劉 凱, 李文彬,2?, 趙 玥,2, 韓巧玲,2, 張鵬翀, 鄒松言, 譚鍵彪
(1.北京林業(yè)大學(xué)工學(xué)院,100083,北京; 2.林業(yè)裝備與自動(dòng)化國家林業(yè)局重點(diǎn)實(shí)驗(yàn)室,100083,北京;3.北京林業(yè)大學(xué)林學(xué)院,100083,北京)
林木根系的形態(tài)和分布特征對(duì)于反映其生長發(fā)育狀態(tài)和生產(chǎn)力形成具有重要意義[1]。觀測(cè)并分析林木根系在淺土層、深土層的生長情況,認(rèn)識(shí)根系的形態(tài)、構(gòu)型及分布,可以在一定程度上表征林木生長狀態(tài),揭示其固土機(jī)理,反映林木對(duì)土壤水養(yǎng)資源的響應(yīng)及利用機(jī)制[2],研究林木根系對(duì)于預(yù)防和治理水土流失具有重要作用。
傳統(tǒng)的根系研究方法如土鉆法、挖掘法、根室法和土柱法等試驗(yàn)過程復(fù)雜,費(fèi)時(shí)費(fèi)力,且對(duì)根系造成一定損傷。同時(shí),林木根系的研究不可能把根系整體取樣獲取數(shù)據(jù),再安置回原位繼續(xù)生長,也不能栽植在密閉容器或?qū)崿F(xiàn)多次往復(fù)試驗(yàn)和取樣。而微根管法可以實(shí)時(shí)、無損地觀察根系的動(dòng)態(tài)生長過程[3],但因拍攝的根系圖像數(shù)量多、場景復(fù)雜,導(dǎo)致現(xiàn)行的人工標(biāo)記的效率和準(zhǔn)確性較低[4]。因此,筆者以廣泛應(yīng)用于生態(tài)環(huán)境建設(shè)中的楊屬(Populus)樹種(以下簡稱“樣樹”)為研究對(duì)象[5],運(yùn)用微根管和圖像處理方法,建立一種基于微根管圖像的根系形態(tài)特征快速提取技術(shù)[6],實(shí)現(xiàn)無損地對(duì)不同土層中樣樹根系的自動(dòng)、批量分割,以及形態(tài)特征的精準(zhǔn)量化,從而完成對(duì)根系生長狀態(tài)數(shù)字化監(jiān)測(cè)。
試驗(yàn)地位于華北平原山東省聊城市高唐縣,屬黃泛沖積平原,地貌微波起伏,海拔30 m,屬暖溫帶半濕潤季風(fēng)區(qū)域大陸性氣候,四季冷暖干濕分明,光照充足,熱量豐富,降水量較少,年均降水量545 mm,且多集中于夏季7—8月,年均蒸發(fā)量約1 880 mm,土壤為砂壤土,平均地下水位6 m[7]。
大田試驗(yàn)在毛白楊(Populustomentosa)林分內(nèi)開展,林分栽植于2015年春季,植苗造林。采用均勻配置模式,株行距為2 m×3 m,密度為1 667 株/hm2。同年10月完成試驗(yàn)地滴灌系統(tǒng)的安裝及鋪設(shè),并于2016年4月全面投入使用[8]。在試驗(yàn)林內(nèi)設(shè)計(jì)了充分灌溉處理(full irrigation,F(xiàn)I)、虧缺灌溉處理(control irrigation,CI)和不灌溉的對(duì)照處理(control check,CK)等3個(gè)灌溉處理,滴灌管置于地表,并沿樹行方向,在距離樹體2側(cè)30 cm處鋪設(shè)。FI和CI處理分別在滴頭正下方20 cm處的土壤水勢(shì)達(dá)到-20和-45 kPa時(shí)進(jìn)行灌溉;CK處理是不進(jìn)行任何灌溉。最后,在3種滴灌處理內(nèi)選擇1株樣樹(共計(jì)3株),于其附近布設(shè)微根管開展觀測(cè),如圖1所示。
