韓巧玲，柏 浩，趙 玥，趙燕東，徐向波，李繼紅

采用染色示蹤技術(shù)的土壤優(yōu)先流自動(dòng)分割與量化系統(tǒng)

韓巧玲1,2,3,4，柏 浩1,2,4，趙 玥1,2,3,4※，趙燕東1,2,4，徐向波1,3,4，李繼紅5

（1. 北京林業(yè)大學(xué)工學(xué)院，北京 100083；2. 城鄉(xiāng)生態(tài)環(huán)境北京實(shí)驗(yàn)室，北京 100083；3. 國(guó)家林業(yè)局林業(yè)裝備與自動(dòng)化國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100083；4. 智慧林業(yè)研究中心，北京 100083；5. 東北林業(yè)大學(xué)林學(xué)院，哈爾濱 150040）

針對(duì)土壤染色圖像色度不一致、染色/非染色區(qū)域?qū)Ρ榷鹊偷奶攸c(diǎn)，以及現(xiàn)有土壤染色圖像分割方法自動(dòng)化程度弱的問(wèn)題，該研究提出一種土壤優(yōu)先流自動(dòng)分割與量化系統(tǒng)。該系統(tǒng)采用基于分量改進(jìn)的模糊均值方法（Fuzzy-Means Based onComponent and Morphology，HM-FCM）實(shí)現(xiàn)染色區(qū)域的自動(dòng)分割，運(yùn)用數(shù)學(xué)統(tǒng)計(jì)法提取總?cè)旧娣e比、基質(zhì)流深度、優(yōu)先流比等特征參數(shù)，實(shí)現(xiàn)對(duì)土壤染色區(qū)域的量化分析，以揭示優(yōu)先流的發(fā)育程度。并基于2種林地染色圖像驗(yàn)證了系統(tǒng)性能。試驗(yàn)結(jié)果表明：1）HM-FCM法對(duì)于天然次生林和榛子林圖像均具有最佳分割效果，其分割準(zhǔn)確率為87.9%和83.3%，調(diào)和平均值為90.5%和80.3%；2）2種林地土壤染色區(qū)域總體集中于0～50 cm土層，優(yōu)先流具有不同發(fā)育程度（<0.05）。該系統(tǒng)可為優(yōu)先流路徑的空間演變提供技術(shù)支持和理論依據(jù)。

土壤；圖像分割；優(yōu)先流；染色示蹤技術(shù)；量化分析

0 引 言

優(yōu)先流是一種常見(jiàn)的土壤水分運(yùn)動(dòng)形式，表示土壤中溶質(zhì)和水分繞過(guò)土壤基質(zhì)并在土體內(nèi)部?jī)?yōu)先移動(dòng)的現(xiàn)象[1]。由于土壤脹縮、小動(dòng)物活動(dòng)軌跡、植被根系發(fā)育狀況等的影響，土壤中優(yōu)先流多以大孔隙流和管流的形式存在。優(yōu)先流能在短時(shí)間內(nèi)提高雨水的入滲能力，減少地表徑流和侵蝕；同時(shí)也會(huì)降低植物對(duì)肥料的吸收效率，減弱農(nóng)藥在土壤中的停留降解作用，加劇地下水污染[2-3]。因此，研究?jī)?yōu)先流對(duì)控制水污染、保護(hù)生態(tài)環(huán)境和促進(jìn)農(nóng)業(yè)經(jīng)濟(jì)可持續(xù)發(fā)展具有重要意義[4]。

土壤優(yōu)先流研究方法主要包括間接測(cè)量法和直接觀測(cè)法。間接測(cè)量法主要包括微張力測(cè)量技術(shù)[5]、穿透曲線技術(shù)[6]、電阻率層析成像技術(shù)[7]等，此類(lèi)方法主要通過(guò)公式推演計(jì)算土壤含水量、土壤電導(dǎo)率等參數(shù)研究?jī)?yōu)先流，無(wú)法直觀展示優(yōu)先流路徑。直接觀測(cè)法主要包括樹(shù)脂填充法[8]、核磁共振技術(shù)[9]、染色示蹤技術(shù)[10-15]等，其中，樹(shù)脂填充法由于樹(shù)脂硬化時(shí)間快導(dǎo)致部分孔隙無(wú)法填充，核磁共振技術(shù)由于費(fèi)用極高導(dǎo)致應(yīng)用較少，而染色示蹤技術(shù)具有無(wú)毒無(wú)害、可適度高、溶解度高、費(fèi)用低等優(yōu)點(diǎn)，被廣泛應(yīng)用到土壤優(yōu)先流的研究中。

目前，研究者主要采用通用圖像處理軟件Image J[16]、Image Pro Plus[17]、Photoshop[18-19]等對(duì)土壤優(yōu)先流染色圖像進(jìn)行優(yōu)先流分割。這類(lèi)軟件主要適用于目標(biāo)和背景對(duì)比度高的圖像，且無(wú)法實(shí)現(xiàn)批量自動(dòng)處理[20]。而受拍攝光照和染色程度影響，土壤染色圖像中存在染色區(qū)域色度和光照不統(tǒng)一、對(duì)比度低的問(wèn)題，導(dǎo)致分割精度和分割效率較低，從而影響后續(xù)優(yōu)先流量化研究的準(zhǔn)確性。而模糊均值聚類(lèi)（Fuzzy-Means，F(xiàn)CM）具有處理不確定像素分類(lèi)問(wèn)題的優(yōu)勢(shì)，適用于解決土壤染色圖像中染色區(qū)域邊界模糊的問(wèn)題。同時(shí)，相較于常用的RGB（Red，Green，Blue）空間，HSV（Hue，Saturation，Value）空間具有直觀表達(dá)明暗、色調(diào)和鮮艷程度的特點(diǎn)，能夠增強(qiáng)染色圖像中顏色的對(duì)比度。因此，針對(duì)土壤染色圖像中不同物質(zhì)對(duì)比度低、優(yōu)先流染色不一致的特點(diǎn)，本文提出基于分量改進(jìn)的模糊均值方法（Fuzzy-Means Based onComponent and Morphology，HM-FCM）。

