下载:
-
林分郁闭度是指林木树冠垂直投影面积占林地总面积的比例，是反映林分密度的重要指标，在森林资源调查中尤为重要。在传统的森林资源调查中，获取林分郁闭度的主要方法为抬头望法，该方法耗时耗力，获取的数据精度较低，且只适用于面积小、地势缓的林地，难以在地理环境复杂的大区域内应用。随着数字成像技术的发展，HERBERT[1]提出利用鱼眼相机拍摄全天空相片进行郁闭度估测，扩大了拍摄的林冠范围；濮毅涵等[2]基于普通可见光照片中的树叶、树干和天空进行分类，将估测结果与抬头望法结果进行模型比较，得到决定系数(R2)为0.77，但该方法适用于地形平坦的林区，在地形复杂的山地难以应用。为克服地形因子的限制，不少学者基于卫星遥感影像对乔木林林分郁闭度的提取进行了研究。高云飞等[3]基于SPOT 5影像，对各波段的遥感影像像元亮度值进行组合，建立反演模型，最终得到最佳组合模型的R2为0.66；李擎等[4]为提高模型精度，基于高分二号(GF-2)遥感影像，结合光谱信息、纹理特征和地形因子构建郁闭度估测模型，模型精度达89.82%。然而卫星遥感成本高、时效低、灵活性低[5]，相比之下无人机可见光遥感在中小型遥感区域作业中能发挥更大的优势，满足动态森林资源监测的条件和需求，并提供更多可能性[6-8]。苏迪等[9]基于无人机可见光影像，利用主成分分析确定模型的主成分变量，建立郁闭度回归方程，估算精度为83.18%；汪霖[10]结合无人机可见光影像得到的数字正射影像(DOM)和冠层高度模型(CHM)，使用阈值法对树冠区域进行提取并计算郁闭度，平均精度为92.93%。以上关于乔木林分郁闭度遥感估测的研究都取得了一定的成果，能够满足林业调查需求，然而，目前基于无人机可见光影像的毛竹林林分郁闭度估测研究为数不多。
毛竹作为中国南方重要的笋、竹两用竹种，是最重要的森林资源之一。第九次全国森林清查结果显示：毛竹林面积为467 hm2，占竹林总面积的73%[11]。由于毛竹林的生长特点(扩鞭)[12-13]和经营特点(择伐)，使得林分郁闭度在毛竹林经营中尤为重要，出笋率和采伐结果都将反映在郁闭度上，只有保持适宜毛竹生长的郁闭度，才能提高毛竹生产力。毛竹林多分布在山地丘陵地区，传统的实地调查工作量大、效率低、工作周期长、精确度低。随着无人机技术的发展，无人机林业遥感为实现低成本、高时效、高分辨率、高灵活性的动态森林资源监测提供了技术基础。基于无人机和图像识别技术的单木树冠提取已有一定进展。然而相比其他乔木林，毛竹林竹冠具有特殊性，分为钩梢与未钩梢2种形态，且竹冠鲜少呈单个状态，具有“重叠性”，目前还没有利用现有方法直接获取单株毛竹竹冠的研究。本研究对无人机可见光影像的毛竹林郁闭度估测方法进行了分析，以期为快速获取毛竹林的郁闭度提供参考。
-
研究区位于浙江省湖州市安吉县(30°23′~30°53′N，119°14′~119°53′E)，该区地处长江三角洲腹地，属于亚热带季风气候，植被类型为亚热带常绿阔叶林，年均气温为12.2~15.6 ℃，年均降水量为1 100~1 900 mm。研究区内光照充足，雨量充沛，竹资源丰富，竹林总面积达757 km2，占森林面积56.47%，其中毛竹占79.30%，被誉为“中国竹乡”。
-
根据是否钩梢和郁闭度2个因素选设样地，共调查36个10 m×10 m的样地，其中已钩梢毛竹林样地24个，未钩梢毛竹林样地12个。利用研究区数字正射影像目视解译获得毛竹林的郁闭度，未钩梢样地为抛荒毛竹林，处于无人经营状态，郁闭度均大于0.9，故在本研究中不再细分郁闭度等级。样地基本情况见表1。
表 1 毛竹林样地基本情况
Table 1. Basic information of plot sites
类型 郁闭度 样地/
个平均胸
径/cm平均树
高/m坡度/
(°)坡向 钩梢 0~0.7 13 8.91 9.9 11.6 北坡 钩梢 0.7~0.8 8 9.03 9.4 16.1 西北坡 钩梢 0.8~1.0 3 8.65 9.2 13.3 北坡 未钩梢 12 8.58 9.6 17.1 东南坡 -
数据采集所用无人机遥感系统为大疆Phantom 4 RTK,飞行系统包括3部分：飞行器、云台相机和遥控器。飞行器提供多方位视觉系统，可稳定飞行和精准悬停，进行航点飞行作业；机身装备机载D-RTK，可提供厘米级高精度准确定位，实现更精准的测绘作业。Phantom 4 RTK配备24 mm广角相机、高精度防抖云台及图像传感器、机械快门，确保成像效果。遥控器的主要功能包括作业设计、远距离信号传输和航拍高清画面实时监测等。
2020年11月18日14:00—15:00，天气晴朗、无风、无云，采用大疆Phantom 4 RTK搭载光学相机对选定研究区域进行拍摄。无人机飞行高度为160 m，飞行范围东西走向为222.82 m，南北走向为106.28 m，航向重叠率为90%，旁向重叠率为80%，飞行路线设计为“S”型路线。拍摄共得原始照片142张，空间分辨率为3.36 cm，照片共3波段：红波段(R)、绿波段(G)、蓝波段(B)。
-
使用大疆智图软件对无人机所获取照片进行图像处理，通过三维重建技术，生成带有空间参考信息的数字表面模型(DSM)和色调自然、无明显接痕的正射影像图。图像处理的主要流程包括：①数据预处理，对照片进行校验、筛选、对齐，剔除一些无法进行后续合成的照片；②空三加密，通过空三计算得到密集点云和纹理；③生成网格，得到带空间参考信息的数字表面模型和数字正射影像。
-
在毛竹林高分辨率遥感影像中，由于影像信息太多、林间空隙太杂，经常会产生“同物异谱”和“同谱异物”现象，而在分类前执行分割能有效解决该问题[14-16]。
多尺度分割是从任意一像元开始，自下而上进行合并的一种分割手段，其参数设置包括分割尺度、形状因子和紧致度因子。其中形状因子的取值为[0，1]，它包含了形状和光谱2个方面的意义，取值越大，表示在同质性标准中形状因子所占比例越高，光谱因子所占比例就越低，反之亦然。紧致度因子包含紧致度和光滑度，两者权重之和也为“1”。分割尺度作为各参数中最重要的一项，决定了分割所得的多边形对象内部的异质性，分割尺度越大，所生成的对象面积就越大，数目就越少，反之亦然[17]。本研究采用eCognition软件中的Estimation of Scale Paramater 2(ESP2)插件来确定分割尺度，通过设置一系列的参数进行迭代，计算局部方差以及局部方差变化率(ROC)[18-19]，ROC=[VL−(VL−1)]/(VL−1)×100。其中：VL表示尺度为L时分割结果中所有对象局部方差值的方差；VL−1表示尺度为L−1时分割结果中所有对象局部方差值的方差。
本研究对不同类型的毛竹林进行不同参数组合实验，得到不同毛竹林的最优参数组合(表2)。
表 2 不同毛竹林的最优参数组合
Table 2. Optimal parameter combination of different Moso bamboo stands
类型 郁闭度 分割尺度 形状因子 紧致度因子 0~0.7 29 0.3 0.5 钩梢 0.7~0.8 31 0.3 0.5 0.8~1.0 29 0.3 0.5 未钩梢 41 0.3 0.5 -
①基于像元的阈值分类(TP)。通过设定不同的特征阈值，将图像分为若干类。常用的特征值包括2类：直接来自于原始图像的灰度或彩色特征和由原始灰度或彩色值变换得到的特征值。基于无人机影像的毛竹林竹冠区域阈值分类的关键在于选取能有效区分竹冠与非竹冠的最优阈值。通过选取竹冠与非竹冠的样点，得到各样点的阈值，统计不同阈值所包含的像元数目，绘成具有明显峰值与谷值的曲线图[20-21]。2个峰值对应位置分别为竹冠与非竹冠的典型特征值，谷值为竹冠与非竹冠交界处对应的特征值，也就是最优阈值(图1)。
图 1 双峰法最优阈值示意图
Figure 1. Schematic diagram of the double peak threshold method
特征值的选取对提取精度至关重要，本研究使用ENVI软件对数字正射影像中的红、绿、蓝波段进行主成分分析，得到红光和绿光波段包含98%以上的信息量，故选取由红、绿波段变换得到的归一化绿红差异指数(INGRD)为特征值[22-23]，在MATLAB中对竹冠区域进行提取，表达式为INGRD=(G−R)/(G+R)。其中R为红光波段，G为绿光波段。②基于像元的监督分类(SP)。根据已知训练区提供的样本，选取并求出特征参数作为决策规则，建立判别函数对各类图像进行分类的一种方法。本研究建立竹冠区与非竹冠区2种样本，并在ENVI软件中选择最大似然法作为分类算法进行竹冠区域提取，该方法根据训练样本的均值和方差，评价待分类像元和训练样本之间的相似性进而分类，可同时考虑2个以上的波段和类别。③基于多尺度分割的阈值分类(TM)。与传统基于像元的分类不同，基于多尺度分割的阈值分类是一种面向对象分类，其分类的基本单元为影像对象，基本内容分为影像分割与影像分类2个独立模块。结合了多尺度分割的分类方法，在精确分类的同时，很好地兼顾了地物的宏观尺度和微观特征，极大地消除了传统分类带来的“椒盐效应”。在分割的基础上，本研究使用INGRD对竹冠区域进行阈值提取。④基于多尺度分割的监督分类(SM)。该分类也是在多尺度分割的基础上，基于对象进行监督分类。本研究通过eCognition软件进行多尺度分割，并选择最邻近值分类法进行分类提取，该方法通过均匀地选择样本，建立训练集，统计样本的特征信息，通过计算未分类对象与样本之间的距离进行分类，并提取竹冠区域。
