智能手机农作物叶面积指数测量算法改进
Improving the performance of smartphone-derived crop leaf area index
- 2023年27卷第2期 页码:441-455
纸质出版日期: 2023-02-07
DOI: 10.11834/jrs.20210439
引用
阅读全文PDF
扫 描 看 全 文
纸质出版日期: 2023-02-07
扫 描 看 全 文
引用
阅读全文PDF
叶面积指数LAI(Leaf Area Index)是表征植被冠层结构特征的一个重要参数,已经成为多个对地观测系统的陆表参数标准产品,也是定量遥感模型的重要输入参数。快速、准确地获取植被LAI对于开展遥感产品验证、促进遥感模型的发展具有极为重要的意义。随着传感器性能与应用软件功能扩展,智能手机已经成为植被LAI测量的新选择。然而,由于手机成像传感器窄视场角的限制,现有算法依赖于叶倾角分布函数为球型分布的假设,即G函数(单位叶面积在垂直于观测天顶角的平面上的投影)恒等于0.5。因而,传统算法无法解决植被叶倾角分布未知的情况。本文提出了一种基于形状匹配的G函数估算方法,基于有限长度方法和多幅影像间隙率,计算样方内的植被冠层聚集指数,利用泊松分布模型分别得到了植被冠层有效叶面积指数(LAIeff)和真实叶面积指数(LAItru),并用黑龙江海伦农场两种农作物类型(玉米和大豆)的破坏性测量得到的时间序列真实LAI数据(LAIdes)对算法进行了验证。结果表明,算法改进之前的均方根误差(RMSE)分别是0.84(垂直拍摄)和1.33(倾斜57°拍摄),改进后LAIeff(有效LAI)和LAItru(真实LAI)的RMSE为分别为0.58(垂直拍摄)和0.56(垂直拍摄)。新算法得到的LAI值在时间序列变化趋势上与实测值更为一致。本文算法扩展了农作物LAI测量方法,为从智能手机影像中快速、准确提取植被LAI提供了可能。后续研究将会从分析外部光照环境变化对测量结果的影响和增加不同植被类型的验证数据两个方向进一步开展工作。
As an important parameter of vegetation canopy structure, the Leaf Area Index (LAI) has become a standard land surface parameter product for many earth observation systems and an important input parameter for several quantitative remote sensing models. Rapid and accurate acquisition of vegetation LAI is of great significance for the verification of remote sensing products and promotion of the development of remote sensing models. With the improvement of smartphone sensor performance and the functions of application software, smartphones have become a new alternative to vegetation LAI measurement instruments. However, due to the limitation of the narrow Field Of View (FOV) angle of the smartphone camera sensor, the existing algorithm relies on the assumption that the leaf inclination belongs to the spherical distribution, which is that the G function (the projection of a unit leaf area on a plane perpendicular to the observed zenith angle) is equal to 0.5. Therefore, the traditional algorithm cannot solve the problem of unknown leaf inclination distribution. In this paper, a G function estimation method based on shape matching was proposed. Based on the finite length method and the gap fraction of multiple images, the vegetation canopy clumping index in the quadrat was calculated, and the effective LAI (LAIeff) and the real LAI (LAItru) were obtained by using the Poisson distribution model. The algorithm was validated by data obtained from destructive measurements (LAIdes) of two crop types (maize and soybean) at Hailun Farm in Heilongjiang Province, China. The measured time covers the main growth stages of the crop. The results showed that the Root Mean Square Error (RMSE) of the estimated LAI using the algorithm before improvement was 0.84 (vertical shooting) and 1.33 (tilted 57° shooting), and the RMSE of LAIeff and LAItru after the improvement was 0.58 and 0.56, respectively. The LAI values retrieved by the new algorithm are more consistent with the growing trend of LAI in the time series. The algorithm in this paper extends the measurement method of crop LAI, which provides the possibility to quickly and accurately extract vegetation LAI from smartphone-captured images. Further research will be considered in two directions: analyzing the influence of external light environment changes on the measurement results and adding validation data of different vegetation types.
