基于數碼相機的草地植被蓋度測量方法對比研究

陳祖剛，巴圖娜存，徐芝英，胡云鋒＊

（1．中國科學院地理科學與資源研究所，北京100101；2．中國科學院大學，北京100049）

植被蓋度是指樣地中全部植物個體地上部分（包括葉、莖、枝等）的垂直投影面積占樣地總面積的百分比［1］。植被蓋度是表征生態系統植被群落生長狀況及生態環境質量的重要指標［2］。植被蓋度對于分析和評估植物生長態勢、土壤侵蝕強度及生態系統服務功能等有著重要作用，是評估土地退化、鹽漬化和沙漠化的有效指數［3］。

在草地植物群落野外調查中，傳統的草地植被蓋度測定方法有目測法、方格法、點測法、儀器測量法、遙感解譯法［1，4－5］等多種方法。目測法簡單快捷，但受個人主觀因素影響較大［1，6］，章文波等［4］的研究指出其最大絕對誤差可達40%。方格法有較高的精度，但是手工工作量大，效率較低［6］。點測法是用應用概率統計學原理而形成的蓋度估算技術，但實踐表明這種方法依然費時費力，精度也并不理想［1，7］。儀器法需使用購置專門設備儀器，如空間定量計（spatial quantum sensor）和移動光亮計（traversing quantum sell）等，經濟成本較高，且野外攜帶和操作均不方便［1，8］。衛星遙感反演算法僅能估算出大尺度區域上的草地蓋度［9］，需要尺度轉換后才能與小尺度樣地上的植被蓋度測量成果進行比對分析。

2000年后，數碼相機迅速普及，科研人員開始應用數碼相機和圖像處理技術開展草地蓋度測量［10－13］。已經就其中的若干關鍵處理技術，如相片中心投影畸變糾正、綠色像素識別、測量精度平差和校驗等進行了廣泛研究，例如，Luscier等［6］借助遙感影像處理軟件eCognition做了植被蓋度測量實驗；宋雪峰等［12］利用Photoshop吸管工具提取綠色植被像元測量了植被蓋度；張學霞等［14］針對中心投影引起的邊緣畸變進行了探討；賈建華等［15］分析了青藏高原地表數字照片的顏色特征，并采用超綠算法和K均值聚類算法開發了植被蓋度自動提取軟件。

基于數碼相機的蓋度測量方法操作簡單，自動化程度高，計算結果較為精確，但是不能滿足野外考察實時獲取測量結果與其他遙感參數產品作校驗對比分析的要求［16－17］，研究人員獲取的只是某一草地塊的某一時刻的樣方照片，并未考慮諸如光照強度和草地蓋度本身變化對測量結果的影響。2010年以來，隨著新一代移動智能設備（如iPhone／iPAD或各類Android Phone／PAD）的快速發展和普及，數碼相機、GPS及筆記本電腦等傳統設備得以綜合集成。最先進的PAD和智能手機拍攝到的相片不僅能夠記錄GPS經緯度、溫濕度、拍攝方向和水平傾仰角等重要環境背景信息，而且還可以在移動設備上實時處理、計算得到植被覆蓋度、產草量等關鍵參量，甚至可以進一步通過GPRS、3G、WIFI等通信網絡與互聯網、云存儲、云計算等服務連接起來，形成更廣闊的應用領域。因此，在野外考察中運用各類移動智能設備拍攝草地樣方照片的同時，同步計算草地植被蓋度，并與有關遙感反演參數產品對比校驗，這將成為地學移動測量、天地一體化研究的重要發展方向。

為此，本研究首先設計了模擬野外考察和草地蓋度測量真實狀況的35種應用場景，并使用智能平板設備在北京奧林匹克公園人工草地上完成了草地樣方拍攝工作；應用RGB閾值法、HSV判別法和RGB決策樹法等3種蓋度測量方法，對草地植被蓋度測量成果進行了對比研究，對影響測量精度的關鍵因素進行了分析。

