基于图像提取技术计算夏玉米覆盖度和反演叶面积指数的精度评价**

李翠娜，张雪芬，余正泓，王秀芳



基于图像提取技术计算夏玉米覆盖度和反演叶面积指数的精度评价**

李翠娜1,2,3，张雪芬3，余正泓4，王秀芳5

（1.中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室，北京100029;2.中国科学院大学，北京 100049; 3.中国气象局气象探测中心，北京100081; 4.广东科学技术职业学院，珠海 519090; 5.河南省信阳气象局，信阳 464000）

如何将农作物从复杂动态变化的农田场景中准确提取出来，是作物分割方法后续提取覆盖度或反演叶面积指数准确与否的关键。本文以郑州、泰安和固城站2011年和2012年生长季的夏玉米为研究对象，利用在线式图像自动传输装置实时获取户外不同光照强度以及真实农田复杂背景下的夏玉米群体动态图像，在对原始图像进行几何校正的基础上，采用AP-HI、ExG、ExGR和CIVE4种作物分割方法提取夏玉米覆盖度和反演叶面积指数，通过对比试验定量评价每种作物分割方法对农田复杂背景的适应能力和精度，并从中选取适合农田复杂环境下夏玉米冠层图像覆盖度和叶面积指数的有效提取方法。结果表明：光照强度变化以及植物阴影、植物残渣等复杂背景对作物分割算法的精确性影响较大，AP-HI方法在光照适应性和对抗复杂环境两个方面均优于其它方法，相对误差在0.2以下，高于目估法测量的精度；通过对比分析发现，利用4种作物分割方法通过冠层孔隙率估算不同生长期夏玉米LAI，AP-HI反演模型最优，其估算的LAI与实际测得的LAI值比较的相关系数最高，为0.89~0.96,均方根误差最小，为0.47~0.75。综合考虑模型的精度和稳定性认为，基于AP-HI方法反演叶面积指数的方法具有一定应用优势。

农作物；图像处理；覆盖度；LAI；模型

作物覆盖度(Cc)和叶面积指数(LAI)是定性和定量评价作物群体长势状况的重要指标，准确提取其信息对监测作物生长状态和预测作物产量具有重要意义[1-3]。估测作物覆盖度和叶面积指数的方法主要有地面实测和遥感监测两种方式[4]。地面实测是遥感等现代测量方法必不可少的辅助和校验手段[5]。常用的地面实测方法是目估法，该方法繁琐、费时、破坏性大，且受观测者的主观影响，最大绝对误差可达40%[6]。随着数码相机分辨率的提高和数字图像技术的应用，基于静态图像信息提取技术估测覆盖度和叶面积指数成为获取样本实测数据的主要方法，是今后作物覆盖度和叶面积指数地面测量的发展趋势[7-9]。该方法利用CCD成像技术获取作物冠层照片，在计算机中将影像分成作物和非作物，并通过阈值法提取作物覆盖度，然后用覆盖度估算叶面积指数[10-12]。较之传统的地面测量方法，这种方法更为方便、快捷且准确。但静态图像信息提取技术也存在一定的局限性，它通过人工近距离拍摄图像，难以对作物进行实时、动态观测，资料时效性和可比性较低。针对上述技术难点，国内外已有研究提出了一种利用在线式图像处理技术估测覆盖度和叶面积指数的方法[13-15]，它将自动采集、图像处理、通信传输、远程控制等多种技术手段相结合计算作物覆盖度，进而用覆盖度估算叶面积指数。这种方法可相对快速、客观获取实时、连续、动态的植被覆盖度和叶面积指数信息，展现出良好的研究和应用前景。当前对该方法的研究主要集中在从复杂动态变化的农田里精确提取作物的分类方法及其精度评价。赵继强等[16]定量研究了照相法测量规则林地覆盖度中采样策略、相机非垂直拍摄等因素对覆盖度计算结果的影响。任杰等[11]比较了NDI法和监督分类法计算植被覆盖度精度。孙涛等[17]基于Gamma校正原理对水稻冠层数码相片进行校正处理，在此基础上利用2G-R-B植被指数提取作物信息，结果表明，经过Gamma校正的相片估算的水稻叶面积指数总体精度有显著提高。以上各研究仅对比了静态图像在不同分类方法或相机拍摄采样策略下覆盖度的计算结果，并未考虑实地农田测量中作物覆盖度或叶面积指数估测精度受光照变化、种植地背景复杂等因素的影响。

