| 1 绪论 | 第1-23页 |
| 1．1 研究的背景和意义 | 第11-13页 |
| 1．2 国内外研究概况 | 第13-19页 |
| 1．2．1 国内外研究现状 | 第13-15页 |
| 1．2．2 存在的问题 | 第15-16页 |
| 1．2．3 研究发展趋势 | 第16-19页 |
| 1．3 本文研究的主要内容及创新 | 第19-21页 |
| 1．3．1 研究的主要内容 | 第19-20页 |
| 1．3．2 主要创新点 | 第20-21页 |
| 1．4 研究的思路和技术路线 | 第21-23页 |
| 2 气候变化和人类活动对水文水资源的影响 | 第23-34页 |
| 2．1 气候变化的水文效应 | 第23-26页 |
| 2．1．1 气候因子对径流的影响 | 第23-24页 |
| 2．1．2 气候变化对水文水资源的影响 | 第24-26页 |
| 2．2 人类活动的水文效应 | 第26-31页 |
| 2．2．1 水利工程措施、农业及水土保持措施对水循环特性的影响 | 第27页 |
| 2．2．2 城市化对流域水循环特性的影响 | 第27-29页 |
| 2．2．3 人工侧支循环 | 第29-30页 |
| 2．2．4 人类活动对不同自然带径流的影响 | 第30-31页 |
| 2．3 气候变化和人类活动对水资源、水管理系统的影响 | 第31-32页 |
| 2．4 自然和人类活动作用下流域二元水循环模式 | 第32-33页 |
| 2．5 本章小节 | 第33-34页 |
| 3 二元模式下水文时间序列的研究方法 | 第34-52页 |
| 3．1 时间序列的一般概念 | 第34-35页 |
| 3．2 水文时间序列的频谱特性 | 第35-36页 |
| 3．3 水文时间序列的小波分析方法 | 第36-46页 |
| 3．3．1 小波分析的发展历史 | 第37-38页 |
| 3．3．2 小波分析的基本原理 | 第38-42页 |
| 3．3．3 小波分析在水文时间序列组成分析中的应用 | 第42-46页 |
| 3．4 水文时间序列中趋势项的检验 | 第46-48页 |
| 3．4．1 坎德尔（Kendall）秩次相关检验 | 第46页 |
| 3．4．2 斯波曼秩次相关检验 | 第46-47页 |
| 3．4．3 线性趋势回归检验 | 第47-48页 |
| 3．5 二元模式下河川径流描述方法 | 第48-51页 |
| 3．6 本章小节 | 第51-52页 |
| 4 二元模式下黄河和汉江径流变化规律研究 | 第52-70页 |
| 4．1 黄河径流量的多时间尺度变化 | 第52-60页 |
| 4．1．1 资料来源与分析 | 第52-55页 |
| 4．1．2 黄河上中游天然径流的多时间尺度分析 | 第55-59页 |
| 4．1．3 黄河上中游天然径流的总体趋势变化分析 | 第59-60页 |
| 4．2 黄河上中游天然径流不同时间尺度上的变化动因分析 | 第60-63页 |
| 4．2．1 气候与径流演变的关系 | 第60-62页 |
| 4．2．2 人类活动对河川径流的影响 | 第62-63页 |
| 4．3 汉江径流量的多时间尺度变化 | 第63-68页 |
| 4．3．1 基本资料来源及分析 | 第64-65页 |
| 4．3．2 汉江上游实测年径流多时间尺度分析 | 第65-66页 |
| 4．3．3 汉江上游实测年径流总体变化趋势分析 | 第66-67页 |
| 4．3．4 汉江实测年径流变化的原因分析 | 第67-68页 |
| 4．4 本章小节 | 第68-70页 |
| 5 基于小波分析的径向基神经网络年径流预测 | 第70-80页 |
| 5．1 引言 | 第70-71页 |
| 5．2 径向基（RBF）神经网络 | 第71-73页 |
| 5．2．1 径流序列预测的RBF网络表示 | 第71-72页 |
| 5．2．2 RBF网络的学习方法 | 第72-73页 |
| 5．3 径向基神经网络的建立 | 第73-74页 |
| 5．4 AR模型预测方法 | 第74-75页 |
| 5．5 径流序列预测效果分析 | 第75-79页 |
| 5．5．1 径流序列预测效果评价指标 | 第75-76页 |
| 5．5．2 径流序列预测效果 | 第76-77页 |
| 5．5．3 三门峡站多年天然年径流预测结果及实用性评价 | 第77-79页 |
| 5．6 本章小结 | 第79-80页 |
| 6 混合回归年径流序列预测模型 | 第80-88页 |
| 6．1 流域年径流的形成过程 | 第80-81页 |
| 6．2 混合回归系统水文模型的结构和算法 | 第81-85页 |
| 6．2．1 模型结构 | 第81-82页 |
| 6．2．2 算法 | 第82-84页 |
| 6．2．3 混合回归模型的显著性检验 | 第84-85页 |
| 6．3 黄河下游三门峡站年径流量多维混合回归预测及效果分析 | 第85页 |
| 6．4 三门峡站年径流量多年预测结果 | 第85-87页 |
| 6．5 本章小节 | 第87-88页 |
| 7 年径流预测的遗传模拟退火门限自回归模型 | 第88-101页 |
| 7．1 门限自回归模型 | 第89-90页 |
| 7．2 遗传模拟退火算法 | 第90-94页 |
| 7．2．1 基本遗传算法存在的缺陷 | 第90-91页 |
| 7．2．2 变异算子对遗传算法性能的影响 | 第91-93页 |
| 7．2．3 采用模拟退火算法改进的遗传算法 | 第93-94页 |
| 7．3 基于遗传模拟退火算法的门限自回归模型的求解步骤 | 第94-96页 |
| 7．4 黄河三门峡年径流预测 | 第96-99页 |
| 7．4．1 径流序列预测及其效果分析 | 第96-98页 |
| 7．4．2 三门峡站年径流量多年预测结果 | 第98-99页 |
| 7．5 本章小节 | 第99-101页 |
| 8 基于人工神经网络的天然径流的组合预测 | 第101-113页 |
| 8．1 组合预测基本理论 | 第101-103页 |
| 8．2 基于人工神经网络的非线性组合预测模型 | 第103-106页 |
| 8．2．1 模型建立 | 第103-105页 |
| 8．2．2 BP学习算法存在的问题及改进 | 第105-106页 |
| 8．3 三门峡站年径流组合预测效果分析 | 第106-108页 |
| 8．4 三门峡站天然年径流多年非线性组合预测结果及分析 | 第108-110页 |
| 8．5 月径流量预测的典型解集模型 | 第110-111页 |
| 8．6 本章小节 | 第111-113页 |
| 9 总结和展望 | 第113-116页 |
| 致谢 | 第116-117页 |
| 参考文献 | 第117-125页 |
| 附录1 | 第125-128页 |
| 附录2 | 第128-130页 |
