全 文 ：第 50 卷 第 5 期
2 0 1 4 年 5 月
林 业 科 学
SCIENTIA SILVAE SINICAE
Vol. 50，No. 5
May，2 0 1 4
doi:10．11707 / j．1001-7488．20140505
收稿日期: 2013 － 05 － 09; 修回日期: 2013 － 09 － 20。
基金项目: 林业公益性行业专项“我国典型森林类型健康经营关键技术研究”(201004002) ; 福建省公益类科研院所专项“基于 3S 技术的
自然保护区信息管理系统研发”(2010Ｒ1013 － 5)。
* 张会儒为通讯作者。致谢:国家林业局南方山地用材林培育重点实验室和福建省森林培育和林产品加工重点实验室对本研究的资助。
基于自动分类法的红树植物叶片信息测定*
乐通潮1，2 张会儒1 谭芳林2
(1．中国林业科学研究院资源信息研究所 北京 100091; 2．福建省林业科学研究院 福州 350012)
摘 要: 利用 GIS 的空间分析功能和影像自动分类原理，在软件 ArcGIS10 中构建“叶片信息测定器”，并利用此
工具测定 50 个不同类型参照面的面积、周长、长度和宽度，来验证自动分类法的可行性和精度。结果表明:面积、
周长、长度和宽度的相对误差小于 1. 3%。分别采用自动分类法、网格法和 Photoshop 法测定福建漳江口红树林国
家级自然保护区的 6 种不同红树植物叶片(桐花树、白骨壤、老鼠簕、秋茄、黄槿和木榄叶片样本各 150 个，共 900 个
样本)的面积、周长、叶长和叶宽等叶片信息。结果表明:木榄叶片最大，白骨壤叶片最小，桐花树和白骨壤的叶片
大小较为均一，木榄和老鼠簕的叶形较为狭长，黄槿的叶形最接近圆形; 自动分类法最为快速，平均测定每张叶片
信息只需 10 s，网格法最慢，每张叶片需要用时 600 s，Photoshop 法每片用时约 20 s; 自动分类法、网格法和
Photoshop 法的变异系数没有显著差异，3 种方法所测结果的相关性极显著; 与网格法和 Photoshop 法相比，自动分
类法具有更快捷、高效、信息更丰富的特点。
关键词: 叶片信息; 自动分类法; 模型构建器; 红树林
中图分类号: S718. 42 文献标识码: A 文章编号: 1001 － 7488(2014)05 － 0034 － 07
Application of Automatic Classification Method to Measuring Leaf Parameters of Mangrove
Le Tongchao1，2 Zhang Huiru1 Tan Fanglin2
(1 ． Ｒesearch Institute of Forest Ｒesources Information Techniques，CAF Beijing 100091;
2 ． Fujian Academy of Forestry Fuzhou 350012)
Abstract: A novel tool，named as“Calculator of leaf parameter”，for measuring leaf information of mangrove was
developed by using automatic classification method and spatial analysis model in ArcGIS10 software． To verify the
feasibility of the automatic classification method，50 different types of reference polygons were measured by the tool． The
relative error is less than 1． 3% ． The area，perimeter，length and width of 900 leaves from six species of mangrove
( Aegiceras corniculatum， Avicennia marina， Acanthus ilicifolius， Kandelia candel， Hibiscus tiliaceus， Bruguiera
gymnorrhiza) in the Fujian Zhangjiang Ｒiver Estuary Mangrove National Natural Ｒeserve were measured by using the
automatic classification，grid paper，photoshop software． The results showed that the leaf of B． gymnorrhiza was largest in
the six species and A． marina’s was least． The leaf sizes of A． corniculatum and A． marina were relative uniform． The