-
郁闭度是指树冠的总垂直投影面积(m2)与该样方的总面积(m2)之比，反映林分的密度和林分光能利用程度，是抚育间伐的重要指标，郁闭度=总冠幅/样方总面积。
-
在无人机影像的基础上，根据竹冠部分的亮度、纹理和阴影等特征，在ArcGIS软件中对各个小样地进行目视解译，并以目视解译的结果作为真值对4种方法进行精度评价[24]。分别用正确识别的竹冠总面积(AC，m2)、真实的竹冠总面积(AR，m2)、识别的竹冠面积(AD，m2)、正确识别的非竹冠面积(AN，m2)、样地面积(AS，m2)、真实郁闭度(RD)、分类结果得到的郁闭度(DC)等7个指标进行精度和误差的计算。总体精度(OA)=(AC+AN)/AS×100%；用户精度(UA)=AC/AD×100%；生产者精度(PA)=AC/AR×100%；郁闭度误差(DE)=|RD−DC|。
-
使用SPSS 25.0对各样地的总体精度、用户精度、生产者精度、郁闭度误差进行统计分析，采用单因素方差分析法(one-way ANOVA)进行显著性检验，采用LSD法进行多重比较分析(P=0.05)，文中数据为平均值±标准差。
-
从图2可见：无论是在钩梢毛竹林还是未钩梢毛竹林中，基于像元的阈值分类法的结果存在较多错分和漏分的情况，且提取结果存在“碎片化”情况。基于像元的监督分类法的漏分情况较少，但存在较多的错分且提取结果呈“碎片化”；基于多尺度分割的阈值分类法提取的树冠存在较严重的错分和漏分情况；基于多尺度分割的监督分类法基本解决了树冠提取结果“碎片化”的问题，提高了所提取树冠的整体性，减少了错分和漏分的情况。从表3可以看出：基于多尺度分割的监督分类法的总体精度、生产者精度和用户精度都显著高于其他3种方法(P＜0.05)；基于多尺度分割的监督分类法郁闭度误差最小，为0.004，显著低于其他3种方法(P＜0.05)，表明使用基于多尺度分割的监督分类法提取毛竹林郁闭度的结果明显优于其他3种方法。
图 2 不同方法提取竹冠效果对比示意图
Figure 2. Comparison of the bamboo crown extraction results with different methods
表 3 不同方法的毛竹林竹冠提取精度及郁闭度误差对比
Table 3. Bamboo crown extraction accuracy and canopy density error of different methods
方法 总体精度/% 生产者精度/% 用户精度/% 郁闭度误差 TP 91.81±3.08 c 93.34±3.37 c 96.24±2.03 b 0.038±0.026 c SP 92.96±3.66 bc 95.47±3.29 b 95.64±2.64 b 0.030±0.026 ab TM 93.47±2.53 b 96.10±2.24 b 95.57±2.57 b 0.024±0.018 b SM 98.86±0.53 a 99.15±0.40 a 99.36±0.53 a 0.004±0.003 a 说明：同列不同小写字母表示差异显著(P＜0.05) -
如表4所示：在基于多尺度分割的监督分类法中，是否钩梢对总体精度均没有显著影响，说明基于多尺度分割的监督分类法对钩梢和未钩梢毛竹林均适用；在其他3种方法中，钩梢毛竹林总体精度显著高于未钩梢毛竹林，说明这3种方法更适用于钩梢毛竹林。无论是钩梢林分，还是未钩梢林分，基于多尺度分割的监督分类法的总体精度均显著高于其他3种方法(P＜0.05)。
表 4 4种方法下钩梢和未钩梢毛竹林竹冠区域的提取精度
Table 4. Extraction accuracy of the four methods with truncation and non-truncation
类型 方法 总体精度/% 生产者精度/% 用户精度/% 钩梢 TP 92.82±2.57 Ab 93.85±3.11 Ac 95.96±2.32 Ab SP 93.95±2.74 Ab 96.67±1.39 Ab 95.00±2.98 Ab TM 94.05±2.25 Ab 96.15±2.04 Ab 95.49±2.90 Ab SM 98.9±0.59 Aa 99.14±0.45 Aa 99.27±0.61 Aa 未钩梢 TP 89.80±3.12 Bb 92.33±3.77 Ac 96.81±1.15 Ab SP 90.97±4.52 Bb 93.07±4.57 Bc 96.92±0.98 Bb TM 92.30±2.77 Bb 96.01±2.70 Ab 95.73±1.81 Ac SM 98.78±0.37 Aa 99.16±0.29 Aa 99.55±0.22 Aa 说明：同列不同小写字母表示相同林分类型在不同方法之 间差异显著(P＜0.05)；同列不同大写字母表示相同 方法在不同林分类型之间差异显著(P＜0.05) 从表5可见：基于多尺度分割的监督分类法所得到的郁闭度误差最小，在钩梢林分中仅为0.003，在未钩梢林分中仅为0.004，显著低于其他3种方法(P＜0.05)。在基于多尺度分割的监督分类法和基于多尺度分割的阈值分类法中，是否钩梢对郁闭度误差没有显著影响；在基于像元的监督分类法和基于像元的阈值分类法中，钩梢毛竹林的郁闭度误差显著低于未钩梢毛竹林(P＜0.05)。
表 5 4种方法下钩梢和未钩梢毛竹林的郁闭度误差
Table 5. Canopy density error of the four methods with truncation and non-truncation
类型 方法 郁闭度误差 类型 方法 郁闭度误差 钩梢 TP 0.029±0.021 Ab 未钩梢 TP 0.052±0.029 Bc SP 0.023±0.015 Ab SP 0.042±0.039 Bbc TM 0.022±0.016 Ab TM 0.026±0.023 Ab SM 0.003±0.003 Aa SM 0.004±0.003 Aa 说明：同列不同小写字母表示相同林分类型在不同方法之 间差异显著(P＜0.05)；同列不同大写字母表示相同 方法在不同林分类型之间差异显著(P＜0.05) -
从表6可见：4种方法对不同郁闭度毛竹林的总体精度均没有显著影响，说明这4种方法在不同郁闭度的毛竹林中均适用。
表 6 不同方法下郁闭度对毛竹林竹冠提取精度的影响
Table 6. Effect of canopy density on the extraction accuracy under different methods
郁闭度 方法 总体精度/% 生产者精度/% 用户精度/% 0~0.7 TP 93.70±2.44 Ab 95.04±2.50 Ab 95.26±2.69 Ab SP 94.98±2.11 Ab 97.02±1.37 Ab 95.33±2.90 Ab TM 93.89±2.66 Ab 96.15±2.52 Ab 94.70±3.32 Ab SM 98.82±0.69 Aa 99.11±0.53 Aa 99.09±0.68 Aa 0.7~0.8 TP 92.21±2.65 Ab 92.43±3.83 Ac 97.03±1.68 Ab SP 93.62±4.31 Ab 96.97±1.43 Ab 95.22±4.78 Ab TM 92.71±1.40 Ab 96.11±1.43 Ab 95.19±1.90 Ab SM 98.88±0.48 Aa 99.08±0.32 Aa 99.42±0.48 Aa 0.8~1.0 TP 90.68±1.46 Ac 92.46±1.39 Ac 96.14±0.74 Ab SP 93.62±4.31 Ab 96.97±1.43 Ab 95.22±4.78 Ab TM 92.71±1.40 Ab 96.11±1.43 Ab 95.19±1.90 Ab SM 99.28±0.33 Aa 99.48±0.22 Aa 99.66±0.33 Aa 说明：同列不同小写字母表示相同郁闭度在不同方法之 间差异显著(P＜0.05)；同列不同大写字母表示相同 方法在不同郁闭度之间差异显著(P＜0.05) -
本研究4种方法提取的毛竹林竹冠区域精度均在90%以上，而汪霖等[25]通过提取单个树冠面积，得到提取树冠区域的总体精度为93.09%，高于本研究基于像元的阈值分类法和基于像元的监督分类法，但低于基于多尺度分割的阈值分类法和基于多尺度分割的监督分类法，证明在分类前执行分割能有效提高提取精度。4种方法在竹冠区域提取精度上，基于像元的提取精度小于基于多尺度的提取精度。可能是相比于乔木林，毛竹林由于其扩鞭生长的特殊性，竹冠部分难以单个呈现，具有很强的整体性，使用传统基于像元的提取方法难以达到对整体性的要求。基于多尺度分割的监督分类法表现最好的原因是在保证对象内部同质性最大的基础上进行的分类，且结合了光谱、纹理等信息进行分类，分类依据更全面；而相较于基于多尺度分割的监督分类法，基于多尺度分割的阈值分类法由于分类规则只基于光谱信息，较为单一，故精度较低。
