为了减少黄河下游的淤积,以及下游防洪,采取了小北干流放淤、小浪底调水调沙等措施,这些措施的实施需要以含沙量预报来配合。本论文从实用的角度出发,在前人对含沙量过程预报方法研究的基础上,对已有方法进行改进,同时进一步探讨新的预报方法。论文的主要内容和研究成果如下:1、多元回归模型常被用来预测预报。在其运用中,正确选择模型的影响因子是影响模型预报效果的关键点之一。在已有的利用多元回归进行含沙量过程预报的模型中,只考虑了本站流量和来水含沙量的影响这两个因子。考虑到悬移质泥沙颗粒级配是影响洪水含沙量的重要因子,本文在已有的多元回归模型基础上,考虑悬移质泥沙颗粒级配对洪水含沙量的影响,建立了含沙量过程预报多元回归模型。与不考虑悬移质泥沙颗粒级配影响的多元回归模型预报结果比较表明,考虑泥沙颗粒级配影响的多元回归模型的预报效果,不如不考虑泥沙颗粒级配影响的多元回归模型。究其原因,是目前的泥沙颗粒级配监测不能满足预报的要求,在模型中大量采用了颗粒级配的估计值,泥沙颗粒级配对洪水含沙量的影响不仅体现不出来,而且带来较大的误差所致。2、系统响应函数模型是传统的水文预报方法之一,主要用在流域的降雨径流预报方面。鉴于洪水波在河道中的演进具有类似于流域汇流的特性,因此本文根据黄河下游“多来多排”的输沙特性,建立了含沙量预报的多输入单输出系统响应函数模型。由于系统响应函数模型抛开细节,从宏观上把握泥沙随洪水在河道中的演进过程,使得模型预报精度较高。在目前水文监测现状和人们的认知水平下,系统响应函数模型具有一定的实用性和可靠性。3、考虑到事物的发展具有延续性,自记忆原理也就具有普适性。据此,本文将动力系统自忆性原理首次尝试性地应用于含沙量过程预报。主要是根据黄河下游“多来多排多淤,少来少排少淤”的输沙特性建立了动态方程,推导出相应的动力系统自记忆预报模型。经检验,预报效果不太理想。究其原因,可能是所建立的动态方程还不能有效的反映河段的输沙特性,或说不能反映引起含沙量变化的动力作用所致。但动态系统自记忆预报模型能够较好的克服响应函数预报滞后的缺点,所以是值得进一步推敲的含沙量过程预报途径。4、神经网络因其具有很强的非线性映射能力而成为许多领域对事物进行预报的工具。为了探讨神经网络是否可以应用于无支流汇入河段的时段含沙量过程预报,以及不同的输入对网络输出有何影响。本文建立了夹河滩站时段含沙量过程预报神经网络模型,其中的输入采用两种方案,一是以花园口的含沙量、流量、平均流速和夹河滩的流量作为输入因子;二是以花园口的含沙量和夹河滩前一时段的含沙量作为输入因子,网络的输出都是夹河滩的含沙量。预报结果表明,如果输入因子之间不相互独立,网络通过对实测资料的学习,就会使输入要素的作用相互抵偿,影响到输入与输出之间的真实关系,不仅不能提高预报精度,反而降低了模型的预报效果。5、通过对上面四种模型的比较可以得出,系统响应函数模型预报效果最好,两输入的神经网络次之,接下来是动力系统自忆性模型,多元回归模型预报效果最差。