叶面积指数LAI(Leaf Area Index)是指单位地表面积上所有叶片单面叶面积之和(
LAI的地面测量方法分为直接法和间接法。直接法是通过破坏性采样,获取植被的茎叶,通过量算叶片面积再转换为叶面积指数(
基于智能手机测量LAI的应用主要有PocketLAI (
然而,在智能手机成像传感器视场角为70°情况下,在主光轴两侧平面内,会分别有35°的展布空间,如
图1 智能手机视场角与垂直观测时天顶角在35°展布空间示意图
Fig. 1 Figure of zenith angle distribution in 35° space when field Angle and vertical observation of smart phone
已有的测量方法中,除了对相机视场角的忽视以外,还存在着对多次观测数据之间的关联信息利用的不足。由于手机的便携性与易操作性,在一个样方内,有能力拍摄多幅图像。多次测量带来的问题是:在一个样方内的多幅图像之间有何关系,如何利用多幅图像来计算样方的LAI?现有的研究方法中,有的利用多幅图像的间隙率的平均值来计算样方LAI(
综上所述,本文主要目的是从测点(一幅图像)和样方(多幅图像)两个尺度充分挖掘智能手机图像中的多角度信息与样方内的多次测量信息,进而提高植被叶面积指数测量精度。本文具体包括两个研究目标:一是在测点尺度,探索窄视场角的数字影像多角度间隙推断冠层G函数方法,二是从样方尺度,实现从多幅数字图像中计算样方LAI的方法。利用改进的算法,最终达到提高智能手机测量LAI精度的目的。
野外观测数据集包括分布在5个研究样区的3种农作物类型(玉米、大豆、高粱)(
在每个样区内部,设置了3个尺寸为20 m×20 m的基本采样单元ESUs(Elementary Sampling Units),每个ESU距离样区边缘至少5 m,叶面积指数测量工作在ESU内部进行。
野外测量实验从2016年6月20日开始到2016年8月20日结束,覆盖了农作物生长开始到结束期,采样频率为每周一次。叶面积指数测量方法包括基于仪器的间接测量方法与破坏性采样的直接测量方法。在间接测量方法中,使用的智能手机软件包括Qu等研制的LAISmart(
LAISmart和PocketLAI软件安装在同一个手机内,手机型号为红米Note 3。在测量时,智能手机在距离地面高度5 cm处进行拍摄。在使用PocketLAI软件测量时,使用后置摄像倾斜57°向上拍摄,得到的数字影像分辨率为1920×1080像素,分割算法简单地检测基于像素强度的天空像素(
破坏性测量时,每个样区随机抽取5棵植株,将绿色叶片剪下使用LI-3000测量叶片面积。同时,测量离地面5 cm以上部分的植株株高和茎粗,将玉米秆视为圆锥,大豆视为圆柱,计算植株表面,然后积累加进叶片面积的测量值中,最后通过样区的植株密度计算出LAI。
目前的LAI地面测量仪器中,包括上述的智能手机测量APP,均基于冠层间隙率模型。在该模型中,叶面积指数与多角度间隙率P0(θ)的关系可以用泊松分布来描述(
P0(θ)=e-LAIG(θ)cosθ | (1) |
式中,P0(θ)为在相机的观测天顶角θ(相机平面法线与垂直方向夹角)方向上的间隙率,G(θ)为单位面积的叶片在垂直于天顶角θ的平面上的平均投影面积,是一个与叶倾角分布函数有关变量。
由间隙率模型可以知道,影响冠层间隙率的因子中,除了观测天顶角θ和LAI以外,还有一个叶倾角有关变量G。由于叶倾角测量的复杂性,当前的智能手机APP中,均对G的取值有特定的假设。如在LAISmart中,假设冠层LAD为球型分布,由此计算得到单位叶片在垂直观测方向的G函数(即叶片在观测天顶角方向的平均投影面积)为0.5。而PocketLAI则是利用G函数在57°观测天顶角时等于0.5的特性,将智能手机倾斜57°来获取该角度的间隙率。本文将研究一种能够自动估算G值的算法,实现不依赖上述假设的LAI改进算法。
对
图2 研究区地理位置以及采样路线
Fig. 2 The geographical location and sampling route of the study area
-cos θln P0(θ)=LAI×G(θ) | (2) |
将
C(θ)=-cosθln P0(θ) | (3) |
式中,定义C(θ)为平均接触常数,表示在冠层在垂直于观测方向的平面上叶子的总的投影面积。
根据米勒积分公式(
LAI=2∫π20-ln P0(θ)cosθsinθdθ | (4) |
将
LAI=2∫π20C(θ)sinθ dθ | (5) |
Lang认为,对于在多个观测天顶角θ(弧度单位)下测量值C(θ),有如下近似统计回归关系(
C(θ)= A+Bθ | (6) |
式中,A为线性回归方程的截距,B为斜率,将
LAI=2(A+B) | (7) |
研究表明,Lang等的线性回归拟合在半球影像中取得较好结果的原因,是因为其视场角最大能够达到180°,范围接近
通过窄视场角的数字图像计算LAI的关键就在于通过部分已知接触常数C(θ)的分布,来推断整体G(θ)的分布规律。由
G函数与植被的冠层结构紧密相关,不同的叶倾角分布类型会有不同的G函数曲线形态,
图3 不同平均叶倾角(MTA)的模拟G函数(
Fig. 3 Simulation G function of different Mean Tilt Angle (MTA) (
综合以上思想,本文从智能手机多幅数字图像中测量LAI的基本流程如
图4 本文算法主要计算流程
Fig. 4 The algorithm in this paper is mainly a calculation process
