利用智能手机连续拍摄的侧视图影像绘制欧洲葡萄（Vitis vinifera L.）的叶面积指数

《AUSTRALIAN JOURNAL OF GRAPE AND WINE RESEARCH》：Mapping Vitis vinifera L. Leaf Area Index Using Side-View Imagery Continuously Captured by a Smartphone

　　摘要

背景与目标
叶面积指数（LAI）是支持葡萄园管理决策的重要参数。然而，使用影像进行LAI测量的常见间接方法存在显著挑战，包括高估、在区块级别进行LAI绘图的不切实际性以及与非目标植被的干扰。

方法与结果
本研究提出了一种基于通过将智能手机安装在农用车辆上来连续收集的侧视图影像来绘制LAI的方法。该方法首先根据Beer-Lambert定律估算每株葡萄藤的绝对叶面积（LA），然后通过将其除以地面面积来计算LAI。将侧视图的LAI估算结果与传统的自下而上的影像以及直接的破坏性LAI测量结果进行了对比。数据是在澳大利亚的一个葡萄园中，在季节内的四个不同日期收集的。结果显示，所提出的LAI方法与直接LAI测量结果之间具有接近1:1的关系，平均绝对误差（MAE）为0.2，而传统的自下而上的影像则显示出高估误差，MAE为0.4，这表明需要引入特定于该葡萄园的校准程序。所提出的LAI方法与破坏性评估得到的LAI之间的R2值范围为0.75至0.94。

