采用染色示踪技术的土壤优先流自动分割与量化系统

韩巧玲，柏 浩，赵 玥，赵燕东，徐向波，李继红

采用染色示踪技术的土壤优先流自动分割与量化系统

韩巧玲1,2,3,4，柏 浩1,2,4，赵 玥1,2,3,4※，赵燕东1,2,4，徐向波1,3,4，李继红5

（1. 北京林业大学工学院，北京 100083；2. 城乡生态环境北京实验室，北京 100083；3. 国家林业局林业装备与自动化国家重点实验室，北京 100083；4. 智慧林业研究中心，北京 100083；5. 东北林业大学林学院，哈尔滨 150040）

针对土壤染色图像色度不一致、染色/非染色区域对比度低的特点，以及现有土壤染色图像分割方法自动化程度弱的问题，该研究提出一种土壤优先流自动分割与量化系统。该系统采用基于分量改进的模糊均值方法（Fuzzy-Means Based onComponent and Morphology，HM-FCM）实现染色区域的自动分割，运用数学统计法提取总染色面积比、基质流深度、优先流比等特征参数，实现对土壤染色区域的量化分析，以揭示优先流的发育程度。并基于2种林地染色图像验证了系统性能。试验结果表明：1）HM-FCM法对于天然次生林和榛子林图像均具有最佳分割效果，其分割准确率为87.9%和83.3%，调和平均值为90.5%和80.3%；2）2种林地土壤染色区域总体集中于0～50 cm土层，优先流具有不同发育程度（<0.05）。该系统可为优先流路径的空间演变提供技术支持和理论依据。

土壤；图像分割；优先流；染色示踪技术；量化分析

0 引 言

优先流是一种常见的土壤水分运动形式，表示土壤中溶质和水分绕过土壤基质并在土体内部优先移动的现象[1]。由于土壤胀缩、小动物活动轨迹、植被根系发育状况等的影响，土壤中优先流多以大孔隙流和管流的形式存在。优先流能在短时间内提高雨水的入渗能力，减少地表径流和侵蚀；同时也会降低植物对肥料的吸收效率，减弱农药在土壤中的停留降解作用，加剧地下水污染[2-3]。因此，研究优先流对控制水污染、保护生态环境和促进农业经济可持续发展具有重要意义[4]。

土壤优先流研究方法主要包括间接测量法和直接观测法。间接测量法主要包括微张力测量技术[5]、穿透曲线技术[6]、电阻率层析成像技术[7]等，此类方法主要通过公式推演计算土壤含水量、土壤电导率等参数研究优先流，无法直观展示优先流路径。直接观测法主要包括树脂填充法[8]、核磁共振技术[9]、染色示踪技术[10-15]等，其中，树脂填充法由于树脂硬化时间快导致部分孔隙无法填充，核磁共振技术由于费用极高导致应用较少，而染色示踪技术具有无毒无害、可适度高、溶解度高、费用低等优点，被广泛应用到土壤优先流的研究中。

目前，研究者主要采用通用图像处理软件Image J[16]、Image Pro Plus[17]、Photoshop[18-19]等对土壤优先流染色图像进行优先流分割。这类软件主要适用于目标和背景对比度高的图像，且无法实现批量自动处理[20]。而受拍摄光照和染色程度影响，土壤染色图像中存在染色区域色度和光照不统一、对比度低的问题，导致分割精度和分割效率较低，从而影响后续优先流量化研究的准确性。而模糊均值聚类（Fuzzy-Means，FCM）具有处理不确定像素分类问题的优势，适用于解决土壤染色图像中染色区域边界模糊的问题。同时，相较于常用的RGB（Red，Green，Blue）空间，HSV（Hue，Saturation，Value）空间具有直观表达明暗、色调和鲜艳程度的特点，能够增强染色图像中颜色的对比度。因此，针对土壤染色图像中不同物质对比度低、优先流染色不一致的特点，本文提出基于分量改进的模糊均值方法（Fuzzy-Means Based onComponent and Morphology，HM-FCM）。

