下载:
-
立木胸径、树高可用于评价立木质量以及生长状况，是森林资源管理和资产评估的重要依据[1]。传统的树高测量主要利用皮尺、布鲁莱斯测高仪等完成[2]，操作不便且效率较低，工作量大且主观性强。而新型精密仪器如全站仪、电子经纬仪、三维激光仪等[3−8]，虽能达到快速自动测量树木高度、胸径的目的，但设备成本高、专业性强、操作较为复杂。有学者利用新型设备或技术测量植株等表型因子。如张宏群等[9]设计了激光雷达扫描装置，通过旋转扫描的方式实现植株的三维重建，进而得到其高度信息；夏春华等[10]对RGB-D相机采集的深度图与RGB图像进行灰度化、二值化等预处理，提取玉米Zea mays植株的骨架，进而实现玉米植株的高度测量；YIN等[11]利用遥感技术对红树林每株进行树高、胸径测量，但由于红树林树冠的聚集密度高和遥感数据的空间分辨率较低，测量精度不高。利用这些新型设备或技术虽可快速精确实现植株表型因子的测量，但设备成本高，需要一定的技术支持且普适性不强。
随着计算机视觉技术的发展，单目相机在立木因子等测量中的应用日益增加。陈相武等[12]和宋佳音等[13]通过智能手机采集立木图像，实现了一排立木的树高测量。杨红等[14]利用光束平差法、平面扫描法生成立木深度图，只需用智能手机拍摄一段小视频，即可实现树高、胸径的测量。HUI等[15]在冠层周围移动摄像机，获取目标植株的多视角图像，再使用MVS方法实现植株的曲面三维点云重建，从重建的表面计算叶片长度、株高和最大冠层宽度等表型参数，精度较高，但仅仅适用于小型植株。MILLER等[16]围绕单株树木使用手持式摄像机拍摄重叠度较高的大量图片，基于SFM-MVS算法获取树木三维点云数据，估计树高、胸径等参数。WU等[17]提出改进的频率调谐显著性算法的视觉分割方法，分割出只包含树干的轮廓，再建立立木深度提取模型计算每株树的深度，实现仅利用智能手机相机拍摄的单幅图像，可测量多株树的胸径的方法。高莉平等[18]将图像处理技术与单目视觉相结合，利用canny边缘检测算法和图像显著性分析法提取立木的轮廓，可实现立木无接触测量，但对于遮挡较严重的场景精度不高。吕奇[19]将机器视觉技术与单目视觉相机相结合，对采集的图像中树干边缘像素距离提取算法，可获得高精度的立木因子数据。单目相机虽然应用广泛且取得了较好的应用效果，但受二维维度的限制，三维几何信息提取能力较弱，测量精度不高。综上，利用新型设备以及单目相机测量立木因子存在效率低、普适性差、成本较高等问题。
近年来，双目相机被逐渐应用于植株表型因子的测量[20−24]，具有成本低、系统结构简单和测量精度高等优点。为此，本研究提出一种基于消费级双目相机与机器视觉技术相结合的立木因子测量方法。
-
利用高帧率固定基线(6 cm)的USB 3.0双目相机，借助Opencv开源库在浙江农林大学东湖校区以及周边街道共采集20组不同场景的立木图像，图像分辨率统一设置像素为1280×720。另因立木品种不同，高矮存在差异，拍摄距离为1.8~4.0 m，相机距离地面垂直高度约95 cm，为保证目标立木在相机拍摄范围内且位于中心位置，拍摄过程中相机存在仰视角度，确保左右图像最低点均为树木根部或地面，最高点均为立木生长方向的最高处。图1为立木图像采集示意图。
图 1 立木图像采集示意图
Figure 1. Schematic diagram of tree image collection
-
相机标定是立体匹配、三维重建的基础，直接影响立木三维点云重建效果。采用张氏经典棋盘格标定法[24]，选取GP400专业标定板(黑白格子数为12×9，每个棋盘格边长为30 mm)，把相机固定在标定板正前方80 cm处，拍摄22张不同角度的棋盘格照片，且拍摄全程使标定板全部位于图像的中心，无遮挡、无反光。
相机成像过程中，摄像机坐标系、世界坐标系、图像坐标系以及像素坐标系的转换如图2所示，像素坐标系、图像坐标系、摄像机坐标系以及世界坐标系中的坐标分别用(u, v)，(x，y)，(Xc, Yc, Zc)，(Xw, Yw, Zw)表示。
图 2 四大坐标系转换
Figure 2. Transformation of four coordinate systems
图2中，R为3×3的旋转矩阵，T为平移向量，
$\vec {\boldsymbol{O}}$ 为1×3的矩阵。根据图2坐标系的转换关系，本研究中的立木因子测量点是从像素坐标系转化到世界坐标系，计算公式为：$$ {Z_{\text{c}}}\left[ \begin{gathered} {{u}} \\ {{v}} \\ 1 \\ \end{gathered} \right] = \left[ {\begin{array}{*{20}{c}} {\dfrac{1}{{d_{{x}}}}}&0&{{u_{\rm{0}}}} \\ 0&{\dfrac{1}{{d_{{y}}}}}&{{v_0}} \\ 0&0&1 \end{array}} \right]\left[ {\begin{array}{*{20}{c}} f&0&0&0 \\ 0&f&0&0 \\ 0&0&1&0 \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {\boldsymbol{R}}&{{T}} \\ {\vec {\boldsymbol{O}}}&1 \end{array}} \right]\left[ \begin{gathered} {X_{\rm{w}}} \\ {Y_{\rm{w}}} \\ {Z_{\rm{w}}} \\ 1 \\ \end{gathered} \right] \text{。} $$ (1) 式(1)中，Zc表示点与光轴的距离，dx、dy表示单位长度内像素的实际大小，f为双目相机焦距。
-
通过拍摄左右2幅不同视角的立木图片将二维图像信息转化为三维信息，可实现三维重建。根据相似三角原理可得到立木深度与视差的关系，见式(2)。
$$ D = \frac{{B{{f}}}}{{B - {{d}}}}。$$ (2) 式(2)中，D为深度，B为双目相机之间的固定基线距离，d为视差。
-
本方法由立木三维点云生成、立木点云数据处理和立木因子测量3个部分组成，其流程如图3所示。先利用改进的SGM算法生成视差图，通过三角原理转换为深度图，深度图通过坐标转换生成初始三维点云；为了准确去除立木三维点云的噪声点，提出基于空间密度聚类和混合滤波的方法进行点云去噪，速度快且普适性强，再分别利用主成分分析法和随机采样一致性算法进行方向矫正和点云分割，提取只包含目标立木的点云；最后，利用最值遍历法和椭圆拟合法实现树高、胸径的无接触测量。
图 3 技术流程图
Figure 3. Technical flow chart
-
先使用标定后的USB 3.0双目视觉相机采集立木图像，并根据标定结果对图像进行立体矫正；针对传统SGM算法生成立木视差图效果不佳，Census变换过于依赖中心像素，以及仅通过比较邻接像素值与中心像素值大小进行取值受光照、噪声影响较大等问题，对SGM算法中的Census变换进行了改进，并利用其生成初始视差图；然后针对初始视差图中无效点的问题提出自适应窗口优化方法；根据相似三角原理将视差图转换成高质量的深度图，既包含了立木图像的二维信息，又保留了相机与立木之间的深度信息；最后，通过坐标系转换生成原始立木三维点云。其中，改进的Census变换和自适应窗口优化方法分2个步骤。步骤1：将中心像素值用其周围8个窗口像素点的中值代替，抗干扰能力强，计算结果较为准确。
步骤2：通过改进的Census生成的初始视差图有无效点(空洞点、失真点)，根据无效点的类型，利用自适应窗口对视差图进行填充，完成优化，生成高质量视差图。若式(3)成立且视差值为0，则判定为空洞；否则，判定为失真点。其中DL(x, y)表示左视差图某点视差值，DR(x, y)表示右视图某点视差值。
$$ {{{D}}_{\text{L}}}({{x,\; y}}) = {{{D}}_{\text{R}}}[{{x}} - {{{D}}_{\text{L}}}({{x}},\;{{y}}),\;{{y}}]。 $$ (3) 若点Y为失真点，以Y点为像素中心与周围窗口8个像素点视差值进行比较，寻找最大与最小视差值，并对二者求平均。Z表示失真点相邻视差值的集合，失真点填充表达式如式(4)所示。
$$ \left\{ \begin{gathered} {M_{\min }} = \min (Z) \\ {M_{\max }} = \max (Z) \\ {M_{{\rm{avg}}}} = \frac{{{M_{\min }} + {M_{\max }}}}{2} \\ \end{gathered} \right. 。 $$ (4) 式(4)中，Mmin为最小视差值，Mmax为最大视差值，Mavg为最大与最小视差的平均视差值。
若DL(Y )＜Mmin，则失真点视差以最小值视差值填充；若Mmin≤DL (Y )≤Mmax，以平均视差值进行填充；若DL(Y)＞Mmax，以最大视差值填充，如式(5)所示：
