全 文 ：书基于数码相机的草地植被盖度测量方法对比研究
陈祖刚１，２，巴图娜存１，徐芝英１，２，胡云锋１
（１．中国科学院地理科学与资源研究所，北京１００１０１；２．中国科学院大学，北京１０００４９）
摘要：草地植被盖度是表征生态系统植被生长状况及环境质量的重要参数。在草地植物群落野外调查中，可以利
用数码相机拍摄草地样方照片，而后在室内利用图像处理软件进行自动或半自动的植被盖度测量。随着移动智能
设备（如ｉＰｈｏｎｅ／ｉＰＡＤ或各类ＡｎｄｒｏｉｄＰｈｏｎｅ／ＰＡＤ）的快速发展和普及，野外实时获取草地样方照片，同步计算草
地植被盖度，并与有关遥感反演参数产品作校验对比分析，将成为未来地学移动测量和研究的重要方向。本研究
在总结梳理既有利用数码相机识别植被盖度方法的基础上，设计了低覆盖、中低覆盖、中等覆盖、中高覆盖、高覆盖
５种不同植被盖度情景，以及从早上６：００到下午６：００、每隔２ｈ一次、全天共７次不同光照环境下的照相方案。继
而以Ｐｈｏｔｏｓｈｏｐ人工勾勒和测算方法为基准，选择ＲＧＢ阈值法、ＲＧＢ决策树法、ＨＳＶ判别法３种自动测量方法开
展对比研究。测量结果的对比分析表明，草地盖度变化对ＲＧＢ阈值法和 ＨＳＶ判别法的盖度识别精度无明显规律
性影响，ＲＧＢ决策树的盖度识别精度随着草地盖度的增加而增加；光照强度越强，ＲＧＢ阈值法和 ＨＳＶ判别法对同
一草地样方估算的盖度值越小，ＲＧＢ决策树法估算的盖度值随光照强度的变化没有固定的规律。总体上讲，ＲＧＢ
阈值法和 ＨＳＶ判别法的识别精度较高，ＲＧＢ决策树法误判率较高，但后者可以识别出非绿色的植物茎、花朵。最
后提出了在现有绿色植被像元识别方法的基础上，结合边缘检查算法等图形像素的统计学特征分析方法，能进一
步提高草地植被盖度测量的准确率。
关键词：数字照相；草地；覆盖度；方法；精度
中图分类号：Ｓ８１２０５ 文献标识码：Ａ 文章编号：１００４５７５９（２０１４）０６００２００８
犇犗犐：１０．１１６８６／ｃｙｘｂ２０１４０６０３
植被盖度是指样地中全部植物个体地上部分（包括叶、茎、枝等）的垂直投影面积占样地总面积的百分比［１］。
植被盖度是表征生态系统植被群落生长状况及生态环境质量的重要指标［２］。植被盖度对于分析和评估植物生长
态势、土壤侵蚀强度及生态系统服务功能等有着重要作用，是评估土地退化、盐渍化和沙漠化的有效指数［３］。
在草地植物群落野外调查中，传统的草地植被盖度测定方法有目测法、方格法、点测法、仪器测量法、遥感解
译法［１，４５］等多种方法。目测法简单快捷，但受个人主观因素影响较大［１，６］，章文波等［４］的研究指出其最大绝对误
差可达４０％。方格法有较高的精度，但是手工工作量大，效率较低［６］。点测法是用应用概率统计学原理而形成
的盖度估算技术，但实践表明这种方法依然费时费力，精度也并不理想［１，７］。仪器法需使用购置专门设备仪器，
如空间定量计（ｓｐａｔｉａｌｑｕａｎｔｕｍｓｅｎｓｏｒ）和移动光亮计（ｔｒａｖｅｒｓｉｎｇｑｕａｎｔｕｍｓｅｌ）等，经济成本较高，且野外携带和
操作均不方便［１，８］。卫星遥感反演算法仅能估算出大尺度区域上的草地盖度［９］，需要尺度转换后才能与小尺度
样地上的植被盖度测量成果进行比对分析。
２０００年后，数码相机迅速普及，科研人员开始应用数码相机和图像处理技术开展草地盖度测量［１０１３］。已经
就其中的若干关键处理技术，如相片中心投影畸变纠正、绿色像素识别、测量精度平差和校验等进行了广泛研究，
例如，Ｌｕｓｃｉｅｒ等［６］借助遥感影像处理软件ｅＣｏｇｎｉｔｉｏｎ做了植被盖度测量实验；宋雪峰等［１２］利用Ｐｈｏｔｏｓｈｏｐ吸管
工具提取绿色植被像元测量了植被盖度；张学霞等［１４］针对中心投影引起的边缘畸变进行了探讨；贾建华等［１５］分