本文以夏玉米为例，通过在线式图像自动传输装置实时获取农田作物动态图像，并在图像几何参数自动标定基础上，采用4种常用的图像自动提取算法计算作物覆盖度，利用冠层孔隙率方法建立覆盖度与叶面积指数模型。通过对比试验，对每种提取算法的计算性能进行评价，以期确定一种更加适于实际农田作物覆盖度和叶面积指数的测量方法，为作物长势动态监测提供依据。

1 资料与方法

1.1 田间试验数据获取

试验于2011-2012年在河南省郑州（34.46°N, 113.40°E）、山东省泰安（36.11°N, 117.08°E）和河北省固城（39.13°N, 115.67°E）农业气象试验站进行。试验区地势平坦，土壤类型为壤土。试验选择当地主栽夏玉米优质品种，分别为浚单20、郑单958和冀单32，行间距均为90cm，行内距约为19cm，成株株高250cm左右，生育期为每年6月-10月上旬，出苗-成熟期约需100d。在每个试验区选择总面积约0.5km×0.5km作为核心监测区域，中央架设田间监测设备。试验区分为仪器自动观测地段和人工对比观测地段，二者位于同一地块，仪器自动观测地段实际观测面积30m2左右，在避免边际效应的同时，两个观测地段尽可能靠近，使两个区域的作物生长环境一致，保证对比观测的可比性。

试验测定了夏玉米主要生育期(出苗期、三叶期、七叶期、拔节期、抽雄期、开花期、吐丝期、乳熟期和成熟期)的叶面积指数，作为评价叶面积反演模型精度的评价标准。叶面积指数的测定采用传统的长宽系数法[18]，测量40株夏玉米植株高度，按不同高度分配比例取5株，测定其叶长和叶宽，系数取0.7，取平均值作为单株叶面积值，根据大田密度换算实际叶面积指数值。

1.2 图像采集

在线式作物图像自动传输装置由CCD相机（E-450Olympus）、图像采集器、通讯传输装置和计算机终端组成，如图1所示。图像采集器由中国气象局气象探测中心和江苏省无线电科学研究所联合自主研发，具备采集计划设置、自动拍摄控制、数据存储和数据传输等功能，可较好满足大田作物图像拍摄需求。CCD相机外部装有防风沙球罩状装置，以抵抗户外雨水和灰尘的侵蚀，其CCD传感器镜头焦距为16mm。图像采集器和CCD传感器均被固定在立柱上，离地高度分别为1m和5m。

设定每日9：00-16：00正点经由CCD相机自动拍摄夏玉米图像，并通过3G/4G无线网络将获取的夏玉米图像远程传输至计算机终端，计算机终端利用内置的作物图像处理算法实现夏玉米覆盖度实时自动计算。图像分辨率为2736×3648，彩色，JPG格式。

1.3研究方法

1.3.1 图像几何参数标定

CCD相机的图像几何参数标定是实现视觉图像信息精确识别、解译的重要基础。本研究采用Zhang等[19]提出的标定方法，具体步骤如下：

（1）根据实验设计的观测样区环境要求，通过计算机模拟，给出相机标定板的参数要求，并按规格制作。用打印机打印出相机标定用的黑白相间的棋盘格，每格边长为7.3cm的正方形(图2)，再将棋盘格贴在准备好的65.7cm×73cm的长方形木板上，木板厚度均匀且不大于3cm，通过以上步骤便可完成标定板的制作。

（2）将相机标定板置于自动观测区域内的不同空间位置并拍摄不同放置方式的图像。其中，水平放置于地块中心和4个角落共拍摄5张，将标定板放置在指定位置和高度，从不同角度拍摄20张图像（图3）。

