Vegetation coverage extraction model of winter wheat based on pixel dichotomy
-
摘要:目的
快速准确提取冬小麦返青期植被覆盖度信息。
方法利用无人机获取田间冬小麦可见光图像，提取图像中4种常见可见光植被指数；在像元二分法原理的基础上，分别构建基于差异植被指数(Visible-band difference vegetation index，VDVI)、过绿指数(Excess green，EXG)、归一化绿蓝差异指数(Normalized green-blue difference index，NGBDI)和归一化绿红差异指数(Normalized green-red difference index，NGRDI)的植被覆盖度提取模型，采用支持向量机(Support vector machine，SVM)监督分类结果作为真值对各模型进行精度验证。
结果4种模型中，利用VDVI植被覆盖度提取模型获取的植被覆盖度精度最高，提取效果较好。与监督分类结果对比，4种植被覆盖度提取模型的提取误差(EF)分别为3.36%、15.68%、8.74%和15.46%，R2分别为0.946 1、0.934 4、0.695 3和0.746 0，均方根误差(RMSE)分别为0.021 9、0.059 5、0.042 0和0.055 9。
结论采用可见光植被指数结合像元二分法构建植被覆盖度提取模型实现了冬小麦返青期植被覆盖度准确快速提取，为植被覆盖度提取提供了一种新途径，可为无人机遥感监测提供参考。
Abstract:ObjectiveTo quickly and accurately extract vegetation coverage information of winter wheat in turning green period.
MethodThe field visible light images of winter wheat were obtained by UAV, and four common visible light vegetation indices were extracted. According to the principle of pixel dichotomy model, the vegetation coverage extraction models were established based on visible-band difference vegetation index(VDVI), excess green (EXG), normalized green-blue difference index (NGBDI) and normalized green-red difference index (NGRDI) respectively. The accuracies of four models were verified using the support vector machine (SVM) supervised classification results as the truth values.
ResultThe VDVI vegetation coverage extraction model had the highest accuracy and the best extraction effect to extract vegetation coverage among the four models. Compared with the supervised classification results, the extraction errors (EF) of four vegetation coverage extraction models were 3.36%, 15.68%, 8.74% and 15.46% respectively, the values of R2 were 0.946 1, 0.934 4, 0.695 3 and 0.746 0 respectively, and the values of root mean square error (RMSE) were 0.021 9, 0.059 5, 0.042 0 and 0.055 9 respectively.
ConclusionThe vegetation coverage extraction model based on visible vegetation index and pixel dichotomy has realized accurate and rapid extraction of vegetation coverage of winter wheat in turning green period, which provides a new way to extract vegetation coverage and a reference for UAV remote sensing monitoring vegetation coverage information.
-
Keywords:
- UAV remote sensing /