$$ \left\{ \begin{gathered} {D_{\rm{L}}}(Y) = {M_{\min }}\begin{array}{*{20}{c}} {}&{} \end{array}[{D_{\rm{L}}}(Y) ＜ {M_{\min }}] \\ {D_{\rm{L}}}(Y) = {M_{{\rm{avg}}}}\begin{array}{*{20}{c}} {}&{} \end{array}[{M_{\min }} ＜ {D_{\rm{L}}}(Y) ＜ {M_{\max }}] \\ {D_{\rm{L}}}(Y) = {M_{\max }}\begin{array}{*{20}{c}} {}&{} \end{array}[{D_{\rm{L}}}(Y) ＞ {M_{\max }}] \\ \end{gathered} \right.。 $$ (5) 若点Y为空洞点，则分别从x，y方向进行遍历，寻找视差值不为0的点Yx和Yy，构造一个以孔洞点Y(x, y)的坐标为起点，dy为高，dx为宽的矩阵Ndx×dy，形成一个自适应窗口矩阵N，见式(6)。
$$ {\boldsymbol{N}}=\left(\begin{array}{ccc}Y& \cdots & {Y}_{y}\\ \vdots& & \vdots\\ {Y}_{x}& \cdots & ({x}{{'}},{y}{{'}})\end{array}\right) 。 $$ (6) 空洞点填充的表达式如式(7)所示。
$$ \left\{ \begin{gathered} S = \sum\limits_{i \geqslant {d_x},j \geqslant {d_y}}^{i,j \in M} {{D_{\rm{L}}}[{\boldsymbol{N}}(i,j)]} \\ n = \sum\limits_{i \geqslant {d_x},j \geqslant {d_y}}^{i,j \in M} {\{{D_{\rm{L}}}[{\boldsymbol{N}}(i,j)] ＞ 0\} = 1} \\ {S_{{\rm{avg}}}} = \frac{S}{n} \\ {D_{\rm{L}}}(x,y) = {S_{{\rm{avg}}}} \\ \end{gathered} \right.。 $$ (7) 式(7)中，S表示矩阵N对应元素总和，矩阵非0元素为n个，Savg为平均值。根据上述公式及填充方法，直到检测完所有像素点，并进行视差优化，采用中值滤波平滑图像去除噪声。
-
由于三维点云生成后的立木场景复杂、数据量大，包含了若干噪声点，且三维点云模型与真实世界三维空间尺度、方向也不一致，因此需要对点云进行去噪、坐标和方向矫正等预处理操作。预处理后的点云包含了其他背景立木以及地面点云，还需进行点云分割，提取只包含目标立木的三维点云。通过USB 3.0双目相机生成的立木点云噪声点较多，主要分布于立木的树干周围或叶片之间，为此提出一种基于空间密度聚类和混合滤波的三维点云去噪方法。
①去噪。首先，对X、Y、Z轴进行阈值范围的设定，通过直通滤波将点云中不在该范围内的点滤除，提取只包含目标立木的感兴趣区域，减少其他背景立木噪声。再采用统计滤波删除立木点云数据中聚集的噪声点：步骤1，读取三维点云数据集P，建立kd-tree数据结构。步骤2，对点云数据中每个点Pi的邻域进行统计分析，计算其到k (k取50)个临近点的平均距离，如式(8)和式(9)所示。其中dij是pi与pj两点之间的空间距离，di是平均距离。
$$ {{{d}}_{{{ij}}}} = \sqrt {{{\left( {{p_{i,x}} - {p_{j,x}}} \right)}^2} + {{\left( {{p_{i,y}} - {p_{j,y}}} \right)}^2} + {{\left( {{p_{i,z}} - {p_{j,z}}} \right)}^2}} \text{；} $$ (8) $$ \overline {{{{d}}_{{i}}}} = \frac{1}{{{k}}}\sum\limits_{{{i}} = 1}^{j = k} {{d_{i,j}}} 。 $$ (9) 步骤3，计算点云数据的标准差(dstd)，如式(10)所示：
$$ {{{d}}_{{\text{std}}}} = \sqrt {\frac{{\displaystyle\sum\limits_{i = 1}^n {{{\left( {{{\overline d }_{n,i}} - {{\overline d }_i}} \right)}^2}} }}{{{{n - }}1}}} 。 $$ (10) 步骤4，假设得到的结果是一个高斯分布，其形状是由平均值和标准差(dstd)决定，平均距离在标准范围L (由全局距离平均值和方差定义)之内的点进行保留，否则被定义为离群点并从数据中剔除。如式(11)所示：
$$ L = {{\overline{d}_{n,i}}} + \sigma {d_{\rm{std}} } 。 $$ (11) 步骤5，遍历点云中的所有点，直到处理完所有点云数据。步骤6，然后利用空间密度聚类算法移除离散噪声点，在三维点云中任意选择一个点(既没有指定到一个类也没有特定为外围点)，通过计算其邻域内的数据点数是否大于设定的阈值，判断是否为该点。若是，则在该点周围建立一个类，否则，将其设定为外围点。步骤7，遍历其他点，直到建立一个类。把密度直达(directly-reachable)的点和密度可达(density-reachable)的点依次加入到类中。如果标记为外围的点被加进来，则修改其状态为边缘点。步骤8，重复步骤6和步骤7，直到所有的点满足在类中(核心点或边缘点)或者为外围点。
综上，基于空间密度聚类和混合滤波的去噪步骤为：步骤1，首先进行参数初始化，输入点云的数据；步骤2，计算点云数据的k (k取50)个近邻点；步骤3，采取统计滤波去除点云聚集的噪声点；步骤4，选定任意一点为核心点，利用密度聚类算法去除离散的噪声点；步骤5，计算完成，输出点云数据。
该去噪方法充分利用直通滤波和统计滤波对聚集噪声点的优势、空间密度聚类对离散噪声点的敏感性，大大提高了点云去噪的效率。
②点云坐标矫正。将点云模型比例(hm)与实际比例(hr)矫正，缩放成R=hr/hm的比例，在进行树高、胸径测量时可按照比例换算到实际尺度。
③方向矫正。计算三维点云模型初始质心点(p0)的三维坐标，利用主成分析法将三维点云模型进行质心化，并求解三维点云中方差矩阵和特征向量(立木三维点云的主方向)的值，根据立木三维点云模型的主方向创建旋转矩阵(N)，将初始质心点(p0)为中心转换到主方向的位置，得到一个新的三维点云模型Pnew=Np0。
④点云分割。矫正后的点云数据包含地面以及其他背景立木，利用随机采样一致性(RANSAC)算法将地面拟合成一个平面，再提取该平面的点云，从而将地面点云与目标立木点云进行分割。首先手动设置一个阈值，计算三维点与拟合平面(地面)之间的距离，若超过该阈值，被判定为无效数据，否则进行保留，在多次迭代的过程中随机拟合多个平面，选取包含最多有效数据的平面为最终的拟合结果。RANSAC算法只对主体数据进行拟合，在偏移量大且无效数据较多的情况下，拟合效果较佳。
-
将立木在生长方向的最高点与最低点的高度差定义为树高。将三维点云进行坐标矫正，使立木生长方向与Z轴方向一致，且立木底部区域位于oxy平面，遍历三维点云所有的点，Z轴坐标的最大值(Zmax)与最小值(Zmin)的差值为立木的高度H。
将立木位于地面1.3 m胸高处断面直径视为胸径(干径)。在生成的立木三维点云中，立木的主干可近似看作为椭圆，可利用矫正后的坐标比例(R)求得1.3 m处的点云坐标：Z=1.3/R，对该位置做3 cm厚度的切片，再将点云切片投影至oxy平面，对立木胸径测量处的点云数据利用最小二乘法进行椭圆拟合，椭圆的一般方程式为：
$$ A{x^2} + Bx{\text{z}} + C{x^2} + Dx + Ez + F = 0 。 $$ (12) 式(12)中，A、B、C、D、E、F分别表示拟合求得的系数，x、z表示立木主干待测区域点云数据投影后的坐标。利用式(13)可求得椭圆的中心
${X}_{{\rm{c}}}$ 、$ {Z}_{\mathrm{c}} $ ，利用式(14)可求得椭圆的长半轴L (立木的胸径为2L)。$$ \left\{ \begin{gathered} {X_{\text{c}}} = \frac{{BE - 2CD}}{{4AC - {B^2}}} \\ {Z_{\text{c}}} = \frac{{BD - 2AE}}{{4AC - {B^2}}} \\ \end{gathered} \right\} \text{；} $$ (13) $$ {L^2} = \frac{{2\left( {A{X_{\rm{c}}}^2 + C{Z_{\rm{c}}}^2 + B{{\text{X}}_{\rm{c}}}{Z_{\rm{c}}} - 1} \right)}}{{{{A}} + {{C - }}\sqrt {{{\left( {{{A - C}}} \right)}^2} + {B^2}} }} 。 $$ (14) -
本研究中立木因子测量方法验证的软硬件平台均使用PC电脑[Intel(R) Core(TM) i5-7200U CPU @2.50 GHz 2.70 GHz]、Windows 10操作系统和Visual Studio2017+opencv库以及开源点云库(point cloud library，PCL)，C++语言实现。
-
