基于数码照片的植被盖度测量方法研究进展

宋创业, 张琳, 吴冬秀

基于数码照片的植被盖度测量方法研究进展

宋创业, 张琳, 吴冬秀*

中国科学院植物研究所植被与环境变化国家重点实验室, 北京 100093

盖度是植物群落结构的一个重要参数, 被广泛地用于生态、水文、水土保持等研究中。基于数码照片的植被盖度测量是精确获取盖度值的一个重要手段。文章对基于数码照片的植被盖度测量方法的相关进展进行了综述, 介绍了应用于盖度测量的主要数据源, 照片的边缘形变和阴影处理方法, 详细分析了各种盖度测量方法的原理、优缺点和适用范围, 评述了照片拍摄时间、拍摄角度、光照条件以及植被疏密程度等对盖度测量准确度的影响, 并对未来的发展趋势进行了分析。

植被指数; 阈值; 图像分类; 多光谱

0 前言

盖度是指植物地上器官对地面的水平投影大小, 通常用百分比表示[1]。盖度是植物群落结构的一个重要指标, 它标志了植物所占有的水平空间面积, 一定程度反映了植物光合同化面积的大小。盖度是指示生态环境变化的一个重要参数, 对区域乃至全球地表覆盖变化、景观分异等有着重要的指示作用。同时, 在生态、水文、水土保持等研究中都要用到定量化的盖度信息。

盖度常用目测法估计, 以百分数表示, 也可以采用Braun-Blanquet的五级或者Domin的十级制表示[1]。目测法是一种主观的方法, 简单易行, 估测结果与估测人的经验密切相关, 经验不足的人估测的盖度误差较大。陈祖刚等[2]研究表明, 目测法的估计误差可达40%以上。在传统目测法的基础上, 发展了网格目测法[3-4]和椭圆目测法[3-4], 进一步提升了目测法的观测准确度。除目测法以外, 还有一些方法可以对盖度进行客观的测量, 如通过测量乔木和灌木的冠幅, 计算盖度。对于低矮的草本植被, 可以采用图解样方法以及样点截取法进行盖度测量[1]。图解样方法是在植物群落样地内设置一定面积的样框, 并分割为多个均等面积的栅格, 然后利用坐标纸定出样框边线, 最终在坐标纸上精确绘出每株植物冠幅及基部枝条所占的面积, 然后计算植被盖度。样点截取法也叫针刺法, 将金属针钎从植冠伸到地面, 记载测针触及植物个体的次数以及针刺的总次数, 据此算出盖度。此外, 正方形视点框架法[3]、阴影法[5]等客观测量方法在植被盖度测量中也有一定的应用。总体上, 客观方法测量结果相对较为准确, 但是操作复杂, 十分耗时。

随着光学传感器技术的发展, 新的方法被应用于盖度测量中, 应用较广泛的主要有以下3种测量方法: 空间定量计法(Spatial Quantum Sensor, SQS)、移动光量计法TQS(Traversing Quantum Sensor, TQS)和基于照片的照相法。空间定量计法和移动光量计法是利用传感器测量光通过植被层的状况来计算植被盖度, 需要专用的传感器装置, 设备复杂, 野外操作不方便[4]。同时, 这两种方法没有考虑到复杂的植被内部结构导致冠层辐射传输模型差异, 不同角度的辐射能量不同, 植被冠层反射光强具有各向异性, 同一测区的估算角度不同会导致估算结果差异较大。照相法是利用相机拍摄的照片来估算植被盖度。早期的照相法主要是基于照片, 对植被盖度进行目测, 或者利用透明的方格纸来对植被盖度进行估算(也可以称为摄影测量网格法)。后来, 随着数字成像技术和数字图像处理技术的发展, 基于数码照片的盖度测量方法逐渐被广泛地应用于植被生态学研究中。本文在文献研读的基础上, 从数据源、数据预处理、盖度计算方法、影响盖度计算准确度的因素以及发展趋势等5个方面对基于数码照片的植被盖度测量方法进行系统评述, 以期为植被盖度测量技术的选择提供依据。另外, 本文仅针对基于普通RGB(Red, Green, Blue)数码相机和多光谱数码相机的植被盖度地面测量方法进行评述, 不涉及大尺度的、基于多光谱和高光谱成像的的植被盖度遥感估算方法。

1 盖度估算流程简介

基于数码照片的植被盖度测量方法可以分为三大步(图1): 首先是确定数据源, 采用普通数码相机或者多光谱数码相机获取数据(具体内容参见“3 数据源”), 然后对数据进行预处理, 包括边缘形变处理、阴影处理以及白平衡、几何校正等(具体内容参见“4 数据预处理”); 最后根据一定的算法, 如非分类的阈值法和非阈值法, 分类的监督分类、非监督分类以及面向对象分类等, 区分植被与非植被组分, 估算植被盖度(具体内容参见“5 估算方法”)。