- winter wheat /
- pixel dichotomy /
- visible vegetation index /
- vegetation coverage
-
高州油茶Camellia gauchowensis为山茶科Theaceae山茶属Camellia常绿小乔木，又名华南油茶、越南油茶、陆川油茶，它是我国南缘主要油茶品种，单位面积产量高，果实硕大，油脂品质好，为一种优质油茶树种和生态经济型树种，具有良好的社会、经济和生态效益[1-2]。目前，广东省高州油茶人工林种植面积约1万hm2，且推广面积逐年增加，在经营高州油茶获得良好经济效益的同时，科学客观地评价其碳储量等生态经济效益，具有重要的科学价值和生产意义。
森林生物量约占全世界陆地植被生物量的85%~90%[3]，准确估算森林生物量是森林碳储量和许多其他林业问题的研究基础[4]，目前生物量测定最常用的方法之一是模型估计法[5]。人工林在森林固碳方面的作用已成共识，国内外研究者对各类人工林的生物量和碳储量做了大量研究，但多集中在树龄、林分经营管理措施的影响等方面[6-7]。经济林由于受周期性经营活动的影响，其生物量和碳储量的研究相对滞后。20世纪80年代初我国开始探讨油茶生物量问题[8]，但多集中于经营方式和抚育措施对油茶生物量的影响等方面[9-11]。近年来已开始对油茶林生物量和固碳能力等的深入研究，如油茶不同器官生物量及其积累规律[12-13]。
我国经济林碳储量研究起步时间晚且研究多集中于土壤含碳量，对植物本身碳储量研究则相对较少，方法大多采用平均生物量法来计算油茶幼林和成林的生物量。目前也有利用数字图像技术建立油茶生物量模型[14]，但对油茶林生态系统或特定林分碳储量及分配特征的研究鲜见报道。本文以广东省揭阳市高州油茶人工林为研究对象，通过调查测定其林分生物量和碳含量，阐明其碳储量及分布特征，并估算评价其固碳效应，旨在为其高效利用提供理论依据和技术支撑。
1. 材料与方法
1.1 研究区域概况
研究区域选择在广东省揭阳市揭东区高州油茶试验林。该区域地处116°17′E，23°41′N，属亚热带季风气候，年平均气温21.4 ℃，年平均降水量为1 720~2 100 mm。试验林总面积30 hm2，林龄11年，已进入投产期，是目前广东省内种植面积最大且管理规范的高州油茶人工林，初始种植密度为2.5 m×3.0 m，林地总体坡向西北，坡度15°~20°，土壤类型为山地黄红壤，pH 5.0~5.5。
1.2 试验材料与指标测定方法
1.2.1 样地设置及调查
于2018年10月下旬在上述试验区内，随机选取3块面积20 m×20 m的标准地。在标准地内进行每木调查。根据调查结果，在地径最大值与最小值之间，以2 cm为一个径级划分，3块标准地林分调查结果汇总见表1。
表 1 高州油茶人工林标准地林分调查结果Table 1. Result of survey in sample plots of Camellia gauchowensi plantation径级/cm
Diameter class植株密度/
(株·hm−2)
Plant
density株数总林分占比/%
Percentage of
plants number地径/cm Basal diameter 树高/m Height 冠幅/m2 Canopy diameter 最大值
Max.最小值
Min.平均值
Average最大值
Max.最小值
Min.平均值
Average最大值
Max.最小值
Min.平均值
Average4 242 14.76 4.98 4.48 4.70±0.24 3.10 2.41 2.74±0.28 2.95 0.72 1.99±0.90 6 309 18.85 6.99 5.06 6.99±0.51 4.36 1.83 3.04±0.88 5.84 0.79 2.61±0.90 8 556 33.92 8.99 7.01 7.01±0.61 6.15 1.97 3.23±0.69 7.21 0.99 3.57±1.19 10 389 23.74 10.99 9.02 9.02±0.59 6.50 2.07 3.57±0.88 8.82 1.47 4.80±1.51 12 143 8.73 12.79 11.02 11.02±0.67 6.63 2.35 3.85±0.86 14.00 2.72 5.39±1.44 1.2.2 样株选择
在上述研究区域内，选取1 hm2作为试验样地。在林分调查中发现不同径级植株数量大体成正态分布，4、6和12 cm径级植株较少，8和10 cm径级植株较多。选取与表1各径级的平均地径和树高相近的植株12株作为样株，其中，4、6和12 cm径级各2株；8和10 cm径级各3株。
1.2.3 植物生物量测定
分别对各样株进行全株生物量测定，具体方法是：样株树干部分运用“分层切割法”，从林木基部到1 m为一段锯断，1 m以上部分，按1.5 m为一段依次锯断；枝、叶部分用“标准枝法”采集；芽与果全株采集；地下部分采用全根挖掘法，取出后将土壤清除干净，全量收集。各器官全株测定鲜质量后各取样1 kg，带回实验室，105 ℃条件下烘干至恒质量，称质量并记录。根据生物量模型计算生物量(W)：W=aDb，其中a、b为回归参数，D为地径[15]。
1.2.4 植物碳含量测定
将各器官样品烘干后磨碎成粉末状，用元素分析仪测定其碳质量分数(g·kg−1)作为碳含量。
