植被生態自動化觀測儀器的設計與實現

王貝貝 姚艷麗 張爭 王苗苗 郭琰煊

摘要 研究植被生態自動化觀測方法，進而確定儀器的組成結構，根據傳感器的接口、協議類型和神經網絡處理器的應用方式設計了基于ARM架構控制處理器的外設接口，進一步結合非RKNN模型的轉換應用流程，設計了控制處理器數據采集、處理、存儲、傳輸和控制交互的具體功能和流程。針對3種不同的植被類型，將儀器分別部署在內蒙古、廣西和安徽3個國家級農業氣象試驗基地，采用儀器測量數據與人工平行觀測的方法進行外場試驗。結果表明，這種植被生態自動化觀測方法是可行的、有效的，儀器性能指標也符合實際業務觀測要求。

關鍵詞 植被生態自動化觀測;深度學習;植被關鍵特征參數測量

中圖分類號 TP391 文獻標識碼 A 文章編號 0517-6611（2021）17-0201-05

doi：10.3969/j.issn.0517-6611.2021.17.052

Abstract This paper studied the observation method of vegetation ecological automation， and then determined the composition and structure of the instrument. According to the sensor interface， protocol type and application mode of neural network processor， the peripheral interface of control processor based on ARM architecture was designed. Furthermore， combined with the application process of non RKNN model conversion，the specific function and process of the data acquisition， processing， storage and transmission， control interaction of control processor were designed. According to three different vegetation types， the instruments were deployed in three national agrometeorological experimental bases in Inner Mongolia， Guangxi and Anhui， and the field test was carried out by using the method of instrument measurement data and manual parallel observation. The results showed that the automatic observation method of vegetation ecology was feasible and effective， and the performance index of the instrument was also in line with the actual business observation requirements.

Key words Automatic observation of vegetation ecology;Deep learning;Measurement of key characteristic parameters of vegetation

植被生態觀測作為生態氣象自動觀測中的重要項目，對于提高我國生態氣象的綜合觀測能力，建立生態氣象監測網絡，開展氣候與氣候變化對生態環境質量的影響評估、氣象災害對生態安全的預警評估具有重要意義。目前的測量方法有小尺度的人工觀測法和大尺度的遙感監測法，其中人工觀測法因為其對植物冠層破壞大，耗費人力和物力，數據處理煩瑣，正在逐漸淘汰。遙感監測法主要利用衛星遙感資料對地表植被進行監測估算[1-6]，是當前植被生態監測的主要手段，但只適合大尺度測量，監測頻次低、局部測量精度低并且缺少星地校驗[7]。

針對中尺度觀測，因為目前植被生態自動化觀測方法不明確、不統一，無經驗可參考，尚無更多具體的國家和行業標準規范作為依據，導致各業務部門的無法實現自動化測量儀器的研制和列裝;同時，目前的自動化測量儀器多為進口儀器，存在測量要素單一、專業性強、操作復雜、數據無法遠傳、對配套軟件的算法計算功能依賴較高[8]，無法實現對野外植被的多要素、遠距離和自動高效的觀測，因此對植被生態自動化觀測方法的研究和儀器設計與實現是當今業務和科研部門的迫切需求，而對中尺度范圍具有AI人工智能數據處理的自動化測量儀器可以提高人工效率、減少人為誤差，提高衛星遙感應用的解譯精度與驗證能力，很好地補充現有植被生態測量體系。

1 自動化觀測方法研究

針對能夠反映陸表植被生長狀態的關鍵特征參數植被覆蓋度、植株密度、冠層高度、三維群落結構和歸一化植被指數（NDVI）等。一方面，參考《生態氣象觀測規范（試行）》中關于植被生態的測量和評定標準;另一方面，結合地面植物具有明顯的光譜反射特征，通過對植被光譜的研究可以判斷植被的長勢特征，因此可利用基于深度學習的圖像處理、激光點云、多光譜測量等技術，采用多光譜光量子傳感器、圖像傳感器和激光雷達傳感器等，實現對陸表植被生態的長期、自動和連續觀測，具體觀測方法如下：

①可以通過在植被冠層上方距離≥2 m處架設圖像傳感器，自動獲取植被實時高清圖像，結合深度學習的方法，計算出植被蓋度、植株密度;

