宋創(chuàng)業(yè), 張琳, 吳冬秀

基于數(shù)碼照片的植被蓋度測(cè)量方法研究進(jìn)展

宋創(chuàng)業(yè), 張琳, 吳冬秀*

中國(guó)科學(xué)院植物研究所植被與環(huán)境變化國(guó)家重點(diǎn)實(shí)驗(yàn)室, 北京 100093

蓋度是植物群落結(jié)構(gòu)的一個(gè)重要參數(shù), 被廣泛地用于生態(tài)、水文、水土保持等研究中?；跀?shù)碼照片的植被蓋度測(cè)量是精確獲取蓋度值的一個(gè)重要手段。文章對(duì)基于數(shù)碼照片的植被蓋度測(cè)量方法的相關(guān)進(jìn)展進(jìn)行了綜述, 介紹了應(yīng)用于蓋度測(cè)量的主要數(shù)據(jù)源, 照片的邊緣形變和陰影處理方法, 詳細(xì)分析了各種蓋度測(cè)量方法的原理、優(yōu)缺點(diǎn)和適用范圍, 評(píng)述了照片拍攝時(shí)間、拍攝角度、光照條件以及植被疏密程度等對(duì)蓋度測(cè)量準(zhǔn)確度的影響, 并對(duì)未來(lái)的發(fā)展趨勢(shì)進(jìn)行了分析。

植被指數(shù); 閾值; 圖像分類(lèi); 多光譜

0 前言

蓋度是指植物地上器官對(duì)地面的水平投影大小, 通常用百分比表示[1]。蓋度是植物群落結(jié)構(gòu)的一個(gè)重要指標(biāo), 它標(biāo)志了植物所占有的水平空間面積, 一定程度反映了植物光合同化面積的大小。蓋度是指示生態(tài)環(huán)境變化的一個(gè)重要參數(shù), 對(duì)區(qū)域乃至全球地表覆蓋變化、景觀(guān)分異等有著重要的指示作用。同時(shí), 在生態(tài)、水文、水土保持等研究中都要用到定量化的蓋度信息。

蓋度常用目測(cè)法估計(jì), 以百分?jǐn)?shù)表示, 也可以采用Braun-Blanquet的五級(jí)或者Domin的十級(jí)制表示[1]。目測(cè)法是一種主觀(guān)的方法, 簡(jiǎn)單易行, 估測(cè)結(jié)果與估測(cè)人的經(jīng)驗(yàn)密切相關(guān), 經(jīng)驗(yàn)不足的人估測(cè)的蓋度誤差較大。陳祖剛等[2]研究表明, 目測(cè)法的估計(jì)誤差可達(dá)40%以上。在傳統(tǒng)目測(cè)法的基礎(chǔ)上, 發(fā)展了網(wǎng)格目測(cè)法[3-4]和橢圓目測(cè)法[3-4], 進(jìn)一步提升了目測(cè)法的觀(guān)測(cè)準(zhǔn)確度。除目測(cè)法以外, 還有一些方法可以對(duì)蓋度進(jìn)行客觀(guān)的測(cè)量, 如通過(guò)測(cè)量喬木和灌木的冠幅, 計(jì)算蓋度。對(duì)于低矮的草本植被, 可以采用圖解樣方法以及樣點(diǎn)截取法進(jìn)行蓋度測(cè)量[1]。圖解樣方法是在植物群落樣地內(nèi)設(shè)置一定面積的樣框, 并分割為多個(gè)均等面積的柵格, 然后利用坐標(biāo)紙定出樣框邊線(xiàn), 最終在坐標(biāo)紙上精確繪出每株植物冠幅及基部枝條所占的面積, 然后計(jì)算植被蓋度。樣點(diǎn)截取法也叫針刺法, 將金屬針釬從植冠伸到地面, 記載測(cè)針觸及植物個(gè)體的次數(shù)以及針刺的總次數(shù), 據(jù)此算出蓋度。此外, 正方形視點(diǎn)框架法[3]、陰影法[5]等客觀(guān)測(cè)量方法在植被蓋度測(cè)量中也有一定的應(yīng)用。總體上, 客觀(guān)方法測(cè)量結(jié)果相對(duì)較為準(zhǔn)確, 但是操作復(fù)雜, 十分耗時(shí)。

隨著光學(xué)傳感器技術(shù)的發(fā)展, 新的方法被應(yīng)用于蓋度測(cè)量中, 應(yīng)用較廣泛的主要有以下3種測(cè)量方法: 空間定量計(jì)法(Spatial Quantum Sensor, SQS)、移動(dòng)光量計(jì)法TQS(Traversing Quantum Sensor, TQS)和基于照片的照相法?？臻g定量計(jì)法和移動(dòng)光量計(jì)法是利用傳感器測(cè)量光通過(guò)植被層的狀況來(lái)計(jì)算植被蓋度, 需要專(zhuān)用的傳感器裝置, 設(shè)備復(fù)雜, 野外操作不方便[4]。同時(shí), 這兩種方法沒(méi)有考慮到復(fù)雜的植被內(nèi)部結(jié)構(gòu)導(dǎo)致冠層輻射傳輸模型差異, 不同角度的輻射能量不同, 植被冠層反射光強(qiáng)具有各向異性, 同一測(cè)區(qū)的估算角度不同會(huì)導(dǎo)致估算結(jié)果差異較大。照相法是利用相機(jī)拍攝的照片來(lái)估算植被蓋度。早期的照相法主要是基于照片, 對(duì)植被蓋度進(jìn)行目測(cè), 或者利用透明的方格紙來(lái)對(duì)植被蓋度進(jìn)行估算(也可以稱(chēng)為攝影測(cè)量網(wǎng)格法)。后來(lái), 隨著數(shù)字成像技術(shù)和數(shù)字圖像處理技術(shù)的發(fā)展, 基于數(shù)碼照片的蓋度測(cè)量方法逐漸被廣泛地應(yīng)用于植被生態(tài)學(xué)研究中。本文在文獻(xiàn)研讀的基礎(chǔ)上, 從數(shù)據(jù)源、數(shù)據(jù)預(yù)處理、蓋度計(jì)算方法、影響蓋度計(jì)算準(zhǔn)確度的因素以及發(fā)展趨勢(shì)等5個(gè)方面對(duì)基于數(shù)碼照片的植被蓋度測(cè)量方法進(jìn)行系統(tǒng)評(píng)述, 以期為植被蓋度測(cè)量技術(shù)的選擇提供依據(jù)。另外, 本文僅針對(duì)基于普通RGB(Red, Green, Blue)數(shù)碼相機(jī)和多光譜數(shù)碼相機(jī)的植被蓋度地面測(cè)量方法進(jìn)行評(píng)述, 不涉及大尺度的、基于多光譜和高光譜成像的的植被蓋度遙感估算方法。

1 蓋度估算流程簡(jiǎn)介

基于數(shù)碼照片的植被蓋度測(cè)量方法可以分為三大步(圖1): 首先是確定數(shù)據(jù)源, 采用普通數(shù)碼相機(jī)或者多光譜數(shù)碼相機(jī)獲取數(shù)據(jù)(具體內(nèi)容參見(jiàn)“3 數(shù)據(jù)源”), 然后對(duì)數(shù)據(jù)進(jìn)行預(yù)處理, 包括邊緣形變處理、陰影處理以及白平衡、幾何校正等(具體內(nèi)容參見(jiàn)“4 數(shù)據(jù)預(yù)處理”); 最后根據(jù)一定的算法, 如非分類(lèi)的閾值法和非閾值法, 分類(lèi)的監(jiān)督分類(lèi)、非監(jiān)督分類(lèi)以及面向?qū)ο蠓诸?lèi)等, 區(qū)分植被與非植被組分, 估算植被蓋度(具體內(nèi)容參見(jiàn)“5 估算方法”)。

2 數(shù)據(jù)源

普通RGB數(shù)碼相機(jī)可以大量、快速獲取植被照片, 且可以使用計(jì)算機(jī)進(jìn)行處理, 經(jīng)濟(jì)、高效。目前, 多數(shù)研究中使用的數(shù)碼照片是普通RGB數(shù)碼相機(jī)拍攝的照片, 具有紅、綠、藍(lán)三個(gè)通道。植被在近紅外波段的反射較為明顯[6], 而普通RGB數(shù)碼相機(jī)缺乏這一波段, 這在一定程度上限制了普通RGB數(shù)碼照片對(duì)植被組分的識(shí)別能力。普通RGB數(shù)碼相機(jī)的另一缺點(diǎn)是其成像多采用中心投影, 而中心投影會(huì)引起邊緣形變[7], 這在一定程度上影響蓋度測(cè)量的準(zhǔn)確度。

