基于數碼照片的植被蓋度測量方法研究進展

宋創業, 張琳, 吳冬秀

基于數碼照片的植被蓋度測量方法研究進展

宋創業, 張琳, 吳冬秀*

中國科學院植物研究所植被與環境變化國家重點實驗室, 北京 100093

蓋度是植物群落結構的一個重要參數, 被廣泛地用于生態、水文、水土保持等研究中?；跀荡a照片的植被蓋度測量是精確獲取蓋度值的一個重要手段。文章對基于數碼照片的植被蓋度測量方法的相關進展進行了綜述, 介紹了應用于蓋度測量的主要數據源, 照片的邊緣形變和陰影處理方法, 詳細分析了各種蓋度測量方法的原理、優缺點和適用范圍, 評述了照片拍攝時間、拍攝角度、光照條件以及植被疏密程度等對蓋度測量準確度的影響, 并對未來的發展趨勢進行了分析。

植被指數; 閾值; 圖像分類; 多光譜

0 前言

蓋度是指植物地上器官對地面的水平投影大小, 通常用百分比表示[1]。蓋度是植物群落結構的一個重要指標, 它標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。蓋度是指示生態環境變化的一個重要參數, 對區域乃至全球地表覆蓋變化、景觀分異等有著重要的指示作用。同時, 在生態、水文、水土保持等研究中都要用到定量化的蓋度信息。

蓋度常用目測法估計, 以百分數表示, 也可以采用Braun-Blanquet的五級或者Domin的十級制表示[1]。目測法是一種主觀的方法, 簡單易行, 估測結果與估測人的經驗密切相關, 經驗不足的人估測的蓋度誤差較大。陳祖剛等[2]研究表明, 目測法的估計誤差可達40%以上。在傳統目測法的基礎上, 發展了網格目測法[3-4]和橢圓目測法[3-4], 進一步提升了目測法的觀測準確度。除目測法以外, 還有一些方法可以對蓋度進行客觀的測量, 如通過測量喬木和灌木的冠幅, 計算蓋度。對于低矮的草本植被, 可以采用圖解樣方法以及樣點截取法進行蓋度測量[1]。圖解樣方法是在植物群落樣地內設置一定面積的樣框, 并分割為多個均等面積的柵格, 然后利用坐標紙定出樣框邊線, 最終在坐標紙上精確繪出每株植物冠幅及基部枝條所占的面積, 然后計算植被蓋度。樣點截取法也叫針刺法, 將金屬針釬從植冠伸到地面, 記載測針觸及植物個體的次數以及針刺的總次數, 據此算出蓋度。此外, 正方形視點框架法[3]、陰影法[5]等客觀測量方法在植被蓋度測量中也有一定的應用?？傮w上, 客觀方法測量結果相對較為準確, 但是操作復雜, 十分耗時。

隨著光學傳感器技術的發展, 新的方法被應用于蓋度測量中, 應用較廣泛的主要有以下3種測量方法: 空間定量計法(Spatial Quantum Sensor, SQS)、移動光量計法TQS(Traversing Quantum Sensor, TQS)和基于照片的照相法?？臻g定量計法和移動光量計法是利用傳感器測量光通過植被層的狀況來計算植被蓋度, 需要專用的傳感器裝置, 設備復雜, 野外操作不方便[4]。同時, 這兩種方法沒有考慮到復雜的植被內部結構導致冠層輻射傳輸模型差異, 不同角度的輻射能量不同, 植被冠層反射光強具有各向異性, 同一測區的估算角度不同會導致估算結果差異較大。照相法是利用相機拍攝的照片來估算植被蓋度。早期的照相法主要是基于照片, 對植被蓋度進行目測, 或者利用透明的方格紙來對植被蓋度進行估算(也可以稱為攝影測量網格法)。后來, 隨著數字成像技術和數字圖像處理技術的發展, 基于數碼照片的蓋度測量方法逐漸被廣泛地應用于植被生態學研究中。本文在文獻研讀的基礎上, 從數據源、數據預處理、蓋度計算方法、影響蓋度計算準確度的因素以及發展趨勢等5個方面對基于數碼照片的植被蓋度測量方法進行系統評述, 以期為植被蓋度測量技術的選擇提供依據。另外, 本文僅針對基于普通RGB(Red, Green, Blue)數碼相機和多光譜數碼相機的植被蓋度地面測量方法進行評述, 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 蓋度估算流程簡介

基于數碼照片的植被蓋度測量方法可以分為三大步(圖1): 首先是確定數據源, 采用普通數碼相機或者多光譜數碼相機獲取數據(具體內容參見“3 數據源”), 然后對數據進行預處理, 包括邊緣形變處理、陰影處理以及白平衡、幾何校正等(具體內容參見“4 數據預處理”); 最后根據一定的算法, 如非分類的閾值法和非閾值法, 分類的監督分類、非監督分類以及面向對象分類等, 區分植被與非植被組分, 估算植被蓋度(具體內容參見“5 估算方法”)。

