基于圖像提取技術(shù)計(jì)算夏玉米覆蓋度和反演葉面積指數(shù)的精度評(píng)價(jià)**

李翠娜，張雪芬，余正泓，王秀芳

?

基于圖像提取技術(shù)計(jì)算夏玉米覆蓋度和反演葉面積指數(shù)的精度評(píng)價(jià)**

李翠娜1,2,3，張雪芬3，余正泓4，王秀芳5

（1.中國(guó)科學(xué)院大氣物理研究所大氣科學(xué)和地球流體力學(xué)數(shù)值模擬國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京100029;2.中國(guó)科學(xué)院大學(xué)，北京 100049; 3.中國(guó)氣象局氣象探測(cè)中心，北京100081; 4.廣東科學(xué)技術(shù)職業(yè)學(xué)院，珠海 519090; 5.河南省信陽(yáng)氣象局，信陽(yáng) 464000）

如何將農(nóng)作物從復(fù)雜動(dòng)態(tài)變化的農(nóng)田場(chǎng)景中準(zhǔn)確提取出來(lái)，是作物分割方法后續(xù)提取覆蓋度或反演葉面積指數(shù)準(zhǔn)確與否的關(guān)鍵。本文以鄭州、泰安和固城站2011年和2012年生長(zhǎng)季的夏玉米為研究對(duì)象，利用在線式圖像自動(dòng)傳輸裝置實(shí)時(shí)獲取戶外不同光照強(qiáng)度以及真實(shí)農(nóng)田復(fù)雜背景下的夏玉米群體動(dòng)態(tài)圖像，在對(duì)原始圖像進(jìn)行幾何校正的基礎(chǔ)上，采用AP-HI、ExG、ExGR和CIVE4種作物分割方法提取夏玉米覆蓋度和反演葉面積指數(shù)，通過(guò)對(duì)比試驗(yàn)定量評(píng)價(jià)每種作物分割方法對(duì)農(nóng)田復(fù)雜背景的適應(yīng)能力和精度，并從中選取適合農(nóng)田復(fù)雜環(huán)境下夏玉米冠層圖像覆蓋度和葉面積指數(shù)的有效提取方法。結(jié)果表明：光照強(qiáng)度變化以及植物陰影、植物殘?jiān)葟?fù)雜背景對(duì)作物分割算法的精確性影響較大，AP-HI方法在光照適應(yīng)性和對(duì)抗復(fù)雜環(huán)境兩個(gè)方面均優(yōu)于其它方法，相對(duì)誤差在0.2以下，高于目估法測(cè)量的精度；通過(guò)對(duì)比分析發(fā)現(xiàn)，利用4種作物分割方法通過(guò)冠層孔隙率估算不同生長(zhǎng)期夏玉米LAI，AP-HI反演模型最優(yōu)，其估算的LAI與實(shí)際測(cè)得的LAI值比較的相關(guān)系數(shù)最高，為0.89~0.96,均方根誤差最小，為0.47~0.75。綜合考慮模型的精度和穩(wěn)定性認(rèn)為，基于AP-HI方法反演葉面積指數(shù)的方法具有一定應(yīng)用優(yōu)勢(shì)。

農(nóng)作物；圖像處理；覆蓋度；LAI；模型

作物覆蓋度(Cc)和葉面積指數(shù)(LAI)是定性和定量評(píng)價(jià)作物群體長(zhǎng)勢(shì)狀況的重要指標(biāo)，準(zhǔn)確提取其信息對(duì)監(jiān)測(cè)作物生長(zhǎng)狀態(tài)和預(yù)測(cè)作物產(chǎn)量具有重要意義[1-3]。估測(cè)作物覆蓋度和葉面積指數(shù)的方法主要有地面實(shí)測(cè)和遙感監(jiān)測(cè)兩種方式[4]。地面實(shí)測(cè)是遙感等現(xiàn)代測(cè)量方法必不可少的輔助和校驗(yàn)手段[5]。常用的地面實(shí)測(cè)方法是目估法，該方法繁瑣、費(fèi)時(shí)、破壞性大，且受觀測(cè)者的主觀影響，最大絕對(duì)誤差可達(dá)40%[6]。隨著數(shù)碼相機(jī)分辨率的提高和數(shù)字圖像技術(shù)的應(yīng)用，基于靜態(tài)圖像信息提取技術(shù)估測(cè)覆蓋度和葉面積指數(shù)成為獲取樣本實(shí)測(cè)數(shù)據(jù)的主要方法，是今后作物覆蓋度和葉面積指數(shù)地面測(cè)量的發(fā)展趨勢(shì)[7-9]。該方法利用CCD成像技術(shù)獲取作物冠層照片，在計(jì)算機(jī)中將影像分成作物和非作物，并通過(guò)閾值法提取作物覆蓋度，然后用覆蓋度估算葉面積指數(shù)[10-12]。較之傳統(tǒng)的地面測(cè)量方法，這種方法更為方便、快捷且準(zhǔn)確。但靜態(tài)圖像信息提取技術(shù)也存在一定的局限性，它通過(guò)人工近距離拍攝圖像，難以對(duì)作物進(jìn)行實(shí)時(shí)、動(dòng)態(tài)觀測(cè)，資料時(shí)效性和可比性較低。針對(duì)上述技術(shù)難點(diǎn)，國(guó)內(nèi)外已有研究提出了一種利用在線式圖像處理技術(shù)估測(cè)覆蓋度和葉面積指數(shù)的方法[13-15]，它將自動(dòng)采集、圖像處理、通信傳輸、遠(yuǎn)程控制等多種技術(shù)手段相結(jié)合計(jì)算作物覆蓋度，進(jìn)而用覆蓋度估算葉面積指數(shù)。這種方法可相對(duì)快速、客觀獲取實(shí)時(shí)、連續(xù)、動(dòng)態(tài)的植被覆蓋度和葉面積指數(shù)信息，展現(xiàn)出良好的研究和應(yīng)用前景。當(dāng)前對(duì)該方法的研究主要集中在從復(fù)雜動(dòng)態(tài)變化的農(nóng)田里精確提取作物的分類方法及其精度評(píng)價(jià)。趙繼強(qiáng)等[16]定量研究了照相法測(cè)量規(guī)則林地覆蓋度中采樣策略、相機(jī)非垂直拍攝等因素對(duì)覆蓋度計(jì)算結(jié)果的影響。任杰等[11]比較了NDI法和監(jiān)督分類法計(jì)算植被覆蓋度精度。孫濤等[17]基于Gamma校正原理對(duì)水稻冠層數(shù)碼相片進(jìn)行校正處理，在此基礎(chǔ)上利用2G-R-B植被指數(shù)提取作物信息，結(jié)果表明，經(jīng)過(guò)Gamma校正的相片估算的水稻葉面積指數(shù)總體精度有顯著提高。以上各研究?jī)H對(duì)比了靜態(tài)圖像在不同分類方法或相機(jī)拍攝采樣策略下覆蓋度的計(jì)算結(jié)果，并未考慮實(shí)地農(nóng)田測(cè)量中作物覆蓋度或葉面積指數(shù)估測(cè)精度受光照變化、種植地背景復(fù)雜等因素的影響。

