(1)由前期大氣環流形勢預測後期水文形勢。
大氣降水是河流徑流的主要來源，降水與大氣環流密切相關。壹個流域或地區旱澇的發生與大氣環流有關。因此，大氣環流與水文要素關系的分析研究壹直是水文氣象學家深入探討的課題。大氣環流具有全球性特征，因此主要依據北半球500百帕月平均形勢圖或主要環流指數和環流特征。根據水文情勢和環流的歷史資料，總結出旱澇年前期環流特征模型，並以前期環流特征作為後期組期水文情勢的定性預測。或者在月平均形勢圖上找出與預報對象顯著相關的區域和時間段，選擇物理意義明確、統計貢獻顯著的因子，用逐步回歸或其他多元分析方法與預報對象建立方程，據此進行定量預報。
②根據前期海溫分布特征進行預報。
海溫異常分布具有範圍廣、厚度大、持續時間長的特點。它往往是大氣環流異常的前兆，可以為長期水文預報提供信息。根據歷史資料，對前期旱澇年的海溫分布模式進行總結後，可以通過前期的海溫分布特征對後期的水文情況進行定性預測。或者，考慮到時間和空間的連續性，選取重點海域和重點時段若幹位置的海溫作為預報因子，與預報對象建立回歸方程，進行定量預報。
③利用太陽活動的壹些信息進行預報。
太陽黑子相對數主要用來反映太陽活動的強度。根據太陽黑子數11年周期的相位或太陽黑子數變化與河流水量變化的對應關系，定量預測後期可能發生的旱澇。如劉以太陽黑子活動為中心，以長期和超長期水文預報為目標，運用數理統計分析方法，分析了太陽黑子和厄爾尼諾事件對松花江流域的水文影響特征和旱澇災害的基本規律，揭示了降水按磁周期豐枯變化的規律。
1.2水文統計方法
水文統計法是通過對水文資料的統計分析進行概率預測。可分為兩類:壹類是分析水文要素隨時間變化的統計規律，然後利用這種規律進行預報，如歷史演變法、時間序列分析法等；另壹種是利用多元回歸分析建立預測方案，進行預測。目前廣泛使用的水文統計預報方法主要有多元回歸分析和時間序列。
①多元回歸分析
回歸分析是中長期流量預測中最早也是應用最廣泛的方法之壹。它對徑流的應用可以追溯到早期的降雨徑流相關圖法，自20世紀60年代以來隨著計算機技術的發展得到了迅速推廣。回歸分析仍然是流量預測實際工作中的重要手段。常用的方法主要有逐步回歸、聚類分析和主成分分析。
回歸分析的主要優點是簡單，容易實現。主要問題是如何合理選擇因子個數，解決擬合效果和預測效果之間的矛盾；由於預報值是各因子數據的平均值，很難用最大值或最小值來預測水文現象。為了克服這些問題，我們主要選擇預報站的預泄、上遊站的預泄、集水區的降水、土壤濕度、積雪和溫度作為最常用的預報因子，還將壹些控制泄流過程長期變化的影響因子作為預報因子，包括太陽輻射、黑子數、地震場和地熱場等地球物理量，海洋表面溫度和ENSO指數等海洋物理量，以及氣壓高度場和地熱場等。因為上述許多因素都將有助於提高長期預測的準確性。這方面的研究成果很多，比如有研究表明地震場、地熱場和年流量有很大的相關性；許多研究結果表明，ENSO事件與河流流量的變化有關，這種關系可用於長期流量預報。
②時間序列分析
時間序列分析是利用水文要素的觀測記錄，尋找其自身的演變規律進行預報。有許多時間序列模型用於流量過程預測。根據模型所包含的時間序列的數量，可以分為兩類:單變量模型和多變量模型。
自回歸移動平均(ARMA)模型及其衍生模型是最常用的單變量模型。自回歸(AR)模型是ARMA模型的壹種特殊類型，廣泛應用於年徑流和月徑流的模擬和預測。例如，魯利用三階AR(3)模型對丹江口水庫年徑流進行了預測。而ARMA模型是建立在時間序列是平穩的假設基礎上的，時間尺度小於年的流量(如月、旬流量)通常是季節性的，不是平穩的，直接使用ARMA模型壹般是不合適的。對這壹季節性序列進行模擬預測的模型主要有三種:壹是使用季節性ARIMA模型(SARIMA)；簡稱)；(2)劃分季節性ARMA模型，即首先去除原始流量序列中的季節性均值和方差，然後對劃分後的季節性序列擬合ARMA模型；(3)周期ARMA模型(簡稱PARMA模型)，包括PAP模型。這三種模型常用於中長期流量預測。近年來，河流水流過程長記憶特性的研究引起了人們的關註。分數階微分自回歸滑動平均(ARFIMA)模型可以很好地描述具有長記憶性的隨機過程，如Montanari曾用ARFIMA模型模擬和預測尼羅河阿斯旺的月流量過程。Ooms等人將PARMA模型與ARFIMA模型相結合，提出用PARFIMA，Periodic ARFIMA)來擬合月流量過程。王文利用各種時間序列模型，包括ARFIMA模型，對黃河上遊唐乃亥站未來10天的日平均流量進行了預測。
