| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究进展 | 第13-15页 |
| 1.2.1 水质遥感监测研究现状 | 第13-14页 |
| 1.2.2 机器学习研究进展 | 第14-15页 |
| 1.3 本文创新点 | 第15页 |
| 1.4 研究内容及技术路线 | 第15-18页 |
| 1.4.1 研究内容 | 第15-16页 |
| 1.4.2 技术路线 | 第16-18页 |
| 第二章 水质遥感监测技术 | 第18-22页 |
| 2.1 水质遥感监测原理 | 第18-19页 |
| 2.2 水质遥感监测方法 | 第19-20页 |
| 2.2.1 分析方法 | 第19页 |
| 2.2.2 经验方法 | 第19页 |
| 2.2.3 半经验法 | 第19-20页 |
| 2.3 遥感数据源 | 第20页 |
| 2.3.1 多光谱遥感数据 | 第20页 |
| 2.3.2 高光谱遥感数据 | 第20页 |
| 2.4 水质遥感监测的指标 | 第20-22页 |
| 2.4.1 叶绿素 a | 第20-21页 |
| 2.4.2 透明度（SD） | 第21页 |
| 2.4.3 总磷（TP） | 第21-22页 |
| 第三章 GA-SVM 模型理论基础 | 第22-29页 |
| 3.1 支持向量机理论 | 第22-24页 |
| 3.1.1 VC 维 | 第22页 |
| 3.1.2 结构风险最小化 | 第22-23页 |
| 3.1.3 支持向量机原理 | 第23-24页 |
| 3.2 遗传算法理论 | 第24-25页 |
| 3.2.1 染色体编码 | 第24-25页 |
| 3.2.2 种群 | 第25页 |
| 3.2.3 适应度函数 | 第25页 |
| 3.2.4 遗传算子 | 第25页 |
| 3.3 SVM 优化过程 | 第25-29页 |
| 3.3.1 支持向量机不足 | 第25-26页 |
| 3.3.2 基于 GA 的 SVM 优化思路 | 第26-27页 |
| 3.3.3 SVM 优化步骤 | 第27-29页 |
| 第四章 实验方法 | 第29-40页 |
| 4.0 研究区概况 | 第29页 |
| 4.1 数据采集与处理 | 第29-34页 |
| 4.1.1 水质采样与检验 | 第29-31页 |
| 4.1.2 多光谱遥感数据获取 | 第31-32页 |
| 4.1.3 数据预处理 | 第32-34页 |
| 4.2 相关性分析 | 第34-36页 |
| 4.2.1 波段及波段组合与叶绿素 a 相关性分析 | 第35页 |
| 4.2.2 波段及波段组合与透明度相关性分析 | 第35-36页 |
| 4.2.3 波段及波段组合与总磷相关性分析 | 第36页 |
| 4.3 水质参数反演模型的建立 | 第36-40页 |
| 4.3.1 数据处理 | 第36-37页 |
| 4.3.2 实验的软件环境及设置 | 第37-38页 |
| 4.3.3 确定模型的输入与输出 | 第38-40页 |
| 第五章 实验结果及分析 | 第40-52页 |
| 5.1 叶绿素 a 反演结果及比较 | 第40-43页 |
| 5.2 透明度反演结果及比较 | 第43-45页 |
| 5.3 总磷反演结果及比较 | 第45-48页 |
| 5.4 结果分析 | 第48-52页 |
| 结论与展望 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 攻读学位期间参加的科研项目与取得的研究成果 | 第59-60页 |
| 致谢 | 第60页 |