| 摘要 | 第8-9页 |
| 英文摘要 | 第9-10页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究的目的与意义 | 第11页 |
| 1.2 研究的现状和发展趋势 | 第11-15页 |
| 1.2.1 水文不确定性辨识的研究进展 | 第11-12页 |
| 1.2.2 确定性降水量预报方法的研究进展 | 第12-13页 |
| 1.2.3 概率水文预报的研究进展 | 第13-14页 |
| 1.2.4 集合预报的研究进展 | 第14页 |
| 1.2.5 研究中存在的问题 | 第14-15页 |
| 1.3 主要研究内容 | 第15-16页 |
| 1.4 技术路线 | 第16-17页 |
| 2 研究区概况及数据来源 | 第17-19页 |
| 2.1 地理位置 | 第17页 |
| 2.2 地形地貌 | 第17-18页 |
| 2.3 水系 | 第18页 |
| 2.4 水文气象 | 第18页 |
| 2.5 数据来源 | 第18-19页 |
| 3 降水主要影响因子辨识和不确定性分析 | 第19-30页 |
| 3.1 主要影响因子辨识 | 第19-21页 |
| 3.1.1 逐步回归分析 | 第19-20页 |
| 3.1.2 降水主要影响因子辨识 | 第20-21页 |
| 3.2 影响因子的不确定性分析 | 第21-24页 |
| 3.2.1 云模型 | 第21-22页 |
| 3.2.2 影响因子的不确定性分析 | 第22-24页 |
| 3.3 本章小结 | 第24-30页 |
| 4 确定性降水预报模型 | 第30-38页 |
| 4.1 RBF神经网络预报模型 | 第30-31页 |
| 4.1.1 RBF神经网络模型原理 | 第30-31页 |
| 4.1.2 RBF神经网络模型实现 | 第31页 |
| 4.2 RBF神经网络预报结果 | 第31-34页 |
| 4.2.1 基于降水自相关预报(AR-RBF) | 第31-33页 |
| 4.2.2 基于主要影响因子的降水预报(IF-RBF) | 第33-34页 |
| 4.3 IF-RBF模型与AR-RBF模型对比分析 | 第34-37页 |
| 4.3.1 评价指标 | 第34-35页 |
| 4.3.2 IF-RBF与AR-RBF预测结果分析 | 第35-37页 |
| 4.4 本章小结 | 第37-38页 |
| 5 基于因子不确定性的降水概率预报研究 | 第38-50页 |
| 5.1 研究方法 | 第38-40页 |
| 5.1.1 BFS概率预报原理 | 第38页 |
| 5.1.2 AM-MCMC算法 | 第38-39页 |
| 5.1.3 评价参数 | 第39-40页 |
| 5.2 实例分析 | 第40-49页 |
| 5.2.1 先验密度获取 | 第40-41页 |
| 5.2.2 影响因子的不确定性分析 | 第41-48页 |
| 5.2.3 降水概率预报 | 第48-49页 |
| 5.3 本章小结 | 第49-50页 |
| 6 基于AM-MCMC的集合降水预报模型 | 第50-56页 |
| 6.1 集合模型方法与原理 | 第50页 |
| 6.2 基于AM-MCMC的集合预报模型 | 第50-52页 |
| 6.2.1 AM-MCMC-CM模型 | 第50-51页 |
| 6.2.2 AM-MCMC-CM模型建立 | 第51-52页 |
| 6.3 结果与分析 | 第52-55页 |
| 6.3.1 权重随机特征分析 | 第52-53页 |
| 6.3.2 AM-MCMC-CM的计算结果 | 第53-54页 |
| 6.3.3 模型评价 | 第54-55页 |
| 6.4 本章小结 | 第55-56页 |
| 7 结论与展望 | 第56-58页 |
| 7.1 结论 | 第56页 |
| 7.2 展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-67页 |
| 攻读硕士学位期间发表的学术论文 | 第67页 |
