苔藓植物是生态环境演替中的先锋植物，被世界各国广泛应用为环境变化的指示物[1-2].苔藓植物还能有效地改善植被覆盖欠佳地区的环境，在水土保持、防沙固沙等过程中发挥着极其重要的作用.研究苔藓植物的覆盖度(Fractional Vegetation Cover，FVC)可以反映其生长的动态变化，对环境监测、植物演替等研究具有重要意义.

传统的苔藓覆盖度提取方法是网格目估法，即将研究样地划分为若干面积相等的样方，通过肉眼凭借经验直接判别，然后估算样方的植被覆盖度，最后取平均值作为研究样地的植被覆盖度[3-4].一般利用0.5 m×0.5 m的取样框选定苔藓区域，框中有26×26个交叉点，通过统计交叉点的数目来估算确定研究区域的植被覆盖度，该方法虽简单易行，但主观随意性大，目估精度与测量人的经验密切相关，研究认为，单人目估得到的覆盖度数据最大绝对误差可达40.4%[5].

在植被覆盖度信息提取的研究中，利用计算机数字图像处理也是比较普遍的方法之一.监督分类需要选择训练样本作为分类参考，因此在分类过程中会引入很多人为因素，不能做到自动化操作，费时费力；非监督分类仅依靠影像上不同类地物信息进行特征提取，虽不需要更多的先验知识，但需要对其结果进行大量分析及后处理；而目视解译虽然精度较高，但是需要手动选取图像中的所有植被信息，因此比监督分类的工作量还大[6].

近地面测量中利用照相法提取植被覆盖度是目前利用较多的方法之一，其原理是对所测区域进行垂直照相，然后提取照片上的信息并计算植被百分比[7].一般是使用图像处理软件对照片进行解译，计算植被像元数占总像元数的百分比[8].如Zhou等通过光谱纹理分类器自动提取草地植被覆盖度 [9].Anatoly等使用数码相机估算了美国内布拉斯加州的小麦覆盖度[10].Friedl等利用数码相机提取美国干旱生态系统植被覆盖度，研究表明利用数码相机提取植被覆盖度是有效并准确的[11].照相法结合计算机处理，高效快速，提取精度高，可见利用数字照相技术提取植被覆盖度的方法非常有前景和研究价值[7].

基于照相法提取植被覆盖度的方法有很多，大致分为3类.第一类是直接利用数字照片颜色的特点，来提取植被覆盖度，如张云霞等[12]提出的RGB阈值法，对内蒙古地区草地开展了研究，并认为RGB 阈值法与借助图像处理软件的目视解译法精度相当.章超斌等[13]利用RGB决策树法提取新疆阜康市的草原区植被覆盖度，提取精度在95%以上.

第二类是构建植被指数提取植被覆盖度，由于数字照片只包含RGB 3个波段的信息，常用于提取植被的归一化植被指数、比值植被指数等需要近红外波段参与计算的植被指数就不能提取数字照片的植被覆盖度，所以有些学者利用只包含RGB波段信息的植被指数来提取植被覆盖度.如胡建波等[14]选取超绿特征作为植被指数，通过设定阈值提取草地覆盖度，对于纯绿色植物提取结果较好，但对绿色特征不明显的植物，存在低估的现象.任杰等[15]利用归一化差异指数(Normalized Difference Index，NDI)对数字照片进行处理提取植被覆盖度信息，结果表明利用NDI分类可以达到监督分类的精度，并且快速高效.

2015年，上化院被科技部批准为“聚烯烃催化技术与高性能材料”国家重点实验室的依托单位；由上化院牵头组建200家产业链企业的全国超高新材料产业技术创新战略联盟，获国家石化联合会授牌。

第三类是将数字照片转换为其他颜色空间，通过不同的颜色空间特点提取植被覆盖度.最常用的颜色空间为HLS颜色空间，如李存军等[16]设定色调(H)值提取小麦覆盖度，去除了影像中亮度和饱和度影响，大部分土壤都可被成功分类为非植被，但是红色土壤对小麦分类还存在一定的干扰.邢白灵等[17]利用HLS色彩变换与RGB结合法提取草地被覆盖度，提取精度较高，但少部分偏黄植物会被分类为非植被.还有利用HSV和Lab颜色空间提取植被覆盖度，如Richardson等[18]利用HSV颜色空间的色调(H)值提取高尔夫球场的圆形草坪草，刘耀开等[19]利用Lab颜色空间的特点对数字照片进行分类，提取效果优于监督分类.

