一、一种两分类预报因子筛选方法（论文文献综述）
赵泽谦[1]（2021）在《多模型融合的水文集合概率预报方法研究》文中研究表明准确、可靠的水文预报是水资源开发利用的基础。如何进一步提高预报精度,同时准确量化或表征预报的不确定性,是现阶段水文预报领域的热点和难点问题。集合概率预报以概率或区间的形式表征预报的不确定性,是未来水文预报的重点发展方向。因此,开展水文集合概率预报研究,对于科学指导水库运行调度,充分发挥水资源的综合利用效益,具有重要的理论意义和实际应用价值。本论文以汉江上游黄金峡水库入库径流集合概率预报为研究对象,在构建多个单一预报模型的基础上,提出了一种基于多模型随机组合的径流集合概率预报方法（SCMM）。将SCMM方法与贝叶斯模型平均（BMA）方法进行对比,以论证所提方法的合理性和有效性。论文主要工作及结论如下:（1）搭建了涵盖线性与非线性,白箱与黑箱,物理概念与数据驱动的多种径流预报模型。采用多方法筛选预报因子,构建人工神经网络模型（BP）、多元线性回归模型（MLR）、支持向量机模型（SVM）、随机森林模型（RF）、极限学习机模型（ELM）、径向基神经网络模型（RBF）、两参数月水量平衡模型（TPWB）7种单一确定性预报模型,采用平均绝对误差（MAE）、纳什效率系数（NSE）、均方根误差（RMSE）、平均百分比误差（MAPE）,以及拟合优度系数（R2）作为确定性预报评价指标以评定预报结果。结果表明:7种模型在检验期中NSE均在0.65以上;拟合优度系数R2在0.80以上,其中SVM、ELM的NSE最优、TPWB的NSE最差。ELM检验期的RMSE、MAE、MAPE分别为81.5m3/s、49.3m3/s、0.41%,综合误差最小;TPWB分别为102m3/s、72.2m3/s、0.8%,综合误差最大。（2）构建了基于BMA方法的径流集合概率预报模型。采用MCMC-DREAM抽样算法计算模型参数的后验分布,通过DREAM算法估计模型的最佳参数。采用平均相对区间宽度、区间覆盖度和连续排位概率评分作为集合概率预报结果的评价指标,对比了基于同参数方差正态分布、异参数方差正态分布以及伽马分布三种分布作为后验分布的BMA模型。结果表明:基于同参数方差正态分布构造的BMA模型RMSE最高;异参数方差正态分布构造的BMA模型在三个模型中RMSE最低。相较于确定性预报模型中最优的ELM模型,BMA模型的RMSE、MAE略低于ELM,但拟合优度系数R2优于ELM。（3）构建了基于SCMM方法的径流集合概率预报模型。对单一确定性模型进行组合,并以随机加权方式建立集合预报模式,采用多目标遗传算法率定集合预报成员模型权重的上下限,最终得到预报样本和能够量化预报不确定性的预报区间。结果表明:SCMM模型的区间覆盖度为95%,高于BMA模型（80%）,且SCMM模型的预报区间在低流量时较小,在高流量时较大,更能真实地反映预报的不确定性,SCMM模型的区间预报性能更优;SCMM模型的连续概率评分为4.37,BMA模型的为53.7,SCMM模型的概率预报性能更优。SCMM均值预报的RMSE为22.4 m3/s,BMA均值预报的RMSE为85.7 m3/s,SCMM模型的均值预报误差远小于BMA模型。尽管SCMM模型预报平均区间宽度高于BMA模型,但考虑到该集合预报方法结构简单、参数较少,区间及概率预报性能更优。因此,所提出的SCMM方法在实际作业预报中仍具有一定的竞争力。
杨家鑫[2]（2021）在《基于改进GWO优化SOM-SVR算法的地震震级预报研究》文中认为地震作为破坏性极强的自然灾难之一,给人类带来的教训是惨痛的,而有效的地震预报可以减少人员伤亡和经济损失。导致地震的因素繁多但其因素之间存在非线性关系,随着计算机技术飞速发展,使得机器学习模型解决复杂的、非线性的问题广泛进入应用。本文使用MATLAB和python平台,在地震震级预报这一领域内使用自组织特征映射神经网络（SOM）和支持向量回归算法（SVR）提高预报精度。本文首先介绍了机器学习模型在地震预报领域的研究现状,针对地震数据差异性较大且分散,利用SOM和SVR两种模型相结合以提高震级预测的精度和稳定性,同时提出一种改进的灰狼算法（GWO）优化SVR参数,改进的灰狼算法解决了在参数寻优过程中易陷入局部最优的缺陷。在对研究地区的选取上,本文详细地介绍四川是一个多震地区并说明了多震的原因。对于提取模型的输入特征向量,通过查阅大量的相关文献,选取了部分前兆地震预报因子作为模型的输入,并对其进行归一化处理确保模型的收敛和预测精度。针对地震数据样本的分散性大问题,本文采取SOM进行聚类确保组合模型的精度。SVR模型作为从统计学理论的基础上发展起来的有导师学习算法,其基本原理是基于结构风险最小化,尽可能提高模型的泛化能力,SVR模型在解决小样本和非线性样本都表现出较强的优势,针对地震数据样本少,选择SVR模型具有很大的优势。因此,它不仅满足了对训练样本规模的要求,又保证了预测的精确度。虽然SVR具有较好的预测精度,但是SVR参数C和g对于预测影响结果较大,得到一个最优参数对输出结果是至关重要的,本文提出改进的灰狼算法对SVR参数C和g进行全局寻优。利用改进GWO算法对SVR模型的参数寻优处理得到一个最优的参数,保证了组合模型输出结果。最后将组合模型（SOM-GWO-SVR）的输出结果经过反归一化处理,同时与传统的SVR的输出结果相比较,得到几种模型的输出结果误差图,一方面,说明本文提出组合模型在地震预测研究是可行;另一方面,验证本文提出的模型与其他组合模型相比,具有较高的精度和较强的鲁棒性,同时本文还讨论将该模型通过迁移学习应用到地震较频繁的我国台湾地区,验证了该模型的外用能力。
徐敏,赵艳霞,张顾,高苹,杨荣明[3]（2021）在《基于机器学习算法的冬小麦始花期预报方法》文中研究说明该研究采用机器学习算法,明确冬小麦始花期的主要气象影响因子,并建立始花期预报模型。基于1980-2019年江苏省10个观测点冬小麦生育期观测资料和逐日气象数据,应用随机森林（Random Forest,RF）、反向神经网络（Back Propagation,BP）、多元线性回归（Multiple Linear Regression,MLR）3种算法分别建立始花期预报模型,以决定系数、均方根误差、预报准确率为评判指标,对模型模拟精度进行比较分析。结果表明,温度类因子对始花期影响的重要性明显大于降水类和日照类。基于筛选出的重要特征变量,3种算法建立的始花期预报模型均可在4月初对始花期进行预报,最迟可提前5d预报,最早可提前32d预报;RF算法模拟精度最高,BP算法次之,MLR算法相对低一些;RF算法能准确模拟出始花期波动趋势,大部分站点的始花日期预报准确率都在85.0%以上,表明RF算法在始花期预报中有较高的可靠性和业务应用潜力。