以上流程的核心内容包括以下3个方面,即单幅影像接触常数计算,基于形状匹配的G函数提取和样方有效LAI计算。
对于手机垂直向上拍摄的情况下,二值化处理后的图像的中心像素的观测天顶角为0°,最大对角线顶点像素的观测天顶角为设备的最大单边视场角,如
由中心投影所得到的影像宽为w,高度为h,单位为像素数,则影像的对角线长度为
L= √w2+h2 | (8) |
通过对角线长度以及智能手机的最大视场角θ,利用
d=L2tanθ | (9) |
任意观测天顶角θ'所对应的位置(x,y)在影像中均能通过
d*tanθ'=√(x-w2)2+(y-h2)2 | (10) |
对于智能手机的视场角为70°的情况,其记录观测天顶角应该为0°—35°。为了得到多角度的间隙率,按照5°等级间隔将数字影像划分为7个同心圆区域,则可得到7个观测天顶角,如
图5 多角度划分后的数字影像
Fig. 5 Digital image after multi-angle partition
对于任意区域αi,标记的观测天顶角为θi,区域内部总像素个数为N(θi)total,天空像素个数为N(θi)sky,则区域内部的间隙率P(θi)由
P(θi)=N(θi)SkyN(θi)Total | (11) |
区域内部的接触常数C(θi)可由
C(θi)=-cos θiln P(θi) | (12) |
图像二值化算法采用基于类间方差最大的大津分类算法,即OTSU算法(
G函数可以由冠层消光系数k(θ)与观测天顶角θ计算得出,如
G(θ)=k(θ)cos θ | (13) |
基于
k(θ)=(χ2+tan2θ)21.47+0.45χ+0.1223χ2-0.013χ3+0.000509χ4 | (14) |
式中,χ=b/a,表示椭球垂直轴和水平轴长度之比,与平均叶倾角(MTA)具有如下的关系,
MTA=9.65(3+χ)-1.65 | (15) |
通过
采用归一化角点距离矩阵的算法进行曲线的形状匹配(
D={d1,1dmaxd1,2dmax…d1,ndmaxd2,1dmaxd2,2dmax…d2,ndmax…dn,1dmax…dn,2dmax………dn,ndmax}={ϕ1,1ϕ1,2…ϕ1,nϕ1,2ϕ2,2…ϕ2,n…ϕ1,n…ϕ2,n………ϕn,n} | (16) |
其中
di,j= √(xi-xj)2+(yi-yj)2 | (17) |
dmax=max (di,j) | (18) |
对于曲线A和曲线B,均可计算出一个归一化角点距离矩阵,则A和B之间的相似矩阵Φ为
ΦA,B={ϕA1,1ϕB1,1ϕA1,2ϕB1,2…ϕA1,nϕB1,nϕA2,1ϕB2,1ϕA2,2ϕB2,2…ϕA2,nϕB2,n…ϕAn,1ϕBn,1…ϕA2,nϕB2,n………ϕAn,nϕBn,n} | (19) |
可进一步计算曲线A和B的差异系数
w=√n∑i=1 n∑j=1(1-Φi,j)2 | (20) |
曲线相似程度w越接近0,则对应两条曲线越相似,但是在计算中,由于归一化角点矩阵具有缩放不变性,因此存在两条曲线趋势相反,但是匹配程度高的情况。这是由于该方法只考虑到了形状,并未考虑到曲线的方向性,因此对距离公式
di,j={√(xi-xj)2+(yi-yj)2 xi-xjyi-yj≥0-√(xi-xj)2+(yi-yj)2 xi-xjyi-yj<0 | (21) |
计算图像不同天顶角对应的接触常数C(θi)与不同平均叶倾角的G函数的曲线相似程度w,w最小的平均叶倾角所对应的G函数就是每张图片所求的G函数。
在一个样方内有多幅手机影像,因此可以基于多幅图像的G函数计算样方的LAI值。由于相同的植被类型在相同的生长阶段具有相同的叶倾角分布类型,进行如下进一步假设,即样方内各个图像所覆盖的冠层LAI可能会有差异,但是不同图像的平均叶倾角相对稳定。
基于以上假设,每幅数字影像均能匹配出对应平均叶倾角的G函数。利用单幅影像计算出的G函数对应的平均叶倾角为αi,然后,通过
MTA=n∑0αiM | (22) |
式中,计算的平均叶倾角记为样方整体植被的平均叶倾角,M为样方中的图像个数。
单幅数字影像的有效LAI可以通过划分的区域进行平均计算得到,计算如
LAIpicture=¯(C(θi)G(θn)) | (23) |
多张数字影像在空间上是对样方的随机采样,因此整个样方的有效LAI(LAIeff)可以由数字影像LAI平均计算得到。
在非随机分布的冠层植被中,由于聚集效应的影响,计算得到的有效LAI会低估真实LAI值。聚集指数(Clumping Index)是表征冠层聚集程度的一个因子,也是用来将有效LAI校准到真实LAI的一个参数。
Ω=LAIeffLAItru | (24) |
式中,LAItru为真实叶面积指数,LAIeff为有效叶面积指数,是聚集指数和真实叶面积指数的乘积。
计算聚集指数的方法有很多,如有限长度平均法(
Ω=ln(mean(P(θ)))mean(ln P(θ)) | (25) |
在样区内部LAI真实值可以通过
LAItru= LAIeffΩ | (26) |
在野外测量时,LAISmart和PocketLAI软件的实时输出值我们表示为传统算法测量结果。用LI-3000的测量值对其分别进行对比验证,同时在时间序列上比较不同测量方法之间的差异性,结果如
图6 算法改进前LAISmart和PocketLAI测量值与LI-3000测量值比较
Fig. 6 Comparison of LAISmart and PocketLAI measurements and LI-3000 measurements
从实测真实叶面积指数变化趋势上看(
