基于手机相片的草地植被盖度估算方法研究

丁 肖，邱新法，高佳琦，龚敬瑜

(1.南京信息工程大学 地理与遥感学院，江苏 南京 210044； 2.南京信息工程大学 应用气象学院，江苏 南京 210044； 3.南京信息工程大学 大气科学学院，江苏 南京 210044； 4.南京信息工程大学 大气物理学院，江苏 南京 210044)

基于手机相片的草地植被盖度估算方法研究

丁 肖1，邱新法2，*，高佳琦3，龚敬瑜4

(1.南京信息工程大学 地理与遥感学院，江苏 南京 210044； 2.南京信息工程大学 应用气象学院，江苏 南京 210044； 3.南京信息工程大学 大气科学学院，江苏 南京 210044； 4.南京信息工程大学 大气物理学院，江苏 南京 210044)

选取6种基于RGB通道信息的植被指数(VEG、CIVE、EXG、EXGR、NGRDI、COM)，借助自主开发的手机APP对6种方法展开对比研究，从草绿度、天气条件、盖度3个角度分析估算误差的变化规律，并从阈值随光照变化角度评估每种方法的稳定性。研究表明，6种方法估算精度均高于90%，其中，COM方法最高，达到95.41%，NGRDI方法估算精度最低，为92.87%。每种方法对深绿色草的估算误差均小于对黄绿色草，在阴天条件下(云量≥70%)的估算误差小于晴天条件下(云量≤10%)。盖度增加时，VEG、CIVE、EXG、COM方法估算误差增大，EXGR、NGRDI方法无明显变化规律。同日内不同时次，随着太阳高度角、光照强度的变化，6种方法阈值无明显变化(阈值波动≤0.02)。不同天气条件下，VEG、CIVE方法的阈值基本无变化(阈值波动≤0.01)，其余方法变化明显(阈值波动≥0.03)。综上，6种方法均可满足在手机平台中应用的要求，COM方法精度最高，NGRDI方法精度最低。VEG、CIVE方法阈值设定无须考虑光照变化影响，较其他方法具有更好的通用性。

植被盖度；数字相片；草地；植被指数

植被盖度是指包括乔、灌、草和农作物在内的所有植被的冠层、枝叶在生长区域地面的垂直投影面积占生长区域面积的百分比[1]，是植被群落结构及植被生长状况的直观量化指标[2-3]。植被盖度还是一个重要的生态学参数[4]，在土壤侵蚀、水土保持、荒漠化治理等研究中都需要精确定量化的盖度信息[5]。在草场监测和评价中，植被盖度测量方法的好坏直接决定了测量结果的准确度和可信度。

目前，植被盖度的估算方法分为遥感估算和地表实测两种[5]。遥感估算主要应用在大尺度植被盖度监测中，需尺度转换后才能与小尺度地表实测盖度值进行对比分析[6-7]。地表实测方法主要包括目估法、点测法、方格法、仪器测量法、数码照相法等[3-4]。目估法简单、易行，是目前草场植被盖度研究中主要使用的方法，但受人为主观性因素影响较大。章文波等[4]研究表明，个人目估最大绝对误差可达40%。点测法和方格法测量精度较高，其测量结果常作为准确值，但费时费力、效率过低[8]。仪器测量法主要分为空间定量计法、移动光量计法，这类方法是利用传感器测量光通过植被的状况计算植被盖度，经济成本较高，野外携带仪器和操作均不便[3，8-9]。

数码照相法垂直于植被拍照，从相片中解译植被类型，求取植被盖度，具有经济、高效、准确度高等优势。池宏康等[10]使用Phtoshop图像处理软件手动提取数码相片中的植被和非植被像元计算植被盖度；Laliberte等[11]借助面向对象处理软件Ecognition，构建13种特征属性，提取相片中绿色植被和干枯植被；张清平等[12]利用WinCAN颜色分析软件提取植被盖度；宋雪峰等[13]从相片中提取6项指标，建立逻辑判别模型，对相片中绿色植被做出判读，计算精度达94.7%；章超斌等[14]构造RGB颜色判别决策树，计算荒漠植被盖度，计算精度在95%以上；胡健波等[15]利用过绿特征植被指数和半自动阈值法，计算草地植被盖度，准确度堪比最大似然法。