leaf shapes of B． gymnorrhiza and A． ilicifolius were long and narrow and the leaf of H． tiliaceus was nearly circular． It
took 10 s for the automatic classification method to measure a leaf information，it took 20 s for photoshop，and it took 600
s for grid paper． The least time was needed by the automatic classification，but the longest time was used by grid paper
among the three methods． The results of the three methods were significantly correlated with each other，however the
automatic classification method was faster，higher efficiency and more information than the others．
Key words: leaf parameter; automatic classification; model builder; mangrove
叶片作为植物进行呼吸作用、光合作用和蒸腾
作用的主要器官，其叶面积大小、叶轮廓周长、叶长
和叶宽等信息是植物生长状态诊断中重要的参数，
也是研究植物栽培技术、生理生化、遗传育种等内容
的重要形态指标(于守超等，2012; 铁军等，2012)。
建立方便、准确、快速的叶面积、周长等形态指标测
第 5 期 乐通潮等: 基于自动分类法的红树植物叶片信息测定
定方法，对于调整群体结构、充分利用光热资源，从
而指导植物栽培密度及合理施肥以获得速生丰产有
重要的意义(刘明池，1995; 陈积山等，2012)。目
前常见的叶面积测定方法有网格法、复印称重法、叶
长叶宽推算法 ( Cristofori et al．，2008; Sezer et al．，
2009; Tai et al．，2009 )、叶面积仪法、扫描仪法、
AutoCAD、GIS 法 ( 李宝光等，2006; 陈智芳等，
2012)等。网格法和复印称重法较为传统，操作简
单，但费时费力; 叶长叶宽推算法需要利用其他方
法获取一定数量样本的叶面积，根据统计分析推算
公式，才能利用公式和测量叶片的叶长和叶宽来计
算叶面积(Antues et al．，2008; Kumar et al．，2009;
IIkaee et al．，2011); 叶面积仪法，利用专用叶面积
仪能够快速获取叶面积，但仪器的价格昂贵且易损
坏(吴春胤等，2007; 陈贻钊等，2009); 目前许多
专家学者趋向于利用扫描仪扫描植物叶片，然后利
用 Photoshop、Ｒ2V、Mapinfo、ArcGIS 等软件统计像素
的方法来测定植物叶片面积(吴玉德等，2005; 石
景荪等，2007; 张美海等，2011)。叶面积仪法、扫
描仪法，受人为因素的影响较小，具有严密的科学
性，叶片形状、大小、颜色、厚薄对测量的结果均无显
著影响，具有方法简单、快速、测量结果准确、适用范
围广等优点(杨劲峰等，2002; 冯冬霞等，2005)。
近年来，地理信息系统 ( geographic information
system，简称 GIS)已在科研、生产和生活的各个方面
得到广泛应用，并发挥着重要作用。美国环境系统
研究所(Environment System Ｒesearch Institute)开发
的 ArcGIS 软件，因其界面友好、功能齐全、操作方
便，其强大的空间分析、网络分析、三维分析和模型
构建器等功能在科研工作中发挥着重要作用(孙雪
文等，2005; 刘玉华等，2006; 成秋明等，2009)。
笔者在实际工作中，根据栅格影像的自动分类思想，
将 ArcGIS10 的影像分类、栅格综合等空间分析模块
集成“叶片信息测定器”，可以从扫描仪或者数码相
机获取的叶片图片，快速、精确地提取植物叶片的轮
廓，生成叶片面积、周长、叶长和叶宽等叶片形态指
数。本文利用自动分类法对福建漳江口红树林国家
级自然保护区的多种红树植物的叶片面积、周长、叶
长和叶宽进行了测定，并与网格法、Photoshop 法进
行比较研究，解决了在 GIS 空间分析中无空间投影
方式的植物叶片信息测定的问题。
1 试验地概况
试验所用叶片采自漳江口红树林国家级自然保
护区，位于福建省云霄县竹塔村，地处 117°2407″—
117°3000″ E、23°5345″—23°5600″ N，海拔 － 6 ～ 8
m，保护区面积 2 360 hm2。属亚热带海洋性季风气
候，温暖湿润，年平均降水量 1 714. 5 mm，年平均蒸
发量 1 718. 4 mm。
2 材料与方法
