摘 要：本研究利用尼康D560單反數(shù)碼相機(jī)獲取草原植被冠層的圖像信息，用Photoshop默認(rèn)的RGB（red-green-blue，紅-綠-藍(lán)）色彩模式提取圖像色彩參數(shù)，將提取的紅光（rad）值、綠光（green）值，藍(lán)光（blue）值與植被平均高度、植被覆蓋率、單位面積株數(shù)3個(gè)反映植被生長(zhǎng)狀況的指標(biāo)進(jìn)行分析，構(gòu)建植被生長(zhǎng)狀況與圖像色彩參數(shù)模型，利用決定系數(shù)（R2）、均方根誤差（root mean squared error，RMSE）、相對(duì)誤差（relative error，RE，%）進(jìn)行模型精度評(píng)價(jià)。結(jié)果表明：植被覆蓋率與圖像色彩參數(shù)的決定系數(shù)較平均高度和單位面積株數(shù)高，與R值、G值及B值3個(gè)色彩參數(shù)的決定系數(shù)分別為0.837 9、0.899 4、0.869 9，均高于0.8的水平。構(gòu)建植被覆蓋率與色彩參數(shù)G值和R值回歸模型，模型分別為y=0.310 5x+40.943和y=-0.008x2+1.409 8x+9.462 6，這兩個(gè)預(yù)測(cè)模型的解釋比例達(dá)到89.94%和92.18%，預(yù)測(cè)精度較理想。對(duì)這兩個(gè)模型進(jìn)行驗(yàn)證，二次方程預(yù)測(cè)的植被覆蓋率的理論值與真實(shí)測(cè)量值之間的決定系數(shù)為0.803 8，均方根誤差為2.27，相對(duì)誤差為2.8%，3項(xiàng)數(shù)據(jù)較線性方程的評(píng)估效果好。表明利用數(shù)字圖像技術(shù)監(jiān)測(cè)植被覆蓋率的狀況是可行的，為草原植被無(wú)損診斷提供理論依據(jù)。

關(guān)鍵詞：圖像技術(shù)；草原植被；回歸模型；無(wú)損診斷

中圖分類(lèi)號(hào)：S126

文獻(xiàn)標(biāo)志碼：A

中國(guó)是世界上草原資源最豐富的國(guó)家之一，草原總面積將近4億hm2，占全國(guó)土地總面積的40.9%［1］。草原植被顏色的深淺和植被覆蓋的疏密程度均會(huì)不同程度導(dǎo)致植被冠層光譜反射特性的變化。計(jì)算機(jī)視覺(jué)技術(shù)是利用圖像傳感器獲取物體的圖像，同時(shí)將圖像轉(zhuǎn)換成數(shù)字圖像再利用計(jì)算機(jī)識(shí)別［2-3］，以達(dá)到由定性判斷到定量計(jì)算的目的。目前，許多學(xué)者通過(guò)獲取作物冠層圖像參數(shù)的方法和手段對(duì)綠色植物進(jìn)行了診斷分析［4-6］，表明利用數(shù)字圖像分析技術(shù)提取植物外部形態(tài)特征的可行性，并提出這種手段的廣闊應(yīng)用前景［7-8］，計(jì)算機(jī)技術(shù)在農(nóng)作物生長(zhǎng)態(tài)勢(shì)、監(jiān)測(cè)農(nóng)產(chǎn)品分級(jí)方面也有應(yīng)用［9-10］，利用計(jì)算機(jī)視覺(jué)技術(shù)參考物法測(cè)量葉片面積的可行性，并且測(cè)量的精確度和效率都很高［11-12］。利用圖像技術(shù)對(duì)具體的作物研究報(bào)道較多，然而利用圖像技術(shù)手段監(jiān)測(cè)草原植被生長(zhǎng)狀況的研究報(bào)道較少。本研究旨在通過(guò)色彩參數(shù)對(duì)草原植被生長(zhǎng)狀況的3個(gè)指標(biāo)，即植被平均高度、植被覆蓋率［13］、單位面積株數(shù)進(jìn)行分析，探究色彩參數(shù)與植被生長(zhǎng)狀況的內(nèi)在聯(lián)系，構(gòu)建快速診斷的模型，達(dá)到快速、無(wú)損監(jiān)測(cè)草原植被生長(zhǎng)狀況的目的。

