基于BP神經網絡的鹽湖礦物離子含量高光譜反演

周亞敏， 張榮群， 馬鴻元， 張健， 張小栓

(1.中國農業大學信息與電氣工程學院,北京　100083； 2.北京信息科技大學經濟與管理學院,北京　100192)

基于BP神經網絡的鹽湖礦物離子含量高光譜反演

周亞敏1， 張榮群1， 馬鴻元1， 張健2， 張小栓1

(1.中國農業大學信息與電氣工程學院,北京100083； 2.北京信息科技大學經濟與管理學院,北京100192)

摘要：高光譜遙感數據能夠提供比多光譜遙感數據更為豐富的光譜信息，從而更精確地刻畫地物的光譜特征。在水體遙感原理基礎上，采用自適應波段選擇(adaptive band selection,ABS)方法對HJ-1A衛星高光譜數據的波段相關性和信息量進行分析，結合BP神經網絡技術確定最優波段組合并構建鹽湖礦物離子含量的反演模型，對柴達木盆地西臺吉乃爾湖的K+,Mg2+,Na+,Cl-和離子含量進行定量反演，獲得鹽湖礦物離子含量的空間分布情況。研究結果表明，BP神經網絡反演模型的鹽湖礦物離子含量反演精度在85%以上，反演得到的礦物離子含量的分布情況與實地調查結果基本一致。因此，利用高光譜數據和BP神經網絡可以對鹽湖礦物資源進行大范圍動態監測，為鹽湖資源的合理開發和高效利用提供科學依據。

關鍵詞：礦物離子含量； 遙感反演； 高光譜數據； 自適應波段選擇(ABS)； BP神經網絡

0引言

近年來，國內外研究學者對鹽湖礦物離子含量的監測進行了大量研究。傳統方法采用實地采樣和實驗室分析等手段[1-4]，在精度上雖有較高的準確性，但受制于在局部點上進行，不能全面反映鹽湖礦物離子含量的分布情況，且費時、費力、成本高。隨著遙感技術的快速發展，應用遙感方法研究鹽湖受到越來越多的關注[5]。遙感具有宏觀、動態、實時等優點。 目前，對鹽湖的遙感研究大多基于多光譜數據，采用統計方法，依據經驗模型獲得水體總含鹽量和水深等信息[6-14]。但由于鹽湖鹵水中鹽分礦物組成之間對光譜反射相互影響，復雜成分鹵水中單一離子含量的實測光譜反射特征很難在多光譜數據中找到相對應的波段； 因此，利用多光譜數據對單一離子含量的定量反演存在一定難度。高光譜遙感利用許多狹窄的電磁波波段能夠捕捉到鹽湖復雜的光譜特征，使得本來在寬波段遙感中不可探測的物質可以被探測到[15]。因此，采用高光譜數據能夠精確地描述鹽湖的光譜特征，為監測鹽湖離子含量提供前提條件。因鹽湖礦物離子含量與光譜反射率之間是一種復雜的非線性關系[16]，故利用傳統的線性回歸模型進行鹽湖礦物離子含量反演的精度較低。BP神經網絡模型由于其具備映射復雜關系的能力，非常適用于光學特征復雜的水體參數的提取[17]； 因此，對鹽湖礦物離子含量可采用BP神經網絡模型進行模擬。

1研究區與數據

1.1研究區概況

西臺吉乃爾湖位于青海省柴達木盆地中部，地理位置介于E93°16′～93°29′，N37°39′～37°47′之間。北近鄰315國道上的一里坪，南離格爾木市的烏圖美仁90 km，東距東臺吉乃爾湖35 km，西距海西州茫崖鎮約130 km。鹽湖湖盆呈近似三角形，為封閉的內流盆地，固、液相并存； 液相鹵水資源包括湖表鹵水和晶間鹵水，水化學類型為硫酸鎂亞型，富含K,B,Li等元素，有較好的開發應用前景。湖表鹵水礦化度336.3 g/L，相對密度1.225 5，pH值7.7； 晶間鹵水礦化度334.6 g/L，相對密度1.223 3，pH值7.9。西臺吉乃爾鹽湖固體鹽類礦物由石鹽、芒硝、石膏和白納鎂礬等組成，以石鹽為主[18]。

