本书针对变化环境下水资源中长期预报与评估研究中存在的关键科学问题，分析了径流和降雨特性时空变化规律；建立了基于灰色关联分析的模糊支持向量机月径流预报模型，为了提高模型预报精度，研究了模型构建过程中预报因子选择与时间序列分解两个关键环节；将气象、大气环流、影响长江中上游流域降雨的黑潮海温、东亚夏季风指数等遥相关因子组成特征集合，采用序列浮动前向算法挖掘预报因子特征子集，并尝试采用高斯过程回归对金沙江上游石鼓站和下游屏山站月径流进行不确定性预报，得到月径流的预报区间和置信水平；在此基础上，采用Sobol全局敏感性方法推求了石鼓站和屏山站汛期径流预报因子的灵敏度，辨识了对汛期径流预报结果产生较大影响的因子集；最后基于深度学习技术的发展，建立了长短期记忆网络的中长期径流预报模型。

1 绪论
1.1 引言
1.2 流域水文分析和中长期水文预报理论与方法研究概况
1.3 主要研究内容
2 流域极端降雨事件及其非平稳特性分析
2.1 极端降雨事件研究进展
2.2 广义极值模型
2.3 时变广义极值模型
2.4 返回期分析
2.5 实例研究
2.6 本章小结
3 流域水文特性分析及洪水遭遇研究
3.1 金沙江流域气象水文特性
3.2 径流年际和年内变化
3.3 金沙江洪水特性分析
3.4 本章小结
4 流域中长期水文预报建模
4.1 中长期径流预报研究进展
4.2 数据驱动模型介绍
4.3 基于灰色关联分析的模糊支持向量机回归月径流预报模型
5 时间序列分解在中长期径流预报中的应用
5.1 时间序列分解
5.2 离散小波变换
5.3 经验模态分解
5.4 STL分解
5.5 建模流程
5.6 实例分析
5.7 本章小结
6 基于气候遥相关的中长期径流预报
6.1 气候遥相关预报因子
6.2 高斯过程回归模型
6.3 特征选择算法
6.4 基于方差分析的Sobol敏感性分析
6.5 实例研究
6.6 本章小结
7 基于深度学习的中长期径流预报
7.1 深度学习在水文预报中的应用
7.2 递归神经网络
7.3 长短期记忆网络
7.4 实例研究
7.5 本章小结
8 总结与展望
8.1 研究工作总结
8.2 工作展望
参考文献