2 數據源

普通RGB數碼相機可以大量、快速獲取植被照片, 且可以使用計算機進行處理, 經濟、高效。目前, 多數研究中使用的數碼照片是普通RGB數碼相機拍攝的照片, 具有紅、綠、藍三個通道。植被在近紅外波段的反射較為明顯[6], 而普通RGB數碼相機缺乏這一波段, 這在一定程度上限制了普通RGB數碼照片對植被組分的識別能力。普通RGB數碼相機的另一缺點是其成像多采用中心投影, 而中心投影會引起邊緣形變[7], 這在一定程度上影響蓋度測量的準確度。

圖1 基于數碼照片的植被蓋度測量流程

Figure 1 Flow chart of the measurement for vegetation fractional coverage

除了常用的RGB數碼相機之外, 包含更多波段的多光譜數碼相機也被應用于蓋度估算, 如美國農業數碼相機(Agricultural Digital Camera, ADC), 包含綠、紅和近紅外波段。多光譜相機引入了近紅外波段, 理論上, 多光譜照片對植被的識別能力要強于RGB照片, 但是, 在實際應用中, 結果并不總是如此。任世龍等[8]采用多光譜相機(ADC, 美國, Tetracam inc)、改裝的多光譜相機(XnNite, CannonSX230 NDVI, 美國, LDPLLC)和普通相機(J35, Fujifilm)對高寒草地植被蓋度進行了測量, 結果表明XNite和普通數碼相機的測量準確度要高于ADC相機。

在拍攝效率上, 普通RGB數碼相機拍攝一張照片用時不到5s, 而多光譜(如ADC相機)相機拍攝一張照片約需要10s, 普通RGB數碼相機獲取照片的效率要遠遠高于多光譜相機。另外, 多光譜相機的價格通常也較高, 經濟性上也要遠低于普通RGB數碼相機, 因此, 多采用普通RGB數碼照片來進行植被蓋度的測量。

3 數據預處理

秦偉等[3]認為在利用數碼照片進行蓋度測量時, 要對照片進行白平衡校正、輻射校正和幾何校正, 將不同光照條件、不同相機和不同拍攝參數下獲得的影像歸一化, 以減少圖像間植被蓋度的測量差異。不過, 數碼相機多具有白平衡功能, 很少有研究對照片進行白平衡校正。輻射校正需要大量的參數, 校正過程復雜, 多數研究也沒有對照片進行輻射校正處理。照片中心投影導致的形變以及照片中的陰影等問題對蓋度測量影響較大, 需要對照片進行處理, 盡量減小形變和陰影對蓋度測量準確度的影響[8-10]。

3.1 形變處理

對于數碼照片的邊緣形變問題, 任世龍等[8-9]對原始照片進行裁剪, 保留了照片中心區域, 而舍棄了邊緣變形較大的區域。但是, 裁剪的方法減少了測量對象的面積, 影響了蓋度數據的代表性。任杰等[10]通過幾何校正的方法, 對原始照片進行校正, 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算的誤差, 最大限度地利用野外采集的數據。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

植被照片中通常會存在一定的陰影, 而陰影區中的地物難以區分。因此, 在進行蓋度測量前, 要對照片進行去陰影處理。如丁肖等[11]將RGB照片轉化為亮度灰度值圖像, 設置特定閾值, 對照片中的陰影進行判別。不過, 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合照片拍攝的時間來確定。

另外, 還可以采用數字圖像綜合處理方法, 對植被照片進行光照補償, 削弱光照不均對植被與非植被分割效果的影響。如王海超等[12]應用動態巴特沃斯同態濾波法對草地植被圖像進行光照補償, 基本消除了自然環境光照不均對圖像分割的影響, 提升了對植被與非植被組分識別的準確度。

4 估算方法

基于數碼照片的蓋度測量方法可以歸為兩類, 一類是非分類的方法, 另一類是分類的方法。非分類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的正數代表紅色, 負端代表綠色; b的正數代表黃色, 負端代表藍色)等顏色空間的各個顏色分量分布特征, 設置閾值或者直接分析不同地物的顏色分量之間的關系, 區分植被與非植被, 進而計算植被蓋度。分類的方法則采用基于像元的監督(如最大似然法)、非監督(如K均值聚類)分類或者面向對象分類方法對地物各個組分進行分類, 進而計算植被蓋度。下面分別對各個計算方法進行介紹。