1.2樣本采集

圖1　西臺吉乃爾湖采樣點分布圖

1.3高光譜數據獲取與預處理

實驗采用與樣本采集同期獲取的1景HJ-1A高光譜圖像數據，空間分辨率為100 m，平均光譜分辨率為4.32 nm； 共有115個波段，分布在可見光和近紅外譜段(450～950 nm)內； 圖像大小為589像元×639像元，覆蓋了整個西臺吉乃爾湖，無明顯的云蓋，光譜信息豐富，沒有局部幾何失真和變形。

HJ-1A高光譜數據的2級產品采用HDF5格式，需格式轉換為ENVI可讀文件； 經輻射校正后得到絕對輻射亮度值圖像。由于部分波段的圖像存在嚴重的條帶噪聲，圖像質量較低，會影響高光譜圖像的應用效果； 為此，本文參考高海亮等[19]提出的基于參考波段的移動窗口條帶去噪方法，有效地去除了圖像的條帶噪聲，顯著地提高了圖像的清晰度，并保留了原始影像的基本信息。然后利用FLAASH大氣校正模型對高光譜輻亮度圖像進行大氣校正，最終獲得115個波段的地表反射率圖像。實驗采用的HJ-1A高光譜數據的2級產品已經過系統校正，為便于在圖像中對采樣點精確定位，使用Landsat8圖像作為標準圖像對HJ-1A圖像進行幾何精糾正。為避免光譜信息丟失，圖像重采樣采用最鄰近點法，選擇UTM投影，WGS84坐標系，控制點力求均勻分布，總誤差在0.5個像元之內。

2研究方法

2.1高光譜數據降維

HJ-1A高光譜數據的光譜分辨率很高，能探測到地物光譜特性的微小差異，為地物的精確監測提供了前提條件。但因光譜維度較高，數據信息冗余大，波段相關性強，會對高光譜數據的處理帶來困難； 因此，實現高光譜數據的降維對數據的后續處理具有重要意義[20]。通過數據降維，一方面能降低影像噪聲的影響，另一方面能減小數據的冗余，提高圖像處理的效率。本文參考劉春紅等[21]提出的自適應波段選擇(adaptive band selection,ABS)方法進行波段選擇。這種降維方法著重分析波段之間的空間相關性和譜間相關性，通過構造的數學模型獲得每個波段的ABS指數，ABS指數越大表明該波段信息量越大且與其他波段相關性越小。將ABS指數由大到小排列，根據實際應用需求選取排在前面的n個波段。ABS方法基于以下原則： ①選取的波段組合信息量豐富； ②選取波段之間相關性小。

構造的數學模型為

(1)

(2)

(3)

用ABS方法獲得的指數充分考慮了每個波段的信息富集程度以及與相鄰波段的相似性，Ii越大，相應圖像的信息量越大，越具代表性[21]。

2.2BP神經網絡模型及參數選擇

BP神經網絡技術是模擬人腦的神經網絡行為特征而建立的分布式并行信息處理算法的數學模型。該模型采用了反向傳播(back propagation,BP)算法訓練，其基本思想是： 如果利用已有權重和閾值正向傳播得不到期望的輸出，則反向傳播； 反復修改(迭代)各節點的權重和閾值，逐步減小代價函數，直至達到預先設定的要求。一般以代價函數小于某一相當小的正數，或迭代不再減小而使反復振蕩停止時，完成BP網絡的訓練及輸入與輸出之間映射關系的確定。簡言之，就是不斷調整權值，使網絡總誤差最小[22]。

本文將降維處理后的波段組合光譜反射率作為模型的輸入層； 輸出層為1個節點，對應礦物離子含量。隱含層節點數根據經驗公式確定，即

(4)

式中：n為隱含層節點數；ni為輸入節點數；n0為輸出節點數；a為1～10之間的常數。

通過不斷訓練，選取訓練效果較好的傳遞函數和訓練函數[23]。

2.3模型精度檢驗

由于樣本是小樣本數據，本文采用循環精度檢驗的方法進行精度驗證。其原理是： 抽取任一樣本作為檢驗值，將剩余樣本輸入模型進行訓練，利用訓練好的模型獲得抽取樣本的預測值； 循環以上步驟，即可得到所有樣本的預測值。循環精度檢驗的前提是假設訓練樣本數據的好壞程度基本一致，使得每次檢驗得出的模型可以大致認為是相同的[22]。

