胡丹娟， 蔣金豹， 陳緒慧， 李京

(1.中國礦業(yè)大學(xué)地球科學(xué)與測繪工程學(xué)院，北京　100083;

2.北京師范大學(xué)減災(zāi)與應(yīng)急管理學(xué)院，北京　100875)

?

基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)裸露地表土壤水分反演模型對比

胡丹娟1， 蔣金豹1， 陳緒慧1， 李京2

(1.中國礦業(yè)大學(xué)地球科學(xué)與測繪工程學(xué)院，北京100083;

2.北京師范大學(xué)減災(zāi)與應(yīng)急管理學(xué)院，北京100875)

摘要：土壤水分對于全球水循環(huán)十分重要，大面積、快速獲取土壤水分信息具有重要意義。微波遙感數(shù)據(jù)可以用于反演土壤水分。以Matlab為平臺建立BP神經(jīng)網(wǎng)絡(luò)，通過改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值和網(wǎng)絡(luò)結(jié)構(gòu)，對該算法進(jìn)行了優(yōu)化； 在研究區(qū)范圍，分別利用積分方程模型(integral equation model,IEM)、Oh模型、Shi模型生成模擬數(shù)據(jù)，訓(xùn)練改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建裸露地表土壤水分反演模型，并用野外實(shí)測土壤水分?jǐn)?shù)據(jù)對模型進(jìn)行了驗(yàn)證。結(jié)果表明，改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)算法反演精度明顯提高，且Shi模型訓(xùn)練網(wǎng)絡(luò)反演精度較其他2種模型更高，絕對誤差為2.47 g/cm3，相對誤差僅為7.78%。

關(guān)鍵詞：微波遙感； 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)； 裸露地表； 土壤水分； 反演模型

0引言

土壤水分是土壤的重要組成部分，是土壤物質(zhì)交換的重要媒介，對土壤生物、植物等影響極大，也密切影響著全球水循環(huán)，因此，大面積測量土壤水分有著十分重要的實(shí)際意義。微波遙感具有全天候、全天時獲取探測數(shù)據(jù)的能力和對不同含水量土壤有不同的輻射特性[1]，已被廣泛用于大面積土壤水分的反演研究。目前用于裸露地表的微波散射模型主要有理論模型——積分方程模型(integral equation model,IEM)[2]及經(jīng)驗(yàn)、半經(jīng)驗(yàn)?zāi)Ｐ汀狾h模型[3]和Shi模型[4]等。IEM模型適用的地表粗糙度范圍很寬，經(jīng)過不斷改進(jìn)，可模擬不同粗糙度情況下地表后向散射系數(shù)變化； Oh模型是Oh 等[3]在不同波段、極化、角度、粗糙度及土壤水分條件下建立散射計實(shí)測數(shù)據(jù)庫，得到的同極化和交叉極化后向散射系數(shù)同介電常數(shù)及地表粗糙度的經(jīng)驗(yàn)?zāi)Ｐ停?Shi模型是Shi 等[4]基于單散射的IEM模型，模擬不同地表粗糙度和土壤體積含水量條件下地表后向散射系數(shù)變化，提出了L 波段數(shù)據(jù)后向散射系數(shù)與地表粗糙度和土壤水分之間的關(guān)系。

反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)算法廣泛用于非線性擬合、分類等問題等。近年來，許多學(xué)者也開展了利用BP神經(jīng)網(wǎng)絡(luò)算法反演土壤水分的研究，如田芳明等[5]利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測土壤水分; 黃飛[6]使用AMSR-E和BP神經(jīng)網(wǎng)絡(luò)反演川中丘陵區(qū)土壤水分; 余凡等[7]采用遺傳BP神經(jīng)網(wǎng)絡(luò)的主被動遙感協(xié)同反演土壤水分; 林潔等[8]基于BP神經(jīng)網(wǎng)絡(luò)進(jìn)行太湖典型農(nóng)田土壤水分動態(tài)模擬等?？紤]到BP神經(jīng)網(wǎng)絡(luò)算法具有訓(xùn)練速度慢、極易陷入局部最小值和不穩(wěn)定等問題，本文提出改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的方法，以提高利用微波遙感反演土壤水分的精度。

