基于Android平台的荒漠柽柳地上生物量无损快速估测方法

王洋洋，孙 伟，*，李 淦，康正华，缪 剑

(1.新疆农业大学 计算机与信息工程学院，新疆 乌鲁木齐 830052； 2.新疆农业大学 农学院，新疆 乌鲁木齐 830052； 3.新疆农业大学 机械交通学院，新疆 乌鲁木齐 830052)

基于Android平台的荒漠柽柳地上生物量无损快速估测方法

王洋洋1，孙 伟1，*，李 淦2，康正华2，缪 剑3

(1.新疆农业大学 计算机与信息工程学院，新疆 乌鲁木齐 830052； 2.新疆农业大学 农学院，新疆 乌鲁木齐 830052； 3.新疆农业大学 机械交通学院，新疆 乌鲁木齐 830052)

荒漠灌木生物量估测是研究荒漠生态系统结构与功能的重要指标。为了实现荒漠灌木地上生物量的野外实时、无损、快速估测，应用机械设计与制造技术和方法，研制了一种荒漠灌木地上生物量的野外测量装置，综合应用数字图像处理算法，基于Android平台开发了测量装置上运行的荒漠灌木地上生物量无损快速估测软件。以新疆古尔班通古特沙漠南缘的150株柽柳为试验对象，验证荒漠灌木地上生物量无损快速估测方法的有效性。结果表明，以柽柳图像俯视面积(S)为自变量建立生物量模型B=15.215+369.44S-42.03S2+1.668S3最优，决定系数(R2)最大，与人工实际测量结果相比，该系统估测的平均绝对误差为79.12 g，平均系统误差为1.73%，平均绝对百分误差为18.59%，估测值和实测值相关系数为0.939 1，能有效测量生物量，为无损快速估测荒漠柽柳地上生物量提高了工作效率。

Android平台；柽柳；生物量；无损估测

荒漠灌木是干旱区、半干旱区脆弱生态系统的重要组成部分，其生物量估测方法至关重要[1]，但是，由于灌木测树学因子的野外获取难度较大，已成为灌木生物量建模的主要制约因素之一[2]。目前灌木生物量测量方法大多为人工调查，以破坏性测量为主，优点是测量结果可靠，缺点是需要将整个灌木收割，这使得同一灌木不能得到连续测量。在大批量测量时，不但费时、费力，而且所得数据可能具有一定的主观性，存在一定程度的误差。以遥感影像为主的非破坏性的测量最大优势就是允许重复追踪同一片区域的生物量，缺点是高清影像价格较高，且多聚集在乔木上，对灌木林的相关研究较少[1]。近几年来，随着智能手机摄像技术的飞速发展，采用低成本、非破坏性的智能手机拍照法研究植物各种关键测量指标逐步成为一种新的途径和手段[3]。

Damiran等[4]通过数码相机拍摄的图片获取毛核木的绿叶面积值，成功估测了其生物量值。郭文川等[5]通过Android手机平台构建了一种植物叶片面积快速无损测量系统，取得了良好的效果。路文超等[6]设计了基于Android手机便携式水稻剑叶角无损测量系统，得到的结果较为理想。郑姣等[7]利用Android手机图像识别对水稻病害进行了诊断。龚爱平等[8]设计开发一款基于Android手机的叶面积测量软件，实现了无损测量不同大小和形状的叶片面积。戴建国等[9]在Android手机开发了基于图像规则的棉花病虫害诊断系统，以图像形式对棉花生长状况进行预测。因此，利用智能手机摄像头来估测荒漠柽柳地上生物量是目前可行的方法。然而，现有研究方法直接应用于灌木生物量无损快速估测研究中却存在一些不足之处亟待解决，例如，Damiran等[4]研究的灌木属于小型灌木，在拍摄照片时还需要引入白色背景布，导致野外测量难度和成本增加；郭文川等[5]研究目标是形态较小的植物叶片面积；路文超等[6]研究的水稻剑叶角测量系统在田间测量过程中需要避开太阳光的直射，在使用过程中，需要采用遮挡的方式避免太阳光对剑叶部位直接照射；郑姣等[7]研究的水稻病害诊断系统和戴建国等[9]研究的棉花病虫害诊断系统都无法直接应用于生物量的估测，并且以上的研究成果都不适用于荒漠柽柳生物量的研究，因此，本文应用机械设计与制造技术和方法，研制了一种荒漠灌木地上生物量的野外测量装置，综合应用数字图像处理算法，基于Android平台开发了测量装置上运行的荒漠灌木地上生物量无损快速估测软件，从而对荒漠柽柳生物量进行估测，本研究建立了软硬件结合的一体化测量工具，针对灌木的特点，引入了柽柳图像俯视面积(S)为自变量建立生物量模型。