此外，本文還選擇以下2個指標來評價監測模型的預測效果。

1)決定系數(R2)。該指標反映用預測值解釋實測值變化的程度，R2越大，模型越穩定。其計算公式為

(5)

2)相對誤差(RE)。該指標反映預測的可信程度，是一個無量綱的值，RE越小，模型預測精度越高。其計算公式為

(6)

3結果與分析

3.1ABS指數求解

利用ABS方法求得的前20個指數如表1所示，其中，ABS指數值由高到低排列； 波段號為對應于HJ-1A高光譜數據115個波段的波段序號。

表1　ABS指數及對應波段號

3.2BP神經網絡模型建立

本文采用的BP神經網絡由Matlab的Neural Network Toolbox提供，共有3層，即輸入層、隱含層和輸出層。

訓練函數為trainlm( Levenberg-Marquardt BP訓練函數)，對中等規模的BP神經網絡有最快的收斂速度。網絡的學習函數為learngdm(梯度下降動量學習函數)，用于計算權值或閾值的變化率。網絡的性能函數采用mse(均方誤差性能函數)，是衡量“平均誤差”較快捷的方法。由于輸入數據與輸出數據量綱不同，所以首先要用premnmx函數對樣本數據做歸一化處理，訓練完畢后再用postmnmx函數做反歸一化處理。

以預測Na+離子含量的BP神經網絡為例，不同波段組合構建的BP神經網絡模型的訓練速度與精度如表2所示。

表2　不同波段組合BP神經網絡模型訓練速度與預測精度

①“5-4-1”表示神經網絡拓撲結構為5個輸入層節點、4個隱含層節點、1個輸出層節點； ②③④同理類推； ⑤R2為決定系數。

從表2可以看出，選取ABS指數排在前20,15,10的波段組合訓練的BP神經網絡模擬結果精度都很高，但運算效率隨波段組合數的減少而降低。波段組合數為5時，模擬結果精度較低且運算效率顯著下降。因此，本文選擇ABS指數排在前20位的波段組合作為BP神經網絡輸入層，神經網絡拓撲結構為20-5-1，即20個輸入層節點、5個隱含層節點、1個輸出層節點。

本文構建的BP神經網絡模型中的各個參數和傳遞函數、訓練函數等是經過多次試驗比較而得出的較優結果。

3.3模型精度分析

在循環精度檢驗中，先對所得的神經網絡模型進行初始化； 選出20個樣本輸入該神經網絡模型進行訓練，調整權值，用剩余的一個樣本來檢驗該模型誤差，若|y*-y|/y小于既定誤差(y*是預測值，y是實測值)，則將此結果計為“1”，否則結果記為“0”；

表3　不同離子含量反演的BP神經網絡模型評價

(a) 鹽湖鈉離子含量 (b) 鹽灘鈉離子含量 (c) 鹽湖氯離子含量(d) 鹽灘氯離子含量

(e) 鹽湖鎂離子含量 (f) 鹽灘鎂離子含量(g) 鹽湖硫酸根離子含量

(h) 鹽灘硫酸根離子含量(i) 鹽湖鉀離子含量(j) 鹽灘鉀離子含量

圖2實測礦物離子含量與神經網絡預測值的關系

Fig.2Relationship between measured mineral ions salinity and neural network predicted value

由于鹽湖與鹽灘采樣點的礦物離子含量差別很大，因此對鹽湖和鹽灘的樣本分別展示對應礦物離子含量實測與預測結果。從圖2可以看出，模型的驗證精度均為0.999 9，表明BP神經網絡可以很好地反演鹽湖礦物離子含量。

3.4鹽湖區域尺度礦物離子含量預測

(a) 鈉離子含量分布 (b) 鎂離子含量分布 (c) 氯離子含量分布

(d) 鉀離子含量分布(e) 硫酸根離子含量分布

圖3西臺吉乃爾湖不同礦物離子含量分布反演結果

Fig.3Retrieved results for spatial distribution of different mineral ions salinity in west Taijinar lake

4結論

1)傳統的鹽湖礦物資源監測采用已有資料研究和實地調查、實驗室分析等方法不僅時效性差、費時、費力，而且不能全面反映整個鹽湖礦物資源分布情況。本文采用高光譜遙感數據實現了全面、實時、準確地監測鹽湖的礦物離子含量，為鹽湖礦物資源監測提供了一種新方法。

