基于半球摄影法的LAI自动组网测量系统设计与应用

刘臻 孙源 焦帅峰 程元儡 陈云坪

摘要：针对叶面积指数地面测量工作量大、效率低等问题，研制基于半球摄影法的叶面积指数组网观测系统。该系统基于半球摄影技术和无线传感网络技术，改进图像自适应分割算法，对复杂条件下植被冠层图像进行准确分割，从而实时获取LAI等冠层结构信息；针对5 min采集频率原始数据波动的问题，提出“最稳定窗口”精校正算法，提取每日LAI代表值。与LAI-2200C对比试验结果表明，两者LAI测量值具有极显著相关性，玉米、林地和草地植被类型下相关系数分别为0.95、0.69和0.87；在江苏溧阳、吉林长春多植被类型试验中两种仪器测量结果的相关系数分别达到85%和81%，均为极显著水平；与MODIS MOD15A2H长时间序列产品对比试验也表明，两者的相关系数达到0.98，准确反映小麦从返青到成熟期叶面积动态变化趋势。系统具有快速准确、经济方便、使用范围广、可实现多站点长期监测的优点，已在多个观测站得到应用，其研制将对遥感产品真实性检验及农业、生态、气候变化等领域的科研与实践提供有力支撑。

关键词：叶面积指数；半球摄影法；无线传感网络；定量遥感反演

中图分类号：S24

文献标识码：A

文章编号：2095-5553 （2023） 03-0123-09

Abstract： Aiming at the problems of large workload and low efficiency of groundbased measurements of LAI， a network observation system for LAI based on hemispheric photography was developed.Based on hemispherical photography and Wireless Sensor Network （WSN） technology， the system improved the image adaptive segmentation algorithm to accurately segment vegetation canopy images under complex environment， so as to obtain canopy structure information such as LAI in real time; for the issue of fluctuation of raw data at 5-minute collection frequency， the “most stable window” precision correction algorithm was proposed to extract daily LAI representative values. The results of comparison experiments with LAI-2200C showed that the two LAI measurements were highly significantly correlated， with the coefficients of 0.95， 0.69 and 0.87 for maize， woodland and grassland vegetation types， respectively. The correlation coefficients of the measurement results of the two instruments in the multivegetation type experiments in Liyang， Jiangsu and Changchun， Jilin also reached 85% and 81%， respectively， both of which were highly significant levels. The comparison experiment with MODIS MOD15A2H longterm series products also showed that the R2 of the two reached 0.98， which accurately reflected the dynamic change trend of wheat leaf area from green to maturity. The system has the advantages of fast and accurate， economical and convenient， wide range of use and multisite longterm monitoring. The instrument has been applied in many observatories， and its development will provide strong support to the remote sensing products authenticity validation and scientific research and practice in the fields of agriculture， ecology and climate change.

Keywords： leaf area index; hemispherical photography; wireless sensor network; quantitative remote sensing inversion

0引言

葉面积指数（Leaf Area Index，LAI）是反映植被生长状况的一个重要指标。在宏观上，叶面积指数决定植物群落生命活力及其环境效应，是全球生物地球化学循环的重要环节［13］；微观上，LAI主导植被光合和呼吸作用，其大小（最适叶面积）直接与农作物产量高低及品质密切相关［45］。叶面积指数的地面测量在精准农业、农林调查、生态监测和评估中起着举足轻重的作用［67］。因此，LAI的测量对于植被观测研究显得尤为重要。

LAI地面测量方法可分为直接与间接两大类［810］。直接测量法费时费力，且具有破坏性，除特殊情况外，很少使用。间接测量法主要利用光学仪器获取冠层间隙率/透过率来反演LAI，快速高效，目前被广泛应用于LAI地面测量中。间接测量法的基础理论主要为BeerLambert定律，其运用存在诸多假设条件，如假设叶片空间分布状态为泊松分布、叶片完全不透光等，运用到实际植被冠层时面临着聚集效应、叶倾角分布等多种复杂因素的影响，可能会给最终LAI值引入30%～70%误差［1115］。