在基于像元的阈值分类法、基于像元的监督分类法和基于多尺度分割的阈值分类法中，是否钩梢对竹冠区域提取的影响存在较大影响。其一是由于未钩梢毛竹林郁闭度过高，林隙较小且颜色与竹冠接近，导致光学影像的饱和度增高，对特征量的敏感度随之下降，造成误差[26-27]；其二是由于未钩梢毛竹林一般处于无人经营状态，存在毛竹倒伏现象和新老竹之间的光谱差异，造成误差。但是，基于多尺度分割的监督分类法则不受毛竹林是否钩梢的影响，其原因是多尺度分割得到内部同质性最大、外部同质性最小的斑块，很好保留了分类必需的有效信息，且避免了高分辨率影像中过于丰富的光谱与纹理信息所带来的干扰，减少错分与漏分的情况，基于此进行的监督分类能在保证竹冠整体性的前提下，通过训练样本分别提取钩梢与未钩梢毛竹林的特征参数，从而提取毛竹林竹冠区域。
在4种方法中郁闭度对竹冠区域的提取均不存在显著影响，说明4种方法对不同郁闭度的毛竹林竹冠提取都有较好的适用性。原因是不同郁闭度的毛竹林遥感影像的光谱与纹理特征差别不大，这4种方法都足以从影像中提取稳定的特征量对竹冠区域进行提取。
就郁闭度估测结果而言，4种方法提取的郁闭度误差都小于0.04，其中基于多尺度分割的监督分类法的误差最低，郁闭度误差仅为0.004，说明基于无人机的可见光影像可以用于毛竹林的郁闭度提取，具有很高的应用价值。苏迪等[9]基于冠层高度模型数据进行主成分确定自变量建立郁闭度模型，通过检验得到模型精度为83.18%，低于本研究的估测精度，说明基于影像提取的郁闭度优于建模所得的郁闭度。严羽[28]使用标记控制分水岭算法对树冠区域与非树冠区域进行分割，基于分割得到的树冠区域面积与实测面积对比，得到郁闭度估测误差为2.33%，高于本研究基于像元的阈值分类法、基于像元的监督分类法和基于多尺度分割的阈值分类法，但低于基于多尺度分割的监督分类法。
-
在提取毛竹林竹冠区域和郁闭度的中，本研究基于像元的阈值分类、基于像元的监督分类、基于多尺度分割的阈值分类、基于多尺度分割的监督分类等4种方法都达到了较高精度，其中基于多尺度分割的监督分类法的提取结果精度最高，竹冠区域总体精度为98.86%，郁闭度误差为0.004，显著优于其他3种方法，而且是否钩梢对于基于多尺度分割的监督分类法提取竹冠区域没有影响。在4种方法中，郁闭度对竹冠区域的提取均不存在显著影响。总体上，低廉轻便的无人机搭载可见光相机节省了大量的调查时间与精力，提高了调查效率与精度，可以用于大面积毛竹林竹冠区域和郁闭度的提取。
Estimation method of Phyllostachys edulis forest canopy density based on UAV visible image
-
摘要:
目的 由于毛竹Phyllostachys edulis的生长特点和经营特点，使得毛竹林郁闭度在毛竹林经营中尤为重要，只有保持适宜毛竹生长的郁闭度，才能提高毛竹生产力。研究无人机可见光影像的毛竹林郁闭度估测方法，可实现实时快速获取毛竹林的郁闭度。 方法 以普通旋翼无人机可见光毛竹林影像为研究对象，基于像元的阈值分类、像元的监督分类、多尺度分割的阈值分类、多尺度分割的监督分类等4种方法，选取不同钩梢和郁闭度的样地36个，利用现有软件和MATLAB编程，对各样地的毛竹林竹冠区域进行快速提取，进而估算林分郁闭度，对比目视解译的郁闭度真值计算各方法的估算精度，利用单因素方差分析比较4种方法在不同钩梢和不同郁闭度下估算郁闭度的表现。 结果 基于像元的阈值分类、基于像元的监督分类、基于多尺度分割的阈值分类、基于多尺度分割的监督分类等4种方法的郁闭度估算总体精度依次为91.81%、92.96%、93.47%、98.86%，郁闭度估测值绝对误差依次为0.038、0.030、0.024、0.004。钩梢和郁闭度等对提取结果没有显著影响。 结论 基于多尺度分割的监督分类方法总体精度最高，估算绝对误差最小，能够满足快速、准确提取并估测毛竹林林分郁闭度的要求，且适用于不同经营类型的毛竹林。图2表6参28 Abstract:Objective Due to the growth and management characteristics of Phyllostachys edulis forest, the canopy density of Ph. edulis forest is a very important factor in the management. This study aims to explore the estimation method of canopy density of Ph. edulis forest based on unmanned aerial vehicle (UAV) visible image, which can achieve real-time and rapid acquisition of Ph. edulis forest canopy density. Method The visible light image of Ph. edulis forest of common rotor UAV was taken as the research object. 4 mature digital image processing methods were adopted, namely, threshold classification based on pixel, supervised classification based on pixel, threshold classification based on multi-scale segmentation, and supervised classification based on multi-scale segmentation. 36 sample plots with different truncation conditions and canopy density were selected. Using the existing software and MATLAB programming, the Ph. edulis canopy area in each sample plot was rapidly extracted, and then the canopy density was estimated. The estimation accuracy of the canopy density of each method was compared with the true value calculated by visual interpretation, and the performance of the 4 methods under different truncation and different canopy density conditions was compared and analyzed. Result The overall accuracy of threshold classification based on pixel, supervised classification based on pixel, threshold classification based on multi-scale segmentation, and supervised classification based on multi-scale segmentation was 91.81%, 92.96%, 93.47% and 98.86%, respectively. The absolute error of the estimated value of canopy density of the 4 methods was 0.038, 0.030, 0.024 and 0.004, respectively. Truncation condition and canopy density had no significant effect on the extraction results. Conclusion The supervised classification method based on multi-scale segmentation has the highest overall accuracy and the smallest absolute error. It can quickly and accurately extract and estimate the canopy density of Ph. edulis forest, and is suitable for different management types of Ph. edulis forest. [Ch, 2 fig. 6 tab. 28 ref.] -