2 数据源

普通RGB数码相机可以大量、快速获取植被照片, 且可以使用计算机进行处理, 经济、高效。目前, 多数研究中使用的数码照片是普通RGB数码相机拍摄的照片, 具有红、绿、蓝三个通道。植被在近红外波段的反射较为明显[6], 而普通RGB数码相机缺乏这一波段, 这在一定程度上限制了普通RGB数码照片对植被组分的识别能力。普通RGB数码相机的另一缺点是其成像多采用中心投影, 而中心投影会引起边缘形变[7], 这在一定程度上影响盖度测量的准确度。

图1 基于数码照片的植被盖度测量流程

Figure 1 Flow chart of the measurement for vegetation fractional coverage

除了常用的RGB数码相机之外, 包含更多波段的多光谱数码相机也被应用于盖度估算, 如美国农业数码相机(Agricultural Digital Camera, ADC), 包含绿、红和近红外波段。多光谱相机引入了近红外波段, 理论上, 多光谱照片对植被的识别能力要强于RGB照片, 但是, 在实际应用中, 结果并不总是如此。任世龙等[8]采用多光谱相机(ADC, 美国, Tetracam inc)、改装的多光谱相机(XnNite, CannonSX230 NDVI, 美国, LDPLLC)和普通相机(J35, Fujifilm)对高寒草地植被盖度进行了测量, 结果表明XNite和普通数码相机的测量准确度要高于ADC相机。

在拍摄效率上, 普通RGB数码相机拍摄一张照片用时不到5s, 而多光谱(如ADC相机)相机拍摄一张照片约需要10s, 普通RGB数码相机获取照片的效率要远远高于多光谱相机。另外, 多光谱相机的价格通常也较高, 经济性上也要远低于普通RGB数码相机, 因此, 多采用普通RGB数码照片来进行植被盖度的测量。

3 数据预处理

秦伟等[3]认为在利用数码照片进行盖度测量时, 要对照片进行白平衡校正、辐射校正和几何校正, 将不同光照条件、不同相机和不同拍摄参数下获得的影像归一化, 以减少图像间植被盖度的测量差异。不过, 数码相机多具有白平衡功能, 很少有研究对照片进行白平衡校正。辐射校正需要大量的参数, 校正过程复杂, 多数研究也没有对照片进行辐射校正处理。照片中心投影导致的形变以及照片中的阴影等问题对盖度测量影响较大, 需要对照片进行处理, 尽量减小形变和阴影对盖度测量准确度的影响[8-10]。

3.1 形变处理

对于数码照片的边缘形变问题, 任世龙等[8-9]对原始照片进行裁剪, 保留了照片中心区域, 而舍弃了边缘变形较大的区域。但是, 裁剪的方法减少了测量对象的面积, 影响了盖度数据的代表性。任杰等[10]通过几何校正的方法, 对原始照片进行校正, 使照片中心和边缘位置同样大小的像素所代表地面的实际面积相同, 消除由于植被像元在样方中分布的不均匀而引起植被盖度计算的误差, 最大限度地利用野外采集的数据。形变校正可以使用遥感图像处理软件(如ENVI, ERDAS, PCI)完成。

3.2 阴影处理

植被照片中通常会存在一定的阴影, 而阴影区中的地物难以区分。因此, 在进行盖度测量前, 要对照片进行去阴影处理。如丁肖等[11]将RGB照片转化为亮度灰度值图像, 设置特定阈值, 对照片中的阴影进行判别。不过, 判定阴影阈值的确定较为困难, 需要参考他人的研究成果并结合照片拍摄的时间来确定。

另外, 还可以采用数字图像综合处理方法, 对植被照片进行光照补偿, 削弱光照不均对植被与非植被分割效果的影响。如王海超等[12]应用动态巴特沃斯同态滤波法对草地植被图像进行光照补偿, 基本消除了自然环境光照不均对图像分割的影响, 提升了对植被与非植被组分识别的准确度。

4 估算方法

基于数码照片的盖度测量方法可以归为两类, 一类是非分类的方法, 另一类是分类的方法。非分类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的正数代表红色, 负端代表绿色; b的正数代表黄色, 负端代表蓝色)等颜色空间的各个颜色分量分布特征, 设置阈值或者直接分析不同地物的颜色分量之间的关系, 区分植被与非植被, 进而计算植被盖度。分类的方法则采用基于像元的监督(如最大似然法)、非监督(如K均值聚类)分类或者面向对象分类方法对地物各个组分进行分类, 进而计算植被盖度。下面分别对各个计算方法进行介绍。

4.1 非分类的方法

4.1.1 阈值法

(1)基于RGB颜色空间

根据植被红、绿和蓝三个波段的DN(Digital Number)值分布特征, 设置固定阈值, 区分植被与非植被, 计算植被盖度。如张云霞等[13]认为绿色植被组分的光谱特征符合以下关系: DNG>DNR, DNG>DNB, DNG>x(DNR、DNG、DNB分别代表数码照片红、绿、蓝组分的DN值, x是阈值), 采用此关系对植被组分进行判读, 进而计算出植被盖度。