1 材料與方法

1．1 實驗方案

為反映野外考察和植被蓋度測量時的真實情形，特別是考慮到測量結果可能隨蓋度變化而形成非線性響應，同時考慮到太陽光照角度、光照強度對數碼相片的影響，本研究設計了1個同時考慮植被蓋度變化和太陽光照變化的實驗方案。

植被蓋度變化包括5個水平，即低覆蓋（0～10%）、中低覆蓋（10%～20%）、中等覆蓋（20%～30%）、中高覆蓋（30%～50%）、高覆蓋（50%～80%）；太陽光照變化則囊括夏季野外工作的7個主要時段，從早上6：00（6 AM）到下午6：00（6PM）、每隔2h一次，具體為6AM、8AM、10AM、12AM、14PM、16PM 和18PM 共7次太陽光照環境。

2013年10月初，在北京市朝陽區奧林匹克森林公園（116．3873°E，40．0056°N）內的人工綠地內，使用華碩（ASUS）的Eee Pad TF101平板電腦，進行了上述實驗方案規定的5（蓋度水平）×7（時段）共35種場景的草地樣方拍攝，草地樣方大小為32cm×25cm。

為控制拍攝效果、實時處理相片和計算樣方植被蓋度，作者使用Java語言在Android平臺上開發了基于RGB閾值法、HSV判別法和RGB決策樹法等3種測量算法的應用軟件。軟件在相片獲取過程中，調用Android平板的GPS接收機、方向感應器和重力感應器等接口，以便得到GPS位置、方向以及水平俯仰角等信息。安裝上述軟件模塊后，平板電腦在野外拍攝的同時，可同步得到上述3種不同算法所得的植被蓋度測量值。

1．2 測量算法

1．2．1 RGB閾值法 為了將代表植物活體的綠色像素和代表土壤、枯死植物及陰影的其他像素區分開，可應用數碼相片中表征顏色的R、G、B三個通道值來提取綠色植被。具體模型如下：

式中，G、R、B分別代表數碼相片上綠、紅、藍組分的數值；x是臨界閾值，它隨相片亮度變化而不同，一般在30～45之間。滿足上述模型的像素即被識別為草地植被，并用于計算草地植被蓋度。張云霞等［18］使用該模型在內蒙古自治區錫林郭勒盟錫林浩特市、阿巴嘎旗、西烏珠穆沁旗開展了研究，并認為RGB閾值法與借助圖像處理軟件的目視解譯法精度相當。

1．2．2 HSV判別法 圖像學研究已經指出，RGB顏色空間中的R、G、B三個分量與亮度相關，亮度改變會導致3個分量同時改變。為避免亮度改變所導致的不確定性，可以采用HSV顏色空間模型（hue，saturation，value，即色調、飽和度、亮度）。因此，通過對H（色調值）規定一定的值域空間，可以同樣提取得到綠色植被斑塊。具體模型如下：

式中，H代表色調，S代表飽和度，V代表亮度；綠色調對應H值的范圍是60～180［19］。在計算機圖像學中，H、S、V的值可以由RGB值經過一定的數學模型轉換得到［20］。Richardson等［10］使用該模型在已知大小的苗床上，依次放置16個已知面積的圓形草坪草（turfgrass）簇，測得的蓋度值和真實值的相關系數為0．99。

1．2．3 RGB決策樹法 這是一種在RGB簡單閾值模型基礎上發展而來的新技術。該方法依然使用數碼相片中的RGB三通道模型，但對于R、G、B三個通道值之間的復雜組合進行了細致甄別。

理論上，該模型不僅能夠區分出綠葉、黃葉、帶顏色的花朵等植被活體類型，還能區分出枯枝落葉、土壤、礫石等非植被活體類型。章超斌等［1］應用該方法在新疆準噶爾盆地東南緣的阜康市荒漠草原區開展研究，認為所得植被蓋度最大偏差的絕對值不超過5%，精度在95%以上。