2)HJ-1A衛星高光譜數據比多光譜數據具有更高的光譜分辨率，能探測到地物在光譜特性上更微小的差異，這為精確反演鹽湖礦物離子含量提供了前提條件。但龐大的數據量和波段之間復雜的相關性使高光譜數據處理存在一定困難。本文采用自適應波段選擇(ABS)的降維方法，并通過對比分析選擇出最優波段組合構成新的高光譜圖像空間，在不損失重要信息的情況下，大大降低了計算量，減少了噪聲干擾，提高了礦物離子含量反演的效率。

3)水體各項水質組分與光譜之間的相互影響是一種非常復雜的非線性關系，適合用神經網絡這樣的黑箱模型來模擬。本文采用BP神經網絡很好地模擬了鹽湖礦物離子含量與光譜反射率之間的關系，構建的模型精度較高，且模型穩定性高，反演結果符合實地調查情況。因此，應用BP神經網絡模型能夠有效地反演鹽湖礦物離子含量。

4)經研究、分析和對比，發現西臺吉乃爾湖近幾年鹽湖面積和礦物離子含量分布情況發生了較大變化。氣候變化的影響與人工對地表徑流的干擾使得鹽湖長期處于鹵水供給不足的環境下，西臺吉乃爾湖已顯現明顯的退化趨勢。

參考文獻(References)：

[1]程芳琴,張亞寧,常慧敏,等.紫外分光光度法測定鹽湖鹵水中鈣鎂離子含量[J].無機鹽工業,2006,38(4):54-56.

Cheng F Q,Zhang Y N,Chang H M,et al.UV spectrophotometric determination of magnesium and calcium in brine from salt lake[J].Inorganic Chemicals Industry,2006,38(4):54-56.

[2]楊英桂,黃梓平.察爾汗鹽湖晶間鹵水中氯離子含量測定方法探討[J].青海大學學報:自然科學版,2003,21(5):36-37.

Yang Y G,Huang Z P.Measuring on chlorine ion content in bittern of Carerhan salt lake[J].Journal of Qinghai University,2003,21(5):36-37.

[3]王騰,韓鳳清,馬茹瑩,等.青海察爾汗鹽湖別勒灘區段晶間鹵水全氮地球化學分布特征[J].鹽湖研究,2014,22(2):33-38.

Wang T,Han F Q,Ma R Y,et al.Total nitrogen distribution geochemical characteristics of intercrystal brine in bieletan section of Qarhan salt lake[J].Journal of Salt Lake Research,2014,22(2):33-38.

[4]張燕霞,韓鳳清,馬茹瑩,等.內蒙古西部地區鹽湖水化學特征[J].鹽湖研究,2013,21(3):17-24.

Zhang Y X,Han F Q,Ma R Y,et al.Hydrochemical characteristics of salt lakes in western region of inner Mongolia,China[J].Journal of Salt Lake Research,2013,21(3):17-24.

[5]張博,張柏,洪梅,等.湖泊水質遙感研究進展[J].水科學進展,2007,18(2):301-310.

Zhang B,Zhang B,Hong M,et al.Advance in remote sensing of lake water quality[J].Advances in Water Science,2007,18(2):301-310.

[6]張大林,田淑芳,欒學文.西藏扎布耶鹽湖氧化硼含量空間分布遙感研究[J].國土資源遙感,2007,19(1):32-35.doi:10.6046/gtzyyg.2007.01.06.

Zhang D L,Tian S F,Luan X W.Remote sensing research on the spatial distribution of Boric anhydride in the Zhabuye salt lake of Tibet[J].Remote Sensing for Land and Resources,2007,19(1):32-35.doi:10.6046/gtzyyg.2007.01.06.

[7]田淑芳,秦緒文,鄭綿平,等.西藏扎布耶鹽湖總鹽含量遙感定量分析[J].現代地質,2005,19(4):596-602.

Tian S F,Qin X W,Zheng M P,et al.Quantitative analysis of remote sensing on the total salinity of Zhabuye salt lake in Tibet[J].Geoscience,2005,19(4):596-602.

[8]楊雪,張廷斌,徐志忠,等.現代鹽湖型鉀鹽成礦遙感預測——以扎布耶鹽湖為例[J].鹽湖研究,2014,22(2):14-19.

Yang X,Zhang Y B,Xu Z Z,et al.Potassium metallogenic prediction of modern saline lake based on remote sensing:Focus on Zabuye saline lake[J].Journal of Salt Lake Research,2014,22(2):14-19.