更多的研究在RGB图像的基础上, 计算出植被指数, 根据植被指数的分布特点, 设置阈值, 区分植被与非植被, 计算盖度。其中, 归一化差异指数(NDI, Normalized Difference Index)和过绿植被指数(EGI, Excess Green Index)应用较多。NDI是Woebbecke等[14]基于RGB图像提出的用于区分植被与非植被组分的指数。NDI被定义为可见光绿波段与可见光红波段数值之差和这两个波段数值之和的比值。任杰等[15]采用NDI法计算了植被的盖度, 并与基于最大似然法的监督分类的计算结果进行了对比, 结果表明二者的估算准确度均在90%以上。不过, 班爱琴等[16]认为数码照片NDI处理过程中只提取可见光的红和绿波段, 对可见光的其他波段并未考虑, 因而该方法所得结果的准确度在某些特定情况下并不够高。班爱琴等[16]采用NDI方法计算植被盖度, 发现在阳光强烈的情况下计算的盖度的准确度(81%—88%)要低于在温和阳光照射下的植被盖度的准确度(大于90%), NDI法对在强烈阳光照射下颜色发白、发亮的植被以及植被下形成的黑色阴影并不能进行有效处理。EGI(EGI = 2 × G – R – B)也广泛应用于植被与非植被的区分。如胡建波等[17]和韩正笑等[18]基于RGB图片, 计算EGI, 从数码照片中快速计算草地植被盖度, 估算准确度优于最大似然法的盖度估算方法。Patrignania和Ochsner[19]基于RGB图像, 计算了EGI和R/G, B/G等指数, 对植被与非植被组分进行了区分, 计算盖度, 估算准确度超过90%。

另外, 其他基于RGB图像的植被指数也被用于区分植被与非植被, 实现盖度的计算。如Gitelson等[20]基于RGB波段, 提出可见光大气校正指数(Visible Atmospherically Resistant Index, VARI, VARI = (Rgreen– Rred)/(Rgreen+ Rred– Rblue), Rred, Rgreen和Rblue分别是红、绿和蓝三个波段的植被反射率)用于植被盖度的估算, 估算误差低于10%。Lee等[21]采用RGB图像, 分别利用绿、蓝波段归一化差值(Difference between Normalized Green and Normalized Blue)、EGI、校正过绿植被指数(Modified Excessive Green Index, MEGI)等多个植被指数对植被与非植被进行了分割, 实现对植被盖度的计算, 结果发现MEGI的计算准确度最高。丁肖等[11]基于RGB照片, 计算了6种植被指数(Vegetative Index, Color Index of Vegetation, Excess Green Index, Excess Green Minus Excess Red, Normalized Difference Green Index, Combination)用于区分植被与非植被, 估算盖度, 结果表明, 6种方法估算准确度均高于90%。

(2)基于HSI、HSV、HSL和Lab等颜色空间

在RGB颜色空间的基础上, 基于HSI、HSV、HSL和Lab等颜色空间的植被盖度测量方法也取得了较大的进展。如Liu等[22]提出基于Lab颜色空间的盖度测量方法, L为明度因数, a、b为两个色度因数, 其中a为绿色通道, 从红色变化到绿色(–120—120), 适宜用来提取绿色植被。任世龙等[9]采用Liu等[22]提出的Lab颜色空间法对草地盖度进行了估算, 结果发现当植被覆盖度较大时, 计算准确度较差, 其估算值与“真实值”最大差值达35%。Song等[23]进一步发展了Liu等[22]提出的方法, 提出基于高斯模型的阈值确定方法, 盖度估算准确度有了较大的提升。Coy等[24]在Lab颜色空间模型的基础上, 建立植被与非植被组分a分量的分布曲线模型, 同时采用高斯混合模型确定阈值, 区分植被与非植被组分, 盖度计算准确度接近90%。

除了使用单一的颜色空间进行植被识别外, 综合运用多种颜色空间的各个分量用于区分植被与非植被的研究思路也被广泛使用。如李存军等[25]通过分析绿色像元在RGB和HSL两个颜色空间的各个维度的值域特征, 实现了对植被与非植被的区分和盖度的计算, 分类准确度达90%。Kendal等[26]采用Lab颜色空间, 详细分析了叶、花各个颜色分量的特征, 设置阈值, 对花进行分离, 实现了对花盖度的计算, 计算结果与人工测量结果的相关系数达到0.79。徐金勤等[27]选取RGB颜色空间的EGI、HSI颜色空间的H分量、Lab颜色空间的a分量作为草地植被盖度提取的颜色特征, 实现对植被与非植被的区分, 结果表明EGI指数法的提取效果最好, 其测量误差相对最低、适用性最好, a分量法次之, H分量法的测量误差相对较大。McCool等[28]基于RGB、Lab和HSV等多种颜色空间的分量, 采用多元高斯模型, 计算照片中各个像元属于植被的概率, 设定阈值, 对植被组分进行判读, 进而计算植被盖度, 估算的盖度值与目视估算的盖度值之间的相关系数在0.48—0.83之间。