圖1 基于數(shù)碼照片的植被蓋度測(cè)量流程

Figure 1 Flow chart of the measurement for vegetation fractional coverage

除了常用的RGB數(shù)碼相機(jī)之外, 包含更多波段的多光譜數(shù)碼相機(jī)也被應(yīng)用于蓋度估算, 如美國(guó)農(nóng)業(yè)數(shù)碼相機(jī)(Agricultural Digital Camera, ADC), 包含綠、紅和近紅外波段。多光譜相機(jī)引入了近紅外波段, 理論上, 多光譜照片對(duì)植被的識(shí)別能力要強(qiáng)于RGB照片, 但是, 在實(shí)際應(yīng)用中, 結(jié)果并不總是如此。任世龍等[8]采用多光譜相機(jī)(ADC, 美國(guó), Tetracam inc)、改裝的多光譜相機(jī)(XnNite, CannonSX230 NDVI, 美國(guó), LDPLLC)和普通相機(jī)(J35, Fujifilm)對(duì)高寒草地植被蓋度進(jìn)行了測(cè)量, 結(jié)果表明XNite和普通數(shù)碼相機(jī)的測(cè)量準(zhǔn)確度要高于A(yíng)DC相機(jī)。

在拍攝效率上, 普通RGB數(shù)碼相機(jī)拍攝一張照片用時(shí)不到5s, 而多光譜(如ADC相機(jī))相機(jī)拍攝一張照片約需要10s, 普通RGB數(shù)碼相機(jī)獲取照片的效率要遠(yuǎn)遠(yuǎn)高于多光譜相機(jī)。另外, 多光譜相機(jī)的價(jià)格通常也較高, 經(jīng)濟(jì)性上也要遠(yuǎn)低于普通RGB數(shù)碼相機(jī), 因此, 多采用普通RGB數(shù)碼照片來(lái)進(jìn)行植被蓋度的測(cè)量。

3 數(shù)據(jù)預(yù)處理

秦偉等[3]認(rèn)為在利用數(shù)碼照片進(jìn)行蓋度測(cè)量時(shí), 要對(duì)照片進(jìn)行白平衡校正、輻射校正和幾何校正, 將不同光照條件、不同相機(jī)和不同拍攝參數(shù)下獲得的影像歸一化, 以減少圖像間植被蓋度的測(cè)量差異。不過(guò), 數(shù)碼相機(jī)多具有白平衡功能, 很少有研究對(duì)照片進(jìn)行白平衡校正。輻射校正需要大量的參數(shù), 校正過(guò)程復(fù)雜, 多數(shù)研究也沒(méi)有對(duì)照片進(jìn)行輻射校正處理。照片中心投影導(dǎo)致的形變以及照片中的陰影等問(wèn)題對(duì)蓋度測(cè)量影響較大, 需要對(duì)照片進(jìn)行處理, 盡量減小形變和陰影對(duì)蓋度測(cè)量準(zhǔn)確度的影響[8-10]。

3.1 形變處理

對(duì)于數(shù)碼照片的邊緣形變問(wèn)題, 任世龍等[8-9]對(duì)原始照片進(jìn)行裁剪, 保留了照片中心區(qū)域, 而舍棄了邊緣變形較大的區(qū)域。但是, 裁剪的方法減少了測(cè)量對(duì)象的面積, 影響了蓋度數(shù)據(jù)的代表性。任杰等[10]通過(guò)幾何校正的方法, 對(duì)原始照片進(jìn)行校正, 使照片中心和邊緣位置同樣大小的像素所代表地面的實(shí)際面積相同, 消除由于植被像元在樣方中分布的不均勻而引起植被蓋度計(jì)算的誤差, 最大限度地利用野外采集的數(shù)據(jù)。形變校正可以使用遙感圖像處理軟件(如ENVI, ERDAS, PCI)完成。

3.2 陰影處理

植被照片中通常會(huì)存在一定的陰影, 而陰影區(qū)中的地物難以區(qū)分。因此, 在進(jìn)行蓋度測(cè)量前, 要對(duì)照片進(jìn)行去陰影處理。如丁肖等[11]將RGB照片轉(zhuǎn)化為亮度灰度值圖像, 設(shè)置特定閾值, 對(duì)照片中的陰影進(jìn)行判別。不過(guò), 判定陰影閾值的確定較為困難, 需要參考他人的研究成果并結(jié)合照片拍攝的時(shí)間來(lái)確定。

另外, 還可以采用數(shù)字圖像綜合處理方法, 對(duì)植被照片進(jìn)行光照補(bǔ)償, 削弱光照不均對(duì)植被與非植被分割效果的影響。如王海超等[12]應(yīng)用動(dòng)態(tài)巴特沃斯同態(tài)濾波法對(duì)草地植被圖像進(jìn)行光照補(bǔ)償, 基本消除了自然環(huán)境光照不均對(duì)圖像分割的影響, 提升了對(duì)植被與非植被組分識(shí)別的準(zhǔn)確度。

4 估算方法

基于數(shù)碼照片的蓋度測(cè)量方法可以歸為兩類(lèi), 一類(lèi)是非分類(lèi)的方法, 另一類(lèi)是分類(lèi)的方法。非分類(lèi)的方法是利用植被在RGB、HSI(Hue, Saturation, Intensity)、HSV(Hue, Saturation, Value)、HSL(Hue, Saturation, Lightness)和Lab(L, Lightness; a的正數(shù)代表紅色, 負(fù)端代表綠色; b的正數(shù)代表黃色, 負(fù)端代表藍(lán)色)等顏色空間的各個(gè)顏色分量分布特征, 設(shè)置閾值或者直接分析不同地物的顏色分量之間的關(guān)系, 區(qū)分植被與非植被, 進(jìn)而計(jì)算植被蓋度。分類(lèi)的方法則采用基于像元的監(jiān)督(如最大似然法)、非監(jiān)督(如K均值聚類(lèi))分類(lèi)或者面向?qū)ο蠓诸?lèi)方法對(duì)地物各個(gè)組分進(jìn)行分類(lèi), 進(jìn)而計(jì)算植被蓋度。下面分別對(duì)各個(gè)計(jì)算方法進(jìn)行介紹。

4.1 非分類(lèi)的方法

4.1.1 閾值法

(1)基于RGB顏色空間

根據(jù)植被紅、綠和藍(lán)三個(gè)波段的DN(Digital Number)值分布特征, 設(shè)置固定閾值, 區(qū)分植被與非植被, 計(jì)算植被蓋度。如張?jiān)葡嫉萚13]認(rèn)為綠色植被組分的光譜特征符合以下關(guān)系: DNG>DNR, DNG>DNB, DNG>x(DNR、DNG、DNB分別代表數(shù)碼照片紅、綠、藍(lán)組分的DN值, x是閾值), 采用此關(guān)系對(duì)植被組分進(jìn)行判讀, 進(jìn)而計(jì)算出植被蓋度。