本文以夏玉米為例，通過(guò)在線式圖像自動(dòng)傳輸裝置實(shí)時(shí)獲取農(nóng)田作物動(dòng)態(tài)圖像，并在圖像幾何參數(shù)自動(dòng)標(biāo)定基礎(chǔ)上，采用4種常用的圖像自動(dòng)提取算法計(jì)算作物覆蓋度，利用冠層孔隙率方法建立覆蓋度與葉面積指數(shù)模型。通過(guò)對(duì)比試驗(yàn)，對(duì)每種提取算法的計(jì)算性能進(jìn)行評(píng)價(jià)，以期確定一種更加適于實(shí)際農(nóng)田作物覆蓋度和葉面積指數(shù)的測(cè)量方法，為作物長(zhǎng)勢(shì)動(dòng)態(tài)監(jiān)測(cè)提供依據(jù)。

1 資料與方法

1.1 田間試驗(yàn)數(shù)據(jù)獲取

試驗(yàn)于2011-2012年在河南省鄭州（34.46°N, 113.40°E）、山東省泰安（36.11°N, 117.08°E）和河北省固城（39.13°N, 115.67°E）農(nóng)業(yè)氣象試驗(yàn)站進(jìn)行。試驗(yàn)區(qū)地勢(shì)平坦，土壤類型為壤土。試驗(yàn)選擇當(dāng)?shù)刂髟韵挠衩變?yōu)質(zhì)品種，分別為浚單20、鄭單958和冀單32，行間距均為90cm，行內(nèi)距約為19cm，成株株高250cm左右，生育期為每年6月-10月上旬，出苗-成熟期約需100d。在每個(gè)試驗(yàn)區(qū)選擇總面積約0.5km×0.5km作為核心監(jiān)測(cè)區(qū)域，中央架設(shè)田間監(jiān)測(cè)設(shè)備。試驗(yàn)區(qū)分為儀器自動(dòng)觀測(cè)地段和人工對(duì)比觀測(cè)地段，二者位于同一地塊，儀器自動(dòng)觀測(cè)地段實(shí)際觀測(cè)面積30m2左右，在避免邊際效應(yīng)的同時(shí)，兩個(gè)觀測(cè)地段盡可能靠近，使兩個(gè)區(qū)域的作物生長(zhǎng)環(huán)境一致，保證對(duì)比觀測(cè)的可比性。

試驗(yàn)測(cè)定了夏玉米主要生育期(出苗期、三葉期、七葉期、拔節(jié)期、抽雄期、開(kāi)花期、吐絲期、乳熟期和成熟期)的葉面積指數(shù)，作為評(píng)價(jià)葉面積反演模型精度的評(píng)價(jià)標(biāo)準(zhǔn)。葉面積指數(shù)的測(cè)定采用傳統(tǒng)的長(zhǎng)寬系數(shù)法[18]，測(cè)量40株夏玉米植株高度，按不同高度分配比例取5株，測(cè)定其葉長(zhǎng)和葉寬，系數(shù)取0.7，取平均值作為單株葉面積值，根據(jù)大田密度換算實(shí)際葉面積指數(shù)值。

1.2 圖像采集

在線式作物圖像自動(dòng)傳輸裝置由CCD相機(jī)（E-450Olympus）、圖像采集器、通訊傳輸裝置和計(jì)算機(jī)終端組成，如圖1所示。圖像采集器由中國(guó)氣象局氣象探測(cè)中心和江蘇省無(wú)線電科學(xué)研究所聯(lián)合自主研發(fā)，具備采集計(jì)劃設(shè)置、自動(dòng)拍攝控制、數(shù)據(jù)存儲(chǔ)和數(shù)據(jù)傳輸?shù)裙δ?，可較好滿足大田作物圖像拍攝需求。CCD相機(jī)外部裝有防風(fēng)沙球罩狀裝置，以抵抗戶外雨水和灰塵的侵蝕，其CCD傳感器鏡頭焦距為16mm。圖像采集器和CCD傳感器均被固定在立柱上，離地高度分別為1m和5m。