2. 1 材料
试验选择天然生长的成年红树植株的叶片，采
集 秋 茄 ( Kandelia candel )、白 骨 壤 ( Avicennia
marina)、桐花树 ( Aegiceras corniculatum )、老鼠簕
(Acanthus ilicifolius)、黄槿 (Hibiscus tiliaceus)、木榄
(Bruguiera gymnorrhiza )的叶片样本各 150 个，共计
900 个，装入准备好的样品自封袋粘贴标签备用。
扫描前用记号笔在每张叶片正面写上编号，以便测
定时方便记录。
2. 2 方法
计算机中的平面图像是由若干个网状排列
的像素组成的，通过分辨率计算出每个像素的面
积，然后统计叶片图像所占的像素个数，再乘以
单个像素的面积就可以得到叶面积 (于峰等，
2007)。由于扫描分辨率( dpi)指的是通过扫描元
件将扫描对象每英寸被表示的点数，而 1 英寸 =
2. 54 cm，故单个像素的长度为 2. 54 / dpi cm，面积为
(2. 54 / dpi) 2 cm2。
2. 2. 1 网格法 将叶片摘取后，平铺于 1 mm2 的标
准计算纸上，用削尖的铅笔描出叶片的轮廓，并记上
编排的号码。统计叶轮廓所占的小方格数，来获得
叶片面积，对于处于图形边缘的不完整方格按面积
超过小方格 1 /2 时算一个方格，相反则忽略不计
(盛双等，2011; Patil et al．，2011)。利用棉线沿标
准计算纸上的叶片轮廓绕一圈，用直尺测量棉线的
长度，获得叶片周长。用直尺在标准计算纸上量出
叶长(从叶基到叶尖，不含叶柄)和叶宽(叶片上与
主脉垂直方向上的最宽处)。
2. 2. 2 Photoshop 法 取植物叶片展平后置于扫描
仪上，设定扫描参数，扫描获得叶片数字图片，利用
Photoshop cs3 软件的“分析”菜单，根据设定的测量
比例，按叶片编号的顺序，对选定的叶片区域进行自
动分析，获取面积、周长、叶长、叶宽等参数，并将结
果记录在“测量记录”调板中，还可导出 TXT 格式文
件，便于后续的数据分析(于守超等，2012)。
2. 2. 3 自动分类法 由于图片中叶片部分与背景
部分存在明显的色差，故可利用 ArcGIS10 的影像分
类的非监督分类模块，将图片自动分类为叶片和背
景 2 类; 再通过栅格分析的众数滤波、边界清理等
53
林 业 科 学 50 卷
模块对分类后影像进行增强处理，使得叶片影像完
整连片以及边缘光滑; 然后，利用栅格数据转矢量
模块将影像转为矢量数据; 接着利用最小边界几何
模块获得叶长和叶宽; 最后利用公式将像素值转化
为常规长度、面积 (单位 cm 和 cm2 )。笔者利用
ArcGIS 10 软件的模型构建器，将影像分类、分类后
处理、矢量数据处理、叶片面积、周长、叶长和叶宽计
算等过程 (图 1 ) 融为一体，构建一个完整的工
具———叶片信息测定器(图 2)，工具输入包括: “输
入扫描叶片文件夹”、“输出叶片矢量数据集”、“扫
描分辨率(dpi)”3 个参数，其中扫描分辨率默认值
为 300，可根据实际情况进行修改。
图 1 自动分类法的叶片信息测量流程
Fig. 1 The flow diagram of automatic classification method to measuring parameter of leaf
图 2 叶片信息测定器界面
Fig. 2 The interface of Calculator for parameter of leaf
图 3 参照面扫描图
Fig. 3 The image of reference polygons
2. 2. 4 精确性检验 为了验证自动分类法应用于
红树植物叶片面积测定的可行性，将画在白纸上的
不同类型的已知周长和面积的参照面 (正方形、长
方形、三角形、圆形、梯形各 10 个)，用扫描仪获取
图像信息(图 3)，用笔者构建的“叶片信息测定器”
工具提取上述图形的面积、周长、长度和宽度 (图
4)，提取信息与对应图形已知信息进行比较(表 1)，
通过相对误差是否在试验误差允许范围内检验自动
分类法提取叶片信息的可行性和合理性。
图 4 参照面多边形信息测定结果
Fig. 4 The information of polygons
2. 3 数据处理与统计
采用 ArcGIS 10、SPSS 19、Excel 2010 软件进行
数据处理与分析。
63
第 5 期 乐通潮等: 基于自动分类法的红树植物叶片信息测定
表 1 参照面实际信息与自动分类法提取信息对照
Tab． 1 Comparison of information of reference polygons between actual and calculated by using automatic classification method
编号
No．
类型
Types
面积
Area / cm2
周长
Perimeter / cm
长度
Length / cm
宽度
Width / cm
实际
Actual
自动分
类法
Automatic