基于间接测量法的仪器可以分为两大类：一类是LAI2000、TRAC、DEMON等［16］，通过特定光学传感器测量植被上方或下方的光辐射量，通过辐射衰减法计算LAI数值；另一类是CI-110、植被冠层摄影仪等设备采用半球摄测量法，使用光学摄像头获取植被的冠层图像，然后对图像分析处理解算LAI数值［17］。但这些LAI光学测量仪器均需人工手动测量，无法实现对植被冠层的长期监测。此外利用遥感数据反演叶面积指数也属于间接测量方法，主要包括统计模型法与光学模型法［18］。由于遥感反演叶面积指数存在建立合理的描述冠层内辐射传输过程的模型非常困难，模型输入参数存在很大的不确定性，某些植被类型明显偏离遥感反演的假设条件造成反演精度较低［19］，尚需要地面测量数据对其真实性进行验证。

目前，野外试验多采用人工单点测量的方式获取数据，测量工作量大、难以持续观测且难以满足遥感产品地面验证空间分辨率的要求，尤其是尺度效应的验证迫切需要一种能在较大范围、持续获取数据的LAI测量系统［20］。针对上述不足，基于半球摄影法和无线传感网络技术，研制了LAI全自动组网观测系统，实现了植被冠层结构参数的高精度持续稳定观测。系统基于鱼眼摄影技术，利用终端图像处理技术对植被冠层进行快速分析，实时获取冠层结构信息，利用改进的自适应图像分割对图像进行准确分割，极大地消除了复杂环境条件对LAI测量的影响，提高了测量精度。针对复杂光线条件下，测量结果存在波动的问题，基于高频率原始观测结果，构建了精校正算法，有效提取了每日LAI值。

1系统设计与实现

1.1系统总体设计

1.1.1系统概述

系统由负责数据收发和通讯的汇聚节点，负责数据采集和自组网的采集节点，负责参数获取的LAI传感器，以及负责数据管理的在线数据管理分析系统四部分组成。系统总体架构如图1所示。

其中，硬件部分包括汇聚节点、采集节点、LAI传感器三部分，其系统框架如图1所示。在工作状态下，LAI传感器与采集节点通过数据线进行连接与通信，各采集节点通过无线传感网络协议与汇聚节点连接，汇聚节点则通过移动通信网络与服务器通讯。为了降低传输时数据包大小，LAI传感器按照设定好的采样频率获取冠层图像后，所拍摄植物冠层半球图片在LAI传感器终端中进行处理、分析得到冠层LAI测量值；LAI值随后被传送至采集节点，再由采集节点通过无线传感网络协议发送至汇聚节点；汇聚节点将其所收到的各采集节点数据进行打包，通过移动通信网络将数据包上傳至在线数据管理分析系统，从而实现野外LAI测量值的远程实时获取。

1.2硬件设计

1.2.1汇聚节点设计与实现

汇聚节点内置主控器、无线传感通信模块、GPRS模块以及供电电池。其中，主控器采用AT91SAM9G20，时钟频率为400 MHz，在全功率模式、外围设备全开的情况下，其功耗仅为80 mW，完全满足汇聚节点对主控器性能要求。供电电池采用18650电池组，供电电压8.4 V。在工作状态下，汇聚节点在接收到其组网内所有采集节点数据后会将数据进行打包，随后通过移动通信网络上传至网络，同时，为了保障数据不被丢失，汇聚节点能储存1年以上的现场数据。

1.2.2采集节点设计与实现

采集节点以ARM处理器STM32F103系列作为主控器，通过无线传感通信模块与汇聚节点实现无线组网通信，电池采用18650电池组，供电电压8.4 V，采集节点设有通信接口、电源接口与温度接口，通过线缆与LAI传感器进行连接，采用RS485通讯与LAI传感器实现数据传输，同时给LAI传感器供电。在接收到LAI传感器解析完成后的LAI数据后，通过无线组网发送至汇聚节点，同时，为了降低功耗，采集节点在休眠状态下以低功耗模式运行。

1.2.3LAI传感器设计与实现

LAI传感器主要由鱼眼镜头、主控器、加热装置组成。其中鱼眼镜头型号为OV2640，该传感器小巧、灵敏度高、消耗电压低，适合进行嵌入式开发。考虑到鱼眼镜头工作温度在0 ℃以上，为保障鱼眼镜头在北方极寒条件下能正常工作，在LAI传感器内部加入了加热装置，当检测到环境温度低于0 ℃，加热装置自动启动，使鱼眼镜头工作环境温度升至适宜工作温度，保证测量精度。