两种间接测量算法得到的LAI与破坏性测量值之间在大多数时间点上具有相似的变化趋势,但是,两种算法在玉米与大豆作物两种植被类型上的表现又有所不同。LAISmart对大豆作物的测量结果比在玉米样区测量值更接近真实值,且对玉米的测量值均低于真实值,而对大豆的测量值则没有明显的低估,反而在部分时间点是大于真实值的。对于造成LAISmart的测量值大于真实值的原因之一,可能是与消光系数假设值0.5低于实际值有关。与LAISmart不同,PocketLAI算法在大多数的时间点上是低估的。在玉米样区平缓生长期与大豆样区的凋落期中,PocketLAI与破坏性采样的测量值相比,均有低估现象。在玉米样区中,LAI测量值低估了1.5—2.4,在大豆样区的衰落期中,测量值低估了1.4—2.1。对于PocketLAI测量值在特定生长期内低于真实值的原因,与假设57°的G为0.5有关。因为视场角为57°时的 G函数取值为0.5是来源于探针观测,而相机的视场角为70°,不满足G=0.5的初始条件(
使用本文改进算法首先计算样区的有效叶面积指数,并将处理结果与破坏性测量叶面积指数(LAIdes) 结果进行对比。计算结果的统计特征见
玉米样区A | 大豆样区B | 大豆样区C | 总体 | |||||
---|---|---|---|---|---|---|---|---|
LAIeff | LAIdes | LAIeff | LAIdes | LAIeff | LAIdes | LAIeff | LAIdes | |
平均值 | 3.32 | 3.90 | 3.61 | 3.63 | 3.26 | 3.36 | 3.72 | 3.64 |
最大值 | 4.07 | 4.81 | 4.32 | 4.69 | 4.24 | 3.98 | 4.32 | 4.81 |
最小值 | 1.24 | 1.57 | 3.18 | 2.70 | 1.85 | 1.77 | 1.24 | 1.57 |
绝对偏差 | 0.58 | 0.02 | 0.10 | 0.08 |
由
将计算值和破坏性采样结果在时间序列上进行点对点比较,结果如
图7 改进算法的有效LAI与LI-3000测量值比较
Fig. 7 Comparison of effective LAI and LI-3000 measurements of the improved algorithm
结合
新算法对LAI计算质量的主要贡献是对G函数的更为精准的估计和对不同观测天顶角的间隙率更准确地获取。作为示例,选取其中一天的观测数据,展示G函数形状匹配得到的消光系数曲线和不同天顶角的间隙率,结果如
图8 改进算法与原始算法消光系数与多角度间隙率计算结果比较
Fig. 8 The results of extinction coefficient and multi-angle gap ratio are compared between the improved algorithm and the original algorithm
LAISmart以整个0°—35°的间隙率来代替0°观测天顶角的间隙率,PocketLAI以22°—92°的间隙率代替57°观测天顶角的间隙率。而新算法则是以5°为间隔,计算出各个观测天顶角的间隙率。从间隙率图中可以看出,除了20°和25°的间隙率高于原始算法的间隙率,其余观测天顶角均要低于原始算法。由于玉米叶片的聚集效应,以及不同的观测天顶角在数字影像中对应的像素个数不相同,造成了原始算法高估了间隙率的现象,间隙率高估了6.3%,因此,造成LAI计算结果偏小。
经过聚集指数校正之后得到的真实叶面积指数(LAItru)的与破坏性测量叶面积指数(LAIdes)的统计分析对比如
玉米样区A | 大豆样区B | 大豆样区C | 总体 | |||||
---|---|---|---|---|---|---|---|---|
LAItru | LAIdes | LAItru | LAIdes | LAItru | LAIdes | LAItru | LAIdes | |
平均值 | 3.68 | 3.90 | 3.78 | 3.47 | 3.47 | 3.36 | 3.649 | 3.644 |
最大值 | 4.68 | 4.81 | 4.57 | 4.69 | 4.52 | 3.98 | 4.68 | 4.81 |
最小值 | 1.35 | 1.57 | 3.08 | 2.70 | 2.17 | 1.77 | 1.35 | 1.57 |
绝对偏差 | 0.22 | 0.15 | 0.11 | 0.005 |
根据
考虑植被冠层的聚集效应后,本文算法在大豆和玉米的生长周期内能够较好的匹配植被的生长趋势。本文算法在玉米的生长周期内,与LI-3000的破坏性采样结果更为一致。结合
图9 考虑聚集效应的真实LAI与LI-3000测量值比较
Fig. 9 Comparison of true LAI and LI-3000 measurements with clumping index
具体到不同的作物类型,聚集效应的校正效果又有所不同,改善最为明显的是对玉米作物,如
图10 聚集指数箱线图
Fig. 10 Clumping index boxplot
本文算法采用了有限长度平均法来减少聚集效应对叶面积指数的影响,但是
在进行实地野外测量时,测量效率是一个非常重要的考虑因素。基于智能手机的测量方式与专业仪器相比,成本更低,速度更快,在误差允许的范围内,用智能手机测量植被冠层LAI从可获得性方面比要优于使用专业仪器。
本文算法的主要贡献是解决了垂直向上拍摄时窄视场角条件下的G函数自动计算的问题,借助于准确的G函数和细分的冠层间隙率,本文提供了一种简便的植被冠层叶面积指数快速测量方法。随着智能手机性能的提高,在不依赖商业测量仪器的条件下,本文为遥感地表参数测量提供了一种可行且具有明显成本和效率优势的方法。