更多的研究在RGB圖像的基礎(chǔ)上, 計(jì)算出植被指數(shù), 根據(jù)植被指數(shù)的分布特點(diǎn), 設(shè)置閾值, 區(qū)分植被與非植被, 計(jì)算蓋度。其中, 歸一化差異指數(shù)(NDI, Normalized Difference Index)和過(guò)綠植被指數(shù)(EGI, Excess Green Index)應(yīng)用較多。NDI是Woebbecke等[14]基于RGB圖像提出的用于區(qū)分植被與非植被組分的指數(shù)。NDI被定義為可見(jiàn)光綠波段與可見(jiàn)光紅波段數(shù)值之差和這兩個(gè)波段數(shù)值之和的比值。任杰等[15]采用NDI法計(jì)算了植被的蓋度, 并與基于最大似然法的監(jiān)督分類(lèi)的計(jì)算結(jié)果進(jìn)行了對(duì)比, 結(jié)果表明二者的估算準(zhǔn)確度均在90%以上。不過(guò), 班愛(ài)琴等[16]認(rèn)為數(shù)碼照片NDI處理過(guò)程中只提取可見(jiàn)光的紅和綠波段, 對(duì)可見(jiàn)光的其他波段并未考慮, 因而該方法所得結(jié)果的準(zhǔn)確度在某些特定情況下并不夠高。班愛(ài)琴等[16]采用NDI方法計(jì)算植被蓋度, 發(fā)現(xiàn)在陽(yáng)光強(qiáng)烈的情況下計(jì)算的蓋度的準(zhǔn)確度(81%—88%)要低于在溫和陽(yáng)光照射下的植被蓋度的準(zhǔn)確度(大于90%), NDI法對(duì)在強(qiáng)烈陽(yáng)光照射下顏色發(fā)白、發(fā)亮的植被以及植被下形成的黑色陰影并不能進(jìn)行有效處理。EGI(EGI = 2 × G – R – B)也廣泛應(yīng)用于植被與非植被的區(qū)分。如胡建波等[17]和韓正笑等[18]基于RGB圖片, 計(jì)算EGI, 從數(shù)碼照片中快速計(jì)算草地植被蓋度, 估算準(zhǔn)確度優(yōu)于最大似然法的蓋度估算方法。Patrignania和Ochsner[19]基于RGB圖像, 計(jì)算了EGI和R/G, B/G等指數(shù), 對(duì)植被與非植被組分進(jìn)行了區(qū)分, 計(jì)算蓋度, 估算準(zhǔn)確度超過(guò)90%。

另外, 其他基于RGB圖像的植被指數(shù)也被用于區(qū)分植被與非植被, 實(shí)現(xiàn)蓋度的計(jì)算。如Gitelson等[20]基于RGB波段, 提出可見(jiàn)光大氣校正指數(shù)(Visible Atmospherically Resistant Index, VARI, VARI = (Rgreen– Rred)/(Rgreen+ Rred– Rblue), Rred, Rgreen和Rblue分別是紅、綠和藍(lán)三個(gè)波段的植被反射率)用于植被蓋度的估算, 估算誤差低于10%。Lee等[21]采用RGB圖像, 分別利用綠、藍(lán)波段歸一化差值(Difference between Normalized Green and Normalized Blue)、EGI、校正過(guò)綠植被指數(shù)(Modified Excessive Green Index, MEGI)等多個(gè)植被指數(shù)對(duì)植被與非植被進(jìn)行了分割, 實(shí)現(xiàn)對(duì)植被蓋度的計(jì)算, 結(jié)果發(fā)現(xiàn)MEGI的計(jì)算準(zhǔn)確度最高。丁肖等[11]基于RGB照片, 計(jì)算了6種植被指數(shù)(Vegetative Index, Color Index of Vegetation, Excess Green Index, Excess Green Minus Excess Red, Normalized Difference Green Index, Combination)用于區(qū)分植被與非植被, 估算蓋度, 結(jié)果表明, 6種方法估算準(zhǔn)確度均高于90%。

(2)基于HSI、HSV、HSL和Lab等顏色空間

在RGB顏色空間的基礎(chǔ)上, 基于HSI、HSV、HSL和Lab等顏色空間的植被蓋度測(cè)量方法也取得了較大的進(jìn)展。如Liu等[22]提出基于Lab顏色空間的蓋度測(cè)量方法, L為明度因數(shù), a、b為兩個(gè)色度因數(shù), 其中a為綠色通道, 從紅色變化到綠色(–120—120), 適宜用來(lái)提取綠色植被。任世龍等[9]采用Liu等[22]提出的Lab顏色空間法對(duì)草地蓋度進(jìn)行了估算, 結(jié)果發(fā)現(xiàn)當(dāng)植被覆蓋度較大時(shí), 計(jì)算準(zhǔn)確度較差, 其估算值與“真實(shí)值”最大差值達(dá)35%。Song等[23]進(jìn)一步發(fā)展了Liu等[22]提出的方法, 提出基于高斯模型的閾值確定方法, 蓋度估算準(zhǔn)確度有了較大的提升。Coy等[24]在Lab顏色空間模型的基礎(chǔ)上, 建立植被與非植被組分a分量的分布曲線(xiàn)模型, 同時(shí)采用高斯混合模型確定閾值, 區(qū)分植被與非植被組分, 蓋度計(jì)算準(zhǔn)確度接近90%。

除了使用單一的顏色空間進(jìn)行植被識(shí)別外, 綜合運(yùn)用多種顏色空間的各個(gè)分量用于區(qū)分植被與非植被的研究思路也被廣泛使用。如李存軍等[25]通過(guò)分析綠色像元在RGB和HSL兩個(gè)顏色空間的各個(gè)維度的值域特征, 實(shí)現(xiàn)了對(duì)植被與非植被的區(qū)分和蓋度的計(jì)算, 分類(lèi)準(zhǔn)確度達(dá)90%。Kendal等[26]采用Lab顏色空間, 詳細(xì)分析了葉、花各個(gè)顏色分量的特征, 設(shè)置閾值, 對(duì)花進(jìn)行分離, 實(shí)現(xiàn)了對(duì)花蓋度的計(jì)算, 計(jì)算結(jié)果與人工測(cè)量結(jié)果的相關(guān)系數(shù)達(dá)到0.79。徐金勤等[27]選取RGB顏色空間的EGI、HSI顏色空間的H分量、Lab顏色空間的a分量作為草地植被蓋度提取的顏色特征, 實(shí)現(xiàn)對(duì)植被與非植被的區(qū)分, 結(jié)果表明EGI指數(shù)法的提取效果最好, 其測(cè)量誤差相對(duì)最低、適用性最好, a分量法次之, H分量法的測(cè)量誤差相對(duì)較大。McCool等[28]基于RGB、Lab和HSV等多種顏色空間的分量, 采用多元高斯模型, 計(jì)算照片中各個(gè)像元屬于植被的概率, 設(shè)定閾值, 對(duì)植被組分進(jìn)行判讀, 進(jìn)而計(jì)算植被蓋度, 估算的蓋度值與目視估算的蓋度值之間的相關(guān)系數(shù)在0.48—0.83之間。

(3)基于多光譜照片

隨著多光譜相機(jī)的應(yīng)用, 除了R、G、B波段信息, 近紅外波段以及基于近紅外和紅波段的歸一化植被指數(shù)(NDVI, Normalized Difference Vegetation Index)也被運(yùn)用于植被與非植被的區(qū)分和蓋度計(jì)算。如宜樹(shù)華等[29]基于多光譜圖像(具有綠、紅和近紅外波段)計(jì)算了NDVI, 區(qū)分植被和土壤, 計(jì)算蓋度, 并比較了基于NDVI估算的蓋度和目測(cè)法估測(cè)的蓋度與NDVI值之間的相關(guān)性, 發(fā)現(xiàn)基于NDVI估算的蓋度和NDVI的相關(guān)性要遠(yuǎn)高于目測(cè)的蓋度值, 這說(shuō)明采用多光譜照片計(jì)算的蓋度值的準(zhǔn)確度要高于專(zhuān)家目測(cè)的蓋度值。任世龍等[9]基于A(yíng)DC多光譜圖像, 計(jì)算了NDVI, 實(shí)現(xiàn)了對(duì)植被蓋度的估算, 發(fā)現(xiàn)估算結(jié)果與真實(shí)值之間無(wú)顯著差異。但是, 基于多光譜照片估算的蓋度的準(zhǔn)確度并不總是高于普通RGB照片。任世龍等[8]采用ADC、XNite和普通RGB數(shù)碼相機(jī)分別獲取草地植被照片, 綜合采用近紅外、紅、綠和藍(lán)等波段對(duì)植被與非植被進(jìn)行區(qū)分, 實(shí)現(xiàn)對(duì)蓋度的估算, 結(jié)果發(fā)現(xiàn)基于A(yíng)DC多光譜照片的蓋度估算準(zhǔn)確度低于基于普通RGB數(shù)碼照片的蓋度估算準(zhǔn)確度。

(4)閾值的確定

閾值的確定是閾值法計(jì)算植被蓋度的關(guān)鍵。固定的經(jīng)驗(yàn)值常被用作區(qū)分植被與非植被的閾值, 如Woebbecke等[14]把NDI大于0的像元定義為植被, 把小于0的像元定義為非植被。宜樹(shù)華等[29]基于NDVI, 利用0.4作為區(qū)分植被和土壤的閾值, 即當(dāng)某個(gè)像素的NDVI值大于0.4時(shí), 該像素為植被。Liu等[22]提出在Lab顏色空間中, a分量為負(fù)值時(shí)是植被, 正值時(shí)是非植被。Patrignania和Ochsner[19]計(jì)算了R/G值, B/G值和EGI, 分別以0.95、0.95和20作為其區(qū)分植被與非植被的閾值。

