全 文 ：第 42 卷 第 12 期 东 北 林 业 大 学 学 报 Vol． 42 No． 12
2014 年 12 月 JOUＲNAL OF NOＲTHEAST FOＲESTＲY UNIVEＲSITY Dec． 2014
1)国家林业局野生动植物保护与自然保护区管理司项目
(41312403)。
第一作者简介:杨天天，女，1979 年 6 月生，东北林业大学林学
院，工程师。
通信作者:穆立强，东北林业大学林学院，教授。E － mail:
mlq0417@ 163． com。
收稿日期:2013 年 12 月 1 日。
责任编辑:潘 华。
基于叶片图像特征数字化信息识别 7 种柳属植物1)
杨天天 潘晓星 穆立蔷
(东北林业大学，哈尔滨，150040)
摘 要 通过对 7 种柳属植物的 350 枚叶片进行实验处理，测量所需的数字化植物特征，在单一指标判别分
析中，仅有“长宽比”作为识别这 7 种植物的最有效的单一指标;在双重指标的判别分析中，“最宽处”ד叶脉值”、
“最宽处”ד短弧距”、“最宽处”ד长弧距”、“周长比”ד膜周长比”、“短弧距”ד上外距”、“长弧距”ד上外
距”这 6 组双重指标对 7 种植物的识别正确率均达到 100%，同为最优双重指标。试验结果表明，上述 6 组最优双
重指标可以完全识别出这 7 种植物。因此，基于数字化的叶片图像特征的信息识别物种是可行的，为今后植物物
种识别研究奠定了基础。
关键词 柳属植物;叶片;判别分析;物种识别
分类号 S718． 49
Identification of Seven Salix Species Using Digital Information Analysis of Leaf Image Characteristics /Yang Tian-
tian，Pan Xiaoxing，Mu Liqiang(Northeast Forestry University，Harbin 150040，P． Ｒ． China)/ / Journal of Northeast For-
estry University． － 2014，42(12)． － 75 ～ 79
We studied an effective method for recognizing digital indicators of seven Salix species． In single index discriminant analy-
sis，only“aspect ratio”is the most effective index for the identification of these seven species． In double index discrimi-
nant analysis，the recognition correct rates of seven Salix species of six sets of double index，“width”דvein value”，
“the width”דshort arc distance”，“width”דlong arc distance”，“perimeter”דmembrane perimeter”，“short arc
distance”דon the pitch”，and“long arc distance”דon the pitch”are up to 100%，and six sets are all the optimal
dual index． These six sets of double index can be used to completely identify seven Salix species．
Keywords Salix;Leaves;Discriminant analysis;Species identification
基于植物图像数字特征的物种识别是植物物种
鉴定工作采用的新方法。虽然，植物的繁殖器官是
植物识别的主要依据，但花期、果期存续时间短，植
物样本不易获取，而叶片作为植物识别的重要性状
之一，具有留存时间长，样本易获取等优点，虽然叶
的形态变异显著，但其变异只在一定的范围之
内［1］。基于植物叶片信息识别的研究已有很多，从
最早的手工测量叶长、叶宽等［2 － 3］，到运用图像分析
软件来快速、精确地测量叶片的各项参数。计算机
