基于BP神經(jīng)網(wǎng)絡(luò)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(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院,北京　100083； 2.北京信息科技大學(xué)經(jīng)濟與管理學(xué)院,北京　100192)

基于BP神經(jīng)網(wǎng)絡(luò)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(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院,北京100083； 2.北京信息科技大學(xué)經(jīng)濟與管理學(xué)院,北京100192)

摘要：高光譜遙感數(shù)據(jù)能夠提供比多光譜遙感數(shù)據(jù)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(chǔ)上，采用自適應(yīng)波段選擇(adaptive band selection,ABS)方法對HJ-1A衛(wèi)星高光譜數(shù)據(jù)的波段相關(guān)性和信息量進行分析，結(jié)合BP神經(jīng)網(wǎng)絡(luò)技術(shù)確定最優(yōu)波段組合并構(gòu)建鹽湖礦物離子含量的反演模型，對柴達(dá)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(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)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(diào)查結(jié)果基本一致。因此，利用高光譜數(shù)據(jù)和BP神經(jīng)網(wǎng)絡(luò)可以對鹽湖礦物資源進行大范圍動態(tài)監(jiān)測，為鹽湖資源的合理開發(fā)和高效利用提供科學(xué)依據(jù)。

關(guān)鍵詞：礦物離子含量； 遙感反演； 高光譜數(shù)據(jù)； 自適應(yīng)波段選擇(ABS)； BP神經(jīng)網(wǎng)絡(luò)

0引言

近年來，國內(nèi)外研究學(xué)者對鹽湖礦物離子含量的監(jiān)測進行了大量研究。傳統(tǒng)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(zhǔn)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(shù)的快速發(fā)展，應(yīng)用遙感方法研究鹽湖受到越來越多的關(guān)注[5]。遙感具有宏觀、動態(tài)、實時等優(yōu)點。 目前，對鹽湖的遙感研究大多基于多光譜數(shù)據(jù)，采用統(tǒng)計方法，依據(jù)經(jīng)驗?zāi)Ｐ瞳@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(fù)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(shù)據(jù)中找到相對應(yīng)的波段； 因此，利用多光譜數(shù)據(jù)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(fù)雜的光譜特征，使得本來在寬波段遙感中不可探測的物質(zhì)可以被探測到[15]。因此，采用高光譜數(shù)據(jù)能夠精確地描述鹽湖的光譜特征，為監(jiān)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(fù)雜的非線性關(guān)系[16]，故利用傳統(tǒng)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(jīng)網(wǎng)絡(luò)模型由于其具備映射復(fù)雜關(guān)系的能力，非常適用于光學(xué)特征復(fù)雜的水體參數(shù)的提取[17]； 因此，對鹽湖礦物離子含量可采用BP神經(jīng)網(wǎng)絡(luò)模型進行模擬。

1研究區(qū)與數(shù)據(jù)

1.1研究區(qū)概況

西臺吉乃爾湖位于青海省柴達(dá)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(zhèn)約130 km。鹽湖湖盆呈近似三角形，為封閉的內(nèi)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(xué)類型為硫酸鎂亞型，富含K,B,Li等元素，有較好的開發(fā)應(yīng)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(shù)據(jù)獲取與預(yù)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(shù)據(jù)，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(nèi)； 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(shù)據(jù)的2級產(chǎn)品采用HDF5格式，需格式轉(zhuǎn)換為ENVI可讀文件； 經(jīng)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(yán)重的條帶噪聲，圖像質(zhì)量較低，會影響高光譜圖像的應(yīng)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(shù)據(jù)的2級產(chǎn)品已經(jīng)過系統(tǒng)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(biāo)準(zhǔn)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(biāo)系，控制點力求均勻分布，總誤差在0.5個像元之內(nèi)。

2研究方法

2.1高光譜數(shù)據(jù)降維

HJ-1A高光譜數(shù)據(jù)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(jiān)測提供了前提條件。但因光譜維度較高，數(shù)據(jù)信息冗余大，波段相關(guān)性強，會對高光譜數(shù)據(jù)的處理帶來困難； 因此，實現(xiàn)高光譜數(shù)據(jù)的降維對數(shù)據(jù)的后續(xù)處理具有重要意義[20]。通過數(shù)據(jù)降維，一方面能降低影像噪聲的影響，另一方面能減小數(shù)據(jù)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(yīng)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(guān)性和譜間相關(guān)性，通過構(gòu)造的數(shù)學(xué)模型獲得每個波段的ABS指數(shù)，ABS指數(shù)越大表明該波段信息量越大且與其他波段相關(guān)性越小。將ABS指數(shù)由大到小排列，根據(jù)實際應(yīng)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(guān)性小。