1.2.5 土壤样品采集与测定
在林分样地内，按“S”形随机选取8个取样地点，挖开土壤剖面，使用环刀和小铝盒分层采集0~20、20~40、40~60和60~100 cm土层的土样，每土层重复3次，共采样192个，带回实验室，参照《土壤农业化学分析方法》测定土壤碳含量和含水量，并计算土壤容重[16]。
1.3 碳储量计算方法
1.3.1 高州油茶单位面积生物量计算
高州油茶单位面积(hm2)生物量计算公式采用：
$$\begin{split} \Sigma {Y_{\text{总}}} = &\left( {\Sigma {Y_{\text{叶}}} + {\rm{ }}\Sigma {Y_{\text{枝}}} + {\rm{ }}\Sigma {Y_{\text{干}}} + \Sigma {Y_{\text{果}}} + \Sigma {Y_{\text{芽}}} + \Sigma {Y_{\text{根}}}} \right) \times\\ &\quad \quad \quad \quad \quad {\rm{ }}10\;000/400, \end{split}$$ (1) 式中：Y总表示单位面积乔木层生物量，t·hm−2；Y叶、Y枝、Y干、Y根、Y果、Y芽分别表示叶、枝、干、根、果、芽的生物量，t·hm−2。
1.3.2 碳储量计算
植物单位面积碳储量(AP，t·hm−2)用下式计算：
$$ A_{\rm{P}} = {\text{植物碳含量}} \times {\text{植物生物量}}/1\;000{\text{，}} $$ (2) 土壤层单位面积有机碳储量用下式计算：
$$ {A_{\rm{S}}} = {\rm{ }}0.1\Sigma {E_i}{D_i}{C_i}, $$ (3) 式中：AS为土壤层单位面积有机碳储量，t·hm−2；Ei为土层(i)厚度，cm，；Di为i层土壤容重，g·cm−3；Ci为i层土壤有机碳含量，g·kg−1；0.1为换算系数[17]。
1.4 数据处理
采用Microsoft Excel 2010进行数据整理，并绘制表格和图；使用SPSS 22.0对试验数据进行相关性分析、回归分析及Duncan’s多重比较等。
2. 结果与分析
2.1 高州油茶人工林生物量特征
2.1.1 按径级分配的生物量特征
由表2可知，高州油茶各器官生物量回归模型均具有显著相关性(P<0.001)，且回归方程拟合度较高，决定系数(R2)为0.758~0.972。但其花芽由于生物量总体较小，且数据波动性大，不具有显著性，因此不进行模型拟合。
表 2 高州油茶人工林各器官生物量模型拟合Table 2. Fitness of biomass models for each organ in Camellia gauchowensi plantation器官
Organ回归方程1)
Regression equation决定系数(R2)
Determination coefficientP 树叶 Leaf W=0.023D2.191 0.847 <0.001 树枝 Branch W=0.200D2.154 0.880 <0.001 树干 Trunk W=0.022D2.622 0.972 <0.001 树根 Root W=0.067D2.099 0.912 <0.001 果实 Fruit W=0.004D2.751 0.758 <0.001 1)回归方程中，W为生物量，D为地径
1)In regression equation, W is biomass, D is basal diameter由表1可知，在高州油茶试验林分中，不同径级植株密度呈偏正态分布：8 cm径级最多，为556株·hm−2，株数占总林分的33.92%；6和10 cm径级的植株密度分别为389和309株·hm−2，其株数分别占总林分的23.74%和18.85%；4 cm径级植株密度为242株·hm−2，株数占总林分的14.76%；径级12 cm植株密度最小，仅为143株·hm−2，株数占总林分的8.73%。
由表3可知，各径级油茶的生物量也呈现正态分布。10 cm径级油茶的生物量最大，为10.878 t·hm−2，占试验林总生物量的40.43%，其次是8 cm径级的生物量，为6.917 t·hm−2，占比25.71%，二者是林分生物量的主要部分，4 cm径级的生物量最小，只有1.231 t·hm−2，仅占比4.58%。由此表明：4 cm径级的油茶生物量对整个油茶林生物量贡献最小；12 cm径级油茶虽然数量最少，但由于其单株生物量远大于其他径级，所以生物量达到了4.809 t·hm−2，占比17.88%；而6 cm径级油茶因为数量较大，生物量也达到了3.069 t·hm−2，占比11.41%。
表 3 高州油茶人工林不同径级各器官生物量及其分配Table 3. Biomass and distribution of each organ in different diameter classes of Camellia gauchowensi plantation径级/cm
Diameter class生物量/(t·hm−2) Biomass 全株生物量
占比/%
Percentage of
plant biomass树叶
Leaf树枝
Branch树干
Trunk树根