[9]張焜,馬世斌,劉麗萍.基于SPOT5數據的鹽湖礦產開發及礦山環境遙感監測[J].國土資源遙感,2012,24(3):146-153.doi:10.6046/gtzyyg.2012.03.26.

Zhang K,Ma S B,Liu L P.Remote sensing monitoring of the mineral resources exploration and mining environment of the salt lake based on SPOT5 data[J].Remote Sensing for Land and Resources,2012,24(3):146-153.doi:10.6046/gtzyyg.2012.03.26.

[10]王躍峰,白朝軍.西藏鹽湖礦產資源遙感定量預測方法研究[J].鹽湖研究,2012,20(2):11-17,43.

Wang Y F,Bai C J.Remote sensing assessment of salt lake mineral resources in Tibet,China[J].Journal of Salt Lake Research,2012,20(2):11-17,43.

[11]Hung M C,Wu Y H.Mapping and visualizing the Great Salt Lake landscape dynamics using multi-temporal satellite images,1972-1996[J].International Journal of Remote Sensing,2005,26(9):1815-1834.

[12]Roshier D A,Rumbachs R M.Broad-scale mapping of temporary wetlands in arid Australia[J].Journal of Arid Environments,2004,56(2):249-263.

[13]Castaneda C,Herrero J,Casterad M A.Landsat monitoring of Playa-lakes in the Spanish Monegros desert[J].Journal of Arid Environments,2005,63(3):497-516.

[14]French R H,Miller J J,Dettling C,et al.Use of remotely sensed data to estimate the flow of water to a playa lake[J].Journal of Hydrology,2006,325(1/4):67-81.

[15]袁迎輝,林子瑜.高光譜遙感技術綜述[J].中國水運,2007,7(8):155-157.

Yuan Y H,Lin Z Y.High spectrum remote sensing technology summary[J].China Water Transport,2007,7(8):155-157.

[16]周立國,馮學智,肖鵬峰,等.鹽湖遙感研究的進展與展望[J].地球科學進展,2009,24(2):141-149.

Zhou L G,Feng X Z,Xiao P F,et al.Advance and prospection of remote sensing application to salt lakes[J].Advances in Earth Science,2009,24(2):141-149.

[17]呂恒,李新國,曹凱.基于BP神經網絡模型的太湖懸浮物濃度遙感定量提取研究[J].武漢大學學報:信息科學版,2006,31(8):683-686,735.

Lyu H,Li X G,Cao K.Quantitative retrieval of suspended solid concentration in lake Taihu based on BP neural net[J].Geomatics and Information Science of Wuhan University,2006,31(8):683-686,735.

[18]鄭喜玉,張明剛,徐昶,等.中國鹽湖志[M].北京:科學出版社,2002:163-164.

Zheng X Y,Zhang M G,Xu C,et al.Journal of China Salt Lake[M].Beijing:Science Press,2002:163-164.

[19]高海亮,顧行發,余濤,等.基于參考波段的去除HJ-1A星HSI圖像中條帶噪聲的方法[J].紅外,2013,34(3):7-11.

Gao H L,Gu X F,Yu T,et al.A refrence-band-based method for removing stripe noise from HJ-1A HSI images[J].Infrared,2013,34(3):7-11.

[20]趙春暉,陳萬海,楊雷.高光譜遙感圖像最優波段選擇方法的研究進展與分析[J].黑龍江大學自然科學學報,2007,24(5):592-602.

Zhao C H,Chen W H,Yang L.Research advances and analysis of hyperspectral remote sensing image band selection[J].Journal of Natural Science of Heilongjiang University,2007,24(5):592-602.

[21]劉春紅,趙春暉,張凌雁.一種新的高光譜遙感圖像降維方法[J].中國圖象圖形學報,2005,10(2):218-222.

Liu C H,Zhao C H,Zhang L Y.A new method of hyperspectral remote sensing image dimensional reduction[J].Journal of Image and Graphics,2005,10(2):218-222.

[22]樊彥國,侯春玲,朱浩,等.基于BP神經網絡的鹽漬土鹽分遙感反演模型研究[J].地理與地理信息科學,2010,26(6):24-27.

Fan Y G,Hou C L,Zhu H,et al.Research on salinity inversion from remote sensing of saline soil based on BP neural network[J].Geography and Geo-Information Science,2010,26(6):24-27.