設(shè)定每日9：00-16：00正點(diǎn)經(jīng)由CCD相機(jī)自動(dòng)拍攝夏玉米圖像，并通過(guò)3G/4G無(wú)線網(wǎng)絡(luò)將獲取的夏玉米圖像遠(yuǎn)程傳輸至計(jì)算機(jī)終端，計(jì)算機(jī)終端利用內(nèi)置的作物圖像處理算法實(shí)現(xiàn)夏玉米覆蓋度實(shí)時(shí)自動(dòng)計(jì)算。圖像分辨率為2736×3648，彩色，JPG格式。

1.3研究方法

1.3.1 圖像幾何參數(shù)標(biāo)定

CCD相機(jī)的圖像幾何參數(shù)標(biāo)定是實(shí)現(xiàn)視覺(jué)圖像信息精確識(shí)別、解譯的重要基礎(chǔ)。本研究采用Zhang等[19]提出的標(biāo)定方法，具體步驟如下：

（1）根據(jù)實(shí)驗(yàn)設(shè)計(jì)的觀測(cè)樣區(qū)環(huán)境要求，通過(guò)計(jì)算機(jī)模擬，給出相機(jī)標(biāo)定板的參數(shù)要求，并按規(guī)格制作。用打印機(jī)打印出相機(jī)標(biāo)定用的黑白相間的棋盤格，每格邊長(zhǎng)為7.3cm的正方形(圖2)，再將棋盤格貼在準(zhǔn)備好的65.7cm×73cm的長(zhǎng)方形木板上，木板厚度均勻且不大于3cm，通過(guò)以上步驟便可完成標(biāo)定板的制作。

（2）將相機(jī)標(biāo)定板置于自動(dòng)觀測(cè)區(qū)域內(nèi)的不同空間位置并拍攝不同放置方式的圖像。其中，水平放置于地塊中心和4個(gè)角落共拍攝5張，將標(biāo)定板放置在指定位置和高度，從不同角度拍攝20張圖像（圖3）。

（3）計(jì)算CCD相機(jī)的內(nèi)外參數(shù)：利用CCD相機(jī)拍攝的標(biāo)定圖像，自動(dòng)檢測(cè)并獲取棋盤格角點(diǎn)的實(shí)際坐標(biāo)和其在圖像中的坐標(biāo)，再根據(jù)式（1）單應(yīng)性矩陣中向量正交和模相等的條件，求解出相機(jī)的內(nèi)外參數(shù)（包括內(nèi)參數(shù)矩陣以及每張圖像的外參數(shù)矩陣）和畸變系數(shù)。

（4）原始圖像的正下視校正：利用計(jì)算出來(lái)的相機(jī)畸變系數(shù)，對(duì)存在幾何畸變的原始前下視作物圖像進(jìn)行幾何校正處理。經(jīng)上述幾何校正的原始作物圖像，即可通過(guò)遙感圖像處理中的重采樣技術(shù)，將其轉(zhuǎn)換為正下視圖像或正射圖像，為作物覆蓋度計(jì)算提供基礎(chǔ)圖像。

1.3.2 圖像自動(dòng)提取算法

（1）AP-HI法

2013年Yu等[20]首次提出了一種具備光照自適應(yīng)能力的AP-HI作物自動(dòng)提取算法。該方法結(jié)合了色度-亮度查找表（Hue Intensity-Look Up Table，簡(jiǎn)稱HI-LUT）以及仿射傳播聚類方法（Affinity Propagation，簡(jiǎn)稱AP）[21]，利用較少的訓(xùn)練樣本即可獲得較好的作物分割效果。雖然當(dāng)葉片出現(xiàn)高光時(shí)該方法性能下降，但由于發(fā)生高光的葉片面積占整幅圖像面積比例很小，因此不會(huì)影響整體研究結(jié)果。

AP-HI法采用高斯模型來(lái)表征特定亮度I下綠色色度H的分布情況，即假設(shè)亮度為I時(shí)，色度H符合高斯分布，其概率密度函數(shù)如式（2）所示。

由于分割結(jié)果對(duì)測(cè)度中的閾值選擇較敏感，故利用仿射傳播聚類算法（Affinity Propagation，簡(jiǎn)稱AP）對(duì)其進(jìn)行改進(jìn)，以類別代替單個(gè)像素點(diǎn)進(jìn)行分割，從而降低了閾值選擇帶來(lái)的影響，同時(shí)一定程度上提升了分割的效果，提取結(jié)果更為穩(wěn)定。

（2）基于可見(jiàn)光顏色指數(shù)的分割算法

該方法被廣泛用于提取綠色植被。它首先利用不同通道的顏色信息生成顏色指數(shù)，再通過(guò)設(shè)置固定閾值或自適應(yīng)選擇閾值對(duì)圖像進(jìn)行二值分割。本文選用3種常用指數(shù)進(jìn)行作物提取，并通過(guò)自適應(yīng)閾值方法獲得分割結(jié)果。它們分別是超綠算子（ExG）[22]、超綠減超紅（ExGR）[23]和作物提取顏色算子（CIVE）[24]，其相應(yīng)的計(jì)算式分別為