Root果实
Fruit花芽
Flower bud全株合计
Total plant4 0.155 0.135 0.316 0.528 0.088 0.010 1.232 4.58 6 0.555 0.400 0.855 0.835 0.308 0.116 3.069 11.41 8 1.039 0.788 2.290 2.176 0.479 0.146 6.918 25.71 10 1.574 0.888 3.587 3.402 0.861 0.566 10.878 40.43 12 0.500 0.668 1.598 1.539 0.454 0.050 4.809 17.88 合计 Total 3.822 2.878 8.646 8.479 2.189 0.888 26.902 100.00 2.1.2 林分总生物量
由表4可知，该试验区高州油茶林分的总生物量为26.902 t·hm−2。其中，树干和树根生物量分别为8.646和8.479 t·hm−2，分别占比32.14%和31.52%，二者对总生物量累积贡献率达到60%以上；树叶生物量为3.822 t·hm−2，树枝生物量为2.878 t·hm−2，果实生物量2.189 t·hm−2，花芽生物量最小，只有0.888 t·hm−2。
表 4 高州油茶人工林各器官生物量及总生物量占比Table 4. Biomass and its proportion of each organ in Camellia gauchowensi plantation器官
Organ生物量/(t·hm−2)
Biomass占比/%
Percentage树叶 Leaf 3.822 14.21 树枝 Branch 2.878 10.70 树干 Trunk 8.646 32.14 树根 Root 8.479 31.52 果实 Fruit 2.189 8.14 花芽 Flower bud 0.888 3.30 合计 Total 26.902 100.00 2.2 高州油茶人工林碳含量
2.2.1 林分碳含量
由表5可知，高州油茶不同径级的林分碳含量不同。具体来讲，林分平均碳质量分数为483.45 g·kg−1，最大值(12 cm径级)为488.88 g·kg−1，最小值(8 cm径级)为476.51 g·kg−1。
表 5 高州油茶人工林不同样株各器官碳含量Table 5. Carbon contents of different organs in different sample plants of Camellia gauchowensi plantation样株号
Sample plant径级/cm
Diameter classw(C)/(g·kg−1) 树叶
Leaf树枝
Branch树干
Trunk树根
Root果实
Fruit花芽
Flower bud均值
Average1 4 493.40 487.35 478.10 469.87 486.88 490.15 484.29 2 4 501.89 483.58 473.31 463.95 508.42 484.09 485.87 3 6 482.01 485.50 474.22 458.95 481.22 481.93 477.31 4 6 496.24 485.92 478.60 466.53 506.52 488.35 487.03 5 8 483.98 482.98 476.51 465.45 483.82 484.20 479.49 6 8 494.03 485.95 480.74 472.39 497.21 490.08 476.51 7 8 480.16 473.17 470.12 462.43 484.72 488.45 476.51 8 10 496.12 487.89 481.44 466.24 501.22 489.01 486.99 9 10 481.44 481.57 481.51 464.54 521.39 483.92 485.73 10 10 482.25 483.27 478.45 462.66 492.45 482.89 480.33 11 12 497.12 478.85 467.22 459.06 500.55 490.83 482.27 12 12 494.90 491.75 479.49 480.40 493.86 492.87 488.88 均值1) Average 490.30b 483.98cd 476.64d 466.04e 496.52a 487.23c 483.45 1)该行数据后的不同小写字母表示差异显著(P<0.05，Duncan’s法)
1)Different lowercase letters in the row indicate significant differences (P<0.05，Duncan’s test)由表 5还可知，高州油茶林分不同器官的碳含量不同，其平均碳质量分数变化范围为458.95~521.39 g·kg−1，平均碳含量排序为果实>树叶>花芽>树枝>树干>树根。其中，果实平均碳含量最高，质量分数为496.52 g·kg−1，树根最低，为466.04 g·kg−1，花芽和树干碳含量除与树枝碳含量差异不显著外，与其他器官的碳含量均有显著差异(P < 0.05)。
2.2.2 林地土壤有机碳含量
