文档库 最新最全的文档下载
当前位置:文档库 › LAISmart

LAISmart

LAISmart
LAISmart

基于无线智能终端的植被叶面积指数测量系统

摘要

植被叶面积指数(leaf area index:LAI)测量方式正在逐渐发生变革,其中有一种趋势是将传统的复杂化专业化的测量模式向普通化和简便化发展,而基于智能手机的LAI测量方式是这场变革中极其具有吸引力的一个方向。文章在分析了已有的智能手机LAI测量系统的应用潜力与局限性基础之上,设计并实现了一种新的智能手机LAI测量系统——LAISmart。与已有的系统比较,LAISmart的测量操作方式将更为便捷,能够适应不同高度的植被类型,能够完成在不同天顶角下的图像拍摄。在图像分类算法上,LAISmart提供了更为灵活的图像分类特征,方便用户根据不同的植被类型与测量条件实现图像分类。将LAISmart应用于两种类型(针叶林的侧柏、白皮松和阔叶林的悬铃木)的林地叶面积指数测量,测量结果与LAI-2000测量值之间具有极强的相关性(R2达到0.99),表明LAISmart在描述植被LAI动态变化特征上具有与LAI-2000相近的能力。然而验证结果还表明,受图像分类精度局限性,当LAI处于高值区间时(例如本文中的3.7m2/m2)与LAI-2000比较,LAISmart将会低估林地LAI,低估值约为1.1m2/m2。这种低估是基于图像分类估计LAI时的一个普遍现象,也和我们从LAI测量原理的基本理论分析相一致。尽管这样,我们仍然相信,伴随着精细分类算法的发展,LAISmart这样的便携、廉价的LAI测量方式将会得到更多的关注和更加广泛的应用。

关键词:叶面积指数;图像分割;自动阈值;智能终端

1引言

植被是陆表生态系统的重要组成成分,而叶片则是植被与外界进行相互作用的一个重要器官,叶面积指数是定量描述植被进行光合作用、呼吸作用、蒸腾作用的一个重要参数,被定义为单位地表面积上植被冠层叶面积的一半。对于叶面积指数的地面测量方法,分为直接和间接测量,目前已有众多学者对每一种测量方法的优缺点以及适应条件进行了充分的综述。

在众多地面简介测量方法中,利用摄影成像技术获取植被叶面积指数是其中的一种重要分支。成像方法测量叶面积指数的基本原理是通过对植被冠层进行单一角度或者多角度拍照,并采用一种合适的分类方法,根据拍照的角度不同,进行处理后得到植被冠层单一角度或者多角度间隙率,然后根据间隙率模型推算叶面积指数。相比较于一些专用的LAI测量仪器,在摄影成像法获取叶面积指数的技术方案中,可用的成像设备类型比较丰富,包括专业的单反相机以及普通的数码相机,还有早期的胶片相机。因此,摄影成像法是一种更为灵活的LAI地面测量技术。

随着移动终端技术的发展,当前的手机或平板电脑中已经集成了多种传感器,其中成像传感器已经成了智能手机的标准配置。因此,在传统的摄影成像技术之上,最近几年来,有些研究者尝试利用智能手机来获取植被叶面积指数。REF等曾发布了一种基于智能手机的APP,可以运行于安卓系统与苹果系统,通过获取特定角度(57.5°)的植被冠层间隙率来推算叶面积指数。REF并首先在a scatter-seeded rice 作物类型中进行了测试,其后,REF对PocketLAI进行了更多种植被类型的对比试验。Confalonieri等的研究成果为基于非常容易得到的智能手机实现专业的植被叶面积指数测量提供了一个很好的例子。