4.1 非分類的方法

4.1.1 閾值法

(1)基于RGB顏色空間

根據植被紅、綠和藍三個波段的DN(Digital Number)值分布特征, 設置固定閾值, 區分植被與非植被, 計算植被蓋度。如張云霞等[13]認為綠色植被組分的光譜特征符合以下關系: DNG>DNR, DNG>DNB, DNG>x(DNR、DNG、DNB分別代表數碼照片紅、綠、藍組分的DN值, x是閾值), 采用此關系對植被組分進行判讀, 進而計算出植被蓋度。

更多的研究在RGB圖像的基礎上, 計算出植被指數, 根據植被指數的分布特點, 設置閾值, 區分植被與非植被, 計算蓋度。其中, 歸一化差異指數(NDI, Normalized Difference Index)和過綠植被指數(EGI, Excess Green Index)應用較多。NDI是Woebbecke等[14]基于RGB圖像提出的用于區分植被與非植被組分的指數。NDI被定義為可見光綠波段與可見光紅波段數值之差和這兩個波段數值之和的比值。任杰等[15]采用NDI法計算了植被的蓋度, 并與基于最大似然法的監督分類的計算結果進行了對比, 結果表明二者的估算準確度均在90%以上。不過, 班愛琴等[16]認為數碼照片NDI處理過程中只提取可見光的紅和綠波段, 對可見光的其他波段并未考慮, 因而該方法所得結果的準確度在某些特定情況下并不夠高。班愛琴等[16]采用NDI方法計算植被蓋度, 發現在陽光強烈的情況下計算的蓋度的準確度(81%—88%)要低于在溫和陽光照射下的植被蓋度的準確度(大于90%), NDI法對在強烈陽光照射下顏色發白、發亮的植被以及植被下形成的黑色陰影并不能進行有效處理。EGI(EGI = 2 × G – R – B)也廣泛應用于植被與非植被的區分。如胡建波等[17]和韓正笑等[18]基于RGB圖片, 計算EGI, 從數碼照片中快速計算草地植被蓋度, 估算準確度優于最大似然法的蓋度估算方法。Patrignania和Ochsner[19]基于RGB圖像, 計算了EGI和R/G, B/G等指數, 對植被與非植被組分進行了區分, 計算蓋度, 估算準確度超過90%。

另外, 其他基于RGB圖像的植被指數也被用于區分植被與非植被, 實現蓋度的計算。如Gitelson等[20]基于RGB波段, 提出可見光大氣校正指數(Visible Atmospherically Resistant Index, VARI, VARI = (Rgreen– Rred)/(Rgreen+ Rred– Rblue), Rred, Rgreen和Rblue分別是紅、綠和藍三個波段的植被反射率)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、藍波段歸一化差值(Difference between Normalized Green and Normalized Blue)、EGI、校正過綠植被指數(Modified Excessive Green Index, MEGI)等多個植被指數對植被與非植被進行了分割, 實現對植被蓋度的計算, 結果發現MEGI的計算準確度最高。丁肖等[11]基于RGB照片, 計算了6種植被指數(Vegetative Index, Color Index of Vegetation, Excess Green Index, Excess Green Minus Excess Red, Normalized Difference Green Index, Combination)用于區分植被與非植被, 估算蓋度, 結果表明, 6種方法估算準確度均高于90%。

(2)基于HSI、HSV、HSL和Lab等顏色空間

在RGB顏色空間的基礎上, 基于HSI、HSV、HSL和Lab等顏色空間的植被蓋度測量方法也取得了較大的進展。如Liu等[22]提出基于Lab顏色空間的蓋度測量方法, L為明度因數, a、b為兩個色度因數, 其中a為綠色通道, 從紅色變化到綠色(–120—120), 適宜用來提取綠色植被。任世龍等[9]采用Liu等[22]提出的Lab顏色空間法對草地蓋度進行了估算, 結果發現當植被覆蓋度較大時, 計算準確度較差, 其估算值與“真實值”最大差值達35%。Song等[23]進一步發展了Liu等[22]提出的方法, 提出基于高斯模型的閾值確定方法, 蓋度估算準確度有了較大的提升。Coy等[24]在Lab顏色空間模型的基礎上, 建立植被與非植被組分a分量的分布曲線模型, 同時采用高斯混合模型確定閾值, 區分植被與非植被組分, 蓋度計算準確度接近90%。