1 材料與方法

1.1 采樣地概況

研究地位于甘肅省合作市西2.5 km處的當(dāng)周草原，東經(jīng)102.92°，北緯34.99°，面積約570 hm2，屬高寒濕潤(rùn)類(lèi)型，年均氣溫零下0.5 ℃到3.5 ℃，極端最高氣溫28 ℃，極端最低氣溫-23 ℃。年均降水量約550 mm，地表徑流深200～350 mm，年蒸發(fā)量約1 200 mm。

1.2 試驗(yàn)設(shè)計(jì)

在當(dāng)周草原不同方位隨機(jī)選擇長(zhǎng)勢(shì)均勻且無(wú)損草原植被作為研究對(duì)象，每個(gè)方位選取4個(gè)，共選取16個(gè)正方形的樣方，樣方邊長(zhǎng)為1 m，使用白色標(biāo)志線作為樣方的邊框。

1.3 "圖像色彩參數(shù)

試驗(yàn)于2019年9月20日上午10時(shí)進(jìn)行，晴，西北風(fēng)，風(fēng)向角度315°，風(fēng)力1～2級(jí)，全天氣溫0～17 ℃，相對(duì)濕度69%，能見(jiàn)度：25 km。選用圖像傳感器尼康D560單反數(shù)碼相機(jī)（像素2 000萬(wàn)～2 999 萬(wàn)）關(guān)閉閃光燈模式下進(jìn)行，拍攝時(shí)攝像頭向下固定在支架上， 鏡頭與樣方垂直成90°，高度保持1.2 m，圖像用原圖無(wú)處理格式導(dǎo)入計(jì)算機(jī)，用Photoshop 8.0軟件中的RGB模型提取色素參數(shù)，記錄紅光（R）、綠光（G）、藍(lán)光（B）參數(shù)的平均值。

1.4 生長(zhǎng)狀況指標(biāo)

用植被平均高度、植被覆蓋率、單位面積株數(shù)3個(gè)指標(biāo)來(lái)反映植被生長(zhǎng)狀況。植被平均高度采用樣方內(nèi)所有種類(lèi)植被的平均值。將樣方圖像打印成縮小10%大小的照片，即10 cm×10 cm大小的照片，照片平放，將透明的方格紙平鋪到照片上，計(jì)量出覆蓋草的格點(diǎn)數(shù)，得出植被覆蓋面積。單位面積株數(shù)需要統(tǒng)計(jì)出每個(gè)樣方有多少根草，統(tǒng)計(jì)的數(shù)據(jù)精確到百位。

植被覆蓋率=植被覆蓋面積/樣方面積

1.5 數(shù)據(jù)處理與模型評(píng)估

16個(gè)樣方數(shù)據(jù)按照Kennard-Stone方法以5∶3的比例分為10個(gè)預(yù)測(cè)集和6個(gè)校正集 。使用Photoshop 8．0軟件、Excel軟件、Spss統(tǒng)計(jì)學(xué)軟件進(jìn)行分析處理。

2 分析與結(jié)果

2.1 色彩參數(shù)

將圖像數(shù)據(jù)導(dǎo)入計(jì)算機(jī)軟件Photoshop 8.0，用軟件中的RGB模型提取光照環(huán)境相同的情況下草原植被的RGB色彩參數(shù)值，取10個(gè)樣方圖像的平均色彩參數(shù)，具體見(jiàn)表1。

2.2 植被生長(zhǎng)狀況指標(biāo)

草原植被的生長(zhǎng)狀況可以用植被覆蓋率、平均高度以及單位面積上的株數(shù)定量地反映，不同方位隨機(jī)選取10個(gè)樣方，計(jì)算出植被覆蓋率、高度和單位面積株樹(shù)，具體見(jiàn)表2。

2.3 不同植被生長(zhǎng)狀況指標(biāo)的相似度評(píng)價(jià)