换锦花Lycoris sprengeri为石蒜属Lycoris球根花卉，春初出叶，叶片为带状，宽约1.0 cm，长约30.0 cm，叶顶钝圆；秋初开花，花茎高约60.0 cm，伞形花序4~6朵，6片倒披针形花瓣，长约4.5 cm，宽约1.0 cm；花多淡紫红色，花被顶端蓝色，花色花型丰富，是石蒜属特殊的复色花卉[1]。
目前，换锦花的花色性状改良主要以传统的种间杂交和选择育种为主，分子标记育种为辅的育种模式。徐炳声等[2]利用杂交授粉技术，以换锦花为母本，中国石蒜L. chinensis为父本，选育出粉白色的秀丽石蒜L.× elegans；张定成等[3]在安徽和淮南发现三倍体和二倍体野生换锦花资源，表明换锦花可能是由其他石蒜属植物杂交而来。然而换锦花生长周期长，在自然状态下授粉率低且结实少，种子萌发率低，制约了换锦花传统育种研究。为了克服传统杂交育种的缺陷，不少研究者利用现代分子生物学技术探索换锦花花色分子育种性状改良的有效手段[4−6]。花色苷生物合成途径是类黄酮生物合成的一个分支途径，主要由结构基因和调控基因共同调控，花色苷积累受光照、温度和水分等多种因素的影响，植物受到强光、低温、氮亏缺等逆境协迫时会大量合成花色苷以增强自身抗性[7]，花色苷的生物合成也受到植物体自身生长发育过程的影响[8]。大量研究表明：R2R3-MYB 是花色苷生物合成的重要调控因子，常与bHLH和WD40形成MBW复合体结合到结构基因启动子序列上共同调控葡萄Vitis vinifera、风信子Hyacinthus orientalis、苹果Malus pumila花色素苷的生物合成[9]。许振渊等[10]和侯朔等[11]克隆了换锦花R2R3-MYB转录因子LsMYB4和LsMYB5基因，周洋丽等[12]通过病毒介导的基因沉默(VIGS)技术研究发现LsMYB4和LsMYB5是换锦花花青素合成的抑制性转录因子。周洋丽[13]和薛惠敏等[14]成功克隆了换锦花LsANS、LsF3'H、LsUFGT1和LsUFGT2基因启动子序列，为研究换锦花花色形成的调控机制和遗传改良提供基础。为进一步探讨换锦花花色形成的调控网络，本研究根据换锦花花瓣(红色部分和蓝色部分)转录组信息筛选到与换锦花花色形成相关的差异R2R3-MYB转录因子LsMYB7并进行生物信息学分析，通过病毒介导的基因沉默(VIGS)技术研究该基因调控花色苷积累的相关功能，结果可为通过基因工程手段改良换锦花的花色奠定理论基础。
1. 材料与方法
1.1 材料
2019年8—9月于浙江农林大学石蒜属植物种质资源圃采集换锦花花瓣，取换锦花小花苞(2.0~3.5 cm)、大花苞(4.5~6.0 cm)、盛花期和败花期4个不同花发育时期(图1A)和不同花色无性系H1、H2、H3、H4和H5盛花期花瓣(图1B)，液氮速冻后于−80 ℃冰箱保存备用。
图 1 换锦花不同花发育时期(A)和不同花色无性系盛花期(B)Figure 1 Different stages of flower development (A) and peak flowering stage in different clonal plants (B)1.2 方法
1.2.1 换锦花花瓣总RNA提取和cDNA第1链的合成
采用RNAiso plus法提取换锦花花瓣总RNA[15]，参照PrimeScript 1st Strand cDNA Synthesis Kit试剂盒(Takara)方法合成cDNA 第1链。
1.2.2 换锦花LsMYB7基因cDNA序列的PCR扩增
根据转录组测序信息设计LsMYB7基因 cDNA序列特异引物LsMYB7-F：CAAGCAGTGGTCTCAACA和LsMYB7-R：AGAACAGCACTACTAAAGGT，参照Premix PrimeSTAR HS的PCR扩增体系扩增目的基因cDNA序列，PCR扩增反应程序为94 ℃变性30 s；58 ℃ 退火30 s；72 ℃延伸90 s，32个循环，72 ℃延伸10 min，质量浓度为1.0%琼脂糖凝胶电泳检测PCR扩增产物，于凝胶成像系统(Bio-RAD)观察拍照；采用Hingene琼脂糖凝胶回收试剂盒(杭州麦克德勒科技有限公司)回收目的DNA，于−20 ℃保存备用。
1.2.3 目的基因连接和转化
参照pEASY-Blunt Zero Cloning Kit说明书将目的基因LsMYB7序列连接到pEASY-Blunt载体，转化大肠埃希菌Escherichia coli DH5α感受态细胞；在含有氨苄青霉素(Amp)、异丙基-β-D-硫代半乳糖苷(IPTG)和5-溴-4-氯-3-吲哚 β-D-半乳糖苷(X-Gal)的LB培养基(Luria-Bertani medium)上培养过夜，挑取阳性克隆于LB液体(含50 mg·L−1 Amp)培养基中，37 ℃振荡培养，PCR检测呈阳性的菌液送浙江有康生物科技有限公司测序；采用质粒DNA提取试剂盒(杭州创试生物科技有限公司)提取目的序列重组质粒DNA，于−20 ℃保存。
1.2.4 LsMYB7及花色形成相关基因的表达
采用Primer 5.0设计LsMYB7基因和花色形成相关基因(LsCHS、LsF3H、LsANS、LsUFGT1和LsUFGT2)的RT-qPCR引物(表1)，使用PrimeScriptTM RT reagent Kit with gDNA Eraser试剂盒(Takara)方法合成cDNA 第1链。参照SYBR® Premix Ex TaqTMⅡ(Takara)方法，于CFX96TM荧光定量 PCR 仪(BIO-RAD)进行RT-qPCR验证。RT-qPCR体系(20.0 uL)：cDNA(＜100 ng) 1.6 uL，正反引物各0.8 uL，TB Green Premix Ex Taq Ⅱ 10.0 uL，RNase Free ddH2O 6.8 uL。RT-qPCR程序为95 ℃ 30 s，95 ℃ 3 s，60 ℃ 30 s，循环40次。以LsGADPH为内参基因[15]，2−ΔΔCt方法计算实时荧光各基因的相对表达量，重复3次。
表 1 RT-qPCR所用引物Table 1 Primers for fluorescence RT-qPCR引物 正向(5′→3′) 反向(5′→3′) LsGADPH AGGGTTTGATGACCACCGTGCA ACAGCCTTGGCAGCTCCAGTAC LsMYB7 GCGCGGAGTTCTTGGCTCTGAT TCTGGCACCGTTCTCATCACGC LsCHS CAAGACATGGTGGTGGTCGAGGTC CGAGGAGTTTGGTGAGCTGGTAGTC LsF3H AACCGAGGACGCAACGGAATGC ACCATCTTCATCGCAGCCACCA LsANS CGTGCCAGGTCTCCAGGTCTTCTA TCGAGAGTGTCACCGACGTGAACTA LsUFGT1 GGTGGTGAAGGATGAGGAAGGTAGG GTTGAACCGCTCGAACCGCAATC LsUFGT2
LsF3'HGCGTAGCCTTCTCCTTCCTCACCT
TTGTACAGCCATGCACAGAATCCGCCATGAATCGCTTCACCTCCTC
GCAACCAAGGCAAGAAATCA说明：引物参考文献[16]。 1.2.5 换锦花花瓣花色苷的HPLC测定
参照刘跃平等[17]方法提取并用高效液相色谱(HPLC)测定换锦花花瓣花色苷质量浓度。精密称量换锦花花瓣干粉0.040 0 g，加入2 mL体积分数为1%甲醇/HCl提取溶液，振荡混匀；20 ℃超声提取30 min；12 000 r·min−1，离心15 min，取上清液；0.45 μm滤膜过滤；梯度洗脱：流动相为甲醇(A)-体积分数为1%的甲酸水(B)，0~20 min(A体积分数从5%升至60%)，20~25 min(A体积分数从60%升至100%)，25~30 min(A体积分数保持100%)，流速1 mL·min−1，检测波长280 nm，柱温30 ℃，进样量10 uL；以矢车菊素-3-O-葡萄糖苷、天竺葵素-3-O-葡萄糖苷、飞燕草素-3-O-葡萄糖苷等3个花色苷为标准品。每样3个生物学重复。
1.2.6 亚细胞定位
采用XbaⅠ和BamHⅠ分步酶切法酶切亚细胞定位载体pAN580，再采用ClonExpress Ⅱ One Step Cloning Kit (杭州霆喜生物科技有限公司)将LsMYB7基因序列连接到pAN580上，并转化大肠埃希菌DH5α感受态细胞，在含有50 g·L−1Amp的LB培养基上进行筛选，挑选阳性克隆进行菌液PCR检测，成功构建pAN580-LsMYB7亚细胞定位载体，采用无内毒素质粒提取试剂盒(AxyPrep)提取pAN580-LsMYB7重组载体质粒DNA；聚乙二醇法(PEG 4000)转化烟草Nicotiana tabacum原生质体，用激光共聚焦荧光显微镜观察拍照。
