張東東，周刊社，戴 睿，袁 雷，王佳銳，邊 多

（1西藏自治區(qū)氣候中心，拉薩 850000；2農(nóng)業(yè)農(nóng)村部規(guī)劃設(shè)計(jì)研究院，北京 100125）

0 引言

玉米是中國重要的糧食作物，快速、有效地提取玉米相關(guān)生長參數(shù)對于中國玉米產(chǎn)業(yè)發(fā)展具有重要的意義。植被覆蓋度(Fractional vegetation cover，F(xiàn)VC)是控制植被蒸騰作用、光合作用和其他陸地生物物理過程的一個重要變量[1]，通常定義為植被葉、莖、枝在單位面積內(nèi)的垂直投影面積所占的百分比[2-3]。植被覆蓋度可作為作物生長模型一個輸入?yún)?shù)，常用于作物地上生物量、植被蒸散發(fā)及營養(yǎng)狀況的估算，同時也反映了植被進(jìn)行光合作用的面積及植被生長的茂盛程度，可以在一定程度上反映植被長勢狀況[4-6]。因此快速、準(zhǔn)確的估算玉米覆蓋度對于指導(dǎo)精細(xì)化大田管理及研究農(nóng)田生態(tài)系統(tǒng)具有重要的意義。

關(guān)于植被覆蓋度的測量或估算，有關(guān)學(xué)者已經(jīng)開展了大量的研究。目前，估算植被覆蓋度比較常用的方法有地面實(shí)測法、遙感估算方法[3,6-7]。地面實(shí)測方法優(yōu)點(diǎn)是需要實(shí)地進(jìn)行觀測、測量，估算的精度相對較高，缺點(diǎn)是這種估算方法往往費(fèi)時、費(fèi)力，或?qū)τ^測對象進(jìn)行破壞性采樣，或受觀測人員的主觀性影響大。常用的地面觀測方法主要有目估法、采樣法、儀器法、統(tǒng)計(jì)模型法[8]，地面測量方法常常作為遙感等現(xiàn)代測量方法的輔助及相關(guān)模型的驗(yàn)證。隨著衛(wèi)星遙感技術(shù)的產(chǎn)生與發(fā)展，使植被大面積、實(shí)時、動態(tài)監(jiān)測成為了可能[9-11]，通過遙感方法提取植被覆蓋度也存在許多局限，如影像受天氣條件影響大[12-13]，空間分辨率不高，往往不能滿足精細(xì)化農(nóng)業(yè)的需求。

隨著計(jì)算機(jī)技術(shù)、圖像處理技術(shù)的發(fā)展，基于圖像信息提取技術(shù)獲取植被覆蓋度的方法被越來越多的學(xué)者采用[14]。數(shù)碼攝影獲取的照片中包含了植被覆蓋和生長條件信息，機(jī)器視覺技術(shù)逐漸應(yīng)用于數(shù)字圖像分析，以分離綠色植被和土壤背景。早期為了利用圖像將作物從背景中分離出來，前人提出了許多顏色指數(shù)，這種方法主要是利用不同觀測對象的顏色特征差異,根據(jù)顏色指數(shù)制定閾值，從而達(dá)到圖像分割的目的[15-17]。目前應(yīng)用比較廣泛的顏色指數(shù)有歸一化指數(shù)(NDI)、超綠算子(ExG)、超紅算子(ExR)、超綠減超紅(ExG-ExR)、Vegetative(VEG)、作物提取顏色算子(CIVE)、綠 減 紅(G-B)、紅 減 綠(R-G)、(G-B)/|R-G|等[18-21]。賈建華等[22]通過分析青藏高原地表垂直照片的顏色特征，利用超綠算法實(shí)現(xiàn)了綠色植被與背景的分離。相對于國外研究而言，國內(nèi)關(guān)于這方面的研究較晚，章文波等[23]利用照相法獲取了小區(qū)植被的覆蓋度，并與目估法進(jìn)行了對比，結(jié)果表明照相法得出的結(jié)果更加客觀、最大絕對誤差也相對較小。

上述學(xué)者所提出的方法雖然取得了不錯的效果，但是在處理過程中，難免需要人工參與（如設(shè)置各種紋理參數(shù)、監(jiān)督分類、圖像分割閾值制定），針對實(shí)時拍攝農(nóng)田實(shí)景圖像的處理仍存在一些問題。本研究利用玉米田間實(shí)景圖像，結(jié)合玉米覆蓋度參考值，建立了以顏色指數(shù)為變量的覆蓋度估算模型，旨在提出一種快速、高效的玉米覆蓋度估算方法，以期為農(nóng)田小氣候?qū)嵕皥D像在監(jiān)測作物覆蓋度方向的定量應(yīng)用提供依據(jù)。