辅助植物分类与识别系统，最早是在 2003 年由祁亨
年提出的，他是基于叶子特征的计算机辅助植物识
别模型和叶缘锯齿特征来识别植物的［4 － 5］，随后的
研究都运用了计算机辅助技术，发展至今，已有基于
叶片特征或叶片轮廓质心的神经网络分类器等这样
高精度的系统识别分类方法，所获得的识别率也较
高［6 － 8］。但这些技术都得依赖计算机分类等技术，
专业性较强，难以普及，且部分的研究中并未对叶片
的种属进行识别，而在植物鉴定的研究中，仅对单一
叶片识别，意义不大。本研究选取的是杨柳科(Sali-
caceae)7 种同为柳属(Salix Linn．)的植物，旨在找
出有效的叶片特征的数字化指标，运用数学统计分
析方法，通过植物叶片简单、快速、有效地识别 7 种
柳属植物，为今后植物物种识别及鉴定工作提供新
方法。
1 材料与方法
选取了 7 种较常见的柳属植物，为大黄柳
(Salix raddeana Laksch． ex Nas．) (1 号)、粉枝柳
(Salix rorida Laksch．)(2 号)、谷柳(Salix taraikensis
Kimura) (3 号)、旱柳(Salix matsudana Koidz．) (4
号)、蒿柳(Salix viminalis Linn．) (5 号)、杞柳(Salix
integra Thumb．) (6 号)、崖柳(Salix floderusii Nakai)
(7 号)。采集地点在东北林业大学凉水实验林场，
采集时间为 2013 年 7 月，叶片采集要求为成熟的完
整叶片，采集数量为每种 50 片。
试验初处理:试验植物共 7 种，每种 50 枚叶片，
共计 350 枚，去叶柄，擦净叶面，用扫描仪在分辨率
300 像素 /英寸下从叶片背面进行扫描。
试验数据的测量:用图像处理分析软件 Image
－ Pro Plus 6． 0 完成。
试验数据处理:数据的整理及特征指标的计算
用 Microsoft Excel 2003 实现，统计分析、相关性分
DOI:10.13759/j.cnki.dlxb.20141210.005
析、判别分析用 SPSS 19． 0 实现。
2 数字特征与判别指标
2． 1 数字特征定义
叶宽(B) :叶片平展，图像上最宽处左右两点连
线的长度。
最宽处距离(D) :即叶宽到叶片基部的距离。
叶长(A) :以叶宽为基线，叶片先端点到叶宽的
距离与叶片基部点到叶宽的距离之和。
叶周长(C) :即叶片图像中叶片边缘围成叶片
图像的弧线全长。
叶面积(S) :即叶片图像中叶片边缘围成叶片
图像的面积。
较长距(L1)与较短距(L2):叶片图像最宽处左
右两点分别与叶先端点的连线的距离，较长的距离
称为较长距，较短的距离称为较短距。
较长弧(l1)与较短弧(l2):叶片图像最宽处左
右两点分别沿叶片图像边缘到叶先端点的弧线，较
长的弧线称为较长弧，较短的弧线成为较短弧。
叶周长(C):即图像中，叶片边缘围合成的图形
的全长。
叶面积(S):即图像中，叶片边缘围合成的图形
的面积。
叶包膜定义为叶缘相邻锯齿最高点的两两连线
围成的图形。叶包膜周长(C1):即叶包膜所围成的
图形的周长。叶包膜面积(S1):即叶包膜所围成的
图形的面积。全缘叶是指叶缘平整的叶，故全缘叶
的叶包膜与叶片重合，即 C = C1，S = S1。
叶宽以上叶片面积(S2):即由叶宽截取的叶片
上部的面积。
外接矩形:即以叶长为外接矩形的长，叶宽为外
接矩形的宽。
2． 2 判别指标的定义与计算
近圆度(P):图像接近圆形的程度，也能反映叶
片边缘的复杂程度，即叶周长的平方与叶面积之比。
公式:P = C2 /S。若值越接近 4π，则图像越接近圆，
若值越大，则越远离圆形。相同面积的叶片，叶缘越
复杂，近圆度值越大。
长宽比(I):叶片图像的宽窄程度，反映的是叶
片的轮廓，即叶长与叶宽的比值。公式:I = A /B。
最宽处位置(W):叶片图像上最宽处在叶片长
轴(即叶长)上的位置。公式:W = D /A。
外接矩形面积比(JQ，简称外矩面积比) :通过
叶长、叶宽围成外接矩形的面积与叶面积的比值。
公式:JQ = A × B /S。
外接矩形周长比(JZ，简称外矩周长比) :通过
叶长、叶宽围成外接矩形的周长与叶周长的比值。
公式:JZ =(A + B)× 2 /C。
较长弧距比、较短弧距比(CH、DH):叶先端点到
