基于集成学习的中长期水文预报研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 中长期水文预报的研究背景及意义 | 第9-10页 |
| 1.2 中长期水文预报的研究现状 | 第10-14页 |
| 1.2.1 传统中长期水文预报方法 | 第10-11页 |
| 1.2.2 现代中长期水文预报方法 | 第11-14页 |
| 1.3 论文的主要内容 | 第14-16页 |
| 2 中长期水文预报成因分析与预报因子识别 | 第16-20页 |
| 2.1 中长期天气过程及其特点 | 第16-17页 |
| 2.1.1 长期天气过程的特点 | 第16-17页 |
| 2.1.2 中期天气过程的特点 | 第17页 |
| 2.2 中长期径流过程的影响因素 | 第17-18页 |
| 2.2.1 大气环流 | 第17-18页 |
| 2.2.2 太阳活动 | 第18页 |
| 2.2.3 下垫面状况 | 第18页 |
| 2.3 中长期径流预报常用的预报因子 | 第18-20页 |
| 2.3.1 前期降水与径流 | 第19页 |
| 2.3.2 环流特征量 | 第19页 |
| 2.3.3 海表温度 | 第19-20页 |
| 3 集成学习研究 | 第20-34页 |
| 3.1 个体与集成 | 第20-21页 |
| 3.2 Boosting | 第21-26页 |
| 3.2.1 AdaBoost算法的推导 | 第21-24页 |
| 3.2.2 AdaBoost的训练误差 | 第24-25页 |
| 3.2.3 梯度提升树模型(GBRT) | 第25-26页 |
| 3.3 Bagging | 第26-29页 |
| 3.3.1 Bagging算法 | 第26-28页 |
| 3.3.2 Bagging的理论分析 | 第28-29页 |
| 3.3.3 随机森林(RandomForest) | 第29页 |
| 3.4 结合策略 | 第29-34页 |
| 3.4.1 平均法 | 第30-31页 |
| 3.4.2 投票法 | 第31-32页 |
| 3.4.3 学习法 | 第32-34页 |
| 4 虎跳峡坝区实例分析 | 第34-52页 |
| 4.1 虎跳峡坝区预报因子分析 | 第34-39页 |
| 4.1.1 虎跳峡坝区概况 | 第34页 |
| 4.1.2 资料准备 | 第34页 |
| 4.1.3 环流指数分析 | 第34-37页 |
| 4.1.4 历史径流分析 | 第37-38页 |
| 4.1.5 数据预处理 | 第38-39页 |
| 4.2 基于GBRT构建模型 | 第39-44页 |
| 4.3 基于RF构建模型 | 第44-45页 |
| 4.4 GBRT和RF算法预报结果分析 | 第45-48页 |
| 4.5 基于结合策略构建模型 | 第48-50页 |
| 4.6 本章小结 | 第50-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 主要的研究工作及成果 | 第52-53页 |
| 5.2 工作展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 附录1 74项环流指数 | 第60-61页 |