传统的数码照相法操作简单、计算结果精度较高，但是不能满足野外考察中实时解算拍摄相片植被盖度的需求。在地面样点相片计算的盖度值与遥感数据反演植被盖度值的对比校验研究中，需要研究人员到不同地区拍摄大量样方相片，同时携带GPS接收机用以记录位置信息，此过程需投入大量的人力、物力。随着智能手机的发展，基于手机平台开发的APP，不仅能够实时解算植被盖度，而且能够记录拍摄地点GPS经纬度、拍照时间、水平俯仰角等辅助信息，这就使得在短时间内获取大量地面样点成为可能。基于移动设备获取的地面数据校正遥感数据反演值，有望成为植被盖度研究的一个重要发展方向。

本研究以南京地区草地为研究对象，基于Android平台开发了一种简单、高效的植被盖度估算App。借助该APP对6种基于RGB通道的植被指数展开对比研究，从草绿度、天气条件、盖度变化3个角度分析估算误差的变化规律，并从阈值随光照变化角度评估每种方法的稳定性，以期找出通用性较强的方法，为相关研究提供借鉴与参考。

1 材料与方法

1.1 研究区概况

以南京地区自然野生草地作为研究对象。南京市位于长江下游沿岸，北连江淮平原，东接长江三角洲，地理范围118°22′～119°14′E、31°14′～32°37′N。气候属于典型的北亚热带季风气候，四季变化明显，冬夏温差较大，极端最高气温40.7 ℃，极端最低气温-12 ℃，降水量丰富，年平均降水量1 077.71 mm。南京地区草地植被种类繁多，取样地草地包含禾本科(Gramineae)、藜科(Chenopodiaceae)、苋科(Amaranthaceae)等常见科种杂草，草地颜色以绿色和黄绿色为主，叶片形状有长条形、宽阔形等。

1.2 数据获取

为客观反映野外考察时的真实情形，考虑到不同天气、不同光照、不同植被类型和覆盖度变化可能对植被盖度估算结果产生的影响。于2016年9月下旬在研究区随机布设32个样方，植被盖度范围由低到高，样方范围大小为0.5 m×0.5 m(边界以红绳为标记)，选择晴天、阴天不同时段进行拍摄。

本研究获取照片对手机性能要求较低，任何一种普通手机均可满足要求。研究中所有的相片均来自Coolpad大神F2，后置摄像头1 300万像素，相片尺寸为4 864像素×2 736像素。图1展示了自主开发的APP，除可进行盖度估算外，也可记录地理位置(自动获取)、植被草层高度、成长高度、类型、生长状况、生育期等(人工输入)辅助信息，并可进行拍摄历史记录的查询。

拍照时保持手机垂直向下，于1 m高度处以样方为中心进行拍摄，这样拍摄的相片可最大限度减少几何变形误差。以此方法共拍摄相片96张，拍摄完成后对每一张相片按照样方范围大小进行裁剪，以保证所有相片代表实际样方大小。

图1 植被盖度估算APPFig.1 Vegetation coverage calculating APP

1.3 研究方法

1.3.1 植被指数

考虑到植被盖度的估算结果反馈到移动端的时效性，本研究选择基于RGB通道波段组合运算后的6种植被指数作为研究方法。6种植被指数(表1)分别为VEG[16]、CIVE[17]、EXG[18]、EXGR[19]、NGRDI[20]、COM[21]，其中COM方法属于综合植被指数，这些方法常被用于农作物生长期植被盖度变价研究，且具有效率高、精度可靠的优势。

这些植被指数通过对图像中R、G、B三通道进行波段组合运算，将原始图像转化为植被指数的灰度图，突出了图像中的绿色特征。在6种植被指数的灰度图中，除CIVE指数外，其余5种方法植被像元的灰度值要高于背景像元。