植被生長(zhǎng)狀況指標(biāo)植被覆蓋率、平均高度及單位面積株數(shù)均不同程度地反映了草原植被的生長(zhǎng)狀況，植被生長(zhǎng)狀況指標(biāo)與色彩參數(shù)進(jìn)行線性回歸分析，決定系數(shù)（R2）反應(yīng)生長(zhǎng)狀況指標(biāo)通過(guò)回歸關(guān)系被色彩參數(shù)解釋的比例，即回歸中可解釋離差平方和與總離差平方和之比值，其結(jié)果介于0到1之間，越接近1，回歸擬合效果越好。具體見(jiàn)表2。

在統(tǒng)計(jì)學(xué)中對(duì)變量進(jìn)行線性回歸分析，采用最小二乘法進(jìn)行參數(shù)估計(jì)，從表2可以看出，植被生長(zhǎng)狀況指標(biāo)與色彩參數(shù)進(jìn)行線性回歸，決定系數(shù)（R2）均大于0.6。其中，覆蓋率指標(biāo)與3個(gè)色彩參數(shù)的線性回歸的決定系數(shù)最高，均大于0.8，單位面積株樹(shù)與3個(gè)色彩參數(shù)的線性回歸的決定系數(shù)最低，均未超過(guò)0.8，統(tǒng)計(jì)學(xué)中一般認(rèn)為決定系數(shù)超過(guò)0.8的模型擬合度比較高，模型精確，回歸效果顯著。

2.4 植被覆蓋率與色彩參數(shù)的定量分析

為了進(jìn)一步探究植被生長(zhǎng)狀況指標(biāo)與色彩參數(shù)之間的更加理想的定量關(guān)系，選擇決定系數(shù)較高的植被覆蓋率與色彩參數(shù)分別構(gòu)建線性和非線性回歸方程模型（直線方程函數(shù)、對(duì)數(shù)方程函數(shù)、 二次方程函數(shù)、冪方程函數(shù)和指數(shù)方程函數(shù)），建立線性、非線性等多種模型，見(jiàn)表 4。

結(jié)果表明：色彩參數(shù)反演植被覆蓋率所構(gòu)建的回歸模型決定系數(shù)均超過(guò)0.8的水平，反演能力均很理想。與R值建立的直線方程函數(shù)、對(duì)數(shù)方程函數(shù)、 二次方程函數(shù)、冪方程函數(shù)和指數(shù)方程函數(shù)的決定系數(shù)分別為0.837 9、0.834 4、0.921 8、0.856 2、0.857 9；與G值建立的以上5個(gè)模型的決定系數(shù)分別為0.899 4、0.897 7、0.920 3、0.903 1、0.904 7；與B值的分別為0.869 9、0.867 9、0.915 9、0.882 9、0.884 9。在所有回歸方程中，R值建立的二次方程表現(xiàn)最優(yōu)，且考慮到直線方程模型預(yù)測(cè)的簡(jiǎn)便性和快捷性，故本研究選取植被覆蓋率與色彩參數(shù)G值和R值分別建立直線方程和二次方程作為最佳評(píng)估預(yù)測(cè)方程模型[14-15]，見(jiàn)圖1。

2.5 植被覆蓋率的模型驗(yàn)證

為了驗(yàn)證植被覆蓋率方程模型的適應(yīng)性及準(zhǔn)確性，利用預(yù)測(cè)集進(jìn)行驗(yàn)證，使用模型計(jì)算的植被覆蓋率的預(yù)測(cè)值與實(shí)測(cè)值相比較，用決定系數(shù)（R2）、均方根誤差（RMSE）和相對(duì)誤差（RE，%）3 個(gè)指標(biāo)綜合考察模型的準(zhǔn)確性（圖2）。

結(jié)果表明，利用色彩參數(shù)［9］G值和R值與植被覆蓋率建立的估算預(yù)測(cè)模型，其實(shí)際測(cè)量值與估算預(yù)測(cè)值之間的決定系數(shù)（R2）分別為 0.648 2和0.803 8。其中均方根誤差（RMSE）分別為2.64和2.27，相對(duì)誤差（RE，%）分別為3.31%和2.8%，R值在評(píng)估植被覆蓋率時(shí)決定系數(shù)、均方根誤差和相對(duì)誤差3項(xiàng)評(píng)價(jià)指標(biāo)均優(yōu)于G值的評(píng)估結(jié)果。