本次统计的189篇论文中，独著或与人合著2篇（含）以上的作者有27人，表明国内图书馆与MOOC相关问题的研究人员在数量上已经初具规模。武汉大学信息管理学院黄如花教授立足于其在中国大学MOOC平台上开设的“信息检索”MOOC课程、南开大学图书馆张立彬研究馆员依托2016年度国家社会科学基金重点项目“网络时代开放教育资源引进与利用中的知识产权问题研究”和2015年度天津市哲学社会科学规划重点项目“MOOC背景下的图书馆应对策略研究”，在本次统计的作者发文量中并列第一，独著或与人合著论文数量均为8篇。

动态成本管控中的难点在于已确认的变更签证已上报至投资方成本部，预估的变更签证可预见并可控，后者较前者更难于实现管控，要求管控人员经验丰富，对成本变化有很高的灵敏度。这些情形一旦发生，往往需要合约规划的余量进行填补，故在合约规划时，需进行强制余量的预留，预留量一般占合同金额的3%～5%。

本研究通过对数字照片进行RGB-Lab颜色空间变换处理，结合相应算法从数字照片中快速提取苔藓覆盖度，试图通过减少人工操作来有效减少工作量.

1　材料与方法

本文以小羽藓(Bryohaplocladium angustifolium)的数字照片为研究对象.小羽藓是薄罗藓科小羽藓属植物，一般为绿色，生长后期呈现红色，其对金属富集能力较强，是良好的大气污染指示植物.

数字照片分辨率较高，分类后统计像素值是比较好的方法.在计算机中可将数字照片分为苔藓和非苔藓两类，生成二值图像，并统计图像中像素的频数以计算苔藓的覆盖度[22].

1.1　数字照片来源

小羽藓数字照片于2014年3月底采集于新疆天山地区，所有照片均使用Nikon D90数码相机采集，在晴天无云状态下拍摄.拍摄的数字照片以JPGE格式存储.由于数字照片边缘会有变形的情况，照片需要裁剪掉边缘部分.从中选取两幅影像分类并提取覆盖度.影像a中枯枝枯叶较多，苔藓颜色混杂，与土壤不易分辨；影像b中苔藓绿色特征显著，能够清楚的区分苔藓与土壤，如图1所示.

  

图1　本研究采用的小羽藓照片Fig.1　The photos of Bryohaplocladium angustifolium in this study

1.2　研究方法

1.2.1　技术路线图

1.4 疗效判断 以上指标评定在治疗前后由康复治疗师专人负责，呼吸障碍疗效判断标准：①显效：临床症状有明显减轻或者缓解，FEV1增加25%～35%；②好转：临床症状缓解或者减轻，FEV1增加15%～24%；③无效：临床症状无减轻或者缓解，FEV1增加<15%。吞咽障碍疗效判断标准：①显效：吞咽障碍改善明显，饮水试验达到1、2级；②有效：吞咽障碍有改善，饮水试验达到3级；③无效：吞咽障碍无改善，饮水试验4、5级。总有效率为好转率加显效率。

高校机构内的知识(指组织或个人的教学科研实践活动过程中形成)主要包括以下几部分：各项已经取得且公开发表的教学科研成果，比如受著作权保护的各类著作、期刊论文、取得专利权的专利文献等；各项不以发表为目的的教学课件、会议演讲稿、参加学术会议带回的资料、各类参观考察采集回来的资料、各实验室记录的工作日志、实验数据等；各级各类学位论文、毕业论文；存在于师生头脑中的知识、想法、经验等。

  

图2　论文技术路线Fig.2　Technical route of the paper

小羽藓在生长初期呈绿色，到生长后期渐渐变为深绿色并伴有红色，所以在数字照片中，小羽藓覆盖区域存在红绿色混合的现象.此外，小羽藓表面还有少量枯枝枯叶覆盖，周围存在阴影，使得苔藓覆盖度与真实覆盖度有所误差.但由于分离的亮度，且减少了其他颜色的干扰，在分类精度上与其他方法相比有所提高.