1.2.7 VIGS沉默载体构建
采用双酶切法构建VIGS沉默载体pTRV2-LsMYB7：利用Primer 5.0设计长为400 bp的LsMYB7基因cDNA序列插入片段引物pTRV-LsMYB7-F: TACCGAATTCTCTAGAGAGGACAACATGCTACAATCCC和pTRV-LsMYB7-R：GCTCGGTACCGGATCCGCTCGAATCGCTAACATCCG；用限制性内切酶XbaI和BamHI分别双酶切VIGS载体(pTRV2)与LsMYB7基因的插入序列，T4 DNA连接酶连接载体与目的序列，转化大肠埃希菌DH5α，并在含有50 g·L−1 卡那霉素(Kan)的LB固体培养基筛选，提取pTRV2-LsMYB7重组质粒DNA。
1.2.8 换锦花花瓣瞬时转化
采用微量注射法转化换锦花花苞[12]，将重组质粒pTRV2-LsMYB7、pTRV2和pTRV1质粒DNA转化根癌农杆菌Agrobacterium tumefaciens GV3101，于YEP液体培养基(50 mg·L−1 Rif和50 mg·L−1 Kan)中，28 ℃，220 r·min−1振荡培养12~14 h；4 000 r·min−1, 离心10 min，去上清液；加入侵染液(10 mmol·L−1 MES + 200 μmol·L−1 AS + 10 mol·L−1 MgCl2，pH 5.6±0.03)重悬后的菌液D(600)=0.8~1.0；将pTRV1与pTRV2空载体、pTRV2-LsMYB7农杆菌液按照体积比1∶1混合均匀，室温黑暗静置4~6 h；使用1 mL注射器，吸取1 mL混合农杆菌菌液。选取3~4 d的换锦花花苞，在花苞基部缓慢注射混合根癌农杆菌菌液，充分侵染换锦花花苞，侵染5 d后采集花瓣用于LsMYB7和花色形成相关结构基因的表达分析(见1.2.4和表1)。
1.2.9 数据统计分析与作图
采用Excel 2020 统计和整理数据，采用SPSS 20.0 对数据进行差异显著性分析，采用Graphpad 8.0作图。
2. 结果与分析
2.1 LsMYB7 基因的克隆和序列分析
以换锦花花瓣的cDNA为模板，采用RT-qPCR技术扩增获得长度为951 bp 的LsMYB7 cDNA序列(图2)。该cDNA序列含有1个825 bp的开放阅读框(ORF)，编码274个氨基酸，分子量为6.84 kD，蛋白分子式为C2402H3981N825O982S258，理论等电点(pI)为5.04，不稳定系数为43.43，总体亲水性(GRAVY)为0.936。
2.2 LsMYB7氨基酸序列同源性分析
通过与美国国家生物技术信息中心(NCBI)搜索的其他植物MYB氨基酸同源序列进行比对，发现换锦花LsMYB7蛋白含有2个R2R3-MYB典型的SANT结构域R2和R3[18](图3)，属于R2R3-MYB类转录因子。与茶Camellia sinensis KAF5956278.1、狭叶油茶Camellia lanceoleosa KAI8015846.1、粗柄象腿蕉Ensete ventricosum RRT35038.1/RWV93016.1、椰子Cocos nucifera XP_KAG1363931.1、番红花Crocus sativus QBF29477.1、香根鸢尾Iris pallida KAJ6804060.1/KAJ6829988.1、河岸葡萄Vitis riparia XP_034676575.1和拟南芥Arabidopsis thaliana等其他植物的同源性为44.52%~60.57%，其中，与茶KAF5956278.1的同源性最高达60.57%，其次是香根鸢尾 KAJ6804060.1/KAJ6829988.1(59.32%)，与拟南芥AtMYB44(Q9FDW1.1)、AtMYB70(AEC07437.1)、AtMYB73(O23160.1)和AtMYB77(Q98N12.1)的同源性为44.52%~47.44%，且同源部分均集中在N端的R2R3 DNA结合结构域，而C端的同源性较低。
图 3 LsMYB7与其他植物的R2R3-MYB氨基酸同源序列比对Figure 3 Comparison of R2R3-MYB amino acid homologous sequences between LsMYB7 and other plants, R2R3-MYB2.3 LsMYB7系统进化与功能预测
从NCBI数据库下载拟南芥(AtMYB 16条)、换锦花(LsMYB 2条)和石蒜L. radiata (LrMYB 2条) R2R3-MYB氨基酸序列进行比对并构建系统进化树(图4)。参考拟南芥MYB基因家族的分类方法[19]，LsMYB7与拟南芥R2R3-MYB S22亚家族的AtMYB44、AtMYB70、AtMYB73和AtMYB77 聚为一类，由于拟南芥S22亚家族参与调控拟南芥的生长和发育过程，响应高盐、干旱低温等非生物胁迫反应，同一亚族基因的功能相似，结合花色基因表达分析，推测LsMYB7可能通过响应干旱和高温等调控换锦花花瓣花色苷的形成。
图 4 LsMYB7与拟南芥R2R3-MYB蛋白系统进化树Figure 4 Phylogenetic tree between LsMYB7 and R2R3-MYB from A. thaliana2.4 换锦花花瓣花色苷质量浓度
利用HPLC分别测定换锦花4个花发育时期和5个不同花色无性系(H1、H2、H3、H4和H5)盛花期花瓣的花色苷质量浓度(图5A和5B)，结果表明：换锦花花瓣花色苷的主要成分为矢车菊素，含有少量的天竺葵素和飞燕草素，说明花色苷的种类和质量浓度决定换锦花花色的多样性。随着换锦花花器官的生长发育，花瓣花色苷总质量浓度和矢车菊素质量浓度呈逐渐下降的趋势，小花苞时期矢车菊素质量浓度大约是败花期的3倍，说明换锦花花瓣花色苷的积累可能主要在花瓣发育的早期完成(图1A和5A)；在浅色换锦花无性系H4和H5中，矢车菊素质量浓度明显低于深色换锦花无性系H1、H2和H3(图1B和5B)。因此，从换锦花不同花发育时期和不同花色无性系花瓣颜色和花色苷质量浓度来看，矢车菊素对换锦花花瓣的颜色影响最大，矢车菊素质量浓度越高，换锦花花瓣的颜色就越深。
图 5 换锦花不同花发育时期(A)和不同花色无性系(B)花瓣的花色苷质量浓度Figure 5 Anthocyanin contents in petals of different stages of flower development (A) and different clones (B) of L. sprengeri2.5 换锦花LsMYB7和花色形成相关基因的表达
2.5.1 在换锦花不同发育时期的表达
利用RT-qPCR对LsMYB7和换锦花花色形成相关基因(LsC4H、LsCHS、LsF3H、LsF3'H、LsANS和LsUFGT1、LsUFGT2)在换锦花不同发育时期花瓣中的表达进行分析，结果(图6)表明：LsMYB7与LsCHS和LsF3'H基因的表达随着换锦花花苞发育呈逐渐上升趋势，LsC4H、LsCHS、LsUFGT1、LsUFGT2、LsF3'H和LsMYB7在败花期大量表达，LsF3H则在花苞发育前期几乎无表达，盛花期开始大量表达，而在败花期表达量开始下降；LsANS、LsUFGTs等花色苷合成的后期基因在盛花期的表达最低。其中LsCHS和LsF3'H基因的表达与花色苷总质量浓度和矢车菊素质量浓度正好相反(图5A)。
图 6 换锦花LsMYB7和花色形成结构基因在不同花发育时期的表达Figure 6 Expression of LsMYB7 and structure genes related to anthocyanin biosythesis in different flower development stages2.5.2 在换锦花不同花色无性系花瓣中的表达
LsMYB7和换锦花花色形成关键基因LsC4H、LsCHS、LsF3H、LsF3'H、LsANS、LsUFGT1和LsUFGT2在换锦花不同花色无性系中的表达差异显著(图7)。2个花色苷合成的前期基因LsC4H和LsCHS及后期基因LsANS在淡色的无性系换锦花花瓣中表达量高。LsF3H在蓝色为主的H3无性系中表达量达到最高。LsMYB7在H1和H4中表达量比较高。LsMYB7基因的表达与LsCHS和LsF3'H基因的表达正好相反，而与不同花色无性系花色苷总质量浓度和矢车菊素质量浓度基本一致，这一结果与不同花发育时期的基因表达结果一致。因此，LsMYB7可能对LsCHS和LsF3'H基因的表达有一定的调控作用。
图 7 换锦花LsMYB7和花色形成结构基因在不同无性系中的表达Figure 7 Expression of LsMYB7 and structure genes related to anthocyanin biosythesis in different flower clones2.6 换锦花LsMYB7基因的亚细胞定位