如果考慮外部輸入因素的影響，可以構造多元時間序列模型，最常用的模型有帶外部變量的自回歸滑動平均(ARMAX)模型或傳遞函數噪聲(TFN)模型。如Awadallahl等人以不同海域的SST作為外部輸入變量建立TFN模型，對尼羅河夏季徑流進行預測。由於考慮了外部因素，使用了更多的預測信息，TFN模型的預測精度普遍高於單變量ARIMA模型。例如Thompstone等人建立了季節性ARMA模型、周期性自回歸(PAR)模型、考慮降水和融雪輸入的TFN模型，以及預測1/4月流量過程的概念模型。結果表明，TFN模型的精度優於其他模型。如果流動過程明顯受到某些外界因素的幹擾，表現出異常波動，可以用幹擾模型來模擬這種幹擾，可以看作是壹種特殊類型的TFN模型。Kuo等人在AR(1)模型的基礎上，建立了壹個幹擾模型來模擬這種幹擾，可以看作是壹種特殊類型的TFN模型。Kuo等人在AR(1)模型的基礎上，建立了擾動模型，對臺灣省淡水河10日平均流量進行了預測和建模。
流量過程的時間序列預測模型根據模型是否具有線性結構也可分為線性模型和非線性模型。前面提到的模型，如ARMA和TFA，可以看作是線性模型。近年來，水文系統非線性模型的研究越來越受到重視，非線性模型的應用實例也相應增加。門限自回歸模型(TAR)是中長期交通過程預測中常用的非線性時間序列模型。上面提到的常用的PARMA和PAR模型，其實可以看作是壹種特殊類型的TAR模型。他們以季節為閾值，為不同季節建立線性模型。如果考慮外部因素的影響，TAR可以擴展為門限回歸模型，可以描述為壹個樹形結構，也有研究者稱之為模型樹模型。該方法已應用於實時降雨徑流預報，在中長期預報中也有很大的應用價值。2.1人工神經網絡
人工神經網絡是壹種基於連接理論的智能仿生模型，是由大量神經元組成的非線性動態系統。人工神經網絡具有並行分布式處理、自組織、自適應、自學習和容錯的特點。20世紀90年代以來，人工神經網絡在水文預報中的應用逐漸增多。它是近20年來最受關註的非線性預報方法，已廣泛應用於實時中長期水文預報。徑流預測最常用的人工神經網絡類型是使用誤差反向傳播(BP)算法的多層感知器(MLP)神經網絡(也稱為BP網絡)，它廣泛用於預測年和月徑流或平均流量。Birikundavyi等人用MLP網絡預測未來1~7天的流量；西蘭等人用MLP網絡預測了1~4個周期的未來流量；馬庫斯、賈恩、基西等。利用MLP網絡模型研究月流量預測。徑向函數(RBF)神經網絡也被許多研究人員用來預測月平均流量。此外，為了更好地擬合流量過程的非線性特征，可以采用模塊化神經網絡對流量進行中長期預測。
使用ANN模型進行預測時，最重要的是確定哪些數據作為輸入，使用什麽類型的神經網絡和相應的網格結構。關於如何確定ANN的輸入變量，有兩個問題需要考慮:壹是當訓練數據過短，無法覆蓋序列的所有可能範圍時，即當水文預報中的不確定信息無法覆蓋時，如何提高ANN對可能出現的極端情況的預報能力。為了解決這壹問題，Cigizoglu使用MLP模型對月平均流量進行預測，並首次使用AR模型生成模擬序列，以增加訓練數據，提高預測精度。二是在進行多步預報時，如何求解ANN模型的氣象輸入數據。理想的選擇是使用氣象預報數據，但也有研究者使用歷史氣象數據作為ANN模型的輸入進行多步預報。
2.2灰色系統理論
1982鄧巨龍創立了灰色系統理論，認為水資源系統可以看作是壹個灰色系統。描述灰色系統模型最常用的數學模型是GM(1，1)，G代表灰色，M代表模型，GM(1，1)是指1階，1變量的線性常微分方程模型。它在徑流預測和災害預測中有許多應用實例。夏軍提出了灰色關聯模式識別方法來預測中長期徑流。此後，壹些研究者將這種模型應用於年徑流和月徑流的預測。
灰色系統理論由於其模型特性，更適合於指數增長趨勢的問題。對於其他趨勢，有時擬合灰度較大，精度難以提高。而且灰色系統的理論體系還不完善，處於發展階段。將其應用於中長期水文預報是壹種嘗試和探索。
2.3模糊數學理論
在水文領域應用模糊數學的預測方法有兩種，壹種是模糊模式識別預測方法，另壹種是模糊邏輯方法。
模糊模式識別預測方法的基本思想是:基於歷史樣本模式的模糊聚類，計算待測狀態的類別特征值，然後根據預測值與類別特征值之間的回歸方程進行預測。該方法將水文成因分析、統計分析和模糊集分析有機地結合起來，為提高中長期預報特性的準確性提供了壹種新的途徑。
模糊邏輯方法可以描述變量之間模糊的因果關系。根據變量之間的模糊邏輯關系，可以建立模糊邏輯模型(或模糊專家系統)來預測流量。例如，朱和馬哈比爾使用模糊邏輯模型來預測長期流量。