叶片图像最宽处左右两点轨迹的复杂程度。较长弧
距比即为较长弧与较长距之比，较短弧距比即为较
短弧与较短距之比。公式:CH = l1 /L1、DH = l2 /L2。
若弧距比值越大，则轨迹越复杂。
上外距面积比(Q) :在叶宽以上部的叶片图形
的外接矩形面积与叶宽以上图形面积的比值。公
式:Q =(A － D)× B /S2。
叶包膜面积比(MQ):叶缘相邻锯齿最高点的两
两连线围成的图形的面积与叶片面积的比值。公
式:MQ = S1 /S。叶包膜面积比值越大边缘复杂程度
越大。
叶包膜周长比(MZ):叶缘相邻锯齿最高点的两
两连线围成的图形的周长与叶片周长的比值。公
式:M = C1 /C。叶包膜周长比值越小边缘复杂程度
越大。
3 结果与分析
3． 1 判别指标的稳定性
为了确定拟选择的判别指标，是否可以作为每
种植物叶片稳定的相对指标，运用 SPSS19． 0 计算出
7 种柳属植物的不同指标的平均值和标准差。由于
每种植物叶片的各项指标的平均值不同，故不能运
用标准差来衡量数据的变异程度。因此，选取变异
系数(如表 1)来验证数据的稳定性，变异系数 CV =
(标准偏差 SD /平均值 MN)100%。
表 1 7 种柳属植物判别指标的变异系数
属 名 P I W JQ JZ CH DH Q MQ MZ
大黄柳 3． 111 2． 623 3． 648 2． 428 1． 880 2． 213 2． 422 1． 676 0． 271 1． 333
粉枝柳 3． 217 3． 055 2． 413 1． 690 0． 365 0． 742 0． 842 1． 566 0． 281 0． 815
旱 柳 2． 687 1． 467 2． 584 0． 634 0． 876 0． 861 0． 489 0． 948 0 0
谷 柳 1． 441 2． 750 3． 493 0． 920 0． 905 0． 845 0． 935 1． 764 0． 596 0． 350
蒿 柳 3． 301 2． 517 2． 648 1． 118 0． 480 0． 333 0． 254 0． 515 0 0
杞 柳 1． 053 2． 320 1． 590 0． 475 0． 743 1． 189 0． 614 0． 877 0 0
崖 柳 1． 923 9． 490 3． 034 0． 840 0． 763 0． 635 0． 875 1． 109 0 0
注:P为近圆度;I为长宽比;W为最宽处位置;JQ 为外接矩形面积比;JZ 为外接矩形周长比;CH 为较长弧距比;DH 为较短弧距比;Q 为上
外距面积比;MQ 为叶包膜面积比;MZ 为叶包膜周长比。
67 东 北 林 业 大 学 学 报 第 42 卷
根据表 1 的数据所示，各组数据的变异系数都
较小，故判别指标的变异程度低，数据相对稳定，选
取的判别指标可以作为稳定数据进行接下来的分析
实验。因 3 号(谷柳)、5 号(蒿柳)、6 号(杞柳)、7
号(崖柳)植物均为全缘叶，叶包膜图形就是叶片图
形，故叶包膜面积比、叶包膜周长比均为 1，其变异
系数为 0。
3． 2 单一指标判别
因选取的判别指标变异程度低，每种柳属植物
的各项指标数值相对稳定，所以先运用 SPSS18． 0 对
选取的判别指标分别进行一次典型判别分析(Ca-
nonical Discriminant Analysis，CDA，基于典型相关分
析原理估计判别参数，并用得到的判别函数进行判
别分析，这种做法叫典型判别分析)，得出各单一指
标对 7 种植物典型判别分析的判别正确率。
如表 2 所示，单一指标对 7 种植物的判别正确
率较低，综合判别正确率的由大到小的顺序依次
为:长宽比、近圆度、外矩周长比、叶包膜面积比、
最宽处位置、外矩面积比、叶包膜周长比、较短弧
距比、较长弧距比、上外距面积比，仅特征指标长
宽比、近圆度、外接矩形周长比的综合判别正确率
达到 50%，但在针对部分种的识别率较低，如:长
宽比对 6 号植物的判别正确率仅为 38． 5%，近圆
度对 4 号植物的判别正确率为 47． 1%，外接矩形
周长比对 1 号、4 号、7 号植物都没有达到 50%的
判别正确率。故仅用单一判别指标对植物进行判
别分析是远远不够的。
表 2 判别指标对 7 种柳属植物的判别正确率
属 名 P I W JQ JZ CH DH Q MQ MZ