(3)基于多光谱照片

随着多光谱相机的应用, 除了R、G、B波段信息, 近红外波段以及基于近红外和红波段的归一化植被指数(NDVI, Normalized Difference Vegetation Index)也被运用于植被与非植被的区分和盖度计算。如宜树华等[29]基于多光谱图像(具有绿、红和近红外波段)计算了NDVI, 区分植被和土壤, 计算盖度, 并比较了基于NDVI估算的盖度和目测法估测的盖度与NDVI值之间的相关性, 发现基于NDVI估算的盖度和NDVI的相关性要远高于目测的盖度值, 这说明采用多光谱照片计算的盖度值的准确度要高于专家目测的盖度值。任世龙等[9]基于ADC多光谱图像, 计算了NDVI, 实现了对植被盖度的估算, 发现估算结果与真实值之间无显著差异。但是, 基于多光谱照片估算的盖度的准确度并不总是高于普通RGB照片。任世龙等[8]采用ADC、XNite和普通RGB数码相机分别获取草地植被照片, 综合采用近红外、红、绿和蓝等波段对植被与非植被进行区分, 实现对盖度的估算, 结果发现基于ADC多光谱照片的盖度估算准确度低于基于普通RGB数码照片的盖度估算准确度。

(4)阈值的确定

阈值的确定是阈值法计算植被盖度的关键。固定的经验值常被用作区分植被与非植被的阈值, 如Woebbecke等[14]把NDI大于0的像元定义为植被, 把小于0的像元定义为非植被。宜树华等[29]基于NDVI, 利用0.4作为区分植被和土壤的阈值, 即当某个像素的NDVI值大于0.4时, 该像素为植被。Liu等[22]提出在Lab颜色空间中, a分量为负值时是植被, 正值时是非植被。Patrignania和Ochsner[19]计算了R/G值, B/G值和EGI, 分别以0.95、0.95和20作为其区分植被与非植被的阈值。

人工尝试法也常被用于确定阈值, 通过观察植被与非植被区分的效果, 逐步改进阈值, 但是确定阈值的时间和人力成本较高, 且主观性较强。如任世龙等[9]基于NDVI值, 根据植被识别的结果对阈值进行人为的调整, 确定了多个照片的植被与非植被区分效果最佳时的阈值, 然后计算了这些阈值的平均值, 作为最终阈值, 应用于所有照片, 区分植被与非植被, 计算盖度。McCool等[28]也是通过观察估算值与参考值之间的对应情况, 选择最优阈值, 用于植被的判别, 进而实现盖度的计算。

数学模型分析法(如最大类间方差法、高斯模型法等)在确定植被与非植被阈值的研究中也有一定的应用。如胡建波等[17]基于植被和背景的植被指数随机噪声引起的平均波动梯度与植被和背景交界处的变化梯度之间的关系, 设计了一种半自动阈值设定算法, 从数码照片中快速计算草地植被盖度。韩正笑等[18]和徐金勤等[27]采用最大类间方差法(被分割的两部分的类间方差越大, 错分率则越小), 确定阈值, 实现对植被与非植被组分的区分, 计算盖度。丁肖等[11]认为盖度的估算值与参考值之间绝对误差均值最小时候的阈值, 即为最佳阈值。吴赵丽等[30]基于灰度化的图像, 采用最大类间方差法确定阈值, 实现对灰度图像的二值分割, 确定植被与非植被组分, 实现对盖度的估算。Song等[23]认为在Lab颜色空间中, 植被和非植被在a分量的分布符合高斯模型, 同时基于植被与非植被被误分的概率是相同的假设, 提出在a分量区分植被与非植被的阈值。Coy等[24]在Lab颜色空间模型的基础上, 利用a分量, 同时基于高斯混合模型, 建立植被与非植被的分布曲线模型, 提出了区分植被与非植被阈值的确定方法。

虽然, 阈值的确定方法在不断发展与完善, 但是其本质上是基于少量的样本照片, 寻找区分植被与非植被的最适临界点, 确定一个固定的值来对更多的照片进行植被与非植被的区分。但是, 照片拍摄时的植被组成、大气状况、太阳高度角等均存在一定的差别, 而将单一的阈值应用于所有的照片, 必然会造成一定的偏差。

4.1.2 非阈值法

非阈值法分析植物的R、G、B波段DN值之间或者HSI、HSV、HSL和Lab颜色空间的各个分量的对比特征, 确定植被与非植被, 估算植被盖度。如宋雪峰等[31]采用RGB照片, 基于植被的R、G、B波段特征, 建立逻辑判别模型, 对照片中的绿色植被做出判读, 进而计算出盖度, 总体准确度达到94.7%。张学霞等[32]研究了植被和非植被的R、G、B三基色DN值之间的组合规律, 植被信息的三基色具有3种组成, 分别为DNG>DNR>DNB、DNG>DNB> DNR和DNB>DNR>DNG; 非植被信息的三基色构成遵循DNR>DNG>DNB的规律, 根据该规律可以很好地区分植被与非植被组分, 进而计算出盖度, 结果表明该方法估算的植被盖度准确度较高, 与人工目测法估计值差异较小。班爱琴等[16]基于RGB图像, 采用植被判定流程图法(Vegetation Determine Flowchart, VDF), 系统比较了绿色植被的R、G、B波段之间的关系, 实现对绿色植被的判定, 计算盖度, 并比较了VDF法与NDI法的差异, 结果表明, 在温和阳光下, VDF法与NDI法的准确度接近, 而在强烈阳光下, VDF法的准确度要高于NDI法。章超斌等[33]构造了RGB颜色判别决策树区分植被与非植被像元, 计算植被盖度, 将地物分为绿叶、黄叶、红花、红叶、蓝花、紫花、土壤、石头、枯枝、枯叶等组分, 在此基础上, 完成盖度的估算, 与针刺法相比, 该方法计算得到的植被盖度最大偏差绝对值不超过5%。

