受水文序列非平稳性和复杂性影响，传统单一模型预测精度有限。为提高月径流预测精度，基于季节趋势分解(STL)—小波包变换(WPT)二次分解技术、多策略山猫优化算法(MSOA)/多策略耳廓狐优化(MFFO)算法和在线惯序极限学习机(OSELM)

提出STL-WPT-MSOA/MFFO-OSELM模型，通过云南省南康河下游南康河水文站、勐统河下游勐大水文站月径流预测实例进行验证。首先利用STL将原始月径流序列分解为趋势分量、季节分量和残差分量，通过WPT将残差分量分解为1个高频分量和1个低频分量，划分各分量训练集和验证集，并基于训练集构建OSELM超参数优化实例目标函数；然后基于Tent混沌映射等多种策略改进山猫优化算法(SOA)和耳廓狐优化(FFO)算法，提出多策略MSOA/MFFO

利用MSOA/MFFO优化实例目标函数获得OSELM最优超参数；最后利用最优超参数建立STL-WPT-MSOA/MFFO-OSELM模型对各分量进行预测和重构，并构建12种模型作对比分析。结果表明，STL-WPT-MSOA/MFFO-OSELM融合模型预测效果最佳，能更精准地捕获原始月径流量的变化特征和规律；多种策略改进方法能有效提升MSOA/MFFO性能，获得更佳OSELM超参数；STL-WPT二次分解技术能有效地消除月径流非平稳性特征，改进月径流序列分解效果。研究方法及结果可为水文时间序列预测提供参考。