大黄柳 50． 0 88． 9 11． 1 11． 1 22． 2 66． 7 72． 2 33． 3 88． 9 72． 2
粉枝柳 66． 7 94． 4 83． 3 44． 4 55． 6 22． 2 11． 1 22． 2 55． 6 27． 8
旱 柳 38． 9 72． 2 44． 4 38． 9 88． 9 5． 6 38． 9 0 100． 0 100． 0
谷 柳 47． 1 82． 4 64． 7 70． 6 41． 2 23． 5 11． 8 82． 4 58． 8 58． 8
蒿 柳 94． 4 100． 0 5． 6 50． 0 83． 3 83． 3 72． 2 16． 7 0 0
杞 柳 76． 9 38． 5 69． 2 69． 2 53． 8 23． 1 23． 1 61． 5 0 0
崖 柳 72． 2 50． 0 38． 9 27． 8 27． 8 22． 2 22． 2 44． 4 0 0
综 合 63． 3 76． 7 44． 2 43． 3 53． 3 35． 8 36． 7 35． 8 45． 0 38． 3
注:P为近圆度;I为长宽比;W为最宽处位置;JQ 为外接矩形面积比;JZ 为外接矩形周长比;CH 为较长弧距比;DH 为较短弧距比;Q 为上
外距面积比;MQ 为叶包膜面积比;MZ 为叶包膜周长比。
3． 3 双重指标的判别
在单一指标判别分析中，所有指标对 7 种柳属
植物均未能达到较好的识别结果。如果将单一指标
两两组合，是否可以提高判别正确率，且两两相关性
显著的指标组合是否也可以提高判别正确率，有待
于探究和分析。故先对所选的判别指标两两做双变
量相关分析，然后用相应的指标组合对 7 种植物做
典型判别分析，进行比较分析。
表 3 判别指标相关分析双侧检验 P值
相关性 P I W JQ JZ CH DH Q MQ MZ
P 0 0 0． 013 0 0 0 0． 309 0． 721 0． 127
I 0
0．
005
0 0 0 0 0． 025 0． 157 0． 013
W 0
0．
005
0
0．
072
0．
719
0．
564
0． 001 0 0
JQ
0．
013
0 0 0
0．
857
0．
865
0 0 0． 001
JZ 0 0
0．
072
0
0．
001
0 0． 349 0． 000 0． 015
CH 0 0
．
719
0． 857
0．
001
0 0． 336 0． 011 0
DH 0 0
0．
564
0． 865 0 0 0． 532 0． 009 0
Q
0．
309
0．
025
0．
001
0
0．
349
0．
336
0．
532
0 0． 002
MQ
0．
721
．
157
0 0 0
0．
011
0．
009
0 0
MZ
0．
127
0．
013
0 0． 001
0．
015
0 0 0． 002 0
注:P为近圆度;I为长宽比;W为最宽处位置;JQ 为外接矩形面积比;JZ 为外接矩形周长比;CH 为较长弧距比;DH 为较短弧距比;Q 为上
外距面积比;MQ 为叶包膜面积比;MZ 为叶包膜周长比。
由表 3 所示，45 组特征指标组合中相关性不显
著的组合只有 12 组，分别为:近圆度 ×上外距面积
比、近圆度 ×叶包膜面积比、近圆度 ×叶包膜周长
比、长宽比 ×叶包膜面积比、最宽处 ×外矩周长比、
最宽处 ×较长弧距比、最宽处 ×较短弧距比、外矩面
积比 ×较长弧距比、外矩面积比 ×较短弧距比、外矩
周长比 ×上外距面积比、较长弧距比 ×上外距面积
比、较短弧距比 ×上外距面积比。
而由相应的指标组合得出的判别分析结果所示
(表 3)，除叶包膜面积比 ×叶包膜周长比对单一指
标叶包膜面积的综合判别正确率没有提高(均为
45． 0%) ，其他的组合均得到明显的提高，其中两两
77第 12 期 杨天天等:基于叶片图像特征数字化信息识别 7 种柳属植物
相关性极显著的指标组合后也对植物的判别正确率
有所改善，如近圆度 ×长宽比的判别正确率为 90．
6%，而近圆度对 7 种植物的判别正确率为 63． 3%，
长宽比为 76． 7%。
表 3 中指标组合的判别分析结果得出，有部分
指标组合的综合判别正确率达到 85%以上，可以作
为有效的指标组合对 7 种柳属植物进行判别分析。
达到 85%的指标组合有:近圆度 ×长宽比、近圆度