1 材料與方法

1.1 研究區(qū)及數(shù)據(jù)來源

本文研究的觀測地點(diǎn)位于山東省泰安市，地理坐標(biāo)為36°6.6′N，117°4.8′E。自動實(shí)景觀測站位于觀測玉米田塊的中央，玉米圖像由江蘇省無線電科學(xué)研究所自主研發(fā)的圖像采集裝置獲取，該裝置集成在農(nóng)業(yè)氣象自動觀測站中。自動觀測站功能涵蓋農(nóng)田小氣候，包括大氣層、土壤層和作物層中各種要素的測量，具有災(zāi)害自動識別，如霜凍、冷害、高溫、干旱等自然災(zāi)害預(yù)警功能，可為現(xiàn)代化農(nóng)業(yè)的生產(chǎn)管理決策提供基礎(chǔ)數(shù)據(jù)。圖像采集裝置主要由數(shù)碼相機(jī)（或CCD攝像機(jī)）、與采集分配器相連的無線路由器、遠(yuǎn)程計(jì)算機(jī)三部分構(gòu)成，示意圖如圖1。數(shù)碼相機(jī)拍攝或CCD攝像機(jī)拍攝作物的圖像，然后圖像數(shù)據(jù)傳輸?shù)讲杉峙淦?，最后通過無線發(fā)射器利用3G網(wǎng)絡(luò)發(fā)送到遠(yuǎn)程計(jì)算機(jī)。

圖1 圖像采集裝置示意圖

1.2 圖像數(shù)據(jù)獲取

研究中使用的圖像采集時間為2013年6月19日—9月27日，覆蓋當(dāng)年玉米整個生長季。圖像由OlympusE450整點(diǎn)拍攝獲取，拍攝時間為9:00、10:00和16:00。所有的數(shù)字照片均以24位真彩色格式存儲，圖像分辨率為3648×2736。由于系統(tǒng)故障和斷電，所獲取的圖像可能存在缺失，最終獲取到玉米正下視圖圖像166張，其中9:00拍攝的圖像43張，10:00拍攝的圖像74張，16:00拍攝的圖像49張。

1.3 玉米覆蓋度實(shí)測數(shù)據(jù)獲取

研究用到的覆蓋度的參考值是通過計(jì)算圖像中所有作物像素?cái)?shù)與圖像所有像素?cái)?shù)量的比值得到。首先要對獲取的圖像數(shù)據(jù)進(jìn)行分割，根據(jù)Hamuda等[24]研究表明，太陽高度角、土壤背景、天氣條件（多云、強(qiáng)光）對圖像分割精度都會產(chǎn)生影響。因此，本研究利用Ye等[25]2015年提出的PFMRF對玉米圖像進(jìn)行分割。Ye等的研究表明PFMRF分割算法即基于馬爾科夫隨機(jī)場的超像素分割算法，該方法可以抵抗強(qiáng)烈的光照對圖像分割的影響，并且還可從陰影中正確的分離出作物。用PFMRF法對原始圖像分割，分割圖像上會帶有一部分非玉米植株的連通域，這些非玉米連通域大多是一些小斑塊，主要是由圖像的噪聲引起。為了提高分割的精度，需要對分割后的圖像進(jìn)行小面積噪聲去除。經(jīng)過實(shí)驗(yàn)分析，將連通域面積小于60像素的區(qū)域刪除。然后計(jì)算去噪后圖像中所有作物像素?cái)?shù)與圖像所有像素?cái)?shù)量的比值，得到作物的覆蓋度。利用PFMRF法對玉米圖像進(jìn)行分割及閾值法對分割圖像去噪結(jié)果如圖2。

圖2 PFMRF法對玉米圖像進(jìn)行分割及閾值法對分割圖像去噪結(jié)果

1.4 圖像顏色指數(shù)

國內(nèi)外學(xué)者提出了多種顏色指數(shù)，這些顏色指數(shù)大多被用來分離綠色植被與背景。表1列舉了比較常用的9種顏色指數(shù)。利用Matlab進(jìn)行編程，計(jì)算每天9:00、10:00、16:00拍攝圖像的9種顏色指數(shù)。為了研究一天之中太陽高度角的變化對計(jì)算結(jié)果的影響，將每種顏色指數(shù)按照圖像獲取時間分為4組（如表2所示）。