析了青藏高原地表数字照片的颜色特征，并采用超绿算法和Ｋ均值聚类算法开发了植被盖度自动提取软件。
基于数码相机的盖度测量方法操作简单，自动化程度高，计算结果较为精确，但是不能满足野外考察实时获
２０－２７
２０１４年１２月
草 业 学 报
ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ
第２３卷 第６期
Ｖｏｌ．２３，Ｎｏ．６
收稿日期：２０１３１１１１；改回日期：２０１３１２０５
基金项目：国家９７３计划（２０１０ＣＢ９５０９０４），国家自然科学基金（４０９７１２２３）和中国科学院知识创新方向性项目（ＫＺＣＸ２ＥＷ３０６）资助。
作者简介：陈祖刚（１９８９），男，河南信阳人，在读硕士。Ｅｍａｉｌ：ｃｚｇｂｊｙ＠ｙｅａｈ．ｎｅｔ
通讯作者。Ｅｍａｉｌ：ｈｕｙｆ＠ｌｒｅｉｓ．ａｃ．ｃｎ
取测量结果与其他遥感参数产品作校验对比分析的要求［１６１７］，研究人员获取的只是某一草地块的某一时刻的样
方照片，并未考虑诸如光照强度和草地盖度本身变化对测量结果的影响。２０１０年以来，随着新一代移动智能设
备（如ｉＰｈｏｎｅ／ｉＰＡＤ或各类ＡｎｄｒｏｉｄＰｈｏｎｅ／ＰＡＤ）的快速发展和普及，数码相机、ＧＰＳ及笔记本电脑等传统设备
得以综合集成。最先进的ＰＡＤ和智能手机拍摄到的相片不仅能够记录ＧＰＳ经纬度、温湿度、拍摄方向和水平倾
仰角等重要环境背景信息，而且还可以在移动设备上实时处理、计算得到植被覆盖度、产草量等关键参量，甚至可
以进一步通过ＧＰＲＳ、３Ｇ、ＷＩＦＩ等通信网络与互联网、云存储、云计算等服务连接起来，形成更广阔的应用领域。
因此，在野外考察中运用各类移动智能设备拍摄草地样方照片的同时，同步计算草地植被盖度，并与有关遥感反
演参数产品对比校验，这将成为地学移动测量、天地一体化研究的重要发展方向。
为此，本研究首先设计了模拟野外考察和草地盖度测量真实状况的３５种应用场景，并使用智能平板设备在
北京奥林匹克公园人工草地上完成了草地样方拍摄工作；应用ＲＧＢ阈值法、ＨＳＶ判别法和ＲＧＢ决策树法等３
种盖度测量方法，对草地植被盖度测量成果进行了对比研究，对影响测量精度的关键因素进行了分析。
１ 材料与方法
１．１ 实验方案
为反映野外考察和植被盖度测量时的真实情形，特别是考虑到测量结果可能随盖度变化而形成非线性响应，
同时考虑到太阳光照角度、光照强度对数码相片的影响，本研究设计了１个同时考虑植被盖度变化和太阳光照变
化的实验方案。
植被盖度变化包括５个水平，即低覆盖（０～１０％）、中低覆盖（１０％～２０％）、中等覆盖（２０％～３０％）、中高覆
盖（３０％～５０％）、高覆盖（５０％～８０％）；太阳光照变化则囊括夏季野外工作的７个主要时段，从早上６：００（６
ＡＭ）到下午６：００（６ＰＭ）、每隔２ｈ一次，具体为６ＡＭ、８ＡＭ、１０ＡＭ、１２ＡＭ、１４ＰＭ、１６ＰＭ和１８ＰＭ 共７次
太阳光照环境。
２０１３年１０月初，在北京市朝阳区奥林匹克森林公园（１１６．３８７３°Ｅ，４０．００５６°Ｎ）内的人工绿地内，使用华硕
（ＡＳＵＳ）的ＥｅｅＰａｄＴＦ１０１平板电脑，进行了上述实验方案规定的５（盖度水平）×７（时段）共３５种场景的草地样
方拍摄，草地样方大小为３２ｃｍ×２５ｃｍ。
为控制拍摄效果、实时处理相片和计算样方植被盖度，作者使用Ｊａｖａ语言在 Ａｎｄｒｏｉｄ平台上开发了基于
ＲＧＢ阈值法、ＨＳＶ判别法和ＲＧＢ决策树法等３种测量算法的应用软件。软件在相片获取过程中，调用Ａｎｄｒｏｉｄ
平板的ＧＰＳ接收机、方向感应器和重力感应器等接口，以便得到ＧＰＳ位置、方向以及水平俯仰角等信息。安装
上述软件模块后，平板电脑在野外拍摄的同时，可同步得到上述３种不同算法所得的植被盖度测量值。
１．２ 测量算法