（3）计算CCD相机的内外参数：利用CCD相机拍摄的标定图像，自动检测并获取棋盘格角点的实际坐标和其在图像中的坐标，再根据式（1）单应性矩阵中向量正交和模相等的条件，求解出相机的内外参数（包括内参数矩阵以及每张图像的外参数矩阵）和畸变系数。

（4）原始图像的正下视校正：利用计算出来的相机畸变系数，对存在几何畸变的原始前下视作物图像进行几何校正处理。经上述几何校正的原始作物图像，即可通过遥感图像处理中的重采样技术，将其转换为正下视图像或正射图像，为作物覆盖度计算提供基础图像。

1.3.2 图像自动提取算法

（1）AP-HI法

2013年Yu等[20]首次提出了一种具备光照自适应能力的AP-HI作物自动提取算法。该方法结合了色度-亮度查找表（Hue Intensity-Look Up Table，简称HI-LUT）以及仿射传播聚类方法（Affinity Propagation，简称AP）[21]，利用较少的训练样本即可获得较好的作物分割效果。虽然当叶片出现高光时该方法性能下降，但由于发生高光的叶片面积占整幅图像面积比例很小，因此不会影响整体研究结果。

AP-HI法采用高斯模型来表征特定亮度I下绿色色度H的分布情况，即假设亮度为I时，色度H符合高斯分布，其概率密度函数如式（2）所示。

由于分割结果对测度中的阈值选择较敏感，故利用仿射传播聚类算法（Affinity Propagation，简称AP）对其进行改进，以类别代替单个像素点进行分割，从而降低了阈值选择带来的影响，同时一定程度上提升了分割的效果，提取结果更为稳定。

（2）基于可见光颜色指数的分割算法

该方法被广泛用于提取绿色植被。它首先利用不同通道的颜色信息生成颜色指数，再通过设置固定阈值或自适应选择阈值对图像进行二值分割。本文选用3种常用指数进行作物提取，并通过自适应阈值方法获得分割结果。它们分别是超绿算子（ExG）[22]、超绿减超红（ExGR）[23]和作物提取颜色算子（CIVE）[24]，其相应的计算式分别为

式（5）-式（8）中，R、G、B分别表示每个像素的红、绿、蓝3个通道颜色值，而r、g、b表示该3个通道的归一化值。对于待提取图像，首先利用式（5）-式（7）针对每个像素进行计算，将具有3个通道的彩色图像转换成仅具有一个通道的灰度图像，然后采用OTSU[25]方法获得分割阈值，得到最终的作物分割图像。

（3）真值图像

采用目视解译法，即在Adobe Photoshop7.0软件支持下，将作物多边形尽可能准确完全地手工勾画出来，并对图像中的作物、土壤及其它背景物做人工判读和标记，最后对图像进行二值分割，其中白色代表作物，黑色代表背景，白色面积占总面积的百分比即作为目视解译法的植被覆盖度。

1.3.3 植被覆盖度计算方法

利用在线式作物图像自动传输装置获取夏玉米冠层图像，并对存在几何畸变的原始前下视作物图像进行几何校正，将其转换为正下视图像，计算正下视图像中作物像素数与正下视图像总像素数之比，即为植被覆盖度。

式中，Cc为植被覆盖度，CC为正下视区图像中的作物像素总和，A为正下视区图像的像素总和，为3648×1368像素。

1.3.4 叶面积指数计算方法

叶面积指数与植被覆盖度的关系可以表示为[26]

式（10）可转换为

2 结果与分析

2.1 四种方法提取玉米覆盖度计算精度的比较

2.1.1 玉米生育期覆盖度变化

从2011年夏玉米10个生育期80幅图像中，剔除由于设备故障造成图像像素缺失，或降水、大雾等天气原因造成图像模糊的问题图像，然后利用4种提取方法分别对余下的有效作物图像进行处理，经二值分割得到各幅图像的植被覆盖度计算结果，最后计算各发育期当日有效作物图像植被覆盖度的平均值，即为2011年夏玉米各生育期植被覆盖度计算结果（图4）。