classif-
ication
相对
误差
Ｒelative
error
实际
Actual
自动分
类法
Automatic
classif-
ication
相对
误差
Ｒelative
error
实际
Actual
自动分
类法
Automatic
classif-
ication
相对
误差
Ｒelative
error
实际
Actual
自动分
类法
Automatic
classif-
ication
相对
误差
Ｒelative
error
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
合计 Total
平均 Average
标准差 SD
长方形
Ｒectangle
正方形
Square
圆形
Circle
三角形
Triangle
梯形
Trapezoid
7. 5 7. 51 0. 001 11 11 0 3 3 0 2. 5 2. 5 0
10. 5 10. 6 0. 01 13 13 0 3. 5 3. 5 0 3 3 0
12 12. 08 0. 007 14 14 0 4 4 0 3 3 0
15. 75 15. 91 0. 01 16 16. 1 0. 006 4. 5 4. 6 － 0. 022 3. 5 3. 5 0
10. 5 10. 65 0. 014 13 13. 1 0. 008 3. 5 3. 5 0 3 3 0
6. 4 6. 52 0. 019 10. 4 10. 5 0. 01 3. 2 3. 2 0 2 2 0
5. 25 5. 38 0. 025 10 10. 1 0. 01 3. 5 3. 5 0 1. 5 1. 5 0
15 15. 18 0. 012 16 16 0 5 5 0 3 3 0
5 5. 14 0. 028 9 9. 1 0. 011 2. 5 2. 5 0 2 2 0
12 12. 16 0. 013 14 14. 1 0. 007 4 4 0 3 3 0
4 4. 03 0. 008 8 8 0 2 2 0 2 2 0
6. 25 6. 3 0. 008 10 10 0 2. 5 2. 5 0 2. 5 2. 5 0
9 9. 13 0. 014 12 12. 1 0. 008 3 3 0 3 3 0
12. 25 12. 37 0. 01 14 14 0 3. 5 3. 5 0 3. 5 3. 5 0
16 16. 23 0. 014 16 16. 1 0. 006 4 4. 1 － 0. 024 4 4 0
20. 25 20. 36 0. 005 18 18 0 4. 5 4. 5 0 4. 5 4. 5 0
16 16. 18 0. 011 16 16. 1 0. 006 4 4 0 4 4 0
12. 25 12. 41 0. 013 14 14. 1 0. 007 3. 5 3. 5 0 3. 5 3. 5 0
9 9. 12 0. 013 12 12 0 3 3. 1 － 0. 032 3 3 0
4 4. 08 0. 02 8 8. 1 0. 013 2 2 0 2 2 0
3. 14 3. 19 0. 016 6. 3 6. 4 0. 016 2 2 0 2 2 0
7. 07 7. 17 0. 014 9. 4 9. 5 0. 011 3 3 0 3 3 0
12. 57 12. 72 0. 012 12. 6 12. 7 0. 008 4 4 0 4 4 0
10. 18 10. 27 0. 009 11. 3 11. 4 0. 009 3. 6 3. 6 0 3. 6 3. 6 0
12. 57 12. 73 0. 013 12. 6 12. 7 0. 008 4 4 0 4 4 0
10. 18 10. 34 0. 016 11. 3 11. 5 0. 018 3. 6 3. 6 0 3. 6 3. 6 0
19. 64 19. 84 0. 01 15. 7 15. 9 0. 013 5 5 0 5 5 0
12. 57 12. 72 0. 012 12. 6 12. 7 0. 008 4 4 0 4 4 0
7. 07 7. 2 0. 018 9. 4 9. 5 0. 011 3 3 0 3 3 0
19. 63 19. 93 0. 015 15. 7 15. 9 0. 013 5 5 0 5 5 0
3. 46 3. 51 0. 014 9. 5 9. 4 0. 011 4 4 0 1. 7 1. 7 0
12. 5 12. 71 0. 017 17. 1 17. 1 0 7. 1 7. 1 0 3. 5 3. 6 0. 029
19. 25 19. 63 0. 02 21. 4 21. 6 0. 009 8. 9 8. 9 0 4. 3 4. 4 0. 023
19. 5 19. 84 0. 017 21. 3 21. 5 0. 009 8. 8 8. 9 － 0. 011 4. 4 4. 5 0. 023
16. 5 16. 78 0. 017 19. 6 19. 7 0. 005 8. 1 8. 1 0 4. 1 4. 1 0
