植被葉面積指數(leaf area index:LAI)測量方式正在逐漸發生變革，其中有一種趨勢是將傳統的複雜化專業化的測量模式向普通化和簡便化發展，而基於智慧型手機的LAI測量方式是這場變革中極其具有吸引力的一個方向。文章在分析了已有的智慧型手機LAI測量系統的套用潛力與局限性基礎之上，設計並實現了一種新的智慧型手機LAI測量系統——LAI Smart。與已有的系統比較，LAI Smart的測量操作方式將更為便捷，能夠適應不同高度的植被類型，能夠完成在不同天頂角下的圖像拍攝。在圖像分類算法上，LAI Smart提供了更為靈活的圖像分類特徵，方便用戶根據不同的植被類型與測量條件實現圖像分類。將LAI Smart套用於兩種類型（針葉林的側柏、白皮松和闊葉林的懸鈴木）的林地葉面積指數測量，測量結果與LAI-2000測量值之間具有極強的相關性（R2達到0.99），表明LAI Smart在描述植被LAI動態變化特徵上具有與LAI-2000相近的能力。然而驗證結果還表明，受圖像分類精度局限性，當LAI處於高值區間時（例如本文中的3.7m2/m2）與LAI-2000比較，LAI Smart將會低估林地LAI，低估值約為1.1m2/m2。這種低估是基於圖像分類估計LAI時的一個普遍現象，也和我們從LAI測量原理的基本理論分析相一致。儘管這樣，我們仍然相信，伴隨著精細分類算法的發展，LAI Smart這樣的便攜、廉價的LAI測量方式將會得到更多的關注和更加廣泛的套用。
基本介紹
- 中文名：葉面積指數測量
- 外文名：Leaf area index
- 關鍵字：葉面積指數；圖像分割；智慧型終端
- 領域：林業 農業 遙感 葉面積指數
植被是陸表生態系統的重要組成成分，而葉片則是植被與外界進行相互作用的一個重要器官，葉面積指數是定量描述植被進行光合作用、呼吸作用、蒸騰作用的一個重要參數，被定義為單位地表面積上植被冠層葉面積的一半。對於葉面積指數的地面測量方法，分為直接和間接測量，目前已有眾多學者對每一種測量方法的優缺點以及適應條件進行了充分的綜述。
在眾多地面簡介測量方法中，利用攝影成像技術獲取植被葉面積指數是其中的一種重要分支。成像方法測量葉面積指數的基本原理是通過對植被冠層進行單一角度或者多角度拍照，並採用一種合適的分類方法，根據拍照的角度不同，進行處理後得到植被冠層單一角度或者多角度間隙率，然後根據間隙率模型推算葉面積指數。相比較於一些專用的LAI測量儀器，在攝影成像法獲取葉面積指數的技術方案中，可用的成像設備類型比較豐富，包括專業的單眼相機以及普通的數位相機，還有早期的膠片相機。因此，攝影成像法是一種更為靈活的LAI地面測量技術。
隨著移動終端技術的發展，當前的手機或平板電腦中已經集成了多種感測器，其中成像感測器已經成了智慧型手機的標準配置。因此，在傳統的攝影成像技術之上，最近幾年來，有些研究者嘗試利用智慧型手機來獲取植被葉面積指數。REF等曾發布了一種基於智慧型手機的APP，可以運行於安卓系統與蘋果系統，通過獲取特定角度（57.5°）的植被冠層間隙率來推算葉面積指數。REF並首先在ascatter-seededrice作物類型中進行了測試，其後，REF對PocketLAI進行了更多種植被類型的對比試驗。Confalonieri等的研究成果為基於非常容易得到的智慧型手機實現專業的植被葉面積指數測量提供了一個很好的例子。
與PocketLAI類似，本文也實現了一種基於智慧型終端的植被葉面積指數測量系統（稱之為LAISmart），但LAISmart比PocketLAI提供了更為靈活的操作方式以及用戶可選的分類特徵集，從設備操作方便性以及算法靈活性上進行了最佳化。因此，我們設計LAISmart系統的目的有兩個，一是充分利用當前成熟的智慧型終端設備的成像與高性能計算功能，實現植被葉面積指數實時計算；二是為用戶提供操作與數據處理選擇，方便用戶根據實際情況進行測量設定。