与PocketLAI类似,本文也实现了一种基于智能终端的植被叶面积指数测量系统(称之为LAISmart),但LAISmart比PocketLAI提供了更为灵活的操作方式以及用户可选的分类特征集,从设备操作方便性以及算法灵活性上进行了优化。因此,我们设计LAISmart系统的目的有两个,一是充分利用当前成熟的智能终端设备的成像与高性能计算功能,实现植被叶面积指数实时计算;二是为用户提供操作与数据处理选择,方便用户根据实际情况进行测量设置。

2材料与方法

2.1LAISmart系统

与已有的智能手机LAI测量系统比较,LAISmart在以下三个方面进行了改进。第一方面是提供了更为灵活的拍摄角度,不仅仅局限于单一的57.5°。虽然(Wilson 1960)早在1960年就从理论上分析了当观测天顶角为57.5°时候,叶片在这个观测方向的投影函数近似等于0.5而与叶倾角无关。然而,(Liu, Pattey et al. 2013)等对农作物的冠层结果表明,当LAI值大于1.5以后,在57.5°时获取的LAI值并不能比垂直观测视角观测值有更好的质量提升,反而,57.5°的观测值更容易受到图像分类精度的影响,因为随着冠层间隙率减少,图像信号强度随着路径长度的增加而降低。因此,在LAISmart中,我们不再将观测角度固定在57.5°,而是提供了一个灵活的观测方式,用户可以根据实际情况自行设置冠层角度(0-180°之间)。第二个改进是,LAISmart提供了更为灵活的图像分类特征选择,用户可以根据植被类型以及天空光照条件选择合适的分类特征。基于摄影成像技术的叶面积指数测量精度,直接受制于图像的分类精度。由于拍摄条件的差异以及植被类型的差异,在分类算法相同的情况下,选择不同的分类特征会得到差异非常大的分类结果,从而导致从同一幅影像中提取的间隙率差异很大。因此,很难有一个固定的分类特征能够适应不同的光照条件以及植被类型。在LAISmart中,我们提供了多种分类特征供用户选择。第三个改进方面是LAISmart实现了一种集成式的野外测量设备,由数据采集终端、数据处理终端以及一个便携式仪器支架组成。

这种集成式的装配方式能够提高用户的野外工作效率。由于LAISmart 成像的观测角度不再固定位57.5°,当用户选择较小的观测角度,例如0°左右的时候,如果以手持手机进行拍照的话,很容易将操作者拍摄进照片中。并且,由于此时用户视线不是正对着手机屏幕,因此,对手机的操作很不方便。为了提高仪器野外操作的便利性,我们将取景工作与监控两部分工作进行分离,利用前端手机实现取景与倾角计算,利用后端手机实现对前端手机的监控以及图像实时分类和LAI 计算。前端与后端之间通过无线热点进行联网与数据传输。

LAISmart 由硬件和软件组成,其中硬件包括信息采集智能终端、用户操作控制台与仪器支架;软件包括信息采集软件模块、无线传输控制模块以及实时计算存储模块。其中信息采集软件模块内嵌在信息采集智能终端中;无线传输控制模块分别部署在信息采集智能终端与用户操作控制台内,负责建立信息采集终端与用户操作控制台连接;实时计算存储模块内嵌在用户操作控制台智能终端系统内。图1分别显示了LAISmart 各模块之间的连接关系(a)以及LAISmart 系统设计图(b)。

信息采集智能终端和用户操作控制台分别是一个智能手机系统,其中智能手机硬件系统要求配置GPS 传感器、陀螺仪传感器、环境光照传感器、成像传感器、WIFI 传感器,操作系统为安卓4.0以上。

信息采集软件负责完成成像传感器、GPS 传感器、陀螺传感器信息采集,并将采集到的传感器数据通过无线传输控制模块发送到用户操作控制台。LAI 实时计算存储模块部署在用户操作控制台内,负责接收无线传输控制模块传来的图像并对图像进行自动处理,并负责把处理结果保存在用户操作控制台终端的存储器上。在LAISmart 系统开始工作的时候,首先打开用户操作控制台的无线热点功能,信息采集智能终端通过wifi 与用户操作控制台的无线热点建立连接,从而达到在用户操作控制台上管理、控制信息采集智能终端的目的。

