基于手機相片的草地植被蓋度估算方法研究

丁 肖，邱新法，高佳琦，龔敬瑜

(1.南京信息工程大學(xué) 地理與遙感學(xué)院，江蘇 南京 210044； 2.南京信息工程大學(xué) 應(yīng)用氣象學(xué)院，江蘇 南京 210044； 3.南京信息工程大學(xué) 大氣科學(xué)學(xué)院，江蘇 南京 210044； 4.南京信息工程大學(xué) 大氣物理學(xué)院，江蘇 南京 210044)

基于手機相片的草地植被蓋度估算方法研究

丁 肖1，邱新法2，*，高佳琦3，龔敬瑜4

(1.南京信息工程大學(xué) 地理與遙感學(xué)院，江蘇 南京 210044； 2.南京信息工程大學(xué) 應(yīng)用氣象學(xué)院，江蘇 南京 210044； 3.南京信息工程大學(xué) 大氣科學(xué)學(xué)院，江蘇 南京 210044； 4.南京信息工程大學(xué) 大氣物理學(xué)院，江蘇 南京 210044)

選取6種基于RGB通道信息的植被指數(shù)(VEG、CIVE、EXG、EXGR、NGRDI、COM)，借助自主開發(fā)的手機APP對6種方法展開對比研究，從草綠度、天氣條件、蓋度3個角度分析估算誤差的變化規(guī)律，并從閾值隨光照變化角度評估每種方法的穩(wěn)定性。研究表明，6種方法估算精度均高于90%，其中，COM方法最高，達到95.41%，NGRDI方法估算精度最低，為92.87%。每種方法對深綠色草的估算誤差均小于對黃綠色草，在陰天條件下(云量≥70%)的估算誤差小于晴天條件下(云量≤10%)。蓋度增加時，VEG、CIVE、EXG、COM方法估算誤差增大，EXGR、NGRDI方法無明顯變化規(guī)律。同日內(nèi)不同時次，隨著太陽高度角、光照強度的變化，6種方法閾值無明顯變化(閾值波動≤0.02)。不同天氣條件下，VEG、CIVE方法的閾值基本無變化(閾值波動≤0.01)，其余方法變化明顯(閾值波動≥0.03)。綜上，6種方法均可滿足在手機平臺中應(yīng)用的要求，COM方法精度最高，NGRDI方法精度最低。VEG、CIVE方法閾值設(shè)定無須考慮光照變化影響，較其他方法具有更好的通用性。

植被蓋度；數(shù)字相片；草地；植被指數(shù)

植被蓋度是指包括喬、灌、草和農(nóng)作物在內(nèi)的所有植被的冠層、枝葉在生長區(qū)域地面的垂直投影面積占生長區(qū)域面積的百分比[1]，是植被群落結(jié)構(gòu)及植被生長狀況的直觀量化指標[2-3]。植被蓋度還是一個重要的生態(tài)學(xué)參數(shù)[4]，在土壤侵蝕、水土保持、荒漠化治理等研究中都需要精確定量化的蓋度信息[5]。在草場監(jiān)測和評價中，植被蓋度測量方法的好壞直接決定了測量結(jié)果的準確度和可信度。

目前，植被蓋度的估算方法分為遙感估算和地表實測兩種[5]。遙感估算主要應(yīng)用在大尺度植被蓋度監(jiān)測中，需尺度轉(zhuǎn)換后才能與小尺度地表實測蓋度值進行對比分析[6-7]。地表實測方法主要包括目估法、點測法、方格法、儀器測量法、數(shù)碼照相法等[3-4]。目估法簡單、易行，是目前草場植被蓋度研究中主要使用的方法，但受人為主觀性因素影響較大。章文波等[4]研究表明，個人目估最大絕對誤差可達40%。點測法和方格法測量精度較高，其測量結(jié)果常作為準確值，但費時費力、效率過低[8]。儀器測量法主要分為空間定量計法、移動光量計法，這類方法是利用傳感器測量光通過植被的狀況計算植被蓋度，經(jīng)濟成本較高，野外攜帶儀器和操作均不便[3，8-9]。

數(shù)碼照相法垂直于植被拍照，從相片中解譯植被類型，求取植被蓋度，具有經(jīng)濟、高效、準確度高等優(yōu)勢。池宏康等[10]使用Phtoshop圖像處理軟件手動提取數(shù)碼相片中的植被和非植被像元計算植被蓋度；Laliberte等[11]借助面向?qū)ο筇幚碥浖﨓cognition，構(gòu)建13種特征屬性，提取相片中綠色植被和干枯植被；張清平等[12]利用WinCAN顏色分析軟件提取植被蓋度；宋雪峰等[13]從相片中提取6項指標，建立邏輯判別模型，對相片中綠色植被做出判讀，計算精度達94.7%；章超斌等[14]構(gòu)造RGB顏色判別決策樹，計算荒漠植被蓋度，計算精度在95%以上；胡健波等[15]利用過綠特征植被指數(shù)和半自動閾值法，計算草地植被蓋度，準確度堪比最大似然法。