圖1 試驗(yàn)布置情況Fig.1 Setup of the experiment
如圖2所示,本試驗(yàn)中采集樣樹根系圖像是運(yùn)用“一管多點(diǎn)”、“多管齊下”矩形陣列的監(jiān)測(cè)方法,在距每棵樣樹主干水平方向0.3和1.2 m處、從土壤表層開始垂直向下方向每間隔1 m,布置4行2列共計(jì)8根微根管。管內(nèi)觀測(cè)長度是900 mm,間隔13.5 mm設(shè)置1個(gè)觀測(cè)點(diǎn),共設(shè)置65個(gè)觀測(cè)點(diǎn),通過增加點(diǎn)位的采集密度避免圖像信息的波動(dòng),增強(qiáng)采集能力。
圖2 利用微根管采集根系圖像Fig.2 Collecting root images via minirhizotron
參考Dubach等[9]、陳文嶺等[10]和劉九慶[11]設(shè)計(jì)的試驗(yàn)方案,本研究設(shè)定根系圖像采集周期是14 d。采集根系圖像時(shí),首先確定并計(jì)算每根微根管的監(jiān)測(cè)點(diǎn)位,利用標(biāo)定手柄系統(tǒng)刻度值即可定位并拍攝管內(nèi)任意點(diǎn)位的根系圖像,圖像分辨率為754×510像素。自2019年4月,對(duì)3棵樣樹的根系生長狀態(tài)進(jìn)行監(jiān)測(cè),形成時(shí)序列各觀測(cè)點(diǎn)位的根系圖像數(shù)據(jù),如圖3所示,是充分灌溉處理下樣樹65個(gè)觀測(cè)點(diǎn)中第30個(gè)觀測(cè)點(diǎn)和第40個(gè)觀測(cè)點(diǎn)上連續(xù)采集到的根系生長情況。從圖中可以清晰觀測(cè)到,圖3a從左至右,主根逐漸發(fā)育出側(cè)根,且側(cè)根根長不斷增長。圖3b從左至右,根系在生長發(fā)育過程中伴隨明顯的根表皮顏色變化,根系從亮白色逐漸變化為紅褐色,呈現(xiàn)出木質(zhì)化的特點(diǎn),這些特征變化為根系分割研究奠定重要基礎(chǔ)。
圖3 微根管采集的根系圖像Fig.3 Root images via minirhizotron
圖3圖像邊緣存在黑色區(qū)域,這部分信息不包含根系元素,在較復(fù)雜根系圖像的分割中會(huì)影響分割精度并增加實(shí)際運(yùn)算量。同時(shí),考慮到在拍攝過程中標(biāo)定手柄與透明管壁邊界處可能存在一定晃動(dòng),導(dǎo)致圖像邊界存在畸變現(xiàn)象,影響根系分割精度。因此,通過矩形剪裁的方式對(duì)原始根系圖像進(jìn)行剪裁處理,原始圖像大小為754×510像素,裁剪后的圖像大小為670×460像素。
根系結(jié)構(gòu)邊界和形狀的準(zhǔn)確標(biāo)定是定量分析根系分割方法性能的重要依據(jù)。因此,將原始根系圖像按照根系不同的生理狀態(tài)分為2類,采用圖像編輯軟件進(jìn)行根系結(jié)構(gòu)的真值標(biāo)定(白色部分是標(biāo)定的真實(shí)根系), 在手動(dòng)多輪校正的基礎(chǔ)上,多人對(duì)同一幅標(biāo)定圖像主觀判斷,直到達(dá)成共識(shí)。如圖4所示,第1類圖像中為亮色根系,第2類圖像中為灰黑色根系。
圖4 2類根系及其真值Fig.4 Two types of root system and their true values