2.2 LAI 计算方法

根据冠层间隙率分布规律,如果叶片随机分布且叶子尺寸远远小于冠层尺寸,则冠层间隙率与叶面积指数之间的关系为(Nilson 1971)

()/cos ()G LAI P e θθθ-=

(1)

基于(1)可以得到LAI 的计算公式 ln ()cos()/()LAI P G θθθ=- (2)

其中()P θ为冠层间隙率,θ为观测点顶角,()G θ为叶片在观测方向上平均投影面积比。

由(2)可知,计算LAI 值需要预先得到()G θ。然而,叶片的投影比是一个与叶倾角分布以及观测几何有关的函数,严格的计算()G θ需要多个角度的观测间隙率,这势必增加观测的复杂度。Goudriaan 等的研究结果表明,叶倾角分布函数可以用球形分布来近似,这时候的叶片平均投影面积比()G θ为0.5,且和传感器的视场角无关(Goudriaan 1988)。基于这个假设,(Liu and Pattey 2010; Liu, Pattey et al. 2013)等实现了用单一角度(垂直向下)的数字照片中获取农作物叶面积指数。在本文中,仍然采用这一假设,则有

2ln ()cos()LAI P θθ=- (3)

其中θ来自信息采集智能终端的陀螺仪姿态信息,即俯仰角,冠层间隙率()P θ等同于信息采集智能终端在观测方向θ的图像中的背景像素所占的比例(向下拍摄时土壤为背景,向上拍摄时天空为背景)。对()P θ的计算是通过对图像分类而得到的。

2.3 冠层间隙率计算

在测量时,用户可以根据植被高度变化来设置信息采集终端的成像传感器的镜头的拍摄方向。对于高大树木或者较高的农作物(如玉米),此时的摄像传感器镜头向上拍摄。这时,视野内只有植被与天空;而对于低矮的农作物,用户可以将传感器距离冠层一定高度向下拍摄。此时的视场内为植被与土壤。因此,对于图像中间隙率的提取其实就是对数字照片中的植被与非植被的自动分类。

日本学者大津于1979年提出一种自动提取图像前景与背景分割阈值的算法,称之为大津法(OTSU )(Otsu 1979)。OTSU 算法的原理是寻找一个分割阈值,使得分割后的二值图像类间方差法最大。目前OTSU 算法在图像自动分割、图像阴影提取与消除等多个方面得到的广泛应用。本文采用OTSU 算法实现图像中间隙率的自动提取。

但是,由于拍摄条件不同(成像传感器方向、天空光比例)等的影响,图像中的背景(天空或土壤)和前景(植被)的分类特征会发生变化,因此,很难保持一种特征实现对各种情况图像的自动分割。因此,在LAISmart 系统中,基于原始的RGB 图像,系统提供了3种分类特征供用户选择,分别是:绿度指数(GI)(Booth, Cox et al. 2005),即GI=(2*G-R-B )/(2*G-R-B);蓝色波段亮度值(B);图像HSV 空间的亮度(V )。其中GI 对于区分向下拍摄的图像中的植被与土壤比较有效,而B 则能够有效区分散射光较强的情况向上拍摄的照片的植被与天空,V 则适用于在晴天情况下向上拍摄的图像分割。在LAISmart 采用OpenCV 函数库(https://www.wendangku.net/doc/d710123989.html, )实现OTSU 算法。

