采用染色示蹤技術的土壤優先流自動分割與量化系統

韓巧玲，柏 浩，趙 玥，趙燕東，徐向波，李繼紅

采用染色示蹤技術的土壤優先流自動分割與量化系統

韓巧玲1,2,3,4，柏 浩1,2,4，趙 玥1,2,3,4※，趙燕東1,2,4，徐向波1,3,4，李繼紅5

（1. 北京林業大學工學院，北京 100083；2. 城鄉生態環境北京實驗室，北京 100083；3. 國家林業局林業裝備與自動化國家重點實驗室，北京 100083；4. 智慧林業研究中心，北京 100083；5. 東北林業大學林學院，哈爾濱 150040）

針對土壤染色圖像色度不一致、染色/非染色區域對比度低的特點，以及現有土壤染色圖像分割方法自動化程度弱的問題，該研究提出一種土壤優先流自動分割與量化系統。該系統采用基于分量改進的模糊均值方法（Fuzzy-Means Based onComponent and Morphology，HM-FCM）實現染色區域的自動分割，運用數學統計法提取總染色面積比、基質流深度、優先流比等特征參數，實現對土壤染色區域的量化分析，以揭示優先流的發育程度。并基于2種林地染色圖像驗證了系統性能。試驗結果表明：1）HM-FCM法對于天然次生林和榛子林圖像均具有最佳分割效果，其分割準確率為87.9%和83.3%，調和平均值為90.5%和80.3%；2）2種林地土壤染色區域總體集中于0～50 cm土層，優先流具有不同發育程度（<0.05）。該系統可為優先流路徑的空間演變提供技術支持和理論依據。

土壤；圖像分割；優先流；染色示蹤技術；量化分析

0 引 言

優先流是一種常見的土壤水分運動形式，表示土壤中溶質和水分繞過土壤基質并在土體內部優先移動的現象[1]。由于土壤脹縮、小動物活動軌跡、植被根系發育狀況等的影響，土壤中優先流多以大孔隙流和管流的形式存在。優先流能在短時間內提高雨水的入滲能力，減少地表徑流和侵蝕；同時也會降低植物對肥料的吸收效率，減弱農藥在土壤中的停留降解作用，加劇地下水污染[2-3]。因此，研究優先流對控制水污染、保護生態環境和促進農業經濟可持續發展具有重要意義[4]。

土壤優先流研究方法主要包括間接測量法和直接觀測法。間接測量法主要包括微張力測量技術[5]、穿透曲線技術[6]、電阻率層析成像技術[7]等，此類方法主要通過公式推演計算土壤含水量、土壤電導率等參數研究優先流，無法直觀展示優先流路徑。直接觀測法主要包括樹脂填充法[8]、核磁共振技術[9]、染色示蹤技術[10-15]等，其中，樹脂填充法由于樹脂硬化時間快導致部分孔隙無法填充，核磁共振技術由于費用極高導致應用較少，而染色示蹤技術具有無毒無害、可適度高、溶解度高、費用低等優點，被廣泛應用到土壤優先流的研究中。

目前，研究者主要采用通用圖像處理軟件Image J[16]、Image Pro Plus[17]、Photoshop[18-19]等對土壤優先流染色圖像進行優先流分割。這類軟件主要適用于目標和背景對比度高的圖像，且無法實現批量自動處理[20]。而受拍攝光照和染色程度影響，土壤染色圖像中存在染色區域色度和光照不統一、對比度低的問題，導致分割精度和分割效率較低，從而影響后續優先流量化研究的準確性。而模糊均值聚類（Fuzzy-Means，FCM）具有處理不確定像素分類問題的優勢，適用于解決土壤染色圖像中染色區域邊界模糊的問題。同時，相較于常用的RGB（Red，Green，Blue）空間，HSV（Hue，Saturation，Value）空間具有直觀表達明暗、色調和鮮艷程度的特點，能夠增強染色圖像中顏色的對比度。因此，針對土壤染色圖像中不同物質對比度低、優先流染色不一致的特點，本文提出基于分量改進的模糊均值方法（Fuzzy-Means Based onComponent and Morphology，HM-FCM）。