32 32. 32 0. 01 27. 3 27. 4 0. 004 11. 3 11. 3 0 5. 7 5. 7 0
27. 71 28. 1 0. 014 24 24. 2 0. 008 8 8 0 6. 9 7 0. 014
30. 25 30. 69 0. 015 25. 7 25. 8 0. 004 9. 4 9. 4 0 6. 5 6. 5 0
27. 82 28. 16 0. 012 24. 9 25 0. 004 9. 4 9. 5 － 0. 011 5. 9 5. 9 0
33. 9 34. 43 0. 016 28. 1 28. 2 0. 004 11. 7 11. 7 0 5. 8 5. 9 0. 017
55. 39 55. 82 0. 008 32. 1 32. 2 0. 003 12. 3 12. 3 0 6 6. 1 0. 017
46. 52 46. 96 0. 009 28. 4 28. 7 0. 011 9. 9 9. 9 0 6 6. 1 0. 017
57. 29 57. 8 0. 009 33. 1 33. 3 0. 006 13 13 0 5. 9 5. 9 0
33. 14 33. 53 0. 012 23. 7 23. 8 0. 004 8 8 0 5. 1 5. 2 0. 020
68. 65 68. 92 0. 004 35. 6 36 0. 011 12. 8 12. 8 0 6. 5 6. 6 0. 015
34. 33 34. 8 0. 014 24. 3 24. 5 0. 008 8. 5 8. 6 － 0. 012 5. 2 5. 2 0
30. 98 31. 4 0. 014 22. 7 22. 9 0. 009 7 7 0 5. 7 5. 7 0
59. 64 60. 23 0. 01 32. 9 33. 1 0. 006 12. 4 12. 5 － 0. 008 6. 5 6. 5 0
32. 89 33. 25 0. 011 23. 6 23. 8 0. 008 7. 5 7. 5 0 5. 7 5. 8 0. 018
49. 64 50. 06 0. 008 29. 5 29. 7 0. 007 10. 5 10. 5 0 6. 2 6. 3 0. 016
1015 1026. 39 876. 1 881. 6 294. 5 295. 2 203. 3 204. 4
20. 3 20. 53 0. 013 17. 5 17. 6 0. 007 5. 9 5. 9 0. 002 4. 1 4. 1 0. 004
16. 25 16. 37 0. 005 7. 7 7. 8 0. 005 3. 3 3. 3 0. 007 1. 5 1. 5 0. 008
73
林 业 科 学 50 卷
3 结果与分析
3. 1 参照面图形实际信息与自动分类法提取信息
对照
从表 1 可以看出，面积提取值与实际值的相对
误差(绝对值)为 0 ～ 0. 028，平均面积相对误差为
0. 013; 周长提取值与实际值的相对误差(绝对值)
介于 0 ～ 0. 018，平均周长相对误差为 0. 007; 长度
提取值与实际值的相对误差 (绝对值)介于 0 ～
0. 032，平均长度相对误差为 0. 002; 宽度提取值与
实际值的相对误差(绝对值)介于 0 ～ 0. 029，平均宽
度相对误差为 0. 004。表明自动分类法提取图形的
面积、周长、长度与宽度的图形信息与对应图形的实
际信息十分的吻合。
利用叶面积仪测定叶面积，由于机械精度和人
为因素的存在，一般测量误差为 5% 左右(冯常虎，
1990; 刘玉华等，2006)。而自动分类法提取参照
面的面积、周长、长度、宽度与实际图形的信息相比
较，平均相对测量误差分别为 1. 3%，0. 7%，0. 2%，
0. 4%，远小于 5% ; 同时自动分类法不受试验样本
数量和叶形态特征的限制。因此，自动分类法完全
适用于叶片面积、周长、叶长和叶宽等形态特征信息
的提取、测定。
3. 2 红树植物叶形特征
叶面积、周长、叶长、叶宽和叶形指数 (长 /
宽)能够准确反映植物整个叶片的形状大小，可
以作为精确区分和识别叶形的重要特征参数(盛
双等，2011)。从表 2 可得出，木榄叶片最大，面
积平均值为 52. 87 cm2，白骨壤叶片最小，面积平
均值为 15 . 40 cm2 ; 桐花树和白骨壤叶片各指
标的标准差均较小，说明其叶片大小较为均一，
而其余 4 种红树植物叶片面积和周长的标准差
较大，说明其叶片的大小差异性较大; 与其他 4
个指标相比，叶形指数的标准差最小，故叶形指
数更能够准确反映红树植物的叶形态特征; 木
榄和老鼠簕的叶形指数大，表明其叶形较为狭
长，黄槿的叶形指数最小，表明其叶形最接近
圆形。
表 2 红树植物的叶形特征值①
Tab． 2 The leaf characteristic value of mangrove
叶面积
Area / cm2
叶周长
Perimeter / cm
叶长
Length / cm
叶宽
Width / cm