3 結(jié)果與分析

1）通過(guò)對(duì)反映植被生長(zhǎng)狀況的植被覆蓋率、平均高度及單位面積株數(shù)3個(gè)指標(biāo)與色彩參數(shù)進(jìn)行線性回歸分析[16-18]，發(fā)現(xiàn)色彩參數(shù)在評(píng)價(jià)植被覆蓋率時(shí)最優(yōu)，決定系數(shù)均超過(guò)0.8，其中色彩參數(shù)中G值最高為0.899 4。

2）進(jìn)一步研究植被覆蓋率與色彩參數(shù)之間的定量關(guān)系，建立不同類(lèi)型的回歸方程模型，分別構(gòu)建直線方程函數(shù)、對(duì)數(shù)方程函數(shù)、 二次方程函數(shù)、冪方程函數(shù)和指數(shù)方程函數(shù)等線性和非線性共5個(gè)回歸模型，分析比較后選取植被覆蓋率與色彩參數(shù)G值和R值分別建立直線方程和二次方程作為最佳評(píng)估預(yù)測(cè)方程模型，模型方程為y=0.310 5x+40.943和y=-0.008x2+1.409 8x+9.462 6。這兩個(gè)預(yù)測(cè)模型的決定系數(shù)分別為0.899 4和 0.921 8，反應(yīng)了植被覆蓋率通過(guò)這兩個(gè)回歸關(guān)系被色彩參數(shù)解釋的比例達(dá)到89.94%和92.18%。

3）模型的好壞不但理論上預(yù)測(cè)率要高，更重要的是須通過(guò)驗(yàn)證才能得出初步的評(píng)價(jià)結(jié)果。用校正集數(shù)據(jù)進(jìn)行模型驗(yàn)證，發(fā)現(xiàn)用R值作為自變量構(gòu)建的二次方程（y=-0.008x2+1.409 8x+9.462 6）預(yù)測(cè)出的植被覆蓋率的理論值與真實(shí)測(cè)量值之間的決定系數(shù)為0.803 8，均方根誤差（RMSE）為2.27，相對(duì)誤差（RE，%）為2.8%，3項(xiàng)指標(biāo)均優(yōu)于G值所建立的線性方程（y=0.310 5x+40.943）的評(píng)價(jià)指標(biāo)。

4 結(jié)論與展望

1）本研究分析了植被生長(zhǎng)狀況指標(biāo)（植被覆蓋率、平均高度及單位面積株數(shù)）與色彩參數(shù)R、G、B值之間的關(guān)系，分析結(jié)果證明數(shù)字圖像技術(shù)在植被生長(zhǎng)狀況無(wú)損診斷的可行性[19-23]。然而，本研究在圖像設(shè)備的選用上未作討論，主要是未開(kāi)展不同圖像采集設(shè)備的大量對(duì)比試驗(yàn)，從而造成是否會(huì)因設(shè)備參數(shù)（拍攝角度、儲(chǔ)存格式、拍攝時(shí)間和相機(jī)分辨率等）的區(qū)別造成不同的結(jié)果還有待進(jìn)一步驗(yàn)證。模型的構(gòu)建僅是適用當(dāng)時(shí)試驗(yàn)時(shí)采集的樣品得出的結(jié)果，是否不同的采集時(shí)間會(huì)影響模型結(jié)果也需今后進(jìn)一步研究。

2）本研究更加完備性的結(jié)論需要今后對(duì)成像因素、試驗(yàn)場(chǎng)地、采集時(shí)期等進(jìn)行深入的思考和規(guī)范，我國(guó)幅員遼闊，草原遍布大江南北，通過(guò)無(wú)人機(jī)遙感系統(tǒng)獲取草原冠層數(shù)字化信息，監(jiān)測(cè)草原的長(zhǎng)勢(shì)，并對(duì)生長(zhǎng)狀況作出快速判斷，提高草原大面積監(jiān)測(cè)的實(shí)時(shí)性和準(zhǔn)確性，未來(lái)基于色彩參數(shù)的草原植被生長(zhǎng)狀況的無(wú)損診斷研究任重而道遠(yuǎn)。

參考文獻(xiàn)：

[1]趙磊磊， 張英團(tuán)， 劉永杰， 等. 我國(guó)草原調(diào)查監(jiān)測(cè)現(xiàn)狀、存在問(wèn)題及對(duì)策分析［J］. 林業(yè)建設(shè)， 2020（6）： 8-12.