②為了提高測量效率，同時在植被冠層上方距離≥1.5 m的高度架設激光點云傳感器，將采集到的植被點云數據經過去噪、濾波、重構、校正處理后得到植被群落結構[9];

③通過在植被冠層上方距離≥1.5 m的高度架設激光測距傳感器、傾角傳感器及三維程控云臺，利用激光測距原理、數學三角空間變換以及冠層高度的測量計算模型，實現冠層高度測量[10];

④通過在冠層上方距離≥1.5 m的高度布設向上和向下的雙通道（紅光、近紅外）光量子傳感器，實現植被透射輻射的實時監測，并基于植被透射輻射和輻射反射率測量及計算模型，實現歸一化植被指數（NDVI）等的測量[11];

⑤所有傳感器的基礎數據需要基于AI人工智能數據處理的方法在儀器端完成分析和計算，最終直接輸出測量結果[12];

⑥上述所有傳感器安裝于自立式觀測桿體上，并配套控制處理終端、通信系統和供電系統等，實現無人值守和自動觀測。

2 儀器設計

2.1 組成結構

儀器由硬件和嵌入式軟件兩部分組成，硬件主要包括傳感器、控制處理終端、通信單元、供電單元等部分。嵌入式軟件主要實現傳感器數據的采集、處理、分析、存儲和傳輸，系統組成框圖如圖1所示。

2.2 控制處理器硬件功能設計

傳感器和外設接口類型不同、種類較多，在滿足要求的情況下設計冗余接口，便于后期擴展。其中，圖像傳感器采用USB type A、RJ45 接口和onvif標準的協議類型，激光點云傳感器采用RJ45 接口，激光測距傳感器采用TTL電平串口，傾角傳感器采用0～2.5 V基準電壓的模擬接口，三維程控云臺采用RS485串口，光量子傳感器采用SDI-12數字接口，無線數據傳輸模塊采用RS485串口，SD卡外存儲器采用SDIO接口，預留的調試接口采用RS232串口。

為了保證控制處理器能夠完成邊緣計算圖像識別模型算法的運行并獲取推理結果，采用搭載瑞芯微RK1808K神經網絡處理器，配置1G DDR4內存和8G EMMC，并提供標準Mini-PCIe接口的人工智能計算卡[13]，可以接收控制處理器主控芯片的控制指令。

2.3 控制處理器嵌入式軟件設計

基于ARM架構的控制處理器的主要功能是完成傳感器數據的采集、處理、存儲、傳輸和控制交互，控制處理器可直接輸出經過AI邊緣計算的結果XML文件，改變了以往所有傳感器數據先傳輸至中心站來完成分析處理的模式，極大地降低了中心站的建設要求，提高了業務人員對數據的利用效率。基于AI計算的嵌入式軟件設計主要分為以下兩個步驟。

2.3.1 基于ARM架構ubuntu 16.04系統下AI運算的設計流程。

在RK1808K運行基于深度學習的算法模型，由于運行的是非RKNN模型，首先需要把PC下的TensorFlow模型使用RKNN-Toolkit導出為RKNN模型，RKNN-Toolkit使用流程如圖2所示。然后，導入到RK1808K人工智能計算卡，可調用基于python的API函數進行圖像識別模型算法的設計。

2.3.2 基于數據文件格式確定各功能模塊的設計流程。

整個嵌入式軟件的開發流程主線是按照數據采集、數據處理、數據存儲、數據傳輸和控制交互展開的，整個開發設計流程如圖3所示。

①初始化操作。完成4路繼電器斷開操作、打開看門狗、串口配置、讀取配置文件中遠程TCP服務器IP地址和端口號，FTP服務器地址、端口、用戶名、密碼和目錄等;創建TCP客戶端、FTP客戶端、心跳包定時器和創建數據接收監聽線程。

②數據采集。按照數據采集時間范圍定時獲取基礎數據文件，圖像文件可以通過在線視頻預覽的模式下基于onvif協議完成圖片的抓圖和本地存儲;利用激光測距傳感器、傾角傳感器和三維程控云臺在測量區內輪循打點掃描，數據通過約定的通信協議和采集計算方法進行采集;激光點云的數據文件基于SDK獲取空間X、Y、Z坐標值和反射率，并將數據按照約定格式存入文本;植被指數數據文件通過模擬SDI-12協議的時序采集紅光和近紅外的輻射值;對儀器的運行狀態信息每小時采集1次。