另有研究综合利用了RGB颜色空间和HSI颜色空间的各个通道信息, 识别植被组分, 并计算出盖度。如章文波等[34]基于红(R)、绿(G)、蓝(B)、色调(H)、亮度(I)、饱和度(S)等6个颜色分量图像及其目视判读结果图像, 采用逐步判别法建立自动识别植被盖度的判别方程, 估算结果与目视判读结果有很好的一致性, 平均绝对误差只有2.4%。

4.1.3 阈值法与非阈值法的对比研究

阈值法原理较为简单, 容易实现, 不过阈值的确定较为困难, 而非阈值法中不同地物类型的波段对比较为复杂。陈祖刚等[2]比较了RGB阈值法、HSV阈值法和RGB决策树法(非阈值法)的特点, 认为: 1)RGB阈值法和HSV阈值法的测量准确度较高, RGB决策树法对非高盖度草地样方的测量准确度较低, 但RGB决策树法可以识别出非绿色的植物茎、花朵等组分; 2)RGB阈值法和HSV阈值法的测量准确度不受草地样方本身盖度变化的影响, RGB决策树法的盖度测量准确度随着草地样方盖度的增加而提高; 3)RGB阈值法和HSV阈值法测量的盖度值随光照强度的增大而减小, 随光照强度的减弱而增大, 而RGB决策树法测量的盖度值随光照强度的变化无明显规律。

不过该研究仅仅以人工绿地为研究对象, 进行了不同方法的分析比较, 而自然植被的物种组成更丰富, 植被颜色也更复杂, 因此, 方法的比较应该在更多的地域和植被类型中进行。另外, 阈值法中还包括基于NDI、EGI以及其他各种指数的方法, 因此, 对阈值法与非阈值法的比较应该在更广泛的范围内进行。

4.2 分类的方法

分类的方法基本可以分为三类: 监督分类、非监督分类和面向对象分类。监督分类需要人工选择训练样本, 分类准确度与训练样本的代表性和数量多少相关。非监督分类不需要选择训练样本, 根据像元间的相似度进行合并归类, 是一种自动分类。面向对象分类则利用了图像的空间、光谱和纹理信息进行综合分类。

4.2.1 非监督分类

非监督分类法通常基于RGB图像, 计算植被指数, 或者基于HSI、HSV、HSL和Lab颜色空间的某个分量, 采用K均值聚类算法或者其他聚类算法对地物进行分类, 进而计算植被盖度。如贾建华等[35]基于RGB图像, 利用EGI和HSL变化法获取灰度图像, 采用K均值聚类算法实现对图片的分类, 计算植被盖度, 并与基于最大似然法的监督分类结果进行比较, 发现二者误差较为接近, 都在5%以内。王海超等[12]基于Lab颜色空间, 采用K均值聚类算法对植被图像进行分割, 计算了盖度, 盖度估算准确度稍低于网格纸测量法。

4.2.2 监督分类

最大似然法是监督分类中常用的方法, Richardson等[36]认为最大似然法依靠人工选择训练像素, 包含了主观纠错功能, 计算结果与真实值很接近。Bold等[37]采用最大似然法对地表覆盖度进行估算, 盖度估算值与传统的图解样方法估算的盖度值接近。吴林和张元明[38]利用最大似然法对苔藓结皮、地衣结皮和藻结皮盖度进行计算, 估算的盖度值与传统样方法的相关性达到了94.5%。其他的监督分类方法在盖度计算中亦有应用, 如Sadeghi-Tehran等[39]基于RGB、Lab、HSI、HSV等多种颜色空间, 提取植被指数, 建立植被与非植被的训练数据, 采用基于随机森林模型的监督分类方法实现对数码照片的分类, 计算盖度, 准确度超过90%。

Photshop(Adobe Inc)软件和WinCAM软件的颜色处理功能在植被区分及盖度计算中也有一定的应用, 这类方法本质上是一种监督分类的方法。池宏康等[40]基于RGB图像, 使用Photoshop软件里的魔棒功能, 选择植被, 然后用油漆桶功能上色, 最后统计上色部分的像元数占全部像元的百分比, 获得盖度, 结果发现该方法估算的盖度值的误差较小, 误差平均值小于1%。Stewart等[41]和关法春等[42]采用Photoshop, 使用类似的方法对植被和非植被进行了分离, 实现了植被盖度的估算, 准确度均较高。WinCAM软件要设定颜色组, 通常分为背景色和植物绿色2个颜色组, 设定或者载入颜色等级, 把植被和非植被分别归入不同的颜色等级, 实现对植被与非植被的区分, 进而计算盖度。张清平等[43]用WinCAM软件计算草坪盖度, 发现当盖度小于10%或大于90%, 软件估算值准确度较高, 在10% - 90%的盖度范围内, 软件估算的盖度偏低。基于Photoshop和WinCAM软件方法的优点是可以人为判断植物与非植物, 可以把颜色为黄绿甚至黄色的活体植物组成(如黄绿色的叶片和茎)选上, 人工判读准确度高, 计算出来的盖度值可以作为盖度计算的参考值, 缺点是需要大量的人工处理, 工作量大。

