全 文 ：中国生态农业学报 2013年 5月 第 21卷 第 5期
Chinese Journal of Eco-Agriculture, May 2013, 21(5): 638644


* 国家林业局 948项目(2013-4-70)、“十二五”国家科技支撑计划项目(2012BAD23B04)和福建省科技计划重点项目(2011N0031)资助
** 通讯作者: 刘健(1963—), 男, 博士, 教授, 博士生导师, 研究方向为森林经营管理与 3S技术应用。E-mail: fjliujian@126.com
许章华(1985—), 男, 博士研究生, 研究方向为 3S技术在资源环境中的应用。E-mail: fafuxzh@163.com
收稿日期: 20120825 接受日期: 20121227
DOI: 10.3724/SP.J.1011.2013.00638
利用普通数码相机估测松林叶面积指数与标准误*
许章华 1,2 刘 健 1,2,3** 余坤勇 1,2 龚从宏 1,2 谢婉君 1,2
唐梦雅 1,2 赖日文 1,2 李增禄 1,3
(1. 福建农林大学 3S技术应用研究所 福州 350002; 2. 福建农林大学林学院 福州 350002; 3. 三明学院 三明 365000)
摘 要 叶面积指数(LAI)与叶面积指数标准误(SEL)是植被的重要结构变量, 可为森林经营管理、开展病虫害
防治检疫工作提供数据参考。针对条件复杂区域 LAI 与 SEL 测定仪法应用的限制性, 提出利用数码相机拍摄
松林林冠图像, 经特征指数 2GB计算图像叶覆盖度(用 Cover表示)与叶覆盖度标准差(用 Cover SD表示)两个
指标, 构建 LAI-Cover、SEL-Cover SD关系模型, 实现松林 LAI 与 SEL的估测。利用福建省 13个县(市)65组
数据对该方法进行试验 , 结果表明 : Cover 与 LAI、Cover SD 与 SEL 均呈极显著正相关关系 , 可以用
CoverLAI 5 095.3e6 192.0 准确估测松林 LAI, 用 4 067.0 9 105.1  SDCoverSEL 估测 SEL, 两模型的 R2 分别为
0.613 5、0.493 5, 估测精度达 0.894 6、0.798 5。由此可见, 利用普通数码相机估测松林 LAI 与 SEL 具有较高
的可行性与准确性, 可将该方法推广应用。
关键词 普通数码相机 松林 叶面积指数(LAI) 叶面积指数标准误(SEL) 叶覆盖度 叶覆盖度标准差
中图分类号: S75; P23 文献标识码: A 文章编号: 1671-3990(2013)05-0638-07
Leaf area index and standard error of pine forests estimated with common
digital camera
XU Zhang-Hua1,2, LIU Jian1,2,3, YU Kun-Yong1,2, GONG Cong-Hong1,2, XIE Wan-Jun1,2,
TANG Meng-Ya1,2, LAI Ri-Wen1,2, LI Zeng-Lu1,3
(1. Institute of Geometric Application, Fujian Agriculture and Forestry University, Fuzhou 350002, China; 2. College of Forestry,
Fujian Agriculture and Forestry University, Fuzhou 350002, China; 3. Sanming University, Sanming 365000, China)
Abstract Both leaf area index (LAI) and standard error (SEL) have been used as important structural variables of vegetation.
These variables have been used as reference data in the performance of forest management, pest control and quarantine.
Several studies have reported retrieval of LAI but few have retrieved the related SEL, another significant index in sustainable
forest management. This study proposed a method for the applications of LAI and SEL measured with testers in complex
conditions. In the study, pictures of pine forest canopy were taken with a common digital camera. The pictures were used to
calculate two forest indicators — leaf coverage (Cover) and leaf coverage standard deviation (Cover SD) — via 2GB
characteristic index. The correlation models of LAI-Cover and SEL-Cover SD were constructed, from which LAI and SEL of
the pine forest were estimated. The results showed highly significant positive correlations between leaf coverage and LAI, and
then between leaf coverage standard deviation and SEL. The analysis showed that it was possible to accurately estimate the
indexes of pine forests from the models 3.095 50.192 6e CoverLAI  (R2 = 0.613 5) for LAI and 1.105 9 0.067 4SEL Cover SD 
(R2 = 0.493 5) for SEL. The estimation accuracy reached 0.894 6 and 0.798 5, respectively. It was therefore highly feasible and
accurate to estimate LAI and SEL of pine forests using common digital cameras. This gadget does not require much outside
light conditions and is very convenient, especially in restricted measurement conditions. The proposed method was suitable for
solving inaccuracy measurement issues and saving manpower and material resources. Thus it was concluded that the method
should be given high-profile promotion to facilitate a wide application.
Key words Common digital camera, Pine forest, Leaf area index (LAI), LAI standard error, Leaf coverage, Leaf coverage
第 5期 许章华等: 利用普通数码相机估测松林叶面积指数与标准误 639