2 結果與分析

2．1 測量結果

為了對機器識別、模型算法測得的草地蓋度進行精度分析，首先需要獲取樣方植被區域，并進一步計算得到草地蓋度參考值［21］。為此，作者使用Photoshop提供的魔棒工具，通過傳統的目視解譯、植被斑塊勾勒方法獲取了全部相片的植被斑塊（含葉、枝、莖），并繼而計算得到蓋度參考值。與此同時，依托RGB閾值法、HSV判別法、RGB決策樹法等3個算法模型，由平板電腦及相應的草地蓋度測量軟件計算出相片蓋度值。由于同一蓋度下存在7個不同時段的相片，因此可以針對每一個蓋度進一步計算出測量蓋度均值及其方差（表1）。

表1 草地樣方及植被蓋度Table 1 Grass samples and vegetation coverage

2．2 精度分析

以目視解譯法獲取的蓋度參考值為橫坐標，以RGB閾值法、HSV判別法、RGB決策樹法等3種方法所得值為縱坐標，作散點圖并作線性回歸。具體結果如圖1所示。

從回歸斜率看，3條回歸線的斜率均小于1，即3種方法均存在低估現象。其中，RGB閾值法和HSV判別法的回歸線斜率較高，分別為0．668和0．680，即有著相對更高的估算精度；RGB判別樹法回歸斜率僅為0．232，估算精度最差。從散點分布狀況以及R2大小來看，RGB閾值法和HSV判別法中，各散點較密集分布在回歸線兩側，決定系數R2大于0．9，這表明測量值與參考值之間的一致性較好；但在RGB決策樹法中，各個散點距離回歸線較遠，決定系數R2較小，僅為0．62左右，這表明測量值與參考值之間差異較大。從回歸截距上看，RGB閾值法和HSV判別法的截距接近于0，而RGB決策樹法的截距為0．53948，這表明RGB決策樹法在植被低覆蓋度區域存在嚴重的高估現象。

總體而言，RGB閾值法和HSV判別法估算蓋度的精度較高，而RGB決策樹法估算蓋度的精度較低。

2．3 不同蓋度對測量精度的影響

為分析不同模型算法對于草地植被蓋度變化的敏感性，本研究以植被蓋度參考值為橫軸，以測量誤差（蓋度測量值與參考值的差）為縱軸，對同一蓋度水平、不同時刻相片獲得的測量值進行統計（測量誤差的均值和方差），并在Origin中作圖（圖2）。

圖1 植被蓋度測量值與參考值的相關關系Fig．1 Relationships of coverage measurement values and reference values

圖2 不同蓋度下照相測量值的變化Fig．2 Change of photograph measurement values of different coverage

由圖2可見，RGB閾值法和HSV判別法，隨著參考植被蓋度的增加，誤差絕對值呈增大趨勢，但在30%參考植被蓋度時誤差減少，結合50%和80%參考蓋度草地樣方中非綠色莖較多，30%蓋度草地樣方植物莖較少的事實，判定測量絕對誤差主要受樣方中非綠色植被成分多少的影響，而隨蓋度增加無明顯的變化規律；其方差也無明顯的變化規律。對于RGB決策樹方法，隨著參考植被蓋度的增加，其測量誤差逐步減小，從42．71%減少到－5．29%；其方差無明顯的變化規律。

綜上所述，RGB閾值法和HSV判別法的測量精度隨參考植被蓋度的增加無明顯的變化規律；RGB決策樹法的測量誤差隨參考植被蓋度的增加而減小，即測量精度隨參考植被蓋度的增加而提高。

2．4 不同光照對測量值的影響

為分析不同蓋度測量模型對于不同光照角度、光照強度變化的敏感性，本研究以照相時間（代表了不同的光照角度和光照強度）為橫軸，以蓋度測量值為縱軸，將5個蓋度水平的測量值序列分別作圖（圖3）。