③數據處理。對圖像文件進行質量控制，完成重命名，調用圖像識別算法python腳本對圖像進行識別處理[14]，同時生成XML數據文件;調用處理算法對激光點云20萬組數據進行濾波，從深度圖提取NARF關鍵點，生成植被冠層分布等高圖，利用三維重建技術生成植被群落結構圖;對激光測距獲取的距離值以及對傾角傳感器獲取的水平角和俯仰角，利用三角幾何換算和數據擬合等方法得到冠層高度;對獲取的紅光和近紅外的輻射值通過反射率計算模型，進一步計算出歸一化植被指數（NDVI）等。

④數據存儲。將圖像文件、冠層分布等高圖和植被群落結構圖轉為64Base編碼格式存入XML文件;將通過圖像識別和模型算法生成的結果[植被覆蓋度、植株密度、冠層高度、三維群落結構和歸一化植被指數（NDVI）等]按照觀測數據元素字典和數據文件格式進行編碼存儲;將獲取的狀態信息同樣按照觀測數據元素字典和數據文件格式進行編碼存儲。

⑤數據傳輸。將最終產生的XML文件通過創建的FTP客戶端推送至中心站。

⑥控制交互。可以通過控制處理器創建的TCP客戶端與中心站進行遠程交互，中心站可遠程控制儀器進行相應動作和修改配置文件。

3 儀器應用與數據分析

為了評估植被生態自動化觀測方法的可行性和有效性以及觀測儀器的性能，分別選擇了廣西崇左扶綏縣甜蜜之光園區、內蒙古錫林郭勒草原生態氣象野外科學試驗基地、安徽合肥現代農業氣象示范基地進行外場觀測試驗，試驗內容主要包括觀測數據的采集和觀測結果的分析，試驗時長均為6個月。其中，廣西崇左地區種植的植被類型為甘蔗，內蒙古錫林郭勒地區種植的植被類型為牧草，安徽合肥地區種植的植被類型為油菜，這3個地區的植被特征均屬于變化較明顯的類型，便于觀測和對比分析。

3.1 植被覆蓋度和密度分析

圖4為內蒙古錫林郭勒草原生態氣象野外科學試驗基地牧草圖像以及通過基于深度學習的圖像識別方法識別出的覆蓋度和密度，牧草從8月1日至8月15日進入生長期，牧草越來越茂密，覆蓋度也從71%升至86%，從8月31號開始進入枯黃期，牧草覆蓋度從82%降至75%，并根據現場實際測量牧草覆蓋面積占樣方面積的比值，觀測儀測量的覆蓋度貼近牧草實際覆蓋度。同時，觀測區域大部分植株數變化不大，所以植被密度為15～16株/m2。

3.2 植被冠層高度分析

植被冠層高度分析采用人工實際觀測結果和儀器測量識別結果對比分析的方法，即根據儀器設置的掃描區域確定人工觀測區域，并選取觀測區域內多個有代表性的植株。觀測儀每天輸出1條植被冠層高度觀測結果，觀測員每天在現場用尺子測量植株高度，并計算出植株高度平均值，作為人工觀測的植被冠層高度值。如圖5所示，為內蒙古錫林郭勒2020年10月21日（當天外界風力較小，牧草呈自然狀態）人工現場測量的牧草冠層高度，觀測點1牧草冠層高度為43 cm，觀測點2牧草冠層高度為37 cm，觀測點3牧草冠層高度為42 cm，平均牧草冠層高度為40.67 cm。

參試設備的自動觀測結果為38.32 cm，則植被冠層高度測量誤差為2.35 cm。按此方法對3個觀測地點的冠層高度觀測數據進行對比分析，結果如表1所示，觀測方法觀測到的冠層高度平均誤差均在5 cm以下，具有測量誤差小、精度高等優點。內蒙古錫林郭勒冠層高度觀測結果較其他2個地區誤差較大，測量高度比實際測量高度均偏小。通過研究發現該地區常年風力較大，儀器測量時牧草的枝干容易被風吹彎，導致觀測冠層高度值比實際偏小，誤差偏大。