1.3.2 植被指数阈值确定

基于植被指数估算植被盖度，其估算好坏取决于阈值的设置。传统的方法是研究人员一边分类一边观察分类结果与原图的吻合程度，逐步调整阈值至最佳效果，但该方法主观性较强，设置结果因人而异，当相片数量较多时，确定临界阈值过程费时、费力，单张相片确定的阈值也可能不适用于其他相片。

表1 植被指数清单

Table 1 Vegetation index list

植被指数Vegetationindex英文全称Englishfullname模型公式ModelformulaVEGVegetativeindexg/[rab(1-a)],a=0.667CIVEColorindexofvegetation0.441r-0.881g+0.385b+18.78745EXGExcessgreenindex2g-r-bEXGRExcessgreenminusexcessredEXG-1.4r-gNGRDINormalizeddifferencegreenindex(g-r)/(g+r)COMCombination0.25EXG+0.3EXGR+0.33CIVE+0.12VEG

模型公式中：r=R/(R+G+B)，g=G/(R+G+B)，b=B/(R+G+B)，其中，R、G、B分别为RGB彩色空间中的红、绿、蓝三通道，范围0～255。

Ther，gandbin the model formula were calculated asr=R/(R+G+B)，g=G/(R+G+B);b=B/(R+G+B).R，GandBrepresented red， green， and blue channel in RGB color space， of which the range was 0-255.

为了实现手机端实时解算植被盖度，同时尽可能保证估算精度，本研究按照拍照时天气条件、植被覆盖类型等，首先对相片进行分类。对同一类相片，确定阈值的过程如下：

(1)选取其中1张相片，使用Ecognition软件，建立植被指数特征参数，通过调整参数的上下界范围，确定阈值的模糊范围；

(2)将模糊范围进行10间距等分，计算每个等分点上所有相片的植被盖度值；

(3)在每个等分点上，计算所有相片参考值与估算值的绝对误差(式1)，绝对误差均值(式2)最小时对应的等分点即为最佳阈值，该阈值对于同一条件下的相片可直接使用。

(1)

(2)

1.3.3 去除阴影影响

由于相片中阴影区域地物难以区分，故在计算相片植被盖度之前，对每一张相片做去除阴影处理。处理方法是将每一张相片基于RGB三通道转化为亮度的灰度值图像，再设置特定阈值x，图像中灰度值

亮度=0.299r+0.587g+0.114b。

(3)

1.3.4 植被盖度计算

确定好植被指数和阈值后，植被指数大于阈值的像元属于植被，否则，属于非植被(图2)。图像中植被像元的个数确定后，植被盖度的计算就为图像中植被像元数量占整个图像像元数量的百分比。计算公式如下：

(4)

式(4)中：N′为植被像元数量；N为图像像元总数量。

1.3.5 精度评价

为了评价每种植被指数估算的精度，本研究从96张相片中随机选取64张相片作为样本进行评价。对每一张相片，通过使用Photoshop魔棒工具，手动勾勒出植被轮廓，并将所得植被盖度作为参考值。勾绘植被轮廓时，需由3个人独立进行，取3个人提取的平均值作为每张相片的盖度参考值，以减小人为误差。

每张相片植被盖度参考值确定后，以参考值作为横轴，6种植被指数估算结果作为纵轴，作散点图进行线性回归。统计每一种植被指数估算结果绝对误差的平均值、方差，精确度，对比分析不同方法的优劣。

(5)

精确度=(1-|xi-x′|/xi)×100%。

(6)

2 结果与分析

2.1 精度评价

从回归斜率上来看(图3)，6种模型回归斜率均小于1，表明每种方法均存在一定程度的低估现象。每种方法回归系数均大于0.95，表明每种方法都具有较高的估算精度。从相关系数R2来看，每种方法均大于0.96，说明每种方法估算值与参考值均具有较强的相关性，NGRDI方法的R2值略低，其余5种方法的R2值均在0.98左右。

图2 草地样方相片及植被盖度提取效果Fig.2 Grassland sample photo and result of vegetation coverage extraction

从误差表来看(表2)，6种方法估算误差均小于3，估算精度都在90%以上。其中：VEG、CIVE、COM方法的估算精度在95%以上，COM方法最高，达到95.41%；EXG、EXGR方法估算精度在94%左右；NGRDI方法估算精度最低，为92.87%。方差反映了误差的波动性，从这方面看，COM方法误差波动性最小，NGRDI方法最大，其余方法差别不明显。