圖3中，從早上到中午、再到晚上，隨著光照強度的先增加、后減少，光照角度的先增加、后減小，RGB閾值法所得測量值在時間序列上大致呈現一個碗口向上的U形分布，即早上和傍晚其測量值更高，而中午其測量值更低；這一規律對于具較低植被蓋度樣地（低蓋度樣地、中低蓋度樣地）更為明顯。與RGB閾值法結果類似，HSV判別法所得測量值在時間序列上也同樣呈現為一個碗口向上的U形分布，且這一規律對于具較低植被蓋度樣地（低蓋度樣地、中低蓋度樣地）更為明顯。與前兩者均不同，RGB決策樹方法所得測量結果在時間序列上的變化規律不明顯，甚至在對低蓋度草地樣地測量過程中，還出現了1次奇異值。

圖3 不同時段下照相測量值的變化Fig．3 Change of photograph measurement values in different time

綜上，隨著光照強度、光照高度的增加，RGB閾值法和HSV判別法所得測量結果會隨之減小；反之，即隨著光照強度、光照高度的降低，RGB閾值法和HSV判別法所得測量結果會隨之增高。但是光照環境對于RGB決策樹方法的影響不顯著。

3 討論

3．1 精度規律產生原因分析

為探究其成像規律以及誤差形成過程，將基于3種方法處理后的圖像進一步處理分析，即保留識別的植被像素，去除非植被像素（設為白色背景值），觀察其識別區域，進行比較分析。

由圖4可見，RGB閾值法、HSV判別法和RGB決策法均能有效識別圖像中的綠色植被像元；其中，RGB閾值法和HSV判別法能夠較好剔除土壤背景，而決策樹法卻無法很好剔除土壤背景；因此，前2種方法的蓋度識別精度較后者高。RGB決策法具有識別紫色根莖功能［1］，圖中因背景土壤顏色與紫色根莖顏色較為相近，因此決策樹法無法剔除土壤。土壤背景顏色不同是本研究和以往研究的不同之處，也是本研究得出的精度數據和以往研究不同的重要原因。

3．2 蓋度和光照變化規律產生原因分析

RGB閾值法和HSV判別法能夠有效識別所有蓋度樣方中的綠色植被，并剔除非綠色背景，因此其測量精度受到蓋度變化影響較小。而RGB決策樹法將土壤誤判為綠色植被，因此其測量精度與樣方中土壤面積相關，受到蓋度變化影響較大。樣方植被蓋度越高，則樣方中土壤面積越小，因此誤判面積越小，精度越高。

基于相同蓋度樣方，隨光照強度增強，RGB閾值法和HSV判別法所測蓋度值逐漸減小。其原因是在弱光條件下，一些非植被像元因像素值在RGB顏色空間下R、G、B分量值均較小以及數碼攝像頭在像元像素值產生時的誤差，其R、G、B分量符合RGB閾值法G＞R，G＞B，G（30～45）的判別規則，被誤判為植被像元，故其測量蓋度值較大；而在強光條件下，這些非植被像素顏色值呈現其真實值，R、G、B分量值較大，因此不再被誤判，其測量蓋度值較小。可以把這種現象稱為植被像元的擾動判定。同理，在弱光條件下，一些暗色調非植被像元由于數碼攝像頭產生像元像素值時的誤差，其像素值在HSV顏色空間下H分量符合60°＜H＜180°的條件（這時候V分量很小），被誤判為植被像素，其測得的蓋度值較大；當光照強度增加后，這些像素值不再符合判定條件，誤判像元減少，測得的蓋度值減小。RGB決策樹法隨光照強度的變化其測得的蓋度值無明顯的變化規律，其主要原因可能是光照強度的變化對土壤以及其他顏色的背景的擾動判定和對綠色植被的擾動判定作用結果相互抵消，導致總體變化規律的不確定性。確切的原因有待于進一步的研究。

圖4 原圖及3種方法識別的綠色植被區域Fig．4 Origin photo and the green vegetation areas recognized by three measurement methods