由图4可见，各方法计算的夏玉米全生育期内3个试验点的覆盖度动态变化均相似，均呈非对称、开口向下的抛物线型变化。在夏玉米幼苗生长期（出苗-七叶）覆盖度较小，七叶-拔节期开始迅速增长，尤以泰安站覆盖度变化最明显，AP-HI、EXG、EXGR和CIVE计算的覆盖度变化范围分别为0.114~0.775、0.129~0.797、0.123~0.792和0.024~0.698。进入抽雄期时，夏玉米的生长达到最佳状态，以AP-HI法为例，3个试验点的覆盖度平均值为0.813，其中郑州站为0.712，固城站为0.758，泰安为0.970。在开花和吐丝期覆盖度变化幅度不大，但略有波动。随着夏玉米生长期的推进，进入乳熟期后，夏玉米覆盖度开始下降，直至成熟期降至较低水平。从图中还可看出，利用AP-HI、EXG和EXGR法提取的各生育期玉米覆盖度在3个站点基本接近，而由CIVE法提取的各生育期玉米覆盖度普遍偏低。

2.1.2 玉米生育期覆盖度提取精度

从各站出苗-成熟9个生育期分别选取阴天、晴天以及复杂背景（包括麦茬、阴影、标杆等）3种天气条件的大田作物图像各13张，对4种提取方法进行测试。图像均由在线式作物图像自动传输装置通过以上步骤提取获得作物覆盖度。部分典型样本图像如图5所示。

将4种提取方法计算的植被覆盖度与覆盖度真值进行比较，使用相对误差和均方根误差定量评价提取精度，结果见表1。由表可知，AP-HI法在弱、强光照以及复杂背景条件下均有较稳定的分割效果，相对误差分别为0.20、0.07和0.15，均方根误差分别为0.18、0.06和0.16。同时，CIVE法也可以有效分割阴天拍摄的作物图像，分割精度略高于AP-HI法，相对误差和均方根误差分别为0.14和0.08，但其对复杂环境的适应性比AP-HI法低，相对误差和均方根误差分别为0.20和0.21。ExG和ExGR分割方法在光照较强和较弱时则效果均不理想，总体性能不如AP-HI和CIVE分割算法。

表1 典型日覆盖度误差统计（与真值图像比较）

Table 1 Error statistics of crop coverage estimated by different extraction methods on the typical day compared with true image

表1 典型日覆盖度误差统计（与真值图像比较）

阴天Cloudy晴天Sunny复杂背景Complex background总体Overall condition 相对误差 MRE均方根误差 RMSE相对误差 MRE均方根误差 RMSE相对误差 MRE均方根误差RMSE相对误差MRE均方根误差RMSE AP-HIExGExGRCIVE0.200.330.310.140.180.140.130.080.070.140.110.090.060.100.070.090.150.29.0.260.200.160.230.220.210.120.220.190.140.120.180.170.15

2.2 四种方法反演叶面积指数及精度比较

2.2.1 叶面积指数反演模型

将2011年郑州、泰安和固城站夏玉米各关键发育期用上述4种方法计算的作物冠层孔隙率，与同时期实测的叶面积指数作回归分析，分别建立叶面积指数反演模型，结果如图6所示。由图可见，在夏玉米全生育期内，植被冠层孔隙率与叶面积指数具有较好的对数函数关系，表明利用冠层孔隙率及建立的对数函数y=-alnx，可以反演群体叶面积指数。表2列出了基于ExG、ExGR、CIVE和AP-HI各方法计算的叶面积指数反演模型，由表可以看出，ExG、ExGR和AP-HI法均能较好地反映夏玉米生育期叶面积指数与冠层孔隙率之间的变化关系，构建的夏玉米叶面积反演模型精度较高，相关系数平均在0.94以上，而CIVE与叶面积指数之间的相关系数在0.83~0.89，相关性稍低。受作物品种和叶面积指数人工观测精度差异的影响，用4种方法建立的叶面积指数反演模型精度在3个站点略有不同，固城站最高，其次是郑州站，泰安站最低。