2.4测量实验

为了验证LAISmart在不同林种的测量性能,我们在北京师范大学校园内(北京,中国)选择了两个测量实验区,分别称之为S1测区(N39.961°, E116.366°)和S2测区(N39.963, E116.362),测区面积分别是30*40m2和60*50m2。S1测区内主要树种包括侧柏(Platycladus orientalis)与白皮松(Cuspidaia nana),属于针叶林,S2测区主要树种为悬铃木(Platanus hispanica),属于阔叶林。S1和S2区的测量时间是2015年5月26日与29日。为了减少太阳直射光的影响,提高图像的分类精度,我们选择黄昏时间,天空散射光比例较大的情况进行观测。测量时,操作人员手持LAISmart使传感器视角尽量垂直向上拍摄,这样在视场内看到的只有植被与天空。我们还同步进行了LAI-2000设备的观测。LAISmart的camera图像分辨率为320*480Pixel,测量时将系统设置为自动曝光模式。

两个实验区测量剖线以及测量点分布分别如图1(a),(b)所示。图中箭头方向代表行进方向,测点间的距离大约5米。S1实验区在南北测量方向上,LAI-2000的测量方式为每条剖线开始测量之前,测量一次总的天空散射辐射,然后在每条剖线上测量7次透过辐射(简称为1上7下),而在东西方向为1上5下。实验中一共12条剖线,图中数字代表剖线编号。LAISmart的测量位置在剖线的网格的交点附近(误差不超过1m)。在S2测区部署了5条南北向剖线,LAI-2000和LAISmart在剖线上分别进行测量,LAI-2000采用1上7下模式。

(a)S1 (b)S2

图1实验区测量剖线示意图。在S1测区(a),部署东西向8条和南北向5条剖线,在S2

测区(b),部署由南北向5条剖线组成。

3结果与讨论

3.1LAISmart测量结果

两个测区由于林地类型不同,虽然测量时光照条件近似相同,但是在图像上植被的色彩差别很大。对于S1测区的针叶林,由于叶片颜色较暗且针叶林叶片几乎不透光,因此,在向上拍摄的图像中,植被冠层呈现暗黑色,而天空则为明亮色。而在S2测区,由于悬铃木叶片呈现鲜绿色,且叶片透过率较大,则图像上仍然呈现较为明显的绿色,如图2所示。因此,针对两个测区林地类型不同,在对图像进行分割处理时,采用的分割特征变量分别是B (S1)和GI(S2)。

图2 S1(左)和S2(右)拍摄图像示例

在两个测区,LAISmart总共获取图像98幅图像,利用分割后的图像间隙率和公式(3)计算得到两个测区的LAI统计特征如表1所示,对应的频率分布如图3所示。

表1 S1和S2内LAI测量值统计特征

样方点数均值中位数最大值最小值方差

S163 1.92 2.10 2.38 0.23 0.20

S235 3.70 3.68 4.47 1.90 0.23

图3LAISmart在两个测区的LAI值频率分布直方图

从测量结果的参数统计(表1)来看,S1测区LAI值总体较低,而S2则总体较高。两

个测区的LAI值离差(最大值与最小值之差)分别是2.15m2/m2和2.57m2/m2,即S2测区冠层LAI值具有更大一些的动态范围。从参数的频率分布上来看(图3),两个测区的观测值分布具有相同的趋势,即高值区较为集中,低值区较为分散,主要表现在两个测区的LAI值大于中值比例占到了全部样点的70%以上。

3.2LAISmrat与LAI-2000比较

分别将LAISmart和LAI-2000在将S1测区的12条剖线和S2测区的5条剖线的LAI观测值进行逐点数值比较(图4),可以发现两种仪器测量值之间具有非常高的相关性,回归统计表明两者的决定系数(R2)达到0.99,表明两种仪器在揭示冠层LAI动态变化范围上具有几乎相同的能力。回归方程的斜率为0.61,表明LAISmart的测量值总体上要低于LAI-2000测量值,且他们之间的均方根误差达到了0.61m2/m2。但是,进一步分析发现,两种仪器的测量值在不同的测区统计特征具有很大的差异。在S1测区,两个仪器的测量值散布在1:1线附近,说明在针叶林中,LAISmart的测量值较为接近LAI-2000,两个仪器之间的偏差很小(RMSE仅为0.14m2/m2)。而在阔叶林中,两种仪器的测量值之间的偏差相对较大(RMSE 达到1.1m2/m2)。因此,可以认为,两者之间的偏差大多数来自于阔叶林的观测偏差。