人工嘗試法也常被用于確定閾值, 通過(guò)觀(guān)察植被與非植被區(qū)分的效果, 逐步改進(jìn)閾值, 但是確定閾值的時(shí)間和人力成本較高, 且主觀(guān)性較強(qiáng)。如任世龍等[9]基于NDVI值, 根據(jù)植被識(shí)別的結(jié)果對(duì)閾值進(jìn)行人為的調(diào)整, 確定了多個(gè)照片的植被與非植被區(qū)分效果最佳時(shí)的閾值, 然后計(jì)算了這些閾值的平均值, 作為最終閾值, 應(yīng)用于所有照片, 區(qū)分植被與非植被, 計(jì)算蓋度。McCool等[28]也是通過(guò)觀(guān)察估算值與參考值之間的對(duì)應(yīng)情況, 選擇最優(yōu)閾值, 用于植被的判別, 進(jìn)而實(shí)現(xiàn)蓋度的計(jì)算。

數(shù)學(xué)模型分析法(如最大類(lèi)間方差法、高斯模型法等)在確定植被與非植被閾值的研究中也有一定的應(yīng)用。如胡建波等[17]基于植被和背景的植被指數(shù)隨機(jī)噪聲引起的平均波動(dòng)梯度與植被和背景交界處的變化梯度之間的關(guān)系, 設(shè)計(jì)了一種半自動(dòng)閾值設(shè)定算法, 從數(shù)碼照片中快速計(jì)算草地植被蓋度。韓正笑等[18]和徐金勤等[27]采用最大類(lèi)間方差法(被分割的兩部分的類(lèi)間方差越大, 錯(cuò)分率則越小), 確定閾值, 實(shí)現(xiàn)對(duì)植被與非植被組分的區(qū)分, 計(jì)算蓋度。丁肖等[11]認(rèn)為蓋度的估算值與參考值之間絕對(duì)誤差均值最小時(shí)候的閾值, 即為最佳閾值。吳趙麗等[30]基于灰度化的圖像, 采用最大類(lèi)間方差法確定閾值, 實(shí)現(xiàn)對(duì)灰度圖像的二值分割, 確定植被與非植被組分, 實(shí)現(xiàn)對(duì)蓋度的估算。Song等[23]認(rèn)為在Lab顏色空間中, 植被和非植被在a分量的分布符合高斯模型, 同時(shí)基于植被與非植被被誤分的概率是相同的假設(shè), 提出在a分量區(qū)分植被與非植被的閾值。Coy等[24]在Lab顏色空間模型的基礎(chǔ)上, 利用a分量, 同時(shí)基于高斯混合模型, 建立植被與非植被的分布曲線(xiàn)模型, 提出了區(qū)分植被與非植被閾值的確定方法。

雖然, 閾值的確定方法在不斷發(fā)展與完善, 但是其本質(zhì)上是基于少量的樣本照片, 尋找區(qū)分植被與非植被的最適臨界點(diǎn), 確定一個(gè)固定的值來(lái)對(duì)更多的照片進(jìn)行植被與非植被的區(qū)分。但是, 照片拍攝時(shí)的植被組成、大氣狀況、太陽(yáng)高度角等均存在一定的差別, 而將單一的閾值應(yīng)用于所有的照片, 必然會(huì)造成一定的偏差。

4.1.2 非閾值法

非閾值法分析植物的R、G、B波段DN值之間或者HSI、HSV、HSL和Lab顏色空間的各個(gè)分量的對(duì)比特征, 確定植被與非植被, 估算植被蓋度。如宋雪峰等[31]采用RGB照片, 基于植被的R、G、B波段特征, 建立邏輯判別模型, 對(duì)照片中的綠色植被做出判讀, 進(jìn)而計(jì)算出蓋度, 總體準(zhǔn)確度達(dá)到94.7%。張學(xué)霞等[32]研究了植被和非植被的R、G、B三基色DN值之間的組合規(guī)律, 植被信息的三基色具有3種組成, 分別為DNG>DNR>DNB、DNG>DNB> DNR和DNB>DNR>DNG; 非植被信息的三基色構(gòu)成遵循DNR>DNG>DNB的規(guī)律, 根據(jù)該規(guī)律可以很好地區(qū)分植被與非植被組分, 進(jìn)而計(jì)算出蓋度, 結(jié)果表明該方法估算的植被蓋度準(zhǔn)確度較高, 與人工目測(cè)法估計(jì)值差異較小。班愛(ài)琴等[16]基于RGB圖像, 采用植被判定流程圖法(Vegetation Determine Flowchart, VDF), 系統(tǒng)比較了綠色植被的R、G、B波段之間的關(guān)系, 實(shí)現(xiàn)對(duì)綠色植被的判定, 計(jì)算蓋度, 并比較了VDF法與NDI法的差異, 結(jié)果表明, 在溫和陽(yáng)光下, VDF法與NDI法的準(zhǔn)確度接近, 而在強(qiáng)烈陽(yáng)光下, VDF法的準(zhǔn)確度要高于NDI法。章超斌等[33]構(gòu)造了RGB顏色判別決策樹(shù)區(qū)分植被與非植被像元, 計(jì)算植被蓋度, 將地物分為綠葉、黃葉、紅花、紅葉、藍(lán)花、紫花、土壤、石頭、枯枝、枯葉等組分, 在此基礎(chǔ)上, 完成蓋度的估算, 與針刺法相比, 該方法計(jì)算得到的植被蓋度最大偏差絕對(duì)值不超過(guò)5%。

另有研究綜合利用了RGB顏色空間和HSI顏色空間的各個(gè)通道信息, 識(shí)別植被組分, 并計(jì)算出蓋度。如章文波等[34]基于紅(R)、綠(G)、藍(lán)(B)、色調(diào)(H)、亮度(I)、飽和度(S)等6個(gè)顏色分量圖像及其目視判讀結(jié)果圖像, 采用逐步判別法建立自動(dòng)識(shí)別植被蓋度的判別方程, 估算結(jié)果與目視判讀結(jié)果有很好的一致性, 平均絕對(duì)誤差只有2.4%。

4.1.3 閾值法與非閾值法的對(duì)比研究

閾值法原理較為簡(jiǎn)單, 容易實(shí)現(xiàn), 不過(guò)閾值的確定較為困難, 而非閾值法中不同地物類(lèi)型的波段對(duì)比較為復(fù)雜。陳祖剛等[2]比較了RGB閾值法、HSV閾值法和RGB決策樹(shù)法(非閾值法)的特點(diǎn), 認(rèn)為: 1)RGB閾值法和HSV閾值法的測(cè)量準(zhǔn)確度較高, RGB決策樹(shù)法對(duì)非高蓋度草地樣方的測(cè)量準(zhǔn)確度較低, 但RGB決策樹(shù)法可以識(shí)別出非綠色的植物莖、花朵等組分; 2)RGB閾值法和HSV閾值法的測(cè)量準(zhǔn)確度不受草地樣方本身蓋度變化的影響, RGB決策樹(shù)法的蓋度測(cè)量準(zhǔn)確度隨著草地樣方蓋度的增加而提高; 3)RGB閾值法和HSV閾值法測(cè)量的蓋度值隨光照強(qiáng)度的增大而減小, 隨光照強(qiáng)度的減弱而增大, 而RGB決策樹(shù)法測(cè)量的蓋度值隨光照強(qiáng)度的變化無(wú)明顯規(guī)律。

不過(guò)該研究?jī)H僅以人工綠地為研究對(duì)象, 進(jìn)行了不同方法的分析比較, 而自然植被的物種組成更豐富, 植被顏色也更復(fù)雜, 因此, 方法的比較應(yīng)該在更多的地域和植被類(lèi)型中進(jìn)行。另外, 閾值法中還包括基于NDI、EGI以及其他各種指數(shù)的方法, 因此, 對(duì)閾值法與非閾值法的比較應(yīng)該在更廣泛的范圍內(nèi)進(jìn)行。