除了使用單一的顏色空間進行植被識別外, 綜合運用多種顏色空間的各個分量用于區分植被與非植被的研究思路也被廣泛使用。如李存軍等[25]通過分析綠色像元在RGB和HSL兩個顏色空間的各個維度的值域特征, 實現了對植被與非植被的區分和蓋度的計算, 分類準確度達90%。Kendal等[26]采用Lab顏色空間, 詳細分析了葉、花各個顏色分量的特征, 設置閾值, 對花進行分離, 實現了對花蓋度的計算, 計算結果與人工測量結果的相關系數達到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, 實現對植被與非植被的區分, 結果表明EGI指數法的提取效果最好, 其測量誤差相對最低、適用性最好, a分量法次之, H分量法的測量誤差相對較大。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, 計算照片中各個像元屬于植被的概率, 設定閾值, 對植被組分進行判讀, 進而計算植被蓋度, 估算的蓋度值與目視估算的蓋度值之間的相關系數在0.48—0.83之間。

(3)基于多光譜照片

隨著多光譜相機的應用, 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(NDVI, Normalized Difference Vegetation Index)也被運用于植被與非植被的區分和蓋度計算。如宜樹華等[29]基于多光譜圖像(具有綠、紅和近紅外波段)計算了NDVI, 區分植被和土壤, 計算蓋度, 并比較了基于NDVI估算的蓋度和目測法估測的蓋度與NDVI值之間的相關性, 發現基于NDVI估算的蓋度和NDVI的相關性要遠高于目測的蓋度值, 這說明采用多光譜照片計算的蓋度值的準確度要高于專家目測的蓋度值。任世龍等[9]基于ADC多光譜圖像, 計算了NDVI, 實現了對植被蓋度的估算, 發現估算結果與真實值之間無顯著差異。但是, 基于多光譜照片估算的蓋度的準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數碼相機分別獲取草地植被照片, 綜合采用近紅外、紅、綠和藍等波段對植被與非植被進行區分, 實現對蓋度的估算, 結果發現基于ADC多光譜照片的蓋度估算準確度低于基于普通RGB數碼照片的蓋度估算準確度。

(4)閾值的確定

閾值的確定是閾值法計算植被蓋度的關鍵。固定的經驗值常被用作區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。宜樹華等[29]基于NDVI, 利用0.4作為區分植被和土壤的閾值, 即當某個像素的NDVI值大于0.4時, 該像素為植被。Liu等[22]提出在Lab顏色空間中, a分量為負值時是植被, 正值時是非植被。Patrignania和Ochsner[19]計算了R/G值, B/G值和EGI, 分別以0.95、0.95和20作為其區分植被與非植被的閾值。

人工嘗試法也常被用于確定閾值, 通過觀察植被與非植被區分的效果, 逐步改進閾值, 但是確定閾值的時間和人力成本較高, 且主觀性較強。如任世龍等[9]基于NDVI值, 根據植被識別的結果對閾值進行人為的調整, 確定了多個照片的植被與非植被區分效果最佳時的閾值, 然后計算了這些閾值的平均值, 作為最終閾值, 應用于所有照片, 區分植被與非植被, 計算蓋度。McCool等[28]也是通過觀察估算值與參考值之間的對應情況, 選擇最優閾值, 用于植被的判別, 進而實現蓋度的計算。

數學模型分析法(如最大類間方差法、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用。如胡建波等[17]基于植被和背景的植被指數隨機噪聲引起的平均波動梯度與植被和背景交界處的變化梯度之間的關系, 設計了一種半自動閾值設定算法, 從數碼照片中快速計算草地植被蓋度。韓正笑等[18]和徐金勤等[27]采用最大類間方差法(被分割的兩部分的類間方差越大, 錯分率則越小), 確定閾值, 實現對植被與非植被組分的區分, 計算蓋度。丁肖等[11]認為蓋度的估算值與參考值之間絕對誤差均值最小時候的閾值, 即為最佳閾值。吳趙麗等[30]基于灰度化的圖像, 采用最大類間方差法確定閾值, 實現對灰度圖像的二值分割, 確定植被與非植被組分, 實現對蓋度的估算。Song等[23]認為在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, 同時基于植被與非植被被誤分的概率是相同的假設, 提出在a分量區分植被與非植被的閾值。Coy等[24]在Lab顏色空間模型的基礎上, 利用a分量, 同時基于高斯混合模型, 建立植被與非植被的分布曲線模型, 提出了區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展與完善, 但是其本質上是基于少量的樣本照片, 尋找區分植被與非植被的最適臨界點, 確定一個固定的值來對更多的照片進行植被與非植被的區分。但是, 照片拍攝時的植被組成、大氣狀況、太陽高度角等均存在一定的差別, 而將單一的閾值應用于所有的照片, 必然會造成一定的偏差。