１．２．１ ＲＧＢ阈值法 为了将代表植物活体的绿色像素和代表土壤、枯死植物及阴影的其他像素区分开，可应用
数码相片中表征颜色的Ｒ、Ｇ、Ｂ三个通道值来提取绿色植被。具体模型如下：
犌＞犚
犌＞犅
犌＞
烅
烄
烆 狓
式中，犌、犚、犅分别代表数码相片上绿、红、蓝组分的数值；狓是临界阈值，它随相片亮度变化而不同，一般在３０～
４５之间。满足上述模型的像素即被识别为草地植被，并用于计算草地植被盖度。张云霞等［１８］使用该模型在内蒙
古自治区锡林郭勒盟锡林浩特市、阿巴嘎旗、西乌珠穆沁旗开展了研究，并认为ＲＧＢ阈值法与借助图像处理软件
的目视解译法精度相当。
１．２．２ ＨＳＶ判别法 图像学研究已经指出，ＲＧＢ颜色空间中的犚、犌、犅三个分量与亮度相关，亮度改变会导致
３个分量同时改变。为避免亮度改变所导致的不确定性，可以采用 ＨＳＶ颜色空间模型（ｈｕｅ，ｓａｔｕｒａｔｉｏｎ，ｖａｌｕｅ，即
色调、饱和度、亮度）。因此，通过对Ｈ（色调值）规定一定的值域空间，可以同样提取得到绿色植被斑块。具体模
型如下：
１２第２３卷第６期 草业学报２０１４年
６０＜犎＜１８０
犛∈（０，１）
犞∈（０，１
烅
烄
烆 ）
式中，犎 代表色调，犛代表饱和度，犞 代表亮度；绿色调对应犎 值的范围是６０～１８０［１９］。在计算机图像学中，犎、
犛、犞 的值可以由ＲＧＢ值经过一定的数学模型转换得到［２０］。Ｒｉｃｈａｒｄｓｏｎ等［１０］使用该模型在已知大小的苗床上，
依次放置１６个已知面积的圆形草坪草（ｔｕｒｆｇｒａｓｓ）簇，测得的盖度值和真实值的相关系数为０．９９。
１．２．３ ＲＧＢ决策树法 这是一种在ＲＧＢ简单阈值模型基础上发展而来的新技术。该方法依然使用数码相片
中的ＲＧＢ三通道模型，但对于犚、犌、犅三个通道值之间的复杂组合进行了细致甄别。
理论上，该模型不仅能够区分出绿叶、黄叶、带颜色的花朵等植被活体类型，还能区分出枯枝落叶、土壤、砾石
等非植被活体类型。章超斌等［１］应用该方法在新疆准噶尔盆地东南缘的阜康市荒漠草原区开展研究，认为所得
植被盖度最大偏差的绝对值不超过５％，精度在９５％以上。
２ 结果与分析
２．１ 测量结果
为了对机器识别、模型算法测得的草地盖度进行精度分析，首先需要获取样方植被区域，并进一步计算得到
草地盖度参考值［２１］。为此，作者使用Ｐｈｏｔｏｓｈｏｐ提供的魔棒工具，通过传统的目视解译、植被斑块勾勒方法获取
了全部相片的植被斑块（含叶、枝、茎），并继而计算得到盖度参考值。与此同时，依托ＲＧＢ阈值法、ＨＳＶ判别法、
ＲＧＢ决策树法等３个算法模型，由平板电脑及相应的草地盖度测量软件计算出相片盖度值。由于同一盖度下存
在７个不同时段的相片，因此可以针对每一个盖度进一步计算出测量盖度均值及其方差（表１）。
表１ 草地样方及植被盖度
犜犪犫犾犲１ 犌狉犪狊狊狊犪犿狆犾犲狊犪狀犱狏犲犵犲狋犪狋犻狅狀犮狅狏犲狉犪犵犲
盖度级别
Ｃｏｖｅｒａｇｅｌｅｖｅｌ
低盖度
Ｌｏｗｃｏｖｅｒａｇｅ
中低盖度
Ｍｉｄｌｏｗｃｏｖｅｒａｇｅ
中盖度
Ｍｉｄｄｌｅｃｏｖｅｒａｇｅ
中高盖度
Ｍｉｄｈｉｇｈｃｏｖｅｒａｇｅ
高盖度
Ｈｉｇｈｃｏｖｅｒａｇｅ
相片Ｐｈｏｔｏｓ
参考值Ｒｅｆｅｒｅｎｃｅｖａｌｕｅ（％） １２．３２ １７．７７ ２８．４１ ５２．６５ ７９．５８
ＲＧＢ阈值法ＲＧＢｔｈｒｅｓｈｏｌｄｖａｌｕｅｍｅｔｈｏｄ（％） ８．４８±２．１８ １０．７９±２．４９ ２３．９２±０．９１ ３２．９５±０．７７ ５４．８４±４．８２
ＨＳＶ判别法 ＨＳＶｄｉｓｃｒｉｍｉｎａｎｔｍｅｔｈｏｄ（％） ８．４９±２．１８ １０．８０±２．４９ ２３．９４±０．９１ ３２．９６±０．７７ ５５．７４±２．８８