由于透明管與土層的密閉度不夠充分,導(dǎo)致細(xì)微土壤顆粒、碎石屑、植物殘骸等多種雜質(zhì)附著在管壁,使得圖像中存在噪聲。由于雜質(zhì)顏色與根系較為接近,可能會(huì)被誤認(rèn)為是根系結(jié)構(gòu),影響圖像分割結(jié)果。同時(shí),根系的細(xì)小分支非常多,邊緣結(jié)構(gòu)不清晰,極易出現(xiàn)過分割和欠分割現(xiàn)象,因此,需要對(duì)根系圖像進(jìn)行濾波處理,以去除噪聲影響,增強(qiáng)根系邊緣信息。
均值濾波器是一種線性濾波器[12],可以減少像素之間的強(qiáng)度變化量,多用來去除圖像中不相關(guān)細(xì)節(jié),適用于去除本研究中碎石屑、植物殘骸等造成的影響。經(jīng)過均值濾波之后的圖像上各點(diǎn)的像素值為:
(1)
式中:g(x,y)為根系圖像;(x,y)為根系圖像任意像素點(diǎn);(m,n)為根系圖像上的像素點(diǎn);M×N為該像素點(diǎn)領(lǐng)域大??;將該鄰域中多個(gè)像素點(diǎn)的平均值作為(m,n)的灰度值。
如圖5所示,原始圖像(圖5a)中存在很多由土壤顆粒、碎石屑等引起的噪聲點(diǎn),這些噪聲點(diǎn)和根系結(jié)構(gòu)具有相似的顏色。圖5b則為使用均值濾波操作后圖像處理效果,由圓圈內(nèi)容可以看出,均值濾波算法能夠達(dá)到去除噪聲的效果,又可以清晰地保留圖像的線條細(xì)節(jié),且處理時(shí)間短、運(yùn)算效率高,適用于本研究中批量處理根系圖像。
圖5 原圖和經(jīng)均值濾波的效果Fig.5 Original image and the effect of mean filtering
在完成根系圖像歸類、標(biāo)注、剪裁、濾波處理后,就可以研究根系分割的算法將圖像中區(qū)別于土壤、沙礫、空隙等雜質(zhì)的有效根系分割出來,并計(jì)算形態(tài)特征參數(shù)。本研究使用大律法(Otsu)法、K均值聚類算法(K-means)法、模糊C均值聚類算法(FCM)法3種方法對(duì)根系分割研究,通過對(duì)比評(píng)價(jià)指標(biāo)確定最合適分割方法[13-14]。
FCM法通過求取優(yōu)化問題最優(yōu)解的方式來實(shí)現(xiàn)根系模糊邊界的軟分割,是一種無監(jiān)督分割。其基本思想是通過迭代尋優(yōu),找到使得目標(biāo)函數(shù)達(dá)到最小值的聚類中心和隸屬度函數(shù)??紤]到根系側(cè)根較多,較細(xì),在實(shí)際應(yīng)用中通常會(huì)需要具有更高自動(dòng)化程度和更強(qiáng)魯棒性的方法,保證根系分割精度的同時(shí)節(jié)約研究人員的時(shí)間成本。假定聚類數(shù)目和隸屬度矩陣是已知的,并設(shè)定目標(biāo)函數(shù)
(2)
式中:J為最小化目標(biāo)函數(shù)(誤差的平方和);n為像素點(diǎn)數(shù);c為聚類中心數(shù)目;uij為概率向量;m為常數(shù);xi為像素點(diǎn)灰度;vj為聚類中心灰度;‖·‖為距離向量。
m為控制模糊度的常量,其范圍一般為[1.5,2.5],本文m值取2。對(duì)于每個(gè)像素點(diǎn)xi而言,其隸屬于不同聚類中心的概率和
(3)
當(dāng)目標(biāo)函數(shù)通過迭代優(yōu)化趨于極小值時(shí),則認(rèn)為所有像素點(diǎn)都趨于某個(gè)聚類中心并遠(yuǎn)離其他的聚類中心,聚類結(jié)果達(dá)到了理想情況。在式(3)的條件下計(jì)算式(2)的極小值,由約束條件下拉格朗日求極值法推出其必要條件:
(4)
(5)