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顏色空間的各個分量的對比特征, 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, 對照片中的綠色植被做出判讀, 進而計算出蓋度, 總體準確度達到94.7%。張學霞等[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成遵循DNR>DNG>DNB的規律, 根據該規律可以很好地區分植被與非植被組分, 進而計算出蓋度, 結果表明該方法估算的植被蓋度準確度較高, 與人工目測法估計值差異較小。班愛琴等[16]基于RGB圖像, 采用植被判定流程圖法(Vegetation Determine Flowchart, VDF), 系統比較了綠色植被的R、G、B波段之間的關系, 實現對綠色植被的判定, 計算蓋度, 并比較了VDF法與NDI法的差異, 結果表明, 在溫和陽光下, VDF法與NDI法的準確度接近, 而在強烈陽光下, VDF法的準確度要高于NDI法。章超斌等[33]構造了RGB顏色判別決策樹區分植被與非植被像元, 計算植被蓋度, 將地物分為綠葉、黃葉、紅花、紅葉、藍花、紫花、土壤、石頭、枯枝、枯葉等組分, 在此基礎上, 完成蓋度的估算, 與針刺法相比, 該方法計算得到的植被蓋度最大偏差絕對值不超過5%。

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

4.1.3 閾值法與非閾值法的對比研究

閾值法原理較為簡單, 容易實現, 不過閾值的確定較為困難, 而非閾值法中不同地物類型的波段對比較為復雜。陳祖剛等[2]比較了RGB閾值法、HSV閾值法和RGB決策樹法(非閾值法)的特點, 認為: 1)RGB閾值法和HSV閾值法的測量準確度較高, RGB決策樹法對非高蓋度草地樣方的測量準確度較低, 但RGB決策樹法可以識別出非綠色的植物莖、花朵等組分; 2)RGB閾值法和HSV閾值法的測量準確度不受草地樣方本身蓋度變化的影響, RGB決策樹法的蓋度測量準確度隨著草地樣方蓋度的增加而提高; 3)RGB閾值法和HSV閾值法測量的蓋度值隨光照強度的增大而減小, 隨光照強度的減弱而增大, 而RGB決策樹法測量的蓋度值隨光照強度的變化無明顯規律。

不過該研究僅僅以人工綠地為研究對象, 進行了不同方法的分析比較, 而自然植被的物種組成更豐富, 植被顏色也更復雜, 因此, 方法的比較應該在更多的地域和植被類型中進行。另外, 閾值法中還包括基于NDI、EGI以及其他各種指數的方法, 因此, 對閾值法與非閾值法的比較應該在更廣泛的范圍內進行。

4.2 分類的方法

分類的方法基本可以分為三類: 監督分類、非監督分類和面向對象分類。監督分類需要人工選擇訓練樣本, 分類準確度與訓練樣本的代表性和數量多少相關。非監督分類不需要選擇訓練樣本, 根據像元間的相似度進行合并歸類, 是一種自動分類。面向對象分類則利用了圖像的空間、光譜和紋理信息進行綜合分類。

4.2.1 非監督分類

非監督分類法通?；赗GB圖像, 計算植被指數, 或者基于HSI、HSV、HSL和Lab顏色空間的某個分量, 采用K均值聚類算法或者其他聚類算法對地物進行分類, 進而計算植被蓋度。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均值聚類算法實現對圖片的分類, 計算植被蓋度, 并與基于最大似然法的監督分類結果進行比較, 發現二者誤差較為接近, 都在5%以內。王海超等[12]基于Lab顏色空間, 采用K均值聚類算法對植被圖像進行分割, 計算了蓋度, 蓋度估算準確度稍低于網格紙測量法。

4.2.2 監督分類

最大似然法是監督分類中常用的方法, Richardson等[36]認為最大似然法依靠人工選擇訓練像素, 包含了主觀糾錯功能, 計算結果與真實值很接近。Bold等[37]采用最大似然法對地表覆蓋度進行估算, 蓋度估算值與傳統的圖解樣方法估算的蓋度值接近。吳林和張元明[38]利用最大似然法對苔蘚結皮、地衣結皮和藻結皮蓋度進行計算, 估算的蓋度值與傳統樣方法的相關性達到了94.5%。其他的監督分類方法在蓋度計算中亦有應用, 如Sadeghi-Tehran等[39]基于RGB、Lab、HSI、HSV等多種顏色空間, 提取植被指數, 建立植被與非植被的訓練數據, 采用基于隨機森林模型的監督分類方法實現對數碼照片的分類, 計算蓋度, 準確度超過90%。