1 材料与方法

1.1 研究区概况

研究区位于新疆维吾尔自治区玛纳斯县六户地镇周边区域，地处古尔班通古特沙漠南缘，(44°35′27″～44°45′25″N，85°58′35″～86°19′10″E)。属温带大陆性气候，光照充足，冬季长而严寒，夏季短而酷热，昼夜温差大，年平均气温7.2 ℃，极端最高气温39.6 ℃，极端最低气温-37.4 ℃，年平均降水量173.3 mm，地貌为数米至数十米的固定、半固定沙丘[10]。研究区林木品种包括杨柳科、榆科、杉科、藜科等，植被主要有柽柳Tamarixramosissima、梭梭Haloxylonammodendron(C. A. Mey.) Bunge、胡杨Populuseuphratica等，这些植物都为荒漠固沙起到十分重要的作用。

1.2 系统总体设计

1.2.1 系统硬件平台

本研究选用中国移动M812智能手机，CPU频率：1.2 GHZ；核心数：四核；后置摄像头像素：800万像素；操作系统：Android4.4；RAM容量：2 GB；ROM容量：8 GB；支持蓝牙连接。

1.2.2 系统软件平台

在Windows 10操作系统下，采用Google发布的Android Studio 2.1.0开发平台进行编译，它是一个基于IntelliJ IDEA的Android开发环境，类似Eclipse ADT，Android Studio提供了集成的 Android 开发工具，适用于开发和调试。

在拍摄过程中，系统程序通过获取屏幕的分辨率来设置拍摄图片的尺寸，通过调用手机内置的拍摄程序实现拍摄对象的自动对焦功能，并且控制图像的正确显示方向[11]。

1.2.3 系统结构

基于Android平台的荒漠柽柳地上生物量无损快速估测系统主要分为柽柳图像采集和柽柳生物量估测两部分，见图1。

1.3 硬件设计与实现

拍摄杆采用不锈钢材质制成，该杆件分为4个杆及其他零部件组成，最大外径为14 mm，最大伸缩长度为4 m，收回后仅有1.28 m，可实现任意位置固定，使用时左右手分别握住上下连接的两节，两手相对方向旋转使拍摄杆定位锁死，两手相反方向旋转解锁可伸缩，如图2所示。

在获取柽柳图像时，可将拍摄杆调节至合适的高度，调整拍摄杆顶部的手机相机镜头，使之处于被拍摄柽柳的正上方，如图3所示。拍摄杆的底部设有拍摄按键和音频模块，按键模块和音频模块通过蓝牙无线传输模式与智能手机进行通信，当手机的相机对焦完成后，会通过音频模块发出提示音，此时按下拍摄按钮，相机拍摄柽柳照片，拍摄成功时，音频模块将会有快门声音提示拍摄完成。

1.4 图像数据与地上生物量获取

2016年8月，在新疆古尔班通古特沙漠南缘选择生长良好、地径均匀分布在1～50 cm，高度在3.5 m以下，冠幅在5～350 cm，并能很好地反映实验区内柽柳实际生长状况的样本。样地设置为50 m×80 m，随机布设15块样地，每块样地选取10株样木，共计150株样木。拍摄时尽量选择地面较平、杂草较少的背景，在地面放置一个标尺，用以测量灌木图像所占的实际宽度值，调节相机与柽柳的垂直距离，为避免镜头畸变带来的误差，在拍摄时使柽柳尽量处于图片的中间位置，同时保持相机镜头与地面保持平行，如图3所示。每株样本分别拍摄有效照片2张，并记录照片编号。

拍摄完成后，实地测量并记录每株柽柳的株高、基径、冠幅等数据，记录植株的GPS点值。收获时将柽柳齐地面伐倒，称量总鲜质量，每株选取一个标准直立枝，测量其长度后，将枝叶进行分离并编号，分别称鲜质量。样本带回实验室置于真空干燥箱内，在85 ℃恒温下烘干至恒质量，用精度为1 g的电子天平对每株样本分别称重，逐一记录下干质量，根据样本的干质量与鲜质量值计算柽柳的平均含水量，从而得出样本总干质量。