HM-FCM法可以自動、批量地實現土壤染色圖像的分割；并結合總染色面積比、基質流深度、優先流比等優先流特征，構建基于染色示蹤圖像的土壤優先流自動分割與量化系統，為土壤優先流研究提供技術選擇。為驗證本文方法及系統的有效性，以2種林地下（天然次生林、榛子林）土壤優先流染色圖像為應用對象，通過對優先流自動分割和其特征的量化分析，揭示不同林地下土壤優先流的運移規律，為優先流發育狀況的評價、水資源管理、地下水污染的防治等提供科學依據。

1 材料與方法

1.1 優先流染色示蹤試驗及圖像采集

1.1.1 研究區概況

染色示蹤試驗在黑龍江省東北林業大學帽兒山實驗林場老山實驗站（127°20′42″～127°36′15″E，45°16′44″～45°19′00″N）進行。實驗區屬低山丘陵區，平均海拔300 m，最高海拔805 m，該地屬大陸性季風氣候，年平均氣溫2.8 ℃，年降水量723 mm左右。研究區內天然次生林與人工林鑲嵌分布，地帶性土壤為暗棕壤[21]。

1.1.2 染色示蹤試驗與圖像采集

將試驗點土壤表面碎石及樹枝等雜物清理干凈，然后放置長寬均為100 cm、高60 cm、厚0.5 cm的不銹鋼鐵框。緊貼鐵框外圍挖土，使其在自身重力作用下下沉50 cm。選用25 L濃度為4.0 kg/m3的亮藍染色劑，于2015年9月27日至10月5日，結合當地降雨情況（以當地24 h內最大降雨量50 mm為標準計算所需水量），采用積水滲透方式將預制的亮藍溶液均勻灑在土壤表面，然后用薄膜密封，防止其他水分輸入。染色試驗完成24 h后，緩慢取出鐵框，去除染色示蹤土壤每邊10 cm的邊緣土，將土壤剖面修整成80 cm×80 cm×50 cm的有效矩形剖面。然后，每隔10 cm垂直挖掘土壤剖面，用土壤刀和軟毛刷將土壤剖面修平，將標尺放置在剖面旁標注剖面的長度。使用高清數碼相機（IXUS 220HS，Canon），采用固定拍攝距離與角度的方式逐層拍攝林地土壤垂直剖面染色圖像（圖1）。

1.2 土壤染色圖像預處理

由于數碼相機拍攝角度、周圍復雜環境等干擾，原始土壤染色圖像需要進行裁剪預處理，以提取用于計算及處理分析的優先流區域。原始土壤染色圖像包含2部分信息，一部分是外部干擾信息，另一部分為內部土壤染色圖像。由于干擾信息與優先流研究無關，本文沿刻度尺及土塊邊緣對原圖裁剪，得到有效土壤染色圖像。

1.3 基于HM-FCM法的染色圖像分割

本文提出一種基于分量改進的模糊均值方法進行土壤優先流分割，來提高優先流路徑的分割精度。主要包括3部分：1）空間轉換，以增強染色區域與其他區域的對比度；2）基于模糊C均值聚類法實現優先流初步分割；3）采用形態學運算，實現優先流路徑的準確分割。

1.3.1 空間轉換

由于土壤染色示蹤圖像在RGB顏色空間下染色區和非染色區對比度低，在二值化時容易出現過分割和欠分割問題。觀察染色圖像發現，優先流圖像的染色和非染色區域在色調上差異較大；而HSV空間能夠直觀表達明暗、色調和鮮艷程度，并增強圖像中不同顏色的對比度，因此，本文將RGB格式的土壤染色圖像轉換到HSV空間，并分離分量。其轉換公式[22]為

式中，，分別為圖像的色調，飽和度，明度分量；max為集合{,,}中的最大值；min為集合{,,}中最小值；為同一位置體素點的紅色分量數值；為同一位置體素點的綠色分量數值；為同一位置體素點的藍色分量數值。

由圖2可知，分量下的圖像中，染色區域和非染色區域在色調上的較大差異增強了染色土壤和非染色土壤之間的對比度，有利于后續進行優先流分割；分量下的圖像中，染色較深的地方被錯誤識別為土壤固相物質，存在嚴重欠分割現象（如圖2d和圖2g紅色圓圈處）；而分量下的圖像無法識別染色區域。因此，后續優先流分割試驗均基于分量下的土壤染色圖像進行。