HM-FCM法可以自動(dòng)、批量地實(shí)現(xiàn)土壤染色圖像的分割；并結(jié)合總?cè)旧娣e比、基質(zhì)流深度、優(yōu)先流比等優(yōu)先流特征，構(gòu)建基于染色示蹤圖像的土壤優(yōu)先流自動(dòng)分割與量化系統(tǒng)，為土壤優(yōu)先流研究提供技術(shù)選擇。為驗(yàn)證本文方法及系統(tǒng)的有效性，以2種林地下（天然次生林、榛子林）土壤優(yōu)先流染色圖像為應(yīng)用對(duì)象，通過(guò)對(duì)優(yōu)先流自動(dòng)分割和其特征的量化分析，揭示不同林地下土壤優(yōu)先流的運(yùn)移規(guī)律，為優(yōu)先流發(fā)育狀況的評(píng)價(jià)、水資源管理、地下水污染的防治等提供科學(xué)依據(jù)。

1 材料與方法

1.1 優(yōu)先流染色示蹤試驗(yàn)及圖像采集

1.1.1 研究區(qū)概況

染色示蹤試驗(yàn)在黑龍江省東北林業(yè)大學(xué)帽兒山實(shí)驗(yàn)林場(chǎng)老山實(shí)驗(yàn)站（127°20′42″～127°36′15″E，45°16′44″～45°19′00″N）進(jìn)行。實(shí)驗(yàn)區(qū)屬低山丘陵區(qū)，平均海拔300 m，最高海拔805 m，該地屬大陸性季風(fēng)氣候，年平均氣溫2.8 ℃，年降水量723 mm左右。研究區(qū)內(nèi)天然次生林與人工林鑲嵌分布，地帶性土壤為暗棕壤[21]。

1.1.2 染色示蹤試驗(yàn)與圖像采集

將試驗(yàn)點(diǎn)土壤表面碎石及樹(shù)枝等雜物清理干凈，然后放置長(zhǎng)寬均為100 cm、高60 cm、厚0.5 cm的不銹鋼鐵框。緊貼鐵框外圍挖土，使其在自身重力作用下下沉50 cm。選用25 L濃度為4.0 kg/m3的亮藍(lán)染色劑，于2015年9月27日至10月5日，結(jié)合當(dāng)?shù)亟涤昵闆r（以當(dāng)?shù)?4 h內(nèi)最大降雨量50 mm為標(biāo)準(zhǔn)計(jì)算所需水量），采用積水滲透方式將預(yù)制的亮藍(lán)溶液均勻?yàn)⒃谕寥辣砻?，然后用薄膜密封，防止其他水分輸入。染色試?yàn)完成24 h后，緩慢取出鐵框，去除染色示蹤土壤每邊10 cm的邊緣土，將土壤剖面修整成80 cm×80 cm×50 cm的有效矩形剖面。然后，每隔10 cm垂直挖掘土壤剖面，用土壤刀和軟毛刷將土壤剖面修平，將標(biāo)尺放置在剖面旁標(biāo)注剖面的長(zhǎng)度。使用高清數(shù)碼相機(jī)（IXUS 220HS，Canon），采用固定拍攝距離與角度的方式逐層拍攝林地土壤垂直剖面染色圖像（圖1）。

1.2 土壤染色圖像預(yù)處理

由于數(shù)碼相機(jī)拍攝角度、周?chē)鷱?fù)雜環(huán)境等干擾，原始土壤染色圖像需要進(jìn)行裁剪預(yù)處理，以提取用于計(jì)算及處理分析的優(yōu)先流區(qū)域。原始土壤染色圖像包含2部分信息，一部分是外部干擾信息，另一部分為內(nèi)部土壤染色圖像。由于干擾信息與優(yōu)先流研究無(wú)關(guān)，本文沿刻度尺及土塊邊緣對(duì)原圖裁剪，得到有效土壤染色圖像。

1.3 基于HM-FCM法的染色圖像分割

本文提出一種基于分量改進(jìn)的模糊均值方法進(jìn)行土壤優(yōu)先流分割，來(lái)提高優(yōu)先流路徑的分割精度。主要包括3部分：1）空間轉(zhuǎn)換，以增強(qiáng)染色區(qū)域與其他區(qū)域的對(duì)比度；2）基于模糊C均值聚類(lèi)法實(shí)現(xiàn)優(yōu)先流初步分割；3）采用形態(tài)學(xué)運(yùn)算，實(shí)現(xiàn)優(yōu)先流路徑的準(zhǔn)確分割。