结论
所提出的LAI方法能够稳健且高效地连续绘制整个区块内每株葡萄藤的LAI。

研究的意义
这种方法为葡萄园管理者提供了一种简单且经济的方式，利用LAI地图来支持决策制定。

1. 引言
了解葡萄藤冠层大小及其对光线的拦截能力是支持一系列影响生产力和果实质量的管理决策的重要参数[1-3]。LAI用于计算作物系数（Kc），以辅助灌溉计划[4, 5]，并将冠层大小与葡萄和葡萄酒的风格或质量联系起来[2, 6]。冠层大小通常以LAI表示，即单位地面面积上的总单侧叶面积[3]。直接评估冠层叶面积可能非常困难，需要通过落叶和使用扫描仪等设备进行手动测量。在研究环境之外，这种做法使得大规模直接测量变得不可行，例如，无法在整个葡萄园范围内绘制叶面积图或进行定期评估以支持管理决策。葡萄园内的环境变化，特别是土壤、其深度和持水能力的变化，会影响葡萄藤的生长和冠层发育[7]。葡萄园内的冠层大小地图可用于选择具有特定特征的区域；根据环境和评估时间，冠层大小可以与产量和果实组成相关联[8, 9]。这些地图还可以作为手动采样的指南，例如，以提高产量估算的准确性[10]。传统上，冠层大小地图是通过遥感技术收集的[11, 12]，并利用可见光和近红外光谱的反射率来计算归一化植被指数（NDVI）和植物细胞密度（PCD）等指标[7]。遥感技术为葡萄种植者提供了一种成本效益高的获取这些信息的方法；但通常这需要专门的许可和设备来进行数据收集和处理[12-14]。例如，在澳大利亚，商业环境中使用无人机需要获得许可[15]，以及专门的图像处理和分析软件[16]。在单个地点，NDVI受平面叶面积的影响，而不是LAI；然而，所有这些测量指标都是相关的（R2 > 0.75）[16]。不幸的是，光谱指数与LAI之间的关系是曲线型的，这意味着对于较大的冠层（尤其是那些蔓生型葡萄藤），使用光谱测量方法可能难以区分较大葡萄藤之间的LAI差异[16]。对于像葡萄藤这样的行作物，行间空间的光谱特征可能会干扰从垂直视角收集的数据时光谱指数的准确计算[9]。当采样的空间分辨率足够高时，可以去除代表行间空间的像素[17]；然而，对于卫星提供的低分辨率图像，这种选项不可用。这意味着葡萄种植者往往需要依赖从固定翼飞机或无人机收集的高分辨率影像[7]，但这也会带来更高的成本。可以使用具有已知光谱特征的高反射率和低反射率目标来校准光谱指数，并计算出在多次采样之间一致的绝对值[16]。这在研究或商业环境中很少完成，导致光谱指数仅作为管理单元内冠层大小相对变化的地图，而不是绝对值[7]。这限制了这些测量的实用性，只能用于识别冠层大小较大或较小的区域，由于这些模式在季节间是稳定的[9]，因此数据集可以多年使用，除非管理实践发生变化。使用相对测量冠层大小意味着无法知道冠层大小的绝对范围（例如，区块内最小和最大的葡萄藤之间的差异），从而降低了种植者做出可靠决策的能力。相对数据通常以百分位数显示，突出了冠层大小的相对差异，但在某些情况下，这可能会夸大区块内的变化，因为在管理背景下冠层大小的绝对变化可能没有实际意义。这意味着需要直接评估来验证区块内的变化。测量绝对冠层大小可以进一步利用数据的价值；这包括将其用于辅助灌溉计划[18, 19]，或作为触发冠层管理实践的基准，以优化果实质量[20]。研究人员广泛使用无人机来调查葡萄园[11, 12]。这些系统通常依赖标准（红-绿-蓝）相机来收集高分辨率图像，并生成可用于量化冠层大小和形状并估算LAI的点云[21, 22]。这种方法避免了行间生长植物的干扰，但需要专门的软件进行数据处理和无人机操作员的许可[16]。类似地，基于地面的激光扫描（LiDAR）可以测量冠层大小和密度并估算LAI[22-24]。这些系统通常具有非常精确的绘图能力，但同样需要昂贵和复杂的硬件和软件进行数据收集和处理[22]。还有其他基于地面的平台可用于测量LAI，但这些也需要专门的设备，如LI-COR（LI-COR, Lincoln, Nebraska, USA）或带有鱼眼镜头的相机[25, 26]。这些系统都不容易进行自动化绘图，除非进行大量定制以适应研究环境[27]。当基于地面的平台能够收集位置数据以补充LAI估算时，通常会使用消费级全球导航卫星系统（GNSS），但其精度限制在1至3米之间[28]。这限制了其在精确管理（如修复损坏的灌溉管线或治疗主干疾病）中的应用，只能用于绘制LAI地图。最常用的间接估算LAI的方法之一是基于间隙分数的方法，利用数字影像[28]。Macfarlane等人[28]使用鱼眼和非鱼眼数字摄影测量了桉树植被的LAI，并证明了其与直接测量结果之间的强相关性。Fuentes等人[29]通过自动化LAI图像分析改进了这种方法，并开发了VitiCanopy智能手机应用程序，使用向上看的（自下而上的）数字图像来估算LAI[30, 31]。VitiCanopy在葡萄藤上的结果显示与传统方法（包括LI-COR和直接测量）有很强的相关性。Confalonieri等人[32]也开发了一个智能手机应用程序，通过自动处理冠层下方的图像来估算LAI。该应用程序在散播水稻田中的表现得到了评估，结果显示与LI-COR和叶面积计的测量结果相关（R2 = 0.94）。Orlando等人[33]将此应用程序扩展到葡萄园，并将应用程序中的LAI值转换为葡萄园LAI。结果与半球形摄影和直接测量结果进行了比较，显示出良好的相关性（R2 = 0.94）。然而，结果显示出持续的高估，表明需要特定于葡萄园的校正因子。大多数基于相机的方法依赖于植物有限部分的影像来代表整个植物来计算LAI，从而可能影响准确性。这些方法还要求操作员手动在冠层下方拍照并处理图像，如果需要绘制大面积区域，则难以自动化，可能导致操作员误差[31]。Pagliai等人[22]也使用智能手机从垂直于葡萄藤行的位置收集图像，然后将其处理成点云以估算冠层尺寸和LAI。该系统需要从冠层两侧各收集150-200张图像，不太适合在整个葡萄园范围内绘制LAI。已经开发了用于评估树木或葡萄藤冠层的车载LiDAR系统[35, 36]。然而，建立LiDAR衍生的叶体积与LAI之间的可靠关系仍然是一个挑战，因为它需要为每个葡萄园预定义校准参数——这些参数也可能随季节变化[37]。最近发布的手机配备了双频GNSS接收器（L5频段加上L1频段），预计这将提高GNSS的准确性[38]。这提供了使用手机作为测量工具的机会，因为它可以使用内置相机进行冠层调查，并相对准确地绘制样本位置。鉴于测量绝对叶面积相对于相对光谱指数的潜在优势，我们旨在开发一个系统，允许将智能手机相机安装在葡萄园车辆上，以连续捕获具有相对高定位精度的侧视图图像。本文的第一个贡献是开发了这个系统，重点是在整个葡萄园区块内实现自动化葡萄藤级别的感知。这得到了智能手机提供葡萄藤级别定位精度能力的评估的支持。第二个贡献是一种将侧视图葡萄影像转换为叶面积的方法，作为系统的基础。评估是通过将基于影像的方法与破坏性采样的定量数据进行比较来完成的。最后，对一个季节内四个冠层发育阶段的叶面积进行了定性评估，以展示该系统的实际应用。预期结果是，该系统将为葡萄种植者提供一种经济实惠的方法，利用市面上可购买的智能手机来评估冠层生长和发育的空间变化。