standard deviation
(Received Aug. 25, 2012; accepted Dec. 27, 2012)
叶面积指数(leaf area index, LAI)是植被的重要
结构变量之一, 可定量分析地球生态系统的能量交
换特性[12], 对分析林木、森林生态系统的储碳能力
具有重要意义, 也是判定植物生长状况的主要指标
之一[34]。LAI的传统测定方法有多种, 包括纸重法、
方格法、干重法、求积仪法、长宽系数法、回归方
程法以及叶面积测定仪法[5]。与其他方法相比, 测定
仪法对植物本身不产生破坏, 也不需要采集叶子样
品 , 便于野外调查工作的开展 , 当前流行的测定设
备有: TRAC、AccuPAR、LAI-2000/2200植物冠层分
析仪及 CI-110 植物冠层数学图像仪等, 不同仪器的
测量原理不尽相同[6]。在开展松林资源野外调查中,
本项目组采用单台 LAI-2000 冠层分析仪测量松林
LAI, 但在植被覆盖度较高的林分内, 要测得林冠上
天空数据极为困难, 此类监测点所测数据的可靠性
较弱。
在农业领域 , 已有不少利用图像处理技术实
现植物 LAI有效估测的报道 : 王桂琴等 [7]利用数码
相机拍摄冬小麦群体图像 , 对图像进行处理后得
到图像的叶面积指数(ILAI), 利用 ILAI 与冬小麦
实测 LAI的显著相关性 , 实现了 LAI的估测 ; 陆秀
明等 [8]的试验证明 , 通过图像处理获取覆盖度并
建立模型 , 可以准确估测出水稻 LAI。由此可见 ,
不携带“鱼眼”镜头的普通照相机获取的图像具备
植被 LAI 的估测能力。本文以松林 LAI 的准确估
测为目标 , 探寻基于普通数码相机的图像处理技
术。LAI-2000 的测定对象是松林内的叶子 , 以松
针为主 , 还有非优势的杉木叶、阔叶等 ; 数据相机
获取的林冠照片中主要包括天空、枝干及叶子等
对象 , 需要将叶信息提取出来 , 才能实现图像数
据与 LAI-2000 测定对象的一致性。普通数码相机
拍摄的照片为传统的红绿蓝 [red (R), green (G),
blue (B); RGB]数据模式 , 其信息量远远小于多光
谱卫星遥感数据 , 叶信息提取难度较大。要实现叶
信息的有效提取 , 尤其是与混淆度较高的枝干信
息的有效区分 , 构建方差大的特征指数是一种可
行性较强的途径。Ohta 等 [9]归纳了 (R+G+B)/3、
(RG)/2、(BR)/2、(2GRB)/4 等正交彩色特征 ,
为 RGB数据模式在信息提取领域的应用提出了方
向 [10]。超绿特征 2GRB 在农作物对象识别方面
应用极为广泛 , Sakamoto 等 [11]应用数码相机对农
作物生长状态进行动态监测 , 结果表明 , 基于数
码相机拍摄图像反演的超绿特征对农作物日光合
有效辐射吸收系数 (fAPAR)具有很好的估测效果 ;
陆秀明等 [8]应用该指数去掉了土壤背景和植物残
渣干扰 , 得到水稻叶片信息 ; 龙满生等 [12]基于超
绿特征与 BP神经网络 , 实现了玉米幼苗与杂草的
正确识别。叶面积指数标准误(standard error of LAI,
SEL)是 LAI-2000 测得的另一个数据 , 但基本上为
研究者所忽略 , 目前有效应用该指标的报道较少 ;
标准误可描述均数抽样分布的离散程度, SEL 越大,
表示 LAI 越离散 , 林相越不齐整 , 反之亦然。林相
是判定森林健康状况的重要标准, 为此, 除 LAI 外,
本文亦开展松林 SEL 的估测研究。
1 材料与方法
1.1 数据获取
2012年 2—5月, 于福建省三明市、将乐县、沙
县、南平市、华安县、云霄县、南安市、安溪县、
莆田市、长汀县、建阳市、宁德市及福清市等 13个
县(市)开展松林调查(图 1)。原则上, 每县选择 12个
调查小班, 每个小班设定 4 个固定监测点, 测定并
记录每个监测点的林分、地形等要素值。采用美国
LI-COR 公司生产的 LAI-2000, 设置“ ”, 即测
量 1 个植物林冠上面数据, 再在林冠下面测量 4 个
数据, 测得每个监测点的 LAI 值, 同时记录相应的
SEL; 利用携带的 CASIO 普通数码相机 (型号 :
EX-ZS5), 镜头尽量垂直向上拍摄与 LAI、SEL 同位
置的林冠图像, 图像大小为 3 648 pixel×2 736 pixel,
分辨率为 72 dpi×72 dpi, 保证照片矩形的 4 个角点
与 LAI-2000的 4个林冠下测点位置基本一致。由于
LAI-2000 光学传感器垂直视野范围为 148°, 而
CASIO EX-ZS5 是 26 mm 广角镜头, 可视角约 80°,
因此, 手持数码相机的高度应较 LAI-2000 略低, 保
证数码相机拍摄范围与 LAI-2000 视野范围基本吻
合(同一测点上层乔木郁闭度接近, 故拍摄范围略小
于 LAI-2000的视野范围亦可); 此外, 不同郁闭度下
的林分光照条件不足 , 故在拍摄时 , 应当开启相机
的自动闪光功能, 使拍摄照片的亮度相互匹配。由
此, 共获得 600余组松林 LAI、SEL及对应的林冠图
像数据。由于调查区域皆为山地丘陵地形, 条件较
为复杂 , 如在坡度陡峭位置 , 人无法站稳 , 造成抖
动或非垂直拍摄 , 许多照片的效果不佳 , 且原数据
量较为庞大, 故对图像进行筛选, 每县(市)筛选 5张
(共计 65 张)作为本研究的图像数据基础, 将对应的
65条 LAI与 SEL数据汇总存档。
640 中国生态农业学报 2013 第 21卷