本文算法通过与平均叶倾角为20°—80°的G函数进行形状匹配确定植被冠层结构参数。
本文算法基于智能手机测量植被冠层LAI,因此不同的智能手机对结果也会有一定的影响。这一影响主要是因为不同智能手机的摄像头硬件与拍摄时参数的不同。
不同的摄像头在可见光范围内光学分辨率相似,因此在对植被冠层的拍摄中,摄像传感器差异对最终图像灰度值可能会有轻微的影响。但是由于蓝色波段中植被像素与天空像素灰度值的巨大差异具有明显反差,摄像传感器的差异对最终分类结果并没有太大的影响。
不同的相机的另一影响因素是镜头畸变带来的观测天顶角分布差异。由于加工和装配误差,相机光学系统与理想的小孔透视模型(pin-hole model)有一定的差别,从而使得物体点在相机图像平面上实际所成的像与理想成像之间存在不同程度的非线性光学畸变。一般来说,越接近视场的边缘,其畸变值就越大(
在使用本文算法时,需要考虑到算法假设条件的限制,即假设样区内植被种类一致,植被分布均匀。由于本文算法基于LAISmart和PocketLAI进行改进,LAISmart和PocketLAI算法本身是适用于森林的(
本文基于智能手机的窄视场角数字影像实现了一种快速且准确的LAI测量算法,为扩展智能手机在科研领域的应用,如定量遥感地表参数获取方面提供了一种可行的选择方案。
结果表明,基于智能手机的数字影像进行观测天顶角细分方案能够提取到更为准确的G函数取值,结合细分的多角度间隙率和G值,算法得到的有效叶面积指数的均方根误差为0.58,而基于传统的单一角度算法,垂直观测和倾斜57°观测的均方根误差得到0.84和1.33,表明本文算法能够明显地改进单一角度观测方法。在考虑聚集效应情况下,本文算法提取到的真实叶面积指数的改善程度与植被本身存在的聚集效应程度有关。具体来说,对玉米作物聚焦效应校正效果要优于大豆作物。综合两类作物的测量结果来看,聚集效应校正对测量精度有了略微的进一步改善,真实叶面积指数的均方根误差为0.56。
本文没有讨论外部光照条件变化、相机曝光方式对测量精度的影响,为了提高算法的适用条件,保证测量结果的稳定性,后续的算法研究中将会考虑上述因素的影响。同时也认识到,当前算法仅在玉米和大豆这两类农作物类型中进行了验证,补充灌木或高大森林类型的验证数据将会进一步扩展算法的适用范围。
Asner G P, Scurlock J M O and Hicke J A. 2003. Global synthesis of leaf area index observations: implications for ecological and remote sensing studies. Global Ecology and Biogeography, 12(3): 191-205 [DOI: 10.1046/j.1466-822X.2003.00026.x] [百度学术]
Bauer J, Siegmann B, Jarmer T and Aschenbruck N. 2016. Smart FLAIr: a smartphone application for fast LAI retrieval using ambient light sensors//2016 IEEE Sensors Applications Symposium. Catania: IEEE: 1-6 [DOI: 10.1109/SAS.2016.7479880] [百度学术]
Black T A, Chen J M, Lee X and Sagar R M. 1991. Characteristics of shortwave and longwave irradiances under a douglas-fir forest stand. Canadian Journal of Forest Research, 21(7): 1020-1028 [DOI: 10.1139/x91-140] [百度学术]
Brede B, Gastellu-Etchegorry J P, Lauret N, Baret F, Clevers J G P W, Verbesselt J and Herold M. 2018. Monitoring forest phenology and leaf area index with the autonomous, low-cost transmittance sensor PASTiS-57. Remote Sensing, 10(7): 1032 [DOI: 10.3390/rs10071032] [百度学术]
Campbell G S. 1986. Extinction coefficients for radiation in plant canopies calculated using an ellipsoidal inclination angle distribution. Agricultural and Forest Meteorology, 36(4): 317-321 [DOI: 10.1016/0168-1923(86)90010-9] [百度学术]
Campbell G S and Norman J M. 1989. The description and measurement of plant canopy structure//Russell G, Marshall B and Jarvis P G, eds. Plant Canopies: Their Growth, Form and Function. Cambridge University Press: 1-19 [DOI: 10.1017/CBO9780511752308.002] [百度学术]