综上，6种植被指数估算的精度都比较高，可满足将这些方法移植到手机平台的要求。COM方法估算精度最高，误差最稳定；NGRDI精度最低，误差最不稳定。究其原因，可能是NGRDI方法仅考虑RGB彩色模型中的R、G通道，而忽略了B通道信息。与此同时，6种方法都有一定的低估现象，这主要是由于使用Photoshop勾绘植被轮廓时，可以将相片中的非绿色植被以及部分阴影中的植被像元提取出来，而基于植被指数的方法只能识别相片中非阴影区域的绿色植被部分。

图3 植被指数估算结果与参考值之间的线性关系Fig.3 Linear relationships between estimation results by vegetation index and reference value

表2 植被盖度估算误差

Table 2 Estimation error of vegetation coverage

植被指数VegetationindexMAE/%VarAcc/%VEG2.133.8695.25CIVE2.184.0795.27EXG2.283.8894.86EXGR2.354.8094.49COM2.063.7095.41NGRDI2.906.4892.87

MAE、Var、Acc分别为绝对误差均值、方差、精确度。下同。

MAE， Var and Acc represented mean absolute error， variance and accuracy. The same as below.

2.2 草地绿度对估算精度的影响

从每种模型的原理出发可知，样方中植被像元颜色越绿，就越容易被识别，对应的植被指数值就越大。为探讨每种方法对不同绿度等级植被的识别能力，选取深绿色草和黄绿色草各一组进行分析。

由表3可以看出，每种方法对深绿色草的估算误差明显小于黄绿色草，误差在3%左右。对于深绿色草，COM方法估算误差最小，波动性也最小，效果最好，NGRDI方法误差最大，效果最差；对于黄绿色草，EXGR估算误差最小，但其误差波动较大，估算效果并不理想。相较而言，COM方法在误差大小及波动性方面均处于较低水平，效果最好，NGRDI方法效果最差。分析深绿色草和黄绿色草估算结果差异较大的原因：当草的颜色为黄绿色时，植被像元的植被指数值较小，为了区分植被和非植被像元，必须调低临界阈值，而当土壤背景的颜色也为黄色时，其指数值和植被像元相近，这时会有许多土壤被划分为植被，同时也会有许多植被划分为背景，导致误差增大。

表3 不同绿度草估算误差

Table 3 Estimation error of different green degrees

植被指数Vegetationin-dex深绿色DarkgreengrassMAE/%Var黄绿色YellowgreengrassMAE/%VarVEG1.162.014.241.20CIVE0.931.274.201.37EXG1.292.783.901.69EXGR1.130.523.1410.26COM0.650.213.213.75NGRDI1.601.153.9714.07

2.3 天气条件对估算精度的影响

参考气象行业标准，分别选择在典型晴天(天空中云量≤10%)和阴天(天空中云量≥70%)条件下拍摄的2组相片，分析天气条件变化对估算精度的影响。需要注意的是，在晴天条件下取样时，太阳偶尔被云层遮蔽，应等云层移出后太阳光直射叶片时再拍照；在阴天条件下取样时，太阳在全日进程中几乎一直被云层遮蔽，照射到叶片的光线为散射光。

由表4可以看出，6种植被指数的估算结果存在同一规律：对于同一种植被指数，阴天条件下估算误差明显小于晴天条件，其估算结果的稳定性也远大于晴天条件。在相同天气条件下，对比不同方法，发现6种方法的估算精度与方差无显著区别。从图4可以看出，晴天条件下相片中的阴影比例普遍大于阴天条件；且不同相片阴影比例的波动程度也较大。分析导致晴天和阴天估算结果差异较大的原因：晴天条件下，由于叶片的相互遮挡，图像中阴影面积较大，许多下层叶片被误分为阴影，而这些区域在阴天条件下，由于光线为散射光而呈现为真实的颜色，从而能够被区分出来。由此可以看出，晴天和阴天条件下，每种方法估算误差主要是受阴影比例大小的影响。