图1 系统结构图Fig.1 System structure diagram

a， 拍摄杆主视图，1—塑料握套；2—杆件4；3—偏心套索4；4—偏心套索3；5—杆件3；6—偏心套索2；7—偏心锁芯2；8—杆件2；9—偏心套索1；10—偏心锁芯1；11—杆件1；12—定位套管3；13—定位套管2；14—定位套管1；15—螺杆接头；b，偏心锁芯；c，偏心锁套；d，偏心锁芯与偏心锁套接触部分剖视图a， Main view of shooting rod，1-Plastic grip；2-Member bar 4；3-Eccentric lock sleeve 4；4-Eccentric lock sleeve 3；5-Member bar 3；6-Eccentric lock sleeve 2；7-Eccentric lock core 2；8-Member bar 2；9-Eccentric lock sleeve 1；10-Eccentric lock core 1；11-Member bar 1；12-Locating sleeve 3；13-Locating sleeve 2；14-Locating sleeve 1；15-Screw joint；b，Eccentric lock core；c，Eccentric lock sleeve；d，Sectional view of contact part between eccentric lock core and eccentric lock sleeve图2 拍摄杆示意图Fig.2 Schematic diagram of the shooting rod

图3 图像获取方法Fig.3 Method of image acquisition

1.5 图像数据处理方法

1.5.1 图像预处理

由于荒漠采集灌木图像过程中难免会受到周围环境的干扰，因此，为了抑制噪声，增强图像质量，首先需要对采集的图片进行预处理，如通过调节饱和度、亮度、色相等操作消除不同光照环境下对图片的影响，便于操作者读取图片中标尺的示数。通过裁剪操作将拍摄的图片中标尺、其他柽柳等干扰信息裁剪掉，仅保留待计算的柽柳图像并将柽柳显示在图像的中间位置。

本文主要的图像处理是图像分割，而文献[12]和[13]表明，影响图像分割误差因素的主次顺序为：光照强度、拍摄角度、太阳高度角和土壤干湿程度，前三者影响显著，土壤干湿程度对图像分割质量的影响并不明显。因此，上述图像预处理过程对图像参数的调整不会影响后续图像分割算法的精度。

1.5.2 图像分割

在野外拍摄荒漠灌木图像时，由于植株附近地表的颜色具有不确定性，因此本文采用Mean-Shift算法实现图像自动分割，它本质上是一种根据密度来决定分类的算法，在分割时不需要输入Cluster的数目。在读取像素数组时，先将像素值从RGB空间转换成YIQ空间，它具有能将图像中的亮度分量分离提取出来的优点，并且YIQ颜色空间与RGB颜色空间之间是线性变换的关系，计算量小，聚类特性也比较好，可以适应光照强度不断变化的场合。

Mean-Shift算法假设在d维空间Rd上有n个数据点xi，其中i取值范围为1～n，其多元核密度估算公式表示如式(1)所示：

(1)

其中K(x)表示核，h为窗口半径大小，对于径向对称核函数，定义其核K(x)满足公式(2)：

K(x)=Ck,dk(‖x‖2)。

(2)

其中Ck,d是归一化常量，保证K(x)整合为1，最终密度模型在梯度变化f(x)=0处停止。

Mean-Shift算法执行结束后，合并小于阈值数目的分类，同时将像素值再次转换成RGB空间，从而获得灰度图像。通过对灰度图像设定阈值，进一步得到二值图像，阈值化是输入图像f到输出图像g的如下变换(公式3)：

(3)

其中T是阈值，对于柽柳的图像元素g(i,j)=0，对于背景的图像元素g(i,j)=255。

1.5.3 计算灌木实际面积

根据图像实际宽度值与图像宽度所占的像素数之比来计算被测柽柳所占的实际俯视面积，单位为平方米，如公式(4)所示。

(4)

式中：S—柽柳所占俯视面积；W—实际宽度值；W′—图像宽度所占的像素数；P—图像中柽柳所占的像素数。

1.6 生物量建模方法

采用Excel 2010、DPS 7.05对数据进行分析，根据国内外生物量模型已有的研究成果，依次选择指数(5)、线性(6)、对数(7)、幂函数(8)、二次多项式(9)、三次多项式(10)建立柽柳生物量估测模型[14-17]，选择Android 手机图像处理得到的柽柳俯视面积(S)，外业测量得到的树高(H)、基径(D)及其派生因子D2H、DH、DH2为自变量建立生物量模型，并对拟合后的回归方程均进行F检验，选出适合柽柳最优的生物量估算模型[18]。