1.3.1 空間轉(zhuǎn)換

由于土壤染色示蹤圖像在RGB顏色空間下染色區(qū)和非染色區(qū)對(duì)比度低，在二值化時(shí)容易出現(xiàn)過(guò)分割和欠分割問(wèn)題。觀察染色圖像發(fā)現(xiàn)，優(yōu)先流圖像的染色和非染色區(qū)域在色調(diào)上差異較大；而HSV空間能夠直觀表達(dá)明暗、色調(diào)和鮮艷程度，并增強(qiáng)圖像中不同顏色的對(duì)比度，因此，本文將RGB格式的土壤染色圖像轉(zhuǎn)換到HSV空間，并分離分量。其轉(zhuǎn)換公式[22]為

式中，，分別為圖像的色調(diào)，飽和度，明度分量；max為集合{,,}中的最大值；min為集合{,,}中最小值；為同一位置體素點(diǎn)的紅色分量數(shù)值；為同一位置體素點(diǎn)的綠色分量數(shù)值；為同一位置體素點(diǎn)的藍(lán)色分量數(shù)值。

由圖2可知，分量下的圖像中，染色區(qū)域和非染色區(qū)域在色調(diào)上的較大差異增強(qiáng)了染色土壤和非染色土壤之間的對(duì)比度，有利于后續(xù)進(jìn)行優(yōu)先流分割；分量下的圖像中，染色較深的地方被錯(cuò)誤識(shí)別為土壤固相物質(zhì)，存在嚴(yán)重欠分割現(xiàn)象（如圖2d和圖2g紅色圓圈處）；而分量下的圖像無(wú)法識(shí)別染色區(qū)域。因此，后續(xù)優(yōu)先流分割試驗(yàn)均基于分量下的土壤染色圖像進(jìn)行。

1.3.2 模糊均值聚類(lèi)方法

作為常用的模糊聚類(lèi)算法，F(xiàn)CM能夠根據(jù)染色圖像中所有像素點(diǎn)到聚類(lèi)中心的隸屬度來(lái)確定聚類(lèi)關(guān)系，從而使得同類(lèi)像素點(diǎn)之間相似度最大，不同類(lèi)像素點(diǎn)間相似度最小[23]。這一計(jì)算過(guò)程需要滿(mǎn)足目標(biāo)函數(shù)的最小化

式中為優(yōu)先流染色圖片像素點(diǎn)的總數(shù)量；為圖片中第個(gè)像素點(diǎn)；為第個(gè)聚類(lèi)中心；為聚類(lèi)中心的數(shù)目；u為樣本x屬于類(lèi)的隸屬度；c為類(lèi)的中心；||x-c||為x到c的距離；為加權(quán)指數(shù)，本文選取=2[23]。

FCM通過(guò)不斷迭代隸屬度u和聚類(lèi)中心c，直到達(dá)到最優(yōu)[23]

式中為迭代步數(shù)。

注：圖中紅色圓圈處為分量的誤識(shí)別區(qū)域。

Note: The red circle in the figure is the misidentification area ofcomponent.

圖2 染色圖像的、、分量及其分割結(jié)果對(duì)比

Fig.2、、components of the dyed image and comparison of segmentation results

對(duì)單個(gè)樣本x，到每個(gè)類(lèi)中心的隸屬度之和為1。迭代的終止條件為

式中為誤差閾值。

當(dāng)目標(biāo)函數(shù)收斂時(shí)，聚類(lèi)結(jié)果達(dá)到理想狀態(tài)，此時(shí)的聚類(lèi)中心和隸屬度矩陣作為最終的聚類(lèi)參數(shù)完成土壤優(yōu)先流路徑的分割。

1.3.3 形態(tài)學(xué)后處理

由于土壤垂直剖面中小石塊、根系等的存在，使得分割出的優(yōu)先流路徑存在離散空洞，影響其連通性和量化分析的準(zhǔn)確性。因此，對(duì)優(yōu)先流路徑進(jìn)行填補(bǔ)等操作是獲取優(yōu)先流特征的重要前提。開(kāi)運(yùn)算能夠去除孤立的噪聲點(diǎn)（如圖3a中左下角），減少優(yōu)先流的過(guò)分割問(wèn)題；而閉運(yùn)算能夠填平二值圖中由根系和小石塊等造成的小孔和縫隙（如圖3b中右上角），減少優(yōu)先流的欠分割問(wèn)題。因此，本研究主要使用形態(tài)學(xué)中開(kāi)閉運(yùn)算（效果如圖3所示）相結(jié)合的操作來(lái)實(shí)現(xiàn)優(yōu)先流填補(bǔ)。計(jì)算過(guò)程表示為[24]

1.4 優(yōu)先流特征量化指標(biāo)

基于分割后的優(yōu)先流圖像，采用基于像素點(diǎn)的數(shù)學(xué)統(tǒng)計(jì)法，計(jì)算優(yōu)先流總?cè)旧娣e比、基質(zhì)流深度、優(yōu)先流比、分形維數(shù)4項(xiàng)最常用且具代表性的指標(biāo)，評(píng)價(jià)優(yōu)先流路徑發(fā)育狀況。這4個(gè)指標(biāo)分別從不同方面表現(xiàn)了土壤優(yōu)先流發(fā)育程度及形態(tài)特征，對(duì)土壤優(yōu)先流的研究有重要意義。

注：圖a、b中，左側(cè)圖像為運(yùn)算前圖像，左側(cè)圖像為運(yùn)算后圖像。

Note: In figures a and b, the left image is the image before arithmetic, and the left image is the image after arithmetic.