HM-FCM法可以自动、批量地实现土壤染色图像的分割；并结合总染色面积比、基质流深度、优先流比等优先流特征，构建基于染色示踪图像的土壤优先流自动分割与量化系统，为土壤优先流研究提供技术选择。为验证本文方法及系统的有效性，以2种林地下（天然次生林、榛子林）土壤优先流染色图像为应用对象，通过对优先流自动分割和其特征的量化分析，揭示不同林地下土壤优先流的运移规律，为优先流发育状况的评价、水资源管理、地下水污染的防治等提供科学依据。

1 材料与方法

1.1 优先流染色示踪试验及图像采集

1.1.1 研究区概况

染色示踪试验在黑龙江省东北林业大学帽儿山实验林场老山实验站（127°20′42″～127°36′15″E，45°16′44″～45°19′00″N）进行。实验区属低山丘陵区，平均海拔300 m，最高海拔805 m，该地属大陆性季风气候，年平均气温2.8 ℃，年降水量723 mm左右。研究区内天然次生林与人工林镶嵌分布，地带性土壤为暗棕壤[21]。

1.1.2 染色示踪试验与图像采集

将试验点土壤表面碎石及树枝等杂物清理干净，然后放置长宽均为100 cm、高60 cm、厚0.5 cm的不锈钢铁框。紧贴铁框外围挖土，使其在自身重力作用下下沉50 cm。选用25 L浓度为4.0 kg/m3的亮蓝染色剂，于2015年9月27日至10月5日，结合当地降雨情况（以当地24 h内最大降雨量50 mm为标准计算所需水量），采用积水渗透方式将预制的亮蓝溶液均匀洒在土壤表面，然后用薄膜密封，防止其他水分输入。染色试验完成24 h后，缓慢取出铁框，去除染色示踪土壤每边10 cm的边缘土，将土壤剖面修整成80 cm×80 cm×50 cm的有效矩形剖面。然后，每隔10 cm垂直挖掘土壤剖面，用土壤刀和软毛刷将土壤剖面修平，将标尺放置在剖面旁标注剖面的长度。使用高清数码相机（IXUS 220HS，Canon），采用固定拍摄距离与角度的方式逐层拍摄林地土壤垂直剖面染色图像（图1）。

1.2 土壤染色图像预处理

由于数码相机拍摄角度、周围复杂环境等干扰，原始土壤染色图像需要进行裁剪预处理，以提取用于计算及处理分析的优先流区域。原始土壤染色图像包含2部分信息，一部分是外部干扰信息，另一部分为内部土壤染色图像。由于干扰信息与优先流研究无关，本文沿刻度尺及土块边缘对原图裁剪，得到有效土壤染色图像。

1.3 基于HM-FCM法的染色图像分割

本文提出一种基于分量改进的模糊均值方法进行土壤优先流分割，来提高优先流路径的分割精度。主要包括3部分：1）空间转换，以增强染色区域与其他区域的对比度；2）基于模糊C均值聚类法实现优先流初步分割；3）采用形态学运算，实现优先流路径的准确分割。

1.3.1 空间转换

由于土壤染色示踪图像在RGB颜色空间下染色区和非染色区对比度低，在二值化时容易出现过分割和欠分割问题。观察染色图像发现，优先流图像的染色和非染色区域在色调上差异较大；而HSV空间能够直观表达明暗、色调和鲜艳程度，并增强图像中不同颜色的对比度，因此，本文将RGB格式的土壤染色图像转换到HSV空间，并分离分量。其转换公式[22]为

式中，，分别为图像的色调，饱和度，明度分量；max为集合{,,}中的最大值；min为集合{,,}中最小值；为同一位置体素点的红色分量数值；为同一位置体素点的绿色分量数值；为同一位置体素点的蓝色分量数值。

由图2可知，分量下的图像中，染色区域和非染色区域在色调上的较大差异增强了染色土壤和非染色土壤之间的对比度，有利于后续进行优先流分割；分量下的图像中，染色较深的地方被错误识别为土壤固相物质，存在严重欠分割现象（如图2d和图2g红色圆圈处）；而分量下的图像无法识别染色区域。因此，后续优先流分割试验均基于分量下的土壤染色图像进行。