與已有的智慧型手機LAI測量系統比較，LAISmart在以下三個方面進行了改進。第一方面是提供了更為靈活的拍攝角度，不僅僅局限於單一的57.5°。雖然(Wilson1960)早在1960年就從理論上分析了當觀測天頂角為57.5°時候，葉片在這個觀測方向的投影函式近似等於0.5而與葉傾角無關。然而，(Liu,Patteyetal.2013)等對農作物的冠層結果表明，當LAI值大於1.5以後，在57.5°時獲取的LAI值並不能比垂直觀測視角觀測值有更好的質量提升，反而，57.5°的觀測值更容易受到圖像分類精度的影響，因為隨著冠層間隙率減少，圖像信號強度隨著路徑長度的增加而降低。因此，在LAISmart中，我們不再將觀測角度固定在57.5°，而是提供了一個靈活的觀測方式，用戶可以根據實際情況自行設定冠層角度（0-180°之間）。第二個改進是，LAISmart提供了更為靈活的圖像分類特徵選擇，用戶可以根據植被類型以及天空光照條件選擇合適的分類特徵。基於攝影成像技術的葉面積指數測量精度，直接受制於圖像的分類精度。由於拍攝條件的差異以及植被類型的差異，在分類算法相同的情況下，選擇不同的分類特徵會得到差異非常大的分類結果，從而導致從同一幅影像中提取的間隙率差異很大。因此，很難有一個固定的分類特徵能夠適應不同的光照條件以及植被類型。在LAISmart中，我們提供了多種分類特徵供用戶選擇。第三個改進方面是LAISmart實現了一種集成式的野外測量設備，由數據採集終端、數據處理終端以及一個攜帶型儀器支架組成。這種集成式的裝配方式能夠提高用戶的野外工作效率。由於LAISmart成像的觀測角度不再固定位57.5°，當用戶選擇較小的觀測角度，例如0°左右的時候，如果以手持手機進行拍照的話，很容易將操作者拍攝進照片中。並且，由於此時用戶視線不是正對著手機螢幕，因此，對手機的操作很不方便。為了提高儀器野外操作的便利性，我們將取景工作與監控兩部分工作進行分離，利用前端手機實現取景與傾角計算，利用後端手機實現對前端手機的監控以及圖像實時分類和LAI計算。前端與後端之間通過無線熱點進行聯網與數據傳輸。
LAISmart由硬體和軟體組成，其中硬體包括信息採集智慧型終端、用戶操作控制台與儀器支架；軟體包括信息採集軟體模組、無線傳輸控制模組以及實時計算存儲模組。其中信息採集軟體模組內嵌在信息採集智慧型終端中；無線傳輸控制模組分別部署在信息採集智慧型終端與用戶操作控制台內，負責建立信息採集終端與用戶操作控制台連線；實時計算存儲模組內嵌在用戶操作控制台智慧型終端系統內。圖1分別顯示了LAISmart各模組之間的連線關係(a)以及LAISmart系統設計圖(b)。
信息採集智慧型終端和用戶操作控制台分別是一個智慧型手機系統，其中智慧型手機硬體系統要求配置GPS感測器、陀螺儀感測器、環境光照感測器、成像感測器、WIFI感測器，作業系統為安卓4.0以上。
信息採集軟體負責完成成像感測器、GPS感測器、陀螺感測器信息採集，並將採集到的感測器數據通過無線傳輸控制模組傳送到用戶操作控制台。LAI實時計算存儲模組部署在用戶操作控制台內，負責接收無線傳輸控制模組傳來的圖像並對圖像進行自動處理，並負責把處理結果保存在用戶操作控制台終端的存儲器上。在LAISmart系統開始工作的時候，首先打開用戶操作控制台的無線熱點功能，信息採集智慧型終端通過wifi與用戶操作控制台的無線熱點建立連線，從而達到在用戶操作控制台上管理、控制信息採集智慧型終端的目的。
1.1LAI計算方法
根據冠層間隙率分布規律，如果葉片隨機分布且葉子尺寸遠遠小於冠層尺寸，則冠層間隙率與葉面積指數之間的關係為(Nilson1971)
基於可以得到LAI的計算公式
其中為冠層間隙率，為觀測點頂角，為葉片在觀測方向上平均投影面積比。