叶形指数(长 /宽)
Leaf index(Length /width)
桐花树 Aegiceras corniculatum 22. 16 ± 4. 64 19. 6 ± 2. 1 8. 2 ± 1. 0 4. 0 ± 0. 5 2. 1 ± 0. 2
白骨壤 Avicennia marina 15. 40 ± 2. 94 16. 1 ± 1. 7 6. 4 ± 0. 8 3. 7 ± 0. 4 1. 7 ± 0. 2
老鼠簕 Acanthus ilicifolius 37. 30 ± 7. 41 33. 1 ± 4. 8 13. 4 ± 1. 5 4. 6 ± 0. 5 2. 9 ± 0. 2
秋茄 Kandelia candel 35. 00 ± 8. 54 25. 8 ± 3. 2 11. 2 ± 1. 4 4. 7 ± 0. 6 2. 4 ± 0. 3
黄槿 Hibiscus tiliaceus 44. 25 ± 11. 73 30. 1 ± 5. 1 8. 8 ± 1. 5 7. 5 ± 1. 1 1. 2 ± 0. 1
木榄 Bruguiera gymnorrhiza 52. 87 ± 12. 17 39. 4 ± 4. 3 18. 0 ± 1. 9 5. 2 ± 0. 7 3. 5 ± 0. 4
① 表中数据为平均值 ±标准差。The data for average value ± standard deviation．
3. 3 自动分类法与网格法、Photoshop 法的比较
分别采用自动分类法、网格法和 Photoshop 法测
定 6 种不同红树植物叶片 (桐花树、白骨壤、老鼠
簕、秋茄、黄槿和木榄叶片样本各 150 个，共 900 个
样本)的面积、周长、叶长和叶宽等叶片信息。自动
分类法最为快速，平均测定每张叶片信息需要 10 s，
网格法最慢，每张叶片需要 600 s，Photoshop 法每片
用时约 20 s。由表 3 可得，自动分类法和 Photoshop
法测定的面积、周长、叶长和叶宽都最为接近，其样
本平均值和标准差没有显著差异。自动分类法、网
格法和 Photoshop 法的变异系数没有显著差异。
利用 SPSS 19 软件进行统计分析，自动分类
法、网格法和 Photoshop 法的相关系数如表 4 所示。
由表 4 可以看出，对于测定面积、周长和叶长来
说，自动分类法和网格法、Photoshop 法之间均呈显
著相关; 对于叶宽，自动分类法和 Photoshop 法之
间 呈 显 著 相 关，而 网 格 法 与 自 动 分 类 法 和
Photoshop 法之间的相关系数略低，但也达到了
0. 88，这 3 种方法测定的结果 Pearson 相关性在
P ＜ 0. 01水平(双侧)上显著相关，充分表明自动分
类法可以进行红树植物叶片面积、周长、叶长和叶
宽等形态指标的测量。
83
第 5 期 乐通潮等: 基于自动分类法的红树植物叶片信息测定
表 3 自动分类法、网格法、Photoshop 法测定红树植物叶片信息的比较
Tab． 3 Comparison of leaf information of mangrove in the 3 methods of automatic classification，grid，and photoshop
面积
Area / cm2
周长
Perimeter / cm
叶长
Length / cm
叶宽
Width / cm
自动分类
Automatic
classifi-
cation
网格
Grid
Photoshop
自动分类
Automatic
classifi-
cation
网格
Grid
Photoshop
自动分类
Automatic
classifi-
cation
网格
Grid
Photoshop
自动分类
Automatic
classifi-
cation
网格
Grid
Photoshop
样本数 N 900 900 900 900 900 900 900 900 900 900 900 900
极小值 Min． 9. 89 9. 75 9. 97 12. 3 13. 3 12. 2 4. 7 4. 9 4. 6 2. 7 2. 6 2. 7
极大值 Max． 85. 72 85. 05 88. 94 52. 5 57. 9 54. 7 24. 5 20. 9 24. 8 10. 1 15. 1 10. 0
平均值 Mean 34. 50 34. 16 34. 71 27. 4 29. 2 27. 9 11. 0 10. 9 11. 1 4. 9 5. 3 5. 0
标准差 SD 15. 28 15. 21 15. 56 8. 7 9. 1 9. 2 4. 1 3. 8 4. 2 1. 4 1. 7 1. 4
变异系数 CV 0. 44 0. 45 0. 45 0. 3 0. 3 0. 3 0. 4 0. 4 0. 4 0. 3 0. 3 0. 3
表 4 相关系数比较①
Tab． 4 Comparison of relative coefficients in the three methods