1.3.2 模糊均值聚类方法

作为常用的模糊聚类算法，FCM能够根据染色图像中所有像素点到聚类中心的隶属度来确定聚类关系，从而使得同类像素点之间相似度最大，不同类像素点间相似度最小[23]。这一计算过程需要满足目标函数的最小化

式中为优先流染色图片像素点的总数量；为图片中第个像素点；为第个聚类中心；为聚类中心的数目；u为样本x属于类的隶属度；c为类的中心；||x-c||为x到c的距离；为加权指数，本文选取=2[23]。

FCM通过不断迭代隶属度u和聚类中心c，直到达到最优[23]

式中为迭代步数。

注：图中红色圆圈处为分量的误识别区域。

Note: The red circle in the figure is the misidentification area ofcomponent.

图2 染色图像的、、分量及其分割结果对比

Fig.2、、components of the dyed image and comparison of segmentation results

对单个样本x，到每个类中心的隶属度之和为1。迭代的终止条件为

式中为误差阈值。

当目标函数收敛时，聚类结果达到理想状态，此时的聚类中心和隶属度矩阵作为最终的聚类参数完成土壤优先流路径的分割。

1.3.3 形态学后处理

由于土壤垂直剖面中小石块、根系等的存在，使得分割出的优先流路径存在离散空洞，影响其连通性和量化分析的准确性。因此，对优先流路径进行填补等操作是获取优先流特征的重要前提。开运算能够去除孤立的噪声点（如图3a中左下角），减少优先流的过分割问题；而闭运算能够填平二值图中由根系和小石块等造成的小孔和缝隙（如图3b中右上角），减少优先流的欠分割问题。因此，本研究主要使用形态学中开闭运算（效果如图3所示）相结合的操作来实现优先流填补。计算过程表示为[24]

1.4 优先流特征量化指标

基于分割后的优先流图像，采用基于像素点的数学统计法，计算优先流总染色面积比、基质流深度、优先流比、分形维数4项最常用且具代表性的指标，评价优先流路径发育状况。这4个指标分别从不同方面表现了土壤优先流发育程度及形态特征，对土壤优先流的研究有重要意义。

注：图a、b中，左侧图像为运算前图像，左侧图像为运算后图像。

Note: In figures a and b, the left image is the image before arithmetic, and the left image is the image after arithmetic.

1.4.1 总染色面积比

总染色面积比为染色面积与整个剖面总面积的比值[25]。作为研究土壤优先流的重要指标，可直观地反映土壤水分运动情况。计算公式为

式中为染色面积比，%；D为染色区域面积，即染色像素点数量总和；N为未染色区域面积，即未染色像素点的总和。

1.4.2 基质流深度

基质流深度指土壤中水分以基质流形式运动的垂直深度。垂直剖面染色图像中某一深度染色面积比大于80%的土层深度被称为基质流深度（cm）[26]，其值可以清楚地表明优先流发生时间，基质流深度越大，说明优先流发生越滞后。

1.4.3 优先流比

优先流比是指土壤染色剖面中优先流区域的面积与总染色面积的比值[17]，即基质流深度以外的染色区域面积比，其值可以表现优先流的发育程度。优先流比越大，说明土壤中优先流现象越明显。

1.4.4 分形维数

式中F为分形维数；为正方形小盒子边长；()为非空盒子数。

当F=1时，湿润锋迹线为直线，此时不存在优先流；若F>1，表明湿润锋迹线为不规则曲线，此时土壤存在优先流，且分形维数F越大，湿润锋迹线不规则程度越高，优先流发育程度也越高。