傳統(tǒng)的數(shù)碼照相法操作簡單、計算結(jié)果精度較高，但是不能滿足野外考察中實時解算拍攝相片植被蓋度的需求。在地面樣點相片計算的蓋度值與遙感數(shù)據(jù)反演植被蓋度值的對比校驗研究中，需要研究人員到不同地區(qū)拍攝大量樣方相片，同時攜帶GPS接收機用以記錄位置信息，此過程需投入大量的人力、物力。隨著智能手機的發(fā)展，基于手機平臺開發(fā)的APP，不僅能夠?qū)崟r解算植被蓋度，而且能夠記錄拍攝地點GPS經(jīng)緯度、拍照時間、水平俯仰角等輔助信息，這就使得在短時間內(nèi)獲取大量地面樣點成為可能。基于移動設(shè)備獲取的地面數(shù)據(jù)校正遙感數(shù)據(jù)反演值，有望成為植被蓋度研究的一個重要發(fā)展方向。

本研究以南京地區(qū)草地為研究對象，基于Android平臺開發(fā)了一種簡單、高效的植被蓋度估算App。借助該APP對6種基于RGB通道的植被指數(shù)展開對比研究，從草綠度、天氣條件、蓋度變化3個角度分析估算誤差的變化規(guī)律，并從閾值隨光照變化角度評估每種方法的穩(wěn)定性，以期找出通用性較強的方法，為相關(guān)研究提供借鑒與參考。

1 材料與方法

1.1 研究區(qū)概況

以南京地區(qū)自然野生草地作為研究對象。南京市位于長江下游沿岸，北連江淮平原，東接長江三角洲，地理范圍118°22′～119°14′E、31°14′～32°37′N。氣候?qū)儆诘湫偷谋眮啛釒Ъ撅L(fēng)氣候，四季變化明顯，冬夏溫差較大，極端最高氣溫40.7 ℃，極端最低氣溫-12 ℃，降水量豐富，年平均降水量1 077.71 mm。南京地區(qū)草地植被種類繁多，取樣地草地包含禾本科(Gramineae)、藜科(Chenopodiaceae)、莧科(Amaranthaceae)等常見科種雜草，草地顏色以綠色和黃綠色為主，葉片形狀有長條形、寬闊形等。

1.2 數(shù)據(jù)獲取

為客觀反映野外考察時的真實情形，考慮到不同天氣、不同光照、不同植被類型和覆蓋度變化可能對植被蓋度估算結(jié)果產(chǎn)生的影響。于2016年9月下旬在研究區(qū)隨機布設(shè)32個樣方，植被蓋度范圍由低到高，樣方范圍大小為0.5 m×0.5 m(邊界以紅繩為標記)，選擇晴天、陰天不同時段進行拍攝。

本研究獲取照片對手機性能要求較低，任何一種普通手機均可滿足要求。研究中所有的相片均來自Coolpad大神F2，后置攝像頭1 300萬像素，相片尺寸為4 864像素×2 736像素。圖1展示了自主開發(fā)的APP，除可進行蓋度估算外，也可記錄地理位置(自動獲取)、植被草層高度、成長高度、類型、生長狀況、生育期等(人工輸入)輔助信息，并可進行拍攝歷史記錄的查詢。

拍照時保持手機垂直向下，于1 m高度處以樣方為中心進行拍攝，這樣拍攝的相片可最大限度減少幾何變形誤差。以此方法共拍攝相片96張，拍攝完成后對每一張相片按照樣方范圍大小進行裁剪，以保證所有相片代表實際樣方大小。

圖1 植被蓋度估算APPFig.1 Vegetation coverage calculating APP

1.3 研究方法

1.3.1 植被指數(shù)

考慮到植被蓋度的估算結(jié)果反饋到移動端的時效性，本研究選擇基于RGB通道波段組合運算后的6種植被指數(shù)作為研究方法。6種植被指數(shù)(表1)分別為VEG[16]、CIVE[17]、EXG[18]、EXGR[19]、NGRDI[20]、COM[21]，其中COM方法屬于綜合植被指數(shù)，這些方法常被用于農(nóng)作物生長期植被蓋度變價研究，且具有效率高、精度可靠的優(yōu)勢。