1.3.2 模糊均值聚類方法

作為常用的模糊聚類算法，FCM能夠根據染色圖像中所有像素點到聚類中心的隸屬度來確定聚類關系，從而使得同類像素點之間相似度最大，不同類像素點間相似度最小[23]。這一計算過程需要滿足目標函數的最小化

式中為優先流染色圖片像素點的總數量；為圖片中第個像素點；為第個聚類中心；為聚類中心的數目；u為樣本x屬于類的隸屬度；c為類的中心；||x-c||為x到c的距離；為加權指數，本文選取=2[23]。

FCM通過不斷迭代隸屬度u和聚類中心c，直到達到最優[23]

式中為迭代步數。

注：圖中紅色圓圈處為分量的誤識別區域。

Note: The red circle in the figure is the misidentification area ofcomponent.

圖2 染色圖像的、、分量及其分割結果對比

Fig.2、、components of the dyed image and comparison of segmentation results

對單個樣本x，到每個類中心的隸屬度之和為1。迭代的終止條件為

式中為誤差閾值。

當目標函數收斂時，聚類結果達到理想狀態，此時的聚類中心和隸屬度矩陣作為最終的聚類參數完成土壤優先流路徑的分割。

1.3.3 形態學后處理

由于土壤垂直剖面中小石塊、根系等的存在，使得分割出的優先流路徑存在離散空洞，影響其連通性和量化分析的準確性。因此，對優先流路徑進行填補等操作是獲取優先流特征的重要前提。開運算能夠去除孤立的噪聲點（如圖3a中左下角），減少優先流的過分割問題；而閉運算能夠填平二值圖中由根系和小石塊等造成的小孔和縫隙（如圖3b中右上角），減少優先流的欠分割問題。因此，本研究主要使用形態學中開閉運算（效果如圖3所示）相結合的操作來實現優先流填補。計算過程表示為[24]

1.4 優先流特征量化指標

基于分割后的優先流圖像，采用基于像素點的數學統計法，計算優先流總染色面積比、基質流深度、優先流比、分形維數4項最常用且具代表性的指標，評價優先流路徑發育狀況。這4個指標分別從不同方面表現了土壤優先流發育程度及形態特征，對土壤優先流的研究有重要意義。

注：圖a、b中，左側圖像為運算前圖像，左側圖像為運算后圖像。

Note: In figures a and b, the left image is the image before arithmetic, and the left image is the image after arithmetic.

1.4.1 總染色面積比

總染色面積比為染色面積與整個剖面總面積的比值[25]。作為研究土壤優先流的重要指標，可直觀地反映土壤水分運動情況。計算公式為

式中為染色面積比，%；D為染色區域面積，即染色像素點數量總和；N為未染色區域面積，即未染色像素點的總和。

1.4.2 基質流深度

基質流深度指土壤中水分以基質流形式運動的垂直深度。垂直剖面染色圖像中某一深度染色面積比大于80%的土層深度被稱為基質流深度（cm）[26]，其值可以清楚地表明優先流發生時間，基質流深度越大，說明優先流發生越滯后。

1.4.3 優先流比

優先流比是指土壤染色剖面中優先流區域的面積與總染色面積的比值[17]，即基質流深度以外的染色區域面積比，其值可以表現優先流的發育程度。優先流比越大，說明土壤中優先流現象越明顯。

1.4.4 分形維數

式中F為分形維數；為正方形小盒子邊長；()為非空盒子數。

當F=1時，濕潤鋒跡線為直線，此時不存在優先流；若F>1，表明濕潤鋒跡線為不規則曲線，此時土壤存在優先流，且分形維數F越大，濕潤鋒跡線不規則程度越高，優先流發育程度也越高。