1.3在线数据管理分析系统设计与实现

LAI在线监测网络系统采用SuperSocket框架通讯连接技术实现上下位机的多点并发通讯，支持包括LAI值与电压值、信号强度等节点状态数据的存储管理及采样频率控制等功能［21］。此外，系统具备每日数据精校正功能，能自动对每日产生的高频次数据进行精校正。

为便于采样节点位置查看，基于百度地图JavaScript API，实现了采样节点位置可视化，方便随时获取采样坐标。同时，系统具有异常数据自动检测报警的功能，有效保证了数据质量。

系统分为通信模块、数据管理模块、控制模块、可视化模块以及数据自动检测报警模块，如图2所示。其中通信功能和数据处理功能在服务器端完成，信息查询显示、采集频率和报警站点设置功能在客户端完成。

服务器端采用Supersocket框架，该框架对多线程支持良好，能同时接收多路下位机发送过来的数据，简化了上位机和下位机的通讯连接过程。

程序运行时，服务器收到汇聚节点连接请求后，向汇聚节点发送确认命令，汇聚节点收到该命令，将建立汇聚节点与服务器之间的通信，随后以设定的通信协议方式进行数据传输。考虑到传输数据可能较多，需要由下位机多次发送数据。因此服务器首先将下位机发送的帧数据放置在缓冲区中，确定数据接收完毕后根据帧控制位判断帧类型。如果是命令帧和应答帧，数据将进入相应的程序模块进行处理。如果是数据帧，将提取相应的数据帧标志，以确定数据表类型，并根据发送的网络编号，确定数据信息所属监控网络，解析数据并将其存储在数据库的采集数据表中。

系统界面如图3所示。

客户端WEB的开发采用ASP.NET框架和MVC开发模式，后台开发采用C#语言，前端则是采用html语言、API jQuery EasyUI和百度地图等控件，进而完成WEB动态网站的应用。

如图3所示，用户可通过WEB端查看节点地址、数据记录时间、LAI值以及電池电量和信号强度等信息，所查数据可通过“原始数据导出”功能导出Excel格式原始数据，也可通过“LAI每日数据导出”功能导出经精校正后的每日LAI数据。此外，用户也可查看节点位置以及进行采样频率设置。

2基于半球摄影法的LAI分析

2.1单角度LAI算法

根据BeerLambert定律，假设冠层叶片满足在空间上随机分布，叶倾角随机且单一叶片的面积远小于冠层总面积时，则植被冠层的辐射衰减满足

实践中，考虑代表性及像元数量，往往采用包含57.5°的圆环计算间隙率。相关研究表明，将视野等分为18个半径以等长递增的同心圆最适合于本研究中的图像分割，如图4所示。其中白色像元为天空背景，黑色像元为冠层前景。57.5°环对应的视野范围是55°～60°，即由圆心向外数的第12个环。

2.2图像分割算法

本文基于HSV颜色空间和大津法构建了HSV-Otsu算法，实现复杂环境条件下的图像自适应分割。其对比情况如图5所示。

2.2.1基于大津法的冠层图像分割

大津法（Otsu）是较常用的自适应地选择分割阈值的分割算法［25］。其原理是通过遍历0～255不同的灰度等级，根据图像中每个像素点的具体灰度等级将图像划分为前景色和背景色两个部分并且计算前景和背景之间的类间方差。如果基于某个阈值计算得到的类间方差越大，就说明图像的两个部分之间的差别越大，那么出现分割错误的可能性就越小，以此来确定能够对整幅图进行划分的最优阈值［26］。

在光照条件为漫射光时，如阴天、早晨及黄昏时分，此时采用大津算法可取得满意的分割效果，如图5（e）所示。阴天条件下，采用大津算法分割可判别细小的天空背景点，但晴朗条件下，光照情况比较复杂，大津法难以取得有效的分割结果，如图5（b）所示。

2.2.2基于HSV颜色空间的冠层图像分割

晴朗条件下，半球图像中天空呈现蓝色，部分叶片由于强光反射的影响，呈现高亮度白色。在这种情况下，基于亮度的分割方法很难获得正确的分割结果，而利用基于颜色空间的HSV算法则能取得满意的分割结果。