這些植被指數(shù)通過對圖像中R、G、B三通道進行波段組合運算，將原始圖像轉(zhuǎn)化為植被指數(shù)的灰度圖，突出了圖像中的綠色特征。在6種植被指數(shù)的灰度圖中，除CIVE指數(shù)外，其余5種方法植被像元的灰度值要高于背景像元。

1.3.2 植被指數(shù)閾值確定

基于植被指數(shù)估算植被蓋度，其估算好壞取決于閾值的設(shè)置。傳統(tǒng)的方法是研究人員一邊分類一邊觀察分類結(jié)果與原圖的吻合程度，逐步調(diào)整閾值至最佳效果，但該方法主觀性較強，設(shè)置結(jié)果因人而異，當相片數(shù)量較多時，確定臨界閾值過程費時、費力，單張相片確定的閾值也可能不適用于其他相片。

表1 植被指數(shù)清單

Table 1 Vegetation index list

植被指數(shù)Vegetationindex英文全稱Englishfullname模型公式ModelformulaVEGVegetativeindexg/[rab(1-a)],a=0.667CIVEColorindexofvegetation0.441r-0.881g+0.385b+18.78745EXGExcessgreenindex2g-r-bEXGRExcessgreenminusexcessredEXG-1.4r-gNGRDINormalizeddifferencegreenindex(g-r)/(g+r)COMCombination0.25EXG+0.3EXGR+0.33CIVE+0.12VEG

模型公式中：r=R/(R+G+B)，g=G/(R+G+B)，b=B/(R+G+B)，其中，R、G、B分別為RGB彩色空間中的紅、綠、藍三通道，范圍0～255。

Ther，gandbin the model formula were calculated asr=R/(R+G+B)，g=G/(R+G+B);b=B/(R+G+B).R，GandBrepresented red， green， and blue channel in RGB color space， of which the range was 0-255.

為了實現(xiàn)手機端實時解算植被蓋度，同時盡可能保證估算精度，本研究按照拍照時天氣條件、植被覆蓋類型等，首先對相片進行分類。對同一類相片，確定閾值的過程如下：

(1)選取其中1張相片，使用Ecognition軟件，建立植被指數(shù)特征參數(shù)，通過調(diào)整參數(shù)的上下界范圍，確定閾值的模糊范圍；

(2)將模糊范圍進行10間距等分，計算每個等分點上所有相片的植被蓋度值；

(3)在每個等分點上，計算所有相片參考值與估算值的絕對誤差(式1)，絕對誤差均值(式2)最小時對應(yīng)的等分點即為最佳閾值，該閾值對于同一條件下的相片可直接使用。

(1)

(2)

1.3.3 去除陰影影響

由于相片中陰影區(qū)域地物難以區(qū)分，故在計算相片植被蓋度之前，對每一張相片做去除陰影處理。處理方法是將每一張相片基于RGB三通道轉(zhuǎn)化為亮度的灰度值圖像，再設(shè)置特定閾值x，圖像中灰度值

亮度=0.299r+0.587g+0.114b。

(3)

1.3.4 植被蓋度計算

確定好植被指數(shù)和閾值后，植被指數(shù)大于閾值的像元屬于植被，否則，屬于非植被(圖2)。圖像中植被像元的個數(shù)確定后，植被蓋度的計算就為圖像中植被像元數(shù)量占整個圖像像元數(shù)量的百分比。計算公式如下：

(4)

式(4)中：N′為植被像元數(shù)量；N為圖像像元總數(shù)量。

1.3.5 精度評價

為了評價每種植被指數(shù)估算的精度，本研究從96張相片中隨機選取64張相片作為樣本進行評價。對每一張相片，通過使用Photoshop魔棒工具，手動勾勒出植被輪廓，并將所得植被蓋度作為參考值。勾繪植被輪廓時，需由3個人獨立進行，取3個人提取的平均值作為每張相片的蓋度參考值，以減小人為誤差。

每張相片植被蓋度參考值確定后，以參考值作為橫軸，6種植被指數(shù)估算結(jié)果作為縱軸，作散點圖進行線性回歸。統(tǒng)計每一種植被指數(shù)估算結(jié)果絕對誤差的平均值、方差，精確度，對比分析不同方法的優(yōu)劣。

(5)

精確度=(1-|xi-x′|/xi)×100%。

(6)

2 結(jié)果與分析

2.1 精度評價

從回歸斜率上來看(圖3)，6種模型回歸斜率均小于1，表明每種方法均存在一定程度的低估現(xiàn)象。每種方法回歸系數(shù)均大于0.95，表明每種方法都具有較高的估算精度。從相關(guān)系數(shù)R2來看，每種方法均大于0.96，說明每種方法估算值與參考值均具有較強的相關(guān)性，NGRDI方法的R2值略低，其余5種方法的R2值均在0.98左右。