1.5 優先流分割方法定量分析

為進一步評價本文所提方法的優劣性，采用準確率、召回率、精確率以及調和平均值對4種方法定量分析[27]。指標數值越大，方法的分割效果越準確。

1）準確率（）。表示正確分割染色區域和非染色區域的比例。

式中TP和TN分別表示正確分割染色區域和非染色區域的像素點數目；FP和FN分別表示錯誤分割染色區域和非染色區域的像素點數目。

3）精確率（）。表示染色區域分割結果中正確分割像素點的比例。

4）調和平均值（1）。是精確率和召回率的綜合指標。

2 結果與分析

為測試本文所提系統在優先流分割與特征量化的應用效果，以天然次生林和榛子林2種利用方式下的土壤為研究對象。通過前期預試驗，驗證了優先流中常用的Photoshop、Image J、Image Pro Plus等軟件具有較好的分割性能，因此，本文選用這3個軟件作為對比方法，評價本文HM-FCM法對土壤優先流的分割結果。綜合對比現有文獻中使用軟件進行優先流分割的處理步驟，選用最常見的處理方法，包括：1）Photoshop通過調整圖像的亮度為-5，對比度為74，調整色階為（19，1.24，255），選取RGB顏色范圍[55～155，70～185，90～185]分割染色區域[18-20]；2）Image Pro Plus選用在Photoshop處理的基礎上進行降噪處理（選用2×2 Square，腐蝕1次和膨脹1次）的方法[24]；3）Image J軟件自身集成16種閾值分割方法，本文預試驗采用16種方法對優先流染色圖像分割并定量分析，最終選用其中優先流分割效果最好的Li方法[28]對比分析。

試驗中標定圖為采用PhotoShop圖像處理軟件手動提取的染色結果，經5人重復標定以消除主觀因素對精度的影響，是本文量化評價分割方法的標準。本文試驗硬件環境為：處理器Intel?CoreTMi5-4590，主頻3.30 GHz，內存12 GB。軟件環境為Windows10操作系統和Python編程語言。

2.1 優先流分割結果定性分析

圖4和圖5分別為4種方法對于隨機選取的2種林地土壤染色圖像的分割結果，其中，黑色表示染色區，白色表示非染色區。

從圖4可知，Photoshop、Image Pro Plus雖能分割出部分染色區域，但由于土壤本身與染色區域對比度低，導致這2種方法存在較為嚴重的欠分割現象；并且由于土壤本身與染色區域對比度低，Image J無法準確區分染色區域，存在嚴重的過分割現象；而HM-FCM法則能識別低對比度區域，準確分割染色區域。Photoshop和Image Pro Plus雖能較好地解決過分割現象，但存在大量離散點；而HM-FCM法能夠準確判斷染色區域，具有較好的分割能力。

從圖5可以看出，Photoshop、Image Pro Plus、HM-FCM 3種方法均能較好地分割染色區域，但Photoshop、Image Pro Plus存在不同程度的欠分割現象；而Image J存在嚴重的過分割現象，無法區分染色區域和土壤。由于土壤顏色較深，與染色區域對比度低，Image J方法將深色土壤錯誤判斷為染色區域，其余3種方法都能很好識別該區域為土壤；在染色較淺的區域，由于染色區與未染色區土壤顏色極其接近，4種方法均存在不同程度的過分割現象，但從整體上HM-FCM法具有最佳分割效果。

綜上所述，本文的HM-FCM法能較好地分割2種林地下土壤染色區域，避免了染色區域由于低對比度所造成的過分割和欠分割現象。

2.2 優先流分割結果定量分析

為進一步評價本文分割方法的有效性，采用準確率、召回率、精確率和調和平均值[27]這4個指標對分割結果進行綜合分析，指標數值越大，方法的分割效果越準確。表1是4種方法對于天然次生林和榛子林優先流分割結果的定量評價，表中數據以30幅垂直剖面染色圖像均值和標準差的形式表示。