1模型簡介與分析

雷達(dá)影像獲取的后向散射系數(shù)主要受地表粗糙度和土壤水分的影響，本文在研究區(qū)選取了72個實(shí)驗(yàn)點(diǎn)，分別測量了各實(shí)驗(yàn)點(diǎn)粗糙度、土壤水分等數(shù)據(jù)。利用IEM模型、Oh模型和Shi模型3種微波散射模型，根據(jù)實(shí)驗(yàn)點(diǎn)實(shí)測數(shù)據(jù)，確定模型各個參數(shù)的范圍和步長； 使用Matlab編程，建立了微波散射模型，反演土壤水分； 還分別模擬出72個實(shí)驗(yàn)點(diǎn)的HH和HV極化方式的后向散射系數(shù)，與從雷達(dá)影像上獲取的后向散射系數(shù)進(jìn)行對比，以便分析哪種模型更適合研究區(qū)土壤水分的反演。

模型中用到地表均方根高度s、地表相關(guān)長度l、土壤體積含水量mv等參數(shù)，具體設(shè)置見表1。72個實(shí)驗(yàn)點(diǎn)HH和HV極化的后向散射系數(shù)與雷達(dá)影像上獲取的后向散射系數(shù)對比結(jié)果如圖1所示。

表1　模型參數(shù)設(shè)置

(a) IEM模型(HH極化) (b) IEM模型(HV極化)

(c) Oh模型(HH極化)(d) Oh模型(HV極化)

(e) Shi模型(HH極化)(f) Shi模型(HV極化)

圖1HH(左)、HV(右)極化的后向散射系數(shù)實(shí)測值與模擬值對比

Fig.1Contrast of measured back scattering values of HH (left) and HV (right) polarization with simulation values

2土壤水分的神經(jīng)網(wǎng)絡(luò)反演模型

2.1BP神經(jīng)網(wǎng)絡(luò)改進(jìn)

本文對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)作了一些改進(jìn)[9-13]。實(shí)驗(yàn)中設(shè)置了多組初始值，根據(jù)網(wǎng)絡(luò)訓(xùn)練結(jié)果，選擇較好的一組作為網(wǎng)絡(luò)初始值，通過增加訓(xùn)練數(shù)據(jù)量改變網(wǎng)絡(luò)結(jié)構(gòu)。具體做法如下：

1)初始時將收斂系數(shù)和動量系數(shù)設(shè)為較大值0.5，每次循環(huán)以0.05遞減，直到達(dá)到系數(shù)最小值停止，其中收斂系數(shù)最小值設(shè)置為0，動量系數(shù)最小值設(shè)置為0.005。

2)隨著收斂系數(shù)和動量系數(shù)的遞減，網(wǎng)絡(luò)誤差不斷變化，選擇誤差接近于0且網(wǎng)絡(luò)穩(wěn)定時的收斂系數(shù)和動量系數(shù)作為網(wǎng)絡(luò)初始值。

3)選擇合適的隱含層神經(jīng)元個數(shù)。設(shè)置第一、第二隱含層神經(jīng)元個數(shù)從2—10循環(huán)，根據(jù)處理結(jié)果的誤差大小及收斂速度標(biāo)準(zhǔn)，選擇最優(yōu)的神經(jīng)元個數(shù)為網(wǎng)絡(luò)神經(jīng)元數(shù)。

4)通過減小參數(shù)的步長，增加訓(xùn)練數(shù)據(jù)量，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。通過逐漸減小參數(shù)步長，得到訓(xùn)練數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，當(dāng)網(wǎng)絡(luò)誤差不再減小時，選取該步長的訓(xùn)練數(shù)據(jù)作為本次實(shí)驗(yàn)的網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)。

2.2土壤水分反演方法

(1)

具體輸出為

(2)