表2 图6中对应的叶面积指数与冠层孔隙率关系模型

2.2.2 玉米生育期叶面积指数变化

利用4种图像提取方法得到的2011年3站夏玉米各发育期的冠层孔隙率，根据表2中叶面积指数与冠层孔隙率的拟合方程，得到2011年各发育期的叶面积指数，结果见图7。从图可以看出，夏玉米各发育期叶面积指数与覆盖度变化基本相似，整体也呈非对称、开口向下的抛物线型特征，从三叶-拔节期缓慢增长，拔节-抽雄期增长迅速并达到峰值，之后处于稳定期，开花-乳熟期缓慢下降。对比4种方法不难发现，AP-HI和EXGR法计算的3个站点各发育期的叶面积指数变化趋势基本相近，CIVE法与其略有不同，而EXG法除固城站外，在郑州站和泰安站计算的各发育期的叶面积指数与其它3种方法计算结果差异较明显。

2.2.3 叶面积指数反演精度

利用3个试验站2012年地面实测夏玉米各发育期LAI数据，对不同算法建立的模型进行验证，选取相关系数（R）和均方根误差（RMSE）作为模型的评价指标，将其中相关系数高、均方根误差较小的模型作为最佳叶面积指数反演模型。表3和图8为各站点4种方法反演的叶面积指数与实测值的对比分析。由图8可见，利用4种方法计算的夏玉米叶面积指数与实测值总体趋势基本一致，对数据质量检验具有参考价值。回归分析表明（表3），在夏玉米各发育期选用的4种方法中，AP-HI法反演各地叶面积指数与实测值相关性显著，相关系数在0.89~0.96，均方根误差在0.47~0.75，反演结果较好。CIVE法反演各站夏玉米各发育期叶面积指数与实测值相关性最低，相关系数在0.57~0.86（图8c），均方根误差在0.8以上。ExGR法获得的叶面积指数模型反演值与实测值之间的相关系数在0.83~0.95，均方根误差在0.70~0.87，反演结果仅次于AP-HI法。ExG法作为目前被广泛使用的算法，其获得的叶面积指数反演值与实测值之间的相关系数为0.70~0.96，均方根误差在0.46~1.03，反演结果不如AP-HI法和ExGR法。可见，根据上述分析结果，AP-HI法或EXGR法更适于反演夏玉米整个生育期的叶面积指数，利用该方法建立的反演模型可以获得精度较高的叶面积指数。

表3 图8中对比的统计结果

3 结论与讨论

将作物从复杂动态变化的场景中准确提取出来，是作物分割方法以及计算覆盖度或反演叶面积指数的关键，以往研究主要集中于作物分割算法估测简单背景下静态单株作物覆盖度[27]，忽略了作物分割算法在光照强度变化以及植物阴影、植物残渣等真实农田复杂背景环境下的适应能力和精度。本文采用4种传统常用的作物分割方法（ExG、ExGR、CIVE和AP-HI）提取夏玉米覆盖度信息，通过对比试验定量评价每种图像分割方法对农田复杂背景的适应能力和精度，在此基础上，通过冠层孔隙率方法研究建立了覆盖度与叶面积指数模型，并用实测数据进行验证。

由于农田环境的复杂性，获取标准、规范的作物图像是检验各作物分割方法是否精确的基础。本文根据田间夏玉米群体的图像特点，自行设计并成功构建了以CCD相机和图像采集装置为核心的在线式作物图像自动传输装置，实时获取户外不同光照变化和复杂背景环境条件下夏玉米群体动态标准图像，并对原始图像进行几何校正以克服图像畸变造成的误差，确保了各作物分割方法提取的作物特征具有可比性和稳定性。

光照强度变化以及植物阴影、植物残渣等复杂背景对作物分割算法的精确性影响较大，这一结论与Ewing等[28]的研究结果一致。以夏玉米田间图像为对象，分析比较4种作物分割方法的原理和分割效果，筛选出适合夏玉米生育期内的自动分割方法。从4种作物分割方法提取覆盖度结果精度评价和比较来看，AP-HI法在光照适应性和对抗复杂环境两个方面都优于其它方法，相对误差在0.2以下，高于目前目估法测量的精度[6]。CIVE法主要用于绿色作物和土壤的分割，其对复杂环境的适应性较差。ExG和ExGR法作为被广泛使用的方法，其在光照较强和较弱时的分割效果均不理想，总体性能不如AP-HI和CIVE法。

