流域水文预报一直是水文学领域的重点研究内容与方向之一,可为流域水旱灾害防治、库群安全经济运行、水资源科学分配及社会可持续发展等提供重要决策支撑。然而,全球和区域气候异常、流域大规模水电开发及其他各种人类活动的综合作用,深刻改变了流域气象水文关键要素的演化特性,加剧了水资源时空分布不均匀性,导致流域水旱极端事件发生频次及水资源优化配置难度显著增加,这对流域水文预报研究提出了更高的要求和新的挑战。因此,亟需研究并探索新的水文预报理论与方法,充分挖掘水文气象时间序列蕴含的有效信息,进一步提升径流预报的准确性和可靠性,以期为水旱灾害预报预警及流域水资源统筹规划提供科学依据。本文重点围绕变化环境下流域水旱灾害预报预警及水资源优化配置中面临的关键科学问题和技术难题,选取长江上游为主要研究对象,采用先进的机器学习方法和特征选择与智能优化算法等技术,研究流域非线性水文智能预报的先进理论与技术手段。研究工作对流域极端水文事件预报预警、库群安全经济运行与水资源高效利用的实现具有极其重要的指导意义和实际工程应用价值。相关研究成果可进一步推动水文智能预报在实际工程问题中的深化应用与深入发展,可为流域管理部门提供可靠决策信息,具有良好的工程应用前景。本文研究的主要内容和创新性成果包括:(1)以变化环境下流域水文气象关键要素时空演变规律解析为切入点,综合采用探索性数据分析、数理统计及时频多尺度分析方法,全面分析了金沙江流域近50年以来水循环关键要素径流、降水的年内季节变化特征与年际趋势、周期和突变等演变规律,并首次采用累积量斜率变化率比较法定量评估了气候因子降水和非自然因素人类活动对径流变化的影响。研究表明金沙江流域年降水量和年径流总体呈上升趋势,且该时期气候变化相比人类活动对径流变化的影响更显著。分析结果表明多种特性分析方法综合应用有助于充分认识流域水文气象过程的年内与年际变化特征,并揭示其长期变化趋势及演变规律,为非线性径流智能预报提供科学依据。(2)在洪水预报中,基于机器学习的预报模型由于不需要深入理解水循环系统下渗、蒸发、产流、汇流等各个关键环节的物理机理,且其具有较强非线性拟合能力、数据需求量少、模型搭建简单而备受关注。然而,受气候异常变化和人类活动等综合影响,单一机器学习方法难以全面刻画不同量级径流的固有内在特性和气候气象因子与人类活动造成的外部干扰。针对强非线性特征引发的洪水难以准确预报的问题,研究了基于智能优化算法、机器学习方法的非线性智能洪水预报理论,设计了正交初始化种群和自适应变异尺度系数两种策略对标准回溯搜索算法(BSA)进行改进,进而建立了改进回溯搜索算法优化极限学习机的洪水预报模型(ELM-IBSA)。研究表明,与传统的广义回归神经网络(GRNN)、单一极限学习机(ELM)和ELM-BSA相比,ELM-IBSA模型具有更佳的稳定性和泛化能力,设计的正交初始化种群策略和自适应变异尺度系数策略能够有效提升BSA算法收敛性能,得到稳定性更佳且全局搜索能力更强的洪水预报模型,从而获得更为可靠的洪水预报结果。该模型既能有效提高预报性能,又保留了数据驱动模型数据需求少、非线性拟合能力强的优势,可为流域库群实时防洪调度提供数据支撑。(3)基于信号分解、人工智能的分解-集成预报模型已被证明是提高中长期水文预报的一种有效手段。针对基于“捆绑分解”的分解-集成水文预报方法在建模与预报过程中,使用了实际未知的未来信息,易导致预报结果“虚高”,不适用于工程实际的问题。为此,设计了能有效避免采用未知信息的自适应动态分解策略,进而引入变分模态分解、回溯搜索算法与正则极限学习机等先进理论与方法,提出了自适应动态分解-优化-集成预报模型(AVMD-BSA-RELM),并在金沙江流域关键控制断面月径流预报中进行了论证。为全面评价模型的预报性能,基于传统的误差统计指标,引入常用于经济学领域的Diebold-Mariano统计检验方法,提出了一种从预报整体误差、预报结果相关性及与基准模型对比预报优势显著性等多方面全方位综合评价体系。研究表明,与四种常用单一机器学习模型相比,该模型能有效捕捉历史径流序列的长期演变趋势,提高了径流中长期预报精度;且设计的自适应动态分解策略能够根据新息不断调整分解方法的相关参数,可有效克服捆绑分解引入未来预报信息的不足,进而增强了分解-集成预报模型在实际工程中的适用性。(4)为弥补确定性水文预报方法不能刻画预报结果内在不确定性及其演化特征的局限性,同时为提高数据驱动径流预报方法的物理基础与预报精度,研究了基于随机森林、高斯过程回归理论的不确定性径流预报方法,采用随机森林算法解析了太阳活动、环流因子、区域海温等遥相关变量和区域气象因子与区域径流的高维、滞后非线性映射关系,揭示了不同大气-海洋遥相关因子及区域气象要素对不同时间尺度径流过程的影响程度和作用强度,提出了气-海-陆多尺度因子联合驱动的高斯过程回归径流预报模型,以获得高精度径流预报结果及其不确定性演化特征。实例研究表明,大尺度气候因子的加入能够有效提高预报精度,气-海-陆因子联合驱动的高斯过程回归径流预报模型可一次性同时提供确定性预报结果及其不确定性演化过程,与其他后处理概率区间径流预报方法相比,具有更为广阔的应用前景。