1.5 优先流分割方法定量分析

为进一步评价本文所提方法的优劣性，采用准确率、召回率、精确率以及调和平均值对4种方法定量分析[27]。指标数值越大，方法的分割效果越准确。

1）准确率（）。表示正确分割染色区域和非染色区域的比例。

式中TP和TN分别表示正确分割染色区域和非染色区域的像素点数目；FP和FN分别表示错误分割染色区域和非染色区域的像素点数目。

3）精确率（）。表示染色区域分割结果中正确分割像素点的比例。

4）调和平均值（1）。是精确率和召回率的综合指标。

2 结果与分析

为测试本文所提系统在优先流分割与特征量化的应用效果，以天然次生林和榛子林2种利用方式下的土壤为研究对象。通过前期预试验，验证了优先流中常用的Photoshop、Image J、Image Pro Plus等软件具有较好的分割性能，因此，本文选用这3个软件作为对比方法，评价本文HM-FCM法对土壤优先流的分割结果。综合对比现有文献中使用软件进行优先流分割的处理步骤，选用最常见的处理方法，包括：1）Photoshop通过调整图像的亮度为-5，对比度为74，调整色阶为（19，1.24，255），选取RGB颜色范围[55～155，70～185，90～185]分割染色区域[18-20]；2）Image Pro Plus选用在Photoshop处理的基础上进行降噪处理（选用2×2 Square，腐蚀1次和膨胀1次）的方法[24]；3）Image J软件自身集成16种阈值分割方法，本文预试验采用16种方法对优先流染色图像分割并定量分析，最终选用其中优先流分割效果最好的Li方法[28]对比分析。

试验中标定图为采用PhotoShop图像处理软件手动提取的染色结果，经5人重复标定以消除主观因素对精度的影响，是本文量化评价分割方法的标准。本文试验硬件环境为：处理器Intel®CoreTMi5-4590，主频3.30 GHz，内存12 GB。软件环境为Windows10操作系统和Python编程语言。

2.1 优先流分割结果定性分析

图4和图5分别为4种方法对于随机选取的2种林地土壤染色图像的分割结果，其中，黑色表示染色区，白色表示非染色区。

从图4可知，Photoshop、Image Pro Plus虽能分割出部分染色区域，但由于土壤本身与染色区域对比度低，导致这2种方法存在较为严重的欠分割现象；并且由于土壤本身与染色区域对比度低，Image J无法准确区分染色区域，存在严重的过分割现象；而HM-FCM法则能识别低对比度区域，准确分割染色区域。Photoshop和Image Pro Plus虽能较好地解决过分割现象，但存在大量离散点；而HM-FCM法能够准确判断染色区域，具有较好的分割能力。

从图5可以看出，Photoshop、Image Pro Plus、HM-FCM 3种方法均能较好地分割染色区域，但Photoshop、Image Pro Plus存在不同程度的欠分割现象；而Image J存在严重的过分割现象，无法区分染色区域和土壤。由于土壤颜色较深，与染色区域对比度低，Image J方法将深色土壤错误判断为染色区域，其余3种方法都能很好识别该区域为土壤；在染色较浅的区域，由于染色区与未染色区土壤颜色极其接近，4种方法均存在不同程度的过分割现象，但从整体上HM-FCM法具有最佳分割效果。

综上所述，本文的HM-FCM法能较好地分割2种林地下土壤染色区域，避免了染色区域由于低对比度所造成的过分割和欠分割现象。

2.2 优先流分割结果定量分析

为进一步评价本文分割方法的有效性，采用准确率、召回率、精确率和调和平均值[27]这4个指标对分割结果进行综合分析，指标数值越大，方法的分割效果越准确。表1是4种方法对于天然次生林和榛子林优先流分割结果的定量评价，表中数据以30幅垂直剖面染色图像均值和标准差的形式表示。

表1 4种方法分割结果的定量评价

由表1可知，针对天然次生林的土壤染色图像，HM-FCM法具有最高的准确率（87.9%）、召回率（89.2%）、精确率（92.5%）和调和平均值（90.5%），这表示相对于其他3种方法，其对土壤染色区域的分割效果最好。而针对榛子林土壤染色图像，Photoshop具有最高的精确率（96.1%）和最低的召回率（47.4%），这表明该方法虽然能够正确分割出土壤中的染色区域和非染色区域，但是其对于染色区域存在严重欠分割现象，因此，该方法不适用土壤染色图像中优先流分割。相比于其他3种方法，HM-FCM法的分割精确率较低（71.4%），这是由于榛子林土壤中存在较多植物细根，而HM-FCM方法将这部分细根覆盖区域也判断为染色区域，使得其存在部分过度分割现象。但是，HM-FCM法具有最高的准确率（83.3%），比Image Pro Plus高约15.2个百分点；其召回率达到93.5%，比Image J高约37.5个百分点；调和平均值为80.3%，远大于其余3种方法，这表示HM-FCM在准确分割染色区域的基础上，能较好地解决染色区域欠分割问题。