ＲＧＢ决策树ＲＧＢｄｅｃｉｓｉｏｎｔｒｅｅｍｅｔｈｏｄ（％） ４４．７６±１２．５４ ５９．１４±７．９５ ６３．２８±５．３５ ６４．００±４．３２ ７２．４２±４．８４
２．２ 精度分析
以目视解译法获取的盖度参考值为横坐标，以ＲＧＢ阈值法、ＨＳＶ判别法、ＲＧＢ决策树法等３种方法所得值
为纵坐标，作散点图并作线性回归。具体结果如图１所示。
从回归斜率看，３条回归线的斜率均小于１，即３种方法均存在低估现象。其中，ＲＧＢ阈值法和 ＨＳＶ判别法
的回归线斜率较高，分别为０．６６８和０．６８０，即有着相对更高的估算精度；ＲＧＢ判别树法回归斜率仅为０．２３２，估
算精度最差。从散点分布状况以及犚２ 大小来看，ＲＧＢ阈值法和 ＨＳＶ判别法中，各散点较密集分布在回归线两
侧，决定系数犚２ 大于０．９，这表明测量值与参考值之间的一致性较好；但在ＲＧＢ决策树法中，各个散点距离回归
线较远，决定系数犚２ 较小，仅为０．６２左右，这表明测量值与参考值之间差异较大。从回归截距上看，ＲＧＢ阈值
法和ＨＳＶ判别法的截距接近于０，而ＲＧＢ决策树法的截距为０．５３９４８，这表明ＲＧＢ决策树法在植被低覆盖度
２２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１４） Ｖｏｌ．２３，Ｎｏ．６
区域存在严重的高估现象。
总体而言，ＲＧＢ阈值法和ＨＳＶ判别法估算盖度的精度较高，而ＲＧＢ决策树法估算盖度的精度较低。
２．３ 不同盖度对测量精度的影响
为分析不同模型算法对于草地植被盖度变化的敏感性，本研究以植被盖度参考值为横轴，以测量误差（盖度
测量值与参考值的差）为纵轴，对同一盖度水平、不同时刻相片获得的测量值进行统计（测量误差的均值和方差），
并在Ｏｒｉｇｉｎ中作图（图２）。
图１ 植被盖度测量值与参考值的相关关系
犉犻犵．１ 犚犲犾犪狋犻狅狀狊犺犻狆狊狅犳犮狅狏犲狉犪犵犲犿犲犪狊狌狉犲犿犲狀狋狏犪犾狌犲狊犪狀犱狉犲犳犲狉犲狀犮犲狏犪犾狌犲狊
图２ 不同盖度下照相测量值的变化
犉犻犵．２ 犆犺犪狀犵犲狅犳狆犺狅狋狅犵狉犪狆犺犿犲犪狊狌狉犲犿犲狀狋狏犪犾狌犲狊狅犳犱犻犳犳犲狉犲狀狋犮狅狏犲狉犪犵犲
由图２可见，ＲＧＢ阈值法和ＨＳＶ判别法，随着参考植被盖度的增加，误差绝对值呈增大趋势，但在３０％参
考植被盖度时误差减少，结合５０％和８０％参考盖度草地样方中非绿色茎较多，３０％盖度草地样方植物茎较少的
事实，判定测量绝对误差主要受样方中非绿色植被成分多少的影响，而随盖度增加无明显的变化规律；其方差也
无明显的变化规律。对于ＲＧＢ决策树方法，随着参考植被盖度的增加，其测量误差逐步减小，从４２．７１％减少到
－５．２９％；其方差无明显的变化规律。
综上所述，ＲＧＢ阈值法和ＨＳＶ判别法的测量精度随参考植被盖度的增加无明显的变化规律；ＲＧＢ决策树
法的测量误差随参考植被盖度的增加而减小，即测量精度随参考植被盖度的增加而提高。
２．４ 不同光照对测量值的影响
为分析不同盖度测量模型对于不同光照角度、光照强度变化的敏感性，本研究以照相时间（代表了不同的光
照角度和光照强度）为横轴，以盖度测量值为纵轴，将５个盖度水平的测量值序列分别作图（图３）。
图３中，从早上到中午、再到晚上，随着光照强度的先增加、后减少，光照角度的先增加、后减小，ＲＧＢ阈值法
所得测量值在时间序列上大致呈现一个碗口向上的 Ｕ形分布，即早上和傍晚其测量值更高，而中午其测量值更
低；这一规律对于具较低植被盖度样地（低盖度样地、中低盖度样地）更为明显。与ＲＧＢ阈值法结果类似，ＨＳＶ
３２第２３卷第６期 草业学报２０１４年
判别法所得测量值在时间序列上也同样呈现为一个碗口向上的Ｕ形分布，且这一规律对于具较低植被盖度样地
（低盖度样地、中低盖度样地）更为明显。与前两者均不同，ＲＧＢ决策树方法所得测量结果在时间序列上的变化
规律不明显，甚至在对低盖度草地样地测量过程中，还出现了１次奇异值。