2. 材料与方法
2.1. 数据收集
所有数据均来自位于澳大利亚Barossa Valley的Nuriootpa的葡萄园（34°28′34.7″S 139°00′44.2″E）（图1(a)）。该葡萄园采用短枝修剪技术，葡萄藤沿单根电线保持一对永久性的双侧枝条，冠层在生长季节被允许蔓延（图1(b)）。葡萄园共有49排东西向排列的葡萄藤，每排通常包含82株葡萄藤，行间距约为3米，葡萄藤间距约为2.25米。请注意，葡萄园南侧的较短行未包含在完整区块数据中。图1 (a) 在图查看器中打开（PowerPoint）

研究葡萄园。(a) 俯视图，黄色虚线矩形框表示完整数据采集区域；红色虚线矩形框表示验证数据采集区域；蓝色点线表示iPhone全区域数据采集行和GNSS定位测量行。(b) 被测量葡萄藤的示例。图1 (b) 在图查看器中打开（PowerPoint）

研究葡萄园。(a) 俯视图，黄色虚线矩形框表示完整数据采集区域；红色虚线矩形框表示验证数据采集区域；蓝色点线表示iPhone全区域数据采集行和GNSS定位测量行。(b) 被测量葡萄藤的示例。所提出的成像系统由两部三星S21+手机（三星电子有限公司，韩国水原市梅滩洞）组成，这些手机水平安装在连接到农用车辆的拖车上。虽然图中可以看到四个摄像头以评估不同的视角，但最终只使用了两个水平安装的摄像头进行数据采集，因为它们为预期应用提供了足够的覆盖范围。车辆以大约8公里/小时的速度前进，手机朝向左右方向（图2）。将手机安装在拖车上可以使其靠近地面，以减少相邻葡萄藤对图像的干扰（图3）；拖车还减少了由于葡萄园地面起伏导致的手机方向变化。数据采集通过一个自定义应用程序[39]完成，该应用程序每秒大约捕获5张分辨率为1280×720（宽×高）的图像（表1）。图像被手动传输到离线计算机进行处理；该应用程序可以进一步开发，以实现类似于Tang等人[39]的方法，实时估算和绘制葡萄园的叶面积指数（LAI）。图2 (a) 在图查看器中打开（PowerPoint）

成像系统。(a) 携带成像传感器阵列的拖车；请注意，本手稿仅关注水平安装的手机。(b) 安装的兩部手机。在方法开发过程中使用了兩部手机，但实际测量只需要一部手机。图2 (b) 在图查看器中打开（PowerPoint）

成像系统。(a) 携带成像传感器阵列的拖车；请注意，本手稿仅关注水平安装的手机。(b) 安装的兩部手机。在方法开发过程中使用了兩部手机，但实际测量只需要一部手机。图3 (a) 在图查看器中打开（PowerPoint）

每个数据采集日期的示例图像（显示不同的葡萄藤）。(a) 2021-11-05。(b) 2021-11-25。(c) 2021-12-17。(d) 2022-02-25。图3 (b) 在图查看器中打开（PowerPoint）

每个数据采集日期的示例图像（显示不同的葡萄藤）。(a) 2021-11-05。(b) 2021-11-25。(c) 2021-12-17。(d) 2022-02-25。图3 (c) 在图查看器中打开（PowerPoint）

每个数据采集日期的示例图像（显示不同的葡萄藤）。(a) 2021-11-05。(b) 2021-11-25。(c) 2021-12-17。(d) 2022-02-25。图3 (d) 在图查看器中打开（PowerPoint）

每个数据采集日期的示例图像（显示不同的葡萄藤）。(a) 2021-11-05。(b) 2021-11-25。(c) 2021-12-17。(d) 2022-02-25。表1. 成像系统描述。

数据采集系统

时间安排

日期

类型

RGB

相机

三星S21+

视野

120°（12 MP超广角相机）

分辨率

1280×720像素（宽×高）

速度

8公里/小时

频率

约5张图像/秒

每株葡萄藤的图像数量

6.3

数据采集于2021年11月5日（2021-11-05）至2022年2月25日（2022-02-25）之间进行，涵盖了从EL-12阶段到EL-37阶段的葡萄藤（表2，图3）。数据在指定采样日期的2-3天内为整个区块捕获。每天的图像数量约为70,000张，可以覆盖大约4000株葡萄藤的葡萄园区块，相应的总文件大小约为64GB。表2. 使用三星S21+收集的侧视图图像数据集摘要，包括捕获日期、捕获时间、采集时的物候阶段以及图像数量。日期（年-月-日）