图 1 松林调查区分布图
Fig. 1 Distribution map of investigated pine forests

1.2 叶覆盖度(Cover)提取方法
前人成果显示, 2GRB 的分割效果并不十分
理想[1314]。而对于本研究, 该特征的适用性较差, 其
原因是: 2GRB 适用于农业植被与土壤背景的分
割, 森林中杂质多, 本文前期试验表明, 2GRB 对
天空、林木枝干等干扰要素的去除能力较弱。在野
外调查过程中, 还利用合肥仪思特光电技术有限公
司生产的 ISI921VF-256野外地物光谱辐射计测得多
组松林林冠高光谱数据。图 2 是 4 条松林林冠光谱
反射率曲线, 可以发现, 绿光波段 550 nm 附近的反
射率小峰及红光波段 650 nm 处的反射率低谷是绿
色植物光谱曲线的普遍特征, 这是叶绿素在可见光
范围内的主要响应特征。进一步统计数码相机拍摄
照片的天空、枝干与叶子的 RGB 特征(表 1), 可知
天空的 R、G、B三原色中均与枝干、叶子有极大的
差异, 但叶子与枝干的差异性不大; 叶子的绿色分
量在三原色中最大(16.538), 红色分量次之(14.376),
蓝色分量最小(12.786), 与光谱反射率曲线特征吻合;
枝干的最大值则出现在蓝色分量(16.892), 红色分量
次之(15.538), 绿色分量最小 (13.445), 但考虑上标
准差 , 叶子与枝干的色彩空间存在较大面积的交
叉。为增大二者差异, 并维持天空的可分性, 建立一
个新的特征指数 2GB, 该指数可以增大叶子色度,
并使枝干特征值维持在一个较小水平。