图4LAISmart与LAI-2000测量结果散点图

3.3LAISmart揭示LAI空间动态能力

在LAISmart沿着剖线进行测量的时候,在每条剖线上布设了大约5-8个测量点,因此,在获取每条剖线的LAI的同时,还可以计算出每条剖线上LAI数值的变化,计算出剖线均值以及剖线上的标准差,如图5所示。从LAI值沿着剖线的变化趋势上来看,在S1测区,LAI 空间动态变化最大的是第二条剖线,而S3中LAI的空间最大变异性出现在第五条剖线中。下面我们针对这两个测区的空间变异最大的两条剖线分析一下LAISmart是否能够充分反映

LAI动态变化性。

图5 S1的12条剖线(左)和S2的5条剖线(右)LAISmart观测值动态变化。其中实线点为剖

线的均值,阴影区为均值加减标准差范围。

在S1的剖线2上,LAISmart获取了5幅图像(图6-a),对应图像计算的得到的LAI值如图6-b所示。同样,S2的中的剖线5的7幅图像以及对应的LAI测量值如图6(c)-(d)所示

图6剖线上拍摄图像以及对应LAI值的空间变化。(a)和(b)为S1的剖线2拍摄图像以及对应LAI值,(c)和(d)为S2的剖线5拍摄图像以及对应LAI值。

由图6的(a)和(c)可以直观地看出,沿剖线方向上,S1在边缘处和S2的中间位置,冠层间隙率有较大的突变,而在其余测点上,冠层间隙率变化比较平稳。在对应的LAI值的计算结果上(图6(b),(d)),对应测点的LAI值分别低于0.3m2/m2和1.9m2/m2,远远低于对应剖线的平均值,而其余测点的LAI值近似成一条直线,表明这些点上LAI计算值基本相同。因此,我们相信,LAISmart对于LAI的空间动态变化较为敏感,能够被用来反映研究区的LAI空间变异性。

3.4分类精度对LAI测量值的影响

由于LAI 值是根据冠层间隙率()P θ计算得到的,因此,影响LAI 测量值精度的最主要因素是()P θ的计算精度,即图像的分类精度。对公式(3)求导数可知,

2L P P ?=? (4)

也就是说,当冠层间隙率估算误差固定的情况下,叶面积指数测量值误差与间隙率呈反比例关系。反过来说,当冠层叶面积指数较大时(对应较小的间隙率),在同样的分类精度的情况下,LAI 估计值会有更大的误差。这就解释了在3.2节中S2测区LAI 值测量精度较低的原因。

具体来说,在S2测区,由于悬铃木叶片具有较强的透过率,且在同一片叶片表面,透过率分布并不均匀,中间部分透过率相对低一些,而叶片边缘处有更大的透过率。表现在图像上就是叶片边缘像素与天空部分像素颜色较为接近,而与叶片其它区域颜色差别很大。这样,基于OTSU 类间方差最大原则,部分叶片边缘像素则被划分为天空,也就是冠层间间隙率被过高估计,从而造成LAI 值会低估。

(a)

(b)

(c) 图7叶片不同部位透过率不同对分类精度的影响。(a)原始图像,(b)GI 灰度图像,(c)分类结果图像。图中红色圆所圈像素显示叶片边缘像素被误分为天空,造成间隙率高估和LAI 值低估。 如图7所示,虽然在绿度指数(GI )灰度图中我们可以凭目视仍然可以区分出叶片与天空像素(图7(a),(b)),但是在OTSU 算法的分类结果中,部分叶片边缘像素被误分为天空(图7(c)),造成计算出的间隙率明显大于实际间隙率,因而,会出现LAI 值低估现象。这就是图4中S2测量点大部分处于1:1线下方的原因。并且可以计算出,当LAI 为3.7m 2/m 2左右的时候(S2测区LAI-2000测量的均值),只要有10%的叶片像素被误分为天空(即植被的分类