4.2 分類(lèi)的方法

分類(lèi)的方法基本可以分為三類(lèi): 監(jiān)督分類(lèi)、非監(jiān)督分類(lèi)和面向?qū)ο蠓诸?lèi)。監(jiān)督分類(lèi)需要人工選擇訓(xùn)練樣本, 分類(lèi)準(zhǔn)確度與訓(xùn)練樣本的代表性和數(shù)量多少相關(guān)。非監(jiān)督分類(lèi)不需要選擇訓(xùn)練樣本, 根據(jù)像元間的相似度進(jìn)行合并歸類(lèi), 是一種自動(dòng)分類(lèi)。面向?qū)ο蠓诸?lèi)則利用了圖像的空間、光譜和紋理信息進(jìn)行綜合分類(lèi)。

4.2.1 非監(jiān)督分類(lèi)

非監(jiān)督分類(lèi)法通?；赗GB圖像, 計(jì)算植被指數(shù), 或者基于HSI、HSV、HSL和Lab顏色空間的某個(gè)分量, 采用K均值聚類(lèi)算法或者其他聚類(lèi)算法對(duì)地物進(jìn)行分類(lèi), 進(jìn)而計(jì)算植被蓋度。如賈建華等[35]基于RGB圖像, 利用EGI和HSL變化法獲取灰度圖像, 采用K均值聚類(lèi)算法實(shí)現(xiàn)對(duì)圖片的分類(lèi), 計(jì)算植被蓋度, 并與基于最大似然法的監(jiān)督分類(lèi)結(jié)果進(jìn)行比較, 發(fā)現(xiàn)二者誤差較為接近, 都在5%以?xún)?nèi)。王海超等[12]基于Lab顏色空間, 采用K均值聚類(lèi)算法對(duì)植被圖像進(jìn)行分割, 計(jì)算了蓋度, 蓋度估算準(zhǔn)確度稍低于網(wǎng)格紙測(cè)量法。

4.2.2 監(jiān)督分類(lèi)

最大似然法是監(jiān)督分類(lèi)中常用的方法, Richardson等[36]認(rèn)為最大似然法依靠人工選擇訓(xùn)練像素, 包含了主觀(guān)糾錯(cuò)功能, 計(jì)算結(jié)果與真實(shí)值很接近。Bold等[37]采用最大似然法對(duì)地表覆蓋度進(jìn)行估算, 蓋度估算值與傳統(tǒng)的圖解樣方法估算的蓋度值接近。吳林和張?jiān)鱗38]利用最大似然法對(duì)苔蘚結(jié)皮、地衣結(jié)皮和藻結(jié)皮蓋度進(jìn)行計(jì)算, 估算的蓋度值與傳統(tǒng)樣方法的相關(guān)性達(dá)到了94.5%。其他的監(jiān)督分類(lèi)方法在蓋度計(jì)算中亦有應(yīng)用, 如Sadeghi-Tehran等[39]基于RGB、Lab、HSI、HSV等多種顏色空間, 提取植被指數(shù), 建立植被與非植被的訓(xùn)練數(shù)據(jù), 采用基于隨機(jī)森林模型的監(jiān)督分類(lèi)方法實(shí)現(xiàn)對(duì)數(shù)碼照片的分類(lèi), 計(jì)算蓋度, 準(zhǔn)確度超過(guò)90%。

Photshop(Adobe Inc)軟件和WinCAM軟件的顏色處理功能在植被區(qū)分及蓋度計(jì)算中也有一定的應(yīng)用, 這類(lèi)方法本質(zhì)上是一種監(jiān)督分類(lèi)的方法。池宏康等[40]基于RGB圖像, 使用Photoshop軟件里的魔棒功能, 選擇植被, 然后用油漆桶功能上色, 最后統(tǒng)計(jì)上色部分的像元數(shù)占全部像元的百分比, 獲得蓋度, 結(jié)果發(fā)現(xiàn)該方法估算的蓋度值的誤差較小, 誤差平均值小于1%。Stewart等[41]和關(guān)法春等[42]采用Photoshop, 使用類(lèi)似的方法對(duì)植被和非植被進(jìn)行了分離, 實(shí)現(xiàn)了植被蓋度的估算, 準(zhǔn)確度均較高。WinCAM軟件要設(shè)定顏色組, 通常分為背景色和植物綠色2個(gè)顏色組, 設(shè)定或者載入顏色等級(jí), 把植被和非植被分別歸入不同的顏色等級(jí), 實(shí)現(xiàn)對(duì)植被與非植被的區(qū)分, 進(jìn)而計(jì)算蓋度。張清平等[43]用WinCAM軟件計(jì)算草坪蓋度, 發(fā)現(xiàn)當(dāng)蓋度小于10%或大于90%, 軟件估算值準(zhǔn)確度較高, 在10% - 90%的蓋度范圍內(nèi), 軟件估算的蓋度偏低?；赑hotoshop和WinCAM軟件方法的優(yōu)點(diǎn)是可以人為判斷植物與非植物, 可以把顏色為黃綠甚至黃色的活體植物組成(如黃綠色的葉片和莖)選上, 人工判讀準(zhǔn)確度高, 計(jì)算出來(lái)的蓋度值可以作為蓋度計(jì)算的參考值, 缺點(diǎn)是需要大量的人工處理, 工作量大。

4.2.3 面向?qū)ο蟮姆诸?lèi)

面向?qū)ο蠓诸?lèi)集合臨近像元為對(duì)象, 綜合運(yùn)用空間、光譜和紋理等信息, 對(duì)對(duì)象進(jìn)行分類(lèi), 進(jìn)而實(shí)現(xiàn)地物組分的區(qū)分。如Zhou和Robson[44]利用數(shù)碼相機(jī)獲得植被RGB照片, 通過(guò)光譜紋理分類(lèi)器自動(dòng)監(jiān)測(cè)草地植被蓋度, 結(jié)果證明該方法優(yōu)于基于K均值聚類(lèi)的非監(jiān)督分類(lèi)和基于最大似然法的監(jiān)督分類(lèi), 在準(zhǔn)確度上有了很大的提高。Luscier等[45]采用面向?qū)ο蠓诸?lèi)方法, 對(duì)RGB圖像進(jìn)行分類(lèi), 區(qū)分植被與非植被, 計(jì)算植被蓋度, 蓋度估算值的準(zhǔn)確度在90%—96%之間。Laliberte等[46]采用面向?qū)ο蠓诸?lèi)方法, 綜合運(yùn)用空間、光譜和紋理信息對(duì)RGB圖像和HSI圖像進(jìn)行了分類(lèi), 把地物分為土壤、陰影、綠色植物和黃綠色植物4類(lèi), 實(shí)現(xiàn)了對(duì)蓋度的計(jì)算, 結(jié)果表明該方法的蓋度估算值與樣點(diǎn)截取法獲取的蓋度值之間的相關(guān)系數(shù)達(dá)到0.9。Bauer等[47]同樣采用面向?qū)ο蟮姆诸?lèi)方法, 基于RGB數(shù)碼照片, 把地物分為凋落物、植物、石頭、陰影以及不確定物體, 然后計(jì)算了植被蓋度, 并與攝影測(cè)量網(wǎng)格法獲取的蓋度值進(jìn)行了相關(guān)分析, 結(jié)果發(fā)現(xiàn)二者之間的相關(guān)系數(shù)超過(guò)0.8。

4.2.4 分類(lèi)方法間的對(duì)比

理論上, 監(jiān)督分類(lèi)在分類(lèi)效果上要優(yōu)于非監(jiān)督分類(lèi)。但是, 監(jiān)督分類(lèi)過(guò)程中引入很多人為因素, 對(duì)于專(zhuān)業(yè)知識(shí)和野外經(jīng)驗(yàn)豐富的人來(lái)說(shuō), 準(zhǔn)確度較好, 但對(duì)于缺乏經(jīng)驗(yàn)的人很容易會(huì)由于訓(xùn)練樣本選取的代表性問(wèn)題而導(dǎo)致嚴(yán)重的分類(lèi)錯(cuò)誤。另外, 監(jiān)督分類(lèi)過(guò)程中, 人機(jī)交互的訓(xùn)練樣本選取過(guò)程不可避免, 自動(dòng)化程度不高。