Chen J M and Black T A. 1992a. Foliage area and architecture of plant canopies from sunfleck size distributions. Agricultural and Forest Meteorology, 60(3/4): 249-266 [DOI: 10.1016/0168-1923(92)90040-B] [百度学术]
Chen J M and Black T A. 1992b. Defining leaf area index for non-flat leaves. Plant, Cell & Environment, 15(4): 421-429 [DOI: 10.1111/j.1365-3040.1992.tb00992.x] [百度学术]
Chen J M, Rich P M, Gower S T, Norman J M and Plummer S. 1997. Leaf area index of boreal forests: theory, techniques, and measurements. Journal of Geophysical Research: Atmospheres, 102(D24): 29429-29443 [DOI: 10.1029/97JD01107] [百度学术]
Confalonieri R, Foi M, Casa R, Aquaro S, Tona E, Peterle M, Boldini A, De Carli G, Ferrari A, Finotto G, Guarneri T, Manzoni V, Movedi E, Nisoli A, Paleari L, Radici I, Suardi M, Veronesi D, Bregaglio S, Cappelli G, Chiodini M E, Dominoni P, Francone C, Frasso N, Stella T and Acutis M. 2013. Development of an app for estimating leaf area index using a smartphone. trueness and precision determination and comparison with other indirect methods. Computers and Electronics in Agriculture, 96: 67-74 [DOI: 10.1016/j.compag.2013.04.019] [百度学术]
Confalonieri R, Francone C and Foi M. 2014. The PocketLAI smartphone app: an alternative method for leaf area index estimation//Proceedings of the 7th International Congress on Environmental Modelling and Software. San Diego: iEMSs: 288-293 [百度学术]
De Bei R, Fuentes S, Gilliham M, Tyerman S, Edwards E, Bianchini N, Smith J and Collins C. 2016. Viticanopy: a free computer app to estimate canopy vigor and porosity for grapevine. Sensors, 16(4): 585 [DOI: 10.3390/s16040585] [百度学术]
Faig W. 1975. Calibration of close-range photogrammetric systems: mathematical formulation. Photogrammetric Engineering and Remote Sensing, 41(12): 1479-1486 [百度学术]
Fang H L, Ye Y C, Liu W W, Wei S S and Ma L. 2018. Continuous estimation of canopy leaf area index (LAI) and clumping index over broadleaf crop fields: an investigation of the PASTIS-57 instrument and smartphone applications. Agricultural and Forest Meteorology, 253-254: 48-61 [DOI: 10.1016/j.agrformet.2018.02.003] [百度学术]
Gastellu-Etchegorry J P, Yin T G, Lauret N, Cajgfinger T, Gregoire T, Grau E, Feret J B, Lopes M, Guilleux J, Dedieu G, Malenovský Z, Cook B D, Morton D, Rubio J, Durrieu S, Cazanave G, Martin E and Ristorcelli T. 2015. Discrete anisotropic radiative transfer (DART 5) for modeling airborne and satellite spectroradiometer and LIDAR acquisitions of natural and urban landscapes. Remote Sensing, 7(2): 1667-1701 [DOI: 10.3390/rs70201667] [百度学术]
