单项径流预测和分布式SWAT径流预测模型研究--以潮河流域为例
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 引言 | 第9-17页 |
| 1.1 研究概述 | 第9-10页 |
| 1.2 研究进展 | 第10-15页 |
| 1.2.1 国外研究进展 | 第10-13页 |
| 1.2.2 国内研究进展 | 第13-15页 |
| 1.2.3 存在问题 | 第15页 |
| 1.3 论文研究内容 | 第15-17页 |
| 2 单项预测方法 | 第17-25页 |
| 2.1 多元线性回归模型 | 第17-19页 |
| 2.1.1 基本概念 | 第17页 |
| 2.1.2 模型原理 | 第17-18页 |
| 2.1.3 参数估计 | 第18页 |
| 2.1.4 逐步回归 | 第18-19页 |
| 2.1.5 模型检验 | 第19页 |
| 2.2 人工神经网络模型 | 第19-21页 |
| 2.2.1 前馈型网络 | 第19-20页 |
| 2.2.2 BP神经网络 | 第20-21页 |
| 2.3 差分自回归移动平均模型 | 第21-23页 |
| 2.3.1 模型原理介绍 | 第21-22页 |
| 2.3.2 建模步骤 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 3 分布式SWAT水文模型 | 第25-31页 |
| 3.1 研究地区概况 | 第25-26页 |
| 3.1.1 地理、地质和地貌因素 | 第25页 |
| 3.1.2 气候影响因素 | 第25-26页 |
| 3.2 研究方案 | 第26-27页 |
| 3.3 SWAT模型 | 第27-31页 |
| 3.3.1 SWAT模型简介 | 第27页 |
| 3.3.2 SWAT模型发展 | 第27-28页 |
| 3.3.3 SWAT模型的原理与结构 | 第28页 |
| 3.3.4 数据处理 | 第28-29页 |
| 3.3.5 SWAT模型用于我国的注意事项 | 第29-31页 |
| 4 模型应用 | 第31-43页 |
| 4.1 基础数据预处理 | 第31-32页 |
| 4.1.1 降雨径流数据的预处理 | 第31页 |
| 4.1.2 地理信息数据的地形数据预处理 | 第31-32页 |
| 4.2 单项预测模型 | 第32-35页 |
| 4.3 SWAT模型 | 第35-43页 |
| 4.3.1 DEM图件 | 第35-37页 |
| 4.3.2 土壤信息 | 第37-39页 |
| 4.3.3 气象数据 | 第39-41页 |
| 4.3.4 运行结果 | 第41-43页 |
| 5 结论及建议 | 第43-45页 |
| 5.1 主要结论 | 第43页 |
| 5.2 建议 | 第43-45页 |
| 5.2.1 单项预测精度提高的问题 | 第43-44页 |
| 5.2.2 分布式SWAT水文系统优化问题 | 第44-45页 |
| 附录1：人工神经网络Matlab编程代码 | 第45-47页 |
| 附录2：SWAT的发展历程 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 个人简介 | 第53-55页 |
| 导师简介 | 第55-57页 |
| 获得成果目录 | 第57-59页 |
| 致谢 | 第59页 |