圖2 草地樣方相片及植被蓋度提取效果Fig.2 Grassland sample photo and result of vegetation coverage extraction

從誤差表來看(表2)，6種方法估算誤差均小于3，估算精度都在90%以上。其中：VEG、CIVE、COM方法的估算精度在95%以上，COM方法最高，達到95.41%；EXG、EXGR方法估算精度在94%左右；NGRDI方法估算精度最低，為92.87%。方差反映了誤差的波動性，從這方面看，COM方法誤差波動性最小，NGRDI方法最大，其余方法差別不明顯。

綜上，6種植被指數(shù)估算的精度都比較高，可滿足將這些方法移植到手機平臺的要求。COM方法估算精度最高，誤差最穩(wěn)定；NGRDI精度最低，誤差最不穩(wěn)定。究其原因，可能是NGRDI方法僅考慮RGB彩色模型中的R、G通道，而忽略了B通道信息。與此同時，6種方法都有一定的低估現(xiàn)象，這主要是由于使用Photoshop勾繪植被輪廓時，可以將相片中的非綠色植被以及部分陰影中的植被像元提取出來，而基于植被指數(shù)的方法只能識別相片中非陰影區(qū)域的綠色植被部分。

圖3 植被指數(shù)估算結(jié)果與參考值之間的線性關(guān)系Fig.3 Linear relationships between estimation results by vegetation index and reference value

表2 植被蓋度估算誤差

Table 2 Estimation error of vegetation coverage

植被指數(shù)VegetationindexMAE/%VarAcc/%VEG2.133.8695.25CIVE2.184.0795.27EXG2.283.8894.86EXGR2.354.8094.49COM2.063.7095.41NGRDI2.906.4892.87

MAE、Var、Acc分別為絕對誤差均值、方差、精確度。下同。

MAE， Var and Acc represented mean absolute error， variance and accuracy. The same as below.

2.2 草地綠度對估算精度的影響

從每種模型的原理出發(fā)可知，樣方中植被像元顏色越綠，就越容易被識別，對應(yīng)的植被指數(shù)值就越大。為探討每種方法對不同綠度等級植被的識別能力，選取深綠色草和黃綠色草各一組進行分析。

由表3可以看出，每種方法對深綠色草的估算誤差明顯小于黃綠色草，誤差在3%左右。對于深綠色草，COM方法估算誤差最小，波動性也最小，效果最好，NGRDI方法誤差最大，效果最差；對于黃綠色草，EXGR估算誤差最小，但其誤差波動較大，估算效果并不理想。相較而言，COM方法在誤差大小及波動性方面均處于較低水平，效果最好，NGRDI方法效果最差。分析深綠色草和黃綠色草估算結(jié)果差異較大的原因：當草的顏色為黃綠色時，植被像元的植被指數(shù)值較小，為了區(qū)分植被和非植被像元，必須調(diào)低臨界閾值，而當土壤背景的顏色也為黃色時，其指數(shù)值和植被像元相近，這時會有許多土壤被劃分為植被，同時也會有許多植被劃分為背景，導(dǎo)致誤差增大。

表3 不同綠度草估算誤差

Table 3 Estimation error of different green degrees

植被指數(shù)Vegetationin-dex深綠色DarkgreengrassMAE/%Var黃綠色YellowgreengrassMAE/%VarVEG1.162.014.241.20CIVE0.931.274.201.37EXG1.292.783.901.69EXGR1.130.523.1410.26COM0.650.213.213.75NGRDI1.601.153.9714.07

2.3 天氣條件對估算精度的影響

參考氣象行業(yè)標準，分別選擇在典型晴天(天空中云量≤10%)和陰天(天空中云量≥70%)條件下拍攝的2組相片，分析天氣條件變化對估算精度的影響。需要注意的是，在晴天條件下取樣時，太陽偶爾被云層遮蔽，應(yīng)等云層移出后太陽光直射葉片時再拍照；在陰天條件下取樣時，太陽在全日進程中幾乎一直被云層遮蔽，照射到葉片的光線為散射光。