采用冠层孔隙率方法估算夏玉米叶面积指数是本文的特色之一。利用图像处理技术获取作物覆盖度，建立覆盖度与人工实测的叶面积指数的回归关系模型是估测叶面积指数研究中常用的方法[9]，具有简单、方便等优点，但易受地域、植被类型等因素影响。本文与之相比，经过理论推导和试验数据分析，引入冠层孔隙率建立了冠层覆盖度和叶面积指数的对数模型，使其具有更为明确的生物学意义，经检验模型反演的叶面积指数值与实测值的相关性较高，说明基于农田夏玉米图像提取地面覆盖度并估算夏玉米叶面积指数的方法是可行的。

借助夏玉米各生育期叶面积指数实测数据，比较AP-HI、CIVE、EXG和EXGR各分割算法反演的叶面积指数的精度，结果表明，AP-HI-LAI反演模型的相关系数最高（0.89~0.96），CIVE-LAI的相关系数最低（0.57~0.86），ExGR-LAI各站反演模型相关系数在0.83~0.95，仅次于AP-HI-LAI反演模型，ExG-LAI反演模型除在郑州站的相关系数偏低为0.70外，其在泰安站和固城站相关系数较高，均在0.92以上，即各反演模型预测精度大小整体表现为AP-HI＞EXGR＞EXG＞CIVE。综合考虑模型的精度和稳定性认为，基于AP-HI方法反演叶面积指数的方法具有一定的应用优势。

参考文献References

[1]瞿瑛,刘素红,谢云,等.植被覆盖度计算机模拟模型与参数敏感性分析[J].作物学报,2008,34(11):1964-1969.

Qu Y,Liu S H,Xie Y,et al.Computer simulation model of fractional vegetation cover and its parameters sensitivity[J].Acta Agronomica Sinic,2008,34(11):1964-1969.(in Chinese)

[2]张学艺,郭建茂,韩颖娟,等.基于植被指数的宁夏灌区春小麦叶面积指数模型[J].中国农业气象,2011,32(2):279-282.

Zhang X Y,Guo J M,Han Y J,et al.LAI model of spring wheat in Ningxia irrigated area based on MODIS-VI[J].Chinese Journal of Agrometeorology,2011,32(2):279-282.(in Chinese)

[3]Weiss M,Troufleau D,Baret F,et al.Coupling canopy functioning and radiative transfer models for remote sensing data assimilation[J].Agricultural and Forest Meteorology, 2001,108(2):113-128.

[4]秦伟,朱清科,张学霞,等.植被覆盖度及其测算方法研究进展[J].西北农林科技大学学报(自然科学版),2006,34(9): 163-168.

Qin W,Zhu Q K,Zhang X X,et al.Review of vegetation covering and its measuring and calculating method[J].Jour. of Northwest Sci-Tech Univ. of Agri. and For.(Nat. Sci. Ed.),2006,34(9):163-168.(in Chinese)

[5]Zhou Q,Robson M.Automated range land vegetation cover and density estimation using ground digital images and a spectral-contextual classifier[J].Remote Sensing,2001,22(17): 3457-3470.

[6]章文波,符素华,刘宝元,等.目估法测量植被覆盖度的精度分析[J].北京师范大学学报(自然科学版),2001,37(3):402-407.

Zhang W B,Fu S H,Liu B Y,et al.Error assessment of visual estimation plant coverage[J].Journal of Beijing Normal University(Natural Science),2001,37(3):402-407.(in Chinese)

[7]王桂琴,郑丽敏,朱虹,等.图像处理技术在冬小麦叶面积指数测定中的应用[J].麦类作物学报,2004, 24(4):108-112.