傳統(tǒng)的監(jiān)督分類(lèi)和非監(jiān)督分類(lèi)方法是基于像元的, 利用地物的光譜信息進(jìn)行分類(lèi), 而面向?qū)ο蠓诸?lèi)則是基于分類(lèi)對(duì)象的, 綜合了空間、光譜和紋理信息進(jìn)行分類(lèi), 分類(lèi)效果要優(yōu)于傳統(tǒng)的監(jiān)督和非監(jiān)督分類(lèi)[45]。但是, 面向?qū)ο蠓诸?lèi)需要大量的人工處理, 自動(dòng)化程度較低。

5 影響蓋度測(cè)量準(zhǔn)確度的因素

照片質(zhì)量、拍攝時(shí)間、光照條件、拍攝角度以及植被的疏密程度對(duì)植被蓋度的測(cè)量結(jié)果具有一定的影響。宋雪峰等[31]認(rèn)為照片的分辨率不同, 對(duì)蓋度估算有一定的影響。Booth等[48]研究表明, 照片質(zhì)量對(duì)蓋度的估算具有較大的影響, 對(duì)焦不準(zhǔn)導(dǎo)致的照片模糊會(huì)降低蓋度估算的準(zhǔn)確度。另外, Booth等[48]認(rèn)為照片中的高光部分對(duì)蓋度估算的影響較大, 建議數(shù)碼相機(jī)要加上偏光鏡, 消除高光部分的影響。

拍攝時(shí)間與光照條件是密切關(guān)聯(lián)的兩個(gè)影響蓋度測(cè)量的因素。Lukina等[49]研究表明, 高反射、陰影對(duì)蓋度計(jì)算的準(zhǔn)確度有重要的影響, 拍攝時(shí)間最好在太陽(yáng)高度角較大的時(shí)候。亦有研究表明, 光照強(qiáng)度對(duì)不同蓋度估算方法的影響是不同的。陳祖剛等[2]分析了光照強(qiáng)度對(duì)RGB閾值法、HSV閾值法和RGB決策樹(shù)法等三種方法的影響, 發(fā)現(xiàn)光照強(qiáng)度越強(qiáng), RGB閾值法和HSV閾值法對(duì)同一草地樣方估算的蓋度值越小, RGB決策樹(shù)法估算的蓋度值隨光照強(qiáng)度的變化沒(méi)有固定的規(guī)律。丁肖等[11]研究了晴天、陰天對(duì)植被蓋度估算的影響, 結(jié)果表明, 陰天條件下估算誤差明顯小于晴天條件, 估算結(jié)果的穩(wěn)定性也遠(yuǎn)大于晴天條件, 其原因是因?yàn)樵谇缣鞐l件下, 由于葉片的相互遮擋, 圖像中陰影面積較大, 許多下層葉片被誤分為陰影, 而在陰天條件下, 由于光線(xiàn)為散射光, 下層葉面能夠呈現(xiàn)為真實(shí)的顏色, 從而能夠被區(qū)分出來(lái)。

照片拍攝季節(jié)對(duì)植被蓋度的估算也有很大的影響。張清平等[43]分析了不同拍攝季節(jié)對(duì)蓋度估算的影響, 結(jié)果表明, 在植物生長(zhǎng)盛期拍攝的照片計(jì)算出來(lái)的蓋度準(zhǔn)確度較高, 而在枯黃期拍攝的圖片的蓋度估算值誤差較大, 其原因是枯黃期拍攝的圖片中有很多黃綠色的葉片, 普通數(shù)碼相機(jī)的RGB波段很難有效識(shí)別枯黃的部分。多光譜相機(jī)具有近紅外波段, 對(duì)葉綠素很敏感, 可以較好地分辨出這部分葉片, 理論上, 其蓋度估算準(zhǔn)確度要高于普通RGB數(shù)碼相機(jī)。

關(guān)于拍攝角度, 趙繼強(qiáng)等[50]采用基于物理的光線(xiàn)追蹤算法模擬相機(jī)拍攝的照片, 通過(guò)精確控制模擬相機(jī)的拍攝條件, 分析了非垂直拍攝對(duì)測(cè)量準(zhǔn)確度的影響, 結(jié)果表明相機(jī)的非垂直拍攝對(duì)蓋度計(jì)算的準(zhǔn)確度有較大的影響, 誤差最大可達(dá)27.9%。

植被疏密程度對(duì)蓋度估算的準(zhǔn)確度具有一定的影響, 但是對(duì)不同估算方法的影響不一致。陳祖剛等[2]分析了植被密度對(duì)不同蓋度估算方法的影響, 結(jié)果表明, 草地密度變化對(duì)RGB閾值法和HSV閾值法的蓋度識(shí)別準(zhǔn)確度無(wú)明顯規(guī)律性影響, RGB決策樹(shù)的蓋度識(shí)別準(zhǔn)確度隨著草地密度的增加而增加。丁肖等[11]研究了植被疏密程度對(duì)不同估算方法的蓋度估算值的影響, 隨著植被密度的增加, VEG(Vegetative Index)、CIVE(Color Index of Vegetation)、EGI和COM(Combination)等方法的估算誤差明顯增大, EXGR(Excess Green Minus Excess Red)、NGRDI(Normalized Difference Green Index)等方法的估算誤差變化規(guī)律不明顯。估算誤差隨密度增加而增大的原因可能是: 密度增加時(shí), 葉片相互遮擋現(xiàn)象加重, 照片中陰影區(qū)的植被增多, 最終導(dǎo)致誤差增大。EXGR和NGRDI法估算誤差無(wú)規(guī)律的原因可能是蓋度變化時(shí), 這兩種方法對(duì)背景像元的錯(cuò)分仍占主導(dǎo)優(yōu)勢(shì), 從而抵消掉了植被密度變化時(shí)產(chǎn)生的誤差[11]。

6 發(fā)展趨勢(shì)與應(yīng)用前景

6.1 發(fā)展趨勢(shì)

基于RGB、HSI、HSV、HSL和Lab等顏色空間分量以及植被指數(shù)的方法, 均是單純地從顏色(尤其是綠色)來(lái)對(duì)植被和非植被組分進(jìn)行分辨, 這具有明顯的局限性, 很難對(duì)非綠色的植被組分(莖、枝、花等)進(jìn)行有效識(shí)別, 在背景與植被之間存在一定的誤分[7]。光照、植被密度等因素對(duì)估算準(zhǔn)確度具有較大的影響, 針對(duì)這個(gè)問(wèn)題, 可以建立隨密度變化、光照環(huán)境變化的閾值自適應(yīng)模型, 定量評(píng)估光照和植株密度對(duì)蓋度估算的影響, 這也是繼續(xù)使用RGB顏色空間或者其他顏色空間開(kāi)展精確的植被蓋度測(cè)量的一個(gè)重要途徑[2]。另外, 可以對(duì)照片進(jìn)行白平衡校正及其他的輻射校正, 消除光照條件不同引起的不同照片之間的估算誤差。

目前, 基于數(shù)碼照片的植被蓋度測(cè)量研究多是基于顏色特征的植被分類(lèi), 這可能會(huì)導(dǎo)致植物組分產(chǎn)生空洞或者斷裂[35]。針對(duì)這個(gè)問(wèn)題, 基于數(shù)學(xué)形態(tài)學(xué)理論, 可以從圖形統(tǒng)計(jì)學(xué)出發(fā), 通過(guò)圖像邊緣檢測(cè)、聚集分析、圖形自動(dòng)匹配等手段, 識(shí)別出植被不同組分的形狀, 消除這部分誤差[51], 進(jìn)一步提高蓋度測(cè)量準(zhǔn)確度。

隨著移動(dòng)智能通信設(shè)備的快速發(fā)展和普及, 智能手機(jī)和平板電腦將逐步成為植被圖片獲取的重要工具。智能手機(jī)和平板電腦具有強(qiáng)大的數(shù)據(jù)處理和分析能力, 可以對(duì)獲取的照片進(jìn)行實(shí)時(shí)處理, 即時(shí)獲取植被蓋度等關(guān)鍵參數(shù)。智能手機(jī)和平板電腦不僅可以拍攝植被圖片, 還可以通過(guò)內(nèi)置的傳感器和芯片, 獲取經(jīng)緯度、溫濕度等重要信息。高準(zhǔn)確度蓋度與環(huán)境信息的耦合, 為植被動(dòng)態(tài)監(jiān)測(cè)與分析提供了更為有力的數(shù)據(jù)支撐。在未來(lái)的研究中, 要加強(qiáng)蓋度數(shù)據(jù)獲取系統(tǒng)與環(huán)境傳感器的集成, 發(fā)揮智能手機(jī)和平板電腦強(qiáng)大的通訊能力, 和互聯(lián)網(wǎng)、云存儲(chǔ)和云計(jì)算等聯(lián)系起來(lái), 組建植被關(guān)鍵參量綜合獲取系統(tǒng), 服務(wù)于生態(tài)環(huán)境監(jiān)測(cè)、遙感等科研領(lǐng)域。