图 2 松林林冠反射率曲线
Fig. 2 Canopy reflectance curves of pine forests

表 1 调查期间松林相片天空、枝干与叶子的红绿蓝特征
Table 1 Red (R), green (G), blue (B) features of sky, trunk and branch, leaf of pine forests photos during investigation period
统计量 Statistical indicator
对象 Object 红绿蓝 RGB
最小值 Minimum 最大值 Maximum 平均值 Average 标准差 Standard deviation
红 R 146 255 237.862 14.194
绿 G 170 255 243.381 10.580
天空 Sky
蓝 B 185 255 245.885 9.501
红 R 1 59 15.538 8.565
绿 G 0 57 13.445 8.389
枝干 Trunk and branch
蓝 B 0 61 16.892 8.369
红 R 8 27 14.376 2.987
绿 G 11 26 16.538 2.767
叶子 Leaf
蓝 B 7 27 12.786 3.991

利用 ERDAS软件, 实现 2GB特征指数的提取;
在此基础上 , 选择适合的阈值 , 即可将叶信息提取
出来。不同照片上叶信息的阈值不同 , 故需通过
ERDAS的光标查询功能, 才能较为准确地确定出每
张照片的阈值范围。叶信息提取的有效性至关重要,
直接决定下述步骤是否可顺利开展, 故本文采用精
度评估法对信息提取结果进行验证。其步骤为:
(1) 对于其中一张照片(命名为照片 1)的分类结
果, 利用 ERDAS 的精度评估(accuracy assessment)
模块, 随机产生 80 个验证点, 属性为叶与非叶各占
50%, 叶记为“1”, 非叶记为“2”;
(2) 将照片 1的分类结果与照片 1进行叠加, 利
第 5期 许章华等: 利用普通数码相机估测松林叶面积指数与标准误 641


用目视法, 判断 80 个点的实际属性, 若是叶, 记为
“1”, 反之记为“2”;
(3) 运行精度评估, 查看评估报告, 记录照片 1
的总分类精度与总 Kappa系数;
(4) 其余照片 2、3、…、65亦依此进行。
精度评估结果见表 2。

表 2 基于 2GB特征指数下的松叶信息提取精度评估表(部分)
Table 2 Accuracy assessment for pine leaf information extraction based on the characteristic index of 2GB (part)
照片号
Photo No.
总分类结果
Overall classification
accuracy
总 Kappa系数
Overall Kappa
statistics
照片号
Photo No.
总分类结果
Overall
classification
accuracy
总 Kappa系数
Overall Kappa
statistics
照片号
Photo No.
总分类结果
Overall
classification
accuracy
总 Kappa系数
Overall Kappa
statistics
1 0.987 5 0.975 0 2 1.000 0 1.000 0 3 0.975 0 0.950 0
4 0.962 5 0.925 0 5 0.987 5 0.975 0 6 0.950 0 0.900 0
… … … … … … … … …
63 0.950 0 0.900 0 64 0.937 5 0.875 0 65 0.962 5 0.925 0
平均总分类精度=0.966 7, 平均总 Kappa系数=0.933 3。Average overall classification accuracy=0.966 7, Average overall Kappa statistics=0.933 3.

精度评估结果表明, 在 2GB特征指数与合适的
阈值支持下, 叶信息得到较为有效的提取, 可以在此
基础上进一步开展研究。由于不同监测点位置照相机
与地面距离、林木高度均不相同, 因此, 比较“叶面
积”将有极大的误差, 而相对指标“覆盖度”则可以有
效地反映叶子所占比例。所谓覆盖度, 是指叶像素数
与整张照片总像素数的比值, 其计算公式为:

 
 
Leaf
Total
PixNum
COVER
PixNum
 (1)
式中, COVER表示叶覆盖度,  LeafPixNum 是相片
中叶子信息所占像素数,  TotalPixNum 是相片总像
素数。
1.3 叶覆盖度标准差(Cover SD)计算方法
标准差(standard deviation, SD)是一个表示数据
分散程度的统计指标 , 标准差越大 , 表明数据越离
散。将获取的照片置于一个笛卡尔坐标系中, 坐标
原点位于相片中央(图 3), 参照式(1), 则有:

图 3 笛卡尔坐标系
Fig. 3 Cartesian coordinate system

 
   
Leaf
1, 2,3,4
Q
i
i
PixNum
COVER i
PixNum
  (2)
式中, COVERi为每个象限的叶覆盖度,  LeafiPixNum
为第 i 象限中叶像素数,  QPixNum 为每个象限的总
像素数。那么, 叶覆盖度标准差可表示为:
 4
1
1
4 ii
Coversd SD Cover Cover