自动分类法 －网格法
Automatic classification-Grid
自动分类法 － Photoshop 法
Automatic classification-Photoshop
Photoshop 法 －网格法
Photoshop-Grid
面积 Area 1. 000＊＊ 0. 999＊＊ 0. 999＊＊
周长 Perimeter 0. 996＊＊ 0. 993＊＊ 0. 982＊＊
叶长 Length 0. 988＊＊ 0. 999＊＊ 0. 988＊＊
叶宽 Width 0. 880＊＊ 0. 995＊＊ 0. 884＊＊
①＊＊表示 P ＜ 0. 01 水平(双侧)显著相关。＊＊ for significant correlation at the 0. 01 level．
4 讨论与结论
本文解决了 GIS 空间分析中无空间投影方式的
植物叶片信息测定问题。利用 ArcGIS 10 软件的影
像分类功能，将扫描图片中叶片部分和背景部分准
确分离，再利用栅格转矢量的思路解决了在 GIS 软
件常规处理中需要手动配准影像、勾画叶片轮廓费
时费力的问题; 同时利用最小边界几何模块，自动
提取叶长和叶宽。笔者利用 ArcGIS 10 中模型构建
器集成相关模块编制的“叶片信息测定”工具，可一
次性批量处理文件夹中所有扫描图片，具有界面简
洁、操作简单、效率高的特点。自动分类法提取图像
(周长、面积、长度和宽度)信息与图形实际信息相
对误差极低(≤1. 3% )。分别采用自动分类法、网
格法和 Photoshop 法对 6 种不同红树植物的 900 个
叶片样本的面积、周长、叶长和叶宽进行测定，3 种
方法测定结果的平均值非常接近，这三者的相关系
数均呈显著相关，说明自动分类法完全可以用于红
树植物等不规则叶片的特征信息提取。
由于网格法和 Photoshop 法每次只能处理 1 个
叶片，网格法通过数小方格的方式统计叶面积，通过
棉线测叶片周长，利用直尺测叶长和叶宽，十分费时
费力，并且受到人为操作的影响; Photoshop 的魔棒
也需要多次点击处理才能够准确地选中整个叶片，
处理效率也不够快捷; 自动分类法，可以一次处理
整个文件夹中所有扫描的叶片图片，效率高，精确度
高。笔者利用此工具在 IBM Ｒ52 便捷式计算机(内
存 2 Gb，处理器 1. 86 Ghz)测定含有 20 个白骨壤叶
片样本(图 5)的面积、周长、叶长和叶宽数据，用时
大约 50 s(图 6)。同时，由于自动分类法把叶片轮
廓矢量化并生成数据库，不仅获得面积、周长、叶长
和叶宽等叶形参数，还获得图表一致的数据，方便
查验。
图 5 白骨壤叶片扫描图
Fig. 5 The image of leaves of A． marina
与传统叶片信息测定方法相比，自动分类法应
用于叶片信息测定具有明显的优越性: 1) 自动化
程度高。叶片图像的分类、矢量化和空间信息处理
93
林 业 科 学 50 卷
图 6 白骨壤叶片信息测定结果
Fig. 6 The leaf parameter of A． marina
全过程均由软件自动进行，无人为影响。2) 信息丰
富。不仅获得叶片面积，还同时生成叶片轮廓周长、
叶长、叶宽等叶形参数，有利于对植物叶片的生长状
态进行全面分析。3) 效率高。自动分类法利用 GIS
强大的空间分析能力，使得海量的叶片信息提取与
分析成为可能，对于细碎或者不规则叶片特征信息
(周长、面积、叶长、叶宽等)的提取更加快捷。4) 精
度高。扫描仪扫描的图片是正射数字图像，不会产
生扭曲变形，自动分类法利用 GIS 强大的空间分析
技术，叶片叶缘的提取与解析方面精确度高。
自动分类法测定叶片信息是基于 GIS 软件应用
的扩展。当然，该方法也有一定的缺点，就是需要离
体测定，采摘叶片对植物造成微小伤害。对于活体
测量，利用相机或手机配合标准参照物来获取单个
叶片图像，可以通过 GIS 软件的进一步分析处理后
可满足精度要求，但无法批量测定，效率较低。
参 考 文 献
陈积山，朱瑞芬，张月学 ． 2012． 基于 GIS 在苜蓿叶面积测定中的应
用 ． 草业科学，29(7) :1044 － 1048．
陈贻钊，林清火，张培松，等 ． 2009． 基于 GIS 分析技术的橡胶树叶面
积测定 ． 林业实用技术，(7) :62 － 64．
陈智芳，王景雷，宋 妮 ． 2012． GIS 空间分析技术在棉花叶面积测
定中的应用 ． 中国农学通报，28(9) :145 － 149．
成秋明，刘江涛，张生元，等 ． 2009． GIS 中的空间建模器技术及其在
全国矿产资源潜力预测中的应用 ． 地球科学———中国地质大学
学报，34(2) :338 － 346．
冯常虎 ． 1990． 棉花叶面积测定方法综述 ． 江西棉花，3 (4 ) :13 －
16．
冯冬霞，施生锦 ． 2005． 叶面积测定方法的研究效果初报 ． 中国农学
通报，21(6) :150 － 152，155．
李宝光，陶秀花，倪国平，等 ． 2006． 扫描像素法测定植物叶面积的