式（5）-式（8）中，R、G、B分別表示每個(gè)像素的紅、綠、藍(lán)3個(gè)通道顏色值，而r、g、b表示該3個(gè)通道的歸一化值。對(duì)于待提取圖像，首先利用式（5）-式（7）針對(duì)每個(gè)像素進(jìn)行計(jì)算，將具有3個(gè)通道的彩色圖像轉(zhuǎn)換成僅具有一個(gè)通道的灰度圖像，然后采用OTSU[25]方法獲得分割閾值，得到最終的作物分割圖像。

（3）真值圖像

采用目視解譯法，即在Adobe Photoshop7.0軟件支持下，將作物多邊形盡可能準(zhǔn)確完全地手工勾畫(huà)出來(lái)，并對(duì)圖像中的作物、土壤及其它背景物做人工判讀和標(biāo)記，最后對(duì)圖像進(jìn)行二值分割，其中白色代表作物，黑色代表背景，白色面積占總面積的百分比即作為目視解譯法的植被覆蓋度。

1.3.3 植被覆蓋度計(jì)算方法

利用在線式作物圖像自動(dòng)傳輸裝置獲取夏玉米冠層圖像，并對(duì)存在幾何畸變的原始前下視作物圖像進(jìn)行幾何校正，將其轉(zhuǎn)換為正下視圖像，計(jì)算正下視圖像中作物像素?cái)?shù)與正下視圖像總像素?cái)?shù)之比，即為植被覆蓋度。

式中，Cc為植被覆蓋度，CC為正下視區(qū)圖像中的作物像素總和，A為正下視區(qū)圖像的像素總和，為3648×1368像素。

1.3.4 葉面積指數(shù)計(jì)算方法

葉面積指數(shù)與植被覆蓋度的關(guān)系可以表示為[26]

式（10）可轉(zhuǎn)換為

2 結(jié)果與分析

2.1 四種方法提取玉米覆蓋度計(jì)算精度的比較

2.1.1 玉米生育期覆蓋度變化

從2011年夏玉米10個(gè)生育期80幅圖像中，剔除由于設(shè)備故障造成圖像像素缺失，或降水、大霧等天氣原因造成圖像模糊的問(wèn)題圖像，然后利用4種提取方法分別對(duì)余下的有效作物圖像進(jìn)行處理，經(jīng)二值分割得到各幅圖像的植被覆蓋度計(jì)算結(jié)果，最后計(jì)算各發(fā)育期當(dāng)日有效作物圖像植被覆蓋度的平均值，即為2011年夏玉米各生育期植被覆蓋度計(jì)算結(jié)果（圖4）。

由圖4可見(jiàn)，各方法計(jì)算的夏玉米全生育期內(nèi)3個(gè)試驗(yàn)點(diǎn)的覆蓋度動(dòng)態(tài)變化均相似，均呈非對(duì)稱、開(kāi)口向下的拋物線型變化。在夏玉米幼苗生長(zhǎng)期（出苗-七葉）覆蓋度較小，七葉-拔節(jié)期開(kāi)始迅速增長(zhǎng)，尤以泰安站覆蓋度變化最明顯，AP-HI、EXG、EXGR和CIVE計(jì)算的覆蓋度變化范圍分別為0.114~0.775、0.129~0.797、0.123~0.792和0.024~0.698。進(jìn)入抽雄期時(shí)，夏玉米的生長(zhǎng)達(dá)到最佳狀態(tài)，以AP-HI法為例，3個(gè)試驗(yàn)點(diǎn)的覆蓋度平均值為0.813，其中鄭州站為0.712，固城站為0.758，泰安為0.970。在開(kāi)花和吐絲期覆蓋度變化幅度不大，但略有波動(dòng)。隨著夏玉米生長(zhǎng)期的推進(jìn)，進(jìn)入乳熟期后，夏玉米覆蓋度開(kāi)始下降，直至成熟期降至較低水平。從圖中還可看出，利用AP-HI、EXG和EXGR法提取的各生育期玉米覆蓋度在3個(gè)站點(diǎn)基本接近，而由CIVE法提取的各生育期玉米覆蓋度普遍偏低。

2.1.2 玉米生育期覆蓋度提取精度

從各站出苗-成熟9個(gè)生育期分別選取陰天、晴天以及復(fù)雜背景（包括麥茬、陰影、標(biāo)桿等）3種天氣條件的大田作物圖像各13張，對(duì)4種提取方法進(jìn)行測(cè)試。圖像均由在線式作物圖像自動(dòng)傳輸裝置通過(guò)以上步驟提取獲得作物覆蓋度。部分典型樣本圖像如圖5所示。

將4種提取方法計(jì)算的植被覆蓋度與覆蓋度真值進(jìn)行比較，使用相對(duì)誤差和均方根誤差定量評(píng)價(jià)提取精度，結(jié)果見(jiàn)表1。由表可知，AP-HI法在弱、強(qiáng)光照以及復(fù)雜背景條件下均有較穩(wěn)定的分割效果，相對(duì)誤差分別為0.20、0.07和0.15，均方根誤差分別為0.18、0.06和0.16。同時(shí)，CIVE法也可以有效分割陰天拍攝的作物圖像，分割精度略高于AP-HI法，相對(duì)誤差和均方根誤差分別為0.14和0.08，但其對(duì)復(fù)雜環(huán)境的適應(yīng)性比AP-HI法低，相對(duì)誤差和均方根誤差分別為0.20和0.21。ExG和ExGR分割方法在光照較強(qiáng)和較弱時(shí)則效果均不理想，總體性能不如AP-HI和CIVE分割算法。