HSV（Hue，Saturation，Value）是Smith在1978年根据颜色的直观特性创建的一种颜色空间模型，其三个颜色通道分别是色调（H），饱和度（S）和明度（V）。从RGB空间到HSV空间的转换公式如下。

其中，max等于R、G、B中的最大者，min为最小者。基于HSV算法的分割效果如图5（c）和图5（f）所示。

HSV算法对以色彩变化为代表的天气状态比较敏感，因此在本研究中，HSV算法不仅是晴天条件下用于分割的方法，也是确定采用何种分割算法的依据。该方法的不足之处在于对色彩比较丰富的晴天有效，其余环境条件下则难以取得满意的分割效果，如图5（c）和图5（f）所示。

2.2.3改进算法

针对大津法及HSV算法的不足之处，构建了HSV-Otsu自适应算法解决复杂环境下的环境条件自适应问题［27］。其流程图如图6所示。

（1） 通过大量试验分析获得环境条件分割阈值T；

（2） 利用HSV算法计算图像中蓝色像素点的个数n；

（3） 当n大于等于阈值T时，判定为晴天，采用HSV算法进行分割；

（4） 当n小于阈值T时，判定为阴天，采用大津法进行分割；

（5） 将分割结果代入叶面积指数计算公式，公式见式（5）。

由图5可见，当采用适当的分割方法后，不同环境条件下的半球图像均能取得满意的分割结果。

2.3数据过滤算法

理论上，LAI在短时间内变化不大，但由于采集环境变化（例如光线条件、风等环境条件的变化），造成测量值的较大波动。现有研究表明，不同的太阳高度角会对LAI测量值带来显著的影响［28］。人工测量条件下，可选择早、晚或无风、阴天等天气条件下进行测量，但自动仪器目前难以对环境条件适宜性进行判断。针对这一问题，基于稳定环境条件下LAI测量值不变的假设，提出“最平稳窗口”算法进行原始数据精校正，即系统首先按照5 min/次采样频率采集LAI值，然后在获取的每日数据中搜索最平稳窗口，即该窗口内LAI值方差最小，则该窗口LAI的平均值即为当日LAI代表值。算法具体的操作流程如下。

1） 对每一条数据进行初步判断，删除数据采集过程中的异常值，即删除LAI值等于45、46、47、48、49或0的数据，系统中分别代表，通讯异常、图像过暗、数据格式转换失败、图像内存分配失败、图像过曝光、未知异常等异常信息。

2） 设定窗口大小为m，并以窗口滑动的形式求解每个窗口对应的均值和方差，如式（10）、式（11）所示。

3试验与验证

为验证该系统LAI测量结果的准确性，分别在江苏溧阳和吉林长春两地对仪器测量精度进行试验验证，以美国LAI-2200C为对比验证仪器。溧阳测量试验区植被类型为乔木、水稻、茶树等，长春的植被类型为玉米、草地和稀疏林地。采用背靠背测量的方法，由两组人员先后在同一位置用LAI-2200C和本系统获取LAI值，然后对两者测量结果进行相关性分析。

3.1与LAI-2200C对比验证

3.1.1溧阳试验

LAI组网系统与LAI-2200C测量结果对比如图9所示。

试验时间为2018年10月29日，试验区坐标119°12′42″东，31°30′9″北。共获取有效数据27组，植被类型为乔木、果树、茶树、水稻，对照仪器为LAI2200C。

LAI组网系统与LAI-2200C测量结果相关系数达到0.85（P<0.001），相关性达到极显著水平。

3.1.2长春试验

LAI-NOS与LAI-2200C测量结果相关性分析结果如图10所示。

试验时间为2019年9月23日，试验区坐标125°24′1″东，43°59′52″北。植被类型为草地、林地和玉米，剔除试验人员影像进入半球图像的数据，三种类型分别获取29对、36对、12对有效测量数据。

对比验证分析结果显示，针对林地、草地、玉米地LAI-NOS组网系统和LAI-2200C的相关系数分别为了0.69、0.87、0.95，P值均远小于0.001，说明LAI-NOS 组网系统与LAI-2200C测量结果存在极显著的相关性，表现出良好的测量精度。若以LAI-2200C为标准，测量精度为玉米（农作物）>草地（低矮植被）>树木（高大乔木）。