式中神經(jīng)網(wǎng)絡(luò)輸入變量σHH和σHV分別表示HH和HV極化方式的后向散射系數(shù)。

2)網(wǎng)絡(luò)設(shè)置。構(gòu)建4層神經(jīng)網(wǎng)絡(luò)，第一層為輸入層，第二、第三層為隱含層，第四層為輸出層，輸入、輸出神經(jīng)元個數(shù)均為2個，網(wǎng)絡(luò)訓(xùn)練次數(shù)為1 000。

3土壤水分反演結(jié)果

3.1研究區(qū)及數(shù)據(jù)

研究區(qū)在北京市大興區(qū)，與北京市通州區(qū)、豐臺區(qū)、朝陽區(qū)以及河北省固安縣和霸州市接壤，地理位置在E116°13′~116°43′，N39°26′~39°51′之間。大興區(qū)屬于永定河沖積平原，地勢自西向東南緩傾，大部分地區(qū)海拔在14～52 m之間，屬暖溫帶半濕潤大陸季風(fēng)氣候。本次野外實(shí)驗(yàn)在2013年11月14日進(jìn)行，選擇72個實(shí)驗(yàn)點(diǎn)地表主要為裸露地表，土壤質(zhì)地為沙土占42.1%、泥土占54.9%。

借助全球定位系統(tǒng)(global positioning system,GPS)測定實(shí)驗(yàn)點(diǎn)位坐標(biāo)。為避免實(shí)驗(yàn)點(diǎn)代表性誤差的影響，在以實(shí)驗(yàn)點(diǎn)為中心的10 m×10 m區(qū)域內(nèi)，利用時間域反射計(time domain reflectometry,TDR)測量10個點(diǎn)的土壤體積含水量，用紅外測溫儀測量10個點(diǎn)的地表溫度，取平均值作為該點(diǎn)的土壤體積含水量和地表溫度，同時在各實(shí)驗(yàn)點(diǎn)取適量土樣，經(jīng)烘干測得各點(diǎn)的土壤質(zhì)量含水量。地表粗糙度則利用粗糙度板測量，將粗糙度板與地表垂直平穩(wěn)充分接觸，使用相機(jī)拍攝粗糙度板的指針起伏曲線，計算實(shí)驗(yàn)點(diǎn)的地表均方根高度和表面相關(guān)長度。

本文使用的ALOS/PALSAR遙感影像獲取時間為2010年11月14日，有HH與HV這2種極化方式，影像的中心頻率為1.27 GHz，分辨率為12.5 m，入射角為34.3°。

3.2反演結(jié)果比較

本文分別利用IEM模型、Oh模型、Shi模型生成的數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)進(jìn)行預(yù)測，實(shí)驗(yàn)點(diǎn)實(shí)測數(shù)據(jù)則作為檢驗(yàn)數(shù)據(jù)。預(yù)測值與實(shí)測值的對比結(jié)果如圖2所示。

(a) 改進(jìn)前IEM模型(b) 改進(jìn)后IEM模型

(c) 改進(jìn)前Oh模型(d) 改進(jìn)后Oh模型

圖2-1改進(jìn)前后BP神經(jīng)網(wǎng)絡(luò)反演結(jié)果對比

Fig.2-1Inversion result contrast of before and after improved BP neural network

(e) 改進(jìn)前Shi模型(f) 改進(jìn)后Shi模型

圖2-2改進(jìn)前后BP神經(jīng)網(wǎng)絡(luò)反演結(jié)果對比

Fig.2-2Inversion result contrast of before and after improved BP neural network

由圖2可以看出，改進(jìn)前的BP神經(jīng)網(wǎng)絡(luò)反演土壤水分誤差很大，不能有效地估計試驗(yàn)區(qū)土壤水分; 改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)反演土壤水分結(jié)果較好，實(shí)測值和預(yù)測值有很好的擬合性，基本趨勢相同，只有少數(shù)點(diǎn)偏差較大，所以這3種模型都可以用來反演試驗(yàn)區(qū)的土壤水分。