由表4可以看出，6種植被指數(shù)的估算結(jié)果存在同一規(guī)律：對于同一種植被指數(shù)，陰天條件下估算誤差明顯小于晴天條件，其估算結(jié)果的穩(wěn)定性也遠大于晴天條件。在相同天氣條件下，對比不同方法，發(fā)現(xiàn)6種方法的估算精度與方差無顯著區(qū)別。從圖4可以看出，晴天條件下相片中的陰影比例普遍大于陰天條件；且不同相片陰影比例的波動程度也較大。分析導(dǎo)致晴天和陰天估算結(jié)果差異較大的原因：晴天條件下，由于葉片的相互遮擋，圖像中陰影面積較大，許多下層葉片被誤分為陰影，而這些區(qū)域在陰天條件下，由于光線為散射光而呈現(xiàn)為真實的顏色，從而能夠被區(qū)分出來。由此可以看出，晴天和陰天條件下，每種方法估算誤差主要是受陰影比例大小的影響。

表4 不同天氣條件估算誤差

Table 4 Estimation error of different weather conditions

植被指數(shù)Vegetationindex晴天SunnyDayMAE/%Var陰天CloudyDayMAE/%VarVEG4.0614.851.241.65CIVE3.9514.771.451.06EXG3.5010.321.121.93EXGR3.3310.551.431.86COM3.6315.021.031.47NGRDI3.6012.211.651.97

圖4 不同天氣條件下陰影比例對比Fig.4 Comparison of shadow proportion under different weather

2.4 蓋度變化對估算精度的影響

選取同一天內(nèi)拍攝的64張相片(植被蓋度由低到高)，以植被蓋度參考值為橫軸，絕對誤差為縱軸，探討每種方法估算精度隨蓋度變化規(guī)律。由圖5可以看出，隨著蓋度的增加，VEG、CIVE、EXG、COM方法的估算誤差呈明顯增大趨勢，EXGR、NGRDI方法變化規(guī)律不明顯。分析VEG、CIVE、EXG、COM估算誤差隨蓋度增加而增大的原因：蓋度增加時，對于植株較高的植被，葉片相互遮擋現(xiàn)象加重，導(dǎo)致樣方中陰影區(qū)的植被增多，同時，對于以長條狀草為主的樣方，非綠色莖植被成分增加顯著，在計算蓋度時這部分區(qū)域并沒有被識別出，最終導(dǎo)致誤差增大，這與陳祖剛等[3]的結(jié)論類似。EXGR、NGRDI方法估算誤差無明顯變化規(guī)律的原因，可能是蓋度變化時，這2種方法對背景像元的錯分仍占主導(dǎo)優(yōu)勢，從而抵消掉了蓋度變化時產(chǎn)生的誤差，具體原因仍需進一步探究。

2.5 植被指數(shù)閾值穩(wěn)定性分析

圖5 估算誤差隨蓋度變化規(guī)律Fig.5 Changes of estimation error with coverage difference

2.5.1 同日內(nèi)光照變化對閾值波動的影響

由于數(shù)據(jù)獲取時間為9月下旬，早晨草地葉片上露水較多。為減小露水對試驗結(jié)果的影響，選擇晴天條件下，從上午9時到下午15時每隔1 h拍攝的同組樣方相片，探究同日內(nèi)太陽高度角以及光照強度變化對閾值波動的影響。由表5可以看出，同日內(nèi)不同時刻，每種方法的閾值無顯著變化，均在0.02以內(nèi)波動。這表明，晴天條件下，每種方法閾值設(shè)定基本不受光照強度、太陽高度角變化的影響。同日內(nèi)，使用6種方法估算植被蓋度，設(shè)定閾值過程可以不考慮光照變化。

表5 同日內(nèi)不同時次閾值變化情況

Table 5 Change regulation of threshold with time difference in the same day

植被指數(shù)Vegeta-tionindex拍照時間Phototime9101112131415VEG1.091.101.091.081.101.081.08CIVE18.7318.7318.7418.7418.7318.7418.74EXG6.086.096.086.086.086.096.09EXGR9.049.039.039.039.039.039.03COM0.100.090.100.090.100.100.10NGRDI-0.03-0.03-0.03-0.03-0.04-0.03-0.03

2.5.2 天氣條件變化對閾值波動的影響

選擇分別在晴天和陰天條件下拍攝的10個樣方的2組照片，分析閾值的波動情況。從表6可以看出，每種植被指數(shù)的閾值隨天氣條件變化的敏感性存在一定差別。VEG、CIVE方法的閾值在晴天和陰天條件下變化不顯著，即敏感性最弱；EXG、COM方法閾值的波動范圍均為0.03，敏感性處于中間水平；EXGR、NGRDI方法閾值隨天氣條件變化顯著，分別為0.07、0.08，敏感性最強。由此可以看出，在設(shè)置閾值時，采用VEG、CIVE方法，可以不考慮天氣變化的影響；而采用EXGR、NGRDI方法則必須考慮。考慮野外實地采樣時天氣變化的情況，VEG、CIVE方法的通用性要好于其他4種方法。