  (3)
式中, Cover SD表示叶覆盖度标准差, Cover 为 4个象
限叶覆盖度的平均值; 其余同上。
1.4 估测模型构建与评价方法
叶覆盖度越大, LAI 亦越大, 相反亦然; 叶覆盖
度标准差与 SEL 也呈正相关关系。因此, 本文选择
线性、乘幂、指数、对数 4 种模型估测松林 Cover
与 Cover SD。从两个角度对估测模型效果进行评价:
其一, 统计P值, 检验相关性是否显著; 比较模型的
复相关系数 R2, 以判定因变量与自变量间的线性相
关程度, R2的取值范围是[0, 1], 越接近于 1, 表示模
型越优 , 反之亦然 ; 同时比较模型的均方根误差
(RMSE), 该值越接近于 0, 表示模型越优。其二, 将
验证组数据代入各模型, 比较模型的预测精度。
2 结果与分析
2.1 LAI-Cover模型
将 65 条数据随机分成两组, 50 条归入建模组,
其余 15 条为验证组, 在 SPSS 平台下利用建模组数
据对 LAI-Cover关系进行拟合。从图 4可知, 4种模
型 P值均接近于 0, 通过 0.01水平的信度检验; 乘幂
模型与指数模型的 R2 值均超过 0.6, 而线性与对数
模型的 R2略低, 但亦在 0.56 以上, 均达到极显著水
平; 从 RMSE 来看, 乘幂模型最低, 指数模型次之,
而线性与对数模型则稍高。由此说明, 4个模型均可
用于松林 LAI 的模拟, 相较而言, LAI-Cover 的乘幂
与指数模型的拟合优度最佳。将验证组数据代入各
模型进行检验(表 3), 结果显示, 各模型的 LAI 估测
精度均在 0.85 以上, 对数模型最低, 指数模型最高,
达 0.894 6。综上所述, 指数模型 3.095 50.192 6e CoverLAI=
是 LAI-Cover的最佳拟合模型。
Second quadrant
Third quadrant
First quadrant
Forth quadrant
642 中国生态农业学报 2013 第 21卷




图 4 LAI-Cover线性、乘幂、指数、对数模型
Fig. 4 Linear, power, exponential, logarithmic models of LAI-Cover

表 3 LAI-Cover线性、乘幂、指数、对数模型检验
Table 3 Tests of linear, power, exponential, logarithmic models of LAI-Cover
线性模型 Linear model 乘幂模型 Power model 指数模型 Exponential model 对数模型 Logarithmic model验证点
Testing
point
实测 LAI
Measured
LAI
估测 LAI
Estimated
LAI
估测精度
Estimation
accuracy
估测 LAI
Estimated
LAI
估测精度
Estimation
accuracy
估测 LAI
Estimated
LAI
估测精度
Estimation
accuracy
估测 LAI
Estimated
LAI
估测精度
Estimation
accuracy
1 1.25 1.221 0.977 1.180 0.944 1.160 0.928 1.240 0.992
2 1.19 1.255 0.945 1.214 0.980 1.196 0.995 1.271 0.932
3 1.75 1.525 0.872 1.500 0.857 1.532 0.876 1.499 0.857
4 1.42 1.323 0.931 1.284 0.904 1.273 0.896 1.331 0.937
5 1.36 1.187 0.873 1.147 0.843 1.124 0.827 1.209 0.889
6 2.34 1.864 0.796 1.891 0.808 2.088 0.892 1.749 0.748
7 2.13 1.695 0.796 1.691 0.794 1.789 0.840 1.629 0.765
8 1.04 0.917 0.882 0.892 0.857 0.878 0.844 0.937 0.901
9 2.03 1.695 0.835 1.691 0.833 1.789 0.881 1.629 0.802
10 1.99 1.931 0.970 1.973 0.992 2.222 0.884 1.795 0.902
11 1.95 1.559 0.800 1.538 0.789 1.581 0.811 1.526 0.783
12 2.13 1.931 0.907 1.973 0.927 2.222 0.957 1.795 0.843
13 1.77 1.661 0.938 1.652 0.933 1.734 0.980 1.604 0.906
14 2.11 1.931 0.915 1.973 0.935 2.222 0.947 1.795 0.851
15 2.14 1.728 0.808 1.730 0.809 1.845 0.862 1.654 0.773
估测总精度 Overall
estimation accuracy
0.883 0 0.880 3 0.894 6 0.858 8
R 0.935 5** 0.931 5** 0.915 3** 0.936 9**
**表示达到 0.01极显著水平 ** indicates highly significant at 0.01 level. 下同 The same below.