时间安排（ACDT）

发育阶段

行数

图像数量1

2021-11-05

14:46至16:47

6片叶子分离（EL-13）

43

36,289（左）+ 36,431（右）

2021-11-25

11:29至13:15

80%的果穗脱落（EL-25）

43

31,568（左）+ 31,667（右）

2021-12-17

11:00至12:35

果穗开始闭合（EL-32）

43

28,561（左）+ 30,764（右）

2022-02-25

10:07至12:09

果实尚未完全成熟（EL-37）

43

36,560（左）+ 34,144（右）

图像数量每天因车辆操作（确切速度和转弯时间）以及每侧因相机操作和运行时间而异。

2.2 方法验证：直接LAI测量

直接测量叶面积是基于叶面积（使用扫描仪测量）与干重之间的相关性[30, 40]。从图1中红色虚线所示的行中选取了27株葡萄藤的叶子（表3）。在进行这种破坏性采样之前，收集了葡萄藤两侧的图像（用于所提出的方法）以及从底部向上看的图像（用于传统方法）（图4）。在本研究中，“南”表示相机朝向南方，“北”表示相机朝向北方，因为研究区块位于南半球，因此朝向北方的图像将朝向赤道。表3. 使用三星S21+收集的侧视图葡萄藤的地面真实值摘要。日期（年-月-日）

时间安排

葡萄藤数量

相机方向

2021-11-05

15:27

南北方向

2021-11-25

13:41

南北方向

2021-12-17

12:43

南北方向

2022-02-25

12:42

南北方向

图4 (a) 在图查看器中打开（PowerPoint）

每个数据采集日期的iPhone示例图像（显示不同的葡萄藤）。(a) 2021-11-05。(b) 2021-11-25。(c) 2021-12-17。(d) 2022-02-25。图4 (b) 在图查看器中打开（PowerPoint）

每个数据采集日期的iPhone示例图像（显示不同的葡萄藤）。(a) 2021-11-05。(b) 2021-11-25。(c) 2021-12-17。(d) 2022-02-25。图4 (c) 在图查看器中打开（PowerPoint）

每个数据采集日期的iPhone示例图像（显示不同的葡萄藤）。(a) 2021-11-05。(b) 2021-11-25。(c) 2021-12-17。(d) 2022-02-25。

2.3 传统方法：从底部向上看的LAI数据采集

一种流行的间接估计葡萄藤LAI的方法是使用从底部向上看的图像[29, 30]。为了将所提出的方法与传统方法进行比较，在相同的日期使用iPhone的正面摄像头捕获了从底部向上看的图像（表3，图4），包括验证数据采集行和iPhone全区域数据采集行（图1(a)）。iPhone放置在葡萄藤带下方，并调整方向使葡萄藤带位于图像中心。由于视野的原因，从底部向上看的图像只覆盖了葡萄藤的一部分（与侧视图图像覆盖的整个树干到树干区域相比，见下文）；这部分葡萄藤被用来计算整个葡萄藤的LAI。使用从底部向上看的图像进行LAI估计是基于Beer-Lambert定律的冠层间隙分数方法，并假设叶片在空间中随机分布[28–30]。具体来说，首先通过自动阈值处理RGB中的蓝色通道将底部向上看的图像转换为二值图像[29]，其中黑色像素代表叶片，白色像素代表天空（图5(b)）。然后根据[29]中的方法，将每个二值图像划分为8×8的瓦片来计算有效LAI，具体步骤如下：

(1)

(2)

(3)

(4)

(5)

其中ff是叶片的投影覆盖面积，tg是所有瓦片中天空（间隙）像素的总和，tp是图像的总像素数，fc是树冠覆盖面积，lg是较大间隙像素，当天空像素与叶片像素的比率大于阈值时，这些间隙像素被视为较大间隙，Φ是树冠孔隙率，LAIm是测量的LAI，k是光消光系数（0 > k > 1），Ω是天顶角0处的聚集指数，LAIe是有效LAI。图5 (a) 在图查看器中打开（PowerPoint）

iPhone图像的LAI测量，传统从底部向上看的方法。(a) 原始iPhone图像；(b) 在二值阈值图像上叠加的8×8瓦片。图5 (b) 在图查看器中打开（PowerPoint）

iPhone图像的LAI测量，传统从底部向上看的方法。(a) 原始iPhone图像；(b) 在二值阈值图像上叠加的8×8瓦片。本研究中的较大间隙阈值设为0.75，与其他文献[29, 30]中的值一致。光消光系数（k）设为0.7，因为这个值被认为对葡萄藤冠层最准确[41]。De Bei等人[30]还统计测试了五种不同的方法来获得葡萄藤的k值，结果表明k = 0.7可以获得非常好的结果。

2.4 提出的方法：侧视图树干到树干的LAI测量

采用了一种基于侧视图图像的新方法来测量LAI。由于难以区分葡萄藤之间的边界以及葡萄园行之间的边界，因此LAI测量使用了两株相邻葡萄藤树干之间的冠层和葡萄藤带作为测量单位。这是有效的，因为同一行中树干之间的种植距离是一致的，但这意味着行两端的葡萄藤带（代表半个葡萄藤）被排除在结果之外。