由图1可见，在样地100 cm深的土层中，土壤有机碳含量随土层深度的增加而递减。0~20、20~40、40~60和60~100 cm土层土壤有机碳平均质量分数分别为26.550、11.017、6.678和4.706 g·kg−1，占土壤总有机碳含量的54.24%、22.51%、13.64%和9.61%。不同取样点的土壤有机碳含量也存在差异，这可能与取样点所处的坡位、坡度及其小气候条件有关。
![]()
图 1 高州油茶人工林土壤有机碳含量垂直分布Figure 1. Vertical distribution of soil organic carbon content in Camellia gauchowensi plantation2.3 高州油茶人工林有机碳储量
2.3.1 林分碳储量
由表6可知，高州油茶林分总碳储量为12.857 t·hm−2。其中，树干、树根、树叶、树枝、果实和花芽的碳储量分别为4.127、3.950、1.868、1.393、1.088和0.431 t·hm−2，分别占林分总碳储量的32.10%、30.72%、14.53%、10.84%、8.47%和3.35%。从各器官碳储量分布来看，树干和树根占重要位置，贡献了林分60%以上的碳储量，然后依次是树叶>树枝>果实>花芽。
表 6 高州油茶人工林各器官碳储量分布Table 6. Carbon storage distribution of various organs in Camellia gauchowensi plantation器官
Organ碳储量/(t·hm−2)
Carbon storage占比/%
Percentage树叶 Leaf 1.868 14.53 树枝 Branch 1.393 10.84 树干 Trunk 4.127 32.10 树根 Root 3.950 30.72 果实 Fruit 1.088 8.47 花芽 Flower bud 0.431 3.35 合计 Total 12.857 100.00 2.3.2 土壤有机碳储量
由表 7可知，各样地0~100 cm土层土壤有机碳储量平均为131.681 t·hm−2。总体来看，0~60 cm土层土壤有机碳储量为107.189 t·hm−2，占林地总有机碳储量的82.01%，其中，0~20 cm土层的土壤有机碳储量最多(62.833 t·hm−2)，几乎占全部有机碳储量的一半(49.08%)，明显高于其他各层土壤。
表 7 高州油茶人工林不同土层土壤有机碳储量Table 7. Soil organic carbon storages of different soil layers in Camellia gauchowensi plantation取样点
Sample point0~20 cm 20~40 cm 40~60 cm 60~100 cm 总碳储量/
(t·hm−2)
Total carbon storage碳储量/
(t·hm−2)
Carbon storage占比/%
Percentage碳储量/
(t·hm−2)
Carbon storage占比/%
Percentage碳储量/
(t·hm−2)
Carbon storage占比/%
Percentage碳储量/
(t·hm−2)
Carbon storage占比/%
Percentage1 60.694 44.91 20.457 15.14 20.306 15.02 33.691 24.93 135.149 2 67.061 54.31 32.058 25.96 16.321 13.22 8.040 6.51 123.480 3 62.644 34.26 46.490 25.42 29.681 16.23 44.060 24.09 182.874 4 53.546 54.88 18.374 18.83 10.494 10.76 15.155 15.53 97.569 5 68.948 63.30 11.286 10.36 8.571 7.87 20.116 18.47 108.921 6 53.985 46.61 30.693 26.50 15.520 13.40 15.617 13.48 115.815 7 74.308 45.09 35.120 21.31 21.696 13.16 33.680 20.44 164.803 8 61.478 49.25 24.254 19.43 13.529 10.84 25.581 20.49 124.841 均值 Average 62.833 49.08 27.341 20.37 17.015 12.56 24.493 17.99 131.681 2.4 高州油茶人工林总有机碳储量及分配特征
从表8可知，高州油茶林地总有机碳储量为144.538 t·hm−2。其中，林地土壤的有机碳储量为131.681 t·hm−2，占总有机碳储量的91.10%，是林地有机碳储量的主要组成部分；林分有机碳储量12.857 t·hm−2，占8.90%。可见，高州油茶林地的有机碳储量最主要的组成部分是土壤有机碳储量，林分有机碳储量相对较小。
表 8 高州油茶人工林总有机碳储量及分配Table 8. Organic carbon storage and distribution of Camellia gauchowensi plantation林地组成