3.3精度評定

本文利用微波遙感反演研究區(qū)裸露地表土壤水分，采用IEM模型、Oh模型以及Shi模型訓(xùn)練改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)反演土壤水分，與實(shí)驗(yàn)點(diǎn)實(shí)測土壤水分作對比，結(jié)果如圖3所示，誤差大小及相關(guān)系數(shù)見表2。

(a) IEM模型 (b) oh模型 (c) Shi模型

圖3　土壤水分反演精度比較

通過對比可見，利用Shi模型生成的訓(xùn)練數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)的結(jié)果較Oh模型和IEM模型更好。將變?yōu)楹笙蛏⑸湎禂?shù)圖的影像帶入訓(xùn)練好的網(wǎng)絡(luò)，即可得到土壤水分的影像(圖4)。

圖4Shi模型訓(xùn)練網(wǎng)絡(luò)反演土壤水分圖

Fig.4Soil moisture inage of Shi model’s training network

4結(jié)論

本文采用IEM模型、Oh模型及Shi模型作為微波散射模型，分別模擬裸露地表土壤后向散射系數(shù)，對比分析了3種模型反演裸露地表土壤水分的精度。利用3種模型生成的模擬數(shù)據(jù)分別訓(xùn)練改進(jìn)前后的BP神經(jīng)網(wǎng)絡(luò)算法，反演研究區(qū)土壤水分，通過對比驗(yàn)證，得出結(jié)論如下：

1) IEM模型、Oh模型及Shi模型均可用來反演研究區(qū)裸露地表土壤水分含量，這3種模型模擬出的后向散射系數(shù)與雷達(dá)影像轉(zhuǎn)換得到的后向散射系數(shù)有很好的擬合關(guān)系。

2)改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)算法反演裸露地表土壤水分的精度優(yōu)于改進(jìn)前的算法。

3)分別利用實(shí)測數(shù)據(jù)對3種改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)反演模型進(jìn)行驗(yàn)證，發(fā)現(xiàn)改進(jìn)后的Shi模型反演精度最高，反演預(yù)測結(jié)果與實(shí)測值擬合關(guān)系最好，相對誤差僅為7.78%。

4)由于Shi模型可以模擬較大范圍的地表粗糙度和土壤體積含水量條件下的后向散射特性，因此其更適用于L波段微波數(shù)據(jù)反演裸露地表土壤水分。

參考文獻(xiàn)(References)：

[1]舒寧.微波遙感原理[M].武漢:武漢大學(xué)出版社,2003.

Shu N.Microwave Remote Sensing Principle[M].Wuhan:Wuhan University Press,2003.

[2]李森.基于IEM的多波段、多極化SAR土壤水分反演算法研究[D].北京:中國農(nóng)業(yè)科學(xué)院,2007.

Li S.Soil Moisture Inversion Model Research of Multi-Band and Multi-Polarization SAR Based on IEM[D].Beijing:Chinese Academy of Agrieultural Sciences,2007.

[3]Oh Y,Sarabandi K,Ulaby F T.Semi-empirical model of the ensemble-averaged differential Mueller matrix for microwave backscattering from bare soil surfaces[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(6):1348-1355.

[4]Shi J C,Wang J,Hsu A Y,et al.Estimation of bare surface soil moisture and surface roughness parameter using L-band SAR image data[J].IEEE Transactions on Geoseience and Remote Sensing,1997,35(5):1254-1266.

[5]田芳明,周志勝,黃操軍,等.BP神經(jīng)網(wǎng)絡(luò)在土壤水分預(yù)測中的應(yīng)用[J].電子測試,2009(10):14-17.

Tian M F,Zhou Z S,Huang C J,et al.Application of BP artificial neural network on prediction of soil water content[J].Electronic Test,2009(10):14-17.

[6]黃飛.基于AMSR-E和BP神經(jīng)網(wǎng)絡(luò)的川中丘陵區(qū)土壤水分反演[D].四川農(nóng)業(yè)大學(xué),2012:1-76.