1.4.1 總?cè)旧娣e比

總?cè)旧娣e比為染色面積與整個(gè)剖面總面積的比值[25]。作為研究土壤優(yōu)先流的重要指標(biāo)，可直觀地反映土壤水分運(yùn)動(dòng)情況。計(jì)算公式為

式中為染色面積比，%；D為染色區(qū)域面積，即染色像素點(diǎn)數(shù)量總和；N為未染色區(qū)域面積，即未染色像素點(diǎn)的總和。

1.4.2 基質(zhì)流深度

基質(zhì)流深度指土壤中水分以基質(zhì)流形式運(yùn)動(dòng)的垂直深度。垂直剖面染色圖像中某一深度染色面積比大于80%的土層深度被稱(chēng)為基質(zhì)流深度（cm）[26]，其值可以清楚地表明優(yōu)先流發(fā)生時(shí)間，基質(zhì)流深度越大，說(shuō)明優(yōu)先流發(fā)生越滯后。

1.4.3 優(yōu)先流比

優(yōu)先流比是指土壤染色剖面中優(yōu)先流區(qū)域的面積與總?cè)旧娣e的比值[17]，即基質(zhì)流深度以外的染色區(qū)域面積比，其值可以表現(xiàn)優(yōu)先流的發(fā)育程度。優(yōu)先流比越大，說(shuō)明土壤中優(yōu)先流現(xiàn)象越明顯。

1.4.4 分形維數(shù)

式中F為分形維數(shù)；為正方形小盒子邊長(zhǎng)；()為非空盒子數(shù)。

當(dāng)F=1時(shí)，濕潤(rùn)鋒跡線為直線，此時(shí)不存在優(yōu)先流；若F>1，表明濕潤(rùn)鋒跡線為不規(guī)則曲線，此時(shí)土壤存在優(yōu)先流，且分形維數(shù)F越大，濕潤(rùn)鋒跡線不規(guī)則程度越高，優(yōu)先流發(fā)育程度也越高。

1.5 優(yōu)先流分割方法定量分析

為進(jìn)一步評(píng)價(jià)本文所提方法的優(yōu)劣性，采用準(zhǔn)確率、召回率、精確率以及調(diào)和平均值對(duì)4種方法定量分析[27]。指標(biāo)數(shù)值越大，方法的分割效果越準(zhǔn)確。

1）準(zhǔn)確率（）。表示正確分割染色區(qū)域和非染色區(qū)域的比例。

式中TP和TN分別表示正確分割染色區(qū)域和非染色區(qū)域的像素點(diǎn)數(shù)目；FP和FN分別表示錯(cuò)誤分割染色區(qū)域和非染色區(qū)域的像素點(diǎn)數(shù)目。

3）精確率（）。表示染色區(qū)域分割結(jié)果中正確分割像素點(diǎn)的比例。

4）調(diào)和平均值（1）。是精確率和召回率的綜合指標(biāo)。

2 結(jié)果與分析

為測(cè)試本文所提系統(tǒng)在優(yōu)先流分割與特征量化的應(yīng)用效果，以天然次生林和榛子林2種利用方式下的土壤為研究對(duì)象。通過(guò)前期預(yù)試驗(yàn)，驗(yàn)證了優(yōu)先流中常用的Photoshop、Image J、Image Pro Plus等軟件具有較好的分割性能，因此，本文選用這3個(gè)軟件作為對(duì)比方法，評(píng)價(jià)本文HM-FCM法對(duì)土壤優(yōu)先流的分割結(jié)果。綜合對(duì)比現(xiàn)有文獻(xiàn)中使用軟件進(jìn)行優(yōu)先流分割的處理步驟，選用最常見(jiàn)的處理方法，包括：1）Photoshop通過(guò)調(diào)整圖像的亮度為-5，對(duì)比度為74，調(diào)整色階為（19，1.24，255），選取RGB顏色范圍[55～155，70～185，90～185]分割染色區(qū)域[18-20]；2）Image Pro Plus選用在Photoshop處理的基礎(chǔ)上進(jìn)行降噪處理（選用2×2 Square，腐蝕1次和膨脹1次）的方法[24]；3）Image J軟件自身集成16種閾值分割方法，本文預(yù)試驗(yàn)采用16種方法對(duì)優(yōu)先流染色圖像分割并定量分析，最終選用其中優(yōu)先流分割效果最好的Li方法[28]對(duì)比分析。

試驗(yàn)中標(biāo)定圖為采用PhotoShop圖像處理軟件手動(dòng)提取的染色結(jié)果，經(jīng)5人重復(fù)標(biāo)定以消除主觀因素對(duì)精度的影響，是本文量化評(píng)價(jià)分割方法的標(biāo)準(zhǔn)。本文試驗(yàn)硬件環(huán)境為：處理器Intel?CoreTMi5-4590，主頻3.30 GHz，內(nèi)存12 GB。軟件環(huán)境為Windows10操作系統(tǒng)和Python編程語(yǔ)言。

2.1 優(yōu)先流分割結(jié)果定性分析

圖4和圖5分別為4種方法對(duì)于隨機(jī)選取的2種林地土壤染色圖像的分割結(jié)果，其中，黑色表示染色區(qū)，白色表示非染色區(qū)。

從圖4可知，Photoshop、Image Pro Plus雖能分割出部分染色區(qū)域，但由于土壤本身與染色區(qū)域?qū)Ρ榷鹊?，?dǎo)致這2種方法存在較為嚴(yán)重的欠分割現(xiàn)象；并且由于土壤本身與染色區(qū)域?qū)Ρ榷鹊?，Image J無(wú)法準(zhǔn)確區(qū)分染色區(qū)域，存在嚴(yán)重的過(guò)分割現(xiàn)象；而HM-FCM法則能識(shí)別低對(duì)比度區(qū)域，準(zhǔn)確分割染色區(qū)域。Photoshop和Image Pro Plus雖能較好地解決過(guò)分割現(xiàn)象，但存在大量離散點(diǎn)；而HM-FCM法能夠準(zhǔn)確判斷染色區(qū)域，具有較好的分割能力。