李宁宁[4]（2021）在《基于风险分摊的梯级水库汛期水位动态控制及决策研究》文中认为我国水能资源蕴藏量十分丰富,但季节间水资源分布差异显着。水库是一种挖掘水能资源潜力,有效缓解地区水资源分布不均衡的工程措施,可将流域的径流资源存蓄起来,以保障枯水期水资源供给。但是,水库汛期往往承担着艰巨的防洪任务,需要将运行水位控制在防洪限制水位以下,这与水库以水头、水量为基础的发电、供水等需求形成矛盾冲突。随着全球气候变暖,各流域气象水文条件发生显着改变,伴随着调度技术、风险分析能力及应急处置机制日趋完善,规划阶段设计的汛限水位已无法满足现阶段综合利用要求。在防洪风险可控的条件下,适当抬高汛期运行水位,对于提高水库综合利用效益、实现水能资源高效利用具有重要现实意义。本文以金沙江流域溪洛渡-向家坝梯级水库为研究对象,基于统计学、管理学、运筹学、控制论等理论,综合运用黑箱模型、大数据、智能算法、前景理论等方法,以梯级水库汛期运行水位动态控制为研究背景,围绕防洪和发电两个目标,构建了以径流分析及预报为基础,基于“空间风险分摊”的梯级水库联合运行水位动态控制域推求模型,进一步分析了梯级水库水位动态控制组合方案的防洪风险和发电效益,并通过多目标群决策模型进行方案优选,实现了预报-调度-风险效益分析-决策的系统性结合,旨在于风险可控的条件下提高梯级水库汛期发电效益,完善梯级水库汛期运行水位控制理论和方法,为水库平稳安全运行提供技术支撑。主要取得了如下成果:（1）基于径流划分和预报因子筛选的中长期径流预报模型。首先综合运用MK检验、RS检验等方法对溪洛渡历史入库径流序列进行了变化趋势分析;针对现有径流预报未能考虑到径流序列特征的不足,提出了一种基于径流序列特征聚类的径流划分方法,通过K-means聚类方法将历史径流划分为丰、平、枯三种典型类别,根据待预报径流特征,以相应类别的前期径流序列作为预报因子,通过MIC法筛选出相关性强的预报因子作为BP人工神经网络的输入,可以改善神经网络输入侧的条件,提高中长期径流预报精度。（2）基于空间风险分摊思想的梯级水库汛期运行水位动态控制模型。在分析溪洛渡-向家坝梯级汛期运行水位抬高的可行性的前提下,针对梯级水库异步蓄水可能造成系统风险发生时间提前的问题,提出了“等比例蓄水”原则来优化梯级水库防洪库容分配方式,以降低系统风险;在溪洛渡-向家坝调洪规则的基础上考虑“等比例蓄水”原则,推求出了两库汛期联合运行水位动态控制域,从而制订出梯级水库汛期运行水位组合方案,并开展不同水位组合方案的防洪风险分析,为实现洪水资源化利用奠定基础。（3）基于改进电子搜索算法的梯级水库联合优化调度模型。以溪洛渡-向家坝汛期不同水位组合方案为约束条件,建立了两库联合发电优化调度模型;针对电子搜索算法在求解梯级水库优化调度问题时存在搜索空间越限和搜索效率不高的问题,提出可行域内搜索策略以保证每次迭代的个体都是可行解,并采用参数自适应方法以提高算法前期全局搜索速度和后期的局部搜索能力;将改进电子搜索算法与其他算法对比,验证了算法在求解效率方面的优越性;将其应用于溪洛渡-向家坝联合发电优化调度模型的求解,从而优化年内水量分配过程,争取更高的发电效益。（4）基于累积前景理论的专家群体满意度最大群决策模型。建立了基于风险-效益指标的溪洛渡-向家坝汛期运行水位方案决策指标体系;采用组合赋权优化方法以获得兼顾指标排序度和重要度的指标权重;通过累积前景理论获得贴近实际决策心理的个人决策结果,在此基础上根据专家满意度最大原则建立群决策模型,求解出与所有参与决策的专家个人决策结果最贴切的方案作为群决策结果。优选出的方案权衡了风险和效益,可以为实现水资源高效利用提供参考。
宫哲[5]（2021）在《基于集成学习的太阳质子事件短期预报》文中认为太阳质子事件是一种由太阳活动引发的有害空间天气现象,会将大量的高能粒子传播到近地空间,造成航天器故障,并且会对宇航员的健康造成严重伤害。因此,太阳质子事件的短期预报,对于航天活动的灾害预防有着非常重要的意义。近几十年来,国内外研究人员针对未来24小时内太阳质子事件发生情况的预报,提出了大量的方法。这些方法中普遍存在着虚报率较高的问题。本文在国内外研究进展的基础上,提出了一种基于集成学习方法的预报模型,在模型中集成了多种广泛使用的机器学习方法。本文首先以太阳耀斑,CME,太阳黑子相关特征作为预报因子,并由太阳质子事件发生与否作为标签,建立了预报数据集,并对整个数据集进行了预报因子的优化。随后,基于8种广泛使用的机器学习方法建立模型,经过对模型参数调优,预报因子筛选,获得了一个集成预报模型。该模型对24小时内太阳质子事件是否发生进行预报,报准率高达80.95%,同时虚报率仅有19.05%,F1值达到了0.8095,相比现有的质子事件预报方法获得了明显的进步。在完成了对24小时内太阳质子事件是否发生的预报工作后,本文又进行了预报更长时间范围的太阳质子事件的探索,并构建了预报48小时和72小时内太阳质子事件是否发生的集成模型。二者的表现相较24小时模型有一定差距,但是依然拥有较高的报准率和较低的虚报率,在航天活动中投入使用,可以将太阳质子事件预防的时间提前一到两天。本文的研究为利用机器学习方法构建准确率更高,稳定性更好的太阳质子事件短期预报模型提供了技术积累,所提出的方法可以扩展到多种空间天气和现象的预报领域,也为日后SMILE卫星等空间探测器的观测数据的研究提供了应用思路。