Gonsamo A, Walter J M, Chen J M, Pellikka P and Schleppi P. 2018. A robust leaf area index algorithm accounting for the expected errors in gap fraction observations. Agricultural and Forest Meteorology, 248: 197-204 [DOI: 10.1016/j.agrformet.2017.09.024] [百度学术]
Jonckheere I, Fleck S, Nackaerts K, Muys B, Coppin P, Weiss M and Baret F. 2004. Review of methods for in situ leaf area index determination: part I. Theories, sensors and hemispherical photography. Agricultural and Forest Meteorology, 121(1/2): 19-35 [DOI: 10.1016/j.agrformet.2003.08.027] [百度学术]
Lang A R G. 1987. Simplified estimate of leaf area index from transmittance of the sun’s beam. Agricultural and Forest Meteorology, 41(3/4): 179-186 [DOI: 10.1016/0168-1923(87)90078-5] [百度学术]
Lang A R G and Xiang Y Q. 1986. Estimation of leaf area index from transmission of direct sunlight in discontinuous canopies. Agricultural and Forest Meteorology, 37(3): 229-243 [DOI: 10.1016/0168-1923(86)90033-X] [百度学术]
Liu C W, Kang S Z, Li F S, Li S E and Du T S. 2013. Canopy leaf area index for apple tree using hemispherical photography in arid region. Scientia Horticulturae, 164: 610-615 [DOI: 10.1016/j.scienta.2013.10.009] [百度学术]
Lucchese L. 2005. Geometric calibration of digital cameras through multi-view rectification. Image and Vision Computing, 23(5): 517-539 [DOI: 10.1016/j.imavis.2005.01.001] [百度学术]
Macfarlane C, Hoffman M, Eamus D, Kerp N, Higginson S, Mcmurtrie R and Adams M. 2007. Estimation of leaf area index in eucalypt forest using digital photography. Agricultural and Forest Meteorology, 143(3/4): 176-188 [DOI: 10.1016/j.agrformet.2006.10.013] [百度学术]
Miller J B. 1964. An integral equation from phytology. Journal of the Australian Mathematical Society, 4(4): 397-402 [DOI: 10.1017/S1446788700025210] [百度学术]
Miller J B. 1967. A formula for average foliage density. Australian Journal of Botany, 15(1): 141-144 [DOI: 10.1071/BT9670141] [百度学术]
Myneni R B, Ramakrishna R, Nemani R and Running S W. 1997. Estimation of global leaf area index and absorbed par using radiative transfer models. IEEE Transactions on Geoscience and Remote Sensing, 35(6): 1380-1393 [DOI: 10.1109/36.649788] [百度学术]