2.2 SEL-Cover SD模型
以相同的方式, 得到 SEL-Cover SD 的线性、乘
幂、指数与对数模型。从图 5可知, 各模型 P值均接
近于 0, 通过 0.01水平的信度检验。线性模型的拟合
优度最佳, 表现在该模型 R2最高, 达 0.493 5, 而其他
3个模型均在 0.35左右, 且该模型的 RMSE在 4个模
型中最小。利用 15 个验证组数据对 4 个模型进行检
验(表 4), 线性模型的估测总精度为 0.798 5, 亦在 4
第 5期 许章华等: 利用普通数码相机估测松林叶面积指数与标准误 643




图 5 SEL-Cover SD线性、乘幂、指数、对数模型
Fig. 5 Linear, power, exponential, logarithmic models of SEL-Cover SD

表 4 SEL-Cover SD线性、乘幂、指数、对数模型检验
Table 4 Tests of linear, power, exponential, logarithmic models of SEL-Cover SD
线性模型 Linear model 乘幂模型 Power model 指数模型 Exponential model 对数模型 Logarithmic model
验证点
Testing
point
实测 LAI
Measured
LAI
估测 LAI
Estimated
LAI
估测精度
Estimation
accuracy
估测 LAI
Estimated
LAI
估测精度
Estimation
accuracy
估测 LAI
Estimated
LAI
估测精度
Estimation
accuracy
估测 LAI
Estimated
LAI
估测精度
Estimation
accuracy
1 0.17 0.209 0.770 0.185 0.910 0.184 0.919 0.200 0.825
2 0.21 0.214 0.980 0.188 0.897 0.189 0.902 0.202 0.962
3 0.07 0.096 0.622 0.089 0.729 0.094 0.655 0.098 0.607
4 0.12 0.113 0.938 0.109 0.909 0.104 0.863 0.126 0.951
5 0.27 0.176 0.653 0.164 0.607 0.151 0.560 0.183 0.677
6 0.11 0.126 0.852 0.123 0.879 0.112 0.979 0.143 0.700
7 0.15 0.127 0.846 0.124 0.826 0.113 0.752 0.144 0.958
8 0.28 0.232 0.830 0.199 0.710 0.211 0.753 0.209 0.748
9 0.17 0.097 0.569 0.089 0.525 0.094 0.554 0.098 0.576
10 0.12 0.146 0.782 0.141 0.824 0.126 0.947 0.162 0.652
11 0.15 0.168 0.880 0.158 0.946 0.144 0.959 0.178 0.816
12 0.15 0.114 0.762 0.111 0.740 0.105 0.698 0.128 0.856
13 0.18 0.168 0.932 0.158 0.877 0.144 0.798 0.177 0.985
14 0.20 0.149 0.744 0.143 0.717 0.128 0.642 0.164 0.820
15 0.22 0.180 0.820 0.167 0.758 0.155 0.704 0.185 0.841
估测总精度 Overall
estimation accuracy
0.798 5 0.790 3 0.779 0 0.798 2
R 0.731 1** 0.721 7** 0.728 3** 0.702 0**