B=β0eβ0x；

(5)

B=β0+β1X；

(6)

B=β0+β1lnX；

(7)

B=β0Xβ1；

(8)

B=β0+β1X+β2X2；

(9)

B=β0+β1X+β2X2+β3X3。

(10)

式中：B为柽柳生物量；X为自变量；β0、β1、β2、β3为系数。

在150个样本中，选取其中110个作为建模样本，先将柽柳地上生物量与不同自变量进行相关性分析，并根据分析结果，选出最佳的建模数据构建实测生物量与图像提取的参数构建生物量模型。用剩下的40个样本作为检验样本，利用检验数据预测每株灌木的地上生物量，并与实测值进行比较。验证采用常用的决定系数(R2)、平均误差(ME)、平均绝对误差(MAE)、总相对误差(TRE)、平均系统误差(MSE)和平均绝对百分误差(MPSE)6个指标来衡量[19-21]，计算公式如下：

(11)

(12)

(13)

(14)

(15)

(16)

1.7 软件设计

本设计以简洁的布局为主要设计思想，完成人机交互界面的设计，实现了对荒漠柽柳生物量无损、快速估算的功能，避免了特别复杂的控件设计，方便调查人员的使用，具有操作简单、测试中系统稳定等特点。详细功能有：对灌木进行实时拍照、图像预处理(裁剪、旋转、缩放、翻转，调节饱和度、亮度、色相)、图像分割、计算生物量、保存数据等功能，系统主要界面如图4、5、6、7所示。

图4 软件主界面Fig.4 Main interface of developed software

图5 图像处理界面Fig.5 Interface of image processing

2 结果与分析

2.1 柽柳生物量估测模型的构建

分别以实际测量110株柽柳的俯视面积(S)和树高(H)、基径(D)及其派生因子D2H、DH、DH2为自变量[22-25]，构建生物量估测模型，并将各自变量与其生物量分别进行回归分析，其判定系数R2值如表1所示。由表1可知，6种变量S、H、D、D2H、DH、DH2中，以变量S与生物量的相关系数最高，其判定系数值为0.901 3，故本研究以S为自变量构建柽柳生物量估测模型。

a， 灰度图像 Gray image; b， 二值图像 Binary image图6 图像分割Fig.6 Image segmentation

a， 输入实际宽度值Enter the actual width value; b， 输出计算结果Output of computed results图7 计算生物量Fig.7 Calculated biomass

2.2 柽柳生物量估测模型的优选和验证

以俯视面积(S)为自变量建立6种常见的回归方程，统计分析结果如表2所示。对上述6种模型的拟合效果进行初步的检验，由表2可知，三次多项式方程的R2值最高，相关指标ME、MAE、TRE、MSE、MPSE分别为：-0.001 1 g、79.12 g、0.0002%、1.73%、18.59%，可见三次多项式的拟合效果最好，即：B=15.215+369.44S-42.03S2+1.668S3(R2=0.9013)为柽柳生物量最优估测模型。利用未参加建模的40株柽柳生物量数据对模型进行验证，其R2=0.815，将柽柳生物量的估测值与实测值作图比较，估测值与实测值比较接近，如图8所示，该模型可用于柽柳生物量估测。

表1柽柳不同类型生物量回归模型与自变量判定系数表

Table1The coefficient of determination between variables and biomass in different regression of theTamarixramosissima

回归模型Regressionmodel变量VariableSHDD2HDHDH2B=β0eβ1X0.49980.60210.75450.77950.66240.7081B=β0+β1X0.73090.41220.76470.78930.79670.7616B=β0+β1lnX0.75690.32800.71940.76540.63830.5105B=β0Xβ10.88710.73720.87330.89190.84680.8762B=β0+β1X+β2X20.88770.53470.84560.87080.85490.6748B=β0+β1X+β2X2+β3X30.90130.67370.86940.88110.86090.6831

表2柽柳生物量回归模型及其拟合优度评价

Table2Biomass regression models and evaluation of the goodness in fitting forTamarixramosissima

回归模型Regressionmodel方程系数Equationcoefficientβ0β1β2β3拟合优度评价指标GoodnessoffitR2ME/gMAE/gTRE/%MSE/%MPSE/%B=β0eβ1X237.30.2658--0.4998-7.5530265.04-1.268813.7340.34B=β0+β1X130.4265.44--0.7309-0.0016141.57-0.0003-5.1327.66B=β0+β1lnX259.82468.21--0.75690.0006131.150.00013.3240.26B=β0Xβ1332.740.6934--0.887110.4459101.121.80953.9421.14B=β0+β1X+β2X285.239270.91-15.284-0.88770.009083.660.0015-2.9319.39B=β0+β1X+β2X2+β3X315.215369.44-42.031.6680.9013-0.001179.120.00021.7318.59