Wang G Q,Zheng L M,Zhu H,et al.Application of image processing technology in wheat canopy leaf area index measuring[J].Journal of Triticeae Crops,2004,24(4):108-112. (in Chinese)

[8]李荣春,陶洪斌,张竹琴,等.基于图像处理技术的夏玉米长势监测研究[J].玉米科学,2010,18(2):128-132.

Li R C,Tao H B,Zhang Z Q,et al.Study on summer maize group growth monitoring based on image processing technique[J].Journal of Maize Sciences,2010,18(2):128-132. (in Chinese)

[9]李存军,王纪华,刘良云,等.基于数字照片特征的小麦覆盖度自动提取研究[J].浙江大学学报(农业与生命科学版), 2004,30(6) :650-656.

Li C J,Wang J H,Liu L Y,et al.Automated digital image analyses for estimating percent ground cover of winter wheat based on object features[J].Journal of Zhejiang University (Agriculture & Life Sciences),2004,30(6):650-656.(in Chinese)

[10]陆明,申双和,王春艳,等.基于图像识别技术的夏玉米生育期识别方法初探[J].中国农业气象,2011,32(3):423-429.

Lu M,Shen S H,Wang C Y,et al.Initial exploration of maize phonological stage based on image recognition[J].Chinese Journal of Agrometeorology,2011,32(3):423-429.(in Chinese)

[11]任杰,柏延臣,王锦地,等.从数码照片中快速提取植被覆盖度的方法研究[J].遥感技术与应用,2010,25(5):719-723.

Ren J,Bai Y C,Wang J D,et al.An efficient method for extracting vegetation coverage from digital photographs[J]. Remote Sensing Technology and Application,2010,25(5): 719-723.(in Chinese)

[12]陆秀明,黄庆,孙雪晨,等.图像处理技术估测水稻叶面积指数的研究[J].中国农学通报,2011,27(3):65-68

Lu X M,Huang Q,Sun X C,et al.Application of image processing technology in rice canopy leaf area index[J].Chinese Agricultural Science Bulletin,2011,27(3): 65-68.(in Chinese)

[13]张雪芬,薛红喜,孙涵,等.自动农业气象观测系统功能与设计[J].应用气象学报,2012,23(1):105-112.

Zhang X F,Xue H X,Sun H,et al.Function and designing of automatic observing system for agro-meteorology[J].Journal of Applied Meteorological Science,2012,23(1):105-112.(in Chinese)

[14]Sakamoto T,Shibayama M,Kimura A,et al.Assessment of digital camera-derived vegetation indices in quantitative monitoring of seasonal rice growth[J].ISPRS Journal of Photogrammetry and Remote Sensing,2011,66(6):872-882.

[15]Shibayama M,Sakamoto T,Takada E,et al.Regression-based models to predict rice leaf area index using biennial fixed point continuous observations of near infrared digital Images[J].Plant Production Science,2011,14(4):365-376.

[16]赵继强,谢东辉,孟夏,等.规则林地覆盖度照相测量法的精度分析[J].农业工程学报,2013,29(19):152-158.

Zhao J Q,Xie D H,Meng X.Accuracy analysis of vegetation cover measurement using digital photography for regular planted woodland[J].Transactions of the CSAE,2013,29(19): 152-158.(in Chinese)

[17]孙涛,刘振波,葛云健,等.基于数码相片Gamma校正的水稻叶面积指数估算[J].生态学报,2014,37(13):3548-3557.

Sun T,Liu Z B,Ge Y J,et al.Estimation of paddy rice leaf area index based on photo gamma correction[J].Acta Ecologica Sinica,2014,37(13):3548-3557.(in Chinese)

[18]中国气象局.农业气象观测规范[M].北京:气象出版社, 1993.

China Meteorological Administration.Specification for agricultural meteorological observation[M].Beijing :China Meteorological Press,1993.(in Chinese)

[19]Zhang Z.Flexible camera calibration by viewing a plane from unknown orientations[A]. Proceedings of the Seventh IEEE International Conference on Computer Vision[C]. USA,1999:666-673.

[20]Yu Z,Cao Z,Wu X,et al.Automatic image-based detection technology for two critical growth stages of maize: emergence and three-leaf stage[J].Agricultural and Forest Meteorology,2013,174-175:65-84.