三种植被类型下，两种仪器测量值的相对误差分别为8.6%，9.5%和12.4%，LAI-NOS测量结果总体上小于LAI-2200C测量值。其主要原因在于LAI-NOS目前尚未考虑冠层聚集指数CI（Clumping index），因此所测量结果为有效LAI，与真实LAI之间存在一定的差异。由于大田作物在封垄后，叶片可近似为随机分布，聚集效应较弱，这种差异在大田作物中较低［29］；林地观测由于聚集效应比较明显，由此而造成的低估也相对较大［30］，本研究的结果也印证了这一现象。

由溧阳及长春两地试验结果可见，系统与LAI-2200C对比试验结果均表现出极显著的相关性，表明与LAI-2200C一致性良好。此外，吉林长春试验中所有植被类型的综合相关性与江苏溧阳试验植被综合相关性近似，表明仪器在不同生态环境下测量结果具有较好的稳定性。

3.2LAI遥感产品验证

由于LAI-NOS系统可对试验区LAI进行长时间自动观测，非常适合对长时间序列遥感产品进行真实性检验。目前利用遥感数据反演的LAI产品主要包括MODIS、GEOV2、GLASS等，其中MODIS LAI最具有代表性，应用最为广泛。为验证地面测量数据与卫星产品的相关性，选择MODIS MOD15A2H 500米产品与LAI-NOS测量数据进行对比分析。

获取禹城真实性检验站LAI-NOS系统2020年2月26日—4月30日数据。禹城地处山东省西北部，徒骇河中游，地理位置介于116°22′11″～116°45′00″E，36°41′36″～ 37°12′13″N之间，属暖温带大陆季风气候。主要植被类型农作物，为小麦与玉米轮作。2020年2—4月期间，试验区植被类型为小麦。由于MODIS MOD15A2H产品为8天合成产品，故选择与之相对应时间LAI-NOS系统LAI测量值，两者随时间变化如图11（a）所示。

由图11（a）可见，LAI-NOS系统LAI测量值与MODIS MOD15A2H产品具有良好的一致性，除从4月22日开始，MODIS MOD15A2H产品开始略低于LAI-NOS系统LAI测量值外，其余时间两者均非常接近。两者相关分析结果如图11（b）所示。由图11（b） 可见，两者呈现明显地线性关系，其R达到0.98，达到统计上极显著相关。由此可见，LAI-NOS系统LAI测量值与MODIS MOD15A2H产品在时间序列上具有相同的趋势，均较好的反映了冬小麦从返青～成熟时期呈偏抛物线形式的叶面积变化趋势［31］。

4结论

基于半球摄影法与无线传感网络技术，研发了一种能够长时间、空间大尺度、无人值守的叶面积指数组网测量系统，解决了LAI多点、同步、长时间测量的问题，实现了在无人值守的情况下，一次部署长期监测，从而获取大量、不间断的植被冠层参数。针对一天内自动测量所面临的环境变化所带来的测量结果波动，提出“最平稳窗口”算法对每5 min频次获取的当日原始数据进行静校正，从而提取出当日LAI值，初步解决了LAI自动测量仪器测量结果受环境影响极大的问题。

在多地、不同植被类型下与LAI-2200C的对比试验也表明，該系统LAI测量值与LAI-2200C具有极显著的相关性。需要说明的是，由于现有算法暂未考虑聚集效应，所计算的叶面积指数为有效叶面积指数。未来需要引入聚集指数进行修正，从而获得真实LAI。为检验LAI-NOS对长时间序列LAI遥感产品真实性检验的能力，本文开展了LAI-NOS测量值与MODIS MOD15A2H产品验证初步试验，试验结果显示两者具有极显著的相关性，但由于MOD15A2H空间分辨率为500 m，与LAI-NOS测量测量结果具有较大的尺度差异，消除尺度差异后两者的相关性还有待开展进一步研究。

参考文献

［1］Bonan G B， Pollard D， Thompson S L. Influence of subgridscale heterogeneity in leaf area index， stomatal resistance， and soil moisture on gridscale landatmosphere interactions ［J］. Journal of Climate， 1993， 6（10）： 1882-1897.

［2］Clark D B， Olivas P C， Oberbauer S F， et al. First direct landscapescale measurement of tropical rain forest leaf area index， a key driver of global primary productivity ［J］. Ecology Letters， 2008， 11（2）： 163-172.