图4为随机选取的3株不同种类立木的三维点云处理结果。其中：图4A为原始立木点云，可以看出包含大量离散噪声点以及地面、背景立木等；图4B为预处理后的三维点云，保持目标立木三维点云的整体形状不变化的同时去除了背景立木以及树干、地面周围的噪声点，且三维点云坐标方向得到矫正；图4C为立木点云分割后的结果，将目标立木点云与嘈杂的地面点云准确分割。
图 4 立木点云处理结果
Figure 4. Processing results of tree point cloud
表1是原始三维点云(图4A)与点云分割后三维点云(图4C)的数量变化对比结果。由表1可知：在保证目标立木三维点云完整的前提下，处理后的有效点云数量比初始点云数量总体减少约2/3。
表 1 点云分割前后数量变化对比
Table 1. Comparison of quantity changes before and after point cloud segmentation
立木序号 初始点
云数量处理后点
云数量立木序号 初始点
云数量处理后
点云数量1 97 354 32 559 11 88 539 30 165 2 89 632 29 976 12 100 179 34 697 3 87 692 29 463 13 73 694 23 973 4 96 394 32 036 14 96 582 32 694 5 79 983 26 798 15 79 659 27 461 6 85 564 29 569 16 87 652 29 069 7 86 397 27 894 17 95 394 315 49 8 79 836 29 654 18 89 634 29 367 9 84 296 28 364 19 100 963 33 715 10 76 849 26 798 20 86 535 28 934 -
将本研究方法得到的树高和胸径值与实际测量值(利用胸径尺、博世激光测距仪分别测量胸径、树高10次，取平均值作为实际测量值)进行对比，来评价本研究方法的准确性与稳定性。
由表2可知：立木高度的误差范围为0.012~0.079 m，测量值与真实值的最大相对误差为2.219%，最小相对误差为0.339%，平均相对误差为1.525%。立木胸径的误差范围为0.065~0.429 m，测量值与真实值的最大相对误差为5.620%，最小相对误差为0.457%，平均相对误差为2.084%。
表 2 树高胸径真实值与测量值
Table 2. True and measured value of tree height and DBH
立木
序号树高真
实值/m树高测
量值/m相对
误差/%胸径真
实值/cm胸径测
量值/cm胸径相
对误差/%立木
序号树高真
实值/m树高测
量值/m相对
误差/%胸径真
实值/cm胸径测
量值/cm胸径相
对误差/%1 3.425 3.396 0.847 12.306 12.532 1.837 12 3.843 3.764 2.056 13.265 13.437 1.297 2 3.721 3.775 1.451 14.261 13.984 1.942 13 3.514 3.587 2.077 13.254 13.079 1.320 3 3.944 3.921 0.583 17.753 17.459 1.656 14 3.676 3.657 0.517 16.236 16.543 1.891 4 3.560 3.481 2.219 10.243 10.657 4.042 15 3.915 3.876 0.996 15.245 15.042 1.332 5 3.616 3.643 0.747 10.365 10.696 3.193 16 4.178 4.126 1.245 12.236 12.019 1.773 6 4.121 4.046 1.820 7.634 8.063 5.620 17 4.236 4.259 0.543 14.156 14.052 0.735 7 3.638 3.584 1.484 6.138 6.442 4.953 18 4.339 4.394 1.268 16.236 16.141 0.585 8 3.535 3.523 0.339 6.049 5.936 1.868 19 4.421 4.391 0.679 13.245 13.362 0.883 9 3.891 3.912 0.540 9.142 9.365 2.439 20 4.365 4.322 0.985 14.237 14.302 0.457 10 3.653 3.627 0.712 13.125 12.956 1.288 平均值 1.092 2.084 11 3.787 3.815 0.739 12.367 12.049 2.571 图5为立木高度、胸径真实值与测量值的线性回归分析图，结果表明：使用本研究方法测量的立木高度、胸径与真实值均存在着显著的线性相关关系，树高的相关系数R2为0.978，均方根误差为0.047 m；胸径的相关系数R2为0.995，均方根误差为0.249 cm。
图 5 树高、胸径真实值与测量值的线性回归图
Figure 5. Linear regression diagram of measured and true values of tree height and DBH
-
针对现有立木因子测量方法成本高、效率低、仪器携带不便等问题，本研究提出一种新的方法，即基于消费级双目相机的立木因子测量方法。利用双目相机拍摄左右两幅不同视角的立木图片获得二维图像信息，通过改进的Census变换形成高可靠初始视差值，再采用自适应窗口填充黑洞点和剔除无效点，使立体匹配结果更加精确，从而生成层次分明、边缘清晰的视差图，并转化为三维信息，进而生成高质量的立木三维点云；提出一种基于空间密度聚类和混合滤波的三维点云去噪方法，可快速去除聚集、离散的噪声点，获得较高精度的立木测量值。结果表明：树高平均相对误差为1.092%，测量值与真实值的相关系数(R2)为0.978，均方根误差(ERMS)为0.047 m；胸径的平均相对误差为2.084%，R2为0.995，均方根误差(ERMS)为0.249 cm。
-
本方法树高的平均相对误差均低于顾雯钧等[25]和杨全月等[26]的研究结果，胸径的平均相对误差低于顾雯钧等[25]和吴铮等[27]研究结果，略高于杨全月等[26]的研究结果，但杨全月等[27]的方法需要较为昂贵的三维激光扫描仪，而本研究仅需要便携式双目相机，方法简单、容易实现。本方法测量值与真实值比较结果表明：胸径、树高测量精度较高，但树高测量值总体低于实际值，主要是因为立木生长环境复杂，包含大量背景噪声，树冠顶部枝叶稀疏，生成树冠顶部的三维点云也较为离散，在点云去噪阶段可能当作噪声剔除；部分立木高度较高、树干较细，拍摄的不够清晰完整，导致视差图效果不是很好，影响立木三维点云生成效果，可能会存在点云缺失、数量少的现象。利用最小二乘法椭圆拟合时，由于树干点云分布不均匀或者有效点云数量较少，这是胸径误差的主要来源，导致胸径计算结果不理想。因此，未来可进一步对树冠和胸径部分的三维点云进行稠密化处理，减少因树冠和胸径点云分布不均匀或数量较少所带来的影响。
Measuring method of tree attributes based on consumer-grade binocular camera
-
摘要:
目的 随着林业信息化的快速发展，机器视觉测量技术广泛应用于林业领域。针对传统立木因子测量方法成本较高、携带不便、操作复杂等问题，提出消费级双目相机与机器视觉技术相结合的立木因子无接触测量方法。 方法 首先使用消费级USB 3.0双目相机采集立木图像，通过改进的SGM算法生成高质量视差图；再根据三角原理转化为深度图，进而获取立木三维点云；基于空间密度聚类和混合滤波三维点云去噪方法快速准确去除聚集、离散的噪声点，再进行方向矫正和点云分割；最后，利用最值遍历法和椭圆拟合法实现树高、胸径的无接触测量。 结果 树高、胸径的相对测量误差分别小于2.219%、5.620%，测量值与真实值的相关系数R2分别为0.978、0.995，均方根误差分别为0.047 m、0.249 cm。 结论 本方法易操作、成本较低，同时具有较高的测量精度，能够满足无接触测量的需求。