從圖5可以看出，Photoshop、Image Pro Plus、HM-FCM 3種方法均能較好地分割染色區(qū)域，但Photoshop、Image Pro Plus存在不同程度的欠分割現(xiàn)象；而Image J存在嚴(yán)重的過(guò)分割現(xiàn)象，無(wú)法區(qū)分染色區(qū)域和土壤。由于土壤顏色較深，與染色區(qū)域?qū)Ρ榷鹊?，Image J方法將深色土壤錯(cuò)誤判斷為染色區(qū)域，其余3種方法都能很好識(shí)別該區(qū)域?yàn)橥寥?；在染色較淺的區(qū)域，由于染色區(qū)與未染色區(qū)土壤顏色極其接近，4種方法均存在不同程度的過(guò)分割現(xiàn)象，但從整體上HM-FCM法具有最佳分割效果。

綜上所述，本文的HM-FCM法能較好地分割2種林地下土壤染色區(qū)域，避免了染色區(qū)域由于低對(duì)比度所造成的過(guò)分割和欠分割現(xiàn)象。

2.2 優(yōu)先流分割結(jié)果定量分析

為進(jìn)一步評(píng)價(jià)本文分割方法的有效性，采用準(zhǔn)確率、召回率、精確率和調(diào)和平均值[27]這4個(gè)指標(biāo)對(duì)分割結(jié)果進(jìn)行綜合分析，指標(biāo)數(shù)值越大，方法的分割效果越準(zhǔn)確。表1是4種方法對(duì)于天然次生林和榛子林優(yōu)先流分割結(jié)果的定量評(píng)價(jià)，表中數(shù)據(jù)以30幅垂直剖面染色圖像均值和標(biāo)準(zhǔn)差的形式表示。

表1 4種方法分割結(jié)果的定量評(píng)價(jià)

由表1可知，針對(duì)天然次生林的土壤染色圖像，HM-FCM法具有最高的準(zhǔn)確率（87.9%）、召回率（89.2%）、精確率（92.5%）和調(diào)和平均值（90.5%），這表示相對(duì)于其他3種方法，其對(duì)土壤染色區(qū)域的分割效果最好。而針對(duì)榛子林土壤染色圖像，Photoshop具有最高的精確率（96.1%）和最低的召回率（47.4%），這表明該方法雖然能夠正確分割出土壤中的染色區(qū)域和非染色區(qū)域，但是其對(duì)于染色區(qū)域存在嚴(yán)重欠分割現(xiàn)象，因此，該方法不適用土壤染色圖像中優(yōu)先流分割。相比于其他3種方法，HM-FCM法的分割精確率較低（71.4%），這是由于榛子林土壤中存在較多植物細(xì)根，而HM-FCM方法將這部分細(xì)根覆蓋區(qū)域也判斷為染色區(qū)域，使得其存在部分過(guò)度分割現(xiàn)象。但是，HM-FCM法具有最高的準(zhǔn)確率（83.3%），比Image Pro Plus高約15.2個(gè)百分點(diǎn)；其召回率達(dá)到93.5%，比Image J高約37.5個(gè)百分點(diǎn)；調(diào)和平均值為80.3%，遠(yuǎn)大于其余3種方法，這表示HM-FCM在準(zhǔn)確分割染色區(qū)域的基礎(chǔ)上，能較好地解決染色區(qū)域欠分割問(wèn)題。

綜上所述，本文的HM-FCM法能夠較精確地分割出2種林地下土壤優(yōu)先流路徑，可以為黑土優(yōu)先流的量化分析提供準(zhǔn)確的數(shù)據(jù)基礎(chǔ)。

2.3 優(yōu)先流特征量化分析

基于分割出的染色圖像，采用總?cè)旧娣e比、基質(zhì)流深度、優(yōu)先流比、分形維數(shù)4個(gè)參數(shù)來(lái)表征優(yōu)先流發(fā)育程度。由于論文篇幅有限，從2種林地優(yōu)先流30幅圖像中隨機(jī)選取2張進(jìn)行試驗(yàn)結(jié)果展示，見(jiàn)圖6和圖7。

2種林地土壤垂直剖面染色區(qū)域總體上集中在0～50 cm土層。其中，由圖6a可知，天然次生林土壤垂直剖面染色區(qū)域總體上隨土層深度增加，染色面積比呈現(xiàn)先減小后增大，然后又逐漸減小直至消失的特點(diǎn)。由圖7a土壤染色面積比可知，天然次生林土壤以?xún)?yōu)先流為主，少數(shù)在約20～30 cm深的土壤處存在基質(zhì)流現(xiàn)象。表明土壤中水流以?xún)?yōu)先流運(yùn)動(dòng)為主。結(jié)合圖6a染色區(qū)域分割結(jié)果可以發(fā)現(xiàn)，整體染色形狀分為若干個(gè)孤立的塊狀，這表明在染色示蹤試驗(yàn)過(guò)程中天然次生林下的土壤發(fā)生了橫向運(yùn)動(dòng)[15]。