表6 不同天氣條件閾值變化情況

Table 6 Changes of threshold under different weather

植被指數(shù)Vegetationindex閾值Threshold晴天Sunnyday陰天CloudydayVEG1.081.09CIVE18.7418.74EXG0.090.06EXGR-0.82-0.75COM6.086.11NGRDI-0.030.05

3 討論

本研究選取南京地區(qū)自然野生草地作為研究對象，對比分析了6種植被指數(shù)在估算草地植被蓋度時的差異，從草綠度、天氣條件、蓋度3個角度分析估算誤差的變化規(guī)律，并從光照變化角度探討每種植被指數(shù)閾值波動情況。結(jié)果發(fā)現(xiàn)：

(1)6種方法的估算精度都高于90%，表明對于綠色草地植被，每種方法都具有較好的估算效果。其中，COM方法的精度最高，NGRDI方法最低，其余方法差別不明顯。

(2)對于不同綠度草，每種方法對深綠色草的估算效果均明顯好于對黃綠色草。對比6種方法，COM方法估算效果最好，NGRDI方法效果最差，其余方法無明顯差別。每種方法在陰天天氣條件下的估算效果均明顯好于晴天條件下，但6種方法之間的估算誤差無明顯差異。隨著蓋度增加，VEG、CIVE、EXG、COM方法的估算誤差呈明顯增大趨勢，EXGR、NGRDI方法的估算誤差無明顯變化規(guī)律。

(3)同日內(nèi)不同時次，隨著太陽高度角、光照強度的變化，6種方法閾值無明顯變化。不同天氣條件下(晴天和陰天)，VEG、CIVE方法的閾值基本無變化，其余方法變化明顯。

總體而言，6種植被指數(shù)計算方法簡便高效，且具有較高的估算精度，均適合應(yīng)用于手機平臺。VEG、CIVE方法閾值設(shè)定隨光照變化敏感性較小，通用性更好。由于陰影區(qū)域?qū)浪阏`差影響明顯，因此，野外實地采樣時，選擇光線為散射光的陰天效果更好。

基于手機平臺估算植被蓋度，不僅精度高，方便，快捷，同時可借助手機中內(nèi)嵌的GPS芯片實現(xiàn)精準定位，這將成為未來獲取地面實測數(shù)據(jù)的一個重要渠道[3，23]。由于手機的普及使用，借助手機平臺，可在短時間內(nèi)獲取較多地面樣點數(shù)據(jù)，除植被蓋度外，還可記錄拍照地點的地理位置、植被高度、種類、生長狀況、人工估測值等數(shù)據(jù)，方便協(xié)助專業(yè)人員進行草原資源調(diào)查工作。結(jié)合地面樣點數(shù)據(jù)糾正大尺度遙感反演的植被蓋度值，可有效提高大區(qū)域草地植被蓋度的測量精度[6，8，24]，因此使用手機相片作為數(shù)據(jù)源估算植被蓋度具有重要的應(yīng)用價值。本研究所選用的植被指數(shù)只適合提取綠色及黃綠色植被，而野生自然草地種類繁多，顏色多樣，僅采用顏色特征還不足以滿足要求。同種植被具有相似的顏色及形態(tài)特征，因此探究顏色和形態(tài)特征相結(jié)合的方法，不僅可獲得較準確的植被蓋度估算結(jié)果，而且可嘗試進行單一物種蓋度的提取，在今后的研究中應(yīng)著力嘗試。

[1] 秦偉，朱清科，張學(xué)霞，等.植被覆蓋度及其測算方法研究進展[J].西北農(nóng)林科技大學(xué)學(xué)報(自然科學(xué)版)，2006，34(9):163-170. QIN W， ZHU Q K， ZHANG X X， et al. Review of vegetation covering and its measuring and calculating method[J].JournalofNorthwestA&FUniversity(NaturalScienceEdition)， 2006，34(9):163-170.(in Chinese with English abstract)

[2] 張學(xué)霞，朱清科，吳根梅，等.數(shù)碼照相法估算植被蓋度[J].北京林業(yè)大學(xué)學(xué)報， 2008， 30(1):164-169. ZHANG X X， ZHU Q K， WU G M， et al. Vegetation coverage assessment by digital photos[J].JournalofBeijingForestryUniversity， 2008， 30(1):164-169. (in Chinese with English abstract)

[3] 陳祖剛，巴圖娜存，徐芝英，等.基于數(shù)碼相機的草地植被蓋度測量方法對比研究[J].草業(yè)學(xué)報，2014，23(6):20-27. CHEN Z G， BATU N C， XU Z Y， et al. Measuring grassland vegetation cover using digital camera images[J].ActaPrataculturaeSinica， 2014，23(6):20-27. (in Chinese with English abstract)