图5表2参27 Abstract:Objective With machine vision measurement technology being widely used in the field of forestry as a result of the rapid development of forestry informatization, this study is aimed to propose a contact less tree attribute measuring method combining consumer binocular-grade camera and machine vision technology to replace the traditional one which is featured with high cost, low mobility and complicated operation. Method Firstly, a consumer-grade USB 3.0 binocular camera was used to capture images of tree before a high-quality parallax image was generated by an improved SGM algorithm. Then it was transformed into a depth image in accordance with the triangulation principle so as to obtain a 3D point cloud. Next, the three-dimensional point cloud denoising method based on spatial density clustering and hybrid filtering was employed to remove the aggregated and discrete noise points quickly and accurately after which orientation correction and point cloud segmentation were performed. Finally, the most-valued traversal method and ellipse fitting method were used to achieve contactless measurement of tree height and DBH (diameter at breast height). Result The relative measurement errors of tree height and DBH were less than 2.219% and 5.620%, with the correlation coefficients being 0.918 and 0.995, whereas the root mean square errors being 0.047 m and 0.249 cm respectively. Conclusion The proposed method in this paper, featured as convenient with low cost and high precision, can meet the requirements of contactless measurement. [Ch, 5 fig. 2 tab. 27 ref.] -
Wuschel-related homeobox (WOX)是植物特有的新型转录因子，属于Homepbox (HOX)超家族，包含由60~65个氨基酸组成的螺旋-环-螺旋-转角-螺旋的保守结构域。WOX家族基因分为3个独立进化支，即现代进化支(modern clade，WUS)，中间进化支(intermediate clade)和远古进化支(ancient clade)[1-3]，其中WUS是最早发现的WOX家族成员[4]。WOXs蛋白在植物胚胎形成[5]、干细胞维持[6]和花发育[7]等方面发挥重要作用。拟南芥Arabidopsis thaliana中WOX家族有15个成员，分别是AtWUS和AtWOX1~AtWOX14[4]，其中，AtWOX10、AtWOX13和AtWOX14蛋白属于远古进化分支，AtWUS和AtWOX1~7等8个蛋白质属于WUS分支，AtWOX8、AtWOX9、AtWOX11和AtWOX12蛋白属于中间进化分支。AtWUS在胚珠、花药和茎尖分生组织中表达，是维持中央分生组织的关键基因，AtWOX11和AtWOX12参与新生根器官发生，在顶端分生组织发育阶段，AtWUS参与干细胞稳态维持[8]。超表达AtWUS促进棉花Gossypium hirsutum体细胞胚胎发育和器官发生[9]。水稻Oryza sativa中，OsWOX11激活冠根的萌发和生长，过表达OsWOX11可促进雌蕊增加[10]；OsWOX3A参与水稻叶片、小穗、分蘖和侧根的发育[11]；在茎顶端分生组织和腋分生组织中OsWOX4正调控干细胞[12]。超表达WOX11 (PeWOX11a和PeWOX11b)或WOX11/12a增加转基因植株不定根数量[13-14]。在小麦Triticum aestivum中超表达TaWUS影响外花轮状器官发育，TaWOX9促进转基因拟南芥根的发育[15]。
WOXs转录因子不仅调控植物生长发育，而且参与胁迫响应。在水稻中OsWOX12A和OsWOX12B等基因的表达受干旱、寒冷和盐胁迫差异调控，超表达OsWOX11通过促进根毛生长发育提高转基因植株干旱胁迫耐受性[16-17]。84K杨树Populus alba×P. glandulosa中，干旱胁迫诱导PagWOX11/12a基因强烈表达，促进根系伸长和生物量生长，上游调控因子PagERF35激活PagWOX11/12a表达[18]，PagWOX11/12a通过调控PagCYP736A12基因表达，调节活性氧(reactive oxygen species，ROS )清除，提高杨树耐盐性[19]。
杜仲Ecommia ulmoides是杜仲科Eucommiaceae杜仲属Eucommia的落叶乔木，为中国二级保护植物，叶片、树皮和果皮中富含杜仲胶，是重要的胶用和药用经济树种，具有极高的开发利用价值[20]。杜仲叶片中含有绿原酸、黄酮类、木脂素类、环烯醚萜类、α-亚麻酸等药用成分，具有抗疲劳、抗衰老、抗肿瘤、增强免疫力等重要作用[21-22]。鉴于WOX基因在拟南芥、水稻、玉米Zea mays、杨树、油菜Brassica napus、铁皮石斛Dendrobium officinale等中的作用，推测WOX家族基因可能在杜仲叶芽的形成和激活过程中起关键作用。本研究以杜仲基因组数据为基础，对杜仲WOX家族基因进行了全基因组鉴定和生物信息学分析，基于转录组分析WOX在杜仲叶片不同发育时期以及杜仲胶形成中的表达模式，利用实时荧光定量PCR(RT-qPCR)检测杜仲WOX基因(EuWOXs)在‘紫叶’杜仲‘Ziye’叶片发育中的表达水平，以期为EuWOXs功能的深入研究奠定基础。
1. 材料与方法
1.1 材料
自西北农林科技大学苗圃(陕西杨凌)，取生长正常长势一致的2年生‘紫叶’杜仲幼苗的叶芽(茎尖)、生长叶(3 cm长叶片)、幼叶(完全展开的新叶)，用液氮迅速处理，置于−80 ℃冰箱保存。
1.2 方法
1.2.1 杜仲WOX蛋白(EuWOXs)的鉴定及理化性质分析
拟南芥WOX蛋白序列下载于TAIR数据库(
https://www.arabidopsis.org/index.jsp )，根据Pfam号(PF00046)在杜仲基因组数据库中筛选出WOX家族基因候选序列，利用美国国立生物技术信息中心(National Center for Biotechnology Information，NCBI)的保守结构域搜索服务(Conserved Domain Search Service，CD Search)检测蛋白质保守结构域，筛选出具有完整WOX结构域的蛋白质作为EuWOX家族成员，利用生物信息学方法[23]分析EuWOXs的理化性质。1.2.2 杜仲WOX家族基因染色体定位及系统进化分析
通过杜仲基因组数据库搜索WOX基因在染色体上的位置及每条染色体长度，利用MapGene2Chromosome v2 (
http://mg2c.iask.in/mg2c_v2.0/ )软件绘制WOX家族基因染色体定位。利用DNAMAN进行蛋白序列比对，通过Clustal X 1.83对杜仲、拟南芥、毛果杨、水稻和玉米WOXs蛋白进行多序列比对，利用MEGA 6.0邻接法(neighbor-joining)，重复次数设置为1 000次[24]，构建系统发育树，根据拟南芥同源基因对EuWOXs蛋白命名。1.2.3 EuWOXs的结构、基序及启动子分析
利用GSDS (
http://gsds.gao-lab.org/index.php )软件分析EuWOXs的内含子和外显子分布。利用MEME (http://meme-suite.org/ )软件分析EuWOXs基序，参数设置为：any number of Repetitions，maximum number of Motifs=20，minimum width≥6，and maximum width≤50。分离EuWOXs启动子(ATG)上游2 000 bp序列，利用Plant CARE (http://bioinformatics.psb.ugent.be/webtools/plantcare/htmL/ )分析EuWOXs启动子顺式作用元件。1.2.4 EuWOXs的表达模式分析
从NCBI的Short Read Arshive (SRA)数据库中下载‘秦仲1号’‘Qinzhong No.1’叶片不同发育时期(叶芽、初生叶、幼叶、老叶)(版本号：SRP218063)[25]及高产胶杜仲品种‘秦仲2号’‘Qinzhong No.2’、低产胶杜仲品种‘小叶’‘Xiaoye’(版本号：SRP158357)[26]的转录组数据，使用每1百万个映射上的碱基中映射到外显子的每1千个碱基上的碱基个数(fragments per kilobase million，FPKM)值表示EuWOXs相对表达丰度，取对数(log2)进行统计分析，利用TBtools工具绘制基因表达图谱[27]。