從圖7b可以看出，相比于天然次生林的土壤染色情況，榛子林垂直剖面染色面積比的變化趨勢(shì)較為單一，其數(shù)值隨著土層深度整體呈現(xiàn)逐漸減小的趨勢(shì)。結(jié)合圖6b染色區(qū)域分割結(jié)果，在0～20 cm的榛子林土層中，染色面積分布均勻，且染色面積比基本上在80%以上，這表明榛子林土壤水流以基質(zhì)流形式在土壤表層整體均勻下滲。在20～50 cm土層，染色面積快速減小至消失，說(shuō)明從20 cm層深以下的土壤水流運(yùn)動(dòng)狀態(tài)發(fā)生改變，以?xún)?yōu)先流運(yùn)動(dòng)為主。而且由圖6b可知，土壤中染色區(qū)域呈現(xiàn)圓形閉合的現(xiàn)象，表現(xiàn)為水流在土壤下滲過(guò)程中避開(kāi)部分土壤，并在下方進(jìn)行匯合，這可能是因?yàn)樵撎幫寥谰o實(shí)度大于兩側(cè)，導(dǎo)致水流從兩側(cè)下滲，從而呈現(xiàn)環(huán)繞特性。

由表2所示的優(yōu)先流特征可知，在相同的染色示蹤試驗(yàn)供水條件下，優(yōu)先流濕潤(rùn)鋒跡線的分形維數(shù)均大于1，表明天然次生林和榛子林土壤中都存在優(yōu)先流現(xiàn)象。榛子林的總?cè)旧娣e比大于天然次生林，說(shuō)明榛子林的土壤滲水量大于天然次生林。天然次生林的平均基質(zhì)流深度為5.919 cm，遠(yuǎn)小于榛子林的15.742 cm，這是因?yàn)樘烊淮紊植糠滞寥乐胁淮嬖诨|(zhì)流現(xiàn)象。除此之外，天然次生林基質(zhì)流深度具有較大標(biāo)準(zhǔn)差（10.171 cm），這表明天然次生林的基質(zhì)流深度較為離散，且優(yōu)先流的發(fā)生時(shí)間普遍早于榛子林。天然次生林的優(yōu)先流比為97.6%，遠(yuǎn)大于榛子林的51.4%，說(shuō)明天然次生林的優(yōu)先流發(fā)育程度遠(yuǎn)高于榛子林。結(jié)合總?cè)旧娣e比和優(yōu)先流比可知，雖然榛子林的總?cè)旧娣e比50.6%大于天然次生林的35.1%，但水分入滲多以均勻水流為主，優(yōu)先流運(yùn)動(dòng)形式較少。這一結(jié)果表明，榛子林的土壤在一定程度上降低了水流的下滲速度，有利于土壤水分和養(yǎng)分的保持。使用SPSS進(jìn)行獨(dú)立樣本檢驗(yàn)分析，證明了各指標(biāo)在2種林地下呈現(xiàn)顯著差異（<0.05），說(shuō)明不同林地的優(yōu)先流發(fā)育程度不同，具有統(tǒng)計(jì)分析意義。

表2 土壤優(yōu)先流特征

注：不同小寫(xiě)字母表示不同土壤類(lèi)型的指標(biāo)差異顯著（<0.05）。

Note: Different lowercase letters indicate significantly differences in indicators between different soil types (<0.05).

3 結(jié) 論

1）提出一種采用染色示蹤技術(shù)的土壤優(yōu)先流自動(dòng)分割與量化系統(tǒng)，該系統(tǒng)采用基于分量改進(jìn)的模糊均值方法（Fuzzy-Means Based onComponent and Morphology，HM-FCM）自動(dòng)分割土壤染色區(qū)域。HM-FCM法對(duì)于天然次生林和榛子林2種林地土壤染色區(qū)域的分割準(zhǔn)確率分別為87.9%和83.3%，調(diào)和平均值分別為90.5%和80.3%，說(shuō)明其具備良好的土壤優(yōu)先流分割能力。

2）天然次生林和榛子林土壤染色區(qū)域都集中在0～50 cm深度范圍內(nèi)，二者總?cè)旧娣e比分別為35.1%和50.6%、基質(zhì)流深度分別為5.919和15.742cm、優(yōu)先流比分別為97.6%和51.4%，優(yōu)先流路徑分形維數(shù)均大于1。結(jié)果證明，2種林地土壤中都存在優(yōu)先流現(xiàn)象，且優(yōu)先流表現(xiàn)出橫向運(yùn)動(dòng)形式和環(huán)繞特性；榛子林土壤優(yōu)先流發(fā)育程度低于天然次生林；天然次生林土壤優(yōu)先流發(fā)生時(shí)間顯著早于榛子林土壤（<0.05）。

[1]Clothier B E, Green S R, Deurer M. Preferential flow and transport in soil: Progress and prognosis[J]. European Journal of Soil Science, 2010, 59(1): 2-13.

[2]Tang Q, Duncan J M, Guo L, et al. On the controls of preferential flow in soils of different hillslope position and lithological origin[J]. Hydrological Processes, 2020, 34(22): 1-12.

[3]Grant K N, Macrae M L, Ali G A. Differences in preferential flow with antecedent moisture conditions and soil texture: Implications for subsurface P transport[J]. Hydrological Processes, 2019, 33(15): 2068-2079.

[4]盛豐，張利勇，吳丹. 土壤優(yōu)先流模型理論與觀測(cè)技術(shù)的研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(6)：1-10. Sheng Feng, Zhang Liyong, Wu Dan, et al. Research progress on soil priority flow model theory and observation technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(6): 1-10. (in Chinese with English abstract)

[5]Ritsema C J, Dekker L W. Preferential flow in water repellent sandy soils: Principles and modeling implications[J]. Journal of Hydrology, 2000, 231: 308-319.