吕盼成[6]（2021）在《基于集成学习的雅砻江流域中长期径流预报研究》文中进行了进一步梳理中长期径流预报对水库优化调度及水资源优化开发利用都有着重要的意义。针对雅砻江流域地面气象站点不足、分布不均从而导致难以获得精确的流域面降雨资料,以及传统中长期径流预报模型的泛化能力有限的问题,将卫星降雨数据结合集成学习进行中长期径流预报研究,对提高中长期径流预报精度具有一定的理论意义和实际应用价值。本文首先以1998-2015年14个地面站点实测数据为参考,综合评价了热带降雨观测卫星（Tropical Rainfall Measuring Mission,TRMM）3B43 产品的降雨数据在雅砻江流域的精度,并采用反距离权重插值法对站点实测降雨数据在流域内进行空间插值,将插值结果与卫星降雨数据空间分布特征进行了对比分析;在此基础上,将径流数据与锦屏一级坝址以上集水区的平均卫星降雨和九龙站实测降雨进行相关性分析;其次,将历史径流、月平均气温、月平均水汽压、月平均湿度以及锦屏一级坝址以上集水区的平均卫星降雨数据作为预报因子,分别采用基于Boosting算法的梯度提升回归树GBRT（Gradient Boosting Decision Tree）和极端梯度提升树XGBoost（Extreme Gradient Boosting）、基于 Bagging 算法的随机森林 RF（Random Forest）和极端随机树ET（Extreme Random Tree）四种算法作为预报模型对锦屏一级水库月平均入库流量序列进行预报,并对预测结果进行对比分析;最后,进一步选用其中预测效果较好的ET、XGBoost作为初级学习器,以Lasso回归作为次学习器,采用5折交叉验证进行Stacking集成学习进行建模并进一步对径流进行的预测,从而得到更为精确的预报结果,为锦屏一级水库中长期径流预报提供了新的可行思路。
崔元元[7]（2021）在《基于关键期径流预报的水库群联合调度研究》文中研究表明随着社会经济的不断发展,为解决区域水资源紧缺问题,我国建设了许多跨流域调水工程。跨流域调水工程的联合优化调度需要同时兼顾供水和受水流域水库（群）的防洪、供水、发电、生态环境等目标要求,难于求解与决策。目前,跨流域引水工程调水决策研究已取得丰硕的研究成果。然而,现存跨流域调水工程联合调度所建的模型过于复杂,决策预见期过短,操作比较繁琐,不便于实际应用。水库年内入库径流的丰枯特性往往与丰水期入库径流的一致,而受水流域年内引水后是否发生弃水取决于年内丰水期的调度决策。因此,论文将以大伙房跨流域引水工程（D水库为受水流域,HJ流域梯级水库群）为研究背景,开展基于关键期径流预报和引水约束条件下的跨流域水库群联合优化调度研究。研究首先分析供水与受水流域的来水规律及其丰枯互补规律;其次,开展D水库引水关键期（5～10月份）入库径流预报方法研究;然后,开展基于引水关键期径流预报信息的D水库引水调度研究;最后,基于引水决策策略,开展HJ梯级水库群发电调度研究。研究取得的主要成果如下:（1）HJ梯级水库群和D水库的来水规律及其互补特性研究。针对大伙房跨流域引水工程的供水与受水流域联合调度中存在调度复杂且水资源利用效率不高的问题,论文通过分析供水、受水流域来水规律及补偿特性,提出了首先研究基于引水关键期径流的D水库引水调度,然后将基于引水决策策略,研究HJ梯级水库群发电调度的研究思路。（2）D水库引水关键期（5～10月份）入库径流预报研究。首先,构建了耦合遗传算法的BP神经网络模型（GA-BP）和SVM模型（GA-SVM）;然后,采用随机森林模型、互信息法和相关系数法筛选预报因子,作为模型输入;最后,对各种预报方法结果进行对比分析。结果表明,以随机森林筛选的预报因子作为输入,采用GA-SVM模型的预报结果最优,其预报结果的丰枯分级合格率达到80%及以上,且预报量级与实际量级相差不超过一级。（3）D水库基于引水关键期径流预报信息的优化调度方式研究。首先,以引水量最小为目标函数建立调度模型;然后,采用逐步优化算法（POA）,分别对常规调度方式以及考虑引水关键期径流预报信息的调度方式进行优化,制定调度规则;最后,对比分析常规调度与预报调度结果,并分析预报失误对水库运行调度的影响。结果表明,D水库考虑引水关键期径流预报信息的引水优化调度,与常规引水优化调度相比,多年平均引水量减少139.28×106 m3,约为7.9%,多年平均弃水量减少134.35×106 m3,约为32.1%,不仅提高了引水效率,而且提高了当地水资源的利用率。（4）基于引水决策策略的HJ梯级水库群发电调度研究。首先,以基于引水关键期径流预报信息的D水库引水调度决策作为约束,对HJ梯级水库群发电调度进行优化,得到优化调度图;其次,对HJ梯级水库群进行优化调度,得到年内各时段可供水量;然后,以HJ梯级水库群时段可供水量作为输入,重新优化D水库引水调度规则;最后,分别采用常规调度和优化调度方式,对整个系统进行联合调度,并对调度结果进行对比分析。结果表明,大伙房跨流域引水工程供水和受水流域联合调度,采用优化调度与常规调度相比整个系统的水资源利用效率有了较大的提高,HJ梯级水库群多年平均发电量提高了0.71×108 kw·h,约9.8%,D水库多年平均引水量减少了150.8×106 m3,约9.8%,弃水量均减少了134×106 m3,约28.2%,且供水量及供水保证率均有所提高。
陈胥良[8]（2021）在《耦合中长期径流预报的跨流域引水供水联合调度研究》文中认为水资源分布不均以及社会经济快速发展导致我国水资源供需矛盾突出,修建跨流域引水工程是解决该问题的重要工程措施。科学合理的跨流域引水规则决定了跨流域引水工程的引水效率,是充分发挥跨流域引水工程作用的关键。如何有效地利用预报信息制定引水规则,保障引水的有效性,是亟待解决的关键问题。因此,本文选取碧流河-大伙房引水工程为研究对象,首先研究中长期径流预报因子筛选方法,以提高预报精度;在此基础上,耦合利用预报信息制定最优引水调度规则;最后,分析预报不确定性对引水效率的影响。主要研究内容及成果如下:（1）对碧流河水库的中长期径流预报进行研究。针对中长期径流预报中备选因子数量显着大于数据样本的情况,采用稳定性选择方法筛选径流预报因子;在此基础上,利用BP神经网络模型,建立碧流河水库的月径流预报模型、不同时刻预报汛期径流总量的预报模型。结果表明,相比于互信息的因子筛选法,基于稳定性选择的因子筛选法所建立的模型的预报精度更高。（2）在中长期径流预报研究的基础上,开展跨流域引水供水联合预报调度研究。首先,仅考虑中期径流预报信息,设置多组预报调度方案,这些方案分别在汛期、非汛期的不同月份利用中期径流预报来优化引水、供水调度规则。通过比较不同方案的调度结果,分析中期径流预报信息在全年不同时期的有效性,确定最优的考虑中期径流预报的调度方式。基于最优的中期预报调度方式,进一步考虑长期径流预报信息,利用长期径流预报信息确定时段引水上下限,进一步优化引水规则。本研究设置多组耦合考虑中长期径流预报的调度方案,这些方案分别在不同月份利用中期径流预报、长期径流预报来优化引水、供水调度规则。通过对比各方案的调度结果,分析中长期径流预报耦合利用的最优方式。（3）在最优的耦合中长期径流预报的调度方式的基础上,分析预报不确定性对跨流域引水调度的影响规律。随机生成不同预报误差的中长期径流预报,利用预报信息完成优化调度,分析预报不确定性对引水效率的影响。