［2］ 何東健，楊青， 薛少平， 等. 果實(shí)表面顏色計(jì)算機(jī)視覺(jué)分級(jí)技術(shù)研究［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 1998， 14（3）： 202-205.

［3］ 馬占杰. 果實(shí)表面顏色計(jì)算機(jī)視覺(jué)分級(jí)技術(shù)研究［J］. 電子測(cè)試， 2021（1）： 59-60.

［4］ 陳珠琳， 王雪峰， 陳毅青， 等．基于多特征和改進(jìn) BPNN 的降香黃檀冠層葉片全氮含量無(wú)損診斷［J］．生態(tài)學(xué)雜志， 2019， 38 （1）： 275-282.

［5］ 賈彪， 賀正， 王銳， 等. 基于歸一化冠層覆蓋系數(shù)的玉米果穗發(fā)育動(dòng)態(tài)估算［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（3）： 138-145．

［6］ 史培華， 王 遠(yuǎn)， 袁政奇， 等. 基于冠層ＲGB圖像的冬小麥氮素營(yíng)養(yǎng)指標(biāo)監(jiān)測(cè)［J］. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2020， 43（5）： 829-837.

［7］ 王翔宇， 楊菡， 李鑫星， 等． 基于無(wú)人機(jī)可見(jiàn)光譜遙感的玉米長(zhǎng)勢(shì)監(jiān)測(cè)［J］. 光譜學(xué)與光譜分析，2021， 41（1）： 265-270．

［8］ 張玨， 田海清， 李哲， 等．基于數(shù)碼圖像的甜菜氮素近地遙感監(jiān)測(cè)模型［J］. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，" 2018， 23（6）： 130-139.

［9］ 徐貴力， 毛罕平， 胡永光. 基于計(jì)算機(jī)視覺(jué)技術(shù)參考物法測(cè)量葉片面積［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2002（1）： 172-175.

［10］李剛?cè)A， 薛利紅， 尤娟，等." 水稻氮素和葉綠素 SPAD 葉位分布特點(diǎn)及氮素診斷的葉位選擇［J］." 中國(guó)農(nóng)業(yè)科學(xué)， 2007， 40（6）： 1127-1134.

［11］徐歆愷， 郭楠， 葛慶平， 等. 計(jì)算機(jī)視覺(jué)技術(shù)在作物形態(tài)測(cè)量中的應(yīng)用［J］. 計(jì)算機(jī)工程與設(shè)計(jì)， 2006， 27（7）： 1134-1136.

［12］李秀瑞， 孫林， 朱金山， 等． 多尺度遙感數(shù)據(jù)協(xié)同的干旱地區(qū)植被覆蓋度提?。跩］. 生態(tài)學(xué)雜志， 2016， 35（5）： 1394-1402.

［13］賈丹， 陳鵬飛． 低空無(wú)人機(jī)影像分辨率對(duì)冬小麥氮濃度反演的影響［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（7）： 164-169.

［14］賈良良， 范明生， 張福鎖， 等． 應(yīng)用數(shù)碼相機(jī)進(jìn)行水稻氮營(yíng)養(yǎng)診斷［J］. 光譜學(xué)與光譜分析， 2009， 29（8）： 2176-2179.

［15］李嵐?jié)?張萌， 任濤， 等． 應(yīng)用數(shù)字圖像技術(shù)進(jìn)行水稻氮素營(yíng)養(yǎng)診斷［J］. 植物營(yíng)養(yǎng)與肥料學(xué)報(bào)， 2015， 21（1）： 259-268.