Stand land composition碳储量/(t·hm−2)
Carbon storage占比/%
Percentage林分 Stand 12.857 8.90 土壤层 Soil layer 131.681 91.10 合计 Total 144.538 100.00 3. 讨论与结论
本文以高州油茶地径为单变量的回归模型具有较高的精度，表明由地径和生物量建立的回归模型可用于计算单株油茶和油茶人工林的生物量，进而用于其碳汇研究。
高州油茶树体总生物量随着生长而不断累积，但各个器官的分配会随着环境和植物本身的生长状况不同而稍有改变，其分配规律与部分研究者对其他品种油茶的研究基本一致[9, 18]。总体来说，高州油茶人工林地上部分的生物量积累占绝对优势，且树叶略大于树枝，说明植物此时营养生长旺盛，这与其生长阶段(结果始期)吻合。谌小勇等[9]对不同产量水平的油茶林分生物量和生产力进行了研究，发现油茶产量水平越高，其林分的总生物量越大，林分积累的有机物质也越多。高州油茶作为油茶中产量较高的优良品种，其林分总生物量超过Cui等[18]研究的普通油茶。
高州油茶树体的果实碳含量最高，这可能是因为其种仁油脂含量高，碳水化合物含量很高，因此在往后的研究中可以对果皮和种仁分别测定碳含量；树叶叶绿体含丰富的有机物，因而碳含量较高；而植物的花含有较多的RNA、蛋白质和酶，以及对花粉粒的发育起到重要作用的脂类、胡萝卜素和孢粉素等，导致花芽的碳含量也很高。因此花芽和树叶碳含量差异不显著，且均高于树干和树根。可见，各器官的碳含量差异来自于它们的功能和生理特点。杨众养等[19]对海南经济林的研究表明，波罗蜜Artocarpus heterophyllus、荔枝Litchi chinensis、龙眼Dimocarpus longan的含碳率(w)分别为39%、41%和40%，王炳焱[20]研究发现栓皮栎Quercus variabilis中龄林含碳率(w)约为44%，与之相比，高州油茶的平均含碳率较高(w为48%)。
林地土壤各层平均碳含量与彭映赫等[21]研究中的中林龄油茶土壤相似。本试验样地尽量选取人为因素干扰很低的地块，不同取样点的土壤有机碳含量存在差异，这可能与不同取样点坡位、坡向以及人工管理等外部条件有关。该问题还有待于进一步试验验证。土壤表层(0~20 cm)含碳量最高，可见表层土可防止地表水土流失，有效保持土壤对碳的吸存能力。在实际生产中，人们对高州油茶林的管理会减少地被杂草和枯落物，从而一定程度干扰表层土对碳的吸存，今后的生产上可以通过间种、套作等方式来增加其固碳量，从而提高高州油茶林的碳汇能力。
广东省2012年经济林的平均碳储量为11.21 t·hm−2[22]，高州油茶林碳储量(12.857 t·hm−2)高于经济林平均碳储量，因此具有较高的生态效益。高州油茶林地土壤有机碳储量(131.681 t·hm−2)远高于广东省土壤平均碳密度(100.31 t·hm−2)[23]，高州油茶林总碳储量(144.538 t·hm−2)也高于珠三角森林生态系统碳密度(136.35 t·hm−2)[24]。根据中国生物多样性国情报告编写组的数据，碳价格为260.90元·t−1[25]，本试验高州油茶林的碳汇经济效益约为3.8万元·hm−2，因此高州油茶不仅有较好的生产效益，而且具十分广阔的固碳前景。高州油茶是研究者选育本地良种的重要地理品种，但本研究只是重点对揭阳地区中龄林高州油茶进行了碳汇潜力研究，往后可以在其分布区域开展更深入与更全面的研究，尤其是林分土壤碳储量，它是生态系统碳汇的主要部分，其影响因素复杂，固碳潜力相对更大。而结合GPS、GIS卫星遥感等现代先进技术与其生长机理的动态预估模型、生态系统碳动态变化规律的研究则是下一步的研究趋势。
总之，高州油茶植株各器官平均生物量分配比例为树干>树根>树叶>树枝>果实>花芽，生物量均随着地径的增大而增大，单株生物量由4 cm径级的5.086 kg增大至12 cm径级的33.630 kg，增幅近7倍。树叶生物量稍有波动，但总体趋势是不断增大，果实和花芽的生物量波动较大。试验地高州油茶林分的总生物量为26.902 t·hm−2，树干和树根是林分生物量最主要的部分，其次是树叶和树枝。
不同径级植株的碳含量不同，平均碳质量分数为483.45 g·kg−1。果实平均碳含量最高，树根最低，树叶、树枝和花芽三者碳含量差异不显著；相同器官在不同径级中的碳含量也有差异。在林地100 cm深土层中，土壤平均有机碳质量分数由0~20 cm的26.550 g·kg−1递减到60~100 cm的4.706 g·kg−1。本试验高州油茶林总碳储量为144.538 t·hm−2，其中，林分碳储量为12.857 t·hm−2，占总碳储量的8.90%；林地土壤碳储量为131.681 t·hm−2，占91.10%。
-
![]()
图 5 不同植被覆盖度提取模型的线性拟合结果
Figure 5. The linear fitting results of different vegetation coverage extraction models
表 1 冬小麦分类精度评价
Table 1 Evaluation of classification accuracy of winter wheat
类别
Category小麦/像素
Wheat土壤/像素
Soil样本总数/像素
Total sample size用户精度/%