2.5 图像预处理流程

图像预处理流程如图6所示，第一步是以5 FPS的速度进行数据采集。第二步是识别图像中相邻树干之间的部分位于图像中心的图像。使用YOLOv5s[39, 42]模型对所有图像应用树干检测，并对于包含两株树干的图像，使用局部最小值算法来确定树干对位于中心的图像。该流程设计用于仅识别框架内中心位置包含两株树干的图像；因此，捕获在葡萄藤行外的图像将被排除，不会影响性能。图6 在图查看器中打开

侧视图LAI计算的处理流程。一旦识别出树干，就使用它们的位置来划定要分析的冠层部分所在的框（图7）。左树干框的顶部边界中间到右树干框的顶部边界中间表示分析框的左右边界。图7 在图查看器中打开

树干到树干的冠层测量（2021-11-05示例）。在第三步中，将冠层框的高度设置为固定值；关键是确保它包含整个冠层并且在所有图像中保持一致。对于这种相机和葡萄藤配置，通过观察确定高度为350像素，并在所有生长阶段一致使用。包括冠层顶部以外的额外非冠层区域不会影响计算，因此冠层框的高度可以设置得保守一些。如果葡萄藤带位于图像的上部，或者相机倾斜（如图7所示），冠层框甚至可以实际延伸到图像边界之外。由于地面不平或安装不准确，相机可能会倾斜，如图6的第三步所示，使用每个检测到的树干框的顶部，将图像绕图像平面中心旋转，以确保葡萄藤带显示为水平。旋转过程应用于包含两株树干的选定图像，每张图像的计算时间不到一秒。在步骤4中，通过使用RGB图像的蓝色通道中的阈值对图像进行二值化处理，以区分叶片和非叶片元素[29]。最后，将树冠区域划分为8x8的瓦片，在每个瓦片中使用以下方法估算叶片面积。增加树冠区域内的瓦片数量并不会显著影响结果，并且与自下而上视角图像的LAI计算中使用的瓦片数量相匹配[28]。

2.6 叶片面积估算
从图像中分析LAI是基于比尔-朗伯定律（使用浑浊介质类比）及其假设，即叶片是随机分布的。然而，大多数叶状元素在空间上并不是随机分布的[43]，在葡萄园中，叶片会沿着藤蔓“聚集”在一起。通过将样本区域（树冠区域）划分为小瓦片，我们可以提高每个瓦片内叶片分布的一致性，并且比在整个样本区域应用该假设时更好地维持这一假设。因此，在分析过程中没有明确考虑聚集指数，即（Ω(0) = 1）[44]。因此，将整个树冠区域的面积（Area）划分为N个小瓦片区域，每个瓦片的面积为Areai(i = 1 ~ N)，假设每个瓦片内的叶片是随机分布的。在每个瓦片中，通过叶片像素的数量来计算树冠间隙比例Pi(θ)。

在之前的工作中，θ表示天顶角，并基于这样的假设：LAI的测量是相对于地面平面进行的；历史上，使用垂直向上的传感器来测量入射光，就像光线被地面遮挡一样。然后，根据比尔-朗伯定律，计算每个瓦片的LAI为
(8)
其中G(θ)是叶片投影函数，对应于单位叶面积在θ方向上的投影比例。θ方向对应于每个瓦片中心点向树冠追踪的光线。对于每个瓦片，假设LAI的测量是垂直于θ方向进行的（因此cos(θ)为1），并且每个瓦片内的θ变化很小。我们简化假设叶片角度是球形分布的，因此在所有瓦片中G(θ)是一个常数0.5[32, 44]。这个LAIi代表了每个瓦片内观察到的树冠LAI。然后我们利用对葡萄藤结构和相机内在参数的了解来估算每个瓦片的叶片面积（LAi）。我们可以根据树冠区域的宽度以及葡萄藤间距（在我们的测试葡萄园中为2.25米）进行插值，计算每个瓦片在藤蔓深度上覆盖的宽度。假设相机像素是正方形的（或者根据相机内在参数进行校正），从而可以计算出每个瓦片的高度（以像素为单位），并将其投影到与藤蔓相交的平行平面上，如图8所示。

2.7 LAI计算
然后将所有瓦片的叶片面积相加，以估算整个树冠从一株葡萄藤到另一株葡萄藤部分的叶片面积。最后，为了与验证数据保持一致，将估算的叶片面积除以每个树冠从一株葡萄藤到另一株葡萄藤部分的有效地面面积，得到相应部分的LAI。

2.8 基于地理定位柱的GNSS精度评估
为了研究侧视图图像的精度，在葡萄园的18排中标记了486根柱子，使用红色或黄色胶带（图9）。所有标记的柱子都使用实时运动学-全球导航卫星系统（RTK-GNSS）进行了测量，精度达到0.015米（Reach RS2，Emlid，布达佩斯，匈牙利）。为了评估所提出系统的GNSS精度，从所有完整区块数据集中提取了包含靠近画面中心的彩色柱子的图像。从文件元数据中提取每张图像的坐标，并假设相机垂直于行方向，将柱子的位置水平投影。对于每根柱子，通过比较图像中的投影柱子位置和实际测量位置来计算x-y误差。图9（a）展示了带有黄色胶带的示例柱子；图9（b）展示了带有红色胶带的示例柱子。