Huang F.Soil Moisture Retrieval Using AMSR-E Data by BP Neural Network for Sichuan Middle Hilly Area[D].Sichuan Agricultural University,2012:1-76.

[7]余凡,趙英時,李海濤.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的主被動遙感協(xié)同反演土壤水分[J].紅外與毫米波學(xué)報,2012,31(3):283-288.

Yu F,Zhao Y S,Li H T.Soil moisture retrieval based on GA-BP neural networks algorithm[J].Journal of Infrared and Millimeter Waves,2012,31(3):283-288.

[8]林潔,陳效民,張勇,等.基于BP神經(jīng)網(wǎng)絡(luò)的太湖典型農(nóng)田土壤水分動態(tài)模擬[J].南京農(nóng)業(yè)大學(xué)學(xué)報,2012,35(4):140-144.

Lin J,Chen X M,Zhang Y,et al.Simulation of soil moisture dynamics based on the BP neural network in the typical farmland of Tai Lake region[J].Journal of Nanjing Agricultural University,2012,35(4):140-144.

[9]蔡滿軍,程曉燕,喬剛.一種改進(jìn)BP網(wǎng)絡(luò)學(xué)習(xí)算法[J].計算機(jī)仿真,2009,26(7):172-174.

Cai M J,Cheng X Y,Qiao G.An improved learning algorithm for BP network[J].The Computer Simulation,2009,26(7):172-174.

[10]陳思.BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率參數(shù)改進(jìn)方法[J].長春師范學(xué)院學(xué)報:自然科學(xué)版,2010,29(1):26-28.

Chen S.Learning rate parameter improve methods for BP neutral network[J].Journal of Changchun Normal University:Natural Science,2010,29(1):26-28.

[11]高紅.BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率的優(yōu)化方法[J].長春師范學(xué)院學(xué)報:自然科學(xué)版,2010,29(2):29-31.

Gao H.Optimal methods of learning rate for BP neutral network[J].Journal of Changchun Normal University:Natural Science,2010,29(2):29-31.

[12]李翱翔,陳健.BP神經(jīng)網(wǎng)絡(luò)參數(shù)改進(jìn)方法綜述[J].電子科技,2007(2):79-82.

Li A X,Chen J.Summarize of parameter improve methods for BP neural network[J].Electronic Science and Technology,2007(2):79-82.

[13]Hecht-Nielson R.Theory of the backpropagation neural network[C]//Proceedings of the International Joint Conference on Neural Networks.Washington,DC,USA:IEEE,1989:593-605.

[14]Fung A K,Li Z,Chen K S.Backscattering from a randomly rough dielectric surface[J].IEEE Transactions on Geoscience and Remote Sensing,1992,30(2):356-369.

[15]Pan H,Wang X Y,Chen Q,et al.Application of BP neural network based on genetic algorithm[J].Computer Application,2005,25(12):2777-2779.

[16]Barre H M J,Duesmann B,Kerr Y H.SMOS:The mission and the system[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(3):587-593.

[17]趙英時.遙感應(yīng)用分析原理與方法[M].北京:科學(xué)出版社,2003:136-154.

Zhao Y S.Analysis Principle and Method of Remote Sensing Applications[M].Beijing:Science Press,2003:136-154.

[18]Kerr Y H,Waldteufel P,Wigneron J P,et al.The SMOS mission: New tool for monitoring key elements of the global water cycle[J].Proceedings of the IEEE,2010,98(5):666-687.

[19]Kerr Y H,Waldteufel P,Wigneron J P,et al.Soil moisture retrieval from space:The Soil Moisture and Ocean Salinity(SMOS) mission[J].IEEE Transactions on Geoscience and Remote Sensing,2001,39(8):1729-1735.

[20]張玲,蔣金豹,崔希民,等.利用ANFIS方法反演裸土區(qū)土壤水分含量[J].國土資源遙感,2013,25(2):63-68.doi:10.6046/gtzyyg.2013.02.12.