唐思维[9]（2021）在《基于气候因子及SEAS5降水预报的桓仁流域汛期径流预报》文中研究表明随着经济社会的迅速发展,人们对于水资源的需求不断提高,水资源的供需矛盾也日益突出,而我国的水资源管理也因此面临严峻挑战。径流作为水资源的重要表现形式,提高其预测能力可为水资源管理提供重要帮助,而汛期作为径流的主要集中时段,开展汛期径流预报对于提高流域水资源管理能力更具现实意义。为此,本文以桓仁流域为研究对象,分别构建了基于气候因子和SEAS5降水预报的汛期及其各月的径流预报模型,并针对气候因子筛选、降水预报评估及校正、径流预报校正进行了相关研究。主要研究内容如下:（1）提出了一种基于CFS指标的因子筛选方法,构建了基于大气环流、海温等气候因子的汛期径流预报模型,并定量分析了降水与流域初始状态对径流的影响程度。首先,结合产流原理,利用r-CFS与MIC-CFS对流域初始状态因子和气候因子进行筛选;接着,根据所筛因子构建汛期径流总量及其各月的径流预报模型;然后,将该结果与基于前向搜索包裹法的径流预报结果进行对比分析,以验证CFS指标有效性以及r-CFS与MIC-CFS适用性;最后,基于实测降水数据,利用随机森林构建径流预报模型,定量分析降水和流域初始状态对径流的影响程度。结果表明:前期气候因子能在一定程度上反映未来气候信息,可有效应用于汛期径流预报;相比于前向搜索包裹法,基于CFS指标的因子筛选方法能在保证因子筛选效果的前提下提高因子筛选效率;相比于r-CFS,MIC-CFS指标能够更好地衡量预报因子集与汛期径流之间的关系;对于汛期和七月径流,降水具有主导作用,其影响程度分别为0.92、0.86,而其他时段,降水和流域初始状态均具有重要影响,其中降水的影响程度为0.55-0.63。（2）评估了SEAS5降水预报产品在桓仁流域汛期及汛期各月的适用性,建立了基于贝叶斯联合概率模型的降水预报校正模型,从系统偏差、可靠性、锐度、预报技巧四个方面对SEAS5原始降水预报及校正后的降水预报进行评估。结果表明,原始预报均存在较大系统偏差,预报可靠性存在不足,且受偏差和可靠性影响,不同时段内大部分预见期的预报技巧得分为负值;而经校正后,预报的系统偏差得到有效消除,可靠性得到较大改善,且除少部分预报因锐度下降而技巧降低外,绝大部分预报技巧得到提升,整体精度得到提高。总体来看,SEAS5降水预报在桓仁流域具备潜在的应用价值。（3）开展了基于SEAS5降水预报的汛期径流预报,建立了基于贝叶斯联合概率模型的径流预报校正模型。对原始和校正径流预报的确定性结果（集合均值）与概率预报结果进行评估,并将该结果与基于气候因子的径流预报结果对比,评价其可利用性。结果表明,校正后的确定性径流预报结果中,除8月的合格率由93%降低至89%外,其余时段均得到提高,将该结果与基于气候因子的结果对比,除六月之外的所有时段,基于SEAS5降水预报的径流预报均有提高;而校正后的概率径流预报结果中,各月预报可靠性均得到改善,且低技巧预报的整体精度均得到较大提升。总体来看,SEAS5降水预报可较好地应用于桓仁流域汛期径流预报,能够为该流域水资源管理工作提供一定支撑。
朱春苗[10]（2021）在《松花江流域中长期径流预报研究》文中提出潜在预报因子的选取是将数据驱动的径流预报模型应用于实际工程的关键问题之一。国内外研究学者多聚焦于预报模型的优化与改进、模型参数优化方法的研究和不同预报模型、不同参数优化方式的对比分析,而对于因子优选方案的综合对比分析及其适用性的研究较少。为提取更多有效的预报信息从而提高模型的模拟精度,本文引入74项大气环流指数,与流域代表站点的降水、径流水文序列一同参与径流预报输入因子的优选,以相关分析法（CA）、基于相关分析的主成分分析法（CA-PCA）、互信息法（MI）及基于互信息的主成分分析法（MI-PCA）4种因子优选方案下不同筛选结果作为多元线性回归法（MLR）、支持向量回归模型（SVR）、BP神经网络模型（B P）的输入,对松花江流域佳木斯水文站的月平均流量进行预报,得出适用于松花江流域径流预报的潜在影响因子筛选方案与预报模型。主要结论如下:（1）在松花江流域上,径流与大气环流指标间存在明显的空间特征,其相关性从上游到下游逐渐增加。前滞期为1个月时的大气环流指标、上游三站（扶余站、大赉站及哈尔滨站）月平均径流量和佳木斯站月平均降雨量与佳木斯月平均径流量相关性最大,确定大气环流指标和水文影响因子的最佳预报前滞期均为一个月。（2）在MLR模型下,预报效果MLR-CA-PCA>MLR-CA>MLR-MI-PCA>MLR-MI。CA方案中,预报效果MLR-CA7>MLR-CA4>MLR-CA3,但合格率均未达到丙等水平,整体效果并不理想;CA-PCA方案中,MLR-CA-PCA4拟合效果最优,MLR-CA-PCA3与MLR-CA-PCA7拟合曲线基本重合,三组方案预报结果达到了丙级预报水平;MI与MI-PCA效果较差。在SVR模型下,预报效果SVR-CA-PCA>SVR-CA>SVR-MI-PCA>S VR-MI。CA方案中,SVR-CA7>SVR-CA3>SVR-CA4,其中SVR-CA7的QR为71.67%,达到乙等水平;CA-PCA方案中,SVR-CA-PCA7>SVR-CA-PCA4>SVR-CA-PCA3,其中SVR-CA-PCA7的QR为73.33%,达到乙等水平,相较于其它两种方案明显变好;MI与MI-PCA效果也较差。在BP神经网络模型下,预报效果BP-CA-PCA>BP-CA>BP-MI-PCA和BP-MI。CA方案中,BP-CA3>BP-CA7>BP-CA4;CA-PCA方案中,BP-CA-PCA7>BP-CA-PCA4>BP-CA-PCA3,其中BP-CA-PCA7的RMSE为827.58m3/s,R2为0.81,Q R为78.33%。MI与MI-PCA效果同样较差。（3）CA优选因子方案,在SVR模型的拟合下取得了最好的预报效果,其次为BP神经网络模型,最后为MLR模型。CA-PCA优选因子方案,在BP神经网络模型的拟合下取得了最好的预报效果,其次为SVR模型,最后为MLR模型。CA与CA-PCA最佳拟合方案均为输入因子为7项时的因子组合。MI与MI-PCA两种因子优选方案选出的因子组合在三种径流预报模型的拟合下,拟合效果均不理想。（4）得到最优预报结果的模型为BP神经网络模型,输入因子组合为CA-PCA7。其次为输入因子组合为CA-PCA7的SVR模型。