3. 结果
3.1 侧视图LAI测量与直接测量和传统自下而上视角LAI测量的比较
从侧视图图像（从葡萄藤的两侧独立拍摄）和自下而上视角图像（每株葡萄藤一张图像）计算出的LAI与通过破坏性采样计算出的LAI进行了比较（图10）。如下所述，2021-12-17日的一些数据集由于严重过曝而包含异常值，这些点显示为未填充的形状。图10显示了直接LAI测量值与从侧视图和自下而上视角图像计算出的间接测量值之间的关系。趋势线排除了2021-12-17日的异常值。每株葡萄藤收集了两张侧视图图像（来自北侧和南侧）和一张自下而上视角图像。实线代表直接测量值与间接测量值之间的回归关系，虚线代表1:1的关系。图例说明：1:1线；拟合线，自下而上视角LAI；拟合线，北侧侧视图LAI（排除异常值）；拟合线，南侧侧视图LAI（排除异常值）；自下而上视角LAI；提出的北侧侧视图LAI；提出的南侧侧视图LAI（排除异常值）；提出的南侧侧视图LAI（排除异常值）。侧视图LAI与直接LAI测量值显示出强烈的1:1关系（非常接近蓝色的虚线1:1线），无论是来自葡萄藤的哪一侧（南侧a=1.00，北侧a=1.07），而自下而上视角方法则一致地高估了LAI（a=0.68）。南侧和北侧的侧视图LAI之间没有显著差异。两者的R2值均超过0.75，斜率为1.00，平均绝对误差（MAE）为0.20，均方根误差（RMSE）为0.31，p<0.00001。相比之下，自下而上视角LAI的R2值为0.89，但斜率为0.68（远离1:1线），MAE为0.41，RMSE为0.53，p<0.00001（表4）。

3.2 侧视图LAI与直接测量的比较
3.3 大规模比较侧视图LAI测量与自下而上视角LAI测量
为了进行大规模比较，额外提取了六排完整的侧视图葡萄藤图像，并将其与相同葡萄藤对应的自下而上视角图像进行匹配（图13，表5）。对于葡萄园规模的数据集，侧视图LAI与自下而上视角LAI之间的斜率与直接LAI与自下而上视角LAI之间的斜率相似（如表4所示）。假设自下而上视角LAI与直接LAI之间的关系保持一致（如图10所示），侧视图LAI方法在葡萄园规模的数据集上表现良好，而在这些数据集中直接测量是不可行的。图13显示了侧视图LAI与自下而上视角LAI之间的关系。

3.3 全区块比较侧视图LAI与自下而上视角LAI
从2021-11-05到2022-02-25期间拍摄的南向方向的侧视图LAI测量结果被绘制出来（图14）。同时，还绘制了使用iPhone在同一日期拍摄的自下而上视角LAI测量结果（图15）。由于自下而上视角图像需要手动数据收集，因此这个数据集的行数减少到18行，以代表整个区块。地图展示了LAI随时间的变化情况，并确定了采样的规模。鉴于该方法专门识别的是单个树干之间的部分，而不是从藤蔓的某个子部分推断出整个藤蔓，或者从一根藤蔓推断到相邻的藤蔓，因此这些地图以点状形式呈现，而不是连续的表面。图14（a）在图查看器中打开PowerPoint

使用2021-11-05至2022-02-25期间的南侧完整区块数据进行的侧视LAI测量的热图。(a) 2021-11-05。(b) 2021-11-25。(c) 2021-12-17。(d) 2022-02-25。图14（b）在图查看器中打开PowerPoint

使用2021-11-05至2022-02-25期间的南侧完整区块数据进行的侧视LAI测量的热图。(a) 2021-11-05。(b) 2021-11-25。(c) 2021-12-17。(d) 2022-02-25。图14（c）在图查看器中打开PowerPoint

使用2021-11-05至2022-02-25期间的南侧完整区块数据进行的侧视LAI测量的热图。(a) 2021-11-05。(b) 2021-11-25。(c) 2021-12-17。(d) 2022-02-25。图14（d）在图查看器中打开PowerPoint

使用2021-11-05至2022-02-25期间的南侧完整区块数据进行的侧视LAI测量的热图。(a) 2021-11-05。(b) 2021-11-25。(c) 2021-12-17。(d) 2022-02-25。图15（a）在图查看器中打开PowerPoint

使用2021-11-05至2022-02-25期间的iPhone完整区块数据进行的自下而上视角LAI测量的热图。(a) 2021-11-05。(b) 2021-11-25。(c) 2022-12-17。(d) 2022-02-05。图15（b）在图查看器中打开PowerPoint