［3］Tian Y， Zheng Y， Zheng C， et al. Exploring scaledependent ecohydrological responses in a large endorheic river basin through integrated surface watergroundwater modeling ［J］. Water Resources Research， 2015， 51（6）： 4065-4085.

［4］邱霞， 孙国超， 熊博， 等. 不同叶面积指数对“黄果柑”光合特性及果实品质的影响［J］. 四川农业大学学报， 2019， 37（3）： 321-329.

Qiu Xia， Sun Guochao， Xiong Bo， et al. Effects of leaf area indexes on photosynthetic characteristics and fruit quality of huangguogan citrus［J］. Journal of Sichuan Agricultural University， 2019， 37（3）： 321-329.

［5］Tsialtas J T， Baxevanos D， Maslaris N. Chlorophyll meter readings， leaf area index， and their stability as assessments of yield and quality in sugar beet cultivars grown in two contrasting environments ［J］. Crop Science， 2014， 54（1）： 265-273.

［6］Bréda N J J. Groundbased measurements of leaf area index： A review of methods， instruments and current controversies ［J］. Journal of Experimental Botany， 2003， 54（392）： 2403-2417.

［7］Yin G， Li A， Jin H， et al. Derivation of temporally continuous LAI reference maps through combining the LAINet observation system with CACAO［J］. Agricultural and Forest Meteorology， 2017， 233： 209-221.

［8］閻广建， 胡容海， 罗京辉， 等. 叶面积指数间接测量方法［J］. 遥感学报， 2016， 20（5）： 958-978.

Yan Guangjian， Hu Ronghai， Luo Jinghui， et al. Review of indirect methods for leaf area index measurement［J］. Journal of Remote Sensing， 2016， 20（5）： 958-978.

［9］Jonckheere I， Fleck S， Nackaerts K， et al. Review of methods for in situ leaf area index determination： Part I. Theories， sensors and hemispherical photography［J］. Agricultural and Forest Meteorology， 2004， 121（1-2）： 19-35.

［10］Yan G， Hu R， Luo J， et al. Review of indirect optical measurements of leaf area index： Recent advances， challenges， and perspectives ［J］. Agricultural and Forest Meteorology， 2019， 265： 390-411.

［11］Cutini A， Matteucci G， Mugnozza G S. Estimation of leaf area index with the LiCor LAI 2000 in deciduous forests ［J］. Forest Ecology and Management， 1998， 105（1-3）： 55-65.

［12］Chen J M， Cihlar J. Plant canopy gapsize analysis theory for improving optical measurements of leafarea index ［J］. Applied optics， 1995， 34（27）： 6211-6222.

［13］胡容海，阎广建.对BeerLambert定律间接测量森林LAI的误差低估分析［J］. 地球信息科学学报， 2012， 14（3）： 366-375.

Hu Ronghai， Yan Guangjian.Indirect measurement of forest LAI to deal with the underestimation problem based on beerlambert law［J］. Journal of Geoinformation Science. 2012， 14（3）： 366-375.

［14］刘志理， 金光泽， 周明.利用直接法和间接法测定针阔混交林叶面积指数的季节动态［J］. 植物生态学报， 2014， 38（8）： 843-856.

Liu Zhili， Jin Guangze， Zhou Ming. Measuring seasonal dynamics of leaf area index in a mixed coniferbroadleaved forest with direct and indirect methods［J］. Chinese Journal of Plant Ecology， 2014， 38（8）： 843-856.

［15］邹杰， 阎广建. 森林冠层地面叶面积指数光学测量方法研究进展［J］. 应用生态学报， 2010， 21（11）： 2971-2979.

Zou Jie， Yan Guangjian. Optical methods for in situ measuring leaf area index of forest canopy： A review ［J］. Chinese Journal of Applied Ecology， 2010， 21（11）： 2971-2979.

［16］祁漫宇， 朱维斌. 叶面积指数主要测定方法和设备［J］. 安徽农业科学， 2012， 40（31）： 15097-15099.

Qi Manyu， Zhu Weibin. Review on the main determination methods and equipments of leaf area  index ［J］. Journal of Anhui Agricultural Sciences， 2012， 40（31）： 15097-15099.

［17］Tsialtas J T， Baxevanos D， Maslaris N. Chlorophyll meter readings， leaf area index， and their stability as assessments of yield and quality in sugar beet cultivars grown in two contrasting environments ［J］. Crop Science， 2014， 54（1）： 265-273.