综上所述，本文的HM-FCM法能够较精确地分割出2种林地下土壤优先流路径，可以为黑土优先流的量化分析提供准确的数据基础。

2.3 优先流特征量化分析

基于分割出的染色图像，采用总染色面积比、基质流深度、优先流比、分形维数4个参数来表征优先流发育程度。由于论文篇幅有限，从2种林地优先流30幅图像中随机选取2张进行试验结果展示，见图6和图7。

2种林地土壤垂直剖面染色区域总体上集中在0～50 cm土层。其中，由图6a可知，天然次生林土壤垂直剖面染色区域总体上随土层深度增加，染色面积比呈现先减小后增大，然后又逐渐减小直至消失的特点。由图7a土壤染色面积比可知，天然次生林土壤以优先流为主，少数在约20～30 cm深的土壤处存在基质流现象。表明土壤中水流以优先流运动为主。结合图6a染色区域分割结果可以发现，整体染色形状分为若干个孤立的块状，这表明在染色示踪试验过程中天然次生林下的土壤发生了横向运动[15]。

从图7b可以看出，相比于天然次生林的土壤染色情况，榛子林垂直剖面染色面积比的变化趋势较为单一，其数值随着土层深度整体呈现逐渐减小的趋势。结合图6b染色区域分割结果，在0～20 cm的榛子林土层中，染色面积分布均匀，且染色面积比基本上在80%以上，这表明榛子林土壤水流以基质流形式在土壤表层整体均匀下渗。在20～50 cm土层，染色面积快速减小至消失，说明从20 cm层深以下的土壤水流运动状态发生改变，以优先流运动为主。而且由图6b可知，土壤中染色区域呈现圆形闭合的现象，表现为水流在土壤下渗过程中避开部分土壤，并在下方进行汇合，这可能是因为该处土壤紧实度大于两侧，导致水流从两侧下渗，从而呈现环绕特性。

由表2所示的优先流特征可知，在相同的染色示踪试验供水条件下，优先流湿润锋迹线的分形维数均大于1，表明天然次生林和榛子林土壤中都存在优先流现象。榛子林的总染色面积比大于天然次生林，说明榛子林的土壤渗水量大于天然次生林。天然次生林的平均基质流深度为5.919 cm，远小于榛子林的15.742 cm，这是因为天然次生林部分土壤中不存在基质流现象。除此之外，天然次生林基质流深度具有较大标准差（10.171 cm），这表明天然次生林的基质流深度较为离散，且优先流的发生时间普遍早于榛子林。天然次生林的优先流比为97.6%，远大于榛子林的51.4%，说明天然次生林的优先流发育程度远高于榛子林。结合总染色面积比和优先流比可知，虽然榛子林的总染色面积比50.6%大于天然次生林的35.1%，但水分入渗多以均匀水流为主，优先流运动形式较少。这一结果表明，榛子林的土壤在一定程度上降低了水流的下渗速度，有利于土壤水分和养分的保持。使用SPSS进行独立样本检验分析，证明了各指标在2种林地下呈现显著差异（<0.05），说明不同林地的优先流发育程度不同，具有统计分析意义。

表2 土壤优先流特征

注：不同小写字母表示不同土壤类型的指标差异显著（<0.05）。

Note: Different lowercase letters indicate significantly differences in indicators between different soil types (<0.05).