×外矩面积比、长宽比 ×外矩面积比、长宽比 ×外矩
周长比、最宽处 ×外矩面积比，其中近圆度 ×长宽比
为最优，综合判别正确率达到 90． 8%。
表 4 判别指标两两组合的判别分析结果
指标 P I W JQ JZ CH DH Q MQ MZ
P 63． 3 90． 8 81． 7 85． 0 75． 8 65． 0 69． 2 79． 2 82． 5 79． 2
I 90． 8 76． 7 84． 2 86． 7 85． 8 79． 2 82． 5 84． 2 81． 7 83． 3
W 81． 7 84． 2 44． 2 69． 2 86． 7 63． 3 69． 2 62． 5 74． 2 70． 8
JQ 85． 0 86． 7 69． 2 43． 3 69． 2 59． 2 60． 0 54． 2 71． 7 70． 0
JZ 75． 8 85． 8 86． 7 69． 2 53． 3 75． 8 70． 8 71． 7 84． 2 83． 3
CH 65． 0 79． 2 63． 3 59． 2 75． 8 35． 8 42． 5 55． 8 55． 8 50． 0
DH 69． 2 82． 5 69． 2 60． 0 70． 8 42． 5 36． 7 57． 5 61． 7 54． 2
Q 79． 2 84． 2 62． 5 54． 2 71． 7 55． 8 57． 5 35． 8 58． 3 56． 7
MQ 82． 5 81． 7 74． 2 71． 7 84． 2 55． 8 61． 7 58． 3 45． 0 45． 0
MZ 79． 2 83． 3 70． 8 70． 0 83． 3 50． 0 54． 2 56． 7 45． 0 38． 3
注:P为近圆度;I为长宽比;W为最宽处位置;JQ 为外接矩形面积比;JZ 为外接矩形周长比;CH 为较长弧距比;DH 为较短弧距比;Q 为上
外距面积比;MQ 为叶包膜面积比;MZ 为叶包膜周长比。
3． 4 最优指标组合的判别结果
近圆度和长宽比判别指标组合为最优识别指
标，对于 7 种柳属植物的典型判别的判别式函数式
有 2 个，分别为 F1 = － 0． 049x1 + 1． 972x2 － 7． 912，
F2 = 0． 479x1 － 2． 632x2 － 4． 063。典型判别函数
(F1、F2)分别占总方差的 86． 4%、13． 6%(表 5)。
表 5 典型判别函数的判别
函数 特征值 方差 /% 累积 /% 典型相关
F1 35． 363a 97． 1 97． 1 0． 986
F2 1． 061a 2． 9 100． 0 0． 718
注:a表示典型判别分析中用到的前 2 个典型判别函数。
近圆度和长宽比指标组合对 7 种柳属植物的判
别分析结果(表 6)所示，最优指标组合对 1 号、2
号、5 号植物可以完全识别，3 号、4 号植物的识别率
超过 90%，6 号植物为 61． 5%，容易被错判至 3
号、7 号，7 号植物的判别率为 77． 8%，容易错判至
3 号、6 号。
表 6 最优指标组合对 7 种柳属植物典型判别的正确率
属 名 大黄柳 粉枝柳 旱柳 谷柳 蒿柳 杞柳 崖柳 共计
大黄柳 100． 0 0 0 0 0 0 0 100． 0
粉枝柳 0 100． 0 0 0 0 0 0 100． 0
旱 柳 5． 6 0 94． 4 0 0 0 0 100． 0
谷 柳 0 0 0 94． 1 0 0 5． 9 100． 0
蒿 柳 0 0 0 0 100． 0 0 0 100． 0
杞 柳 0 0 7． 7 0 0 61． 5 30． 8 100． 0
崖 柳 0 0 5． 6 0 0 16． 7 77． 8 100． 0
4 结论与讨论
通过对植物叶片图像的观察分析，提取植物叶
片的多个特征参数，如叶长、叶宽、叶周长及叶面积
等，并最终确定了 10 项植物叶片的相对特征指标，
运用统计分析的方法，对植物叶片做识别检验，从而
达到识别植物物种的目的。本实验选取的指标均为
稳定的相对指标，并分别进行了单一指标和双重指
标的典型判别分析。运用单一指标对 7 种柳属植物
进行典型判别分析时，每项特征指标的综合判别正
确率都较低，最优的判别正确率仅达到 76． 7%，几
乎是无法识别植物，需要多项指标组合才能得到较
好的识别结果。在双重指标的判别分析中，除叶包
膜面积比 ×叶包膜周长比对单一指标叶包膜面积的