表4 不同天气条件估算误差

Table 4 Estimation error of different weather conditions

植被指数Vegetationindex晴天SunnyDayMAE/%Var阴天CloudyDayMAE/%VarVEG4.0614.851.241.65CIVE3.9514.771.451.06EXG3.5010.321.121.93EXGR3.3310.551.431.86COM3.6315.021.031.47NGRDI3.6012.211.651.97

图4 不同天气条件下阴影比例对比Fig.4 Comparison of shadow proportion under different weather

2.4 盖度变化对估算精度的影响

选取同一天内拍摄的64张相片(植被盖度由低到高)，以植被盖度参考值为横轴，绝对误差为纵轴，探讨每种方法估算精度随盖度变化规律。由图5可以看出，随着盖度的增加，VEG、CIVE、EXG、COM方法的估算误差呈明显增大趋势，EXGR、NGRDI方法变化规律不明显。分析VEG、CIVE、EXG、COM估算误差随盖度增加而增大的原因：盖度增加时，对于植株较高的植被，叶片相互遮挡现象加重，导致样方中阴影区的植被增多，同时，对于以长条状草为主的样方，非绿色茎植被成分增加显著，在计算盖度时这部分区域并没有被识别出，最终导致误差增大，这与陈祖刚等[3]的结论类似。EXGR、NGRDI方法估算误差无明显变化规律的原因，可能是盖度变化时，这2种方法对背景像元的错分仍占主导优势，从而抵消掉了盖度变化时产生的误差，具体原因仍需进一步探究。

2.5 植被指数阈值稳定性分析

图5 估算误差随盖度变化规律Fig.5 Changes of estimation error with coverage difference

2.5.1 同日内光照变化对阈值波动的影响

由于数据获取时间为9月下旬，早晨草地叶片上露水较多。为减小露水对试验结果的影响，选择晴天条件下，从上午9时到下午15时每隔1 h拍摄的同组样方相片，探究同日内太阳高度角以及光照强度变化对阈值波动的影响。由表5可以看出，同日内不同时刻，每种方法的阈值无显著变化，均在0.02以内波动。这表明，晴天条件下，每种方法阈值设定基本不受光照强度、太阳高度角变化的影响。同日内，使用6种方法估算植被盖度，设定阈值过程可以不考虑光照变化。

表5 同日内不同时次阈值变化情况

Table 5 Change regulation of threshold with time difference in the same day

植被指数Vegeta-tionindex拍照时间Phototime9101112131415VEG1.091.101.091.081.101.081.08CIVE18.7318.7318.7418.7418.7318.7418.74EXG6.086.096.086.086.086.096.09EXGR9.049.039.039.039.039.039.03COM0.100.090.100.090.100.100.10NGRDI-0.03-0.03-0.03-0.03-0.04-0.03-0.03

2.5.2 天气条件变化对阈值波动的影响

选择分别在晴天和阴天条件下拍摄的10个样方的2组照片，分析阈值的波动情况。从表6可以看出，每种植被指数的阈值随天气条件变化的敏感性存在一定差别。VEG、CIVE方法的阈值在晴天和阴天条件下变化不显著，即敏感性最弱；EXG、COM方法阈值的波动范围均为0.03，敏感性处于中间水平；EXGR、NGRDI方法阈值随天气条件变化显著，分别为0.07、0.08，敏感性最强。由此可以看出，在设置阈值时，采用VEG、CIVE方法，可以不考虑天气变化的影响；而采用EXGR、NGRDI方法则必须考虑。考虑野外实地采样时天气变化的情况，VEG、CIVE方法的通用性要好于其他4种方法。

表6 不同天气条件阈值变化情况

Table 6 Changes of threshold under different weather

植被指数Vegetationindex阈值Threshold晴天Sunnyday阴天CloudydayVEG1.081.09CIVE18.7418.74EXG0.090.06EXGR-0.82-0.75COM6.086.11NGRDI-0.030.05

3 讨论

本研究选取南京地区自然野生草地作为研究对象，对比分析了6种植被指数在估算草地植被盖度时的差异，从草绿度、天气条件、盖度3个角度分析估算误差的变化规律，并从光照变化角度探讨每种植被指数阈值波动情况。结果发现：