[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(xué)學(xué)報(自然科學(xué)版)，2001，37(3):402-408. ZHANG W B， FU S H， LIU B Y. Error assessment of visual estimation plant coverage[J].JournalofBeijingNormalUniversity(NaturalScience)， 2001，37(3):402-408. (in Chinese with English abstract)

[5] 任世龍，宜樹華，陳建軍，等.基于不同數(shù)碼相機和圖像處理方法的高寒草地植被蓋度估算的比較[J].草業(yè)科學(xué)，2014， 31(6):1007-1013. REN S L，YI S H，CHEN J J， et al. Comparisons of alpine grassland fractional vegetation cover estimation using different digital cameras and different image analysis methods[J].PrataculturalScience， 2014， 31(6):1007-1013. (in Chinese with English abstract)

[6] 張云霞，張云飛，李曉兵.地面測量與ASTER影像綜合計算植被蓋度[J].生態(tài)學(xué)報，2007，27(3):964-976. ZHANG Y X， ZHANG Y F， LI X B. The synthetically estimating vegetation fractional coverage of grassland using field data and ASTER remote sensing imagine[J].ActaEcologicaSinica， 2007，27(3):964-976. (in Chinese with English abstract)

[7] 高志強，劉紀遠，莊大方.基于遙感和GIS的中國土地利用/土地覆蓋的現(xiàn)狀研究[J].遙感學(xué)報，1999，3(2):134-138. GAO Z Q，LIU J Y，ZHUANG D F.The research of Chinese land-use/land-cover present situations[J].JournalofRemoteSensing， 1999，3(2):134-138. (in Chinese with English abstract)

[8] 張云霞，李曉兵，陳云浩.草地植被蓋度的多尺度遙感與實地測量方法綜述[J].地球科學(xué)進展，2003，18(1):85-93. ZHANG Y X，LI X B，CHEN Y H. Overview of field and multi-scale remote sensing measurement approaches to grassland vegetation coverage[J].AdvanceinEarthSciences， 2003，18(1):85-93. (in Chinese with English abstract)

[9] 顧祝軍，曾志遠.遙感植被蓋度研究[J].水土保持研究，2005，12(2):18-21. GU Z J， ZENG Z Y. Overview of researches on vegetation coverage in remote sensing[J].ResearchofSoilandWaterConservation， 2005，12(2):18-21. (in Chinese with English abstract)[10] 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(yè)學(xué)報，2007，16(2):105-110. CHI H K，ZHOU G S，XU Z Z，et al. Measuring coverage of grassland vegetation using remote sensing over short distances[J].ActaPrataculturaeSinica， 2007，16(2):105-110. (in Chinese with English abstract)

[11] LALIBERTE A S， RANGO A， HERRICK J E， et al. An object-based image analysis approach for determining fractional cover of senescent and green vegetation with digital plot photography [J].JournalofAridEnvironments， 2007， 69(1):1-14.[12] 張清平，章山山，陳露，等.應(yīng)用WinCAM軟件判識分析草坪蓋度[J].草業(yè)科學(xué)，2010，27(7):13-17. ZHANG Q P，ZHANG S S， CHEN L，et al. Identification and analysis of turf coverage with WinCAM software[J].PrataculturalScience， 2010，27(7):13-17. (in Chinese with English abstract)

[13] 宋雪峰，董永平，單麗燕，等.用數(shù)碼相機測定草地蓋度的研究[J].內(nèi)蒙古草業(yè)，2004(4):1-6. SONG X F，DONG Y P，SHAN L Y，et al. A method for measuring grassland coverage using the digital camera[J].InnerMongoliaPrataculture， 2004(4):1-6. (in Chinese with English abstract)

[14] 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(yè)學(xué)報，2013，22(4):220-226. ZHANG C B，LI J L，ZHANG Y，et al. A quantitative analysis method for measuring grassland coverage based on the RGB model[J].ActaPrataculturaeSinica， 2013，22(4):220-226. (in Chinese with English abstract)

[15] 胡健波，張璐，黃偉，等.基于數(shù)碼相片的草地植被覆蓋度快速提取方法[J].草業(yè)科學(xué)，2011，28(9):1661-1665. HU J B， ZHANG L， HUANG W， et al. Quickly determining grassland cover using the digital image[J].PrataculturalScience， 2011，28(9):1661-1665. (in Chinese with English abstract)

[16] HAGUE T， TILLETT N D， WHEELER H. Automated crop and weed monitoring in widely spaced cereals[J].PrecisionAgriculture， 2006， 7(1):21-32.