表1 本研究使用的顏色指數(shù)

表2 基于圖像獲取時間的顏色指數(shù)分組

1.5 覆蓋度估算模型及精度評價

1.5.1 擬合模型 本研究玉米覆蓋度估算模型是基于圖像顏色指數(shù)建立的，研究中使用5種擬合模型（線性函數(shù)模型、對數(shù)函數(shù)模型、一元二次函數(shù)模型、指數(shù)函數(shù)模型、冪函數(shù)模型）對數(shù)據(jù)進(jìn)行擬合。

1.5.2 精度評價 采用決定系數(shù)(R2)，均方根誤差(RMSE)和平均絕對誤差(MAE)3個指標(biāo)對模型的精度進(jìn)行評價。決定系數(shù)R2是對玉米覆蓋度與顏色指數(shù)進(jìn)行相關(guān)分析時用到的參考指標(biāo)，一般的R2用來解釋回歸模型中自變量的變異在因變量的變異中占的比率，是評價模型擬合優(yōu)度的指標(biāo)[8]。

平均絕對誤差(MAE)計(jì)算公式如(1)所示。

其中yi是實(shí)測值，i是模型預(yù)測值，n是樣本的數(shù)量。

均方根誤差(RMSE)用來檢驗(yàn)?zāi)Ｐ偷念A(yù)測精度，RMSE的計(jì)算公式如(2)所示。

其中yi、i與n的含義與MAE相同。

2 結(jié)果與分析

2.1 基于圖像的玉米覆蓋度與顏色指數(shù)的相關(guān)性分析

由于玉米在不同發(fā)育期的覆蓋度會發(fā)生變化，因此其圖像的顏色指數(shù)也會發(fā)生相應(yīng)變化。為了研究玉米圖像的顏色指數(shù)對玉米覆蓋度的變化的響應(yīng)，利用SPSS軟件對2種變量進(jìn)行了相關(guān)性分析，并進(jìn)行顯著性檢驗(yàn)。表3為不同時間分組情況下，玉米覆蓋度和顏色指數(shù)之間的相關(guān)系數(shù)?？梢钥闯觯衩赘采w度與顏色指數(shù)ExR、R-G、CIVE呈極顯著負(fù)相關(guān)，與G-B/|RG|相關(guān)不顯著，與顏色指數(shù)G-B、ExG-ExR、ExG、NDI、VEG呈極顯著正相關(guān)。除了顏色指數(shù)G-B/|R-G|外，玉米覆蓋度與其他8種顏色指數(shù)的相關(guān)系數(shù)(r)均大于0.88且通過了0.01極顯著性檢驗(yàn)水平。由此可以得出，隨著玉米的生長發(fā)育，其覆蓋度會發(fā)生變化，相應(yīng)的顏色指數(shù)也會隨之變化，且顏色指數(shù)與覆蓋度的相關(guān)性較好，因此可以用圖像的顏色指數(shù)來估算玉米的覆蓋度。

表3 玉米覆蓋度與顏色指數(shù)的相關(guān)性

在所有數(shù)據(jù)中選擇與玉米覆蓋度相關(guān)系數(shù)(r)達(dá)到0.01極顯著性檢驗(yàn)水平且大于0.88的顏色指數(shù)來構(gòu)建玉米覆蓋度估算模型，即選擇ExR、R-G、CIVE、GB、ExG-ExR、ExG、NDI、VEG 8種顏色指數(shù)建模。為了使構(gòu)建的玉米覆蓋度估算模型更加可靠，把每個時間分組的數(shù)據(jù)按照等間距抽樣方法分為兩組：一組作為訓(xùn)練樣本，用于覆蓋度估算模型的構(gòu)建，另外一組作為驗(yàn)證樣本，對構(gòu)建的模型進(jìn)行精度評價。