Orlando F, Movedi E, Coduto D, Parisi S, Brancadoro L, Pagani V, Guarneri T and Confalonieri R. 2016. Estimating leaf area index (LAI) in vineyards using the PocketLAI smart-app. Sensors, 16(12): 2004 [DOI: 10.3390/s16122004] [百度学术]
Otsu N. 1979. A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1): 62-66 [DOI: 10.1109/TSMC.1979.4310076] [百度学术]
Qu Y H, Meng J H, Wan H W and Li Y T. 2016. Preliminary study on integrated wireless smart terminals for leaf area index measurement. Computers and Electronics in Agriculture, 129: 56-65 [DOI: 10.1016/j.compag.2016.09.011] [百度学术]
Qu Y H, Wang J, Song J L and Wang J D. 2017. Potential and limits of retrieving conifer leaf area index using smartphone-based method. Forests, 8(6): 217 [DOI: 10.3390/f8060217] [百度学术]
Ryu Y, Verfaillie J, Macfarlane C, Kobayashi H, Sonnentag O, Vargas R, Ma S Y and Baldocchi D D. 2012. Continuous observation of tree leaf area index at ecosystem scale using upward-pointing digital cameras. Remote Sensing of Environment, 126: 116-125 [DOI: 10.1016/j.rse.2012.08.027] [百度学术]
Verhoef W. 1984. Light scattering by leaf layers with application to canopy reflectance modeling: the SAIL model. Remote Sensing of Environment, 16(2): 125-141 [DOI: 10.1016/0034-4257(84)90057-9] [百度学术]
Welles J M and Norman J M. 1991. Instrument for indirect measurement of canopy architecture. Agronomy Journal, 83(5): 818-825 [DOI: 10.2134/agronj1991.00021962008300050009x] [百度学术]
Willems P, Arnbjerg-Nielsen K, Olsson J and Nguyen V T V. 2012. Climate change impact assessment on urban rainfall extremes and urban drainage: methods and shortcomings. Atmospheric Research, 103: 106-118 [DOI: 10.1016/j.atmosres.2011.04.003] [百度学术]
Wilson J W. 1959. Analysis of the spatial distribution of foliage by two-dimensional point quadrats. New Phytologist, 58(1): 92-99 [DOI: 10.1111/j.1469-8137.1959.tb05340.x] [百度学术]
Wilson J W. 1960. Inclined point quadrats. New Phytologist, 59(1): 1-7 [DOI: 10.1111/j.1469-8137.1960.tb06195.x] [百度学术]
Wilson J W. 1963. Estimation of foliage denseness and foliage angle by inclined point quadrats. Australian Journal of Botany, 11(1): 95-105 [DOI: 10.1071/BT9630095] [百度学术]
Xiao Z Q, Liang S L, Wang J D, Chen P, Yin X J, Zhang L Q and Song J L. 2014. Use of general regression neural networks for generating the GLASS leaf area index product from time-series MODIS surface reflectance. IEEE Transactions on Geoscience and Remote Sensing, 52(1): 209-223 [DOI: 10.1109/TGRS.2013.2237780] [百度学术]
相关作者
相关机构