图３ 不同时段下照相测量值的变化
犉犻犵．３ 犆犺犪狀犵犲狅犳狆犺狅狋狅犵狉犪狆犺犿犲犪狊狌狉犲犿犲狀狋狏犪犾狌犲狊犻狀犱犻犳犳犲狉犲狀狋狋犻犿犲
综上，随着光照强度、光照高度的增加，ＲＧＢ阈值法和 ＨＳＶ判别法所得测量结果会随之减小；反之，即随着
光照强度、光照高度的降低，ＲＧＢ阈值法和ＨＳＶ判别法所得测量结果会随之增高。但是光照环境对于ＲＧＢ决
策树方法的影响不显著。
３ 讨论
３．１ 精度规律产生原因分析
为探究其成像规律以及误差形成过程，将基于３种方法处理后的图像进一步处理分析，即保留识别的植被像
素，去除非植被像素（设为白色背景值），观察其识别区域，进行比较分析。
由图４可见，ＲＧＢ阈值法、ＨＳＶ判别法和ＲＧＢ决策法均能有效识别图像中的绿色植被像元；其中，ＲＧＢ阈
值法和ＨＳＶ判别法能够较好剔除土壤背景，而决策树法却无法很好剔除土壤背景；因此，前２种方法的盖度识
别精度较后者高。ＲＧＢ决策法具有识别紫色根茎功能［１］，图中因背景土壤颜色与紫色根茎颜色较为相近，因此
决策树法无法剔除土壤。土壤背景颜色不同是本研究和以往研究的不同之处，也是本研究得出的精度数据和以
往研究不同的重要原因。
３．２ 盖度和光照变化规律产生原因分析
ＲＧＢ阈值法和ＨＳＶ判别法能够有效识别所有盖度样方中的绿色植被，并剔除非绿色背景，因此其测量精度
受到盖度变化影响较小。而ＲＧＢ决策树法将土壤误判为绿色植被，因此其测量精度与样方中土壤面积相关，受
到盖度变化影响较大。样方植被盖度越高，则样方中土壤面积越小，因此误判面积越小，精度越高。
基于相同盖度样方，随光照强度增强，ＲＧＢ阈值法和 ＨＳＶ判别法所测盖度值逐渐减小。其原因是在弱光条
件下，一些非植被像元因像素值在ＲＧＢ颜色空间下犚、犌、犅分量值均较小以及数码摄像头在像元像素值产生时
的误差，其犚、犌、犅分量符合ＲＧＢ阈值法犌＞犚，犌＞犅，犌＞（３０～４５）的判别规则，被误判为植被像元，故其测量
盖度值较大；而在强光条件下，这些非植被像素颜色值呈现其真实值，犚、犌、犅分量值较大，因此不再被误判，其测
量盖度值较小。可以把这种现象称为植被像元的扰动判定。同理，在弱光条件下，一些暗色调非植被像元由于数
码摄像头产生像元像素值时的误差，其像素值在ＨＳＶ颜色空间下犎 分量符合６０°＜犎＜１８０°的条件（这时候犞
分量很小），被误判为植被像素，其测得的盖度值较大；当光照强度增加后，这些像素值不再符合判定条件，误判像
元减少，测得的盖度值减小。ＲＧＢ决策树法随光照强度的变化其测得的盖度值无明显的变化规律，其主要原因
可能是光照强度的变化对土壤以及其他颜色的背景的扰动判定和对绿色植被的扰动判定作用结果相互抵消，导
致总体变化规律的不确定性。确切的原因有待于进一步的研究。
４２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１４） Ｖｏｌ．２３，Ｎｏ．６
图４ 原图及３种方法识别的绿色植被区域
犉犻犵．４ 犗狉犻犵犻狀狆犺狅狋狅犪狀犱狋犺犲犵狉犲犲狀狏犲犵犲狋犪狋犻狅狀犪狉犲犪狊狉犲犮狅犵狀犻狕犲犱犫狔狋犺狉犲犲犿犲犪狊狌狉犲犿犲狀狋犿犲狋犺狅犱狊
４ 结论与展望
本研究在总结梳理既有植被盖度测量方法的基础上，设计了３５种模拟野外考察和植被盖度测量的情景，并
应用ＲＧＢ阈值法、ＲＧＢ决策树法、ＨＳＶ判别法３种盖度测量方法，对基于数码相机草地植被盖度的测量流程、
测量精度、草地盖度变化、光照强度变化开展对比研究。主要结论有：
１）ＲＧＢ阈值法和 ＨＳＶ判别法精度较高，ＲＧＢ决策树法对非高盖度草地样方的测量精度较低。
２）ＲＧＢ阈值法和 ＨＳＶ判别法的测量精度不受草地样方本身盖度变化的影响；ＲＧＢ决策树法的盖度测量精
度随着草地样方盖度的增加而提高。