[6]Zhang Z B, Peng X, Zhou H, et al. Characterizing preferential flow in cracked paddy soils using computed tomography and breakthrough curve[J]. Soil and Tillage Research, 2015, 146: 53-65.

[7]Zhao K Y, Xu Q, Liu F Z, et al. Field monitoring of preferential infiltration in loess using time-lapse electrical resistivity tomography[J]. Journal of Hydrology, 2020, 591: 125278.

[8]Najm M R A, Jabro J D, Iversen W M, et al. New method for the characterization of three-dimensional preferential flow paths in the field[J]. Water Resources Research, 2010, 46(2): 1-18.

[9]Vladimira J, Michal S, Andreas P, et al. Effects of entrapped residual air bubbles on tracer transport in heterogeneous soil: Magnetic resonance imaging study[J]. 2011, 42(8): 991-998.

[10]Wang R, Dong Z B, Zhou Z C, et al. Temporal variation in preferential water flow during natural vegetation restoration on abandoned farmland in the Loess Plateau of Phina[J]. Land, 2019, 8(12): 186.

[11]潘網(wǎng)生，許玉鳳，盧玉東，等. 基于非均勻性和分形維數(shù)的黃土優(yōu)先流特征定量分析[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(3)：140-147. Pan Wangsheng, Xu Yufeng, Lu Yudong, et al. Quantitative determination of preferential flow characteristics of loess based on nonuniformity and fractional dimension[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(3): 140-147. (in Chinese with English abstract)

[12]Liu Y, Chen L Y, Wang H M, et al. An improved differential box-counting method to estimate fractal dimensions of gray-level images[J]. Journal of Visual Communication and Image Representation, 2014, 25(5): 1102-1111.

[13]盛豐，張仁鐸，劉會(huì)海. 土壤優(yōu)先流運(yùn)動(dòng)的活動(dòng)流場(chǎng)模型分形特征參數(shù)計(jì)算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27(3)：26-32. Sheng Feng, Zhang Renduo, Liu Huihai. Determining the active region model parameter for modeling preferential flow in unsaturated soil[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(3): 26-32. (in Chinese with English abstract)

[14]Vilim F, Jasmina D, Ji?í ?, et al. Estimation of vineyard soil structure and preferential flow using dye tracer, X-ray tomography, and numerical simulations[J]. Geoderma, 2020, 380(2/3): 114699.

[15]陳曉冰，韋靈，吳晗，等. 秸稈覆蓋下桂北巖溶區(qū)水稻田土壤優(yōu)先流特征[J]. 水土保持學(xué)報(bào)，2020，34(5)：124-130. Chen Xiaobing, Wei Ling, Wu Han, et al. The characteristics of preferential flow on straw mulching of paddy field in the karst region of North Guangxi[J]. Journal of Soil and Water Conservation, 2020, 34(5): 124-130. (in Chinese with English abstract)

[16]楊燕. 不同水耕年限稻田土壤大孔隙分布與優(yōu)先流特征研究[D]. 武漢：華中師范大學(xué)，2018. Yang Yan. Characteristics of Soil Macropore Distribution and Preferential Flow in the Paddy Fields with Different Cultivation Year[D]. Wuhan: Central China Normal University, 2018. (in Chinese with English abstract)

[17]Kan X Q, Cheng J H, Hou F. Response of preferential soil flow to different infiltration rates and vegetation types in the Karst Region of Southwest China[J]. Water, 2020, 12(6): 1778-1798.

[18]Luo Z T, Niu J Z, Zhang L, et al. Roots-enhanced preferential flows in deciduous and coniferous forest soils revealed by dual-tracer experiments[J]. Journal of Environmental Quality, 2019, 48(1): 136-146.

[19]Yao J J, Cheng J H, Sun L, et al. Effect of antecedent soil water on preferential flow in four soybean plots in Southwestern China[J]. Soil Science, 2017, 182(3): 83-93.

[20]韓巧玲，趙玥，趙燕東，等. 基于全卷積網(wǎng)絡(luò)的土壤斷層掃描圖像中孔隙分割[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(2)：128-133. Han Qiaoling, Zhao Yue, Zhao Yandong, et al. Soil pore segmentation of computed tomography images based on fully convolutional network[J]. Transactions of the Chinese Society for Agricultural Engineering (Transactions of the CSAE), 2019, 35(2): 128-133. (in Chinese with English abstract)

[21]王趙男，辛穎，趙雨森. 黑龍江省水源地優(yōu)先流區(qū)與基質(zhì)流區(qū)土壤特性分析[J]. 水土保持學(xué)報(bào)，2017，31(1)：49-54. Wang Zhaonan, Xin Ying, Zhao Yusen. Analysis on soil characters of preferential pathways and soil matrix in water-source area of Heilongjiang Province[J]. Journal of Soil and Water Conservation, 2017, 31(1): 49-54. (in Chinese with English abstract)

[22]Lyu W J, Lu W, Ma M. No-reference quality metric for contrast-distorted image based on gradient domain and HSV space[J]. Journal of Visual Communication and Image Representation, 2020, 69: 102797.

[23]趙玥，韓巧玲，趙燕東. 基于灰度-梯度特征的改進(jìn)FCM土壤孔隙辨識(shí)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49(3)：279-286. Zhao Yue, Han Qiaoling, Zhao Yandong. Improved FCM method for pore identification based on grayscale gradient features[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(3): 279-286. (in Chinese with English abstract)

[24]Coster M, Chermant J L. Image analysis and mathematical morphology for civil engineering materials[J]. Cement & Concrete Composites, 2001, 23(2/3): 133-151.