通过双酶切法构建亚细胞定位载体pAN580-LsMYB7，转化烟草原生质体，于激光共聚焦荧光显微镜观察，LsMYB7荧光信号定位在细胞核中(图8)，说明LsMYB7基因为转录因子基因，在细胞核中起转录调控的作用。
2.7 LsMYB7基因沉默后对换锦花花瓣花色苷形成相关基因表达的影响
构建LsMYB7的VIGS基因沉默载体pTRV2-LsMYB7，通过微量注射法转化换锦花花苞，LsMYB7 基因沉默后，换锦花同朵花中一半花瓣明显变短，且颜色变深(图9A)；对LsMYB7和花色苷形成相关基因在换锦花花瓣中的表达进行分析(图9B和C)，与ck (空载)相比，LsMYB7基因换锦花花瓣中的表达量明显下降，同时，花色苷形成相关基因LsCHS、LsF3'H、LsANS、LsUFGT1和LsUFGT2的表达量极显著下降(P＜0.01)，而LsF3H基因的表达量反而上升，LsC4H基因表达变化不大，说明LsMYB7转录因子可能参与调控花瓣的生长发育，且对LsCHS、LsF3'H、LsANS、LsUFGT1和LsUFGT2的表达起正调控作用，而对LsF3H基因的表达起负调控作用。
图 9 LsMYB7基因沉默后表型变化及花色苷形成相关基因的表达Figure 9 Phenotype and relative expression levels of LsMYB7 and genes related to anthocyanin biosynthesis after LsMYB7 silencedA.表型变化；B. LsMYB7基因的表达；C. 花色苷形成相关基因的表达**表示差异极显著(P＜0.01)3. 讨论
植物R2R3-MYB转录因子广泛参与调控次生代谢、细胞形态发生、激素刺激、环境胁迫应答、分生组织形成和细胞周期等过程[20]。根据C-末端的不同，拟南芥R2R3-MYB基因家族可分成22个不同的亚族，其中，拟南芥S4、S5、S6和S7亚族基因参与花青素和类黄酮类化合物生物合成途径的结构基因的转录调控[18, 21−22]，换锦花LsMYB4、LsMYB5和拟南芥S4亚族基因聚为一类。通过花青素形成相关基因表达和VIGS基因沉默技术研究表明，LsMYB4和LsMYB5对花青素生物合成基因的表达有负调控的作用[10−12]。
S22亚族基因AtMYB44、AtMYB77、AtMYB73和AtMYB70主要参与拟南芥响应高盐、干旱、低温等非生物胁迫反应，其中，AtMYB73基因启动子中含有ABA响应元件ABRE及干旱胁迫和热胁迫顺式作用元件。AtMYB73突变体atmyb73在干旱胁迫处理下，ABA 下游基因ABI2、ABI5 的表达水平均较野生型明显增强。外源 ABA 处理野生型和突变体种子、幼苗，获得了与干旱胁迫处理类似的结果[23−24]。本研究结果表明：LsMYB7蛋白含有2个R2R3-MYB典型的SANT结构域R2和R3，属R2R3-MYB类转录因子，且R2和R3的保守结构域与其他植物高度同源，系统进化树分析结果显示LsMYB7和S22亚族基因AtMYB44、AtMYB77、AtMYB73和AtMYB70聚为一类，推测LsMYB7可能与S22亚族基因有相似的功能。
本研究中，LsMYB7基因的表达与换锦花花色苷形成相关基因LsCHS、Ls4CL2和LsUFGT2的表达趋势一致，推测LsMYB7可能参与换锦花花瓣花色苷的生物合成。而LsMYB7属于拟南芥S22亚族，未见该亚族基因AtMYB44、AtMYB77、AtMYB73和AtMYB70参与花色苷的生物合成的转录调控。已有报道认为AtMYB73/44能够参与调控拟南芥对干旱胁迫的响应[25−26]，而干旱胁迫可诱导植物细胞合成和积累花色苷。花色苷的光化学性质、亚细胞积累位点及在植物器官、组织中的空间分布决定了花色苷能强化植物的耐旱性，其中，花色苷提高植物细胞在干旱胁迫下的抗氧化能力可能是花色苷强化植物耐旱性的主要原因[27]。有研究表明：干旱胁迫可激活紫麦Triticum aestioum ‘Guizi 1’、甘薯Ipomoes batats等植物花色苷合成相关基因表达，通过提高花青素含量抵御干旱胁迫[28−29]。本研究中LsMYB7 基因沉默后，花色苷形成相关基因LsCHS、LsF3'H、LsANS、LsUFGT1和LsUFGT2的表达明显下降，说明LsMYB7可能直接或间接调控花色苷的积累，而LsMYB7与S22亚族基因聚为一类，由于换锦花开花季为夏末秋初的8—9月，此时多为高温和干旱季节，因此推测LsMYB7可能通过对干旱胁迫响应来调控花色苷形成相关基因的表达，大量积累花色苷。这一研究结果与云南文山辣椒Capsicum annuum、番茄Lycopersicon esculentum的研究[30−31]相似，因此，植物可以通过干旱胁迫激活与花色苷合成相关基因的表达水平促进花色苷积累，进而提高抗旱能力。
4. 结论
本研究通过RT-qPCR获得长为951 bp 的LsMYB7 cDNA序列，开放阅读框(ORF) 825 bp，编码274个氨基酸，LsMYB7为R2R3-MYB转录因子家族，定位于细胞核，与其他植物R2R3-MYB有较高的同源性。系统进化分析表明LsMYB7和参与调控干旱等非生物胁迫响应的S22亚族基因聚为一类；LsMYB7基因主要在败花期和花色苷含量较高的H1无性系中表达，与花色苷合成相关基因的表达趋势一致；LsMYB7基因沉默后，换锦花部分花瓣明显变短，颜色变深，LsCHS、LsF3'H、LsANS、LsUFGT1和LsUFGT2等花色苷形成相关基因的表达显著下调，因此，LsMYB7参与调控换锦花花瓣的生长发育，且通过对LsCHS、LsF3'H、LsANS、LsUFGT1和LsUFGT2花色苷形成相关基因的表达调控花色苷的积累。此外，LsMYB7可能通过响应干旱胁迫激活花青素合成相关基因表达促进花色苷积累，进而提高换锦花的抗旱能力，LsMYB7调控花色苷积累抵御干旱的机制需要进一步研究。
-
图 2 不同方法提取竹冠效果对比示意图
Figure 2 Comparison of the bamboo crown extraction results with different methods
表 1 毛竹林样地基本情况
Table 1. Basic information of plot sites
类型 郁闭度 样地/
个平均胸
径/cm平均树
高/m坡度/
(°)坡向 钩梢 0~0.7 13 8.91 9.9 11.6 北坡 钩梢 0.7~0.8 8 9.03 9.4 16.1 西北坡 钩梢 0.8~1.0 3 8.65 9.2 13.3 北坡 未钩梢 12 8.58 9.6 17.1 东南坡 
下载: 导出CSV
表 2 不同毛竹林的最优参数组合
Table 2. Optimal parameter combination of different Moso bamboo stands
类型 郁闭度 分割尺度 形状因子 紧致度因子 0~0.7 29 0.3 0.5 钩梢 0.7~0.8 31 0.3 0.5 0.8~1.0 29 0.3 0.5 未钩梢 41 0.3 0.5
下载: 导出CSV
表 3 不同方法的毛竹林竹冠提取精度及郁闭度误差对比
Table 3. Bamboo crown extraction accuracy and canopy density error of different methods
方法 总体精度/% 生产者精度/% 用户精度/% 郁闭度误差 TP 91.81±3.08 c 93.34±3.37 c 96.24±2.03 b 0.038±0.026 c SP 92.96±3.66 bc 95.47±3.29 b 95.64±2.64 b 0.030±0.026 ab TM 93.47±2.53 b 96.10±2.24 b 95.57±2.57 b 0.024±0.018 b SM 98.86±0.53 a 99.15±0.40 a 99.36±0.53 a 0.004±0.003 a 说明：同列不同小写字母表示差异显著(P＜0.05)
下载: 导出CSV
表 4 4种方法下钩梢和未钩梢毛竹林竹冠区域的提取精度
Table 4. Extraction accuracy of the four methods with truncation and non-truncation
类型 方法 总体精度/% 生产者精度/% 用户精度/% 钩梢 TP 92.82±2.57 Ab 93.85±3.11 Ac 95.96±2.32 Ab SP 93.95±2.74 Ab 96.67±1.39 Ab 95.00±2.98 Ab TM 94.05±2.25 Ab 96.15±2.04 Ab 95.49±2.90 Ab SM 98.9±0.59 Aa 99.14±0.45 Aa 99.27±0.61 Aa 未钩梢 TP 89.80±3.12 Bb 92.33±3.77 Ac 96.81±1.15 Ab SP 90.97±4.52 Bb 93.07±4.57 Bc 96.92±0.98 Bb TM 92.30±2.77 Bb 96.01±2.70 Ab 95.73±1.81 Ac SM 98.78±0.37 Aa 99.16±0.29 Aa 99.55±0.22 Aa 说明：同列不同小写字母表示相同林分类型在不同方法之 间差异显著(P＜0.05)；同列不同大写字母表示相同 方法在不同林分类型之间差异显著(P＜0.05)