以上这些分类方法中，利用RGB和HLS颜色空间的分类方法会有亮度因素干扰，而利用Lab颜色空间还可以分离亮度，减少亮度对分类的影响[20]；Lab与利用HLS和HSV的色调(H)分量和RGB的分类方法相比，其色调色域宽阔，也弥补了RGB等其他模式的不足[21].并且苔藓由于生长期不同，绿色和红色苔藓会混杂在一起生长，Lab中的a分量只包含红绿两个颜色分量，还可以避免其他颜色对分类的影响，所以利用Lab颜色空间分类是较好的选择.现有基于数字照片的植被覆盖度研究主要针对水稻、玉米等农作物和草地提取，对于苔藓植物的提取至今还没有相关的研究.

首先垂直拍摄，获取苔藓数字照片，在拍摄前清理大块掉落物，然后进行Lab颜色空间转换处理，根据a分量(红绿色段)设定合适的阈值，将所观测植物分类为苔藓和非苔藓.最后，分别计算苔藓像元点数和非苔藓像元点数，获得苔藓覆盖度，具体操作流程如图2所示.

1.2.2　分类原理

数字照片有3个不同的颜色，每个颜色对应可见光中不同的光谱敏感波段，这3个波段分别为R(红)G(绿)B(蓝)，范围是0～255，描述了在设备中生成颜色所需要特定色料的数量；与RGB颜色空间不同的是，Lab颜色空间描述的是颜色的显示方式，它不依赖于设备，且色域宽阔，弥补了RGB色彩模型色彩分布不均的缺点.其中，L(Lightness)代表亮度，值域为[0,100]，a、b为颜色分量，a分量颜色是绿色到红色，b分量颜色是蓝色到黄色，两个颜色分量值域为[-128，+127].由于分离了数字照片的亮度信息，可以减小不同亮度下拍摄的数字照片对苔藓植被覆盖度提取的影响，所以利用Lab颜色空间对苔藓数字照片进行处理有很大优势.

将数字图像从RGB颜色空间转换到Lab颜色空间，需要先将RGB模式转换到xyz颜色空间，再由xyz颜色空间转换到Lab颜色空间[23].

1978-2018，中国磷复肥工业苦练内功，不断超越自我，在改革开放的春风中破浪前行，实现了行业从小到大，技术由弱渐强，产品从单一到多元、从低浓度到高浓度，贸易从净进口到净出口的跨越式发展，对促进农业高效、高质量发展，保障国家粮食安全作出了卓越贡献，写出“磷”安天下的壮美华章。

数字照片中的苔藓植被覆盖度提取主要有3个步骤：首先，对数字照片进行Lab颜色空间转换处理；其次，设定最佳阈值，分类为苔藓和非苔藓.苔藓主要呈现为绿色，部分呈红色，所以在选定阈值时考虑到苔藓颜色，选定了a分量(红绿色段)为阈值选取范围；最后，生成二值图像，并计算二值图像的苔藓覆盖度.

[9] ZHOU Q,ROBSON M.Automated rangeland vegetation cover and density estimation using ground digital images and a spectral-contextual classifier[J].International Journal of Remote Sensing, 2001, 22(17): 3457-3470.

 

通过该变换最后得到一幅二值黑白图像，图中白色区域为苔藓，黑色区域为非苔藓.

通过对苔藓影像的分析得知，并且为避免Lab中a分量中间灰度对分类的干扰，所以需设定T1、T2两个阈值避开中间值，根据对苔藓影像的分析，避开(-1,1)的灰度区域.则当像元满足条件则为苔藓，否则为非苔藓.