综合判别正确率没有提高(均为 45． 0%)，其他所有
的双重指标相比于单一指标的识别结果均得到明显
的提高，其中部分指标组合的综合判别正确率达到
85%以上，可以作为有效的指标组合对 7 种植物进
行判别分析，近圆度 ×长宽比的指标组合为最优识
别指标组合，综合判别正确率达到 90． 8%，这说明
运用近圆度 ×长宽比指标组合就可以较好识别出这
7 种植物。通过以上实验结果及相关讨论表明，实
验中选取的 7 种植物，用“近圆度”、“长宽比”两项
特征指标组合就可以很好的将其叶片识别出来，其
中对 1 号、2 号、5 号植物可以完全识别，3 号、4 号识
别率超过 90%，对 6 号植物的判别正确率为 61．
5%，7 号植物为 77． 8%，对所有植物的判别正确率
均超过 60%，综合判别正确率达到 90． 8%。
国外对植物数字化信息的研究也有很多［9 － 10］，
主要集中在形态学图像处理方法及计算方法的研究
上，对于植物叶片本身的基础信息涉及较少。在传
87 东 北 林 业 大 学 学 报 第 42 卷
统的植物分类中，叶片形状也作为识别植物的重要
特征，本文中“长宽比”指标的选取与传统的植物分
类方法保持了一致性，但本研究将叶片的主观识别
特征转化为客观的数字参数，更为科学和可靠。很
多人对杨属、柳属植物的区别常误认为是“窄叶为
柳，宽叶为杨”，但其不然，实验数据所示，大黄柳、
谷柳的叶片就较宽，叶宽约为叶长的 2 倍左右，而粉
枝柳、旱柳、蒿柳的叶片就很细长，特别是蒿柳，叶长
达到叶宽的 13 倍之多，说明柳属下的这 7 种植物叶
片的长宽比存在着很大的差异。
本实验还存在一定局限性，如采集地点较集中，
限定了采集要求，对所有地区的柳属植物识别可能
还不能完全适用，这些都有待于后续的研究分析。
但本实验成功的说明了特征信息数字化的可行性，
将人工变为自动，将人脑变为电脑，将大大提高植物
识别的效率。随着科学技术水平的不断发展和更
新，叶片的特征信息测量必将更加简便、快捷，客观
数据的分析代替形态术语的描述，将大大提高植物
识别的准确度。
参 考 文 献
［1］ 张志翔．树木学:北方本［M］．北京:中国林业出版社，2008．
［2］ 胡仁勇，丁炳扬，黄涛，等．国产菱属植物数量分类研究［J］．浙
江大学学报:农业与生命科学版，2001，27(4):419 － 423．
［3］ 阮仕立．中国野生葡萄种质资源描述标准及其计算机管理的
研究［D］．杨凌:西北农林科技大学，2001．
［4］ 祁亨年，寿韬，金水虎．基于叶片特征的计算机辅助植物识别
模型［J］．浙江林学院学报，2003，20(3):281 － 284．
［5］ 祁亨年．植物外观特征自动获取及计算机辅助植物分类与识
别［J］．浙江林学院学报，2004，21(2) :222 － 227．
［6］ Kue Bum Lee，Kwang Woo Chung，Kwang Seok Hong． An imple-
mentation of leaf recognition system based on leaf contour and cen-
troid for plant classification［J］． Ubiquitous Information Technolo-
gies and Applications，2013，214:109 － 116．
［7］ Xia Chunlei，Jang Myung Lee，Li Yan． Plant leaf detection using
modified active shape models［J］． Biosystems Engineering，2013，
116(2) :23 － 35．
［8］ Neto J C，Meyer G E，Jones D D，et al． Plant species identifica-
tion using elliptic fourier leaf shape analysis［J］． Computers and
Electronics in Agriculture，2006，50(2) :121 － 134．
［9］ Menesatti P，Costa C，Paglia G，et al． Shape-based methodology
for multivariate discrimination among Italian hazelnut cultivars［J］．