4 結論與展望

本研究在總結梳理既有植被蓋度測量方法的基礎上，設計了35種模擬野外考察和植被蓋度測量的情景，并應用RGB閾值法、RGB決策樹法、HSV判別法3種蓋度測量方法，對基于數碼相機草地植被蓋度的測量流程、測量精度、草地蓋度變化、光照強度變化開展對比研究。主要結論有：

1）RGB閾值法和HSV判別法精度較高，RGB決策樹法對非高蓋度草地樣方的測量精度較低。

2）RGB閾值法和HSV判別法的測量精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精度隨著草地樣方蓋度的增加而提高。

3）RGB閾值法和HSV判別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。

總的來看，RGB閾值法和HSV判別法在計算機算法實現上簡單、易實現，總體精度較高，對光照環境的相應呈現規律性變化，因此在今后的深入研究中值得進一步優化。而RGB決策樹方法的計算機算法相對復雜，總體精度卻未見改善。

本研究還發現，不管是RGB閾值法、還是HSV判別法、抑或是RGB決策樹法，單純地從顏色判別（尤其是綠色像素）角度來計算植被蓋度，這顯然具有局限性。這樣的技術路徑很難將非綠色調的莖、枝、花等植被組成有效識別出來，同時也可能將一些背景要素誤判為植被，這是當前蓋度測量方法誤差的主要來源。在未來研究中，一方面可以進一步改進植被像素的識別方法，特別是要建立隨蓋度變化、光照環境變化的閾值自適應模型，這是繼續使用RGB顏色空間或者是HSV顏色空間開展精確的植被蓋度測量的一個重要途徑。另一方面也可以考慮從圖形統計學出發，通過圖像邊緣檢測、聚集分析、圖形自動匹配等手段，另辟蹊徑，通過識別植被不同組成的形狀，由此計算植被蓋度。

［1］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．

［2］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）：163－169．

［3］顧祝君，曾志遠．遙感植被蓋度研究［J］．水土保持研究，2005，12（2）：18－21．

［4］章文波，符素華，劉寶元．目估法測量植被覆蓋度的精度分析［J］．北京師范大學學報（自然科學版），2001，37（3）：402－408．

［5］Smitha M O，Ustin S L，Adamsa J B，etal．Vegetation in deserts：I．A regional measure of abundance from multispectral images［J］．Remote Sensing of Environment，1990，31（1）：1－26．

［6］Luscier J D，Thompson W L，Wilson J M，etal．Using digital photographs and object－based image analysis to estimate percent ground cover in vegetation plots［J］．Frontiers in Ecology and the Environment，2006，4（8）：408－413．

［7］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．

［8］Thalen D C P．Ecology and Utilization of Desert Shrub Rangelands in Iraq［M］．Hague：Kluwer Academic Publishers，1979．

［9］White M A，Asner G P，Nemani R R，etal．Measuring fractional cover and leaf area index in arid ecosystems：digital camera，radiation transmittance，and laser altimetry methods［J］．Remote Sensing of Environment，2000，74（1）：45－57．

［10］Richardson M D，Karcher D E，Purcell L C．Quantifying turfgrass cover using digital image analysis［J］．Crop Science，2001，41（6）：1184－1188．

［11］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．

［12］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．

［13］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．

［14］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，2008，80（1）：164－169．

［15］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）：880－884．

［16］陳夢蝶，黃曉東，侯秀敏，等．青海省草原鼠害區域草地生物量及蓋度動態監測研究［J］．草業學報，2013，22（4）：247－256．

［17］孫成明，劉濤，田婷，等．基于 MODIS的南方草地NPP遙感估算與應用［J］．草業學報，2013，22（5）：11－17．

［18］張云霞，李曉冰，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）：842－849．

［19］包全磊．基于 HSV 空間的彩色圖像分割［J］．軟件導刊，2010，9（7）：171－172．

［20］李長勇，曹其新，郭峰．基于主色直方圖特征匹配的蔬果分類方法［J］．上海交通大學學報，2009，43（12）：1888－1903．

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