表1 4種方法分割結果的定量評價

由表1可知，針對天然次生林的土壤染色圖像，HM-FCM法具有最高的準確率（87.9%）、召回率（89.2%）、精確率（92.5%）和調和平均值（90.5%），這表示相對于其他3種方法，其對土壤染色區域的分割效果最好。而針對榛子林土壤染色圖像，Photoshop具有最高的精確率（96.1%）和最低的召回率（47.4%），這表明該方法雖然能夠正確分割出土壤中的染色區域和非染色區域，但是其對于染色區域存在嚴重欠分割現象，因此，該方法不適用土壤染色圖像中優先流分割。相比于其他3種方法，HM-FCM法的分割精確率較低（71.4%），這是由于榛子林土壤中存在較多植物細根，而HM-FCM方法將這部分細根覆蓋區域也判斷為染色區域，使得其存在部分過度分割現象。但是，HM-FCM法具有最高的準確率（83.3%），比Image Pro Plus高約15.2個百分點；其召回率達到93.5%，比Image J高約37.5個百分點；調和平均值為80.3%，遠大于其余3種方法，這表示HM-FCM在準確分割染色區域的基礎上，能較好地解決染色區域欠分割問題。

綜上所述，本文的HM-FCM法能夠較精確地分割出2種林地下土壤優先流路徑，可以為黑土優先流的量化分析提供準確的數據基礎。

2.3 優先流特征量化分析

基于分割出的染色圖像，采用總染色面積比、基質流深度、優先流比、分形維數4個參數來表征優先流發育程度。由于論文篇幅有限，從2種林地優先流30幅圖像中隨機選取2張進行試驗結果展示，見圖6和圖7。

2種林地土壤垂直剖面染色區域總體上集中在0～50 cm土層。其中，由圖6a可知，天然次生林土壤垂直剖面染色區域總體上隨土層深度增加，染色面積比呈現先減小后增大，然后又逐漸減小直至消失的特點。由圖7a土壤染色面積比可知，天然次生林土壤以優先流為主，少數在約20～30 cm深的土壤處存在基質流現象。表明土壤中水流以優先流運動為主。結合圖6a染色區域分割結果可以發現，整體染色形狀分為若干個孤立的塊狀，這表明在染色示蹤試驗過程中天然次生林下的土壤發生了橫向運動[15]。

從圖7b可以看出，相比于天然次生林的土壤染色情況，榛子林垂直剖面染色面積比的變化趨勢較為單一，其數值隨著土層深度整體呈現逐漸減小的趨勢。結合圖6b染色區域分割結果，在0～20 cm的榛子林土層中，染色面積分布均勻，且染色面積比基本上在80%以上，這表明榛子林土壤水流以基質流形式在土壤表層整體均勻下滲。在20～50 cm土層，染色面積快速減小至消失，說明從20 cm層深以下的土壤水流運動狀態發生改變，以優先流運動為主。而且由圖6b可知，土壤中染色區域呈現圓形閉合的現象，表現為水流在土壤下滲過程中避開部分土壤，并在下方進行匯合，這可能是因為該處土壤緊實度大于兩側，導致水流從兩側下滲，從而呈現環繞特性。

由表2所示的優先流特征可知，在相同的染色示蹤試驗供水條件下，優先流濕潤鋒跡線的分形維數均大于1，表明天然次生林和榛子林土壤中都存在優先流現象。榛子林的總染色面積比大于天然次生林，說明榛子林的土壤滲水量大于天然次生林。天然次生林的平均基質流深度為5.919 cm，遠小于榛子林的15.742 cm，這是因為天然次生林部分土壤中不存在基質流現象。除此之外，天然次生林基質流深度具有較大標準差（10.171 cm），這表明天然次生林的基質流深度較為離散，且優先流的發生時間普遍早于榛子林。天然次生林的優先流比為97.6%，遠大于榛子林的51.4%，說明天然次生林的優先流發育程度遠高于榛子林。結合總染色面積比和優先流比可知，雖然榛子林的總染色面積比50.6%大于天然次生林的35.1%，但水分入滲多以均勻水流為主，優先流運動形式較少。這一結果表明，榛子林的土壤在一定程度上降低了水流的下滲速度，有利于土壤水分和養分的保持。使用SPSS進行獨立樣本檢驗分析，證明了各指標在2種林地下呈現顯著差異（<0.05），說明不同林地的優先流發育程度不同，具有統計分析意義。

表2 土壤優先流特征

注：不同小寫字母表示不同土壤類型的指標差異顯著（<0.05）。

Note: Different lowercase letters indicate significantly differences in indicators between different soil types (<0.05).

