本书基于机器学习和人工智能方法，开展了数据驱动与半数据驱动模型在降雨径流模拟中的应用与研究。本书建立了基于偏互信息的输入变量选择方法、基于新型集成神经网络的出流量预测方法和基于K最近邻算法的出流量误差预测方法。将以上方法耦合，提出了新型数据驱动的PBK模型。此外，在分析总结前人成果的基础上，归纳出两个传统非实时校正数据驱动模型（PB＿R和PB＿DR模型）。对半数据驱动模型IHACRES的汇流模块进行了改进。将新安江模型产流模块与PBK汇流模块耦合起来﹐建立了新型半数据驱动的XPBK模型。在三个典型研究流域将三个数据驱动模型（PB＿R、PB＿DR和PBK模型）、三个半数据驱动模型（CLS、IHACRES和XPBK模型）及一个概念性模型（新安江模型）进行了应用与检验。 本书适合水资源、水利水电工程等领域的管理、科研、技术人员参考，也适合高等院校相关专业的师生参考。

前言
第1章 绪论
1.1 研究目的和意义
1.2 国内外研究进展综述
1.3 本书的研究内容与技术路线
第2章 数据驱动模型
2.1 概述
2.2 降雨径流模拟输入变量选择
2.3 新型数据驱动模型——PBK模型
2.4 基于数据驱动模型的降雨一径流模拟建模方式
2.5 小结
第3章 半数据驱动模型
3.1 概述
3.2 CLS模型
3.3 IHACRES模型
3.4 XPBK模型
3.5 小结
第4章 模型率定方法
4.1 概述
4.2 SCE-UA算法
4.3 进化多目标算法
4.4 神经网络模型拓扑结构和网络参数优化方法
4.5 数据驱动模型率定方法
4.6 半数据驱动模型率定方法
4.7 新安江模型率定方法
4.8 小结
第5章 降雨—径流模拟应用与比较
5.1 概述
5.2 研究区域和资料概况
5.3 PB＿R、PB＿DR和PBK模型率定
5.4 CLS、IHACRES和XPBK模型率定
5.5 新安江模型率定
5.6 模拟精度比较
5.7 PBK、IHACRES和新安江模型初始出流量和状态变量敏感性分析
5.8 小结
第6章 结论与展望
6.1 主要结论
6.2 有待进一步研究的问题
参考文献