構(gòu)造的數(shù)學(xué)模型為

(1)

(2)

(3)

用ABS方法獲得的指數(shù)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(yīng)圖像的信息量越大，越具代表性[21]。

2.2BP神經(jīng)網(wǎng)絡(luò)模型及參數(shù)選擇

BP神經(jīng)網(wǎng)絡(luò)技術(shù)是模擬人腦的神經(jīng)網(wǎng)絡(luò)行為特征而建立的分布式并行信息處理算法的數(shù)學(xué)模型。該模型采用了反向傳播(back propagation,BP)算法訓(xùn)練，其基本思想是： 如果利用已有權(quán)重和閾值正向傳播得不到期望的輸出，則反向傳播； 反復(fù)修改(迭代)各節(jié)點的權(quán)重和閾值，逐步減小代價函數(shù)，直至達(dá)到預(yù)先設(shè)定的要求。一般以代價函數(shù)小于某一相當(dāng)小的正數(shù)，或迭代不再減小而使反復(fù)振蕩停止時，完成BP網(wǎng)絡(luò)的訓(xùn)練及輸入與輸出之間映射關(guān)系的確定。簡言之，就是不斷調(diào)整權(quán)值，使網(wǎng)絡(luò)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(jié)點，對應(yīng)礦物離子含量。隱含層節(jié)點數(shù)根據(jù)經(jīng)驗公式確定，即

(4)

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

通過不斷訓(xùn)練，選取訓(xùn)練效果較好的傳遞函數(shù)和訓(xùn)練函數(shù)[23]。

2.3模型精度檢驗

由于樣本是小樣本數(shù)據(jù)，本文采用循環(huán)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(xùn)練，利用訓(xùn)練好的模型獲得抽取樣本的預(yù)測值； 循環(huán)以上步驟，即可得到所有樣本的預(yù)測值。循環(huán)精度檢驗的前提是假設(shè)訓(xùn)練樣本數(shù)據(jù)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(rèn)為是相同的[22]。

此外，本文還選擇以下2個指標(biāo)來評價監(jiān)測模型的預(yù)測效果。

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

(5)

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

(6)

3結(jié)果與分析

3.1ABS指數(shù)求解

利用ABS方法求得的前20個指數(shù)如表1所示，其中，ABS指數(shù)值由高到低排列； 波段號為對應(yīng)于HJ-1A高光譜數(shù)據(jù)115個波段的波段序號。

表1　ABS指數(shù)及對應(yīng)波段號

3.2BP神經(jīng)網(wǎng)絡(luò)模型建立

本文采用的BP神經(jīng)網(wǎng)絡(luò)由Matlab的Neural Network Toolbox提供，共有3層，即輸入層、隱含層和輸出層。

訓(xùn)練函數(shù)為trainlm( Levenberg-Marquardt BP訓(xùn)練函數(shù))，對中等規(guī)模的BP神經(jīng)網(wǎng)絡(luò)有最快的收斂速度。網(wǎng)絡(luò)的學(xué)習(xí)函數(shù)為learngdm(梯度下降動量學(xué)習(xí)函數(shù))，用于計算權(quán)值或閾值的變化率。網(wǎng)絡(luò)的性能函數(shù)采用mse(均方誤差性能函數(shù))，是衡量“平均誤差”較快捷的方法。由于輸入數(shù)據(jù)與輸出數(shù)據(jù)量綱不同，所以首先要用premnmx函數(shù)對樣本數(shù)據(jù)做歸一化處理，訓(xùn)練完畢后再用postmnmx函數(shù)做反歸一化處理。

以預(yù)測Na+離子含量的BP神經(jīng)網(wǎng)絡(luò)為例，不同波段組合構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練速度與精度如表2所示。

表2　不同波段組合BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練速度與預(yù)測精度

①“5-4-1”表示神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為5個輸入層節(jié)點、4個隱含層節(jié)點、1個輸出層節(jié)點； ②③④同理類推； ⑤R2為決定系數(shù)。

從表2可以看出，選取ABS指數(shù)排在前20,15,10的波段組合訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)模擬結(jié)果精度都很高，但運算效率隨波段組合數(shù)的減少而降低。波段組合數(shù)為5時，模擬結(jié)果精度較低且運算效率顯著下降。因此，本文選擇ABS指數(shù)排在前20位的波段組合作為BP神經(jīng)網(wǎng)絡(luò)輸入層，神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為20-5-1，即20個輸入層節(jié)點、5個隱含層節(jié)點、1個輸出層節(jié)點。