使用2021-11-05至2022-02-25期间的iPhone完整区块数据进行的自下而上视角LAI测量的热图。(a) 2021-11-05。(b) 2021-11-25。(c) 2022-12-17。(d) 2022-02-05。图15（c）在图查看器中打开PowerPoint

使用2021-11-05至2022-02-25期间的iPhone完整区块数据进行的自下而上视角LAI测量的热图。(a) 2021-11-05。(b) 2021-11-25。(c) 2022-12-17。(d) 2022-02-05。为了定量评估每种方法的效率，人工操作员收集18行的自下而上视角图像大约需要1.8小时，而使用以8公里/小时速度拖动的相机，同一18行的数据收集仅需要大约18分钟。自下而上视角的图像仅收集了每三根藤蔓中的一根，而侧视LAI则收集了行内的每一根藤蔓。总之，侧视LAI的速度是自下而上视角LAI的六倍，并且收集的数据量也是三倍。包括侧视LAI结果和自下而上视角LAI结果在内的整个区块数据的平均LAI的时间趋势与直接测量的LAI值及其对应的图像分析的趋势相似（图12）。侧视LAI的南侧和北侧收集的图像之间没有显著差异。2021-12-17和2022-02-25收集的完整区块自下而上视角LAI的图像差异较大，这表明自下而上视角的图像没有很好地代表整个区块，或者直接测量的真实藤蔓数量太少，无法提供足够有代表性的样本。在所有四个日期的数据中，完整区块的自下而上视角LAI仍然持续高估了LAI测量值，这与验证过程中自下而上视角LAI的测量结果类似。侧视图像提供的趋势和值与直接测量结果相似，除了2021-12-17的数据，该数据在之前的章节中被定义为异常值。

3.4. 基于地理定位桩的GNSS精度结果

当比较调查桩的位置和相应的图像时，大多数差异小于2.25米（图16，表6）。所有数据的平均误差和中位数误差分别为1.97米和1.56米（表6）。2022-02-25的数据显示出最小的差异，表明90%的数据长度小于藤蔓的长度（2.25米）。其余数据的精度相似，除了2021-11-05的数据。图16（a）在图查看器中打开PowerPoint

系统GNSS坐标与所有样本日期汇总的实际GNSS坐标之间的误差2D散点图（a）和误差直方图（b）。图（a）中三个红色圆的半径分别为1.125米、2.25米和3.375米（2.25米是藤蔓间距）。图（b）中的红色虚线垂直线为1.125米，是藤蔓长度的一半。请参见图S1以获取每个日期的散点图，以及图S2以获取直方图。表6。从图像获得的GNSS位置与调查GNSS位置之间的平均差异。