研究 ． 江西农业学报，18(3) :78 － 81．
刘明池 ． 1995． 大白菜功能叶片叶面积测量方法 ． 北京农业科学，
(6) :43．
刘玉华，贾志宽，史纪安，等 2006． GIS 空间分析技术在苜蓿叶面积
测定中的应用 ． 草业学报，15(2) : 119 － 123．
盛 双，王国聪，颜 权，等 ． 2011． 大叶桉叶面积测定方法的比较
研究 ． 广西林业科学，(2) :140 － 142．
石景荪，左启华，张 涛，等 ． 2007． 图像处理技术在唐菖蒲叶面积
测定中的应用 ． 中国农学通报，23(5) :456 － 460．
孙雪文，高德武，李日新 ． 2005． 基于 GIS 的植物叶面积的快速精确
测定方法 ． 水土保持科技情报，(2) :17 － 18．
铁 军，马 婧，金 山，等 ． 2012． 濒危植物南方红豆杉的叶面积
测定及其相关分析 ． 山西大学学报:自然科学版，35 (3) :581 －
586．
吴春胤，张文昭，欧阳庆，等 ． 2007． 基于 BP 神经网络模型的荔枝树
叶面积测定方法 ． 农业工程学报，23(7) :166 － 169．
吴玉德，张 鹏 ． 2005． 基于 Mapinfo 的树木叶面积测定方法 ． 林业
调查规划，(6) :23 － 25．
杨劲峰，陈 清，韩晓日，等 ． 2002． 数字图像处理技术在蔬菜叶面
积测量中的应用 ． 农业工程学报，18(4) :155 － 159．
于 峰，林 杉，张峻峰，等 ． 2007． 一种基于图像特征值算法的叶
面积测定方法 ． 中国农业大学学报，12(4) :67 － 69．
于守超，张秀省，冀芦莎 ． 2012． 基于 Photoshop CS5 的植物叶面积测
定方法 ． 湖北农业科学，51(15) : 3340 － 3342．
张美海，赵玉如，刘 阳，等 ． 2011． 基于用 Ｒ2V 软件和摄像手机测
定叶面积的方法 ． 山东林业科技，(6) :59 － 62．
Antunes W C，Pompelli M F，Carretero D M，et al． 2008 ． Allometric
models for non-destructive leaf area estimation in coffee ( Coffea
arabica and Coffea canephora ) ． Annals of Applied Biology，153
(1) :33 － 40．
Cristofori V，Fallovo C，Mendoza-de G E，et al． 2008． Non-destructive，
analogue model for leaf area estimation in Persimmon(Diospyros kaki
L． f． ) based on leaf length and width measurement． Europ J Hort
Sci，73(5) :216 － 221．
IIkaee M N，Paknejad F，Zavareh M，et al． 2011． Prediction model of
leaf area in Soybean ( Glycine max L． ) ． American Journal of
Agricultural and Biological Sciences，6(1) :110 － 113．
Kumar Ｒ． 2009． Calibration and validation of regression model for non-
destructive leaf area estimation of saffron ( Crocus sativus L． ) ．
Scientia Horticulturae，122(1) :142 － 145．
Patil S B，Bodhe S K． 2011． Betel leaf area measurement using image
processing． Internation Journal on Computer Science and
Engineering，3(7) :2656 － 2660．
Sezer I，Oner F，Mut Z． 2009． Non-destructive leaf area measurement in
maize(Zea mays L． ) ． Journal of Environmental Biology，30 (5 ) :
785 － 790．
Tai N H，Hung T T，Ahn T I，et al． 2009． Estimation of leaf area，fresh
weight，and dry weight of Paprika(Capsicum annuum L． ) using leaf
length and width in Ｒockwool-based soilless culture． Hort Environ
Biotechnol，50(5) :422 － 426．
(责任编辑 郭广荣)
04