３）ＲＧＢ阈值法和 ＨＳＶ判别法测量的盖度值随光照强度的增大而减小，随光照强度的减弱而增大；而ＲＧＢ
决策树法测量的盖度值随光照强度的变化无明显规律。
总的来看，ＲＧＢ阈值法和ＨＳＶ判别法在计算机算法实现上简单、易实现，总体精度较高，对光照环境的相应
呈现规律性变化，因此在今后的深入研究中值得进一步优化。而ＲＧＢ决策树方法的计算机算法相对复杂，总体
精度却未见改善。
本研究还发现，不管是ＲＧＢ阈值法、还是 ＨＳＶ判别法、抑或是ＲＧＢ决策树法，单纯地从颜色判别（尤其是
绿色像素）角度来计算植被盖度，这显然具有局限性。这样的技术路径很难将非绿色调的茎、枝、花等植被组成有
效识别出来，同时也可能将一些背景要素误判为植被，这是当前盖度测量方法误差的主要来源。在未来研究中，
一方面可以进一步改进植被像素的识别方法，特别是要建立随盖度变化、光照环境变化的阈值自适应模型，这是
继续使用ＲＧＢ颜色空间或者是ＨＳＶ颜色空间开展精确的植被盖度测量的一个重要途径。另一方面也可以考
虑从图形统计学出发，通过图像边缘检测、聚集分析、图形自动匹配等手段，另辟蹊径，通过识别植被不同组成的
形状，由此计算植被盖度。
５２第２３卷第６期 草业学报２０１４年
参考文献：
［１］ 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）：２２０２２６．
［２］ 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）：
１６３１６９．
［３］ 顾祝君，曾志远．遥感植被盖度研究［Ｊ］．水土保持研究，２００５，１２（２）：１８２１．
［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）：４０２４０８．
［５］ ＳｍｉｔｈａＭＯ，ＵｓｔｉｎＳＬ，ＡｄａｍｓａＪＢ，犲狋犪犾．Ｖｅｇｅｔａｔｉｏｎｉｎｄｅｓｅｒｔｓ：Ｉ．Ａｒｅｇｉｏｎａｌｍｅａｓｕｒｅｏｆａｂｕｎｄａｎｃｅｆｒｏｍ ｍｕｌｔｉｓｐｅｃｔｒａｌ
ｉｍａｇｅｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９０，３１（１）：１２６．
［６］ ＬｕｓｃｉｅｒＪＤ，ＴｈｏｍｐｓｏｎＷＬ，ＷｉｌｓｏｎＪＭ，犲狋犪犾．Ｕｓｉｎｇｄｉｇｉｔａｌｐｈｏｔｏｇｒａｐｈｓａｎｄｏｂｊｅｃｔｂａｓｅｄｉｍａｇｅａｎａｌｙｓｉｓｔｏｅｓｔｉｍａｔｅｐｅｒ
ｃｅｎｔｇｒｏｕｎｄｃｏｖｅｒｉｎｖｅｇｅｔａｔｉｏｎｐｌｏｔｓ［Ｊ］．ＦｒｏｎｔｉｅｒｓｉｎＥｃｏｌｏｇｙａｎｄｔｈｅＥｎｖｉｒｏｎｍｅｎｔ，２００６，４（８）：４０８４１３．
［７］ 胡健波，张璐，黄伟，等．基于数码照片的草地植被覆盖度快速提取方法［Ｊ］．草业科学，２０１１，２８（９）：１６６１１６６５．
［８］ ＴｈａｌｅｎＤＣＰ．ＥｃｏｌｏｇｙａｎｄＵｔｉｌｉｚａｔｉｏｎｏｆＤｅｓｅｒｔＳｈｒｕｂＲａｎｇｅｌａｎｄｓｉｎＩｒａｑ［Ｍ］．Ｈａｇｕｅ：ＫｌｕｗｅｒＡｃａｄｅｍｉｃＰｕｂｌｉｓｈｅｒｓ，１９７９．
［９］ ＷｈｉｔｅＭＡ，ＡｓｎｅｒＧＰ，ＮｅｍａｎｉＲＲ，犲狋犪犾．Ｍｅａｓｕｒｉｎｇｆｒａｃｔｉｏｎａｌｃｏｖｅｒａｎｄｌｅａｆａｒｅａｉｎｄｅｘｉｎａｒｉｄｅｃｏｓｙｓｔｅｍｓ：ｄｉｇｉｔａｌｃａｍｅｒａ，
ｒａｄｉａｔｉｏｎｔｒａｎｓｍｉｔｔａｎｃｅ，ａｎｄｌａｓｅｒａｌｔｉｍｅｔｒｙｍｅｔｈｏｄｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２０００，７４（１）：４５５７．
［１０］ ＲｉｃｈａｒｄｓｏｎＭ Ｄ，ＫａｒｃｈｅｒＤＥ，ＰｕｒｃｅｌＬＣ．Ｑｕａｎｔｉｆｙｉｎｇｔｕｒｆｇｒａｓｓｃｏｖｅｒｕｓｉｎｇｄｉｇｉｔａｌｉｍａｇｅａｎａｌｙｓｉｓ［Ｊ］．ＣｒｏｐＳｃｉｅｎｃｅ，