使用Trizol(天根DP424)提取RNA，反转录成cDNA，通过Primer 3.0软件设计EuWOXs特异性引物(引物序列见表1)，通过Quant Studio 6(新加坡Life Technologies公司)，All-in-One SYBR Premix EX TaqTM kit(美国Gene Copoeia公司)进行实时荧光定量PCR(RT-qPCR)反应，10 μL反应体系：2× mix 5.00 μL、正向引物/反向引物各0.25 μL、cDNA 2.00 μL、ROX 0.20 μL、双蒸水2.30 μL。反应程序：95 ℃预变性5 min，95 ℃变性10 s，60 ℃退火10 s，72 ℃延伸20 s，45个循环。以UBCE2为内参基因[26]，通过$2^{-\Delta \Delta C_t} $法对3次生物学重复进行数据分析。
表 1 引物序列Table 1 Primer sequences基因名 上游引物(5′→3′) 下游引物(5′→3′) EuWOX1 ATGGTGGGTGACCAGCTTAG TTCTCTGGCCTTGTGGTTCT EuWOX2 ACCGTACCCCAACCTACTCC ACTTCCCGTTGGATGAAGTG EuWOX4-1 GGAACCCTACGCAAGAACAG GCGCTTCTGCTTTTGTCTCT EuWOX4-2 TAGAGCAGATCACGGCACAG CTAGGGTCGGATGTTGGAGA EuWOX5 GACGGAGCAAGTGAGAGTCC TCTCCCGTGCCTTATGATTC EuWOX11 ACTCGAGTTTTGTGGCCTGT AATTGGAGGCATCTGGATTG EuWOX13-1 GGTCTGAGGGCATGTGTTTT TTGGAGATATGGGTGGTGGT EuWOX13-2 GGGTTGTTCGTCAAGGTCAT GTTGGAATCCACCGTTGTCT UBCE2 AGTGGGTGGTGCTGTAGTCC AACTCCCGTTTCGTTTGTTG 1.2.5 EuWOXs蛋白互作关系分析
通过STRING软件(
https://string-db.org/ )上传EuWOXs蛋白质序列，利用拟南芥数据库，根据拟南芥WOXs蛋白已知互作关系，预测EuWOXs互作蛋白，通过Cytoscape 3.7.0软件对EuWOXs蛋白质互作信息进行评估和预测[28]。2. 结果与分析
2.1 杜仲WOX家族基因鉴定及其蛋白质理化性质
由表2可知：从杜仲基因组中共鉴定到8个EuWOXs，分布在8条染色体上(图1)；均含有HD保守结构域，其中EuWOX1序列最长，编码352个氨基酸，EuWOX13-2序列最短，编码191个氨基酸。EuWOXs分子量为22.12~40.36 kDa，EuWOX11等电点最小，为5.62，EuWOX4-1等电点最大，为9.04；亚细胞定位预测结果显示：EuWOXs均定位在细胞核中，均为亲水性蛋白。
表 2 EuWOXs蛋白质序列特征及亚细胞定位Table 2 Sequence characteristics and subcellular location of E. ulmoides WOX proteins基因号 基因名 拟南芥
同源基因染色体 位置 CDS长度/
bp氨基酸数/
个分子量/
kDa等电点 亚细胞
定位EUC13591-RA EuWOX1 AT3G18010.1 Super-Scaffold_235 3540694-3544292 1059 352 40.36 5.78 细胞核 EUC12552-RA EuWOX2 AT5G59340.1 Scaffold912_obj 156744-159059 810 269 30.16 8.11 细胞核 EUC15721-RA EuWOX4-1 AT1G46480.1 Super-Scaffold_242 604979-606289 618 205 23.48 9.04 细胞核 EUC21176-RA EuWOX4-2 AT1G46480.1 Scaffold272_obj 37477-39280 642 213 24.31 8.82 细胞核 EUC18832-RA EuWOX5 AT3G11260.1 Super-Scaffold_117 336319-340482 549 182 20.70 6.92 细胞核 EUC00362-RA EuWOX11 AT3G03660.1 Super-Scaffold_154 68808-70507 765 254 27.67 5.62 细胞核 EUC00756-RA EuWOX13-1 AT4G35550.1 Super-Scaffold_233 319468-325733 810 269 30.42 6.22 细胞核 EUC02503-RA EuWOX13-2 AT4G35550.1 Super-Scaffold_71 6332599-6364092 576 191 22.11 6.54 细胞核 2.2 EuWOXs的保守结构域
利用DNAMAN软件对8个EuWOXs及12个拟南芥WOXs蛋白(AtWOXs)保守结构域进行序列分析。结果(图2)显示：WOXs蛋白质HD结构域氨基酸及其分布具有显著的相似性，均包含由60个氨基酸组成的螺旋-环-螺旋-转角-螺旋，螺旋较环和转角保守。谷氨酰胺(Q)、亮氨酸(L)和脯氨酸(Pro)是螺旋Ⅰ (Helix Ⅰ)结构域的保守氨基酸，脯氨酸、异亮氨酸(Ile)和亮氨酸是螺旋Ⅱ (Helix Ⅱ)结构域的保守氨基酸，相比之下，螺旋Ⅲ (Helix Ⅲ)结构域最为保守，其中保守氨基酸有天冬酰胺(N)、缬氨酸(V)、色氨酸(W)、苯丙氨酸(F)、谷氨酰胺、天冬酰胺和精氨酸(R)。EAR-like仅存在于EuWOX1、EuWOX2、EuWOX4-1、EuWOX4-2和EuWOX5中，属于WUS，暗示EuWOXs在进化过程中具有保守性。
图 2 拟南芥和杜仲WOXs的蛋白质同源结构域序列分析Figure 2 Sequence analysis of WOX proteins homeo domain in A. thaliana and E. ulmoides2.3 不同物种WOX家族蛋白的系统发育树
对8个杜仲EuWOXs、15个拟南芥AtWOXs、18个毛果杨Populus trichocarpa WOX蛋白(PotriWOXs)、13个水稻OsWOXs、20个玉米ZmWOXs的蛋白质序列进行多重比对，构建无根系统发育树。结果如 图3所示：74个WOXs蛋白共分为3组[远古进化支、中间进化支和现代进化支(WUS)]，其中远古进化支含有12个WOXs蛋白，中间进化支含22个WOXs蛋白，现代进化支包含的蛋白数量最多，共有40个。8个EuWOXs中，EuWOX13-1和EuWOX13-2属于远古进化支，EuWOX11属于中间进化支，EuWOX1、EuWOX2、EuWOX5、EuWOX4-1和EuWOX4-2等5个蛋白质属于WUS。进化结果显示：杜仲与毛果杨亲缘关系最近。
图 3 杜仲、拟南芥、毛果杨、水稻和玉米WOXs蛋白系统发育树Figure 3 WOX proteins phylogenetic trees of E. ulmoides, A. thaliana, P. trichocar, O. sativa and Z. mays2.4 EuWOXs基因结构及蛋白质的保守结构域
利用GSDS软件构建EuWOXs基因内含子-外显子结构图，结果如图4显示：EuWOXs含有1~3个内含子，EuWOX13-2、EuWOX2和EuWOX5基因含有2个外显子，EuWOX11、EuWOX13-1、EuWOX4-1和EuWOX4-2含有3个外显子，EuWOX1含有4个外显子。不同进化分支基因结构差异显著，同一分支基因结构也存在差异。属于中间进化支的EuWOX11含有3个外显子，同属远古进化支的EuWOX13-1和EuWOX13-2分别含有3个和2个外显子，在WUS中，EuWOX2和EuWOX5含有2个外显子，EuWOX4-1和EuWOX4-2含有3个外显子，而EuWOX1含有4个外显子。
蛋白质保守基序分析显示：EuWOXs含有10个保守基序，分别命名为Motif 1~Motif 10 (图5)，其中Motif 1和Motif 2最为保守，是WOX的核心基序，存在于所有EuWOXs中。Motif 6较为保守，存在于4个EuWOXs蛋白质(EuWOX4-2、EuWOX2、EuWOX1和EuWOX5)中。相同分支EuWOXs含有相似的保守基序，不同分支EuWOXs基序之间存在显著差异，Motif 4~Motif 10只存在于现代进化分支，Motif 3只在EuWOX13-1和EuWOX13-2蛋白质中存在。
2.5 杜仲EuWOXs启动子顺式作用元件分析
顺式作用元件分析结果(图6)显示：EuWOXs启动子中主要包括脱落酸(ABRE)和水杨酸反应元件(TCA-element)、厌氧响应元件(ARE)、光响应元件(Box 4)及玉米蛋白代谢调节元件(O2-site)。所有顺式作用元件中光响应元件最多，达77个，其中Box 4元件有26个，所占比例是34%；G-box和GT1-motif元件均有9个，占比为12%，表明EuWOXs基因表达可能与光合作用有关。EuWOXs共含有46个激素响应元件，32个胁迫响应元件，其中ABRE和ARE元件数量最多，均含有14个，所占比例分别为31%和44%，暗示EuWOXs参与杜仲激素及胁迫响应。此外EuWOXs共含有12个生长发育调控相关元件，其中O2-site有6个，占50%。