Biosystems Engineering，2008，101(4) :417 － 424．
［10］ Cope J S，Corney D，Clark J Y，et al． Plant species identifica-
tion using digital morphometrics:a review［J］． Expert Systems
with Applications，2012，39(8) :

7562 － 7573．
(上接 70 页)还有待今后进一步研究。在对杉木老
龄林的物种数目进行调查后，仅通过得到的数据拟
合 10 个种—面积模型，在本文选取的模型之外，是
否还有能够反映杉木老龄林群落中种—面积关系的
模型，其拟合结果与本研究结果相比是否具有更好
的拟合度或预测结果，其结果有待进一步的探讨。
参 考 文 献
［1］ 要元媛，闫明，毕润成． 山西霍山植物群落种—面积曲线与物
种多样性的关系［J］．生态学杂志，2013，32(1) :39 － 44．
［2］ 沈有信，刘文耀，崔建武． 滇中喀斯特森林土壤种子库的种—
面积关系［J］．植物生态学报，2007，31(1) :50 － 55．
［3］ Lomolino M V． Ecology’s most general，yet protean pattern:the
species-area relationship［J］． Journal of Biogeography，2000，27:
17 － 26．
［4］ 张蕊，陈军强，侯尧宸，等．亚高山草甸植物群落植物物种数与
取样面积的关系［J］．生态学杂志，2013，32(9) :2268 － 2274．
［5］ Arrhenius O． Species and area［J］． Journal of Ecology，1921，9:95
－99．
［6］ Arrhenius O． Statistical investigations in the constitution of plant
associations［J］． Ecology，1923，4:68 － 73．
［7］ 唐志尧，乔秀娟，方精云．生物群落的种—面积关系［J］． 生物
多样性，2009，17(6) :549 － 559．
［8］ 乔秀娟，唐志尧，安尼瓦尔·买买提，等．天山南北坡植物种—
面积关系［J］．干旱区研究，2011，28(1) :54 － 59．
［9］ 姜俊．吉林蛟河针阔混交林种—面积关系及种间联结性研究
［D］．北京:北京林业大学，2012．
［10］ 汤孟平，周国模，施拥军，等． 天目山常绿阔叶林群落最小取
样面积与物种多样性［J］．浙江林学院学报，2006，23(4) :357
－ 361．
［11］ 吴晓莆，朱彪，赵淑清，等． 东北地区阔叶红松林的群落结构
及其物种多样性比较［J］． 生物多样性，2004，12(1) :174 －
181．
［12］ 代力民，王青春，邓红兵，等． 二道白河河岸带植物群落最小
面积与物种丰富度［J］． 应用生态学报，2002，13(6) :641 －
645．
［13］ 林开敏，章志琴，叶发茂，等．杉木人工林下杉木、楠木和木荷
叶凋落物分解特征及营养元素含量变化的动态分析［J］． 植
物资源与环境学报，2010，19(2) :34 － 39．
［14］ 王祖华，李瑞霞，郝俊鹏，等． 间伐对杉木人工林不同根序细
根形态的影响［J］．东北林业大学学报，2011，39(6) :13 － 19．
［15］ 郭恩莹，吴保国，张瀚，等． 杉木人工林缓冲区类竞争指数
［J］．东北林业大学学报，2012，40(10) :34 － 42．
［16］ 高明，朱玉杰，董希斌，等． 采伐强度对大兴安岭用材林生物
多样性的影响［J］．东北林业大学学报，2013，41(8) :18 － 21．
［17］ Scheiner S M． Six type of species-area curve［J］． Global Ecology
Ｒesearch，2003，3:361 － 367．
［18］ 刘灿然，马克平，于顺利，等． 北京东灵山地区植物群落多样
性研究:种—面积曲线的拟合与评价［J］． 植物生态学报，
1999，23(6) :490 － 500．
97第 12 期 杨天天等:基于叶片图像特征数字化信息识别 7 种柳属植物