图8 柽柳生物量的实测值与模型估测值Fig.8 Measured and estimated values of biomass for Tamarix ramosissima

3 讨论

本研究建立了一套软硬件结合的灌木生物量测量装置，针对灌木的特点，引入了柽柳图像俯视面积(S)新变量建立生物量模型。通过智能手机对研究区内的柽柳图像进行处理，同时根据样本的生物量实测数据，建立了荒漠柽柳的生物量估算模型，所确定的最优模型具有较大的决定系数(R2=0.901 3)。将采用本系统估测得到的柽柳生物量(以下简称估测值)和通过传统人工测量得到的柽柳生物量(以下简称实测值)进行数据对比，并运用Microsoft Excel 2010对估测值和实测值进行相关性分析，利用智能手机获取的俯视面积(S)这一新变量构建的估测模型对柽柳生物量进行预测，估测值与实测值十分接近，说明该系统的估测精度与传统测量方式相比效果不弱，如图8所示。分析结果表明，估测值与实测值相比，估测值的平均绝对误差为79.12 g，平均系统误差为1.73%，平均绝对百分误差为18.59%，估测值和实测值相关系数为0.939 1。

通过图8观察到估测值和实测值较为吻合，但也存在一定的误差，这种误差可能的原因是：(1)由于太阳光强烈照射柽柳后在地面形成的影子，导致系统计算柽柳所占实际面积的结果产生一定的影响。因此，在使用本系统估测柽柳生物量的过程中，最好选择阴天或太阳光正摄柽柳时进行拍摄;(2)对于个别的柽柳，其近地面分枝较多、地面杂草颜色与柽柳相近，尤其是柽柳枝条与其他植物相互交错生长而言，植株的颜色与地面其他干扰物的颜色不易区分，这在提取有效的拍照面积时也会造成误差。

本研究表明，以智能手机获取俯视面积(S)为自变量建立的估测方法精度相对较高，这与苏占雄等[23]利用数码相片估算狼牙刺等灌木生物量模型中结论基本一致。Damiran等[4]通过数码相机拍摄法对毛核木生物量的研究证实，通过毛核木的绿叶面积能有效地估测毛核木生物量，表明单纯的灌木绿叶面积也是估测荒漠灌木生物量的有效参数。然而，该文中所涉及的毛核木为小型灌木，拍摄方法采用侧面拍摄且需要在灌木一侧放置白色背景布，在对大型植株灌木调查时，侧面拍摄法极易受到其他背景干扰。虽然如此，Damiran等[4]的研究也促使我们对荒漠灌木生物量估测有了新的感悟与尝试，为此，本研究拍摄方法采用俯视方式对柽柳进行拍摄，并利用Android平台来估测柽柳生物量，结果表明，通过柽柳俯视面积估测的生物量具有较高的精度，可以用于古尔班通古特沙漠柽柳生物量的快速估测，而且本研究对估测系统做了软硬件一体化的设计，比Damiran等[4]单纯使用数码相机估测的效率要高。

目前，在林业上对灌木生物量的估测中，较常用的是以基径(D)、树高(H)及其派生因子D2H、DH、DH2为变量因子得出相应的预测模型[22-24]，但是对于柽柳这种灌木而言，其地面分支较多，长势较大的根部不易接近，野外实地测量其基径和树高难度较大。利用智能手机获取俯视面积(S)对柽柳生物量进行估算的方法不仅克服了测量基径(D)、树高(H)等变量的困难，同时可以减少通过直接收获法对荒漠野生植物资源的破坏，该方法在生态环境脆弱的干旱、半干旱荒漠地区使用中，既减少了野外工作量，又具有较高的实用价值。因此从无损、易测性方面综合考虑，本研究认为采用通过智能手机获取柽柳的俯视面积为自变量更简单易行，估测效果较好。