二、一种两分类预报因子筛选方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种两分类预报因子筛选方法（论文提纲范文）
（1）多模型融合的水文集合概率预报方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 确定性水文预报 |
| 1.2.2 水文集合概率预报研究进展 |
| 1.2.3 现存问题及发展趋势 |
| 1.3 汉江流域概况及研究基本资料 |
| 1.4 研究内容及技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 2 入库径流单一确定性预报模型研究 |
| 2.1 预报因子的筛选方法 |
| 2.1.1 相关系数法 |
| 2.1.2 逐步回归方法 |
| 2.1.3 互信息法 |
| 2.1.4 最大信息系数法 |
| 2.2 单一确定性径流预报模型研究 |
| 2.2.1 多元线性回归模型 |
| 2.2.2 BP神经网络模型 |
| 2.2.3 支持向量机模型 |
| 2.2.4 极限学习机模型 |
| 2.2.5 两参数月水量平衡模型 |
| 2.2.6 径向基神经网络模型 |
| 2.2.7 随机森林预测模型 |
| 2.3 预测结果评价指标 |
| 2.4 单一确定性径流预报分析 |
| 2.4.1 优选预报因子 |
| 2.4.2 各模型预测结果分析与评价 |
| 2.5 本章小结 |
| 3 基于贝叶斯模型平均方法的径流集合概率预报方法研究 |
| 3.1 BMA基本原理 |
| 3.1.1 高斯混合模型-期望最大化算法 |
| 3.1.2 MCMC-DREAM抽样算法 |
| 3.2 集合概率预报评价指标 |
| 3.3 BMA模型参数率定 |
| 3.4 BMA集合概率预报结果 |
| 3.5 本章小结 |
| 4 基于多模型随机组合的径流集合概率预报方法研究 |
| 4.1 组合预报模型 |
| 4.2 基于多模型随机组合的集合概率预报模型 |
| 4.2.1 组合权重多目标优化 |
| 4.2.2 多属性决策优选权重 |
| 4.3 SCMM集合概率预报结果 |
| 4.4 SCMM与 BMA预报结果对比分析 |
| 4.5 本章小结 |
| 5 结论和展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读研究生期间主要研究成果 |
（2）基于改进GWO优化SOM-SVR算法的地震震级预报研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 地震预报技术研究现状 |
| 1.2.2 机器学习的发展 |
| 1.2.3 机器学习在地震震级预报中的应用研究现状 |
| 1.3 本文的主要研究内容和章节安排 |
| 第二章 自组织特征映射神经网络 |
| 2.1 人工神经网络 |
| 2.1.1 人工神经网络基本结构 |
| 2.1.2 人工神经网络训练过程 |
| 2.1.3 人工神经网络基本特点 |
| 2.2 SOM神经网络 |
| 2.2.1 SOM基本思想 |
| 2.2.2 SOM训练规则 |
| 2.2.3 SOM学习算法 |
| 2.3 本章小结 |
| 第三章 基于改进GWO优化支持向量机回归算法 |
| 3.1 SVR模型选择 |
| 3.1.1 拟合决定系数R~2 |
| 3.1.2 交叉验证 |
| 3.1.3 模型选择 |
| 3.2 支持向量机回归算法 |
| 3.2.1 支持向量机算法基本原理 |
| 3.2.2 影响支持向量机回归算法的因素 |
| 3.2.3 支持向量机回归算法的应用与特点 |
| 3.3 灰狼优化算法简介 |
| 3.3.1 灰狼现象 |
| 3.3.2 灰狼优化算法 |
| 3.3.3 改进灰狼优化算法 |
| 3.4 本章小结 |
| 第四章 SOM-GWO-SVR在地震震级预报中的应用 |
| 4.1 实验样本数据的选取与处理 |
| 4.1.1 数据选取 |
| 4.1.2 地震预报因子选取与计算 |
| 4.1.3 数据归一化处理 |
| 4.2 地震震例应用 |
| 4.2.1 构建自组织特征映射神经网络聚类 |
| 4.2.2 基于改进灰狼算法寻优SVR参数 |
| 4.2.3 地震预测结果 |
| 4.2.4 模型外推 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 主要贡献总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 个人简历 |
| 致谢 |
（3）基于机器学习算法的冬小麦始花期预报方法（论文提纲范文）
| 0 引言 |
| 1 资料与方法 |
| 1.1 数据资料 |
| 1.2 资料预处理和区域划分 |
| 1.3 方法介绍 |
| 1.3.1 随机森林算法 |
| 1.3.2 反向神经网络算法 |
| 1.3.3 多元线性回归算法 |
| 1.3.4 模型精度评价方法 |
| 2 结果与分析 |
| 2.1 冬小麦始花期基本特征 |
| 2.2 影响始花期的预报因子筛选及其评价 |
| 2.3 基于3种算法的始花期预报模型构建和精度对比 |
| 2.3.1 基于RF算法建立始花期预报模型 |