6.2 應(yīng)用前景

基于數(shù)碼照片的植被蓋度測(cè)量方法具有準(zhǔn)確度高、方便、快捷等優(yōu)點(diǎn), 將成為未來(lái)獲取地面蓋度實(shí)測(cè)數(shù)據(jù)的一個(gè)重要渠道。本文從區(qū)域植被調(diào)查、植被定點(diǎn)長(zhǎng)期觀(guān)測(cè)等方面介紹基于數(shù)碼照片的植被蓋度測(cè)量方法應(yīng)用前景。

區(qū)域植被調(diào)查: 在傳統(tǒng)的植被調(diào)查中, 多采用目測(cè)法對(duì)蓋度進(jìn)行估算, 與目測(cè)法相比, 基于數(shù)碼照片的植被蓋度測(cè)量方法所獲取的蓋度將更加客觀(guān)和準(zhǔn)確。目前, 智能手機(jī)已成為獲取圖片的重要工具, 將基于數(shù)碼照片的植被蓋度測(cè)量算法嵌入智能手機(jī), 同時(shí)借助手機(jī)中內(nèi)嵌的GPS芯片以及溫濕度傳感器, 可以在短時(shí)間內(nèi)獲取較多地面樣點(diǎn)的蓋度、地理位置、溫濕度等數(shù)據(jù), 可以有效提升植被蓋度調(diào)查的效率和準(zhǔn)確度。將基于數(shù)碼照片的植被蓋度測(cè)量算法應(yīng)用到機(jī)載(如無(wú)人機(jī))數(shù)碼相機(jī)中, 可以在更大的空間尺度上獲取植被蓋度信息。另外, 基于數(shù)碼照片的植被蓋度測(cè)量準(zhǔn)確度較高, 通過(guò)與衛(wèi)星遙感影像相結(jié)合, 實(shí)現(xiàn)地面觀(guān)測(cè)數(shù)據(jù)的空間尺度轉(zhuǎn)換, 可以有效提高大區(qū)域植被蓋度的測(cè)量準(zhǔn)確度。

植被定點(diǎn)長(zhǎng)期觀(guān)測(cè): 植被蓋度是生態(tài)系統(tǒng)長(zhǎng)期監(jiān)測(cè)的重要指標(biāo), 然而, 依靠人工的蓋度觀(guān)測(cè)很難保證蓋度觀(guān)測(cè)值的客觀(guān)性、準(zhǔn)確性、長(zhǎng)期性, 且觀(guān)測(cè)人的更換將會(huì)帶來(lái)數(shù)據(jù)的一致性問(wèn)題。將基于數(shù)碼照片的植被蓋度測(cè)量算法嵌入攝像系統(tǒng), 同時(shí)集成溫度、濕度、光照傳感器, 結(jié)合數(shù)據(jù)無(wú)線(xiàn)傳輸技術(shù), 組建植被蓋度定點(diǎn)實(shí)時(shí)觀(guān)測(cè)系統(tǒng), 實(shí)現(xiàn)蓋度、溫度、濕度和光照強(qiáng)度數(shù)據(jù)的高頻自動(dòng)獲取與遠(yuǎn)程傳輸。另外, 在精準(zhǔn)農(nóng)業(yè)領(lǐng)域, 獲取精確的作物蓋度有利于更好地指導(dǎo)農(nóng)田水肥管理、雜草與病蟲(chóng)害控制以及作物收獲與產(chǎn)量預(yù)測(cè), 基于數(shù)碼照片的蓋度測(cè)量方法在精準(zhǔn)農(nóng)業(yè)中將發(fā)揮巨大的作用。

[1] 宋永昌. 植被生態(tài)學(xué)[M]. 上海: 華東師范大學(xué)出版社, 2001.

[2] 陳祖剛, 巴圖娜存, 徐芝英, 等. 基于數(shù)碼相機(jī)的草地植被蓋度測(cè)量方法對(duì)比研究[J]. 草業(yè)學(xué)報(bào), 2014, 23(6): 20-27.

[3] 秦偉, 朱清科, 張學(xué)霞, 等. 植被覆蓋度及其測(cè)算方法研究進(jìn)展[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2006, 34(9): 163-170.

[4] THALEN D C P. Ecology and utilization of desert shrub rangelands in Iraq[M]. Hague: Dr W Junk BV Publishers, 1979.

[5] ADAMS J E, ARKIN G F. A light interception method for measuring row ground cover[J]. Soil Society of America Journal, 1997, 41(4): 789-792.

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

[7] WHITE M A, ASNER G P, NEMANI R R, et al. Measuring fractional cover and leaf area index in arid ecosystem: Digital camera, radiation transmittance, and laser altimetry methods[J]. Remote Sensing of Environment, 2000, 74(1): 45-57.

[8] 任世龍, 宜樹(shù)華, 陳建軍, 等. 基于不同數(shù)碼相機(jī)和圖像處理方法的高寒草地植被蓋度估算的比較[J]. 草業(yè)科學(xué), 2014, 31(6): 1007-1013.

[9] 任世龍, 宜樹(shù)華, 陳建軍, 等. 高山草地植被蓋度對(duì)氣候變暖和人類(lèi)活動(dòng)的響應(yīng)[J]. 草業(yè)科學(xué), 2013, 30(4): 506-514.

[10] 任杰, 柏延臣, 王錦地. 從數(shù)碼照片中快速提取植被覆蓋度的方法研究[J]. 遙感技術(shù)與應(yīng)用, 2010, 25(5): 719-724.

[11] 丁肖, 邱新法, 高佳琦, 等. 基于手機(jī)相片的草地植被蓋度估算方法研究[J]. 浙江農(nóng)業(yè)學(xué)報(bào), 2017, 29(6): 1017-1025.

[12] 王海超, 宗哲英, 殷曉飛, 等. 基于同態(tài)濾波和K均值聚類(lèi)算法的草原植被蓋度測(cè)量[J]. 農(nóng)機(jī)化研究, 2018, 8: 168-187.

[13] 張?jiān)葡? 李曉兵, 張?jiān)骑w. 基于數(shù)字相機(jī)、ASTER和MODIS影像綜合測(cè)量植被蓋度[J]. 植物生態(tài)學(xué)報(bào), 2007, 31(5): 842-84.

[14] WOEBBECKE D M. Plant species identification, size and enumeration using machine vision techniques on near-binary images[J]. Proceedings of SPIE, 1993, 1836: 208-219.

[15] 任杰, 柏延臣, 王錦地. 從數(shù)碼照片中快速提取植被覆蓋度的方法研究[J]. 遙感技術(shù)與應(yīng)用, 2010, 25(5): 719-724.

[16] 班愛(ài)琴, 錢(qián)育蓉, 莫媛淇, 等. 用植被判定流程圖法從數(shù)碼照片中快速提取植被覆蓋度[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào): 自然科學(xué)版, 2012, 40(8):200-206.

[17] 胡健波, 張璐, 黃偉, 等. 基于數(shù)碼照片的草地植被覆蓋度快速提取方法[J]. 草業(yè)科學(xué), 2011, 28(9): 1661-1665.

[18] 韓正笑, 劉濤, 陳瑛瑛, 等. 基于圖像處理技術(shù)的稻田雜草蓋度計(jì)算研究[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào), 2015, 36(4): 193-196.

[19] PATRIGNANIA A, OCHSNER T E. Canopeo: A powerful new tool for measuring fractional green canopy cover[J]. Agronomy Journal - Biometry, Modeling & Statistics, 2015, 107 (6): 2312-2320.

[20] GITELSON A A, KAUFMAN Y J, STARK R, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002, 80(1): 76-87.

[21] LEE K J, LEE B W. Estimating canopy cover from color digital camera image of rice field[J]. Journal of Crop Science and Biotechnology, 2011, 14 (2): 151-155.

[22] LIU Yaokai, MU Xihan, WANG Haoxin, et al. A novel method for extracting the fractional vegetation cover from digital images[J]. Journal of vegetation science, 2012, 23: 406-418.