表1 典型日覆蓋度誤差統(tǒng)計(jì)（與真值圖像比較）

Table 1 Error statistics of crop coverage estimated by different extraction methods on the typical day compared with true image

表1 典型日覆蓋度誤差統(tǒng)計(jì)（與真值圖像比較）

陰天Cloudy晴天Sunny復(fù)雜背景Complex background總體Overall condition 相對(duì)誤差 MRE均方根誤差 RMSE相對(duì)誤差 MRE均方根誤差 RMSE相對(duì)誤差 MRE均方根誤差RMSE相對(duì)誤差MRE均方根誤差RMSE AP-HIExGExGRCIVE0.200.330.310.140.180.140.130.080.070.140.110.090.060.100.070.090.150.29.0.260.200.160.230.220.210.120.220.190.140.120.180.170.15

2.2 四種方法反演葉面積指數(shù)及精度比較

2.2.1 葉面積指數(shù)反演模型

將2011年鄭州、泰安和固城站夏玉米各關(guān)鍵發(fā)育期用上述4種方法計(jì)算的作物冠層孔隙率，與同時(shí)期實(shí)測(cè)的葉面積指數(shù)作回歸分析，分別建立葉面積指數(shù)反演模型，結(jié)果如圖6所示。由圖可見(jiàn)，在夏玉米全生育期內(nèi)，植被冠層孔隙率與葉面積指數(shù)具有較好的對(duì)數(shù)函數(shù)關(guān)系，表明利用冠層孔隙率及建立的對(duì)數(shù)函數(shù)y=-alnx，可以反演群體葉面積指數(shù)。表2列出了基于ExG、ExGR、CIVE和AP-HI各方法計(jì)算的葉面積指數(shù)反演模型，由表可以看出，ExG、ExGR和AP-HI法均能較好地反映夏玉米生育期葉面積指數(shù)與冠層孔隙率之間的變化關(guān)系，構(gòu)建的夏玉米葉面積反演模型精度較高，相關(guān)系數(shù)平均在0.94以上，而CIVE與葉面積指數(shù)之間的相關(guān)系數(shù)在0.83~0.89，相關(guān)性稍低。受作物品種和葉面積指數(shù)人工觀測(cè)精度差異的影響，用4種方法建立的葉面積指數(shù)反演模型精度在3個(gè)站點(diǎn)略有不同，固城站最高，其次是鄭州站，泰安站最低。

表2 圖6中對(duì)應(yīng)的葉面積指數(shù)與冠層孔隙率關(guān)系模型

2.2.2 玉米生育期葉面積指數(shù)變化

利用4種圖像提取方法得到的2011年3站夏玉米各發(fā)育期的冠層孔隙率，根據(jù)表2中葉面積指數(shù)與冠層孔隙率的擬合方程，得到2011年各發(fā)育期的葉面積指數(shù)，結(jié)果見(jiàn)圖7。從圖可以看出，夏玉米各發(fā)育期葉面積指數(shù)與覆蓋度變化基本相似，整體也呈非對(duì)稱、開(kāi)口向下的拋物線型特征，從三葉-拔節(jié)期緩慢增長(zhǎng)，拔節(jié)-抽雄期增長(zhǎng)迅速并達(dá)到峰值，之后處于穩(wěn)定期，開(kāi)花-乳熟期緩慢下降。對(duì)比4種方法不難發(fā)現(xiàn)，AP-HI和EXGR法計(jì)算的3個(gè)站點(diǎn)各發(fā)育期的葉面積指數(shù)變化趨勢(shì)基本相近，CIVE法與其略有不同，而EXG法除固城站外，在鄭州站和泰安站計(jì)算的各發(fā)育期的葉面積指數(shù)與其它3種方法計(jì)算結(jié)果差異較明顯。

2.2.3 葉面積指數(shù)反演精度

利用3個(gè)試驗(yàn)站2012年地面實(shí)測(cè)夏玉米各發(fā)育期LAI數(shù)據(jù)，對(duì)不同算法建立的模型進(jìn)行驗(yàn)證，選取相關(guān)系數(shù)（R）和均方根誤差（RMSE）作為模型的評(píng)價(jià)指標(biāo)，將其中相關(guān)系數(shù)高、均方根誤差較小的模型作為最佳葉面積指數(shù)反演模型。表3和圖8為各站點(diǎn)4種方法反演的葉面積指數(shù)與實(shí)測(cè)值的對(duì)比分析。由圖8可見(jiàn)，利用4種方法計(jì)算的夏玉米葉面積指數(shù)與實(shí)測(cè)值總體趨勢(shì)基本一致，對(duì)數(shù)據(jù)質(zhì)量檢驗(yàn)具有參考價(jià)值?；貧w分析表明（表3），在夏玉米各發(fā)育期選用的4種方法中，AP-HI法反演各地葉面積指數(shù)與實(shí)測(cè)值相關(guān)性顯著，相關(guān)系數(shù)在0.89~0.96，均方根誤差在0.47~0.75，反演結(jié)果較好。CIVE法反演各站夏玉米各發(fā)育期葉面積指數(shù)與實(shí)測(cè)值相關(guān)性最低，相關(guān)系數(shù)在0.57~0.86（圖8c），均方根誤差在0.8以上。ExGR法獲得的葉面積指數(shù)模型反演值與實(shí)測(cè)值之間的相關(guān)系數(shù)在0.83~0.95，均方根誤差在0.70~0.87，反演結(jié)果僅次于AP-HI法。ExG法作為目前被廣泛使用的算法，其獲得的葉面積指數(shù)反演值與實(shí)測(cè)值之間的相關(guān)系數(shù)為0.70~0.96，均方根誤差在0.46~1.03，反演結(jié)果不如AP-HI法和ExGR法?？梢?jiàn)，根據(jù)上述分析結(jié)果，AP-HI法或EXGR法更適于反演夏玉米整個(gè)生育期的葉面積指數(shù)，利用該方法建立的反演模型可以獲得精度較高的葉面積指數(shù)。