3 結 論

1）提出一種采用染色示蹤技術的土壤優先流自動分割與量化系統，該系統采用基于分量改進的模糊均值方法（Fuzzy-Means Based onComponent and Morphology，HM-FCM）自動分割土壤染色區域。HM-FCM法對于天然次生林和榛子林2種林地土壤染色區域的分割準確率分別為87.9%和83.3%，調和平均值分別為90.5%和80.3%，說明其具備良好的土壤優先流分割能力。

2）天然次生林和榛子林土壤染色區域都集中在0～50 cm深度范圍內，二者總染色面積比分別為35.1%和50.6%、基質流深度分別為5.919和15.742cm、優先流比分別為97.6%和51.4%，優先流路徑分形維數均大于1。結果證明，2種林地土壤中都存在優先流現象，且優先流表現出橫向運動形式和環繞特性；榛子林土壤優先流發育程度低于天然次生林；天然次生林土壤優先流發生時間顯著早于榛子林土壤（<0.05）。

[1]Clothier B E, Green S R, Deurer M. Preferential flow and transport in soil: Progress and prognosis[J]. European Journal of Soil Science, 2010, 59(1): 2-13.

[2]Tang Q, Duncan J M, Guo L, et al. On the controls of preferential flow in soils of different hillslope position and lithological origin[J]. Hydrological Processes, 2020, 34(22): 1-12.

[3]Grant K N, Macrae M L, Ali G A. Differences in preferential flow with antecedent moisture conditions and soil texture: Implications for subsurface P transport[J]. Hydrological Processes, 2019, 33(15): 2068-2079.

[4]盛豐，張利勇，吳丹. 土壤優先流模型理論與觀測技術的研究進展[J]. 農業工程學報，2016，32(6)：1-10. Sheng Feng, Zhang Liyong, Wu Dan, et al. Research progress on soil priority flow model theory and observation technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(6): 1-10. (in Chinese with English abstract)

[5]Ritsema C J, Dekker L W. Preferential flow in water repellent sandy soils: Principles and modeling implications[J]. Journal of Hydrology, 2000, 231: 308-319.

[6]Zhang Z B, Peng X, Zhou H, et al. Characterizing preferential flow in cracked paddy soils using computed tomography and breakthrough curve[J]. Soil and Tillage Research, 2015, 146: 53-65.

[7]Zhao K Y, Xu Q, Liu F Z, et al. Field monitoring of preferential infiltration in loess using time-lapse electrical resistivity tomography[J]. Journal of Hydrology, 2020, 591: 125278.

[8]Najm M R A, Jabro J D, Iversen W M, et al. New method for the characterization of three-dimensional preferential flow paths in the field[J]. Water Resources Research, 2010, 46(2): 1-18.

[9]Vladimira J, Michal S, Andreas P, et al. Effects of entrapped residual air bubbles on tracer transport in heterogeneous soil: Magnetic resonance imaging study[J]. 2011, 42(8): 991-998.

[10]Wang R, Dong Z B, Zhou Z C, et al. Temporal variation in preferential water flow during natural vegetation restoration on abandoned farmland in the Loess Plateau of Phina[J]. Land, 2019, 8(12): 186.

[11]潘網生，許玉鳳，盧玉東，等. 基于非均勻性和分形維數的黃土優先流特征定量分析[J]. 農業工程學報，2017，33(3)：140-147. Pan Wangsheng, Xu Yufeng, Lu Yudong, et al. Quantitative determination of preferential flow characteristics of loess based on nonuniformity and fractional dimension[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(3): 140-147. (in Chinese with English abstract)

[12]Liu Y, Chen L Y, Wang H M, et al. An improved differential box-counting method to estimate fractal dimensions of gray-level images[J]. Journal of Visual Communication and Image Representation, 2014, 25(5): 1102-1111.

[13]盛豐，張仁鐸，劉會海. 土壤優先流運動的活動流場模型分形特征參數計算[J]. 農業工程學報，2011，27(3)：26-32. Sheng Feng, Zhang Renduo, Liu Huihai. Determining the active region model parameter for modeling preferential flow in unsaturated soil[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(3): 26-32. (in Chinese with English abstract)

[14]Vilim F, Jasmina D, Ji?í ?, et al. Estimation of vineyard soil structure and preferential flow using dye tracer, X-ray tomography, and numerical simulations[J]. Geoderma, 2020, 380(2/3): 114699.