本文構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型中的各個參數(shù)和傳遞函數(shù)、訓(xùn)練函數(shù)等是經(jīng)過多次試驗比較而得出的較優(yōu)結(jié)果。

3.3模型精度分析

在循環(huán)精度檢驗中，先對所得的神經(jīng)網(wǎng)絡(luò)模型進行初始化； 選出20個樣本輸入該神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，調(diào)整權(quán)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(yù)測值，y是實測值)，則將此結(jié)果計為“1”，否則結(jié)果記為“0”；

表3　不同離子含量反演的BP神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)預(yù)測值的關(guān)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(yīng)礦物離子含量實測與預(yù)測結(jié)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(jīng)網(wǎng)絡(luò)可以很好地反演鹽湖礦物離子含量。

3.4鹽湖區(qū)域尺度礦物離子含量預(yù)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(jié)果

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

4結(jié)論

1)傳統(tǒng)的鹽湖礦物資源監(jiān)測采用已有資料研究和實地調(diào)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(shù)據(jù)實現(xiàn)了全面、實時、準(zhǔn)確地監(jiān)測鹽湖的礦物離子含量，為鹽湖礦物資源監(jiān)測提供了一種新方法。

2)HJ-1A衛(wèi)星高光譜數(shù)據(jù)比多光譜數(shù)據(jù)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(shù)據(jù)量和波段之間復(fù)雜的相關(guān)性使高光譜數(shù)據(jù)處理存在一定困難。本文采用自適應(yīng)波段選擇(ABS)的降維方法，并通過對比分析選擇出最優(yōu)波段組合構(gòu)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(zhì)組分與光譜之間的相互影響是一種非常復(fù)雜的非線性關(guān)系，適合用神經(jīng)網(wǎng)絡(luò)這樣的黑箱模型來模擬。本文采用BP神經(jīng)網(wǎng)絡(luò)很好地模擬了鹽湖礦物離子含量與光譜反射率之間的關(guān)系，構(gòu)建的模型精度較高，且模型穩(wěn)定性高，反演結(jié)果符合實地調(diào)查情況。因此，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型能夠有效地反演鹽湖礦物離子含量。

4)經(jīng)研究、分析和對比，發(fā)現(xiàn)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(fā)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(huán)境下，西臺吉乃爾湖已顯現(xiàn)明顯的退化趨勢。

參考文獻(xiàn)(References)：

[1]程芳琴,張亞寧,?；勖?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(yè),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(xué)學(xué)報:自然科學(xué)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(qū)段晶間鹵水全氮地球化學(xué)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(nèi)蒙古西部地區(qū)鹽湖水化學(xué)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(zhì)遙感研究進展[J].水科學(xué)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(xué)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(xiàn)代地質(zhì),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(xiàn)代鹽湖型鉀鹽成礦遙感預(yù)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(shù)據(jù)的鹽湖礦產(chǎn)開發(fā)及礦山環(huán)境遙感監(jiān)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(chǎn)資源遙感定量預(yù)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(shù)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(xué)智,肖鵬峰,等.鹽湖遙感研究的進展與展望[J].地球科學(xué)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(jīng)網(wǎng)絡(luò)模型的太湖懸浮物濃度遙感定量提取研究[J].武漢大學(xué)學(xué)報:信息科學(xué)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(xué)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(fā),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(yōu)波段選擇方法的研究進展與分析[J].黑龍江大學(xué)自然科學(xué)學(xué)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(xué)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(jīng)網(wǎng)絡(luò)的鹽漬土鹽分遙感反演模型研究[J].地理與地理信息科學(xué),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(shù)據(jù)的土壤含鹽量BP神經(jīng)網(wǎng)絡(luò)模型研究[J].東北農(nóng)業(yè)大學(xué)學(xué)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(zhì)含量估測研究[J].中國生態(tài)農(nóng)業(yè)學(xué)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(wèi)星超光譜數(shù)據(jù)的太湖葉綠素a濃度及懸浮物濃度反演[J].環(huán)境科學(xué),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(dá)木盆地西臺吉乃爾鹽湖礦區(qū)鹵水水化學(xué)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(zé)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(huán)經(jīng)濟試驗區(qū)產(chǎn)業(yè)集群科技服務(wù)集成平臺研發(fā)與應(yīng)用”(編號： 2012BAH10F01)資助。

中圖法分類號：TP 751.1

文獻(xiàn)標(biāo)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(shù)與遙感應(yīng)用。Email： 591283291@qq.com。

通信作者：張榮群(1964-),男,教授,主要從事地圖學(xué)與3S技術(shù)綜合應(yīng)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(jīng)網(wǎng)絡(luò)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.)