法之比较 | 第31-43页 |
| 3.1 水文信息熵计算 | 第31-35页 |
| 3.1.1 信息熵两类计算路线 | 第31-32页 |
| 3.1.2 信息熵估计方法 | 第32-35页 |
| 3.2 CS、JSS与ML方法之比较 | 第35-42页 |
| 3.2.1 模拟试验 | 第36-42页 |
| 3.2.2 结果比较 | 第42页 |
| 3.3 本章小结 | 第42-43页 |
| 第四章 基于小样本信息熵的水文不确定分析 | 第43-55页 |
| 4.1 多尺度滑动信息熵分析(MM-EHA) | 第43-44页 |
| 4.2 研究区域 | 第44-45页 |
| 4.3 统计特征 | 第45-47页 |
| 4.4 MM-EHA分析 | 第47-51页 |
| 4.4.1 长江宜昌/汉口站径流分析 | 第47-49页 |
| 4.4.2 黄河花园口/利津站径流分析 | 第49-51页 |
| 4.5 信息熵相关性分析 | 第51-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第五章 最优矩约束极大熵水文单变量分布推断研究 | 第55-68页 |
| 5.1 对POME最优矩的讨论 | 第55-58页 |
| 5.1.1 极大熵原理中的矩约束条件 | 第55-57页 |
| 5.1.2 样本矩的收敛性 | 第57-58页 |
| 5.2 最优矩下的极大熵模型(OM-POME) | 第58-61页 |
| 5.2.1 理论-经验分析(TEA) | 第58-60页 |
| 5.2.2 最优矩下的极大熵建模框架 | 第60-61页 |
| 5.3 基于OM-POME的单变量随机模拟 | 第61-67页 |
| 5.3.1 OM-POME分布推断 | 第62-65页 |
| 5.3.2 随机模拟 | 第65-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第六章 耦合最优矩极大熵-Copula函数的水文多变量分析 | 第68-85页 |
| 6.1 OMME-C多变量建模 | 第68-71页 |
| 6.1.1 边缘分布推求 | 第68-69页 |
| 6.1.2 Copula函数优选 | 第69-70页 |
| 6.1.3 OMME-C建模步骤 | 第70-71页 |
| 6.2 基于OMME-C的多变量相关性分析 | 第71-84页 |
| 6.2.1 研究数据 | 第72页 |
| 6.2.2 OM-POME边缘分布推求 | 第72-77页 |
| 6.2.3 Copula函数优选 | 第77-83页 |
| 6.2.4 相关性分析 | 第83-84页 |
| 6.3 本章小结 | 第84-85页 |
| 第七章 结论与展望 | 第85-88页 |
| 7.1 论文结论 | 第85-86页 |
| 7.2 主要创新点 | 第86页 |
| 7.3 展望 | 第86-88页 |
| 参考文献 | 第88-100页 |
| 致谢 | 第100-101页 |
| 附:博士期间的研究成果及参与的科研活动 | 第101-104页 |