表3 圖8中對(duì)比的統(tǒng)計(jì)結(jié)果

3 結(jié)論與討論

將作物從復(fù)雜動(dòng)態(tài)變化的場(chǎng)景中準(zhǔn)確提取出來(lái)，是作物分割方法以及計(jì)算覆蓋度或反演葉面積指數(shù)的關(guān)鍵，以往研究主要集中于作物分割算法估測(cè)簡(jiǎn)單背景下靜態(tài)單株作物覆蓋度[27]，忽略了作物分割算法在光照強(qiáng)度變化以及植物陰影、植物殘?jiān)日鎸?shí)農(nóng)田復(fù)雜背景環(huán)境下的適應(yīng)能力和精度。本文采用4種傳統(tǒng)常用的作物分割方法（ExG、ExGR、CIVE和AP-HI）提取夏玉米覆蓋度信息，通過(guò)對(duì)比試驗(yàn)定量評(píng)價(jià)每種圖像分割方法對(duì)農(nóng)田復(fù)雜背景的適應(yīng)能力和精度，在此基礎(chǔ)上，通過(guò)冠層孔隙率方法研究建立了覆蓋度與葉面積指數(shù)模型，并用實(shí)測(cè)數(shù)據(jù)進(jìn)行驗(yàn)證。

由于農(nóng)田環(huán)境的復(fù)雜性，獲取標(biāo)準(zhǔn)、規(guī)范的作物圖像是檢驗(yàn)各作物分割方法是否精確的基礎(chǔ)。本文根據(jù)田間夏玉米群體的圖像特點(diǎn)，自行設(shè)計(jì)并成功構(gòu)建了以CCD相機(jī)和圖像采集裝置為核心的在線式作物圖像自動(dòng)傳輸裝置，實(shí)時(shí)獲取戶外不同光照變化和復(fù)雜背景環(huán)境條件下夏玉米群體動(dòng)態(tài)標(biāo)準(zhǔn)圖像，并對(duì)原始圖像進(jìn)行幾何校正以克服圖像畸變?cè)斐傻恼`差，確保了各作物分割方法提取的作物特征具有可比性和穩(wěn)定性。

光照強(qiáng)度變化以及植物陰影、植物殘?jiān)葟?fù)雜背景對(duì)作物分割算法的精確性影響較大，這一結(jié)論與Ewing等[28]的研究結(jié)果一致。以夏玉米田間圖像為對(duì)象，分析比較4種作物分割方法的原理和分割效果，篩選出適合夏玉米生育期內(nèi)的自動(dòng)分割方法。從4種作物分割方法提取覆蓋度結(jié)果精度評(píng)價(jià)和比較來(lái)看，AP-HI法在光照適應(yīng)性和對(duì)抗復(fù)雜環(huán)境兩個(gè)方面都優(yōu)于其它方法，相對(duì)誤差在0.2以下，高于目前目估法測(cè)量的精度[6]。CIVE法主要用于綠色作物和土壤的分割，其對(duì)復(fù)雜環(huán)境的適應(yīng)性較差。ExG和ExGR法作為被廣泛使用的方法，其在光照較強(qiáng)和較弱時(shí)的分割效果均不理想，總體性能不如AP-HI和CIVE法。

采用冠層孔隙率方法估算夏玉米葉面積指數(shù)是本文的特色之一。利用圖像處理技術(shù)獲取作物覆蓋度，建立覆蓋度與人工實(shí)測(cè)的葉面積指數(shù)的回歸關(guān)系模型是估測(cè)葉面積指數(shù)研究中常用的方法[9]，具有簡(jiǎn)單、方便等優(yōu)點(diǎn)，但易受地域、植被類型等因素影響。本文與之相比，經(jīng)過(guò)理論推導(dǎo)和試驗(yàn)數(shù)據(jù)分析，引入冠層孔隙率建立了冠層覆蓋度和葉面積指數(shù)的對(duì)數(shù)模型，使其具有更為明確的生物學(xué)意義，經(jīng)檢驗(yàn)?zāi)Ｐ头囱莸娜~面積指數(shù)值與實(shí)測(cè)值的相關(guān)性較高，說(shuō)明基于農(nóng)田夏玉米圖像提取地面覆蓋度并估算夏玉米葉面積指數(shù)的方法是可行的。

借助夏玉米各生育期葉面積指數(shù)實(shí)測(cè)數(shù)據(jù)，比較AP-HI、CIVE、EXG和EXGR各分割算法反演的葉面積指數(shù)的精度，結(jié)果表明，AP-HI-LAI反演模型的相關(guān)系數(shù)最高（0.89~0.96），CIVE-LAI的相關(guān)系數(shù)最低（0.57~0.86），ExGR-LAI各站反演模型相關(guān)系數(shù)在0.83~0.95，僅次于AP-HI-LAI反演模型，ExG-LAI反演模型除在鄭州站的相關(guān)系數(shù)偏低為0.70外，其在泰安站和固城站相關(guān)系數(shù)較高，均在0.92以上，即各反演模型預(yù)測(cè)精度大小整體表現(xiàn)為AP-HI＞EXGR＞EXG＞CIVE。綜合考慮模型的精度和穩(wěn)定性認(rèn)為，基于AP-HI方法反演葉面積指數(shù)的方法具有一定的應(yīng)用優(yōu)勢(shì)。

參考文獻(xiàn)References

[1]瞿瑛,劉素紅,謝云,等.植被覆蓋度計(jì)算機(jī)模擬模型與參數(shù)敏感性分析[J].作物學(xué)報(bào),2008,34(11):1964-1969.