由可知，計算LAI值需要預先得到。然而，葉片的投影比是一個與葉傾角分布以及觀測幾何有關的函式，嚴格的計算需要多個角度的觀測間隙率，這勢必增加觀測的複雜度。Goudriaan等的研究結果表明，葉傾角分布函式可以用球形分布來近似，這時候的葉片平均投影面積比為0.5，且和感測器的視場角無關(Goudriaan1988)。基於這個假設，(LiuandPattey2010;Liu,Patteyetal.2013)等實現了用單一角度（垂直向下）的數字照片中獲取農作物葉面積指數。在本文中，仍然採用這一假設，則有
其中來自信息採集智慧型終端的陀螺儀姿態信息，即俯仰角，冠層間隙率等同於信息採集智慧型終端在觀測方向的圖像中的背景像素所占的比例（向下拍攝時土壤為背景，向上拍攝時天空為背景）。對的計算是通過對圖像分類而得到的。
1.2冠層間隙率計算
在測量時，用戶可以根據植被高度變化來設定信息採集終端的成像感測器的鏡頭的拍攝方向。對於高大樹木或者較高的農作物（如玉米），此時的攝像感測器鏡頭向上拍攝。這時，視野內只有植被與天空；而對於低矮的農作物，用戶可以將感測器距離冠層一定高度向下拍攝。此時的視場內為植被與土壤。因此，對於圖像中間隙率的提取其實就是對數字照片中的植被與非植被的自動分類。
日本學者大津於1979年提出一種自動提取圖像前景與背景分割閾值的算法，稱之為大津法（OTSU）(Otsu1979)。OTSU算法的原理是尋找一個分割閾值，使得分割後的二值圖像類間方差法最大。目前OTSU算法在圖像自動分割、圖像陰影提取與消除等多個方面得到的廣泛套用。本文採用OTSU算法實現圖像中間隙率的自動提取。
但是，由於拍攝條件不同（成像感測器方向、天空光比例）等的影響，圖像中的背景（天空或土壤）和前景（植被）的分類特徵會發生變化，因此，很難保持一種特徵實現對各種情況圖像的自動分割。因此，在LAISmart系統中，基於原始的RGB圖像，系統提供了3種分類特徵供用戶選擇，分別是：綠度指數(GI)(Booth,Coxetal.2005)，即GI=（2*G-R-B）/(2*G-R-B)；藍色波段亮度值(B)；圖像HSV空間的亮度（V）。其中GI對於區分向下拍攝的圖像中的植被與土壤比較有效，而B則能夠有效區分散射光較強的情況向上拍攝的照片的植被與天空，V則適用於在晴天情況下向上拍攝的圖像分割。在LAISmart採用OpenCV函式館(http://opencv.org)實現OTSU算法。
1.3測量實驗
為了驗證LAISmart在不同林種的測量性能，我們在北京師範大學校園內（北京，中國）選擇了兩個測量實驗區，分別稱之為S1測區（N39.961°,E116.366°）和S2測區（N39.963,E116.362），測區面積分別是30*40m2和60*50m2。S1測區內主要樹種包括側柏（Platycladusorientalis）與白皮松（Cuspidaianana），屬於針葉林，S2測區主要樹種為懸鈴木（Platanushispanica），屬於闊葉林。S1和S2區的測量時間是2015年5月26日與29日。為了減少太陽直射光的影響，提高圖像的分類精度，我們選擇黃昏時間，天空散射光比例較大的情況進行觀測。測量時，操作人員手持LAISmart使感測器視角儘量垂直向上拍攝，這樣在視場內看到的只有植被與天空。我們還同步進行了LAI-2000設備的觀測。LAISmart的camera圖像解析度為320*480Pixel，測量時將系統設定為自動曝光模式。
兩個實驗區測量剖線以及測量點分布分別如圖2(a)，(b)所示。圖中箭頭方向代表行進方向，測點間的距離大約5米。S1實驗區在南北測量方向上，LAI-2000的測量方式為每條剖線開始測量之前，測量一次總的天空散射輻射，然後在每條剖線上測量7次透過輻射（簡稱為1上7下），而在東西方向為1上5下。實驗中一共12條剖線，圖中數字代表剖線編號。LAISmart的測量位置在剖線的格線的交點附近（誤差不超過1m）。在S2測區部署了5條南北向剖線，LAI-2000和LAISmart在剖線上分別進行測量，LAI-2000採用1上7下模式。