2.6 EuWOXs基因表达模式分析
利用‘秦仲1号’叶片不同发育时期转录组数据对EuWOXs基因的表达模式进行分析。结果(图7)可见：EuWOXs在叶片不同发育时期表达丰度存在显著差异，EuWOX11和EuWOX2在杜仲叶芽、初生叶、幼叶、老叶时期均不表达，EuWOX5仅在叶芽和老叶中低表达，EuWOX13-2在4个时期中的FPKM值均大于20，推测EuWOX13-2参与杜仲叶片的整个发育过程；EuWOX13-1和EuWOX4-1在叶芽中表达丰度最高，随着叶片发育表达水平逐渐降低，表明EuWOX13-1和EuWOX4-1主要在叶芽中发挥作用；EuWOX1在生长叶中表达量相对较高，其余EuWOXs基因表达丰度较低，FPKM值小于5。
图 7 EuWOXs在杜仲叶片不同发育阶段的表达模式Figure 7 Expression patterns of EuWOXs at different developmental stages in E. ulmoides leaves利用RT-qPCR检测EuWOXs在‘紫叶’杜仲叶片不同发育阶段(叶芽、生长叶、幼叶)的表达水平。结果(图8)可见：EuWOX1、EuWOX2、EuWOX4-1、EuWOX5和EuWOX13-2在生长叶中表达量最高，随着叶片发育表达水平呈先升高后降低趋势，EuWOX4-2在幼叶中表达量最高，EuWOX13-1在叶芽中表达量最高，随着叶片发育，表达量逐渐降低，暗示EuWOX13-1在叶片发育的起始阶段发挥重要作用。EuWOX1、EuWOX13-1和EuWOX13-2在‘紫叶’杜仲叶片中的表达趋势与‘秦仲1号’一致。
图 8 杜仲EuWOXs基因在杜仲叶片不同发育时期的表达模式Figure 8 Expression pattern of EuWOX genes in E. ulmoides leaves at different developmental stages利用‘秦仲2号’和‘小叶’杜仲成熟叶片转录组数据检测EuWOXs的表达模式。由如图9可见：大部分EuWOXs转录水平较低，其中有6个EuWOXs基因几乎不表达，EuWOX13-2表达水平最高，FPKM值＞40，不同胶含量样品之间无显著差异，推测EuWOXs在杜仲胶形成过程中发挥作用较小。
图 9 EuWOXs在杜仲胶形成中的表达模式Figure 9 Expression patterns of EuWOX genes in the form of Eu-rubber2.7 EuWOXs蛋白互作网络预测分析
植物WOXs蛋白由多基因家族编码，蛋白质之间可能存在相互作用。利用STRING数据库，构建EuWOXs蛋白相互作用网络。图10显示：该网络包含21个节点(互作蛋白)和82条边(相互作用组合)。EuWOX4-1可与20个蛋白质互作，其中包含干细胞分化抑制因子(CLE41和CLE44)，细胞增殖和愈伤组织形成蛋白(CLV1、CLV3和ACT7)，胚胎发育相关蛋白(TPL、BBM和APM1)，维管组织发育蛋白(PXY、HB-8、ATHB-15、MOL和RUL1)，细胞程序化死亡调控因子(LOL1)，参与DNA的复制和延伸(MCM1、POLD2)以及信号转导蛋白(F14K14)，花药发育关键调控因子(RPK2)，参与DNA的复制植物发育相关转录因子GRAS(HAM3和SCL27)等，推测EuWOXs全面参与了杜仲的生长发育。
图 10 EuWOXs蛋白互作网络预测Figure 10 Prediction of interaction network between EuWOX proteins3. 讨论
WOX蛋白是植物特有的高度保守的一类转录因子，广泛参与植物的生长发育、干细胞维持、组织器官发生和形成等多种生物学过程。到目前为止，WOX家族基因已在多个物种进行了研究报道，如拟南芥中含有15个、毛果杨18个、水稻中有13个、玉米中有20个、毛竹Phyllostachys edulis 中存在27个[29]，小麦中有26个[30]、茶树Camellia sinensis中包含18个[31]，黄瓜Cucumis sativus中有11个[3]，陆地棉Gossypium hirsutum中含有38个[32]。小麦(17 Gb)[33]、玉米(2 300 Mb)[34]和毛竹(2 021 Mb)[35]基因组大于杜仲(1.2 Gb)[36]，拟南芥(164 Mb)[37]、水稻(441 Mb) [38]和毛果杨(392.3 Mb)[39]基因组小于杜仲。杜仲WOX数量低于拟南芥、毛果杨、水稻、玉米、小麦和毛竹，表明WOXs基因的丰富程度与基因组大小无关，这可能与基因重复有关。
杜仲基因组中共鉴定出8个EuWOXs，分布在8条染色体上。EuWOXs均为核定位蛋白，在现代进化支(WUS)、中间进化支和远古进化支分别含有5、1和2个成员，其系统发育模式与拟南芥、水稻、陆地棉等类似[29，31-32]。EuWOXs基因启动子中含有多种生长发育、激素响应、非生物胁迫以及光周期响应元件。在水稻中，WUS的OsWOX5和中间进化支的OsWOX11、OsWOX12A和OsWOX12B基因表达受生长素、细胞分裂素和赤霉素调节，超表达OsWOX11可提高水稻抗旱性[16-17]。细胞分裂素强烈促进苹果Malus pumila WOX1和WOX3基因表达，生长素诱导黄瓜CsWOX1b和CsWOX3基因表达[3]。在拟南芥中，生长素反应因子5 (AUXIN RESPONSE FACTOR，ARF5)上调AtWOX1和PRS (AtWOX3)基因的表达，ARF2、ARF3和ARF4抑制AtWOX1和PRS的表达[40]。OsWOX3A参与水稻器官发育、叶片横向轴伸长、颖花外稃形态发生以及分蘖和侧根发育[10]，MtWOX1的同源基因STENOFOLIA是蒺藜苜蓿Medicago truncatula叶片生长和维管组织形成的必须基因[41]，PttWOX4在杨树形成层中特异表达，PttWOX4a/b RNAi干扰后导致维管形成层宽度缩小，次生生长减弱[42]。推测EuWOXs可能在杜仲生长发育、激素和胁迫响应等生物学过程中发挥重要作用。
WOX家族基因参与叶片发育。属于中间支的AtWOX9/STIMPY过表达导致拟南芥叶缘波浪化[43]，SlLAM1主要在番茄Solanum lycopersicum叶片、花和果实中表达，SlLAM1缺失导致叶片变窄，次生小叶数量减少[44]，超表达黄瓜CsWOX9导致转基因拟南芥角果变短，莲座叶和分枝数目增加[3]。来源于WUS的AtWOX3是拟南芥侧托叶发育的必需基因，Atwox1和Atwox3缺失突变体导致叶片和花器官变窄，影响叶片横向扩张和花瓣融合[45-46]；GhWOX9_At，GhWUSa_At和GhWUSb_Dt主要在棉花幼叶中高量表达[47]。远古进化分支中的OsWOX13在水稻叶、茎、根维管组织中表现为空间表达调控，在花和发育中的种子中是时间表达调控[48]。在杜仲中，EuWOX13-1在叶芽中表达量最高，随着叶片发育，转录水平逐渐降低，暗示EuWOX13-1主要在杜仲叶片发育的早期阶段发挥作用。EuWOX13-2在生长叶中表达量较高，在叶片发育过程中呈现先升高后降低的趋势。EuWOX13-1和EuWOX13-2是一对重复基因，其表达水平的差异可能与基因结构不同有关，也可能是EuWOX13-1和EuWOX13-2在重复后发生了功能分化。在甘蓝型油菜Brassica napus中，BnCWOX13a与BnCWOX13c互为同源基因，然而它们的表达趋势完全不同[49]，在拟南芥中，AtWOX13在初生根、侧根、雌蕊和胚发育中动态表达，而AtWOX13的直系同源基因AtWOX14只在侧根形成的早期阶段和发育的花药中特异表达[50]，由此推测EuWOX13-2可能只获得了EuWOX13-1基因的部分功能，具体功能还需要进一步研究。
-
图 5 树高、胸径真实值与测量值的线性回归图
Figure 5 Linear regression diagram of measured and true values of tree height and DBH
表 1 点云分割前后数量变化对比
Table 1. Comparison of quantity changes before and after point cloud segmentation
立木序号 初始点
云数量处理后点
云数量立木序号 初始点
云数量处理后
点云数量1 97 354 32 559 11 88 539 30 165 2 89 632 29 976 12 100 179 34 697 3 87 692 29 463 13 73 694 23 973 4 96 394 32 036 14 96 582 32 694 5 79 983 26 798 15 79 659 27 461 6 85 564 29 569 16 87 652 29 069 7 86 397 27 894 17 95 394 315 49 8 79 836 29 654 18 89 634 29 367 9 84 296 28 364 19 100 963 33 715 10 76 849 26 798 20 86 535 28 934 