[23] SONG Wanjuan, MU Xihan, YAN Guangjian, et al. Extracting the green fractional vegetation cover from digital images using a shadow-resistant algorithm (SHAR-LABFVC) [J]. Remote Sensing, 2015, 7: 10425-10443.

[24] COY A, RANKINE D, TAYLOR M, et al. Increasing the accuracy and automation of fractional vegetation cover estimation from digital photographs[J]. Remote Sensing, 2016, 8: 474.

[25] 李存軍, 王紀(jì)華, 劉良云, 等. 基于數(shù)字照片特征的小麥覆蓋度自動(dòng)提取研究[J]. 浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版), 2004, 30(6): 650-656.

[26] KENDAL D, HAUSER C, GARRARD G, et al. Quantifying plant color and color difference as perceived by humans using digital images[J]. PLoS ONE, 2013, 8: e72296.

[27] 徐金勤, 邱新法, 丁肖, 等. 基于數(shù)碼照片的草地植被蓋度快速提取方法對(duì)比[J]. 江蘇農(nóng)業(yè)學(xué)報(bào), 2018, 34(2): 313-319.

[28] McCOOL C, BEATTIE J, MILFORD M, et al. Automating analysis of vegetation with computer vision: Cover estimates and classification[J]. Ecology & Evolution, 2018, 8(12): 6005-6015.

[29] 宜樹(shù)華, 王增如, 謝霞, 等. 高寒草地植被蓋度估算及其與凍土的關(guān)系[J]. 草業(yè)科學(xué), 2011, 28(3): 353-358.

[30] 吳趙麗, 梁棟, 趙晉陵, 等. 基于無(wú)人機(jī)遙感影像芨芨草蓋度的圖像分割方法[J]. 傳感器與微系統(tǒng), 2018, 37(4): 51-53.

[31] 宋雪峰, 董永平, 單麗燕, 等. 用數(shù)碼相機(jī)測(cè)定草地蓋度的研究[J]. 內(nèi)蒙古草業(yè), 2004, 16(4): 1-6.

[32] 張學(xué)霞, 朱清科, 吳根梅, 等. 數(shù)碼照相法估算植被蓋度[J]. 北京林業(yè)大學(xué)學(xué)報(bào), 2008, 30(1): 164-169.

[33] 章超斌, 李建龍, 張穎, 等. 基于RGB模式的一種草地蓋度定量快速測(cè)定方法研究[J]. 草業(yè)學(xué)報(bào), 2013, 22(4): 220-226.

[34] 章文波, 路炳軍, 石偉. 植被覆蓋度的照相測(cè)量及其自動(dòng)計(jì)算[J]. 水土保持通報(bào), 2009, 29(2): 39-42.

[35] 賈建華, 胡勇, 劉良云. 青藏高原數(shù)字照片植被覆蓋度自動(dòng)算法與應(yīng)用[J]. 地球信息科學(xué)學(xué)報(bào), 2010, 12(6): 880-885.

[36] RICHARDSON M D, KARCHER D E, PURCELL L C. Quantifying turfgrass cover using digital image analysis[J]. Crop Science, 2001, 41:1884-1888.

[37] BOLD K C, WOOD F, EDWARDS P J, et al. Using photographic image analysis to assess ground cover: a case study of forest road cutbanks[J]. Environmental Monitoring & Assessment, 2010, 163(1/4): 685-698.

[38] 吳林, 張?jiān)? 以數(shù)碼照相法估算生物上壤結(jié)皮蓋度[J]. 中國(guó)沙漠, 2013, 33(6): 1810-1815.

[39] SADEGHI-TEHRAN P, VIRLET N, SABERMANESH K, et al. Multi-feature machine learning model for automatic segmentation of green fractional vegetation cover for high-throughput field phenotyping[J]. Plant Methods, 2017, 13: 103.

[40] 池宏康, 周廣勝, 許振柱, 等. 草地植被蓋度的近距離遙感測(cè)定[J]. 草業(yè)學(xué)報(bào), 2007, 16(2): 105-110.

[41] STEWART A M, EDMISTEN K L, WELLS R, et al. Measuring canopy coverage with digital imaging[J]. Communications in Soil Science & Plant Analysis, 2007, 38(7/8): 895-902.

[42] 關(guān)法春, 梁正偉, 王忠紅, 等. 方格法與數(shù)字圖像法測(cè)定鹽堿化草地植被蓋度的比較[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào), 2010, 41(1): 130-133.

[43] 張清平, 章山山, 陳露, 等. 應(yīng)用WinCAM軟件判識(shí)分析草坪蓋度[J]. 草業(yè)科學(xué), 2010, 27(7): 13-17.

[44] ZHOU Qiming, ROBSON M. Automated rangeland vegetation cover and density estimation using ground digital images and a spectral-contextual classifier[J]. International Journal of Remote Sensing, 2001, 22(17): 3457-3470.

[45] LUSCIER J D, THOMPSON W L, WILSON J M, et al. Using digital photographs and object-based image analysis to estimate percent ground cover in vegetation plots[J]. Frontiers in Ecology & the Environment, 2006, 4 (8): 408-413.

[46] LALIBERTE A S, RANGO A, HERRICK J E, et al. An objectbased image analysis approach for determining fractional cover of senescent and green vegetation with digital plot photography[J]. Journal of Arid Environments, 2007, 69(1): 1-14．

[47] BAUER T, STRAUSS P. A rule-based image analysis approach for calculating residues and vegetation cover under field conditions[J]. Catena, 2014, 113(113): 363-369.

[48] BOOTH D T, COX S E, JOHNSON D E. Detection-threshold calibration and other factors influencing digital measurements of ground cover[J]. Rangeland Ecology & Management, 2005, 58: 598-604.

[49] LUKINA EV, STONE ML, RAUN WR. Estimating vegetation coverage in wheat using digital images[J]. Journal of Plant Nutrition, 1999, 22: 341-350.

[50] 趙繼強(qiáng), 謝東輝, 孟夏, 等. 規(guī)則林地覆蓋度照相測(cè)量法的準(zhǔn)確度分析[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(19): 152-158.

[51] SIDDIQI M H, AHMAND W, AHMAD I. Weed classification using erosion and watershed segmentation algorithm[J]. Computer Sciences and Software Engineering, 2008, 366-369.

Research progress in the measurement of vegetation fractional coverage based on digital photograph

SONG Chuanye, ZHANG Lin, WU Dongxiu*

State Key Laboratory of Vegetation and Environmental Change, Institute of Botany, Chinese Academy of Sciences, Beijing 100093, China

Fractional coverage is an important parameter of plant community structure. It was widely used in researches of ecology, hydrology, soil and water conservation and so on. Image processing based on digital photograph is a very important approach to get the precise value of vegetation fractional coverage. In this paper, we performed a review on the research progress of the measurement of vegetation fractional coverage. The data sources of photograph, the correction on the distortion at the edge of the photograph, the method to eliminate shadow, the principle, advantage, disadvantage and application scope of different measuring methods of vegetation fractional coverage were well introduced in this paper. The influences of shooting time, shooting angle, illumination conditions and plant density on the measurement of vegetation fractional coverage were specifically summarized in this paper. And perspective of this technique was presented in this paper.

vegetation index; threshold; image classification; multi-spectral

宋創(chuàng)業(yè), 張琳, 吳冬秀. 基于數(shù)碼照片的植被蓋度測(cè)量方法研究進(jìn)展[J]. 生態(tài)科學(xué), 2023, 42(1): 263–272.

SONG Chuangye, ZHANG Lin, WU Dongxiu. Research progress in the measurement of vegetation fractional coverage based on digital photograph[J]. Ecological Science, 2023, 42(1): 263–272.

10.14108/j.cnki.1008-8873.2023.01.030

X513

A

1008-8873(2023)01-263-10

2019-01-17;

2019-02-18

國(guó)家重點(diǎn)研發(fā)計(jì)劃 (2017YFC0503801, 2016YFC0500103)

宋創(chuàng)業(yè)(1980—), 男, 博士, 副研究員, 主要從事植被生態(tài)學(xué)研究, E-mail: songcy@ibcas.ac.cn

吳冬秀，女，博士，研究員，主要從事植被生態(tài)學(xué)與生態(tài)系統(tǒng)監(jiān)測(cè)研究, E-mail: wudx@ibcas.ac.cn