中长期径流预测可为水资源优化配置、河流生态修复、防洪发电、灌溉与航运提供依据。目前，基于数据驱动的人工智能技术具有强大的学习能力，同时结合各种智能算法构造更高效的模型，对于提高水文预测的精度具有重要意义。因此，本书以我国多个流域的实测月径流量为研究对象，综合分析了基于单一人工智能的、基于数据分解和人工智能技术耦合的、融合分解和智能优化的深度学习径流预测模型以及基于Bootstrap法和SMA-KELM耦合的区间径流预测模型，总结了各模型在径流预测的应用特性，以期找到更合适的中长期预测模型，为提高中长期水文预测精度提供有价值的参考。 本书可作为高等院校水文与水资源工程、智慧水利及水利水电工程专业的高年级本科生和研究生科研参考书，同时也可供水利管理部门的科研工作者和工程技术人员参考。

前言
第1章 绪论
1.1 研究背景
1.2 研究意义
1.3 研究进展
1.4 研究内容
第2章 主要理论与方法
2.1 单一模型理论
2.2 数据分解方法
2.3 优化算法
2.4 评价指标
第3章 研究站点与数据
3.1 月径流数据来源
3.2 年径流数据来源
第4章 基于单一人工智能的径流预测模型研究
4.1 基于单一机器学习月径流预测模型研究
4.2 基于深度学习的月径流预测模型研究
4.3 基于卷积循环神经网络的月径流预测模型研究
4.4 基于LSTM神经网络的年径流预测模型研究
4.5 基于马尔科夫链修正的LSTM年径流预测模型研究
第5章 基于数据分解与人工智能技术耦合的径流预测模型研究
5.1 基于一次分解和智能预测模型的组合中长期径流预测
5.2 基于二次分解和智能预测模型的组合中长期径流预测
第6章 融合分解和智能优化的深度学习径流预测模型研究
6.1 VMD-OQYO-CNN-GRU模型
6.2 基于麻雀优化算法和注意力机制的长短期记忆神经网络的预测模型
6.3 分解-算法寻优的LSSVM模型
第7章 基于Bootstrap法和SMA-KELM耦合的区间径流预测模型研究
7.1 四种优化算法耦合模型预测
7.2 基于Bootstrap法和SMA-KELM的月径流区间预测
第8章 结论与展望
8.1 结论
8.2 展望
参考文献