[21]Frey B J,Dueck D.Clustering by passing messages between data points[J].Science,2007,315(5814): 972-976.

[22]Woebbecke D M,Meyer G E,von Bargen K,et al.Color indices for weed identification under various soil,residue and lighting conditions[J].Transaction of the American Society of Agricultural Engineering,1995,38(1):259-269.

[23]Neto J C.A combined statistical-soft computing approach for classification and mapping weed species in minimum-tillage systems[D].University of Nebraska,NE,2004.

[24]Kataoka T,Kaneko T,Okamoto H,et al.Crop growth estimation system using machine vision[A].The 2003 IEEE/ASME International Conference on Advanced Intelligent Mechatronics[C]. USA,2003

[25]Otsu N.A threshold selection method from gray-level histogram[J].IEEE Transactions on System Man and Cybernetics,1979,11(285-296): 23-27.

[26]Nilson T.A theoretical analysis of the frequency of gaps in plant sands[J].Agric Meteorol,1971,8:25-38.

[27]陈江鲁,王克如,李少昆,等.基于宽范围动态植被指数的棉花冠层覆盖度监测[J].棉花学报,2011,23(3):265-271.

Chen J L,Wang K R,Li S K,et al.Monitoring of the cotton vegetation fraction based on wide dynamic range vegetation index[J].Cotton Science,2011,23(3):265-271.(in Chinese)

[28]Ewing R P,Horton R.Quantitative color image analysis of agronomic images[J].Agron J,1999,91:148-153.

Accuracy Evaluation of Summer Maize Coverage and Leaf Area Index Inversion Based on Images Extraction Technology

LI Cui-na1, 2, 3, ZHANG Xue-fen3, YU Zheng-hong4, WANG Xiu-fang5

(1.State Key Laboratory of Numerical Modeling for Atmospheric Sciences and Geophysical Fluid Dynamics, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China; 2.University of Chinese Academy of Sciences, Beijing 100049; 3.Meteorological Observation Centre, CMA, Beijing 100081; 4.Guangdong Institute of Science and Technology, Zhuhai 519090; 5.Xinyang Meteorological Bureau of Henan Province, Xinyang 464000)

How to extract accurately the crops from the complex field scene is the key to calculate crop coverage and invert LAI for crop segmentation methods. In this paper, the dynamic images of summer maize growth season in 2011-2012, in Zhengzhou,Taian and Gucheng, which were under the different light intensity and complex outdoor background with shadows, plants residues, were obtained through on-line, real-time automatic transmission device. Meanwhile, to overcome the error caused by image distortion, geometric correction of the raw images was needed, crop coverage extraction ability and leaf area index inversion performance of four popular crop extraction algorithms (ExG, ExGR, CIVE and AP-HI) were compared and evaluated. By comparison, the effective extraction method for canopy coverage and leaf area index of summer maize under complex environment was selected. On this basis, models of canopy coverage and leaf area index with canopy porosity method were established and verified with measured data. The results showed that the light intensity changes and complex field environment, which contained plant shadows and residues, had a significant impact on the accuracy of crop segmentation algorithm. And inversion model of AP-HI was superior to the other methods in both light adaptability and complex environment, the relative error compared with true image was less than 0.2 and higher than the current visual estimation accuracy. Leaf area index was estimated by four extraction algorithms in summer maize growth season in 2011 and 2012. Based on comparison of Rand RMSR among models, high fitting models were selected. The optimal model for LAI was based on AP-HI extraction algorithm, which had the highest R (0.89-0.96) and the lowest RMSR (0.47-0.75). Considering the accuracy and stability of the model, inversion model of AP-HI based on the method of application had more advantages.

Crops; Image processing; Coverage; Leaf area index; Model

10.3969/j.issn.1000-6362.2016.04.013

2015-12-24

中国气象局沈阳大气环境研究所开放基金课题；中国气象局气象探测中心青年科技课题（TCQN201617）

李翠娜(1981-)，女，工程师，硕士，主要从事农业气象自动化研究。E-mail：licn1030@126.com