3 结 论

1）提出一种采用染色示踪技术的土壤优先流自动分割与量化系统，该系统采用基于分量改进的模糊均值方法（Fuzzy-Means Based onComponent and Morphology，HM-FCM）自动分割土壤染色区域。HM-FCM法对于天然次生林和榛子林2种林地土壤染色区域的分割准确率分别为87.9%和83.3%，调和平均值分别为90.5%和80.3%，说明其具备良好的土壤优先流分割能力。

2）天然次生林和榛子林土壤染色区域都集中在0～50 cm深度范围内，二者总染色面积比分别为35.1%和50.6%、基质流深度分别为5.919和15.742cm、优先流比分别为97.6%和51.4%，优先流路径分形维数均大于1。结果证明，2种林地土壤中都存在优先流现象，且优先流表现出横向运动形式和环绕特性；榛子林土壤优先流发育程度低于天然次生林；天然次生林土壤优先流发生时间显著早于榛子林土壤（<0.05）。

[1]Clothier B E, Green S R, Deurer M. Preferential flow and transport in soil: Progress and prognosis[J]. European Journal of Soil Science, 2010, 59(1): 2-13.

[2]Tang Q, Duncan J M, Guo L, et al. On the controls of preferential flow in soils of different hillslope position and lithological origin[J]. Hydrological Processes, 2020, 34(22): 1-12.

[3]Grant K N, Macrae M L, Ali G A. Differences in preferential flow with antecedent moisture conditions and soil texture: Implications for subsurface P transport[J]. Hydrological Processes, 2019, 33(15): 2068-2079.

[4]盛丰，张利勇，吴丹. 土壤优先流模型理论与观测技术的研究进展[J]. 农业工程学报，2016，32(6)：1-10. Sheng Feng, Zhang Liyong, Wu Dan, et al. Research progress on soil priority flow model theory and observation technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(6): 1-10. (in Chinese with English abstract)

[5]Ritsema C J, Dekker L W. Preferential flow in water repellent sandy soils: Principles and modeling implications[J]. Journal of Hydrology, 2000, 231: 308-319.

[6]Zhang Z B, Peng X, Zhou H, et al. Characterizing preferential flow in cracked paddy soils using computed tomography and breakthrough curve[J]. Soil and Tillage Research, 2015, 146: 53-65.

[7]Zhao K Y, Xu Q, Liu F Z, et al. Field monitoring of preferential infiltration in loess using time-lapse electrical resistivity tomography[J]. Journal of Hydrology, 2020, 591: 125278.

[8]Najm M R A, Jabro J D, Iversen W M, et al. New method for the characterization of three-dimensional preferential flow paths in the field[J]. Water Resources Research, 2010, 46(2): 1-18.

[9]Vladimira J, Michal S, Andreas P, et al. Effects of entrapped residual air bubbles on tracer transport in heterogeneous soil: Magnetic resonance imaging study[J]. 2011, 42(8): 991-998.

[10]Wang R, Dong Z B, Zhou Z C, et al. Temporal variation in preferential water flow during natural vegetation restoration on abandoned farmland in the Loess Plateau of Phina[J]. Land, 2019, 8(12): 186.

[11]潘网生，许玉凤，卢玉东，等. 基于非均匀性和分形维数的黄土优先流特征定量分析[J]. 农业工程学报，2017，33(3)：140-147. Pan Wangsheng, Xu Yufeng, Lu Yudong, et al. Quantitative determination of preferential flow characteristics of loess based on nonuniformity and fractional dimension[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(3): 140-147. (in Chinese with English abstract)

[12]Liu Y, Chen L Y, Wang H M, et al. An improved differential box-counting method to estimate fractal dimensions of gray-level images[J]. Journal of Visual Communication and Image Representation, 2014, 25(5): 1102-1111.

[13]盛丰，张仁铎，刘会海. 土壤优先流运动的活动流场模型分形特征参数计算[J]. 农业工程学报，2011，27(3)：26-32. Sheng Feng, Zhang Renduo, Liu Huihai. Determining the active region model parameter for modeling preferential flow in unsaturated soil[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(3): 26-32. (in Chinese with English abstract)

[14]Vilim F, Jasmina D, Jiří Š, et al. Estimation of vineyard soil structure and preferential flow using dye tracer, X-ray tomography, and numerical simulations[J]. Geoderma, 2020, 380(2/3): 114699.