[15]陳曉冰，韋靈，吳晗，等. 秸稈覆蓋下桂北巖溶區水稻田土壤優先流特征[J]. 水土保持學報，2020，34(5)：124-130. Chen Xiaobing, Wei Ling, Wu Han, et al. The characteristics of preferential flow on straw mulching of paddy field in the karst region of North Guangxi[J]. Journal of Soil and Water Conservation, 2020, 34(5): 124-130. (in Chinese with English abstract)

[16]楊燕. 不同水耕年限稻田土壤大孔隙分布與優先流特征研究[D]. 武漢：華中師范大學，2018. Yang Yan. Characteristics of Soil Macropore Distribution and Preferential Flow in the Paddy Fields with Different Cultivation Year[D]. Wuhan: Central China Normal University, 2018. (in Chinese with English abstract)

[17]Kan X Q, Cheng J H, Hou F. Response of preferential soil flow to different infiltration rates and vegetation types in the Karst Region of Southwest China[J]. Water, 2020, 12(6): 1778-1798.

[18]Luo Z T, Niu J Z, Zhang L, et al. Roots-enhanced preferential flows in deciduous and coniferous forest soils revealed by dual-tracer experiments[J]. Journal of Environmental Quality, 2019, 48(1): 136-146.

[19]Yao J J, Cheng J H, Sun L, et al. Effect of antecedent soil water on preferential flow in four soybean plots in Southwestern China[J]. Soil Science, 2017, 182(3): 83-93.

[20]韓巧玲，趙玥，趙燕東，等. 基于全卷積網絡的土壤斷層掃描圖像中孔隙分割[J]. 農業工程學報，2019，35(2)：128-133. Han Qiaoling, Zhao Yue, Zhao Yandong, et al. Soil pore segmentation of computed tomography images based on fully convolutional network[J]. Transactions of the Chinese Society for Agricultural Engineering (Transactions of the CSAE), 2019, 35(2): 128-133. (in Chinese with English abstract)

[21]王趙男，辛穎，趙雨森. 黑龍江省水源地優先流區與基質流區土壤特性分析[J]. 水土保持學報，2017，31(1)：49-54. Wang Zhaonan, Xin Ying, Zhao Yusen. Analysis on soil characters of preferential pathways and soil matrix in water-source area of Heilongjiang Province[J]. Journal of Soil and Water Conservation, 2017, 31(1): 49-54. (in Chinese with English abstract)

[22]Lyu W J, Lu W, Ma M. No-reference quality metric for contrast-distorted image based on gradient domain and HSV space[J]. Journal of Visual Communication and Image Representation, 2020, 69: 102797.

[23]趙玥，韓巧玲，趙燕東. 基于灰度-梯度特征的改進FCM土壤孔隙辨識方法[J]. 農業機械學報，2018，49(3)：279-286. Zhao Yue, Han Qiaoling, Zhao Yandong. Improved FCM method for pore identification based on grayscale gradient features[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(3): 279-286. (in Chinese with English abstract)

[24]Coster M, Chermant J L. Image analysis and mathematical morphology for civil engineering materials[J]. Cement & Concrete Composites, 2001, 23(2/3): 133-151.

[25]Liu D D, She D L. The effect of fracture properties on preferential flow in carbonate-derived laterite from karst mountainous agroforestry lands[J]. Soil & Tillage Research, 2020, 203: 104670.

[26]王偉. 三峽庫區紫色砂巖林地土壤優先流特征及其形成機理[D]. 北京：北京林業大學，2011. Wang Wei. Characteristics and Formation Mechanism of Preferential Flow in Forest Soils of Purple Sandstone Regions, Three Gorges Reservoir Area[D]. Beijing: Beijing Forestry University, 2011. (in Chinese with English abstract)

[27]Han Q L, Zhao Y, Liu L, et al. A simplified convolutional network for soil pore identification based on computed tomography imagery[J]. Soil Science Society of America Journal, 2019, 83(5): 1309-1318.

[28]Li C H, Tam P K S. An iterative algorithm for minimum cross entropy thresholding[J]. Pattern Recognition Letters, 1998, 19(8): 771-776.