Qu Y,Liu S H,Xie Y,et al.Computer simulation model of fractional vegetation cover and its parameters sensitivity[J].Acta Agronomica Sinic,2008,34(11):1964-1969.(in Chinese)

[2]張學(xué)藝,郭建茂,韓穎娟,等.基于植被指數(shù)的寧夏灌區(qū)春小麥葉面積指數(shù)模型[J].中國(guó)農(nóng)業(yè)氣象,2011,32(2):279-282.

Zhang X Y,Guo J M,Han Y J,et al.LAI model of spring wheat in Ningxia irrigated area based on MODIS-VI[J].Chinese Journal of Agrometeorology,2011,32(2):279-282.(in Chinese)

[3]Weiss M,Troufleau D,Baret F,et al.Coupling canopy functioning and radiative transfer models for remote sensing data assimilation[J].Agricultural and Forest Meteorology, 2001,108(2):113-128.

[4]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): 163-168.

Qin W,Zhu Q K,Zhang X X,et al.Review of vegetation covering and its measuring and calculating method[J].Jour. of Northwest Sci-Tech Univ. of Agri. and For.(Nat. Sci. Ed.),2006,34(9):163-168.(in Chinese)

[5]Zhou Q,Robson M.Automated range land vegetation cover and density estimation using ground digital images and a spectral-contextual classifier[J].Remote Sensing,2001,22(17): 3457-3470.

[6]章文波,符素華,劉寶元,等.目估法測(cè)量植被覆蓋度的精度分析[J].北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2001,37(3):402-407.

Zhang W B,Fu S H,Liu B Y,et al.Error assessment of visual estimation plant coverage[J].Journal of Beijing Normal University(Natural Science),2001,37(3):402-407.(in Chinese)

[7]王桂琴,鄭麗敏,朱虹,等.圖像處理技術(shù)在冬小麥葉面積指數(shù)測(cè)定中的應(yīng)用[J].麥類作物學(xué)報(bào),2004, 24(4):108-112.

Wang G Q,Zheng L M,Zhu H,et al.Application of image processing technology in wheat canopy leaf area index measuring[J].Journal of Triticeae Crops,2004,24(4):108-112. (in Chinese)

[8]李榮春,陶洪斌,張竹琴,等.基于圖像處理技術(shù)的夏玉米長(zhǎng)勢(shì)監(jiān)測(cè)研究[J].玉米科學(xué),2010,18(2):128-132.

Li R C,Tao H B,Zhang Z Q,et al.Study on summer maize group growth monitoring based on image processing technique[J].Journal of Maize Sciences,2010,18(2):128-132. (in Chinese)

[9]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.

Li C J,Wang J H,Liu L Y,et al.Automated digital image analyses for estimating percent ground cover of winter wheat based on object features[J].Journal of Zhejiang University (Agriculture & Life Sciences),2004,30(6):650-656.(in Chinese)

[10]陸明,申雙和,王春艷,等.基于圖像識(shí)別技術(shù)的夏玉米生育期識(shí)別方法初探[J].中國(guó)農(nóng)業(yè)氣象,2011,32(3):423-429.

Lu M,Shen S H,Wang C Y,et al.Initial exploration of maize phonological stage based on image recognition[J].Chinese Journal of Agrometeorology,2011,32(3):423-429.(in Chinese)

[11]任杰,柏延臣,王錦地,等.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):719-723.

Ren J,Bai Y C,Wang J D,et al.An efficient method for extracting vegetation coverage from digital photographs[J]. Remote Sensing Technology and Application,2010,25(5): 719-723.(in Chinese)

[12]陸秀明,黃慶,孫雪晨,等.圖像處理技術(shù)估測(cè)水稻葉面積指數(shù)的研究[J].中國(guó)農(nóng)學(xué)通報(bào),2011,27(3):65-68

Lu X M,Huang Q,Sun X C,et al.Application of image processing technology in rice canopy leaf area index[J].Chinese Agricultural Science Bulletin,2011,27(3): 65-68.(in Chinese)

[13]張雪芬,薛紅喜,孫涵,等.自動(dòng)農(nóng)業(yè)氣象觀測(cè)系統(tǒng)功能與設(shè)計(jì)[J].應(yīng)用氣象學(xué)報(bào),2012,23(1):105-112.

Zhang X F,Xue H X,Sun H,et al.Function and designing of automatic observing system for agro-meteorology[J].Journal of Applied Meteorological Science,2012,23(1):105-112.(in Chinese)

[14]Sakamoto T,Shibayama M,Kimura A,et al.Assessment of digital camera-derived vegetation indices in quantitative monitoring of seasonal rice growth[J].ISPRS Journal of Photogrammetry and Remote Sensing,2011,66(6):872-882.

[15]Shibayama M,Sakamoto T,Takada E,et al.Regression-based models to predict rice leaf area index using biennial fixed point continuous observations of near infrared digital Images[J].Plant Production Science,2011,14(4):365-376.