Photshop(Adobe Inc)軟件和WinCAM軟件的顏色處理功能在植被區分及蓋度計算中也有一定的應用, 這類方法本質上是一種監督分類的方法。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, 最后統計上色部分的像元數占全部像元的百分比, 獲得蓋度, 結果發現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]和關法春等[42]采用Photoshop, 使用類似的方法對植被和非植被進行了分離, 實現了植被蓋度的估算, 準確度均較高。WinCAM軟件要設定顏色組, 通常分為背景色和植物綠色2個顏色組, 設定或者載入顏色等級, 把植被和非植被分別歸入不同的顏色等級, 實現對植被與非植被的區分, 進而計算蓋度。張清平等[43]用WinCAM軟件計算草坪蓋度, 發現當蓋度小于10%或大于90%, 軟件估算值準確度較高, 在10% - 90%的蓋度范圍內, 軟件估算的蓋度偏低?；赑hotoshop和WinCAM軟件方法的優點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, 人工判讀準確度高, 計算出來的蓋度值可以作為蓋度計算的參考值, 缺點是需要大量的人工處理, 工作量大。

4.2.3 面向對象的分類

面向對象分類集合臨近像元為對象, 綜合運用空間、光譜和紋理等信息, 對對象進行分類, 進而實現地物組分的區分。如Zhou和Robson[44]利用數碼相機獲得植被RGB照片, 通過光譜紋理分類器自動監測草地植被蓋度, 結果證明該方法優于基于K均值聚類的非監督分類和基于最大似然法的監督分類, 在準確度上有了很大的提高。Luscier等[45]采用面向對象分類方法, 對RGB圖像進行分類, 區分植被與非植被, 計算植被蓋度, 蓋度估算值的準確度在90%—96%之間。Laliberte等[46]采用面向對象分類方法, 綜合運用空間、光譜和紋理信息對RGB圖像和HSI圖像進行了分類, 把地物分為土壤、陰影、綠色植物和黃綠色植物4類, 實現了對蓋度的計算, 結果表明該方法的蓋度估算值與樣點截取法獲取的蓋度值之間的相關系數達到0.9。Bauer等[47]同樣采用面向對象的分類方法, 基于RGB數碼照片, 把地物分為凋落物、植物、石頭、陰影以及不確定物體, 然后計算了植被蓋度, 并與攝影測量網格法獲取的蓋度值進行了相關分析, 結果發現二者之間的相關系數超過0.8。

4.2.4 分類方法間的對比

理論上, 監督分類在分類效果上要優于非監督分類。但是, 監督分類過程中引入很多人為因素, 對于專業知識和野外經驗豐富的人來說, 準確度較好, 但對于缺乏經驗的人很容易會由于訓練樣本選取的代表性問題而導致嚴重的分類錯誤。另外, 監督分類過程中, 人機交互的訓練樣本選取過程不可避免, 自動化程度不高。

傳統的監督分類和非監督分類方法是基于像元的, 利用地物的光譜信息進行分類, 而面向對象分類則是基于分類對象的, 綜合了空間、光譜和紋理信息進行分類, 分類效果要優于傳統的監督和非監督分類[45]。但是, 面向對象分類需要大量的人工處理, 自動化程度較低。

5 影響蓋度測量準確度的因素

照片質量、拍攝時間、光照條件、拍攝角度以及植被的疏密程度對植被蓋度的測量結果具有一定的影響。宋雪峰等[31]認為照片的分辨率不同, 對蓋度估算有一定的影響。Booth等[48]研究表明, 照片質量對蓋度的估算具有較大的影響, 對焦不準導致的照片模糊會降低蓋度估算的準確度。另外, Booth等[48]認為照片中的高光部分對蓋度估算的影響較大, 建議數碼相機要加上偏光鏡, 消除高光部分的影響。

拍攝時間與光照條件是密切關聯的兩個影響蓋度測量的因素。Lukina等[49]研究表明, 高反射、陰影對蓋度計算的準確度有重要的影響, 拍攝時間最好在太陽高度角較大的時候。亦有研究表明, 光照強度對不同蓋度估算方法的影響是不同的。陳祖剛等[2]分析了光照強度對RGB閾值法、HSV閾值法和RGB決策樹法等三種方法的影響, 發現光照強度越強, RGB閾值法和HSV閾值法對同一草地樣方估算的蓋度值越小, RGB決策樹法估算的蓋度值隨光照強度的變化沒有固定的規律。丁肖等[11]研究了晴天、陰天對植被蓋度估算的影響, 結果表明, 陰天條件下估算誤差明顯小于晴天條件, 估算結果的穩定性也遠大于晴天條件, 其原因是因為在晴天條件下, 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, 由于光線為散射光, 下層葉面能夠呈現為真實的顏色, 從而能夠被區分出來。

照片拍攝季節對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對蓋度估算的影響, 結果表明, 在植物生長盛期拍攝的照片計算出來的蓋度準確度較高, 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, 普通數碼相機的RGB波段很難有效識別枯黃的部分。多光譜相機具有近紅外波段, 對葉綠素很敏感, 可以較好地分辨出這部分葉片, 理論上, 其蓋度估算準確度要高于普通RGB數碼相機。