由图8可知，在生物量为1 500 g以下时，估测值基本在实测值附近上下浮动，而在生物量为1 500 g以上时，估测值基本都小于实测值，这可能是因为随着柽柳长势的逐渐增大，柽柳的实际生物量不能通过智能手机拍摄俯视面积的方法完全体现出来，且本研究中的拍摄杆可达到的最大高度为5 m，最大拍摄地面面积为370 cm×370 cm，也无法对特别大的柽柳全部拍摄。为此，通过智能手机图像分析获得的柽柳生物量估测模型如果应用于其他地区，或者超出以俯视面积(S)来解译柽柳生物量的范围，其估测精度还需进一步验证。此外，智能手机在无信号覆盖的荒漠区中只能通过本地应用处理图像，Android端与PC端相比，图像处理速度较慢，这些问题都需要在今后的研究中进一步的探索。在下一步的研究中，可以尝试通过智能手机或无人机拍摄一定区域的柽柳，利用模型得到区域总的柽柳生物量，此种无损、快速估测荒漠柽柳生物量的方法简化了生物量估测流程，节省人力、物力，也节约了获取柽柳生物量的时间，并在一定程度上保护了荒漠灌木资源，实现了快速、无损估测，具有一定的现实意义。

[1] 曾伟生. 国内外灌木生物量模型研究综述[J]. 世界林业研究，2015， 28(1):31-36.

ZENG W S. A review of studies of shrub biomass modeling[J].WorldForestryResearch， 2015， 28(1):31-36. (in Chinese with English abstract)

[2] 仇瑶，常顺利，张毓涛，等. 天山林区六种灌木生物量的建模及其器官分配的适应性[J]. 生态学报，2015，35(23):7842-7851.

QIU Y， CHANG S L， ZHANG Y T， et al.Biomass estimation modeling and adaptability analysis of organ allocation in six common shrub species in Tianshan Mountains forests， China[J].ActaEcologicaSinica， 2015， 35 (23):7842-7851. (in Chinese with English abstract)

[3] 董道瑞，李霞，万红梅，等. 塔里木河下游柽柳灌丛地上生物量估测[J]. 西北植物学报，2012， 32(2):384-390.

DONG D R， LI X， WAN H M， et al.Aboveground biomass estimation ofTamarixramosissimashrub in the lower reaches of Tarim river[J].ActaBotanicaBoreali-OccidentaliaSinica， 2012， 32(2):384-390. (in Chinese with English abstract)

[4] DAMIRAN， DELCURTO T， JOHNSON D E， et al. Estimating shrub forage yield and utilization using a photographic technique[J].NorthwestScience， 2006， 80(4):259-263.

[5] 郭文川，周超超，韩文霆. 基于Android手机的植物叶片面积快速无损测量系统[J]. 农业机械学报，2014，45 (1):275-280.

GUO W C， ZHOU C C， HAN W T. Rapid and non-destructive measurement system for plant leaf area based on Android mobile phone[J].TransactionsoftheChineseSocietyforAgriculturalMachinery， 2014，45 (1):275-280. (in Chinese with English abstract)

[6] 路文超，赵勇，罗斌，等. 基于Android手机的水稻剑叶角测量系统[J]. 农业机械学报，2015， 46(11):296-301.

LU W C， ZHAO Y， LUO B， et al.Measurement system of rice flag leaf angle based on Android smart phone[J].TransactionsoftheChineseSocietyforAgriculturalMachinery， 2015， 46(11):296-301. (in Chinese with English abstract)

[7] 郑姣，刘立波. 基于Android的水稻病害图像识别系统设计与应用[J]. 计算机工程与科学，2015，35(7):1366-1371.

ZHENG J， LIU L B. Design and application of rice disease image recognition system based on Android[J].ComputerEngineering&Science， 2015， 35(7):1366-1371. (in Chinese with English abstract)

[8] 龚爱平，吴武豪，裘正军，等. 基于Android系统手机的叶面积测量方法[J]. 农业机械学报，2013， 44(9):203-208.

GONG A P， WU W H， QIU Z J， et al.Leaf area measuiement using Android OS mobile phone[J].TransactionsoftheChineseSocietyforAgriculturalMachinery， 2013， 44(9):203-208. (in Chinese with English abstract)

[9] 戴建国， 赖军臣. 基于图像规则与Android手机的棉花病虫害诊断系统[J]. 农业机械学报，2015，46(1):35-44.

DAI J G， LAI J C. Image-rule-based diagnostic expert system for cotton diseases and pests based on mobile terminal with Android system[J].TransactionsoftheChineseSocietyforAgriculturalMachinery， 2015，46(1):35-44. (in Chinese with English abstract)

[10] 赵成义，王玉朝. 荒漠—绿洲边缘区土壤水分时空动态研究[J]. 水土保持学报，2005， 19(1):124-127.