644 中国生态农业学报 2013 第 21卷


个模型中最高。由此判定, 线性模型SEL=1.105 9 Cover
SD+0.067 4是 SEL-Cover SD的最佳拟合模型。
3 结论
LAI 与 SEL 均是林分的重要指标, 可作为森林
经营管理、病虫害防治检疫的数据参考。本文以松
林为研究对象 , 利用普通数码相机拍摄的照片 , 实
现了松林 LAI 与 SEL 的有效估测。结果表明: (1)松
林 Cover与 LAI、Cover SD与 SEL均呈极显著正相
关 , LAI-Cover 的最佳拟合模型是指数模型 LAI=
0.192 6e3.095 5Cover, SEL-Cover SD的最佳拟合模型是
线性模型 SEL=1.105 9Cover SD+0.067 4, 二者的估
测精度分别达 0.894 6、0.798 5。(2)利用普通数码相
机估测松林 LAI 与 SEL 是可行的, 该方法对外界光
照等条件的要求不高 , 操作简便 , 尤其在叶面积测
定仪器使用受限区域, 可以解决仪器测量“失准”问
题, 并节约大量人力、物力资源, 可在野外数据收集
中推广应用。
参考文献
[1] Pocock M J O, Evans D M, Memmott J. The impact of farm
management on species-specific leaf area index (LAI):
Farm-scale data and predictive models[J]. Agriculture
Ecosystems & Environment, 2010, 135(4): 279–287
[2] Poulter B, Heyder U, Cramer W. Modeling the sensitivity of
the seasonal cycle of GPP to dynamic LAI and soil depths in
tropical rainforests[J]. Ecosystems, 2009, 12(4): 517–533
[3] Kovacs J M, Wang J F, Flores-Verdugo F. Mapping mangrove
leaf area index at the species level using IKONOS and
LAI-2000 sensors for the Agua Brava Lagoon, Mexican
Pacific[J]. Estuarine, Coastal and Shelf Science, 2005,
62(1/2): 377–384
[4] Stenberg P, Rautiainen M, Manninen T, et al. Reduced simple
ratio better than NDVI for estimating LAI in Finnish pine and
spruce stands[J]. Silva Fennica, 2004, 38(1): 3–14
[5] 冯冬霞 , 施生锦 . 叶面积测定方法的研究效果初报[J]. 中
国农学通报, 2005, 21(6): 150–152, 155
Feng D X, Shi S J. Research on night measurement methods of
leaf area[J]. Chinese Agricultural Science Bulletin, 2005,
21(6): 150–152, 155
[6] 周宇宇, 唐世浩, 朱启疆, 等. 长白山自然保护区叶面积指
数测量及结果[J]. 资源科学, 2003, 25(6): 38–42

Zhou Y Y, Tang S H, Zhu Q J, et al. Measurement of LAI in
Changbai Mountains Nature Reserve and its result[J].
Resources Science, 2003, 25(6): 38–42
[7] 王桂琴, 郑丽敏, 朱虹, 等. 图像处理技术在冬小麦叶面积
指数测定中的应用[J]. 麦类作物学报, 2004, 24(4): 108–112
Wang G Q, Zheng L M, Zhu H, et al. Application of image
processing technology in wheat canopy leaf area index
measuring[J]. Journal of Triticeae Crops, 2004, 24(4):
108–112
[8] 陆秀明, 黄庆, 孙雪晨, 等. 图像处理技术估测水稻叶面积
指数的研究[J]. 中国农学通报, 2011, 27(3): 65–68
Lu X M, Huang Q, Sun X C, et al. Application of image
processing technology in rice canopy leaf area index[J].
Chinese Agricultural Science Bulletin, 2011, 27(3): 65–68
[9] Ohta Y, Kanade T, Sakai T. Color information for region
segmentation[J]. CGIP, 1980, 13(3): 222–241
[10] Tang W, Bai F X, Zhang Y J, et al. Study of the K. L.
Transformation for natural scenes[C]//Proceedings of the 1st
International Conference on Image and Graphics (ICIG2000):
Image and Graphic Technology Toward 21st Century and
Beyond. Tianjin, 2000
[11] Sakamoto T, Gitelson A A, Nguy-Robertson R A L, et al. An
alternative method using digital cameras for continuous
monitoring of crop status[J]. Agricultural and Forest
Meteorology, 2012(154/155): 113–126
[12] 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
Long M S, He D J. Weed identification from corn seedling
based on computer vision[J]. Transactions of the Chinese
Society for Agricultural Engineering, 2007, 23(7): 139–144
[13] 赵博, 宋正河, 毛文华, 等. 基于 PSO 与 K-均值算法的农
业超绿图像分割方法 [J]. 农业机械学报 , 2009, 40(8):
166–169
Zhao B, Song Z H, Mao W H, et al. Agriculture extra-green
image segmentation based on Particle Swarm Optimization
and K-means Clustering[J]. Transactions of the Chinese
Society for Agricultural Machinery, 2009, 40(8): 166–169
[14] 王焱, 王磊明, 孙雁鸣. SOFM模型在杂草图像识别中的应
用[J]. 计算机工程与科学, 2011, 33(4): 98–101
Wang Y, Wang L M, Sun Y M. Application of the self-
organizing feature map (SOFM) neural network model in
weed identification[J]. Computer Engineering & Science,
2011, 33(4): 98–101