(1)6种方法的估算精度都高于90%，表明对于绿色草地植被，每种方法都具有较好的估算效果。其中，COM方法的精度最高，NGRDI方法最低，其余方法差别不明显。

(2)对于不同绿度草，每种方法对深绿色草的估算效果均明显好于对黄绿色草。对比6种方法，COM方法估算效果最好，NGRDI方法效果最差，其余方法无明显差别。每种方法在阴天天气条件下的估算效果均明显好于晴天条件下，但6种方法之间的估算误差无明显差异。随着盖度增加，VEG、CIVE、EXG、COM方法的估算误差呈明显增大趋势，EXGR、NGRDI方法的估算误差无明显变化规律。

(3)同日内不同时次，随着太阳高度角、光照强度的变化，6种方法阈值无明显变化。不同天气条件下(晴天和阴天)，VEG、CIVE方法的阈值基本无变化，其余方法变化明显。

总体而言，6种植被指数计算方法简便高效，且具有较高的估算精度，均适合应用于手机平台。VEG、CIVE方法阈值设定随光照变化敏感性较小，通用性更好。由于阴影区域对估算误差影响明显，因此，野外实地采样时，选择光线为散射光的阴天效果更好。

基于手机平台估算植被盖度，不仅精度高，方便，快捷，同时可借助手机中内嵌的GPS芯片实现精准定位，这将成为未来获取地面实测数据的一个重要渠道[3，23]。由于手机的普及使用，借助手机平台，可在短时间内获取较多地面样点数据，除植被盖度外，还可记录拍照地点的地理位置、植被高度、种类、生长状况、人工估测值等数据，方便协助专业人员进行草原资源调查工作。结合地面样点数据纠正大尺度遥感反演的植被盖度值，可有效提高大区域草地植被盖度的测量精度[6，8，24]，因此使用手机相片作为数据源估算植被盖度具有重要的应用价值。本研究所选用的植被指数只适合提取绿色及黄绿色植被，而野生自然草地种类繁多，颜色多样，仅采用颜色特征还不足以满足要求。同种植被具有相似的颜色及形态特征，因此探究颜色和形态特征相结合的方法，不仅可获得较准确的植被盖度估算结果，而且可尝试进行单一物种盖度的提取，在今后的研究中应着力尝试。

[1] 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):163-170. QIN W， ZHU Q K， ZHANG X X， et al. Review of vegetation covering and its measuring and calculating method[J].JournalofNorthwestA&FUniversity(NaturalScienceEdition)， 2006，34(9):163-170.(in Chinese with English abstract)

[2] 张学霞，朱清科，吴根梅，等.数码照相法估算植被盖度[J].北京林业大学学报， 2008， 30(1):164-169. ZHANG X X， ZHU Q K， WU G M， et al. Vegetation coverage assessment by digital photos[J].JournalofBeijingForestryUniversity， 2008， 30(1):164-169. (in Chinese with English abstract)

[3] 陈祖刚，巴图娜存，徐芝英，等.基于数码相机的草地植被盖度测量方法对比研究[J].草业学报，2014，23(6):20-27. CHEN Z G， BATU N C， XU Z Y， et al. Measuring grassland vegetation cover using digital camera images[J].ActaPrataculturaeSinica， 2014，23(6):20-27. (in Chinese with English abstract)

[4] 章文波，符素华，刘宝元.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):402-408. ZHANG W B， FU S H， LIU B Y. Error assessment of visual estimation plant coverage[J].JournalofBeijingNormalUniversity(NaturalScience)， 2001，37(3):402-408. (in Chinese with English abstract)

[5] 任世龙，宜树华，陈建军，等.基于不同数码相机和图像处理方法的高寒草地植被盖度估算的比较[J].草业科学，2014， 31(6):1007-1013. REN S L，YI S H，CHEN J J， et al. Comparisons of alpine grassland fractional vegetation cover estimation using different digital cameras and different image analysis methods[J].PrataculturalScience， 2014， 31(6):1007-1013. (in Chinese with English abstract)