| 2.3.2 基于BP算法建立始花期预报模型 |
| 2.3.3 基于多元线性回归算法建立始花期预报模型 |
| 2.3.4 3种算法的模拟精度比较 |
| 3 讨论 |
| 4 结论 |
（4）基于风险分摊的梯级水库汛期水位动态控制及决策研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 中长期径流预报 |
| 1.2.2 汛期运行水位动态控制 |
| 1.2.3 梯级水库联合优化调度 |
| 1.2.4 多目标决策 |
| 1.3 目前存在的主要问题及发展趋势 |
| 1.4 主要研究内容 |
| 第2章 溪洛渡径流特性分析及中长期径流预报模型 |
| 2.1 引言 |
| 2.2 研究区域概况 |
| 2.3 径流特性分析 |
| 2.3.1 径流年内分配 |
| 2.3.2 径流年际变化 |
| 2.4 基于径流划分和预报因子筛选的中长期径流预报 |
| 2.4.1 基于K-means聚类法的径流划分 |
| 2.4.2 基于MIC的预报因子筛选方法 |
| 2.4.3 基于BP人工神经网络的中长期径流预报模型 |
| 2.5 实例应用 |
| 2.5.1 径流丰平枯划分及代表年选取 |
| 2.5.2 预报因子筛选 |
| 2.5.3 中长期径流预报 |
| 2.6 本章小结 |
| 第3章 溪洛渡-向家坝汛期联合运行水位动态控制 |
| 3.1 引言 |
| 3.2 研究区域概况 |
| 3.3 基于空间风险分摊思想的梯级水库蓄洪规则 |
| 3.3.1 梯级水库联合防洪调度“等比例蓄水”原则 |
| 3.3.2 防洪调度结果分析 |
| 3.4 梯级水库汛期联合运行水位动态控制 |
| 3.4.1 溪-向汛期运行水位动态控制可行性分析 |
| 3.4.2 梯级水库汛期联合运行水位动态控制域 |
| 3.5 实例应用 |
| 3.5.1 动态控制域下限 |
| 3.5.2 动态控制域上限 |
| 3.5.3 考虑洪水发生时间预报误差的水位动态控制风险分析 |
| 3.6 本章小结 |
| 第4章 IESA及其在梯级水库发电优化调度中的应用 |
| 4.1 引言 |
| 4.2 改进电子搜索算法 |
| 4.2.1 电子搜索算法 |
| 4.2.2 可行域内搜索策略 |
| 4.2.3 逐步收敛的参数自适应方法 |
| 4.2.4 算法步骤 |
| 4.3 梯级水库联合发电优化调度模型 |
| 4.3.1 目标函数 |
| 4.3.2 约束条件 |
| 4.4 算法性能分析 |
| 4.5 实例应用 |
| 4.6 本章小结 |
| 第5章 基于专家群体最大满意度原则的群决策模型 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 组合赋权优化方法 |
| 5.4 基于累积前景理论的个人决策 |
| 5.4.1 决策矩阵归一化处理 |
| 5.4.2 价值函数和概率权重函数 |
| 5.4.3 综合前景价值 |
| 5.5 基于专家满意度最大原则的群决策模型 |
| 5.5.1 专家满意度最大原则 |
| 5.5.2 EMGDM构建步骤 |
| 5.6 实例应用 |
| 5.6.1 决策矩阵建立 |
| 5.6.2 指标权重计算 |
| 5.6.3 个人决策 |
| 5.6.4 群决策 |
| 5.7 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（5）基于集成学习的太阳质子事件短期预报（论文提纲范文）
| 摘要 |
| abstract |
| 主要缩略语对照表 |
| 第1章 绪论 |
| 1.1 太阳质子事件探测历史 |
| 1.2 太阳质子事件相关的太阳活动与现象 |
| 1.2.1 太阳耀斑 |
| 1.2.2 日冕物质抛射 |
| 1.2.3 太阳黑子 |
| 1.2.4 太阳活动周 |
| 1.3 太阳质子事件短期预报的研究意义 |
| 1.4 太阳质子事件短期预报研究进展 |
| 1.5 本文研究内容与章节安排 |
| 第2章 预报方法选用与原理 |
| 2.1 预报方法概述 |
| 2.2 机器学习方法 |
| 2.2.1 决策树 |
| 2.2.2 随机森林 |
| 2.2.3 自适应提升决策树 |
| 2.2.4 梯度提升决策树 |
| 2.2.5 极端梯度提升决策树 |
| 2.2.6 逻辑斯蒂回归 |
| 2.2.7 K最近邻 |
| 2.2.8 朴素贝叶斯 |
| 2.3 集成学习方法 |
| 2.4 本章小结 |
| 第3章 预报数据集构建 |
| 3.1 原始数据 |
| 3.1.1 太阳耀斑 |
| 3.1.2 日冕物质抛射 |
| 3.1.3 太阳黑子 |
| 3.1.4 太阳质子事件 |
| 3.2 数据预处理 |
| 3.2.1 缺失数据填充 |
| 3.2.2 数据组合 |
| 3.2.3 数据标注 |
| 3.3 预报因子优化 |
| 3.3.1 预报因子独立化 |
| 3.3.2 数值型预报因子优化 |
| 3.3.3 类别型预报因子优化 |
| 3.4 本章小结 |
| 第4章 基于集成学习的太阳质子事件预报模型构建及实验结果 |
| 4.1 实验流程 |
| 4.1.1 数据划分 |
| 4.1.2 单模型评价与参数调优 |
| 4.1.3 模型集成 |
| 4.1.4 集成模型训练与测试 |
| 4.2 24小时全预报因子实验与结果 |
| 4.2.1 交叉验证结果 |
| 4.2.2 集成模型测试结果 |
| 4.3 预报因子选择实验与结果 |
| 4.3.1 单项预报因子移除实验结果 |
| 4.3.2 预报因子组合移除实验结果 |
| 4.3.3 最优预报因子组合实验结果 |
| 4.4 48小时和72小预报实验与结果 |
| 4.4.1 数据处理 |
| 4.4.2 预报结果 |
| 4.5 分析与讨论 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| A 第23太阳活动周太阳质子事件列表 |