下载: 导出CSV
表 2 树高胸径真实值与测量值
Table 2. True and measured value of tree height and DBH
立木
序号树高真
实值/m树高测
量值/m相对
误差/%胸径真
实值/cm胸径测
量值/cm胸径相
对误差/%立木
序号树高真
实值/m树高测
量值/m相对
误差/%胸径真
实值/cm胸径测
量值/cm胸径相
对误差/%1 3.425 3.396 0.847 12.306 12.532 1.837 12 3.843 3.764 2.056 13.265 13.437 1.297 2 3.721 3.775 1.451 14.261 13.984 1.942 13 3.514 3.587 2.077 13.254 13.079 1.320 3 3.944 3.921 0.583 17.753 17.459 1.656 14 3.676 3.657 0.517 16.236 16.543 1.891 4 3.560 3.481 2.219 10.243 10.657 4.042 15 3.915 3.876 0.996 15.245 15.042 1.332 5 3.616 3.643 0.747 10.365 10.696 3.193 16 4.178 4.126 1.245 12.236 12.019 1.773 6 4.121 4.046 1.820 7.634 8.063 5.620 17 4.236 4.259 0.543 14.156 14.052 0.735 7 3.638 3.584 1.484 6.138 6.442 4.953 18 4.339 4.394 1.268 16.236 16.141 0.585 8 3.535 3.523 0.339 6.049 5.936 1.868 19 4.421 4.391 0.679 13.245 13.362 0.883 9 3.891 3.912 0.540 9.142 9.365 2.439 20 4.365 4.322 0.985 14.237 14.302 0.457 10 3.653 3.627 0.712 13.125 12.956 1.288 平均值 1.092 2.084 11 3.787 3.815 0.739 12.367 12.049 2.571
下载: 导出CSV
-
[1] 孟宪宇. 测树学[M]. 北京: 中国林业出版社, 1996. MENG Xianyu. Forest Mensuration[M]. Beijing: China Forestry Publishing House, 1996. [2] 冯仲科, 黄晓东, 刘芳. 森林调查装备与信息化技术发展分析[J]. 农业机械学报, 2015, 46(9): 257 − 265. FENG Zhongke, HUANG Xiaodong, LIU Fang. Forest survey equipment and development of information technology [J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(9): 257 − 265. [3] 陈永富, 陈巧, 刘华. 基于遥感图像的林况因子提取研究进展[J]. 世界林业研究, 2022, 35(2): 53 − 58. CHEN Yongfu, CHEN Qiao, LIU Hua. Research progress in forest condition factors extraction based on remote sensing images [J]. World Forestry Research, 2022, 35(2): 53 − 58. [4] 刘润东, 朱宁宁, 吕华权, 等. 基于TLS和UAV LiDAR的林区单木胸径和树高的自动提取方法[J/OL]. 桂林理工大学学报, 2021: 1 − 10, 2021-10-26[2022-04-30]. https://kns.cnki.net/kcms/detail/45.1375.N.20211025.1628.002.html. LIU Rundong, ZHU Ningning, LÜ Huaquan, et al. Automatically extraction the DBH and height of individual tree in forest area based on TLS and UAV LiDAR point clouds [J/OL]. Journal of Guilin University of Technology, 2021: 1 − 10, 2021-10-26[2022-04-30]. https://kns.cnki.net/kcms/detail/45.1375.N.20211025.1628.002.html. [5] 吕金城, 王振锡, 杨勇强, 等. 基于无人机影像的天山云杉林树高提取及蓄积量的反演[J]. 新疆农业科学, 2021, 58(10): 1838 − 1845. LÜ Jincheng, WANG Zhenxi, YANG Yongqiang, et al. Height extraction and growing stock inversion of Picea schrenkiana var. tianshanica in Tianshan Mountain based on UAV Image [J]. Xinjiang Agricultural Sciences, 2021, 58(10): 1838 − 1845. [6] 于东海, 冯仲科, 曹忠, 等. 全站仪测量立木胸径树高及材积的误差分析[J]. 农业工程学报, 2016, 32(17): 160 − 167. YU Donghai, FENG Zhongke, CAO Zhong, et al. Error analysis of measuring diameter at breast height and tree height and volume of standing tree by total station [J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(17): 160 − 167. [7] INDIRABAI I, NAIR M W H, JAISHANKER R N, et al. Terrestrial laser scanner based 3D reconstruction of trees and retrieval of leaf area index in a forest environment [J/OL]. Ecological Informatics, 2019, 53: 100986 [2022-04-30]. doi: 10.1016/j.ecoinf.2019.100986. [8] LIU Jincheng, FENG Zhongke, MANNAN A, et al. Comparing non-destructive methods to estimate volume of three tree taxa in Beijing, China [J/OL]. Forests, 2019, 10(2): 92 [2022-04-30]. doi: 10.3390/f10020092. [9] 张宏群, 刘开辉, 郑峰, 等. 基于二维激光雷达植株高度测量系统的研究[J]. 电子测量技术, 2021, 44(4): 97 − 103. ZHANG Hongqun, LIU Kaihui, ZHENG Feng, et al. Research on plant height measurement system based on two-dimesional LiDAR [J]. Electronic Measurement Technology, 2021, 44(4): 97 − 103. [10] 夏春华, 施滢, 尹文庆. 基于TOF深度传感的植物三维点云数据获取与去噪方法[J]. 农业工程学报, 2018, 34(6): 168 − 174. XIA Chunhua, SHI Ying, YIN Wenqing. Obtaining and denoising method of three-dimensional point cloud data of plants based on TOF depth sensor [J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(6): 168 − 174. [11] YIN Demeng, WANG Le. Individual mangrove tree measurement using UAV-based LiDAR data: possibilities and challenges [J]. Remote Sensing of Environment, 2019, 223: 34 − 49. [12] 陈相武, 徐爱俊. 