[17] KATAOKA T， KANEKO T， OKAMOTO H， et al. Crop growth estimation system using machine vision[C]//IEEE/ASME International Conference on Advanced Intelligent Mechatronics， 2003.

[18] WOEBBECKE D M， MEYER G E， VON BARGEN K， et al. Color indices for weed identification under various soil， residue， and lighting conditions[C]// American Society of Agricultural Engineers Meeting， 1994.

[19] NETO J C. A combined statistical-soft computing approach for classification and mapping weed species in minimum-tillage systems[EB/OL]. (2004-09-01) [2016-12-27]. http://search.proquest.com/docview/305161252.

[20] GITELSON A A， KAUFMAN Y J， STARK R， et al. Novel algorithms for remote estimation of vegetation fraction[J].RemoteSensingofEnvironment， 2002， 80(1):76-87.

[21] GUIJARRO M， PAJARES G， RIOMOROS I， et al. Automatic segmentation of relevant textures in agricultural images[J]. Computers&ElectronicsinAgriculture， 2011， 75(1):75-83.

[22] BAUER T， STRAUSS P. A rule-based image analysis approach for calculating residues and vegetation cover under field conditions[J].Catena， 2014， 113:363-369.

[23] 胡云峰，陳祖剛，董群，等.安卓手機的草地信息協(xié)同采集系統(tǒng)設(shè)計與實現(xiàn)[EB/OL]. (2016-11-09)[2016-12-17]http://www.cnki.net/kcms/detail/11.4415.p.20161109.0936.048.html.

[24] 顧祝軍.植被覆蓋度的照相法測算及其與植被指數(shù)關(guān)系研究[D].南京：南京師范大學(xué)， 2005. GU Z J. Study on the measurement of photography method for vegetation coverage and its relationship with vegetation index[D].Nanjing: Nanjing Normal University， 2005.

(責任編輯 高 峻)

Research on estimation approach of grassland vegetation coverage based on cellphone photo

DING Xiao1， QIU Xinfa2，*， GAO Jiaqi3， GONG Jingyu4

(1.SchoolofGeographyandRemoteSensing，NanjingUniversityofInformationScience&Technology，Nanjing210044，China; 2.SchoolofAppliedMeteorology，NanjingUniversityofInformationScience&Technology，Nanjing210044，China; 3.CollegeofAtmosphericScience，NanjingUniversityofInformationScience&Technology，Nanjing210044，China; 4.SchoolofAtmosphericPhysics，NanjingUniversityofInformationScience&Technology，Nanjing210044，China)

In the present study， 6 kinds of vegetation indexes (VEG， CIVE， EXG， EXGR， NGRDI， COM) were selected to estimate vegetation coverage of grassland based on RGB channel information, and their effects were compared with self-developed APP. Meanwhile， the influence on estimation error was discussed from 3 aspects including the green degree， weather conditions and vegetation coverage. Besides， the stability of each method was estimated from the perspective of threshold variation with illumination. It was shown that the estimation accuracy of 6 methods was higher than 90%. COM method reached the maximum accuracy of 95.41%， while， NGRDI method exhibited the lowest accuracy of 92.87%. The estimation error of each method for dark green grass was smaller than that of yellow green grass， and the estimation error in cloudy condition (cloudiness≥70%) was smaller than that in sunny condition (cloudiness≤10%). With the increase of vegetation coverage， the estimation error of VEG， CIVE， EXG， COM increased， while， no regular changes on estimation error of EXGR， NGRDI method were found. All 6 methods showed no obvious changes (threshold fluctuation≤0.02) with the changes of solar zenith angle and light intensity in a day. Under different weather conditions， the thresholds of VEG， CIVE methods had no obvious change (threshold fluctuation≤0.01)， while， the thresholds of the remaining methods changed significantly (threshold fluctuation≥0.03). In short， all the 6 methods could satisfy the application in cellphone platform. As there was no need to consider the impact of illumination changes， VEG and CIVE possessed better versatility compared with the other methods.

vegetation coverage; digital photos; grassland; vegetation index

10.3969/j.issn.1004-1524.2017.06.23

2016-12-27

國家自然科學(xué)基金項目(41330529)；江蘇省第四期“333高層次人才培養(yǎng)工程” 科研項目(BRA2014373)

丁肖(1991—)，男，山東棗莊人，碩士研究生，主要從事草地植被蓋度估算方法研究。E-mail: dingxiao0618@163.com

*通信作者，邱新法，E-mail: xfqiu135@nuist.edu.cn

S812.5

A

1004-1524(2017)06-1017-09