[6] 张云霞，张云飞，李晓兵.地面测量与ASTER影像综合计算植被盖度[J].生态学报，2007，27(3):964-976. ZHANG Y X， ZHANG Y F， LI X B. The synthetically estimating vegetation fractional coverage of grassland using field data and ASTER remote sensing imagine[J].ActaEcologicaSinica， 2007，27(3):964-976. (in Chinese with English abstract)

[7] 高志强，刘纪远，庄大方.基于遥感和GIS的中国土地利用/土地覆盖的现状研究[J].遥感学报，1999，3(2):134-138. GAO Z Q，LIU J Y，ZHUANG D F.The research of Chinese land-use/land-cover present situations[J].JournalofRemoteSensing， 1999，3(2):134-138. (in Chinese with English abstract)

[8] 张云霞，李晓兵，陈云浩.草地植被盖度的多尺度遥感与实地测量方法综述[J].地球科学进展，2003，18(1):85-93. ZHANG Y X，LI X B，CHEN Y H. Overview of field and multi-scale remote sensing measurement approaches to grassland vegetation coverage[J].AdvanceinEarthSciences， 2003，18(1):85-93. (in Chinese with English abstract)

[9] 顾祝军，曾志远.遥感植被盖度研究[J].水土保持研究，2005，12(2):18-21. GU Z J， ZENG Z Y. Overview of researches on vegetation coverage in remote sensing[J].ResearchofSoilandWaterConservation， 2005，12(2):18-21. (in Chinese with English abstract)[10] 池宏康，周广胜，许振柱，等.草地植被盖度的近距离遥感测定[J].草业学报，2007，16(2):105-110. CHI H K，ZHOU G S，XU Z Z，et al. Measuring coverage of grassland vegetation using remote sensing over short distances[J].ActaPrataculturaeSinica， 2007，16(2):105-110. (in Chinese with English abstract)

[11] LALIBERTE A S， RANGO A， HERRICK J E， et al. An object-based image analysis approach for determining fractional cover of senescent and green vegetation with digital plot photography [J].JournalofAridEnvironments， 2007， 69(1):1-14.[12] 张清平，章山山，陈露，等.应用WinCAM软件判识分析草坪盖度[J].草业科学，2010，27(7):13-17. ZHANG Q P，ZHANG S S， CHEN L，et al. Identification and analysis of turf coverage with WinCAM software[J].PrataculturalScience， 2010，27(7):13-17. (in Chinese with English abstract)

[13] 宋雪峰，董永平，单丽燕，等.用数码相机测定草地盖度的研究[J].内蒙古草业，2004(4):1-6. SONG X F，DONG Y P，SHAN L Y，et al. A method for measuring grassland coverage using the digital camera[J].InnerMongoliaPrataculture， 2004(4):1-6. (in Chinese with English abstract)

[14] 章超斌，李建龙，张颖，等.基于RGB模式的一种草地盖度定量快速测定方法研究[J].草业学报，2013，22(4):220-226. ZHANG C B，LI J L，ZHANG Y，et al. A quantitative analysis method for measuring grassland coverage based on the RGB model[J].ActaPrataculturaeSinica， 2013，22(4):220-226. (in Chinese with English abstract)

[15] 胡健波，张璐，黄伟，等.基于数码相片的草地植被覆盖度快速提取方法[J].草业科学，2011，28(9):1661-1665. HU J B， ZHANG L， HUANG W， et al. Quickly determining grassland cover using the digital image[J].PrataculturalScience， 2011，28(9):1661-1665. (in Chinese with English abstract)

[16] HAGUE T， TILLETT N D， WHEELER H. Automated crop and weed monitoring in widely spaced cereals[J].PrecisionAgriculture， 2006， 7(1):21-32.

[17] KATAOKA T， KANEKO T， OKAMOTO H， et al. Crop growth estimation system using machine vision[C]//IEEE/ASME International Conference on Advanced Intelligent Mechatronics， 2003.

[18] WOEBBECKE D M， MEYER G E， VON BARGEN K， et al. Color indices for weed identification under various soil， residue， and lighting conditions[C]// American Society of Agricultural Engineers Meeting， 1994.