式(4)和(5)分別為隸屬度矩陣方程與聚類中心方程。式中vk為聚類中心灰度。在迭代優(yōu)化過程當(dāng)中,聚類中心和隸屬度矩陣進(jìn)行不斷更新,目標(biāo)函數(shù)逐漸趨于收斂。當(dāng)目標(biāo)函數(shù)變化量小于設(shè)定值時(shí),則認(rèn)為其處于穩(wěn)定狀態(tài),即:
‖Jr+1-Jr‖≤ε。
(6)
式中:r為迭代的步數(shù);ε為設(shè)定誤差值。
依據(jù)根系顏色與圖像背景色的差異,將像素點(diǎn)區(qū)分并歸類,2類根系的分割實(shí)驗(yàn)結(jié)果如圖6所示,從左到右依次是原圖做均值濾波、Otsu法分割、K-means法分割和FCM法分割效果。
圖6 3種分割方法對(duì)根系識(shí)別的效果Fig.6 Effect of three segmentation methods on root recognition
由圖6可以看出,Otsu法對(duì)2類根系圖像的分割均存在過分割現(xiàn)象。K-means法有過分割和欠分割共存的情況,這是因?yàn)閷?duì)根系結(jié)構(gòu)的判斷不準(zhǔn)確引起的??傮w來說,F(xiàn)CM法對(duì)于2類根系圖像的分割結(jié)果均與微根管拍攝的原圖最為接近。
為了進(jìn)一步評(píng)價(jià)3種分割方法的效果,使用正確率來定量分析。正確率[15]表示預(yù)測(cè)正確的樣本數(shù)所占的總樣本的比例,正確率
(6)
式中:TP為將正例預(yù)測(cè)為正例,即將根系預(yù)測(cè)為根系;FP為將負(fù)例預(yù)測(cè)為正例,即將背景預(yù)測(cè)為根系;TN為將負(fù)例預(yù)測(cè)為負(fù)例,即將背景預(yù)測(cè)為背景;FN為將正例預(yù)測(cè)為負(fù)例,即將根系預(yù)測(cè)為背景。3種根系分割評(píng)價(jià)參數(shù)如表1所示。
表1 3種分割方法的正確率
針對(duì)2類根系的分割結(jié)果中數(shù)值越大,說明分割方法的正確率越高。由表1可以看出,針對(duì)第1類根系,K-means法和FCM法的正確率接近,均遠(yuǎn)大于Otsu法;而針對(duì)第2類根系,也存在這樣的結(jié)論。但FCM方法正確率大于K-means法,這可能是因?yàn)镵-means法分割出的根系結(jié)構(gòu)存在欠分割現(xiàn)象。綜上所述,F(xiàn)CM法對(duì)于不同種類根系的分割是當(dāng)前最優(yōu)的。
遴選表現(xiàn)優(yōu)異的根系分割算法后,就可以針對(duì)根系的形態(tài)特征進(jìn)行參數(shù)提取?;谌鐖D7a所示的根系二值圖像,采用細(xì)化理論,將每一條根系細(xì)化成一個(gè)像素的寬度,提取如圖7b所示的根系中軸線,中軸線的長度即為根系長度?;趫D7b,通過統(tǒng)計(jì)圖中白色像素點(diǎn)的數(shù)量,得到中軸線的長度,即為根系的長度。通過圖像中所有根系長度的疊加,計(jì)算出根系的實(shí)際總長度。
圖7 根系中軸線提取結(jié)果Fig.7 Central axis result of the root
通過自動(dòng)、批量獲取時(shí)序下根系的根總長等研究記錄不同土層下樣樹根系生長過程,亦可結(jié)合水文數(shù)據(jù)及試驗(yàn)干預(yù)如施肥、灌溉、地上部分修剪等條件對(duì)比研究林木的物候情況[16]。