下载: 导出CSV
表 5 4种方法下钩梢和未钩梢毛竹林的郁闭度误差
Table 5. Canopy density error of the four methods with truncation and non-truncation
类型 方法 郁闭度误差 类型 方法 郁闭度误差 钩梢 TP 0.029±0.021 Ab 未钩梢 TP 0.052±0.029 Bc SP 0.023±0.015 Ab SP 0.042±0.039 Bbc TM 0.022±0.016 Ab TM 0.026±0.023 Ab SM 0.003±0.003 Aa SM 0.004±0.003 Aa 说明：同列不同小写字母表示相同林分类型在不同方法之 间差异显著(P＜0.05)；同列不同大写字母表示相同 方法在不同林分类型之间差异显著(P＜0.05)
下载: 导出CSV
表 6 不同方法下郁闭度对毛竹林竹冠提取精度的影响
Table 6. Effect of canopy density on the extraction accuracy under different methods
郁闭度 方法 总体精度/% 生产者精度/% 用户精度/% 0~0.7 TP 93.70±2.44 Ab 95.04±2.50 Ab 95.26±2.69 Ab SP 94.98±2.11 Ab 97.02±1.37 Ab 95.33±2.90 Ab TM 93.89±2.66 Ab 96.15±2.52 Ab 94.70±3.32 Ab SM 98.82±0.69 Aa 99.11±0.53 Aa 99.09±0.68 Aa 0.7~0.8 TP 92.21±2.65 Ab 92.43±3.83 Ac 97.03±1.68 Ab SP 93.62±4.31 Ab 96.97±1.43 Ab 95.22±4.78 Ab TM 92.71±1.40 Ab 96.11±1.43 Ab 95.19±1.90 Ab SM 98.88±0.48 Aa 99.08±0.32 Aa 99.42±0.48 Aa 0.8~1.0 TP 90.68±1.46 Ac 92.46±1.39 Ac 96.14±0.74 Ab SP 93.62±4.31 Ab 96.97±1.43 Ab 95.22±4.78 Ab TM 92.71±1.40 Ab 96.11±1.43 Ab 95.19±1.90 Ab SM 99.28±0.33 Aa 99.48±0.22 Aa 99.66±0.33 Aa 说明：同列不同小写字母表示相同郁闭度在不同方法之 间差异显著(P＜0.05)；同列不同大写字母表示相同 方法在不同郁闭度之间差异显著(P＜0.05)
下载: 导出CSV
-
[1] HERBERT T J. Area projections of fisheye photographic lenses [J]. Agric For Meteorol, 1987, 39(2/3): 215 − 223. [2] 濮毅涵, 徐丹丹, 王浩斌. 基于数码相片的林冠郁闭度提取方法研究[J]. 林业资源管理, 2020(6): 153 − 160. PU Yihan, XU Dandan, WANG Haobin. An approach on estimating canopy closure via digital images [J]. For Resour Manage, 2020(6): 153 − 160. [3] 高云飞, 李智广, 杨胜天, 等. 基于SPOT 5影像的郁闭度反演方法[J]. 水土保持研究, 2012, 19(2): 267 − 270. GAO Yunfei, LI Zhiguang, YANG Shengtian, et al. Study on canopy density retrieval method from SPOT 5 [J]. Res Soil Water Conserv, 2012, 19(2): 267 − 270. [4] 李擎, 王振锡, 王雅佩, 等. 基于GF-2号遥感影像的天山云杉林郁闭度估测研究[J]. 中南林业科技大学学报, 2019, 39(8): 48 − 54. LI Qing, WANG Zhenxi, WANG Yapei, et al. Study on canopy density inversion of Picea schrenkiana forest based on GF-2 remote sensing image [J]. J Cent South Univ For Technol, 2019, 39(8): 48 − 54. [5] 李蕴雅. UAV/RS 3D像对森林信息提取方法研究[D]. 北京: 北京林业大学, 2016. LI Yunya. Study on the Method of Extracting Forest Information from 3D UAV/RS[D]. Beijing: Beijing Forestry University, 2016. [6] JONATHAN L, MARC P D, STÉPHANIE B, et al. A photogrammetric workflow for the creation of a forest canopy height model from small unmanned aerial system imagery [J]. Forests, 2013, 4(4): 922 − 944. [7] DANDOIS J P, ELLIS E C. High spatial resolution three-dimensional mapping of vegetation spectral dynamics using computer vision [J]. Remote Sensing Environ, 2013, 136(5): 259 − 276. [8] 李丹, 张俊杰, 赵梦溪. 基于FCM和分水岭算法的无人机影像中林分因子提取[J]. 林业科学, 2019, 55(5): 180 − 187. LI Dan, ZHANG Junjie, ZHAO Mengxi. Extraction of stand factors in UAV image based on FCM and watershed algorithm [J]. Sci Silv Sin, 2019, 55(5): 180 − 187. [9] 苏迪, 高心丹. 基于无人机航测数据的森林郁闭度和蓄积量估测[J]. 林业工程学报, 2020, 5(1): 156 − 163. SU Di, GAO Xindan. Estimation of forest canopy density and stock volume based on UAV aerial survey Data [J]. J For Eng, 2020, 5(1): 156 − 163. [10] 汪霖. 基于无人机高分影像的森林参数估测方法[D]. 南京: 南京林业大学, 2020. WANG Lin. Estimation Method of Forest Parameters based on UAV High Resolution Image[D]. Nanjing: Nanjing Forestry University, 2020. [11] 申景昕, 范少辉, 刘广路, 等. 毛竹林采伐林窗近地层温度时空分布特征[J]. 生态学杂志, 2020, 39(11): 3549 − 3557. SHEN Jingxin, FAN Shaohui, LIU Guanglu, et al. Spatiotemporal distribution characteristics of temperature on the surface layer of cutting gap of Phyllostachys edulis forest [J]. Chin J Ecol, 2020, 39(11): 3549 − 3557. [12] 宋庆妮, 杨清培, 刘骏, 等. 毛竹扩张对常绿阔叶林土壤氮素矿化及有效性的影响[J]. 应用生态学报, 2013, 24(2): 338 − 344. SONG Qingni, YANG Qingpei, LIU Jun, et al. Effects of Phyllostachys edulis expansion on soil nitrogen mineralization and its availability in evergreen broadleaf forest [J]. Chin J Appl Ecol, 2013, 24(2): 338 − 344. [13] 杨清培, 杨光耀, 宋庆妮, 等. 