User accuracy小麦/像素 Wheat 20 779 3 20 782 99.99 土壤/像素 Soil 92 25 806 25 898 99.64 样本总数/像素 Total sample size 20 871 25 809 46 680 用户精度/% User accuracy 99.56 99.99 
下载: 导出CSV
表 2 植被覆盖度精度评价
Table 2 Accuracy evaluation of vegetation coverage
植被指数模型
Vegetation index model覆盖度 Vegetation coverage 提取误差/%
Extraction error像元二分法
Pixel dichotomy监督分类
Supervised classification差值
Difference valueVDVI 0.321 452 0.332 623 0.011 171 3.36 NGBDI 0.303 564 0.332 623 0.029 059 8.74 NGRDI 0.384 043 0.332 623 0.051 420 15.46 EXG 0.384 780 0.332 623 0.052 157 15.68
下载: 导出CSV
表 3 植被覆盖度等级分布统计结果
Table 3 Statistical results of vegetation coverage grade distribution
植被覆盖度
Vegetation coverage像元数
Pixel number百分比/%
Percentage0~0.10 1 960 500 8.15 0.10~0.30 12 265 775 51.01 0.30~0.45 4 166 478 17.33 0.45~0.60 2 460 841 10.23 0.60~1.00 3 192 675 13.28 总计 Total 24 046 269 100
下载: 导出CSV
-
[1] 赵广才, 常旭虹, 王德梅, 等. 中国小麦生产发展潜力研究报告[J]. 作物杂志, 2012(3): 1-5. [2] 刘治开, 牛亚晓, 王毅, 等. 基于无人机可见光遥感的冬小麦株高估算[J]. 麦类作物学报, 2019, 39(7): 859-866. [3] PUREVDORJ T, ISHIYAMA T, HONDA Y, et al. Relationships between percent vegetation cover and vegetation indices[J]. Int J Remote Sens, 1998, 19(18): 3519-3535. doi: 10.1080/014311698213795
[4] GITELSON A A, KAUFMAN Y J, STARK R, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sens Environ, 2002, 80(1): 76-87. doi: 10.1016/S0034-4257(01)00289-9
[5] 牛亚晓, 张立元, 韩文霆, 等. 基于无人机遥感与植被指数的冬小麦覆盖度提取方法 [J]. 农业机械学报, 2018, 49(4): 212-221. [6] SONG W, MU X, RUAN G, et al. Estimating fractional vegetation cover and the vegetation index of bare soil and highly dense vegetation with a physically based method[J]. Int J Appl Earth Obs, 2017, 58: 168-176. doi: 10.1016/j.jag.2017.01.015
[7] RUNDQUIST B C. The influence of canopy green vegetation fraction on spectral measurements over native tallgrass prairie[J]. Remote Sens Environ, 2002, 81(1): 129-135. doi: 10.1016/S0034-4257(01)00339-X
[8] ZHOU Q, ROBSON M, PILESJO P. On the ground estimation of vegetation cover in Australian Rangelands[J]. Int J Remote Sens, 1998, 19(9): 1815-1820. doi: 10.1080/014311698215261