關于拍攝角度, 趙繼強等[50]采用基于物理的光線追蹤算法模擬相機拍攝的照片, 通過精確控制模擬相機的拍攝條件, 分析了非垂直拍攝對測量準確度的影響, 結果表明相機的非垂直拍攝對蓋度計算的準確度有較大的影響, 誤差最大可達27.9%。

植被疏密程度對蓋度估算的準確度具有一定的影響, 但是對不同估算方法的影響不一致。陳祖剛等[2]分析了植被密度對不同蓋度估算方法的影響, 結果表明, 草地密度變化對RGB閾值法和HSV閾值法的蓋度識別準確度無明顯規律性影響, RGB決策樹的蓋度識別準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, 葉片相互遮擋現象加重, 照片中陰影區的植被增多, 最終導致誤差增大。EXGR和NGRDI法估算誤差無規律的原因可能是蓋度變化時, 這兩種方法對背景像元的錯分仍占主導優勢, 從而抵消掉了植被密度變化時產生的誤差[11]。

6 發展趨勢與應用前景

6.1 發展趨勢

基于RGB、HSI、HSV、HSL和Lab等顏色空間分量以及植被指數的方法, 均是單純地從顏色(尤其是綠色)來對植被和非植被組分進行分辨, 這具有明顯的局限性, 很難對非綠色的植被組分(莖、枝、花等)進行有效識別, 在背景與植被之間存在一定的誤分[7]。光照、植被密度等因素對估算準確度具有較大的影響, 針對這個問題, 可以建立隨密度變化、光照環境變化的閾值自適應模型, 定量評估光照和植株密度對蓋度估算的影響, 這也是繼續使用RGB顏色空間或者其他顏色空間開展精確的植被蓋度測量的一個重要途徑[2]。另外, 可以對照片進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, 基于數碼照片的植被蓋度測量研究多是基于顏色特征的植被分類, 這可能會導致植物組分產生空洞或者斷裂[35]。針對這個問題, 基于數學形態學理論, 可以從圖形統計學出發, 通過圖像邊緣檢測、聚集分析、圖形自動匹配等手段, 識別出植被不同組分的形狀, 消除這部分誤差[51], 進一步提高蓋度測量準確度。

隨著移動智能通信設備的快速發展和普及, 智能手機和平板電腦將逐步成為植被圖片獲取的重要工具。智能手機和平板電腦具有強大的數據處理和分析能力, 可以對獲取的照片進行實時處理, 即時獲取植被蓋度等關鍵參數。智能手機和平板電腦不僅可以拍攝植被圖片, 還可以通過內置的傳感器和芯片, 獲取經緯度、溫濕度等重要信息。高準確度蓋度與環境信息的耦合, 為植被動態監測與分析提供了更為有力的數據支撐。在未來的研究中, 要加強蓋度數據獲取系統與環境傳感器的集成, 發揮智能手機和平板電腦強大的通訊能力, 和互聯網、云存儲和云計算等聯系起來, 組建植被關鍵參量綜合獲取系統, 服務于生態環境監測、遙感等科研領域。

6.2 應用前景

基于數碼照片的植被蓋度測量方法具有準確度高、方便、快捷等優點, 將成為未來獲取地面蓋度實測數據的一個重要渠道。本文從區域植被調查、植被定點長期觀測等方面介紹基于數碼照片的植被蓋度測量方法應用前景。

區域植被調查: 在傳統的植被調查中, 多采用目測法對蓋度進行估算, 與目測法相比, 基于數碼照片的植被蓋度測量方法所獲取的蓋度將更加客觀和準確。目前, 智能手機已成為獲取圖片的重要工具, 將基于數碼照片的植被蓋度測量算法嵌入智能手機, 同時借助手機中內嵌的GPS芯片以及溫濕度傳感器, 可以在短時間內獲取較多地面樣點的蓋度、地理位置、溫濕度等數據, 可以有效提升植被蓋度調查的效率和準確度。將基于數碼照片的植被蓋度測量算法應用到機載(如無人機)數碼相機中, 可以在更大的空間尺度上獲取植被蓋度信息。另外, 基于數碼照片的植被蓋度測量準確度較高, 通過與衛星遙感影像相結合, 實現地面觀測數據的空間尺度轉換, 可以有效提高大區域植被蓋度的測量準確度。

植被定點長期觀測: 植被蓋度是生態系統長期監測的重要指標, 然而, 依靠人工的蓋度觀測很難保證蓋度觀測值的客觀性、準確性、長期性, 且觀測人的更換將會帶來數據的一致性問題。將基于數碼照片的植被蓋度測量算法嵌入攝像系統, 同時集成溫度、濕度、光照傳感器, 結合數據無線傳輸技術, 組建植被蓋度定點實時觀測系統, 實現蓋度、溫度、濕度和光照強度數據的高頻自動獲取與遠程傳輸。另外, 在精準農業領域, 獲取精確的作物蓋度有利于更好地指導農田水肥管理、雜草與病蟲害控制以及作物收獲與產量預測, 基于數碼照片的蓋度測量方法在精準農業中將發揮巨大的作用。

[1] 宋永昌. 植被生態學[M]. 上海: 華東師范大學出版社, 2001.