精度为90%),LAI值将会低估量约为1.07m2/m2以上。如果LAI值达到为4.0m2/m2的话,低估量将大约1.2m2/m2。这样,我们也就清楚为什么S2测区LAISmart和LAI-2000的RMSE会达到1.1m2/m2了。

其实,以上这一现象在其它文献中也已经出现,不过从来没有被人深入的分析过这一现象出现的原因。例如(Confalonieri, Foi et al. 2013; Francone, Pagani et al. 2014)在用智能手机在57.5°天顶角拍摄图像计算的LAI值中,虽然他们对很多植被类型进行了广泛测试,但是,在他们的测试结果中存在一个共同的现象,当对高大的植被(玉米、芦苇)观测时,当LAI 值大于4.0m2/m2以后,基于图像分类算法得到的LAI值都会低于基于光照强度(他们用的AccuPAR)计算得到的LAI值,这种现象与本文出现的结果类似。(Chen, Impens et al. 1993)曾经通过模型模拟的方法也验证了类似的结论,不过他们认为当LAI处于6-8m2/m2时,图像分类方法同样会造成间隙率会高估(对应着LAI的低估)。

从分类技术的发展来看,任何分类算法都会有误差,而能达到90%的分类精度已经是较为理想的情况。因此,从本文测量数据以及结果分析来看,基于图像分类方法获取植被叶面积指数,无论是采取鱼眼相机还是单角度相机,当LAI值较大时(例如大于4.0m2/m2),由于图像分类精度所限,进一步提高LAI估计精度将变得更加困难。

4结论

本文提出了一种基于无线智能终端平台的植被叶面积指数测量系统——LAISmart,设计并实现了LAISmart的软硬件架构,开发了基于Android手机平台的图像获取与传输、图像自动分割与LAI计算应用程序。在针叶林与阔叶林两种林地类型内对LAISmart开展了初步的测量实验,并将实验结果与LAI-2000进行了比对分析。基于本文获取的数据与计算结果,我们可以得到如下结论。

(1)与目前已有的LAI测量商业仪器相比较,基于智能终端的LAISmart是一个比较容易获取且成本低廉的LAI测量设备。

(2)与已有的智能终端LAI测量方法比较,LAISmart将两台智能终端通过无线通讯建立连接,实现由控制台通过无线对前端测量终端控制,LAISmart能够提

供不限制拍摄角度的操作模式,因此,具有更为方便、实用的可操作性。

(3)LAISmart系统能够非常敏感地捕获林地植被的LAI空间动态变化特征,为实现林区LAI空间数据获取提供了一套比较有效的解决方案。

(4)LAISmart测量值与LAI-2000之间具有极强的相关性,但是,LAISmart对于透过率较低的针叶林比透过率较高的阔叶林有更高的测量精度。

(5)LAISmart的测量精度直接受限于图像的分类精度的影响,一般来说,当向上拍摄的时候,LAI值大于4.0m2/m2以后,LAISmart会低估LAI值约1.1m2/m2。

虽然本文仅仅将LAISmart在两种林地类型内进行了验证试验,但是,LAISmart是一个有更为广泛用途的测量设备,在后续的研究工作中,将会在农作物、草地、灌木等多种植被类型进行更为广泛的测试。但是,在开展更多工作之前,我们认为急需发展一种具有更高分类精度的自动分类算法,这样才有可能保证LAI测量值具有更高的精度。

最后,需要说明的是,如果在遥感应用中,需要将点上的观测升尺度上推到卫星像元尺度上的时候,则要考虑将间隙率区分为冠层内还是冠层间的间隙率,然后参照REF等的方法进行LAI计算,然后再与遥感卫星得到的LAI产品进行比较。

相关文档