4.2.3 面向对象的分类

面向对象分类集合临近像元为对象, 综合运用空间、光谱和纹理等信息, 对对象进行分类, 进而实现地物组分的区分。如Zhou和Robson[44]利用数码相机获得植被RGB照片, 通过光谱纹理分类器自动监测草地植被盖度, 结果证明该方法优于基于K均值聚类的非监督分类和基于最大似然法的监督分类, 在准确度上有了很大的提高。Luscier等[45]采用面向对象分类方法, 对RGB图像进行分类, 区分植被与非植被, 计算植被盖度, 盖度估算值的准确度在90%—96%之间。Laliberte等[46]采用面向对象分类方法, 综合运用空间、光谱和纹理信息对RGB图像和HSI图像进行了分类, 把地物分为土壤、阴影、绿色植物和黄绿色植物4类, 实现了对盖度的计算, 结果表明该方法的盖度估算值与样点截取法获取的盖度值之间的相关系数达到0.9。Bauer等[47]同样采用面向对象的分类方法, 基于RGB数码照片, 把地物分为凋落物、植物、石头、阴影以及不确定物体, 然后计算了植被盖度, 并与摄影测量网格法获取的盖度值进行了相关分析, 结果发现二者之间的相关系数超过0.8。

4.2.4 分类方法间的对比

理论上, 监督分类在分类效果上要优于非监督分类。但是, 监督分类过程中引入很多人为因素, 对于专业知识和野外经验丰富的人来说, 准确度较好, 但对于缺乏经验的人很容易会由于训练样本选取的代表性问题而导致严重的分类错误。另外, 监督分类过程中, 人机交互的训练样本选取过程不可避免, 自动化程度不高。

传统的监督分类和非监督分类方法是基于像元的, 利用地物的光谱信息进行分类, 而面向对象分类则是基于分类对象的, 综合了空间、光谱和纹理信息进行分类, 分类效果要优于传统的监督和非监督分类[45]。但是, 面向对象分类需要大量的人工处理, 自动化程度较低。

5 影响盖度测量准确度的因素

照片质量、拍摄时间、光照条件、拍摄角度以及植被的疏密程度对植被盖度的测量结果具有一定的影响。宋雪峰等[31]认为照片的分辨率不同, 对盖度估算有一定的影响。Booth等[48]研究表明, 照片质量对盖度的估算具有较大的影响, 对焦不准导致的照片模糊会降低盖度估算的准确度。另外, Booth等[48]认为照片中的高光部分对盖度估算的影响较大, 建议数码相机要加上偏光镜, 消除高光部分的影响。

拍摄时间与光照条件是密切关联的两个影响盖度测量的因素。Lukina等[49]研究表明, 高反射、阴影对盖度计算的准确度有重要的影响, 拍摄时间最好在太阳高度角较大的时候。亦有研究表明, 光照强度对不同盖度估算方法的影响是不同的。陈祖刚等[2]分析了光照强度对RGB阈值法、HSV阈值法和RGB决策树法等三种方法的影响, 发现光照强度越强, RGB阈值法和HSV阈值法对同一草地样方估算的盖度值越小, RGB决策树法估算的盖度值随光照强度的变化没有固定的规律。丁肖等[11]研究了晴天、阴天对植被盖度估算的影响, 结果表明, 阴天条件下估算误差明显小于晴天条件, 估算结果的稳定性也远大于晴天条件, 其原因是因为在晴天条件下, 由于叶片的相互遮挡, 图像中阴影面积较大, 许多下层叶片被误分为阴影, 而在阴天条件下, 由于光线为散射光, 下层叶面能够呈现为真实的颜色, 从而能够被区分出来。

照片拍摄季节对植被盖度的估算也有很大的影响。张清平等[43]分析了不同拍摄季节对盖度估算的影响, 结果表明, 在植物生长盛期拍摄的照片计算出来的盖度准确度较高, 而在枯黄期拍摄的图片的盖度估算值误差较大, 其原因是枯黄期拍摄的图片中有很多黄绿色的叶片, 普通数码相机的RGB波段很难有效识别枯黄的部分。多光谱相机具有近红外波段, 对叶绿素很敏感, 可以较好地分辨出这部分叶片, 理论上, 其盖度估算准确度要高于普通RGB数码相机。

关于拍摄角度, 赵继强等[50]采用基于物理的光线追踪算法模拟相机拍摄的照片, 通过精确控制模拟相机的拍摄条件, 分析了非垂直拍摄对测量准确度的影响, 结果表明相机的非垂直拍摄对盖度计算的准确度有较大的影响, 误差最大可达27.9%。