[25]Liu D D, She D L. The effect of fracture properties on preferential flow in carbonate-derived laterite from karst mountainous agroforestry lands[J]. Soil & Tillage Research, 2020, 203: 104670.

[26]王偉. 三峽庫(kù)區(qū)紫色砂巖林地土壤優(yōu)先流特征及其形成機(jī)理[D]. 北京：北京林業(yè)大學(xué)，2011. Wang Wei. Characteristics and Formation Mechanism of Preferential Flow in Forest Soils of Purple Sandstone Regions, Three Gorges Reservoir Area[D]. Beijing: Beijing Forestry University, 2011. (in Chinese with English abstract)

[27]Han Q L, Zhao Y, Liu L, et al. A simplified convolutional network for soil pore identification based on computed tomography imagery[J]. Soil Science Society of America Journal, 2019, 83(5): 1309-1318.

[28]Li C H, Tam P K S. An iterative algorithm for minimum cross entropy thresholding[J]. Pattern Recognition Letters, 1998, 19(8): 771-776.

Automatic segmentation and quantitative analysis of soil preferential flow using dye tracer technology

Han Qiaoling1,2,3,4, Bai Hao1,2,4, Zhao Yue1,2,3,4※, Zhao Yandong1,2,4, Xu Xiangbo1,3,4, Li Jihong5

(1.,,100083,; 2.,,100083,; 3.,100083,; 4.,100083,; 5.,,150040,)

Preferential flow is widely considered to be a common phenomenon of water movement in soil. Currently, dye tracer can be one of the most efficient ways to characterize the preferential flow using soil-stained images. However, the general image processing software, such as Photoshop, Image Pro Plus, and Image J, cannot specifically extract the soil-stained images with inconsistent chromaticity and low contrast between dyed and non-dyed areas. A larger error occurs normally in the subsequent quantitative analysis for the preferential flow pathways. This study aimed to propose an automatic segmentation for preferential flow pathways using dyed tracer images and to further improve the accuracy and efficiency of quantification. An image processing was performed on the dyeing images of preferential flow, thereby quantitatively analyzing specific parameters. Firstly, brilliant blue dye was used to stain subsurface flow pathways in soil plots from natural secondary forest and hazelnut shrub forest during simulated rainfall events under dry conditions. The dyed tracer images were converted into the hue-saturation-value (HSV) space for the extraction of hue () component, in order to improve the contrast of dyed images and highlight the preferential flow path. Fuzzy-means based oncomponent and morphology (HM-FCM) was selected to automatically segment the dyeing area. Morphological opening and closing arithmetics were used to fix under- and over-segmentation in the images. Secondly, mathematical statistics were selected to quantificationally analyze multiple indicators of soil preferential flow in the high-precision graphs of natural secondary forest and hazelnut shrub forest. The specific parameters included total dyeing area ratio, matrix flow depth, preferential flow ratio, and fractal dimension. The proposed segmentation well accurately identified the distribution of preferential flow pathways in forest soil and automatically segmented the dyeing area. Furthermore, multiple indicators were achieved for the subsequent evaluation of preferential flow and topological structure. Specifically, the preferential flow in the natural secondary forest occurred earlier than that in the hazelnut forest, whereas, the development degree of preferential flow in the natural secondary forest soil was higher than that in hazelnut forest soil. The dyeing areas of the two forests were generally concentrated in the soil layer of 0-50 cm, where the dyeing area ratio of hazelnut forest was higher than that of natural secondary forest. The water infiltration behaved mostly the uniform flow with less preferential flow. It was found that HM-FCM effectively segmented the soil dyeing areas of two forests. The segmentation accuracy was 87.9% for the images of natural secondary forest, and the harmonic mean was 90.5%, whereas, the segmentation accuracy was 83.3% for the images of hazelnut shrub forest, and the harmonic mean was 80.3%. There were different development degrees in the priority flow (<0.05). The proposed automatic segmentation can be widely expected to identify the preferential flow and migration in the underground soil of various woodlands for sustainable forestry.

soils;image segmentation; preferential flow; dye tracer technology; quantitative analysis

韓巧玲，柏浩，趙玥，等. 采用染色示蹤技術(shù)的土壤優(yōu)先流自動(dòng)分割與量化系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(6)：127-134.doi：10.11975/j.issn.1002-6819.2021.06.016 http://www.tcsae.org

Han Qiaoling, Bai Hao, Zhao Yue, et al. Automatic segmentation and quantitative analysis of soil preferential flow using dye tracer technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(6): 127-134. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.06.016 http://www.tcsae.org

2021-01-16

2021-03-01

國(guó)家自然科學(xué)基金面上項(xiàng)目（32071838），中國(guó)博士后科學(xué)基金（2020M680409），北京市共建項(xiàng)目，中央高?；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金項(xiàng)目（2019ZY12）

韓巧玲，博士，講師，研究方向?yàn)樯鷳B(tài)信息智能檢測(cè)、圖像處理與模式識(shí)別等。Email：hanqiaoling0@163.com

趙玥，博士，副教授，研究方向?yàn)槿斯ぶ悄?、圖像處理和模式識(shí)別等。Email：zhaoyue0609@126.com

10.11975/j.issn.1002-6819.2021.06.016

S152.7

A

1002-6819(2021)-06-0127-08