3.3 植被指數分析

由于植被指數受光照的影響較大，參試設備在每天10：00—14：00光照強度好的時間段下每30 min測量1次，并依次輸出歸一化植被指數（NDVI）等信息。圖6為安徽合肥地區參試設備在12月至次年5月觀測的歸一化植被指數變化曲線，測量結果均介于-1～1，前期在植被覆蓋較少的情況下觀測結果在0.1左右，隨著植被逐漸生長茂密，植被指數逐漸增加至0.65左右，符合植被指數的變化規律。

3.4 植被三維群落結構分析

與植被冠層高度分析方法相同，植被三維群落結構分析也是選用人工實際觀測結果和儀器測量識別結果對比分析的方法，即儀器的激光點云傳感器每天對植被群落進行一次測量，輸出1張三維群落結構圖。由于在測量高度為6 m，FOV為39.2°時，激光點云傳感器測量范圍半徑為2 m的圓形區域，所以選定人工觀測區域時，以激光點云傳感器垂直于地面的點為圓心，設定半徑為2 m的圓形區域即為人工實地測量區域。圖7為廣西崇左地區測量的植被三維群落結構圖，經人工現場測量對比發現，植被三維群落結構圖均符合觀測區域實際情況。

4 結論

針對植被生態自動化觀測方法及儀器設計與實現，該研究明確了植被生態自動化的觀測要素、觀測方式和使用的傳感器類型，解決了植被生態自動化觀測方法不明確和不統一的問題。另外，基于植被生態自動化觀測方法提出了儀器的設計與實現的流程與具體方法步驟，首先明確了儀器的系統組成，進而確定儀器的核心部件控制處理硬件的主要接口和功能，再進一步提出了控制處理器嵌入式軟件在基于ARM架構ubuntu 16.04系統下AI運算的設計流程和主功能模塊設計流程，解決了儀器的設計和實現問題。最后，通過儀器在國家級農業氣象試驗基地，針對不同的植被類型與人工進行平行觀測，進行外場觀測試驗，結果表明采用的植被生態自動化觀測方法是可行的、有效的，基于植被生態自動化觀測方法研制的儀器性能指標是符合實際業務觀測要求的。

參考文獻

[1] 朱敬芳，邢白靈，居為民，等.內蒙古草原植被覆蓋度遙感估算[J].植物生態學報，2011，35（6）：615-622.

[2] 楊繪婷，徐涵秋.基于遙感空間信息的武夷山國家級自然保護區植被覆蓋度變化與生態質量評估[J].應用生態學報，2020，31（2）：533-542.

[3] 何斌，李青，劉勇.黔西北地區不同演替階段植物群落結構與物種多樣性特征[J].廣西植物，2019，39（8）：1029-1038.

[4] 張穎，李松，張文豪，等.基于星載激光測高數據的植被冠層高度反演[J].應用光學，2020，41（4）：697-703.

[5] 王川，范景輝，林思美，等.光學遙感植被指數與SAR遙感參數的相關性及其主要影響因素研究[J].國土資源遙感，2020，32（2）：130-137.

[6] 沙文生，魏淑花，牟高峰，等.寧夏草地植被覆蓋度動態變化監測[J].安徽農業科學，2020，48（23）：10-15，20.

[7] 孫玉芳，姜麗華，李剛，等.外來植物入侵遙感監測預警研究進展[J].中國農業資源與區劃，2016，37（8）：223-229.

[8] 中國林業科學研究院資源信息研究所.一種森林物候信息自動觀測方法：CN201710356448.0[P].2017-09-05.

[9] 楊玉澤，林文樹.基于激光點云數據的樹木枝葉分割和三維重建[J].西北林學院學報，2020，35（3）：171-176.

[10] 河南中原光電測控技術有限公司.一種農作物冠層高度的檢測方法及裝置：CN201611219819.2[P].2019-01-29.

[11] 國家衛星氣象中心（國家空間天氣監測預警中心）.冠層植被指數的反演方法、裝置及服務器：CN201911426087.8[P].2020-05-19.

[12] 尹曉明.基于TensorFlow深度學習機制的識別系統的實現及其移動端識別優化技術的研究[D].昆明：云南大學，2017：45-54.

[13] NICK TAUSANOVITCH.人工智能AI需要的硬件技術分析[J].集成電路應用，2018，35（1）：30-32.

[14] 黎普濤，鞠訓光，張德升，等.卷積神經網絡在植被識別中的應用研究[J].計算機科學與應用，2019，9（5）：841-848.