植被疏密程度对盖度估算的准确度具有一定的影响, 但是对不同估算方法的影响不一致。陈祖刚等[2]分析了植被密度对不同盖度估算方法的影响, 结果表明, 草地密度变化对RGB阈值法和HSV阈值法的盖度识别准确度无明显规律性影响, RGB决策树的盖度识别准确度随着草地密度的增加而增加。丁肖等[11]研究了植被疏密程度对不同估算方法的盖度估算值的影响, 随着植被密度的增加, VEG(Vegetative Index)、CIVE(Color Index of Vegetation)、EGI和COM(Combination)等方法的估算误差明显增大, EXGR(Excess Green Minus Excess Red)、NGRDI(Normalized Difference Green Index)等方法的估算误差变化规律不明显。估算误差随密度增加而增大的原因可能是: 密度增加时, 叶片相互遮挡现象加重, 照片中阴影区的植被增多, 最终导致误差增大。EXGR和NGRDI法估算误差无规律的原因可能是盖度变化时, 这两种方法对背景像元的错分仍占主导优势, 从而抵消掉了植被密度变化时产生的误差[11]。

6 发展趋势与应用前景

6.1 发展趋势

基于RGB、HSI、HSV、HSL和Lab等颜色空间分量以及植被指数的方法, 均是单纯地从颜色(尤其是绿色)来对植被和非植被组分进行分辨, 这具有明显的局限性, 很难对非绿色的植被组分(茎、枝、花等)进行有效识别, 在背景与植被之间存在一定的误分[7]。光照、植被密度等因素对估算准确度具有较大的影响, 针对这个问题, 可以建立随密度变化、光照环境变化的阈值自适应模型, 定量评估光照和植株密度对盖度估算的影响, 这也是继续使用RGB颜色空间或者其他颜色空间开展精确的植被盖度测量的一个重要途径[2]。另外, 可以对照片进行白平衡校正及其他的辐射校正, 消除光照条件不同引起的不同照片之间的估算误差。

目前, 基于数码照片的植被盖度测量研究多是基于颜色特征的植被分类, 这可能会导致植物组分产生空洞或者断裂[35]。针对这个问题, 基于数学形态学理论, 可以从图形统计学出发, 通过图像边缘检测、聚集分析、图形自动匹配等手段, 识别出植被不同组分的形状, 消除这部分误差[51], 进一步提高盖度测量准确度。

随着移动智能通信设备的快速发展和普及, 智能手机和平板电脑将逐步成为植被图片获取的重要工具。智能手机和平板电脑具有强大的数据处理和分析能力, 可以对获取的照片进行实时处理, 即时获取植被盖度等关键参数。智能手机和平板电脑不仅可以拍摄植被图片, 还可以通过内置的传感器和芯片, 获取经纬度、温湿度等重要信息。高准确度盖度与环境信息的耦合, 为植被动态监测与分析提供了更为有力的数据支撑。在未来的研究中, 要加强盖度数据获取系统与环境传感器的集成, 发挥智能手机和平板电脑强大的通讯能力, 和互联网、云存储和云计算等联系起来, 组建植被关键参量综合获取系统, 服务于生态环境监测、遥感等科研领域。

6.2 应用前景

基于数码照片的植被盖度测量方法具有准确度高、方便、快捷等优点, 将成为未来获取地面盖度实测数据的一个重要渠道。本文从区域植被调查、植被定点长期观测等方面介绍基于数码照片的植被盖度测量方法应用前景。

区域植被调查: 在传统的植被调查中, 多采用目测法对盖度进行估算, 与目测法相比, 基于数码照片的植被盖度测量方法所获取的盖度将更加客观和准确。目前, 智能手机已成为获取图片的重要工具, 将基于数码照片的植被盖度测量算法嵌入智能手机, 同时借助手机中内嵌的GPS芯片以及温湿度传感器, 可以在短时间内获取较多地面样点的盖度、地理位置、温湿度等数据, 可以有效提升植被盖度调查的效率和准确度。将基于数码照片的植被盖度测量算法应用到机载(如无人机)数码相机中, 可以在更大的空间尺度上获取植被盖度信息。另外, 基于数码照片的植被盖度测量准确度较高, 通过与卫星遥感影像相结合, 实现地面观测数据的空间尺度转换, 可以有效提高大区域植被盖度的测量准确度。

植被定点长期观测: 植被盖度是生态系统长期监测的重要指标, 然而, 依靠人工的盖度观测很难保证盖度观测值的客观性、准确性、长期性, 且观测人的更换将会带来数据的一致性问题。将基于数码照片的植被盖度测量算法嵌入摄像系统, 同时集成温度、湿度、光照传感器, 结合数据无线传输技术, 组建植被盖度定点实时观测系统, 实现盖度、温度、湿度和光照强度数据的高频自动获取与远程传输。另外, 在精准农业领域, 获取精确的作物盖度有利于更好地指导农田水肥管理、杂草与病虫害控制以及作物收获与产量预测, 基于数码照片的盖度测量方法在精准农业中将发挥巨大的作用。

[1] 宋永昌. 植被生态学[M]. 上海: 华东师范大学出版社, 2001.