基于智能手机单目视觉的多株立木高度提取方法[J]. 北京林业大学学报, 2020, 42(8): 43 − 52. CHEN Xiangwu, XU Aijun. Height extraction method of multiple standing trees based on monocular vision of smart phones [J]. Journal of Beijing Forestry University, 2020, 42(8): 43 − 52. [13] 宋佳音, 张晓鹏, 宋文龙, 等. 应用半球图像构建的立木高度测算方法[J]. 东北林业大学学报, 2020, 48(6): 61 − 65. SONG Jiayin, ZHANG Xiaopeng, SONG Wenlong, et al. Measuring standing wood height with hemispherical image [J]. Journal of Northeast Forestry University, 2020, 48(6): 61 − 65. [14] 杨红, 徐爱俊. 基于短视频图像的立木深度图生成算法[J]. 激光与光电子学进展, 2020, 57(16): 143 − 151. YANG Hong, XU Aijun. Tree depth image generation algorithm based on short video images [J]. Laser &Optoelectronics Progress, 2020, 57(16): 143 − 151. [15] HUI Fang, ZHU Jinyu, HU Pengcheng, et al. Image-based dynamic quantification and high-accuracy 3D evaluation of canopy structure of plant populations [J]. Annals of Botany, 2018, 121(5): 1079 − 1088. [16] MILLER J, MORGENROTH J, GOMEZ C. 3D modelling of individual trees using a handheld camera: accuracy of height, diameter and volume estimates [J]. Urban Forestry &Urban Greening, 2015, 14(4): 932 − 940. [17] WU Xinmei, ZHOU Suyin, XU Aijun, et al. Passive measurement method of tree diameter at breast height using a smartphone [J/OL]. Computers and Electronics in Agriculture, 2019, 163: 104875 [2022-05-01]. doi:10.1016/j.compag.2019.104875. [18] 高莉平, 徐爱俊. 应用智能终端的立木高度测量方法[J]. 东北林业大学学报, 2018, 46(11): 28 − 34. GAO Liping, XU Aijun. Tree height measurement method with intelligent termina [J]. Journal of Northeast Forestry University, 2018, 46(11): 28 − 34. [19] 吕奇. 基于机器视觉和激光测量的立木测量方法研究[D]. 北京: 北京林业大学, 2018. LÜ Qi. Stumpage Measurement Method using Machine Vision and Laser Measurement [D]. Beijing: Beijing Forestry University, 2018. [20] 魏新华, 张敏, 刘青山, 等. 基于双目视觉的田间作物高度和收割边界信息提取[J]. 农业机械学报, 2022, 53(3): 225 − 233. WEI Xinhua, ZHANG Min, LIU Qingshan, et al. Extraction of crop height and cut-edge information based on binocular vision[J]. Transactions of the Chinese Society for Agricultural Machinery, 222, 53(3): 225 − 233. [21] 佘银海, 王新彦. 基于双目立体视觉的草坪植株高度测量[J]. 江苏农业科学, 2020, 48(4): 215 − 221. SHE Yinhai, WANG Xinyan. Measurement of lawn height based on binocular stereo vision [J]. Jiangsu Agricultural Sciences, 2020, 48(4): 215 − 221. [22] 刘金成, 冯仲科, 杨立岩, 等. 实时动态多功能双目立体摄影测树仪设计[J]. 农业工程学报, 2018, 34(22): 61 − 68. LIU Jincheng, FENG Zhongke, YANG Liyan, et al. Design of real-time kinematic multi-functional binocular stereo-photogrammetric dendrometer [J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(22): 61 − 68. [23] 张真维, 赵鹏, 韩金城. 基于双目视觉的树木高度测量方法研究[J]. 林业工程学报, 2021, 6(6): 156 − 164. ZHANG Zhenwei, ZHAO Peng, HAN Jincheng. Research on measurement method of single tree height using binocular vision [J]. Journal of Forestry Engineering, 2021, 6(6): 156 − 164. [24] 刘艳, 李腾飞. 对张正友相机标定法的改进研究[J]. 光学技术, 2014, 40(6): 565 − 570. LIU Yan, LI Tengfei. Research of the improvement of Zhang’s camera calibration method [J]. Optical Technique, 2014, 40(6): 565 − 570. [25] 顾雯钧, 徐爱俊, 尹建新. 基于运动恢复结构的多株立木因子测量方法[J]. 浙江农林大学学报, 2022, 39(4): 792 − 799. GU Wenjun, XU Aijun, YIN Jianxin. Measuring method of multiple trees attributes based on structure from motion [J]. Journal of Zhejiang A&F University, 2022, 39(4): 792 − 799. [26] 杨全月, 陈志泊, 孙国栋. 基于点云数据的测树因子自动提取方法[J]. 农业机械学报, 2017, 48(8): 179 − 185. YANG Quanyue, CHEN Zhibo, SUN Guodong. Automatic extraction method of tree measurement factors based on point cloud data [J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(8): 179 − 185. [27] 吴铮, 吴晓柯, 徐爱俊, 等. 基于Android平台的立木胸径测量系统[J]. 福建农林大学学报(自然科学版), 2021, 50(5): 649 − 654. WU Zheng, WU Xiaoke, XU Aijun, et al. Measurement system for diameter at breast height based on Android platform [J]. Journal of Fujian Agriculture and Forestry University (Natural Science Edition), 2021, 50(5): 649 − 654. -
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20220352
点击查看大图
计量
- 文章访问数: 629
- HTML全文浏览量: 95
- PDF下载量: 37
- 被引次数: 0