２００１，４１（６）：１１８４１１８８．
［１１］ 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）：１０５１１０．
［１２］ 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，２００４，１６（４）：１６．
［１３］ 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）：１３１７．
［１４］ 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，２００８，８０（１）：１６４１６９．
［１５］ 贾建华，胡勇，刘良云．青藏高原数字照片植被覆盖度自动算法与应用［Ｊ］．地球信息科学学报，２０１０，１２（６）：８８０８８４．
［１６］ 陈梦蝶，黄晓东，侯秀敏，等．青海省草原鼠害区域草地生物量及盖度动态监测研究［Ｊ］．草业学报，２０１３，２２（４）：２４７
２５６．
［１７］ 孙成明，刘涛，田婷，等．基于 ＭＯＤＩＳ的南方草地ＮＰＰ遥感估算与应用［Ｊ］．草业学报，２０１３，２２（５）：１１１７．
［１８］ 张云霞，李晓冰，张云飞．基于数字相机、ＡＳＴＥＲ和 ＭＯＤＩＳ影像综合测量植被盖度［Ｊ］．植物生态学报，２００７，３１（５）：
８４２８４９．
［１９］ 包全磊．基于 ＨＳＶ空间的彩色图像分割［Ｊ］．软件导刊，２０１０，９（７）：１７１１７２．
［２０］ 李长勇，曹其新，郭峰．基于主色直方图特征匹配的蔬果分类方法［Ｊ］．上海交通大学学报，２００９，４３（１２）：１８８８１９０３．
［２１］ ＺｈｏｕＱ，ＲｏｂｓｏｎＭ．Ａｕｔｏｍａｔｅｄｒａｎｇｅｌａｎｄｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｎｄｄｅｎｓｉｔｙｅｓｔｉｍａｔｉｏｎｕｓｉｎｇｇｒｏｕｎｄｄｉｇｉｔａｌｉｍａｇｅｓａｎｄａｓｐｅｃｔｒａｌ
ｃｏｎｔｅｘｔｕａｌｃｌａｓｓｉｆｉｅｒ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００１，２２（１７）：３４５７３４７０．
６２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１４） Ｖｏｌ．２３，Ｎｏ．６
犕犲犪狊狌狉犻狀犵犵狉犪狊狊犾犪狀犱狏犲犵犲狋犪狋犻狅狀犮狅狏犲狉狌狊犻狀犵犱犻犵犻狋犪犾犮犪犿犲狉犪犻犿犪犵犲狊
ＣＨＥＮＺｕｇａｎｇ１，２，ＢＡＴＵＮａｃｕｎ１，ＸＵＺｈｉｙｉｎｇ１，２，ＨＵＹｕｎｆｅｎｇ１
（１．ＩｎｓｔｉｔｕｔｅｏｆＧｅｏｇｒａｐｈｉｃＳｃｉｅｎｃｅｓａｎｄＮａｔｕｒａｌＲｅｓｏｕｒｃｅｓＲｅｓｅａｒｃｈ，ＣＡＳ，Ｂｅｉｊｉｎｇ１００１０１，Ｃｈｉｎａ；
２．ＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１０００４９，Ｃｈｉｎａ）
犃犫狊狋狉犪犮狋：Ｇｒａｓｓｌａｎｄｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｉｓａｎｉｍｐｏｒｔａｎｔｐａｒａｍｅｔｅｒｆｏｒｃｈａｒａｃｔｅｒｉｚｉｎｇｖｅｇｅｔａｔｉｏｎｃｏｎｄｉｔｉｏｎｉｎｅｃ
ｏｌｏｇｉｃａｌｒｅｓｅａｒｃｈ．Ｗｉｔｈｔｈｅｐｏｐｕｌａｒｉｚａｔｉｏｎｏｆｄｉｇｉｔａｌｄｅｖｉｃｅｓ，ｓｕｃｈａｓｄｉｇｉｔａｌｃａｍｅｒａｓ，ｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｃａｎｂｅ
ｍｅａｓｕｒｅｄｉｎａｕｔｏｍａｔｉｃｏｒｓｅｍｉａｕｔｏｍａｔｉｃｗａｙｓｂｙａｎａｌｙｚｉｎｇｔｈｅｄｉｇｉｔａｌｐｈｏｔｏｇｒａｐｈｓｕｓｉｎｇｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ
ｐｌａｔｆｏｒｍｓ．Ｍｏｒｅｏｖｅｒ，ｔｈｅｒａｐｉｄｄｅｖｅｌｏｐｍｅｎｔａｎｄｐｏｐｕｌａｒｉｔｙｏｆｓｍａｒｔｍｏｂｉｌｅｄｅｖｉｃｅｓ（ｓｕｃｈａｓｔｈｅｉＰｈｏｎｅ／ｉＰａｄ）
ｍｅａｎｓｔｈａｔｔｈｅｒｅｉｓａｎｏｐｐｏｒｔｕｎｉｔｙｔｏｉｎｖｅｓｔｉｇａｔｅｔｈｅｕｓｅｏｆｔｈｅｓｅｄｅｖｉｃｅｓｆｏｒｒｅａｌｔｉｍｅｃｏｌｅｃｔｉｏｎ，ｐｒｏｃｅｓｓｉｎｇａｎｄ
ａｎａｌｙｚｉｎｇｏｆｄａｔａｓｕｃｈａｓｖｅｇｅｔａｔｉｏｎｃｏｖｅｒ．Ｆｉｖｅｑｕａｄｒａｔｓｗｉｔｈｄｉｆｆｅｒｅｎｔｖｅｇｅｔａｔｉｏｎｃｏｖｅｒｗｅｒｅｓｅｌｅｃｔｅｄａｎｄ
ｍｅａｓｕｒｅｄｉｎｄｉｆｆｅｒｅｎｔｌｉｇｈｔｉｎｇｃｏｎｄｉｔｉｏｎｓ．Ｐｈｏｔｏｇｒａｐｈｓｗｅｒｅｔａｋｅｎｅｖｅｒｙ２ｈｆｒｏｍ６ＡＭｔｏ６ＰＭ．ＴｈｅＲＧＢ
ｔｈｒｅｓｈｏｌｄｖａｌｕｅｍｅｔｈｏｄ，ＲＧＢｄｅｃｉｓｉｏｎｔｒｅｅｍｅｔｈｏｄａｎｄＨＳＶｄｉｓｃｒｉｍｉｎａｎｔｍｅｔｈｏｄｗｅｒｅｓｅｌｅｃｔｅｄｆｏｒｃａｌｃｕｌａｔｉｎｇ
ｖｅｇｅｔａｔｉｏｎｃｏｖｅｒ．Ｗｈｅｎｌｉｇｈｔｉｎｔｅｎｓｉｔｙｗａｓｃｏｎｓｔａｎｔ，ｖｅｇｅｔａｔｉｏｎｃｏｖｅｒｈａｄｎｏｅｆｆｅｃｔｏｎｔｈｅｍｅａｓｕｒｅｍｅｎｔｐｒｅｃｉ
ｓｉｏｎｏｆｔｈｅＲＧＢｔｈｒｅｓｈｏｌｄｖａｌｕｅｍｅｔｈｏｄａｎｄｔｈｅＨＳＶｄｉｓｃｒｉｍｉｎａｎｔｍｅｔｈｏｄ，ｂｕｔｇｒｅａｔｌｙｉｎｆｌｕｅｎｃｅｄｔｈｅｍｅａｓ
ｕｒｅｍｅｎｔｐｒｅｃｉｓｉｏｎｏｆｔｈｅＲＧＢｄｅｃｉｓｉｏｎｔｒｅｅｍｅｔｈｏｄ．ＴｈｅＲＧＢｔｈｒｅｓｈｏｌｄｖａｌｕｅｍｅｔｈｏｄａｎｄｔｈｅＨＳＶｄｉｓｃｒｉｍｉ
ｎａｎｔｍｅｔｈｏｄｗｅｒｅｉｎｆｌｕｅｎｃｅｄｂｙｌｉｇｈｔｃｏｎｄｉｔｉｏｎ；ｗｈｅｎｌｉｇｈｔｉｎｔｅｎｓｉｔｙｉｎｃｒｅａｓｅｄｃｏｖｅｒｅｓｔｉｍａｔｅｓｄｅｃｌｉｎｅｄ．Ｈｏｗ
ｅｖｅｒ，ｔｈｅｒｅｄｉｄｎｏｔａｐｐｅａｒｔｏｂｅａｇｏｏｄｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｌｉｇｈｔｉｎｔｅｎｓｉｔｙａｎｄｃｏｖｅｒｅｓｔｉｍａｔｅｓｆｏｒｔｈｅＲＧＢ
ｔｈｒｅｓｈｏｌｄｖａｌｕｅｍｅｔｈｏｄ．Ｏｖｅｒａｌ，ｔｈｅｍｅａｓｕｒｅｍｅｎｔｐｒｅｃｉｓｉｏｎｏｆｔｈｅＲＧＢｔｈｒｅｓｈｏｌｄｖａｌｕｅａｎｄＨＳＶｄｉｓｃｒｉｍｉｎａｎｔ
ｍｅｔｈｏｄｓｗｅｒｅｈｉｇｈｅｒｔｈａｎｔｈｅＲＧＢｄｅｃｉｓｉｏｎｔｒｅｅｍｅｔｈｏｄｂｕｔｔｈｅｌａｔｔｅｒｃｏｕｌｄｉｄｅｎｔｉｆｙｐｌａｎｔｓｔｅｍｓａｎｄｆｌｏｗｅｒｓ
ｔｈａｔｗｅｒｅｎｏｔｇｒｅｅｎ．Ｕｓｉｎｇｔｈｅｃｕｒｒｅｎｔｇｒｅｅｎｐｌａｎｔｐｉｘｅｌｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓｃｏｍｂｉｎｅｄｗｉｔｈｉｍｐｒｏｖｅｄｓｔａｔｉｓ
ｔｉｃａｌａｎａｌｙｓｉｓｍｅｔｈｏｄｓｓｕｃｈａｓａｌｇｏｒｉｔｈｍｓａｂｌｅｔｏｅｘａｍｉｎｅｅｄｇｅｐｉｘｅｌｓｆｕｒｔｈｅｒｉｍｐｒｏｖｅｍｅｎｔｏｆｔｈｅｐｒｅｃｉｓｉｏｎｏｆ
ｔｈｉｓｔｅｃｈｎｉｑｕｅｃｏｕｌｄｂｅａｃｈｉｅｖｅｄ．
犓犲狔狑狅狉犱狊：ｄｉｇｉｔａｌｐｈｏｔｏｓ；ｇｒａｓｓｌａｎｄ；ｃｏｖｅｒａｇｅ；ｍｅｔｈｏｄ；ｐｒｅｃｉｓｉｏｎ
７２第２３卷第６期 草业学报２０１４年