[9] 陈虹兵, 黄贝贝, 彭道黎. 基于混合像元分解的植被覆盖度模型比较研究[J]. 西北林学院学报, 2018, 33(3): 203-207. doi: 10.3969/j.issn.1001-7461.2018.03.31 [10] 佟斯琴, 包玉海, 张巧凤, 等. 基于像元二分法和强度分析方法的内蒙古植被覆盖度时空变化规律分析[J]. 生态环境学报, 2016, 25(5): 737-743. [11] 李苗苗, 吴炳方, 颜长珍, 等. 密云水库上游植被覆盖度的遥感估算[J]. 资源科学, 2004, 26(4): 153-159. doi: 10.3321/j.issn:1007-7588.2004.04.022 [12] 何勇, 岑海燕, 李艺健, 等. 基于无人机遥感的农田信息获取技术及其机载装备[J]. 农业工程技术: 农产品加工, 2018, 38(9): 28-32. [13] 汪小钦, 王苗苗, 王绍强, 等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报, 2015, 31(5): 152-159. doi: 10.3969/j.issn.1002-6819.2015.05.022 [14] 赵静, 杨焕波, 兰玉彬, 等. 基于无人机可见光图像的夏季玉米植被覆盖度提取方法[J]. 农业机械学报, 2019, 50(5): 232-240. doi: 10.6041/j.issn.1000-1298.2019.05.027 [15] TORRES-SÁNCHEZ J, PEÑA J M, DE CASTRO A I, et al. Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV[J]. Comput Electron Agr, 2014, 103: 104-113. doi: 10.1016/j.compag.2014.02.009
[16] 龙满生, 何东健. 玉米苗期杂草的计算机识别技术研究[J]. 农业工程学报, 2007, 23(7): 139-144. doi: 10.3321/j.issn:1002-6819.2007.07.027 [17] HUNT E R, CAVIGELLII M, DAUGHTRY C S T, et al. Evaluation of digital photography from model aricraft for remote sensing of crop biomass and nitrogen status[J]. Precis Agric, 2005, 6(4): 359-378. doi: 10.1007/s11119-005-2324-5
[18] MEYER G E, NETO J C. Verification of color vegetation indices of automated crop image application[J]. Comput Electron Agr, 2008, 63(2): 282-293. doi: 10.1016/j.compag.2008.03.009
[19] 陈晋, 陈云浩, 何春阳, 等. 基于土地覆盖分类的植被覆盖率估算亚像元模型与应用[J]. 遥感学报, 2001, 5(6): 416-422. doi: 10.11834/jrs.20010603 [20] ZRIBI M, HÉGARAT-MASCLE S L, TACONET O, et al. Derivation of wild vegetation cover density in semi-arid regions: ERS2/SAR evaluation[J]. Int J Remote Sens, 2003, 24(6): 1335-1352. doi: 10.1080/01431160210146668
[21] 张军国, 韩欢庆, 胡春鹤, 等. 基于无人机多光谱图像的云南松虫害区域识别方法[J]. 农业机械学报, 2018, 49(5): 249-255. doi: 10.6041/j.issn.1000-1298.2018.05.029 -
期刊类型引用(8)
1. 赵晓顺，侯壮壮，史文琴，于华丽，李颖，赵达卫，李新领. 正负压气吸式精量排种器设计与试验. 河北农业大学学报. 2024(02): 97-103 . 
百度学术
2. 李旭，胡齐深，王修善，龚明，刘大为，谢方平. 单针振动气力式辣椒精量排种器设计与试验. 江西农业大学学报. 2024(03): 749-762 . 百度学术
3. 韩中东，刘江涛，杨志杰，李珊珊，李涛. 玉米精量播种复合作业机具设计及试验. 中国农机化学报. 2024(08): 20-26 . 百度学术
4. 胡友耀，孔令泉，洪嘉伟，雷军，章明. 基于CODESYS的多功能动力平台便携式标定系统开发. 拖拉机与农用运输车. 2024(04): 54-59 . 百度学术
5. 张明华，姜有聪，何思禹，黄子顺，秦伟，钱诚，陶婉琰，臧英. 蔬菜气吸轮式精量排种器设计与试验. 农业工程学报. 2023(07): 98-109 . 百度学术
6. 曾山，徐卓，于开鑫，马立刚，文智强，杨文武，臧英. 自走式蔬菜播种机底盘的设计与试验. 沈阳农业大学学报. 2023(02): 176-188 . 百度学术
7. 魏松，苟园旻，闫建伟. 贵州省蔬菜机械化发展现状与策略. 中国农机化学报. 2023(07): 254-263 . 百度学术
8. 方梁菲，曹成茂，秦宽，葛俊. 导种环槽U型孔组合型轮式前胡排种器设计与试验. 农业机械学报. 2022(04): 21-32+51 . 百度学术
其他类型引用(5)
计量
- 文章访问数:
- HTML全文浏览量: 0
- PDF下载量:
- 被引次数: 13