[15]陈晓冰，韦灵，吴晗，等. 秸秆覆盖下桂北岩溶区水稻田土壤优先流特征[J]. 水土保持学报，2020，34(5)：124-130. Chen Xiaobing, Wei Ling, Wu Han, et al. The characteristics of preferential flow on straw mulching of paddy field in the karst region of North Guangxi[J]. Journal of Soil and Water Conservation, 2020, 34(5): 124-130. (in Chinese with English abstract)

[16]杨燕. 不同水耕年限稻田土壤大孔隙分布与优先流特征研究[D]. 武汉：华中师范大学，2018. Yang Yan. Characteristics of Soil Macropore Distribution and Preferential Flow in the Paddy Fields with Different Cultivation Year[D]. Wuhan: Central China Normal University, 2018. (in Chinese with English abstract)

[17]Kan X Q, Cheng J H, Hou F. Response of preferential soil flow to different infiltration rates and vegetation types in the Karst Region of Southwest China[J]. Water, 2020, 12(6): 1778-1798.

[18]Luo Z T, Niu J Z, Zhang L, et al. Roots-enhanced preferential flows in deciduous and coniferous forest soils revealed by dual-tracer experiments[J]. Journal of Environmental Quality, 2019, 48(1): 136-146.

[19]Yao J J, Cheng J H, Sun L, et al. Effect of antecedent soil water on preferential flow in four soybean plots in Southwestern China[J]. Soil Science, 2017, 182(3): 83-93.

[20]韩巧玲，赵玥，赵燕东，等. 基于全卷积网络的土壤断层扫描图像中孔隙分割[J]. 农业工程学报，2019，35(2)：128-133. Han Qiaoling, Zhao Yue, Zhao Yandong, et al. Soil pore segmentation of computed tomography images based on fully convolutional network[J]. Transactions of the Chinese Society for Agricultural Engineering (Transactions of the CSAE), 2019, 35(2): 128-133. (in Chinese with English abstract)

[21]王赵男，辛颖，赵雨森. 黑龙江省水源地优先流区与基质流区土壤特性分析[J]. 水土保持学报，2017，31(1)：49-54. Wang Zhaonan, Xin Ying, Zhao Yusen. Analysis on soil characters of preferential pathways and soil matrix in water-source area of Heilongjiang Province[J]. Journal of Soil and Water Conservation, 2017, 31(1): 49-54. (in Chinese with English abstract)

[22]Lyu W J, Lu W, Ma M. No-reference quality metric for contrast-distorted image based on gradient domain and HSV space[J]. Journal of Visual Communication and Image Representation, 2020, 69: 102797.

[23]赵玥，韩巧玲，赵燕东. 基于灰度-梯度特征的改进FCM土壤孔隙辨识方法[J]. 农业机械学报，2018，49(3)：279-286. Zhao Yue, Han Qiaoling, Zhao Yandong. Improved FCM method for pore identification based on grayscale gradient features[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(3): 279-286. (in Chinese with English abstract)

[24]Coster M, Chermant J L. Image analysis and mathematical morphology for civil engineering materials[J]. Cement & Concrete Composites, 2001, 23(2/3): 133-151.

[25]Liu D D, She D L. The effect of fracture properties on preferential flow in carbonate-derived laterite from karst mountainous agroforestry lands[J]. Soil & Tillage Research, 2020, 203: 104670.

[26]王伟. 三峡库区紫色砂岩林地土壤优先流特征及其形成机理[D]. 北京：北京林业大学，2011. Wang Wei. Characteristics and Formation Mechanism of Preferential Flow in Forest Soils of Purple Sandstone Regions, Three Gorges Reservoir Area[D]. Beijing: Beijing Forestry University, 2011. (in Chinese with English abstract)

[27]Han Q L, Zhao Y, Liu L, et al. A simplified convolutional network for soil pore identification based on computed tomography imagery[J]. Soil Science Society of America Journal, 2019, 83(5): 1309-1318.

[28]Li C H, Tam P K S. An iterative algorithm for minimum cross entropy thresholding[J]. Pattern Recognition Letters, 1998, 19(8): 771-776.