日期
平均误差（米）
中位数误差（米）
数据长度小于藤蔓一半的百分比（%）
数据长度小于藤蔓一半的百分比（%）

2021-11-05
2.77
2.91
12
32

2021-11-25
1.72
1.25
40
78

2021-12-17
1.92
1.73
28
66

2022-02-25
1.45
1.12
50
90

使用两根藤蔓之间距离的一半作为基准，因为如果精度低于这个值，则无法准确定位单个藤蔓。

4. 讨论

总体而言，使用侧视图像得到的LAI值与通过破坏性方法测量的LAI值是一致的，并且在所提出的系统中观察到了线性关系，决定系数根据是否包含2021-12-17的数据而介于0.75到0.94之间。在同一地区，Shiraz葡萄的最大冠层密度通常出现在11月底到12月初[46]；在此之后，由于水分胁迫，藤蔓开始落叶。这表明2021-12-17获得的LAI值预计是其他观测日期中的峰值。2021-12-17的LAI值显著低估可能是由于图像过度曝光（图11）造成的。过度曝光对颜色阈值处理的准确性产生了不利影响，导致识别的叶像素数量减少。因此，2021-12-17收集的侧视图像被标记为异常值。由于所提出的系统提供了单个树干之间的部分映射，因此所提出的图像系统的地理定位精度在识别单个藤蔓和行方面起着关键作用。精确的GNSS数据至关重要，特别是在种植者发现某些藤蔓有特定问题时，例如冠层密度异常低的情况。在这些情况下，种植者可以依赖智能手机提供的位置来确定问题藤蔓并采取纠正措施[47]。本研究中使用的智能手机模型之所以被选中，是因为它配备了双频（L1和L5）接收器，并且在数据捕获时是一款市售的现成设备。在大多数情况下，从图像获得的GNSS位置与调查GNSS位置之间的平均差异小于藤蔓的长度（即2.25米）。所提出的系统大多数情况下仅使用一部智能手机就能实现藤蔓级别的精度，无需外部校正数据，这使得它能够实现植物识别和跟踪系统[48]。对于这个葡萄园来说，这种精度水平足以识别单个藤蔓，并根据所提出系统的GNSS坐标准确确定它们对应的行。在更高密度的种植系统中，GNSS的精度可能不足以识别藤蔓/行。与其他商业LAI测量工具（如LAI-2000）相比，侧视LAI可以在更广泛的条件下运行。所提出的侧视LAI系统对云层覆盖等变化的光照条件具有更强的适应性，而LAI-2000在散射辐射（黎明或黄昏或均匀高云层）下通常表现不佳。使用自下而上成像测量的LAI相对于侧视成像估计的LAI低估了冠层大小（图10）。我们观察到，冠层延伸到了用于自下而上测量的相机的视野之外，这可能导致大冠层的LAI测量“饱和”，即超出视野范围的枝条部分没有被纳入LAI估计中。虽然选择智能手机模型是因为它配备了双频GPS接收器，但其内置的成像系统质量高，即使在不平的地形上也能拍摄出清晰度较高的图像，并且能够适应不同的光照条件。如上所述，观察到的主要缺点是由于某些数据中的过度曝光，这可以通过设置相机参数限制和选择正确的数据捕获时间来更好地控制。与其他文献中的间接方法相比，由于侧视LAI首先计算实际叶面积，并利用藤蔓间距的知识进行LAI计算，这使得在同一葡萄园内多年间的比较具有意义。此外，唯一的输入变量是藤蔓间距，允许将其简单应用于其他单穗修剪藤蔓的葡萄园。Pagliai等人[22]评估了四种方法来评估冠层体积，包括自下而上成像（我们也进行了评估）、基于手持智能手机拍摄的图像的3D点云、使用无人机以及使用车载平台的激光扫描（LiDAR）。他们发现这些评估方法之间存在相关性，特别是对于冠层体积和使用自下而上成像测量的LAI。虽然所有技术都有效，但手持智能手机操作繁琐，需要为每根藤蔓的每一侧拍摄150-200张图像。未来的工作可能集中在两个主要领域：首先，减轻由于过度曝光等因素导致的颜色阈值处理不佳的问题。可以应用先进的分割技术，如基于深度学习的语义分割。这些技术利用卷积神经网络（CNN）自动分类和分割图像中的对象，为复杂和具有挑战性的环境提供更稳健和准确的解决方案。深度学习模型可以学习更复杂的模式和特征，从而能够区分颜色相似的叶子和对象。这可能改善冠层和天空之间的区分，从而提高LAI估计的准确性。其次，研究可以探索所提出的侧视LAI在不同棚架风格和不同地形（例如斜坡）以及不同地面覆盖的葡萄园中的适应性和有效性。可能还需要进一步训练YOLOv5模型，以便能够识别训练为多穗的藤蔓上的较低穗。该过程已经针对扩展型葡萄园进行了验证，然而具有不同枝条位置的葡萄园可能代表不同的冠层结构，可能需要进一步改进。

5. 结论

本研究提出了一种自动且间接的系统，通过仅使用基于智能手机的相机系统从冠层侧面收集图像来估计葡萄园中单个树干之间的LAI。通过对多个日期的葡萄园进行全面评估，结果显示所提出的侧视LAI值与直接LAI测量值之间几乎有一一对应的关系。所提出系统中的GNSS接收器大多数情况下仅使用智能手机就能实现藤蔓级别的精度，无需外部校正设备。与传统的间接方法——自下而上视角成像相比，所提出方法的结果证明了其可靠性和准确性。所提出方法的输出不需要对所研究的具有穗修剪棚架风格的葡萄园进行任何校正因子，并且可以直接应用于葡萄园管理系统，而自下而上视角成像生成的LAI值则始终被高估，因此需要校准。由于目前使用的简单颜色阈值处理，所提出方法对于过度曝光的图像显示了一些不确定性。然而，如果应用更先进的技术，这种情况可以显著改善。所提出的方法显示出很高的商业化潜力，因为它是一个操作友好且易于使用的平台。

利益冲突

作者声明没有利益冲突。**资金支持**
本手稿未获得任何直接资金支持，但我们感谢南澳大利亚研究与发展研究所（South Australian Research and Development Institute）和新南威尔士大学（University of New South Wales）在完成这项工作过程中所提供的帮助。

**致谢**
我们想感谢Hiranya Jayakody对数据收集相关应用程序早期版本的开发支持；Cameron Stewart对应用程序更新版本的贡献；Finn Russell在应用程序后续更新及技术支持方面的协助；Kangying Lin在应用程序创意构思方面的贡献；以及Roger Maywald在葡萄园管理及提供车辆用于图像采集方面的支持。

**补充信息**
更多补充信息可在线查阅“补充信息”（Supporting Information）部分。

**数据获取声明**
支持本研究结果的数据可应合理请求向通讯作者获取。