2　分类结果

 

表1　5种分类方法分类比较Tab.1　Comparison of classification accuracy of the 5 methods

  

分类方法分类结果影像a覆盖度/%影像b覆盖度/%最大似然法20.1724.45ISODATA法28.5636.85自动分类法17.7515.47Lab分类法18.0823.76网格目估法17.6012.50

注：白色为苔藓，黑色为非苔藓

本研究中采用最大似然法(监督分类)、ISODATA法(非监督分类)和自动分类法对小羽藓照片进行分类，并将三者的分类结果与本文的分类方法得到的结果进行比较，最后对5种分类精度进行评价.

最大似然法和ISODATA法在ENVI4.8软件中执行，自动分类法利用李存军[16]的方法实现.对于影像a和影像b，白色为苔藓，黑色为非苔藓，发现ISODATA法得到的苔藓覆盖度最大，而网格目估法最小.Lab分类法所得覆盖度介于5种方法之间，分类结果如表1所示.

3　覆盖度提取精度评价与分析

3.1　精度评价

本文利用误差矩阵[24]对4种分类方法进行评价，在数字照片中手动勾绘出苔藓区域，并将所得苔藓覆盖度作为准确结果，将4种分类方法的结果与手动勾绘结果进行比较，得出4种方法总体分类精度，具体构成如表2所示.

 

表2　分类精度的误差矩阵Tab.2　Error matrix of classification accuracy

  

分类类别 正确像元数 错误像元数 总计像元数 苔藓 a ba+b(苔藓像元数)非苔藓 c dc+d(非苔藓像元数)

注：a为被正确分类的苔藓像元数；b为被分为非苔藓的苔藓像元数；c为被正确分类的非苔藓像元数；d为被分为苔藓的非苔藓像元数.总的分类精度为：(a+c)/(a+b+c+d)*100%

5种分类方法对两幅影像进行分类的分类精度如表3所示.

 

表3　5种不同分类方法的分类精度Tab.3　The classification accuracy of the 5 methods　 /%

  

网格目估法最大似然法ISODATA法自动分类法Lab分类法影像183.4595.6663.4280.0696.93影像252.0898.4377.1777.0398.63

从表3所示的分类结果来看，ISODATA法精度最低，分类的效果并不好，阴影部分误差较多；最大似然法和本文分类法结果相近，精度较高；自动分类法[16]的精度稍低，虽然自动分类法提取植被覆盖度在理论精度上可达90%以上，但由于该方法是对纯绿色植物进行分类，所以考虑到提取苔藓不仅仅只提取绿色部分，所以提取苔藓时精度并不高，存在低估的现象.所以，就本文分类结果来看，最大似然法和自动分类法提取结果较差，精度较低，最大似然法和Lab分类法精度较高.网格目估法仅从苔藓覆盖度数据比较，网格目估法会忽略面积较小的苔藓，并且由于人的经验不同，从而存在较大误差.

3.2　分类方法适用性

从两张数字照片分类结果来看，由于分离了亮度，也消除了其他颜色的干扰，所以分类结果较好.本研究修改部分参数可适用于提取颜色特征为绿色和红色的苔藓，如葫芦藓(Funaria hygrometrica)、金发藓(Polytrichum commune)等纯绿色或具有红绿色特征的苔藓覆盖度，用于监测苔藓动态生长变化.

5种分类方法的比较如表4所示，这5种分类方法原理不同，从选择训练区、主客观性、工作量、操作时间、人工参与等项比较，本文分类方法和ISODATA方法、自动分类法和Lab分类方法相似，都快速简单，而最大似然法和网格目估法耗时长劳动强度大；从分类精度上看，Lab分类法和最大似然法精度都较高；ISODATA方法和网格目估法较低，而自动分类法仅针对单一绿色植被而言分类精度较高.所以本文的Lab分类方法不仅综合最大似然法、ISODATA法和自动分类法的优点，而且还减小其他颜色对分类的干扰，能够快速、准确地估测苔藓植被覆盖度.