［18］熊萬彩， 邱权， 陈天华， 等. 叶面积指数间接测量方法分析［J］. 安徽农业科学， 2013， 41（15）： 7022-7024.

Xiong Wancai， Qiu Quan， Cheng Tianhua. Analysis of LAI indirect measurement method ［J］. Journal of Anhui Agricultural Sciences， 2013， 41（15）： 7022-7024.

［19］刘洋. 叶面积指数遥感反演研究进展与展望［J］. 地球信息科学学报， 2013， 15（5）： 734-743.

Liu Yang. Current status and perspectives of leaf area index retrieval from optical remote sensing data［J］. Journal of Geoinformation Science， 2013， 15（5）： 734-743.

［20］Gower S T， Kucharik C J， Norman J M. Direct and indirect estimation of leaf area index， fAPAR， and net primary production of terrestrial ecosystems ［J］. Remote sensing of Environment， 1999， 70（1）： 29-51.

［21］陈云坪， 孙源， 杨玥， 等. 叶面积指数在线监测试验系统设计［J］. 试验室研究与探索， 2019， 38（11）： 51-55.

Chen Yunping， Sun Yuan， Yang Yue， et al. Design of fullautomatic LAI network monitoring system［J］. Research and Exploration in Laboratory， 2019， 38（11）： 51-55.

［22］Wilson J W. Inclined point quadrats ［J］. New Phytologist， 1960， 59（1）： 1-7.

［23］刘培新. 基于半球摄影法的植被参数提取研究［D］. 成都： 电子科技大学， 2019.

Liu Peixin. Research on extraction of vegetation parameters based on hemispherography［D］. Chengdu：University of Electronic Science and Technology of China， 2019.

［24］Qu Y， Han W， Fu L， et al. LAINetA wireless sensor network for coniferous forest leaf area index measurement： Design， algorithm and validation［J］. Computers and Electronics in Agriculture， 2014， 108： 200-208.

［25］Yang X， Shen X， Long J， et al. An improved medianbased Otsu image thresholding algorithm［J］. AASRI Procedia， 2012， 3： 468-473.

［26］包丞嘯， 姜威， 王玉潇. 基于大津法分割和局部最大梯度的自动聚焦算法［J］. 光学技术， 2019， 45（6）： 756-761.

Bao Chengxiao， Jiang Wei， Wang Yuxiao. Automatic focusing algorithm based on Otsu segmentation and local maximum gradient ［J］. Optical Technique， 2019， 45（6）： 756-761.

［27］陈云坪， 袁子炜， 马存诗， 等. 基于半球摄影法的便携式叶面积指数测量仪研制［J］. 试验室研究与探索， 2020， 39（10）： 73-76.

Chen Yunping， Yuan Ziwei， Ma Cunshi， et al.Design of portable measuring instrument for leaf areaindex based on hemispheric photography ［J］. Research and Exploration in Laboratory， 2020， 39（10）： 73-76.

［28］王龑， 田庆久， 黄彦， 等. 太阳高度角变化对小麦叶面积指数观测的影响［J］. 遥感信息， 2013， 28（6）： 44-47.

Wang Yan， Tian Jiuqing， Huang Yan， et al. Effect of solar altitude angle variation on the observaton of wheat leaf area index ［J］. Remote Sensing Information. 2013， 28（6）： 44-47.

［29］Baret F， de Solan B， LopezLozano R， et al. GAI estimates of row crops from downward looking digital photos taken perpendicular to rows at 57.5 zenith angle： Theoretical considerations based on 3D architecture models and application to wheat crops ［J］. Agricultural and Forest Meteorology， 2010， 150（11）： 1393-1401.

［30］Stenberg P. Correcting LAI-2000 estimates for the clumping of needles in shoots of conifers ［J］. Agricultural and Forest Meteorology， 1996， 79（1-2）： 1-8.

［31］乔玉辉， 宇振荣， Driessen P.M. 冬小麦叶面积动态变化规律及其定量化研究［J］. 中国生态农业学报， 2002（2）： 87-89.

Qiao Yuhui， Yu Zhenrong. Driessen P.M. Dynamic changes and quantification of winter wheat leaf area ［J］. Chinese Journal of EcoAgriculture， 2002（2）： 87-89.