降雨作为不同径流成分的主要输入因子,为探讨产汇流过程,降雨的精确性与可靠性在全球气候变化和快速城市化过程中尤为重要。由于降雨观测方式多样,结合不同雨量观测方式的优点,实现多源雨量融合成为分析降雨时空分布及变化的有效途径。本文以浙江省金华江流域2010-2015年降雨事件作为研究对象,提出了 一种基于伽马分布的贝叶斯多源雨量融合方法,选取常用的三种卫星雨量数据 TMPA(TRMM Multi-satellite Precipitation Analysis)3B42,PERSIANN(Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks),CMORPH(NOAA CPC Morphing technique)以七种不同组合方式与地面雨量观测数据进行融合,并探讨七种不同策略的雨量融合在0.25°,0.1°,0.05°,0.025°和0.01°五种不同空间分辨率下应用的可行性。除了精确的降雨信息外,前期土壤湿度、植被形态、地形等因素也有可能成为影响降雨径流机制的关键因子。面临脆弱的生态环境及人口压力,明确的降雨径流机制可有效地提高洪水预报能力,实现更科学地水资源调度管理。本文在不同流量形态代表不同降雨径流过程假设的基础上,尝试利用人工神经网络模型(Artificial Neural Network,ANN)其在数据挖掘中强大的学习及容错能力,建立径流过程动态变化的一级控制因子,故选取自组织映射网络(Self-Organizing Map,SOM)对各个潜在影响因子及径流过程进行聚类分析,并根据分类结果构建多个倒传递神经网络(Back-Propagation Neural Network,BPNN)。在交叉验证的基础上,通过比较分类前后在不同预见期的流量预测能力确定出某一径流类型最佳分类框架下的BPNN预测模型,进而建立判别径流过程主要控制因子的通用框架。尽管高流量过程的研究关系着人类安全及用水发电等效益,但低流量过程常常影响着大众用水、水质及沉积物堆积等,其重要性仍不能忽视。一般低流量过程常采用Boussinesq方程获得退水斜率曲线短时间及长时间的退水斜率边界,进一步掌握流域尺度的水力参数及含水层情况来弥补流域尺度及地下含水层的试验数据缺失。本文总结了退水阶段Boussinesq方程不同解的推理过程,并以浙江省两个不同面积的流域对退水过程进行对比分析,确定出两流域在长、短时间退水过程拟合曲线的差异。本研究主要工作及成果如下:(1)采用三种常用的概率分布,即对数正态、伽马、皮尔逊III型拟合地面降雨数据,并基于拟合效果最佳的伽马分布改进贝叶斯融合方法。以地面验证雨量站数据为依据,采用TMPA 3B42,PERSIANN,CMORPH三个卫星雨量数据,共七种组合方式分别实现与地面雨量站数据进行融合。七种不同融合策略在不同空间分辨率、时间序列及空间分布序列上表现结果基本一致,表明基于伽马分布的多源雨量融合方法的可行性及稳健性。(2)比较多个卫星与地面雨量的七种非线性融合,评价其在不同空间分辨率下的优劣,结果表明:原始雨量产品随着空间分辨率的提高精度逐渐下降,而多源雨量融合产品也表现出同样的下降趋势;七种融合策略中PERSIANN、CMORPH与地面雨量融合效果最好,说明PERSIANN和CMORPH数据的互补性优于TMPA 3B42,且融合效果并不取决于雨量观测来源的数量;随着空间分辨率的提高,在融合效果上卫星雨量产品所占的贡献逐渐增大,尤其在判断雨量的发生及雨量变化趋势上相较于地面雨量观测手段表现出了卫星雨量产品的不可替代性。(3)根据人工智能的方法对流域降雨、径流、不同深度下的前期土壤湿度、归一化植被指数(Normalized Difference Vegetation Index,NDVI)等异质性数据进行数据挖掘,判别不同降雨形态下主要径流过程及关键影响因子。对能表示径流机制的主要控制因子进行分类可有效提升数据驱动黑箱模型的预测能力,说明应用SOM与BPNN模型来判断降雨径流过程关键因子框架有效性及可行性。(4)对基于SOM分类后建立的BPNN流量预测模型在不同预见期下的预测效果进行对比。结果表明:随着预见期在一定程度的延长,不同径流过程下主要控制因子对模型有较大的提升能力,但超过关键因子的时间控制范围,这种促进效果会逐渐降低;不同径流类型由不同影响因子控制,对于径流类型Ⅰ～Ⅲ分别受到地表下约255cm 土壤湿度、NDVI和降雨的控制;即使在同一径流类型不同时间下也可能由不同因子控制,如对于径流类型Ⅲ在较长预见期下控制因子由降雨转变为地表下约255cm 土壤湿度。(5)基于Boussinesq方程对金华江和龙泉溪两个流域多个洪水场次分别建立散点云图确定退水短时间及长时间过程相关参数,金华江的退水过程比龙泉溪更缓慢;从两个流域各个洪水场次下分别拟合Boussinesq方程的结果表明方程中两参数logα与β呈现出明显的线性相关,且不同流域表现出独特的线性关系。研究成果从降雨径流发生全过程中揭示了提升流量预报性能的重要手段,而且从退水过程中线性关系的确定可推广至无资料流域的水文预报。