Automatic segmentation and quantitative analysis of soil preferential flow using dye tracer technology

Han Qiaoling1,2,3,4, Bai Hao1,2,4, Zhao Yue1,2,3,4※, Zhao Yandong1,2,4, Xu Xiangbo1,3,4, Li Jihong5

(1.,,100083,; 2.,,100083,; 3.,100083,; 4.,100083,; 5.,,150040,)

Preferential flow is widely considered to be a common phenomenon of water movement in soil. Currently, dye tracer can be one of the most efficient ways to characterize the preferential flow using soil-stained images. However, the general image processing software, such as Photoshop, Image Pro Plus, and Image J, cannot specifically extract the soil-stained images with inconsistent chromaticity and low contrast between dyed and non-dyed areas. A larger error occurs normally in the subsequent quantitative analysis for the preferential flow pathways. This study aimed to propose an automatic segmentation for preferential flow pathways using dyed tracer images and to further improve the accuracy and efficiency of quantification. An image processing was performed on the dyeing images of preferential flow, thereby quantitatively analyzing specific parameters. Firstly, brilliant blue dye was used to stain subsurface flow pathways in soil plots from natural secondary forest and hazelnut shrub forest during simulated rainfall events under dry conditions. The dyed tracer images were converted into the hue-saturation-value (HSV) space for the extraction of hue () component, in order to improve the contrast of dyed images and highlight the preferential flow path. Fuzzy-means based oncomponent and morphology (HM-FCM) was selected to automatically segment the dyeing area. Morphological opening and closing arithmetics were used to fix under- and over-segmentation in the images. Secondly, mathematical statistics were selected to quantificationally analyze multiple indicators of soil preferential flow in the high-precision graphs of natural secondary forest and hazelnut shrub forest. The specific parameters included total dyeing area ratio, matrix flow depth, preferential flow ratio, and fractal dimension. The proposed segmentation well accurately identified the distribution of preferential flow pathways in forest soil and automatically segmented the dyeing area. Furthermore, multiple indicators were achieved for the subsequent evaluation of preferential flow and topological structure. Specifically, the preferential flow in the natural secondary forest occurred earlier than that in the hazelnut forest, whereas, the development degree of preferential flow in the natural secondary forest soil was higher than that in hazelnut forest soil. The dyeing areas of the two forests were generally concentrated in the soil layer of 0-50 cm, where the dyeing area ratio of hazelnut forest was higher than that of natural secondary forest. The water infiltration behaved mostly the uniform flow with less preferential flow. It was found that HM-FCM effectively segmented the soil dyeing areas of two forests. The segmentation accuracy was 87.9% for the images of natural secondary forest, and the harmonic mean was 90.5%, whereas, the segmentation accuracy was 83.3% for the images of hazelnut shrub forest, and the harmonic mean was 80.3%. There were different development degrees in the priority flow (<0.05). The proposed automatic segmentation can be widely expected to identify the preferential flow and migration in the underground soil of various woodlands for sustainable forestry.

soils;image segmentation; preferential flow; dye tracer technology; quantitative analysis

韩巧玲，柏浩，赵玥，等. 采用染色示踪技术的土壤优先流自动分割与量化系统[J]. 农业工程学报，2021，37(6)：127-134.doi：10.11975/j.issn.1002-6819.2021.06.016 http://www.tcsae.org

Han Qiaoling, Bai Hao, Zhao Yue, et al. Automatic segmentation and quantitative analysis of soil preferential flow using dye tracer technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(6): 127-134. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.06.016 http://www.tcsae.org

2021-01-16

2021-03-01

国家自然科学基金面上项目（32071838），中国博士后科学基金（2020M680409），北京市共建项目，中央高校基本科研业务费专项资金项目（2019ZY12）

韩巧玲，博士，讲师，研究方向为生态信息智能检测、图像处理与模式识别等。Email：hanqiaoling0@163.com

赵玥，博士，副教授，研究方向为人工智能、图像处理和模式识别等。Email：zhaoyue0609@126.com

10.11975/j.issn.1002-6819.2021.06.016

S152.7

A

1002-6819(2021)-06-0127-08