 

表4　5种分类方法比较Tab.4　Comparison of the 5 classification methods

  

ISODATA方法最大似然法Lab分类法自动分类法网格目估法选择训练区不需要选择的训练区不同,分类结果会有差异不需要不需要不需要主客观性客观性强主观性强客观性强客观性强主观性强工作量小大小小大操作时间短长短短长人工参与度少多少少多

4　结论与讨论

本研究提出利用数字影像分析技术从数码相机获取的照片中提取苔藓植被覆盖度的方法，该方法在对数字图像处理过程中，利用Lab颜色空间中仅包含红色和绿色颜色信息的a分量对苔藓进行分类，减少了其他颜色对分类的干扰，也减少了操作者的主观性，分类精度高，结果令人满意，而且提取覆盖度信息的精度也比其他方法高，不失为一种精确客观提取苔藓覆盖度的方法.

但是，对于本文的分类方法，还有许多需要改进的地方：

1)本算法基于单个纯像元进行分类，由于混合像元的存在，后续的研究可以结合混合像元分解模型，进一步提高分类精度；

因实际地质条件与设计相差较大，坝体中碎石夹层较厚，且原坝体曾进行过黏土灌浆，破坏了坝体土的结构，致使本项目施工中普遍存在槽口坍塌现象。对此，采取了设钢管密集桩、加深导向槽、改善泥浆固壁效果（加膨润土）等施工方法。对坍塌严重的4个槽孔，为保证施工机械、人员及大坝坝体的安全，进行了黏土回填重新造孔。

参考文献:

[1] CAMERON A J， NICKLESS G.Use of mosses as collectors of airborne heavy metals near a smelting complex[J]. Water Air Soil Poll, 1977,7 (1):117-125.

1.2.该地区的构造特征。该地区经过多次地质变迁，通过多次构造运动形成了较为复杂的构造格局，由于褶皱造成的不发育以及断裂沟，共同构成了该区的主要构造早期的构造。还往往与后期构造相结合，并相互依存，该地区的构造意义，新华系构造发育和印支燕山期的华夏系为主区域内主，NNY向断裂构造系该地区的主要断裂构造，其规模大小不一，有的宽约几米至几十米，有的长约几公里几十公里走向约为偏北方向20到30度。该地区局部地段向东朝向十度左右，且个别向西、向南东约为40到85度，并且呈密集状分布和带状分布，近似于平行排列期间分布，有的充满了各种脉岩。

[2] VITT D H. Patterns of growth of the drought tolerant moss, racomitrium microcarpon,over a three year period[J].Lindbergia,1989, 15(6):181-187.

[10] GITELSON A A,KAUFMAN Y J, STARK R,et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment,2002,80(1):76-87.

[4] 龙满生. 玉米苗期杂草识别的机器视觉研究[D].杨凌：西北农林科技大学,2002.

[13] 章超斌,李建龙,张颖,等. 基于RGB模式的一种草地盖度定量快速测定方法研究[J]. 草业学报,2013,22(4):220-226.

[6] 路炳军,刘洪鹄,符素华,等.照相法结合数字图像技术计算植被覆盖度精度研究[J].水土保持通报，2007,27(1)：78-80.

[7] 章文波,刘宝元,吴敬东.小区植被覆盖度动态快速测量方法研究[J].水土保持通报,2001,21(6):60-63.

[8] MEYER G E. Plant species identification,size,and enumeration using machine vision techniques on neat-binary images[J]. Proceedings of SPIE,1993 ,1836 :208-219.

由表1和表2可知，总酯减少量与总酸增加量的比值在1.90～2.10之间的有24组，占总数的66.67%。酸酯比值的平均值为1.914，都接近于2。由图3和图4可知，变化情况的一致性和变化数据也可以反映出总酸含量的增加和总酯含量的减少上存在一定联系。对其进行大胆猜想，即总酸的增加量和总酯的减少量之间存在某种倍数关系。

根据a分量信息数值表示的方式，红色和绿色的数值分别占据两端，数值的中间值附近表示为灰度值，低数值部分表示为绿色，高数值部分表示为红色，所以选取阈值时，将小于阈值T1的像素点认为是绿色像素点，大于阈值T2的像素点认为是红色像素点，设置为1，而其他像素点设置为0，为非苔藓，最终得到绿色和红色区域图像agreen 和ared，其中阈值T1应小于中间值，以便去除黑白灰度的干扰，即

[3] 张云霞,李晓兵,陈云浩. 草地植被盖度的多尺度遥感与实地测量方法综述[J]. 地球科学进展,2003,18(1):85-93.