| B McIntosh分类形态示意图 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（6）基于集成学习的雅砻江流域中长期径流预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 中长期径流预报研究现状 |
| 1.2.2 TRMM卫星降雨研究现状 |
| 1.2.3 集成学习研究现状 |
| 1.3 本文研究内容及技术路线 |
| 第2章 TRMM卫星降雨数据适用性分析 |
| 2.1 雅砻江流域概况 |
| 2.2 研究数据及处理 |
| 2.2.1 TRMM卫星简介 |
| 2.2.2 TRMM 3B43数据获取及处理 |
| 2.2.3 雅砻江流域地面站点观测数据 |
| 2.3 TRMM数据精度评价 |
| 2.3.1 降雨精度评价指标 |
| 2.3.2 TRMM卫星降雨数据在雅砻江流域适用性评价 |
| 2.4 本章小结 |
| 第3章 基于集成学习预报模型的构建 |
| 3.1 集成学习概述 |
| 3.2 基于Bagging的算法 |
| 3.2.1 随机森林 |
| 3.2.2 极端随机森林 |
| 3.3 基于Boosting的算法 |
| 3.3.1 梯度提升回归树 |
| 3.3.2 极端梯度提升树 |
| 3.4 基于Stacking的结合策略 |
| 3.4.1 Stacking结合策略 |
| 3.4.2 Lasso回归 |
| 3.5 评价指标 |
| 3.6 本章小结 |
| 第4章 雅砻江流域实例分析 |
| 4.1 研究区概况 |
| 4.2 预报因子 |
| 4.2.1 降雨与径流相关性分析 |
| 4.2.2 预报因子的选取 |
| 4.3 基于单一算法的中长期径流预报 |
| 4.3.1 各单一模型预测结果 |
| 4.3.2 各单一模型预测结果对比分析 |
| 4.4 基于Stacking结合策略的中长期径流预报 |
| 4.4.1 Stacking结合策略预测结果 |
| 4.4.2 Stacking结合策略与XGBoost对比分析 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及其他成果 |
| 致谢 |
（7）基于关键期径流预报的水库群联合调度研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 中长期水文预报 |
| 1.2.2 水库群联合调度研究 |
| 1.3 研究内容及技术路线 |
| 2 研究区概况及来水规律分析 |
| 2.1 研究区概况 |
| 2.1.1 HJ流域概况 |
| 2.1.2 D水库概况 |
| 2.1.3 大伙房跨流域引水工程概况 |
| 2.2 HJ梯级水库群来水规律分析 |
| 2.3 D水库来水规律分析 |
| 2.4 HR水库与D水库间补偿特性分析 |
| 2.5 本章小结 |
| 3 D水库引水关键期径流预报研究 |
| 3.1 引言 |
| 3.2 引水关键期径流预报模型构建 |
| 3.2.1 径流预报模型构建 |
| 3.2.2 预报因子筛选方法 |
| 3.2.3 预报模型 |
| 3.3 引水关键期不同时段径流预报研究 |
| 3.3.1 5～10 月入库径流预报研究 |
| 3.3.2 6～10 月入库径流预报研究 |
| 3.3.3 7～10 月入库径流预报研究 |
| 3.3.4 预报结果分析 |
| 3.4 本章小结 |
| 4 基于中长期径流预报的D水库引水调度研究 |
| 4.1 引言 |
| 4.2 用水分析 |
| 4.2.1 工业与城市生活用水分析 |
| 4.2.2 农业用水分析 |
| 4.3 D水库引水调度模型 |
| 4.3.1 目标函数及约束条件 |
| 4.3.2 模型求解方法 |
| 4.4 引水常规调度研究 |
| 4.4.1 常规调度图及调度规则 |
| 4.4.2 常规调度结果 |
| 4.4.3 常规调度结果分析 |
| 4.5 基于中长期径流预报信息的引水调度研究 |
| 4.5.1 基于径流预报信息的调度图及调度规则 |
| 4.5.2 基于径流预报信息的调度结果及分析 |
| 4.5.3 预报失误对水库调度影响分析 |
| 4.6 本章小结 |
| 5 基于引水约束的水库群联合调度研究 |
| 5.1 引言 |
| 5.2 基于引水约束的发电调度模型 |
| 5.2.1 目标函数及约束条件 |
| 5.2.2 调度图及调度规则 |
| 5.3 HJ梯级水库群调度结果与分析 |
| 5.4 供水能力约束下的D水库引水优化调度 |
| 5.4.1 HJ梯级水库群优化调度下的可供水量分析 |
| 5.4.2 供水能力约束下的D水库引水调度结果及分析 |
| 5.4.3 供水能力约束下的D水库引水优化调度 |
| 5.5 联合调度结果与分析 |
| 5.5.1 D水库调度结果分析 |
| 5.5.2 HJ梯级水库群调度结果分析 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（8）耦合中长期径流预报的跨流域引水供水联合调度研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 中长期径流预报研究 |
| 1.2.2 跨流域引水调度规则研究 |
| 1.2.3 存在的问题 |
| 1.3 研究内容及技术路线 |
| 2 研究区概况 |
| 2.1 大连市水资源及其开发利用情况 |
| 2.2 碧流河水库及流域概况 |
| 2.3 碧流河水库入库径流特性分析 |
| 2.4 大伙房水库输水应急入连工程概况 |
| 2.5 本章小结 |
| 3 中长期径流预报研究 |
| 3.1 引言 |
| 3.2 中长期径流预报方法 |
| 3.2.1 预报因子筛选方法 |
| 3.2.2 预报模型 |
| 3.2.3 模型预报精度评价方法 |
| 3.3 结果分析 |
| 3.3.1 预报因子筛选 |
| 3.3.2 中期径流预报结果 |
| 3.3.3 长期径流量级预报结果 |
| 3.4 本章小结 |
| 4 耦合中长期径流预报的调度规则研究 |
| 4.1 引言 |
| 4.2 跨流域引水-供水联合预报调度模型 |
| 4.2.1 目标函数及约束条件 |
