摘要 | 第10-12页 |
英文摘要 | 第12-13页 |
1 绪论 | 第14-21页 |
1.1 研究目的及意义 | 第14页 |
1.2 研究现状和发展趋势 | 第14-19页 |
1.2.1 降水量预测研究进展 | 第14-16页 |
1.2.2 集合预测研究进展 | 第16-18页 |
1.2.3 概率水文预报研究进展 | 第18页 |
1.2.4 研究中存在问题 | 第18-19页 |
1.3 主要研究内容 | 第19-20页 |
1.4 技术路线 | 第20-21页 |
2 研究区域概况 | 第21-23页 |
2.1 地理位置 | 第21页 |
2.2 地形地貌 | 第21页 |
2.3 河流水系 | 第21-22页 |
2.4 气候特征 | 第22页 |
2.5 本章小结 | 第22-23页 |
3 基于集对分析的降水量主要影响因子识别 | 第23-28页 |
3.1 集对分析的原理 | 第23-25页 |
3.1.1 集对分析的基本思想 | 第23-24页 |
3.1.2 联系度的确定 | 第24-25页 |
3.1.3 联系数的确定 | 第25页 |
3.2 降水量主要影响因子识别与相关分析 | 第25-27页 |
3.2.1 构造集对与制定分类标准 | 第25页 |
3.2.2 联系度的计算 | 第25-27页 |
3.2.3 降水量主要影响因子识别与相关分析 | 第27页 |
3.3 本章小结 | 第27-28页 |
4 单一降水预报模型的模拟与预测 | 第28-40页 |
4.1 基于密度参数的RBF神经网络降水预报模型 | 第28-35页 |
4.1.1 RBF神经网络模型 | 第28-29页 |
4.1.2 RBF网络的学习算法 | 第29-30页 |
4.1.3 基于密度参数的K-means算法 | 第30-31页 |
4.1.4 基于密度参数K-means算法的RBF-ANN模型 | 第31-35页 |
4.2 灰色GM(1,N)降水预报模型 | 第35-39页 |
4.2.1 灰色系统基本理论 | 第35页 |
4.2.2 灰色预测模型 | 第35-37页 |
4.2.3 GM(1,4)模型的模拟和预测 | 第37-39页 |
4.3 本章小结 | 第39-40页 |
5 集合降水预报模型的模拟与预测 | 第40-55页 |
5.1 集合预测方法的基本理论 | 第40页 |
5.2 集合模型效果评价指标 | 第40-41页 |
5.3 基于信息熵的集合预测模型 | 第41-44页 |
5.3.1 信息熵的基本原理 | 第41-42页 |
5.3.2 基于信息熵的集合降水预测模型 | 第42-43页 |
5.3.3 IE-CM模型的模拟和预测 | 第43-44页 |
5.4 基于集对原理的集合预测模型 | 第44-48页 |
5.4.1 基于集对原理的集合降水预测模型 | 第44-45页 |
5.4.2 SPA-CM模型的模拟和预测 | 第45-48页 |
5.5 基于AM算法的集合预测模型 | 第48-53页 |
5.5.1 Adaptive Metropolis(AM)算法 | 第49-50页 |
5.5.2 MCMC的收敛准则 | 第50页 |
5.5.3 基于AM算法的集合降水预测模型 | 第50-51页 |
5.5.4 集合概率降水预报 | 第51-53页 |
5.6 对比分析 | 第53-54页 |
5.7 本章小结 | 第54-55页 |
6 贝叶斯概率降雨预报模型 | 第55-65页 |
6.1 水文不确定性的来源 | 第55-56页 |
6.2 Bayesian概率降雨预报的原理 | 第56-58页 |
6.2.1 Bayesian概率降雨预报的特点 | 第56页 |
6.2.2 Bayesian概率降雨预报的原理 | 第56-57页 |
6.2.3 水文不确定处理器 | 第57-58页 |
6.3 Bayesian概率降雨预报模型的构建 | 第58-59页 |
6.4 实例应用 | 第59-64页 |
6.4.1 基础数据 | 第59页 |
6.4.2 各月降雨量先验密度的确定 | 第59-60页 |
6.4.3 似然函数的创建 | 第60-62页 |
6.4.4 各月降雨量后验密度的求解 | 第62页 |
6.4.5 Bayesian概率降雨预报 | 第62-64页 |
6.5 本章小结 | 第64-65页 |
7 结论与创新点 | 第65-67页 |
7.1 结论 | 第65页 |
7.2 创新点 | 第65-67页 |
致谢 | 第67-68页 |
参考文献 | 第68-74页 |
攻读硕士学位期间发表的学术论文 | 第74页 |