竹子扩张生态学研究: 过程、后效与机制[J]. 植物生态学报, 2015, 39(1): 110 − 124. YANG Qingpei, YANG Guangyao, SONG Qingni, et al. Ecological studies on bamboo expansion: process, consequence and mechanism [J]. Chin J Plant Ecol, 2015, 39(1): 110 − 124. [14] 孙晓艳, 杜华强, 韩凝, 等. 面向对象多尺度分割的SPOT 5影像毛竹林专题信息提取[J]. 林业科学, 2013, 49(10): 80 − 87. SUN Xiaoyan, DU Huaqiang, HAN Ning, et al. Multi-Scale segmentation, object-based extraction of Moso bamboo forest from SPOT 5 imagery [J]. Sci Silv Sin, 2013, 49(10): 80 − 87. [15] 赵敏, 赵银娣. 面向对象的多特征分级CVA遥感影像变化检测[J]. 遥感学报, 2018, 22(1): 119 − 131. ZHAO Min, ZHAO Yindi. Object-oriented and muti-feature hierarchical change detection based on CVA for high-resolution remote sensing imagery [J]. J Remote Sensing, 2018, 22(1): 119 − 131. [16] 黄慧萍, 吴炳方. 地物提取的多尺度特征遥感应用分析[J]. 遥感技术与应用, 2003(5): 276 − 281. HUANG Huiping, WU Bingfang. Analysis of the mutli-scale characteristiscs with objects extraction [J]. Remote Sensing Technol Appl, 2003(5): 276 − 281. [17] ADDINK E A, JONG S, PEBESMA E J. The importance of scale in object-based mapping of vegetation parameters with hyperspectral imagery [J]. Photogramm Eng Remote Sensing, 2007, 73(8): 905 − 912. [18] DRĂGUŢ L, CSILLIK O, EISANK C, et al. Automated parameterisation for multi-scale image segmentation on multiple layers [J]. ISPRS J Photogramm Remote Sensing, 2014, 88: 119 − 127. [19] 刘金丽, 陈钊, 高金萍, 等. 高分影像树种分类的最优分割尺度确定方法[J]. 林业科学, 2019, 55(11): 95 − 104. LIU Jinli, CHEN Zhao, GAO Jinping, et al. Research on the method of determining the optimal segmentation scale for tree species classification of high-resolution image [J]. Sci Silv Sin, 2019, 55(11): 95 − 104. [20] PUREVDORJ T, TATEISHI R, ISHIYAMA T, et al. Relationships between percent vegetation cover and vegetation indices [J]. Int J Remote Sensing, 1998, 19(18): 3519 − 3535. [21] 祁媛, 徐伟诚, 王林琳, 等. 基于无人机遥感影像的沙糖橘果树提取方法研究[J]. 华南农业大学学报, 2020, 41(6): 126 − 133. QI Yuan, XU Weicheng, WANG Linlin, et al. Study on the extraction method of sugar tangerine fruit trees based on UAV remote sensing images [J]. J South China Agric Univ, 2020, 41(6): 126 − 133. [22] MEYER G E, NETO J C. Verification of color vegetation indices for automated crop imaging applications [J]. Comput Electron Agric, 2008, 63(2): 282 − 293. [23] 汪小钦, 王苗苗, 王绍强, 等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报, 2015, 31(5): 152 − 159. WANG Xiaoqin, WANG Miaomiao, WANG Shaoqiang, et al. Extraction of vegetation information from visible unmanned aerial vehicle images [J]. Trans Chin Soc Agric Eng, 2015, 31(5): 152 − 159. [24] 陈时跃. 基于无人机可见光影像的郁闭山地杉木人工林的单木与林分结构参数提取[D]. 杭州: 浙江农林大学, 2020. CHEN Shiyue. Extraction of Individual Tree and Stand Structure Parameters based on RGB Images UVA in Closed Canopy Mountainous Forest [D]. Hangzhou: Zhejiang A&F University, 2020. [25] 汪霖, 李明阳, 方子涵, 等. 基于无人机数据的人工林森林参数估测[J]. 林业资源管理, 2019(5): 61 − 67. WANG Lin, LI Mingyang, FANG Zihan, et al. Plantation forest parameter estimation based on UAV data [J]. For Resour Manage, 2019(5): 61 − 67. [26] 智献坡, 李明泽, 于颖, 等. 应用4-scale模型对人工针叶林郁闭度的反演[J]. 东北林业大学学报, 2020, 48(12): 5 − 11. ZHI Xianpo, LI Mingze, YU Ying, et al. Artficial coniferous forest remote sensing by using geometric optical model [J]. J Northeast For Univ, 2020, 48(12): 5 − 11. [27] 刘赛赛, 陈冬花, 栗旭升, 等. 基于高分一号PMS的新疆落叶松林分郁闭度遥感定量估测[J]. 西北农林科技大学学报(自然科学版), 2020, 48(7): 57 − 66. LIU Saisai, CHEN Donghua, LI Xusheng, et al. Quantitative estimation of stand closure density of Larix sibirica by remote sensing based on GF-1 PMS [J]. J Northwest A&F Univ Nat Sci Ed, 2020, 48(7): 57 − 66. [28] 严羽. 基于无人机的林分郁闭度和树高估测研究[D]. 杭州: 浙江农林大学, 2019. YAN Yu. Estimation of Canopy Density and Tree Height Based on UAV[D]. Hangzhou: Zhejiang A&F University, 2019. -
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20210576
点击查看大图
计量
- 文章访问数: 715
- HTML全文浏览量: 305
- PDF下载量: 92
- 被引次数: 0