2.2 基于顏色指數(shù)的覆蓋度估算模型及精度評價

利用選出的8種顏色指數(shù)與計(jì)算的覆蓋度進(jìn)行線性與非線性擬合，每種顏色指數(shù)選擇一種最佳的擬合方式，并用相應(yīng)的驗(yàn)證樣本對其精度進(jìn)行評價?；谝陨?種顏色指數(shù)的玉米覆蓋度估算模型及其精度驗(yàn)證結(jié)果如表4。從表中可以看出，除了以顏色指數(shù)VEG為變量所構(gòu)建的玉米覆蓋度估算模型以一元二次模型最優(yōu)外，以其他7種顏色指數(shù)為變量構(gòu)建的玉米覆蓋度估算模型都是以線性模型最優(yōu)。其中，分別以顏色指數(shù) ExR、R-G、CIVE、ExG-ExR、ExG、NDI、VEG為變量在不同時間分組內(nèi)所構(gòu)建的玉米覆蓋度的最佳擬合方程的決定系數(shù)R2均大于0.9，在0.9158～0.9893之間，RMSE、MAE均小于0.1，分別在0.0270～0.0984之間和0.0223～0.0876之間。以G-B為變量的玉米覆蓋度估算模型的決定系數(shù)R2均小于0.9，RMSE和MAE均大于0.1?？傮w而言，除了以G-B為變量的玉米覆蓋度估算模型精度較低外，以其他顏色指數(shù)為變量構(gòu)建的覆蓋度估算模型精度均較高。

表4 基于顏色指數(shù)的覆蓋度估算模型及精度驗(yàn)證

續(xù)表4

由表4還可以看出，無論在哪個時間分組，估算玉米覆蓋度的最佳顏色指數(shù)都是VEG，以VEG為變量的一元二次模型估算精度最高，模型的決定系數(shù)R2均大于 0.98，在0.9846～0.9893之間，RMSE、MAE均小于0.05，分別在 0.0270～0.0459之間和 0.0223～0.0326之間。各時間分組采用以VEG為變量的玉米覆蓋度估算模型預(yù)測玉米覆蓋度和實(shí)測的覆蓋度之間的散點(diǎn)圖如圖3所示。圖3中的散點(diǎn)表示實(shí)測覆蓋度與模型預(yù)測覆蓋度的分布情況，圖中藍(lán)色虛線為1:1線。散點(diǎn)越接近1:1線，表示模型的預(yù)測精度越高。結(jié)合表4和圖3可知，以VEG為變量的覆蓋度估算模型在不同的時間分組中估算精度不同。其中，在T平均時間分組中，模型估算精度最高，決定系數(shù)R2為0.9893，RMSE和MAE均最小，分別為0.0270、0.0223。

圖3 以VEG為變量的覆蓋度估算模型在不同時間分組中實(shí)測值與預(yù)測值比較

3 結(jié)論與討論

本研究利用農(nóng)田間小氣候?qū)嵕罢緦τ衩走M(jìn)行監(jiān)測，定時獲取玉米實(shí)景圖像，采用圖像分割技術(shù)對玉米圖像進(jìn)行分割，計(jì)算得到玉米覆蓋度作為覆蓋度真值，通過對圖像顏色指數(shù)和覆蓋度真值進(jìn)行相關(guān)性分析，建立了基于圖像顏色指數(shù)的玉米覆蓋度估算模型，并對模型進(jìn)行了精度評價。研究表明：

（1）基于圖像所計(jì)算的8種顏色指數(shù)ExR、R-G、CIVE、G-B、ExG-ExR、ExG、NDI、VEG與玉米覆蓋度之間具有較好地相關(guān)性，玉米在不同發(fā)育期，隨著覆蓋度的變化，可以引起上述8種顏色指數(shù)相應(yīng)的變化，因此可以利用這些顏色指數(shù)來估算玉米的覆蓋度。

（2）基于不同顏色指數(shù)的覆蓋度估算模型預(yù)測精度不同，分別以顏色指數(shù)ExR、R-G、CIVE、ExG-ExR、ExG、NDI、VEG為變量的覆蓋度估算模型預(yù)測效果均較好，其中以VEG為變量的一元二次模型估算精度最高。

（3）以VEG為變量的覆蓋度估算模型中，在T平均時間分組中，模型估算精度最高，預(yù)測R2為0.993，RMSE和MAE均最小，分別為0.0270、0.0223。說明對不同時間獲取圖像所計(jì)算的顏色指數(shù)取平均，可以在一定程度上減小太陽高度角變化對模型估算精度的影響。

雖然利用玉米田間實(shí)景圖像建立了基于顏色指數(shù)的覆蓋度估算模型，也完成了模型的精度評價，但是在研究過程中也存在一些問題，如圖像采集裝置由于系統(tǒng)原因或者斷電，造成在不同采集時間獲取的照片數(shù)量不一致、數(shù)據(jù)量不夠大，這也是導(dǎo)致玉米覆蓋度估算誤差的原因之一。另外，本研究中所有的覆蓋度估算模型均是基于單一變量構(gòu)建的，今后研究中可以考慮構(gòu)建多變量覆蓋度估算模型，通過對比分析，以期得到一個更加優(yōu)化的玉米覆蓋度估算模型。