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

Zhao J Q,Xie D H,Meng X.Accuracy analysis of vegetation cover measurement using digital photography for regular planted woodland[J].Transactions of the CSAE,2013,29(19): 152-158.(in Chinese)

[17]孫濤,劉振波,葛云健,等.基于數(shù)碼相片Gamma校正的水稻葉面積指數(shù)估算[J].生態(tài)學(xué)報(bào),2014,37(13):3548-3557.

Sun T,Liu Z B,Ge Y J,et al.Estimation of paddy rice leaf area index based on photo gamma correction[J].Acta Ecologica Sinica,2014,37(13):3548-3557.(in Chinese)

[18]中國(guó)氣象局.農(nóng)業(yè)氣象觀測(cè)規(guī)范[M].北京:氣象出版社, 1993.

China Meteorological Administration.Specification for agricultural meteorological observation[M].Beijing :China Meteorological Press,1993.(in Chinese)

[19]Zhang Z.Flexible camera calibration by viewing a plane from unknown orientations[A]. Proceedings of the Seventh IEEE International Conference on Computer Vision[C]. USA,1999:666-673.

[20]Yu Z,Cao Z,Wu X,et al.Automatic image-based detection technology for two critical growth stages of maize: emergence and three-leaf stage[J].Agricultural and Forest Meteorology,2013,174-175:65-84.

[21]Frey B J,Dueck D.Clustering by passing messages between data points[J].Science,2007,315(5814): 972-976.

[22]Woebbecke D M,Meyer G E,von Bargen K,et al.Color indices for weed identification under various soil,residue and lighting conditions[J].Transaction of the American Society of Agricultural Engineering,1995,38(1):259-269.

[23]Neto J C.A combined statistical-soft computing approach for classification and mapping weed species in minimum-tillage systems[D].University of Nebraska,NE,2004.

[24]Kataoka T,Kaneko T,Okamoto H,et al.Crop growth estimation system using machine vision[A].The 2003 IEEE/ASME International Conference on Advanced Intelligent Mechatronics[C]. USA,2003

[25]Otsu N.A threshold selection method from gray-level histogram[J].IEEE Transactions on System Man and Cybernetics,1979,11(285-296): 23-27.

[26]Nilson T.A theoretical analysis of the frequency of gaps in plant sands[J].Agric Meteorol,1971,8:25-38.

[27]陳江魯,王克如,李少昆,等.基于寬范圍動(dòng)態(tài)植被指數(shù)的棉花冠層覆蓋度監(jiān)測(cè)[J].棉花學(xué)報(bào),2011,23(3):265-271.

Chen J L,Wang K R,Li S K,et al.Monitoring of the cotton vegetation fraction based on wide dynamic range vegetation index[J].Cotton Science,2011,23(3):265-271.(in Chinese)

[28]Ewing R P,Horton R.Quantitative color image analysis of agronomic images[J].Agron J,1999,91:148-153.

Accuracy Evaluation of Summer Maize Coverage and Leaf Area Index Inversion Based on Images Extraction Technology

LI Cui-na1, 2, 3, ZHANG Xue-fen3, YU Zheng-hong4, WANG Xiu-fang5

(1.State Key Laboratory of Numerical Modeling for Atmospheric Sciences and Geophysical Fluid Dynamics, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China; 2.University of Chinese Academy of Sciences, Beijing 100049; 3.Meteorological Observation Centre, CMA, Beijing 100081; 4.Guangdong Institute of Science and Technology, Zhuhai 519090; 5.Xinyang Meteorological Bureau of Henan Province, Xinyang 464000)

How to extract accurately the crops from the complex field scene is the key to calculate crop coverage and invert LAI for crop segmentation methods. In this paper, the dynamic images of summer maize growth season in 2011-2012, in Zhengzhou,Taian and Gucheng, which were under the different light intensity and complex outdoor background with shadows, plants residues, were obtained through on-line, real-time automatic transmission device. Meanwhile, to overcome the error caused by image distortion, geometric correction of the raw images was needed, crop coverage extraction ability and leaf area index inversion performance of four popular crop extraction algorithms (ExG, ExGR, CIVE and AP-HI) were compared and evaluated. By comparison, the effective extraction method for canopy coverage and leaf area index of summer maize under complex environment was selected. On this basis, models of canopy coverage and leaf area index with canopy porosity method were established and verified with measured data. The results showed that the light intensity changes and complex field environment, which contained plant shadows and residues, had a significant impact on the accuracy of crop segmentation algorithm. And inversion model of AP-HI was superior to the other methods in both light adaptability and complex environment, the relative error compared with true image was less than 0.2 and higher than the current visual estimation accuracy. Leaf area index was estimated by four extraction algorithms in summer maize growth season in 2011 and 2012. Based on comparison of Rand RMSR among models, high fitting models were selected. The optimal model for LAI was based on AP-HI extraction algorithm, which had the highest R (0.89-0.96) and the lowest RMSR (0.47-0.75). Considering the accuracy and stability of the model, inversion model of AP-HI based on the method of application had more advantages.

Crops; Image processing; Coverage; Leaf area index; Model

10.3969/j.issn.1000-6362.2016.04.013

2015-12-24

中國(guó)氣象局沈陽(yáng)大氣環(huán)境研究所開(kāi)放基金課題；中國(guó)氣象局氣象探測(cè)中心青年科技課題（TCQN201617）

李翠娜(1981-)，女，工程師，碩士，主要從事農(nóng)業(yè)氣象自動(dòng)化研究。E-mail：licn1030@126.com