本研究設(shè)計(jì)了灌溉處理的對(duì)比試驗(yàn),在本文第一節(jié)“試驗(yàn)與數(shù)據(jù)獲取”已說明,以1號(hào)、2號(hào)、3號(hào)樣樹微根管矩陣第3行、第2列對(duì)應(yīng)的微根管中第40~42觀測(cè)段采集到的根系情況為例,利用根系形態(tài)特征快速提取技術(shù),計(jì)算“根總長”進(jìn)行量化分析。
如圖8所示,從整體上看,此觀測(cè)段位的樣樹根系的生長均始于春季,在4月到7月初進(jìn)入生長活躍期。進(jìn)入盛夏后,從當(dāng)年的7月中旬直到9月份,根系生長有所下降。進(jìn)入秋季后,再次出現(xiàn)生長活躍期,根系生長能力與春季基本持平,入冬后根系生長快速減弱進(jìn)入越冬準(zhǔn)備。對(duì)比不同處理的數(shù)據(jù)發(fā)現(xiàn),在初期生長季,控水灌溉的方式促進(jìn)了根系的生長量,根系周轉(zhuǎn)也比較快。從初夏直到入秋,3種方式根系的生長量及周轉(zhuǎn)效率相似。相比而言,充分灌溉在秋季促進(jìn)了根系的生長。以此為例,亦可進(jìn)一步結(jié)合葉面積指數(shù)、水文數(shù)據(jù)或土鉆試驗(yàn)數(shù)據(jù)等進(jìn)行綜合分析。
圖8 不同滴灌策略下根系生長變化Fig.8 Root growth changes under three drip irrigation strategies
根系形態(tài)特征快速提取技術(shù)的核心是根系分割的算法,雖然現(xiàn)階段FCM法具備一定的優(yōu)勢(shì),但是受不同物理狀態(tài)下根系結(jié)構(gòu)的差異性、不規(guī)則性,以及內(nèi)部復(fù)雜成分導(dǎo)致根系顏色不均一性等影響,還沒有達(dá)到最理想狀態(tài),存在一定的誤差。此外,受制于采集根系圖像總量還不夠多,引入對(duì)根系結(jié)構(gòu)實(shí)現(xiàn)魯棒性強(qiáng)、泛化能力好的神經(jīng)網(wǎng)絡(luò)算法還有一定局限。下一階段,可以運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)根系圖像進(jìn)行分割研究。另一方面,此項(xiàng)技術(shù)應(yīng)用微根管所拍攝的圖像所能表達(dá)的信息是二維的,雖然有文獻(xiàn)提出了一些轉(zhuǎn)換方法[17],但是基于微根管圖像的特征參數(shù)仍需要與傳統(tǒng)如土鉆法等試驗(yàn)數(shù)據(jù)相結(jié)合,尤其是涉及生物量的指標(biāo)與根表面積、根長和平均直徑及與比根長之間的轉(zhuǎn)換,建立方法間測(cè)定根系參數(shù)的轉(zhuǎn)換關(guān)系,比較不同方法呈現(xiàn)出的規(guī)律性。
1)設(shè)計(jì)試驗(yàn)并獲取樣樹在不同土層下的根系動(dòng)態(tài)變化,實(shí)現(xiàn)了無損化、自動(dòng)化、批量化形態(tài)參數(shù)計(jì)算,試驗(yàn)成本低、操作簡單、效率高。
2)分析研究根系生長狀態(tài),運(yùn)用Otsu法、K-means、FCM法等圖像分割算法,2類根系圖像經(jīng)均值濾波后根系部分被快速提取并進(jìn)一步計(jì)算特征參數(shù),實(shí)現(xiàn)了平均誤差不超過10%的精確提取,且在相同的拍攝條件下,F(xiàn)CM法對(duì)根系結(jié)構(gòu)的判定更準(zhǔn)確,穩(wěn)定性強(qiáng)。
3)運(yùn)用根系形態(tài)特征快速提取技術(shù)得到“根總長”特征參數(shù)并進(jìn)行分析,其所呈現(xiàn)的規(guī)律初步表現(xiàn)出良好的適用性。