题目：基于半监督学习的渭河水质定量遥感研究

渭河流域陕西段土地肥沃物产丰富，是我国重要的种植业和畜牧业产地，是陕西的政治、经济、文化发展中心。然而，随着人口增加，城镇工业发展，水资源短缺、水质污染等水质恶化问题日趋严重，直接危害了流域的生态环境和人民的生产生活，制约了经济的发展。因此渭河流域陕西段进行水质监测有着重要的现实意义。传统的水质监测方法受到人力、物力、气候等多种客观条件的限制，难以实现连续、快速地跟踪调查与分析。利用遥感数据和实地水质监测数据，建立水质遥感反演模型，实现水质遥感监测，弥补了传统方法的不足，可以全面、快速、动态的对水质环境进行监测，但受到客观条件的影响，实地的水质数据难以大量获取，因此利用半监督学习理论，以大量易获取的遥感影像数据为未标记样本数据，建立半监督的遥感水质反演模型，可以有效解决水质监测问题。
本文以渭河流域陕西段为研究对象，总结概述了水质的遥感监测原理和研究区域概况，分析了半监督学习理论，特别是半监督回归问题的研究方法，介绍了统计学习理论和支持向量机等相关理论知识。本文主要的研究工作包括：
（1）介绍了两种常见的用于优选支持向量机参数的智能优化算法，粒子群算法和遗传算法。介绍了粒子群优化算法（PSO）的基本原理，利用半监督自训练方法的思想，对标准的基于PSO的支持向量机回归模型（PSO-SVM）加以改进，建立了基于粒子群算法支持向量机的半监督回归模型（PSSRM），将其应用于渭河水质的定量遥感反演中，并将反演结果与基于粒子群算法的支持向量机回归模型()相比较。该回归模型在一定程度上提高了回归精度，具有收敛速度快、调节参数少、易实现等优点。
（2）介绍了协同训练算法和遗传算法的基本理论和原理，将协同训练算法与基于GA优选参数的SVM回归模型（GA-SVM）相结合，建立了GA优选参数的半监督协同训练回归模型（GSSRCM），将其应用于渭河水质定量遥感反演中，并将回归结果与GA-SVM相比较。该模型克服了PSO模型不稳定、精度较低、易发散等缺点，引入了未标记样本，与传统的GA-SVM模型相比较，有效提高了回归精度和模型的推广性，可有效地对各类水质变量进行反演预测。实验结果表明，基于半监督学习的回归模型可以有效实现渭河陕西段的遥感水质定量反演预测。本文将GSSRCM回归模型应用于渭河流域陕西段的整体河流的水质变量反演中，预测结果与实际状况相符合，进一步证明了该模型的有效性。
?