[2] 陈祖刚, 巴图娜存, 徐芝英, 等. 基于数码相机的草地植被盖度测量方法对比研究[J]. 草业学报, 2014, 23(6): 20-27.

[3] 秦伟, 朱清科, 张学霞, 等. 植被覆盖度及其测算方法研究进展[J]. 西北农林科技大学学报(自然科学版), 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] 赵英时. 遥感应用分析原理与方法[M]. 北京: 科学出版社, 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] 任世龙, 宜树华, 陈建军, 等. 基于不同数码相机和图像处理方法的高寒草地植被盖度估算的比较[J]. 草业科学, 2014, 31(6): 1007-1013.

[9] 任世龙, 宜树华, 陈建军, 等. 高山草地植被盖度对气候变暖和人类活动的响应[J]. 草业科学, 2013, 30(4): 506-514.

[10] 任杰, 柏延臣, 王锦地. 从数码照片中快速提取植被覆盖度的方法研究[J]. 遥感技术与应用, 2010, 25(5): 719-724.

[11] 丁肖, 邱新法, 高佳琦, 等. 基于手机相片的草地植被盖度估算方法研究[J]. 浙江农业学报, 2017, 29(6): 1017-1025.

[12] 王海超, 宗哲英, 殷晓飞, 等. 基于同态滤波和K均值聚类算法的草原植被盖度测量[J]. 农机化研究, 2018, 8: 168-187.

[13] 张云霞, 李晓兵, 张云飞. 基于数字相机、ASTER和MODIS影像综合测量植被盖度[J]. 植物生态学报, 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, 王锦地. 从数码照片中快速提取植被覆盖度的方法研究[J]. 遥感技术与应用, 2010, 25(5): 719-724.

[16] 班爱琴, 钱育蓉, 莫媛淇, 等. 用植被判定流程图法从数码照片中快速提取植被覆盖度[J]. 西北农林科技大学学报: 自然科学版, 2012, 40(8):200-206.

[17] 胡健波, 张璐, 黄伟, 等. 基于数码照片的草地植被覆盖度快速提取方法[J]. 草业科学, 2011, 28(9): 1661-1665.

[18] 韩正笑, 刘涛, 陈瑛瑛, 等. 基于图像处理技术的稻田杂草盖度计算研究[J]. 中国农机化学报, 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] 李存军, 王纪华, 刘良云, 等. 基于数字照片特征的小麦覆盖度自动提取研究[J]. 浙江大学学报(农业与生命科学版), 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. 基于数码照片的草地植被盖度快速提取方法对比[J]. 江苏农业学报, 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] 宜树华, 王增如, 谢霞, 等. 高寒草地植被盖度估算及其与冻土的关系[J]. 草业科学, 2011, 28(3): 353-358.

[30] 吴赵丽, 梁栋, 赵晋陵, 等. 基于无人机遥感影像芨芨草盖度的图像分割方法[J]. 传感器与微系统, 2018, 37(4): 51-53.

[31] 宋雪峰, 董永平, 单丽燕, 等. 用数码相机测定草地盖度的研究[J]. 内蒙古草业, 2004, 16(4): 1-6.

[32] 张学霞, 朱清科, 吴根梅, 等. 数码照相法估算植被盖度[J]. 北京林业大学学报, 2008, 30(1): 164-169.

[33] 章超斌, 李建龙, 张颖, 等. 基于RGB模式的一种草地盖度定量快速测定方法研究[J]. 草业学报, 2013, 22(4): 220-226.

[34] 章文波, 路炳军, 石伟. 植被覆盖度的照相测量及其自动计算[J]. 水土保持通报, 2009, 29(2): 39-42.

[35] 贾建华, 胡勇, 刘良云. 青藏高原数字照片植被覆盖度自动算法与应用[J]. 地球信息科学学报, 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] 吴林, 张元明. 以数码照相法估算生物上壤结皮盖度[J]. 中国沙漠, 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, 周广胜, 许振柱, 等. 草地植被盖度的近距离遥感测定[J]. 草业学报, 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] 关法春, 梁正伟, 王忠红, 等. 方格法与数字图像法测定盐碱化草地植被盖度的比较[J]. 东北农业大学学报, 2010, 41(1): 130-133.

[43] 张清平, 章山山, 陈露, 等. 应用WinCAM软件判识分析草坪盖度[J]. 草业科学, 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] 赵继强, 谢东辉, 孟夏, 等. 规则林地覆盖度照相测量法的准确度分析[J]. 农业工程学报, 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

宋创业, 张琳, 吴冬秀. 基于数码照片的植被盖度测量方法研究进展[J]. 生态科学, 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

国家重点研发计划 (2017YFC0503801, 2016YFC0500103)

宋创业(1980—), 男, 博士, 副研究员, 主要从事植被生态学研究, E-mail: songcy@ibcas.ac.cn

吴冬秀，女，博士，研究员，主要从事植被生态学与生态系统监测研究, E-mail: wudx@ibcas.ac.cn