[11] FRIEDL M A,SCHIMEL D S, MICHAELSEN F W,et al. Estimating grassland biomass and leaf area index using ground and satellite data[J]. International Journal of Remote Sensing,1994,15(7)：1401-1420.

[12] 张云霞,李晓兵,张云飞. 基于数字相机、ASTER和MODIS影像综合测量植被盖度[J]. 植物生态学报,2007,31(5):842-849.

2)本文的算法仅考虑苔藓不同颜色的分类，没有考虑照片中不同类别苔藓的分类，在后续的研究中应当考虑不同苔藓的特征，包括颜色、纹理等属性，提高分类精度.

[5] 章文波,符素华,刘宝元. 目估法测量植被覆盖度的精度分析[J]. 北京师范大学学报(自然科学版),2001,37(3):402-408.

[14] 胡健波,张璐,黄伟，等.基于数码照片的草地植被覆盖度快速提取方法[J].草业科学,2011,28(9):1661-1665.

[15] 任杰,柏延臣,王锦地.从数码照片中快速提取植被覆盖度的方法研究[J].遥感技术与应用,2010,25(5):719-724.

[16] 李存军,王纪华,刘良云，等.基于数字照片特征的小麦覆盖度自动提取研究[J].浙江大学学报(农业与生命科学版),2004,30(6):64-70.

鲍照用高密度的典故抒情、议论，“食苗实硕鼠”以下五句每句分别用了一个典故，分别讲述了由于小人离间或当权者不查，或统治者用人 “如积薪，后来者居上”等原因造成女子失宠，也象征自己 “见弃于君”的情状，感情慷慨激昂。

[17] 邢白灵,居为民,朱高龙，等.呼伦贝尔草原植被覆盖度地面实测与遥感估算研究[J].江西农业学报,2012,24(5):142-147;163.

[18] RICHARDSON M D,KARCHER D E,PATTON A J,et al. Measurement of golf ball lie in various turfgrasses using digital image analysis[J]. Crop Science,2010,50(2)：730-736.

1.2.5 统计学分析 所有资料均采用SPSS 13.0统计软件进行分析，计数资料比较采用χ2检验，P＜0.05为差异有显著性。

[19] LIU Y, MU X,WANG H, et al. A novel method for extracting green fractional vegetation cover from digital images[J]. J Veg Sci,2012,23(3):406-418.

温汤浸种后将种子在50g·L-1的醋酸铜溶液或0.5%次氯酸钠溶液中浸泡种子20分钟。可以有效杀死种子表面的病原菌，且不影响种子的出芽率。还可以用40%福尔马林100倍液浸种30分钟；0.25%～0.50%次氯酸钙浸种1小时；1%盐酸漂洗种子15分钟；15%过氧乙酸200倍液处理30分钟；30%双氧水100倍液浸种30分钟都可以有效杀死种子表面病菌，播前进行种子处理可以有效降低种子带菌率，降低苗期发病的风险。

[20] 陈祖刚,巴图娜存,徐芝英,等. 基于数码相机的草地植被盖度测量方法对比研究[J]. 草业学报,2014,23(6):20-27.

[21] 陈昌涛,仇国庆,杨平,等. Lab空间色彩分割在快速车牌定位中的应用[J]. 计算机应用研究,2010,27(8):3191-3193.

[22] ARMBRUST D V.Rapid measurement of crop canopy cover[J]. Agron J,1999，82(6): 1170-1171.

一石激起千尺浪，看到一个“精神病人”一年收入这么高，前期磨破嘴皮也不愿意搞到户增收的贫困户，在秦小宽的带动下居然有4家也搞起养殖种植等项目，秦小宽也被树为镇里脱贫攻坚自强模范户。

[23] 王可,陆长德,乐万德. 色彩相似性度量的研究与应用[J]. 计算机应用研究,2005,22(10):168-170.

[24] CONGALTON R G. A review of asessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment,1991，37(1):35-46.