ZHAO C Y， WANG Y C. Study on spatial and temporal dynamic of soil water content in desert-oasis ecotone[J].JournalofSoilandWaterConservation， 2005， 19(1):124-127. (in Chinese with English abstract)

[11] 王峥杰. 基于Android平台的便携式光谱仪图像处理软件研究[D]. 西安：中国科学院， 2013.

WANG Z J. Spectral image software for portable spectral imager based on Android platform[D]. Xi’an: Chinese Academy of Sciences， 2013. (in Chinese with English abstract)

[12] 钱丹. 作物与杂草识别中图像分割影响因素的研究[D].镇江：江苏大学，2006.

QIAN D. Research on influencing factors of image segmentation for crop and weed identification[D]. Zhenjiang: Jiangsu University， 2006. (in Chinese with English abstract)

[13] 毛罕平，钱丹. 作物数字图像分割误差的影响因素研究[J]. 微计算机信息，2006， 20(30):296-297， 303.

MAO H P， QIAN D. Studies on factors influencing digital image segmentation of crop[J].Control&Automation， 2006， 20 (30):296-297， 303. (in Chinese with English abstract)

[14] 王文栋，白志强，阿里木·买买提，等. 天山林区6种优势种灌木林生物量比较及估测模型[J]. 生态学报，2016，36(9):2695-2704.

WANG W D， BAI Z Q， ALIMU MAIMAITI， et al. Biomass comparison and estimation models for six dominant species of woody shrubs in the forest zones of the Tianshan Mountains[J].ActaEcologicaSinica， 2016，36(9):2695-2704. (in Chinese with English abstract)

[15] 王渊，王福民，黄敬峰. 油菜不同组分生物量光谱遥感估算模型[J]. 浙江农业学报，2004，16(2):29-33.

WANG Y， WANG F M， HUANG J F. The models for estimation of dry biomass from different components of rapeseed using canopy spectral data[J].ActaAgriculturaeZhejiangensis， 2004， 16(2):29-33. (in Chinese with English abstract)

[16] 董道瑞，李霞，万红梅，等. 塔里木河下游胡杨(Populuseuphratica)地上生物量估测[J]. 中国沙漠，2013，33(3):724-730.

DONG D R， LI X， WAN H M， et al. Aboveground biomass estimation ofPopuluseuphraticain the lower reaches of Tarim River[J].JournalofDesertResearch， 2013， 33(3):724-730. (in Chinese with English abstract)

[17] 彭守璋，赵传燕，彭焕华，等. 黑河下游柽柳种群地上生物量及耗水量的空间分布[J]. 应用生态学报，2010， 21(8):1940-1946.

PENG S Z， ZHAO C Y， PENG H H， et al. Spatial distribution ofTamarixramosissimain a aboveground biomass and water consumption in the lower reaches of Heihe River， Northwest China[J].ChineseJournalofAppliedEcology， 2010， 21(8):1940-1946. (in Chinese with English abstract)

[18] 蔡哲，刘琪璟，欧阳球林. 千烟洲试验区几种灌木生物量估算模型的研究[J]. 中南林学院学报，2006，26(3):15-18， 23.

CAI Z， LIU Q J， OUYANG Q L. Estimation model for biomass of shrubs in Qianyanzhou experiment station[J].JournalofCentralSouthUniversityofForestry&Technology， 2006， 26(3):15-18， 23. (in Chinese with English abstract)

[19] 曾伟生，唐守正. 立木生物量方程的优度评价和精度分析[J]. 林业科学，2011，47(11):106-113.

ZENG W S， TANG S Z. Goodness evaluation and precision analysis of tree biomass equations[J].ScientiaSilvaeSinicae， 2011，47 (11):106-113. (in Chinese with English abstract)

[20] 陶冶，张元明. 荒漠灌木生物量多尺度估测——以梭梭为例[J]. 草业学报，2013，22(6):1-10.

TAO Y， ZHANG Y M. Multi-scale biomass estimation of desert shrubs: a case study ofHaloxylonammodendronin the Gurbantunggut Desert，China[J].ActaPrataculturaeSinica， 2013， 22(6):1-10. (in Chinese with English abstract)

[21] 杨宪龙，魏孝荣，邵明安. 黄土高原北部典型灌丛枝条生物量估算模型[J]. 应用生态学报，2016，27(10):1-12.