［16］梁晉， 劉仕元， 王帥彬， 等． 基于無(wú)人機(jī)遙感的花生氮營(yíng)養(yǎng)反演研究［J］. 中國(guó)油料作物學(xué)報(bào)， 2020， 42（6）： 1043-1050.

［17］劉子恒， 敏乾， 李海翼. 數(shù)字圖像技術(shù)在苦菜葉綠素含量測(cè)量中的應(yīng)用［J］. 貴州大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2017， 34（6）： 11-13.

［18］張立周， 侯曉宇， 張玉銘， 等. 數(shù)字圖像診斷技術(shù)在冬小麥氮素營(yíng)養(yǎng)診斷中的應(yīng)用［J］． 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)， 2011， 19（5）： 1168-1174.

［19］SULIK J J， LONG D S． Spectral considerations for modelingyield of canola［J］． Ｒemote Sensing of Environment， 2016， 184： 161-174.

［20］WANG Y， SHI P H， ZHANG G， et al．" A critical nitrogendilution curve for japonica rice based on canopy images［J］． Field Crops Ｒesearch，" 2016， 198： 93-100.

［21］李紅軍， 李佳珍， 雷玉平， 等． 無(wú)人機(jī)搭載數(shù)碼相機(jī)航拍進(jìn)行小麥、玉米氮素營(yíng)養(yǎng)診斷研究［J］. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)， 2017， 25（12）： 1832-1841.

［22］夏莎莎， 張聰， 李佳珍， 等． 基于手機(jī)相機(jī)獲取玉米葉片數(shù)字圖像的氮素營(yíng)養(yǎng)診斷與推薦施肥研究［J］. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)， 2018， 26（5）： 703-709.

［23］王建偉， 薛超群， 周漢平， 等． 烤煙冠層光譜參數(shù)與葉片葉綠素含量的相關(guān)分析［J］. 生態(tài)學(xué)雜志，" 2010， 29（5）： 876-880．

（責(zé)任編輯： 曾 晶）

Application of Digital Image Technology in Monitoring

Grassland Vegetation Growth

LIU Ziheng*， QIANG Peng

（Department of Physics and Hydropower Engineering， Gansu Normal University for Nationalities， Hezuo 747000， China）

Abstract：

In this study， we obtained the image information of the grassland vegetation canopy using a Nikon D560 SLR digital camera， extracted image color parameters with Photoshop’s default RGB color mode， and analyzed the red value （R）， green value （G）， blue value （B）， and the indicators of average vegetation height， vegetation coverage， and the number of plants per unit area." Then the model of vegetation growth status and image color parameters was built， and the model accuracy was evaluated with the coefficient of determination （R2）， the root mean square error （RMSE）， and the relative error （RE， %）." The results showed the determination coefficient of vegetation coverage and image color parameters was higher than that of average height and number of trees per unit area，and R value， G value， and B value of the three color parameters were 0.837 9， 0.899 4， and 0.869 9， respectively， all higher than the level of 0. 8." The research built a regression model of vegetation coverage and color parameters G value and R value， y=0. 310 5x+40. 943 and y=-0. 008x2+1. 409 8x+9. 462 6 respectively， with the proportion of explanation being 89.94% and 92.18%， reaching an ideal prediction accuracy." After validating the two models， the determination coefficient between the theoretical value of the vegetation coverage predicted by the quadratic equation and the actual measured value was 0. 803 8， the root mean square error was 2.27， and the relative error was 2.8%， the evaluation effect of three items of data was better than that of linear equation." The research proved it was feasible to monitor vegetation coverage with digital image technology， providing theoretical basis for non-destructive diagnosis of grassland vegetation.

Key words：

image technology; grassland vegetation; regression models; non-destructive diagnosis

收稿日期：2022-03-31

基金項(xiàng)目：甘肅省高等學(xué)校科學(xué)研究項(xiàng)目（2015B-123）

作者簡(jiǎn)介：劉子恒（1981—），男，副教授，碩士，研究方向：光譜分析及生態(tài)保護(hù)，E-mail：liuziheng0005@163.com.

通訊作者：劉子恒，E-mail：liuziheng0005@163.com.