Zhang L,Jiang J B,Cui X M,et al.ANFIS method to soil moisture inversion in bare region[J].Remote Sensing for Land and Resources,2013,25(2):63-68.doi:10.6046/gtzyyg.2013.02.12.

[21]余凡,趙英時.ASAR和TM數(shù)據(jù)協(xié)同反演植被覆蓋地表土壤水分的新方法[J].中國科學(xué):地球科學(xué),2011,41(4):532-540.

Yu F,Zhao Y S.A new semi-empirical model for soil moisture content retrieval by ASAR and TM data in vegetation-covered areas[J].Science China Earth Sciences,2011,54(12):1955-1964.

[22]Bacour C,Baret F,Béal D,et al.Neural network estimation ofLAI,fAPAR,fCover,andLAI×Cab,from top of canopy MERIS reflectance data:Principles and validation[J].Remote Sensing of Environment,2006,105(4):313-325.

[23]高婷婷.基于IEM的裸露隨機(jī)地表土壤水分反演研究[D].烏魯木齊:新疆大學(xué),2010.

Gao T T.Study on Soil Moisture Inversion of Bare Random Surface based on IEM Model[D].Urumqi:Xinjiang University,2010.

[24]Merzouki A,Bannari A,Teillet P M,et al.Statistical properties of soil moisture images derived from Radarsat-1 SAR data[J].International Journal of Remote Sensing,2011,32(19):5443-5460.

[25]李芹.青藏高原地區(qū)主被動微波遙感聯(lián)合反演土壤水分的研究[D].北京:首都師范大學(xué),2011.

Li Q.Soil Moisture Inversion Research of Qinghai-Tibet Plateau by Passive and Aetive Microwave Remote Sensing[D].Beijing:The Capital Normal University,2011.

(責(zé)任編輯： 李瑜)

Comparison of bared soil moisture inversion models based on improved BP neural network

HU Danjuan1， JIANG Jinbao1， CHEN Xuhui1， LI Jing2

(1.CollegeofGeoscienceandSurveyingEnginneering,ChinaUniversityofMiningandTechnology,Beijing100083,China；2.CollegeofDisasterReductionandEmergencyManagement,BeijingNormalUniversity,Beijing100875,China)

Abstract:Soil moisture is very important for the global water cycle in that the fast obtaining of large area’s soil moisture content becomes very significant. Due to the advantages of microwave remote sensing, this technique can be applied to the inversion of soil moisture. In this paper, the authors built the BP neural network based on Matlab and, through improving the neural network’s weights, threshold and the network structure, optimized the BP neural network. According to the measured data of the study area, IEM model, Oh model and Shi model were used to train the neural network so as to build soil moisture retrieval model, and the measured soil moisture content was used to test it. The result shows that the improved BP neural network algorithm obviously improves the inversion results, and Shi model is better than the other two kinds of model in training the network, with its absolute error being 2.47 and relative error being 7.78%.

Keywords:microwave remote sensing; improved BP neural network; bared soil; soil moisture; retrieval model

作者簡介：第一 胡丹娟(1989-)，女，碩士研究生，主要研究微波遙感、多光譜遙感在土壤水分反演中的應(yīng)用。Email： hdjcuomat@126.com。

中圖法分類號：TP 79

文獻(xiàn)標(biāo)志碼：A

文章編號：1001-070X(2016)01-0072-06

基金項(xiàng)目：國家科技支撐計劃項(xiàng)目“旱區(qū)多遙感平臺農(nóng)田信息精準(zhǔn)獲取技術(shù)集成與服務(wù)”(編號： 2012BAH29B04)資助。

收稿日期：2014-09-08；

修訂日期：2014-11-19

doi:10.6046/gtzyyg.2016.01.11

引用格式： 胡丹娟，蔣金豹，陳緒慧，等.基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)裸露地表土壤水分反演模型對比[J].國土資源遙感，2016，28(1)：72-77.(Hu D J,Jiang J B,Chen X H,et al.Comparison of bared soil moisture inversion models based on improved BP neural network[J].Remote Sensing for Land and Resources,2016,28(1):72-77.)