| 4.2.2 调度图及调度规则 |
| 4.2.3 模型求解算法 |
| 4.3 实例研究 |
| 4.3.1 耦合中期径流预报的调度结果分析 |
| 4.3.2 耦合中、长期径流预报的调度结果分析 |
| 4.4 本章小结 |
| 5 预报不确定性对引水效率的影响分析 |
| 5.1 引言 |
| 5.2 情景设置 |
| 5.3 不同预报下的调度分析 |
| 5.3.1 完全准确预报下的调度分析 |
| 5.3.2 预报不确定性下的调度分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（9）基于气候因子及SEAS5降水预报的桓仁流域汛期径流预报（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 中长期径流预报方法 |
| 1.2.2 预报因子筛选方法 |
| 1.2.3 预报后处理方法 |
| 1.3 主要研究内容 |
| 2 研究区域概况 |
| 2.1 引言 |
| 2.2 桓仁流域概况 |
| 3 CFS指标在桓仁流域汛期径流预报中的应用 |
| 3.1 引言 |
| 3.2 基于CFS指标的径流预报方法 |
| 3.2.1 CFS指标 |
| 3.2.2 随机森林 |
| 3.2.3 CFS-RF因子筛选方法 |
| 3.3 CFS-RF径流预报能力检验 |
| 3.3.1 预报模型搭建 |
| 3.3.2 检验方案设计 |
| 3.3.3 汛期径流总量预报结果 |
| 3.3.4 汛期各月径流预报结果 |
| 3.3.5 汛期径流影响因素分析 |
| 3.4 小结 |
| 4 SEAS5 降水预报在桓仁流域汛期的适用性评估 |
| 4.1 引言 |
| 4.2 SEAS5 降水数据 |
| 4.3 评估指标与校正方法 |
| 4.3.1 评估指标 |
| 4.3.2 贝叶斯联合概率模型 |
| 4.4 评估结果及分析 |
| 4.4.1 系统偏差评估 |
| 4.4.2 可靠性及锐度评估 |
| 4.4.3 技巧评估 |
| 4.5 小结 |
| 5 结合SEAS5 降水预报的桓仁汛期径流预报 |
| 5.1 引言 |
| 5.2 汛期径流总量预报评估 |
| 5.2.1 确定性预报评估 |
| 5.2.2 概率预报评估 |
| 5.3 汛期各月径流预报评估 |
| 5.3.1 确定性预报评估 |
| 5.3.2 概率预报评估 |
| 5.4 小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（10）松花江流域中长期径流预报研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展及存在问题 |
| 1.2.1 中长期径流预报研究进展 |
| 1.2.2 预报因子选择 |
| 1.2.3 存在的不足 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第二章 数据来源与研究方法 |
| 2.1 研究区概况 |
| 2.2 数据来源 |
| 2.3 研究方法 |
| 2.3.1 相关系数法 |
| 2.3.2 互信息法 |
| 2.3.3 主成分分析法 |
| 2.3.4 多元线性回归(MLR) |
| 2.3.5 SVM模型 |
| 2.3.6 BP神经网络模型 |
| 2.3.7 模型评价指标 |
| 第三章 预报因子分析与筛选 |
| 3.1 预报因子前滞期分析 |
| 3.1.1 大气环流指标与流域径流相关性时空变化分析 |
| 3.1.2 水文影响因子与流域径流相关性时间变化分析 |
| 3.2 相关分析及基于相关分析的主成分分析 |
| 3.2.1 相关分析 |
| 3.2.2 基于相关分析的主成分分析 |
| 3.3 互信息法及基于互信息的主成分分析 |
| 3.3.1 互信息计算 |
| 3.3.2 基于互信息法的主成分分析 |
| 3.4 小结 |
| 第四章 预报模型构建与结果分析 |
| 4.1 多元线性回归模型 |
| 4.1.1 多元线性回归模型径流拟合 |
| 4.1.2 基于MLR的不同预报因子拟合结果对比 |
| 4.2 支持向量回归模型 |
| 4.2.1 支持向量回归模型径流拟合 |
| 4.2.2 基于SVR的不同预报因子拟合结果对比 |
| 4.3 BP神经网络模型 |
| 4.3.1 BP神经网络模型径流拟合 |
| 4.3.2 基于BP的不同预报因子拟合结果对比 |
| 4.4 不同预报模型预报结果对比 |
| 4.5 小结 |
| 第五章 总结与展望 |
| 5.1 主要结论 |
| 5.2 创新点 |
| 5.3 研究不足与展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
四、一种两分类预报因子筛选方法（论文参考文献）
- [1]多模型融合的水文集合概率预报方法研究[D]. 赵泽谦. 西安理工大学, 2021
- [2]基于改进GWO优化SOM-SVR算法的地震震级预报研究[D]. 杨家鑫. 华东交通大学, 2021(01)
- [3]基于机器学习算法的冬小麦始花期预报方法[J]. 徐敏,赵艳霞,张顾,高苹,杨荣明. 农业工程学报, 2021(11)
- [4]基于风险分摊的梯级水库汛期水位动态控制及决策研究[D]. 李宁宁. 华北电力大学(北京), 2021(01)
- [5]基于集成学习的太阳质子事件短期预报[D]. 宫哲. 中国科学院大学(中国科学院国家空间科学中心), 2021(01)
- [6]基于集成学习的雅砻江流域中长期径流预报研究[D]. 吕盼成. 华北电力大学(北京), 2021(01)
- [7]基于关键期径流预报的水库群联合调度研究[D]. 崔元元. 大连理工大学, 2021(01)
- [8]耦合中长期径流预报的跨流域引水供水联合调度研究[D]. 陈胥良. 大连理工大学, 2021(01)
- [9]基于气候因子及SEAS5降水预报的桓仁流域汛期径流预报[D]. 唐思维. 大连理工大学, 2021(01)
- [10]松花江流域中长期径流预报研究[D]. 朱春苗. 西北农林科技大学, 2021(01)