[2] 陳祖剛, 巴圖娜存, 徐芝英, 等. 基于數碼相機的草地植被蓋度測量方法對比研究[J]. 草業學報, 2014, 23(6): 20-27.

[3] 秦偉, 朱清科, 張學霞, 等. 植被覆蓋度及其測算方法研究進展[J]. 西北農林科技大學學報(自然科學版), 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. 遙感應用分析原理與方法[M]. 北京: 科學出版社, 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, 宜樹華, 陳建軍, 等. 基于不同數碼相機和圖像處理方法的高寒草地植被蓋度估算的比較[J]. 草業科學, 2014, 31(6): 1007-1013.

[9] 任世龍, 宜樹華, 陳建軍, 等. 高山草地植被蓋度對氣候變暖和人類活動的響應[J]. 草業科學, 2013, 30(4): 506-514.

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

[11] 丁肖, 邱新法, 高佳琦, 等. 基于手機相片的草地植被蓋度估算方法研究[J]. 浙江農業學報, 2017, 29(6): 1017-1025.

[12] 王海超, 宗哲英, 殷曉飛, 等. 基于同態濾波和K均值聚類算法的草原植被蓋度測量[J]. 農機化研究, 2018, 8: 168-187.

[13] 張云霞, 李曉兵, 張云飛. 基于數字相機、ASTER和MODIS影像綜合測量植被蓋度[J]. 植物生態學報, 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. 從數碼照片中快速提取植被覆蓋度的方法研究[J]. 遙感技術與應用, 2010, 25(5): 719-724.

[16] 班愛琴, 錢育蓉, 莫媛淇, 等. 用植被判定流程圖法從數碼照片中快速提取植被覆蓋度[J]. 西北農林科技大學學報: 自然科學版, 2012, 40(8):200-206.

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

[18] 韓正笑, 劉濤, 陳瑛瑛, 等. 基于圖像處理技術的稻田雜草蓋度計算研究[J]. 中國農機化學報, 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, 王紀華, 劉良云, 等. 基于數字照片特征的小麥覆蓋度自動提取研究[J]. 浙江大學學報(農業與生命科學版), 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. 基于數碼照片的草地植被蓋度快速提取方法對比[J]. 江蘇農業學報, 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] 宜樹華, 王增如, 謝霞, 等. 高寒草地植被蓋度估算及其與凍土的關系[J]. 草業科學, 2011, 28(3): 353-358.

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

[31] 宋雪峰, 董永平, 單麗燕, 等. 用數碼相機測定草地蓋度的研究[J]. 內蒙古草業, 2004, 16(4): 1-6.

[32] 張學霞, 朱清科, 吳根梅, 等. 數碼照相法估算植被蓋度[J]. 北京林業大學學報, 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定方法研究[J]. 草業學報, 2013, 22(4): 220-226.

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

[35] 賈建華, 胡勇, 劉良云. 青藏高原數字照片植被覆蓋度自動算法與應用[J]. 地球信息科學學報, 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, 張元明. 以數碼照相法估算生物上壤結皮蓋度[J]. 中國沙漠, 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定[J]. 草業學報, 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] 關法春, 梁正偉, 王忠紅, 等. 方格法與數字圖像法測定鹽堿化草地植被蓋度的比較[J]. 東北農業大學學報, 2010, 41(1): 130-133.

[43] 張清平, 章山山, 陳露, 等. 應用WinCAM軟件判識分析草坪蓋度[J]. 草業科學, 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, 謝東輝, 孟夏, 等. 規則林地覆蓋度照相測量法的準確度分析[J]. 農業工程學報, 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

宋創業, 張琳, 吳冬秀. 基于數碼照片的植被蓋度測量方法研究進展[J]. 生態科學, 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

國家重點研發計劃 (2017YFC0503801, 2016YFC0500103)

宋創業(1980—), 男, 博士, 副研究員, 主要從事植被生態學研究, E-mail: songcy@ibcas.ac.cn

吳冬秀，女，博士，研究員，主要從事植被生態學與生態系統監測研究, E-mail: wudx@ibcas.ac.cn