YANG X L， WEI X R， SHAO M A. Stem biomass estimation models for dominant shrubs on the northern Loess Plateau of China[J].ChineseJournalofAppliedEcology， 2016， 27(10):1-12. (in Chinese with English abstract)

[22] 王蕾，张宏，哈斯，等. 基于冠幅直径和植株高度的灌木地上生物量估测方法研究[J]. 北京师范大学学报(自然科学版)，2004， 40(5):700-704.

WANG L， ZHANG H， HASI， et al. A study on the estimating method of shrub upper biomass based on the crown diameter and plant height[J].JournalofBeijingNormalUniversity(NaturalScience)，2004， 40(5):700-704. (in Chinese with English abstract)

[23] 苏占雄，石辉，郭晋伟，等. 利用数码照片估算灌木地上生物量的研究[J]. 安徽农业科学，2010， 38(7):3620-3624.

SU Z X， SHI H， GUO J W， et al. Estimation of shrub aboveground biomass using digital photograph[J].JournalofAnHuiAgriculturalSciences，2010， 38(7):3620-3624. (in Chinese with English abstract)

[24] 赵成义，宋郁东，王玉潮，等. 几种荒漠植物地上生物量估算的初步研究[J]. 应用生态学报，2004，15(1):49-52.

ZHAO C Y， SONG Y D， WANG Y C， et al. Estimation of aboveground biomass of desert plants[J].ChineseJournalofAppliedEcology， 2004， 15(1):49-52. (in Chinese with English abstract)

[25] 党晓宏，高永，虞毅，等. 库布其沙漠北缘8种荒漠灌丛生物量预测模型研究[J]. 干旱区资源与环境，2016， 30(5):168-174.

DANG X H， GAO Y， YU Y， et al. The biomass estimation models for eight desert shrub species in northern edge of the Hobq Desert[J].JournalofAridLandResourcesandEnvironment， 2016， 30(5):168-174. (in Chinese with English abstract)

(责任编辑张 韵)

Rapidandnon-destructiveestimationmethodforabovegroundbiomassofTamarixramosissimabasedonAndroidplatform

WANG Yangyang1，SUN Wei1，*， LI Gan2，KANG Zhenghua2，MIAO Jian3

(1.CollegeofComputerandInformationEngineering，XinjiangAgriculturalUniversity，Urumqi830052，China;2.CollageofAgronomy，XinjiangAgriculturalUniversity，Urumqi830052，China;3.CollegeofMechanicalEngineeringandTraffic，XinjiangAgriculturalUniversity，Urumqi830052，China)

Estimation of desert shrub biomass is an important index to study the structure and function of desert ecosystem. In order to realize the real-time， nondestructive and rapid estimation of aboveground biomass of desert shrubs， by using the technology of mechanical design and manufacture， a field measuring device for the aboveground biomass of desert shrubs was developed. With the integrated application of digital image processing algorithm based on the Android platform， the non-destructive and rapid estimation software for the aboveground biomass of desert shrubs was developed. The southern fringe of Gurbantunggut Desert in Xinjiang in 150 strains ofTamarixramosissimaas the experimental object， the biomass was effective nondestructive method for fast estimating verification on desert shrubs. The results showed that the optimal biomass model wasB=15.215+369.44S-42.03S2+1.668S3， which was based on the area of vertical view ofTamarixramosissima. The coefficient of determination was the maximum value. Compared with the actual measurement results， the average absolute error of the system was 79.12 g， the average system error was 1.73%， the mean absolute percentage error was about 18.59%， and the correlation coefficient between the estimated value and the measured value was about 0.939 1. It can effectively measure the biomass， improving work efficiency for rapid and non-destructive estimation of aboveground biomass of Tamarix desert.

Android platform;Tamarixramosissima; biomass; non-destructive estimation

王洋洋，孙伟，李淦，等. 基于Android平台的荒漠柽柳地上生物量无损快速估测方法[J].浙江农业学报，2017，29(11)： 1920-1929.

10.3969/j.issn.1004-1524.2017.11.20

2017-04-24

新疆维吾尔自治区研究生创新项目(XJGRI2015087)；2014年库尔勒科技合作项目(KRLKJHZXM)

王洋洋(1991—)，男，吉林舒兰人，硕士研究生，研究方向为时空数据挖掘、嵌入式。E-mail: 694875779@qq.com

*通信作者，孙伟，E-mail: maplesunw@163.com

TP399

A

1004-1524(2017)11-1920-10