水利 芝加哥雨型 C++源程序 生成设计暴雨

内容概要：根据设计暴雨强度公式，使用C++编写芝加哥雨型生成器，用于各相关部门在科学规划、设计、新建改造和管理排水防涝设施上使用。水利 芝加哥雨型 C++源程序 生成设计暴雨 适用人群：水利工作者 使用场景：计算设计暴雨 阅读建议：提供C++源代码，使用Microsoft Visual Studio打开sln解决方案文件，即可调试运行。 其他说明：文档中有README说明文档，可参考其中在线博客

英语 科技论文写作 引言 词汇

内容概要：介绍英文科技论文写作中引言部分常用的词汇，以例句的形式解释。采用三种方式提取引言部分的最常用词汇：1. 人工标注；2. ChatGPT-4回答；3. Python编程统计词汇频数 适用人群：研究生及科研人员 使用场景及目标：撰写英文科研论文的引言部分，查找常用的词汇 其他说明：PPT仅供学习交流使用，禁止用于商业用途！

水利 MCMC 不确定性量化 参数

MCMC方法是基于贝叶斯理论框架，通过建立平衡分布为$\pi(x)$的马尔可夫链，并对其平衡分布进行采样，通过不断更新样本信息而使马尔可夫链能充分搜索模型参数空间，最终收敛于高概率密度区，因此，MCMC方法是对理想的贝叶斯推断过程的一种近似。MCMC方法的关键是如何构造有效的推荐分布，确保按照推荐分布抽取的样本收敛于高概率密度区。具体原理可以参考文献。笔者用C++实现了AM-MCMC算法，并用常见的测试函数进行了测试！ AM为单次抽样程序，PAM为平行抽样程序，继承于AM类。由于高度耦合，因此AM类成员都设置为公开`public`。 可以访问本人的两篇博客，内有详细介绍： 【算法】07 AM-MCMC算法C++实现https://blog.csdn.net/weixin_43012724/article/details/124697872 作者: 卢家波 邮箱：lujiabo@hhu.edu.cn 版本：2022.4 版权: MIT 引用格式：卢家波，AM-MCMC算法C++实现. 南京：河海大学，2022.

水利 GLUE 不确定性 参数分析

针对模型参数的等效性，Beven和 Binley (1992）提出了普适似然不确定性估计方法，[Generalized Likelihood Uncertainty Estimation(GLUE)]用于分析水文数学模型预报的不确定性。具体原理可以参考文献。笔者用C++实现了GLUE算法，并用常见的测试函数进行了测试！ 可以访问本人的两篇博客，内有详细介绍： 【算法】06 GLUE算法C++实现https://blog.csdn.net/weixin_43012724/article/details/124132552 作者: 卢家波 邮箱：lujiabo@hhu.edu.cn 版本：2022.4 版权: MIT 引用格式：卢家波，GLUE算法C++实现. 南京：河海大学，2022.

水利 SWMM PEST++ 自动率定

内容概要：使用PEST++自动率定SWMM模型的参数，实现参数的自动优选 适用人群：水利工作者 使用场景及目标：自动率定SWMM模型的参数 其他说明：也可以自动率定其他模型的参数

水利 自动率定程序 PEST++ 参数优选

内容概要：2009年，Welter等人在美国地质调查局的资助下基于原有的PEST参数自动率 定程序开发PEST++非嵌入式参数率定程序[3]。PEST++可以进行高度参数化的 反演以及使用差分进化算法DE的全局优化，在需要的时候会自动进行奇异 值分解辅助反演，易用性更强。 适用人群：水利、环境工作者 使用场景：对模型参数进行自动优选需要用到的工具 其他说明：仅供学习交流使用，禁止用于商业用途

水利 新安江模型 PEST++ 自动率定

内容概要：使用PEST++自动率定新安江模型的参数，实现参数的自动优选 适用人群：水利工作者 使用场景及目标：自动率定新安江模型的参数 其他说明：也可以自动率定其他模型的参数

优化算法 SCEUA算法C++实现 附Python、MATLAB、Fortran代码

SCE-UA算法是Qingyun Duan（段青云）、Soroosh Sorooshian 和Vijai Gupta等开发的一个具有复合优化策略的优化算法（Duan等，1992）。具体原理可以参考文献。笔者用C++实现了SCE-UA算法，并用常见的测试函数进行了测试！ 可以访问本人的两篇博客，内有详细介绍： 【算法】02 SCE-UA简介及源代码 https://blog.csdn.net/weixin_43012724/article/details/121401083 【算法】03 SCE-UA算法C++实现 https://blog.csdn.net/weixin_43012724/article/details/121862991 作者: 卢家波 邮箱：lujiabo@hhu.edu.cn 版本：2021.11 创建 V1.0 版权: MIT 引用格式：卢家波，SCEUA算法C++实现. 南京：河海大学，2021. LU Jiabo, Shuffled Complex Evolution in C++. Nanjing:Hohai University, 2021. 参考文献：[1]段青云,SCEUA的原始Fortran代码,1992, https://shxy.hhu.edu.cn/2019/0904/c12296a195177/page.htm [2]L. Shawn Matott改编的C++代码,2009, https://github.com/MESH-Model/MESH_Project_Baker_Creek/blob/7e0a7e588213916deb2b6c11589df0d132d9b310/Model/Ostrich/SCEUA.h [3]Van Hoey S改编的Python代码,2011 [4]Mostapha Kalami Heris, Shuffled Complex Evolution in MATLAB (URL: https://yarpiz.com/80/ypea110-shuffled-complex-evolution), Yarpiz, 2015. [5]Duan, Q.Y., Gupta, V.K. & Sorooshian, S. Shuffled complex evolution approach for effective and efficient global minimization. J Optim Theory Appl 76, 501–521 (1993). https://doi.org/10.1007/BF00939380. [6]Duan, Q., Sorooshian, S., and Gupta, V. (1992), Effective and efficient global optimization for conceptual rainfall-runoff models, Water Resour. Res., 28( 4), 1015– 1031, https://doi.org/10.1029/91WR02985. [7]Duan, Q., Sorooshian, S., & Gupta, V. K. (1994). Optimal use of the SCE-UA global optimization method for calibrating watershed models. Journal of Hydrology, 158(3-4), 265-284. https://doi.org/10.1016/0022-1694(94)90057-4. [8]王书功. 水文模型参数估计方法及参数估计不确定性研究[M]. 河南:黄河水利出版社,2010.(https://book.douban.com/subject/5377630/) [9]王书功. 水文模型参数估计方法及参数估计不确定性研究[D]. 北京:中国科学院研究生院,2006.(https://jz.docin.com/p-87849994.html)

沿渡河流域数字高程模型DEM

沿渡河流域DEM的ASC格式，可用于流域水系提取、水文建模

中国部分区域植被分类

采用中国植被资料UMD1km China.txt，通过ArcGIS裁剪出118.18°E~118.68°E，31.18°N~31.68°N范围，统计出植被分类。