Automatic segmentation and quantitative analysis of soil preferential flow using dye tracer technology

Han Qiaoling1,2,3,4, Bai Hao1,2,4, Zhao Yue1,2,3,4※, Zhao Yandong1,2,4, Xu Xiangbo1,3,4, Li Jihong5

(1.,,100083,; 2.,,100083,; 3.,100083,; 4.,100083,; 5.,,150040,)

Preferential flow is widely considered to be a common phenomenon of water movement in soil. Currently, dye tracer can be one of the most efficient ways to characterize the preferential flow using soil-stained images. However, the general image processing software, such as Photoshop, Image Pro Plus, and Image J, cannot specifically extract the soil-stained images with inconsistent chromaticity and low contrast between dyed and non-dyed areas. A larger error occurs normally in the subsequent quantitative analysis for the preferential flow pathways. This study aimed to propose an automatic segmentation for preferential flow pathways using dyed tracer images and to further improve the accuracy and efficiency of quantification. An image processing was performed on the dyeing images of preferential flow, thereby quantitatively analyzing specific parameters. Firstly, brilliant blue dye was used to stain subsurface flow pathways in soil plots from natural secondary forest and hazelnut shrub forest during simulated rainfall events under dry conditions. The dyed tracer images were converted into the hue-saturation-value (HSV) space for the extraction of hue () component, in order to improve the contrast of dyed images and highlight the preferential flow path. Fuzzy-means based oncomponent and morphology (HM-FCM) was selected to automatically segment the dyeing area. Morphological opening and closing arithmetics were used to fix under- and over-segmentation in the images. Secondly, mathematical statistics were selected to quantificationally analyze multiple indicators of soil preferential flow in the high-precision graphs of natural secondary forest and hazelnut shrub forest. The specific parameters included total dyeing area ratio, matrix flow depth, preferential flow ratio, and fractal dimension. The proposed segmentation well accurately identified the distribution of preferential flow pathways in forest soil and automatically segmented the dyeing area. Furthermore, multiple indicators were achieved for the subsequent evaluation of preferential flow and topological structure. Specifically, the preferential flow in the natural secondary forest occurred earlier than that in the hazelnut forest, whereas, the development degree of preferential flow in the natural secondary forest soil was higher than that in hazelnut forest soil. The dyeing areas of the two forests were generally concentrated in the soil layer of 0-50 cm, where the dyeing area ratio of hazelnut forest was higher than that of natural secondary forest. The water infiltration behaved mostly the uniform flow with less preferential flow. It was found that HM-FCM effectively segmented the soil dyeing areas of two forests. The segmentation accuracy was 87.9% for the images of natural secondary forest, and the harmonic mean was 90.5%, whereas, the segmentation accuracy was 83.3% for the images of hazelnut shrub forest, and the harmonic mean was 80.3%. There were different development degrees in the priority flow (<0.05). The proposed automatic segmentation can be widely expected to identify the preferential flow and migration in the underground soil of various woodlands for sustainable forestry.

soils;image segmentation; preferential flow; dye tracer technology; quantitative analysis

韓巧玲，柏浩，趙玥，等. 采用染色示蹤技術的土壤優先流自動分割與量化系統[J]. 農業工程學報，2021，37(6)：127-134.doi：10.11975/j.issn.1002-6819.2021.06.016 http://www.tcsae.org

Han Qiaoling, Bai Hao, Zhao Yue, et al. Automatic segmentation and quantitative analysis of soil preferential flow using dye tracer technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(6): 127-134. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.06.016 http://www.tcsae.org

2021-01-16

2021-03-01

國家自然科學基金面上項目（32071838），中國博士后科學基金（2020M680409），北京市共建項目，中央高校基本科研業務費專項資金項目（2019ZY12）

韓巧玲，博士，講師，研究方向為生態信息智能檢測、圖像處理與模式識別等。Email：hanqiaoling0@163.com

趙玥，博士，副教授，研究方向為人工智能、圖像處理和模式識別等。Email：zhaoyue0609@126.com

10.11975/j.issn.1002-6819.2021.06.016

S152.7

A

1002-6819(2021)-06-0127-08