[23]朱繼文,劉丹丹.基于高光譜數據的土壤含鹽量BP神經網絡模型研究[J].東北農業大學學報,2009,40(10):115-118.

Zhu J W,Liu D D.Research on the BP neural network model of soil salt contents by using hyperspectral data[J].Journal of Northeast Agricultural University,2009,40(10):115-118.

[24]張娟娟,余華,喬紅波,等.基于高光譜特征的土壤有機質含量估測研究[J].中國生態農業學報,2012,20(5):566-572.

Zhang J J,Yu H,Qiao H B,et al.Soil organic matter content estimation based on hyperspectral properties[J].Chinese Journal of Eco-Agriculture,2012,20(5):566-572.

[25]楊婷,張慧,王橋,等.基于HJ-1A衛星超光譜數據的太湖葉綠素a濃度及懸浮物濃度反演[J].環境科學,2011,32(11):3207-3214.

Yang T,Zhang H,Wang Q,et al.Study of retrieving for chlorophyll-a concentration and suspended substance concentration based on HJ-1A HIS image[J].Environmental Science,2011,32(11):3207-3214.

[26]張西營,馬海州,高東林,等.柴達木盆地西臺吉乃爾鹽湖礦區鹵水水化學特征[J].鹽湖研究,2007,15(2):12-20.

Zhang X Y,Ma H Z,Gao D L,et al.Hydrochemical characteristics of brines in the mining area of west Taijinar salt lake in Qaidam basin[J].Journal of Salt Lake Research,2007,15(2):12-20.

(責任編輯： 劉心季)

Retrieving of salt lake mineral ions salinity from hyper-spectral data based on BP neural network

ZHOU Yamin1， ZHANG Rongqun1， MA Hongyuan1， ZHANG Jian2， ZHANG Xiaoshuan1

(1.CollegeofInformation&ElectricalEngineering,ChinaAgricultureUniversity,Beijing100083,China； 2.CollegeofEconomicandManagement,BeijingInformationScience&TechnologyUniversity,Beijing100192,China)

Abstract:Hyper-spectral remote sensing data can provide more spectral information and describe the spectral signature of salt lake more accurately than multi-spectral remote sensing data. Based on the theory of remote sensing on water, the authors analyzed the band correlation and information of HJ-1A satellite hyper-spectrum image by using adaptive band selection(ABS) method. Combined with BP neural network techniques, the authors determined the optimal band combination, established the retrieval models for mineral ions salinity of salt lake, quantitatively determined the salinities of K+, Mg2+, Na+, Cl-, ions of west Taijinar Salt Lake in Qaidam Basin, and acquired the spatial distribution siuation of mineral ions salinity. The results show that the forecast accuracy of BP neural network models are exclusively higher than 85%, the spatial distribution of mineral ions content of salt lake is consistent with the result of field survey. The research confirms that the correlation of BP neural network and domestic hyper-spectral remote sensing data can be used to monitor the mineral resource of salt lake dynamically, thus providing the scientific foundation for the reasonable development and efficient utilization.

Keywords:mineral ions content； remote sensing retrieval； hyper-spectral data； adaptive band selection(ABS)； BP neural network

doi:10.6046/gtzyyg.2016.02.06

收稿日期：2014-11-13；

修訂日期：2014-12-18

基金項目：國家科技支撐計劃項目“循環經濟試驗區產業集群科技服務集成平臺研發與應用”(編號： 2012BAH10F01)資助。

中圖法分類號：TP 751.1

文獻標志碼：A

文章編號：1001-070X(2016)02-0034-07

第一作者簡介：周亞敏(1989-),女,碩士研究生,主要研究方向為地理信息技術與遙感應用。Email： 591283291@qq.com。

通信作者：張榮群(1964-),男,教授,主要從事地圖學與3S技術綜合應用研究。Email： zhangrq@cau.edu.cn。

引用格式： 周亞敏,張榮群,馬鴻元,等.基于BP神經網絡的鹽湖礦物離子含量高光譜反演[J].國土資源遙感,2016,28(2)：34-40.(Zhou Y M,Zhang R Q,Ma H Y,et al.Retrieving of salt lake mineral ions salinity from hyper-spectral data based on BP neural network[J].Remote Sensing for Land and Resources,2016,28(2)：34-40.)