[19] NETO J C. A combined statistical-soft computing approach for classification and mapping weed species in minimum-tillage systems[EB/OL]. (2004-09-01) [2016-12-27]. http://search.proquest.com/docview/305161252.

[20] GITELSON A A， KAUFMAN Y J， STARK R， et al. Novel algorithms for remote estimation of vegetation fraction[J].RemoteSensingofEnvironment， 2002， 80(1):76-87.

[21] GUIJARRO M， PAJARES G， RIOMOROS I， et al. Automatic segmentation of relevant textures in agricultural images[J]. Computers&ElectronicsinAgriculture， 2011， 75(1):75-83.

[22] BAUER T， STRAUSS P. A rule-based image analysis approach for calculating residues and vegetation cover under field conditions[J].Catena， 2014， 113:363-369.

[23] 胡云峰，陈祖刚，董群，等.安卓手机的草地信息协同采集系统设计与实现[EB/OL]. (2016-11-09)[2016-12-17]http://www.cnki.net/kcms/detail/11.4415.p.20161109.0936.048.html.

[24] 顾祝军.植被覆盖度的照相法测算及其与植被指数关系研究[D].南京：南京师范大学， 2005. GU Z J. Study on the measurement of photography method for vegetation coverage and its relationship with vegetation index[D].Nanjing: Nanjing Normal University， 2005.

(责任编辑 高 峻)

Research on estimation approach of grassland vegetation coverage based on cellphone photo

DING Xiao1， QIU Xinfa2，*， GAO Jiaqi3， GONG Jingyu4

(1.SchoolofGeographyandRemoteSensing，NanjingUniversityofInformationScience&Technology，Nanjing210044，China; 2.SchoolofAppliedMeteorology，NanjingUniversityofInformationScience&Technology，Nanjing210044，China; 3.CollegeofAtmosphericScience，NanjingUniversityofInformationScience&Technology，Nanjing210044，China; 4.SchoolofAtmosphericPhysics，NanjingUniversityofInformationScience&Technology，Nanjing210044，China)

In the present study， 6 kinds of vegetation indexes (VEG， CIVE， EXG， EXGR， NGRDI， COM) were selected to estimate vegetation coverage of grassland based on RGB channel information, and their effects were compared with self-developed APP. Meanwhile， the influence on estimation error was discussed from 3 aspects including the green degree， weather conditions and vegetation coverage. Besides， the stability of each method was estimated from the perspective of threshold variation with illumination. It was shown that the estimation accuracy of 6 methods was higher than 90%. COM method reached the maximum accuracy of 95.41%， while， NGRDI method exhibited the lowest accuracy of 92.87%. The estimation error of each method for dark green grass was smaller than that of yellow green grass， and the estimation error in cloudy condition (cloudiness≥70%) was smaller than that in sunny condition (cloudiness≤10%). With the increase of vegetation coverage， the estimation error of VEG， CIVE， EXG， COM increased， while， no regular changes on estimation error of EXGR， NGRDI method were found. All 6 methods showed no obvious changes (threshold fluctuation≤0.02) with the changes of solar zenith angle and light intensity in a day. Under different weather conditions， the thresholds of VEG， CIVE methods had no obvious change (threshold fluctuation≤0.01)， while， the thresholds of the remaining methods changed significantly (threshold fluctuation≥0.03). In short， all the 6 methods could satisfy the application in cellphone platform. As there was no need to consider the impact of illumination changes， VEG and CIVE possessed better versatility compared with the other methods.

vegetation coverage; digital photos; grassland; vegetation index

10.3969/j.issn.1004-1524.2017.06.23

2016-12-27

国家自然科学基金项目(41330529)；江苏省第四期“333高层次人才培养工程” 科研项目(BRA2014373)

丁肖(1991—)，男，山东枣庄人，硕士研究生，主要从事草地植被盖度估算方法研究。E-mail: dingxiao0618@163.com

*通信作者，邱新法，E-mail: xfqiu135@nuist.edu.cn

S812.5

A

1004-1524(2017)06-1017-09