CC BY
444
Известия Самарского научного центра Российской академии наук. 2014. Т. 16, № 5(5) УДК 58.087
МЕТОДЫ УЧЕТА ПРОЕКТИВНОГО ПОКРЫТИЯ РАСТЕНИЙ: СРАВНИТЕЛЬНАЯ ОЦЕНКА С ИСПОЛЬЗОВАНИЕМ ФОТОПЛОЩАДОК
О 2014 Т.Н. Бузук1, О.В. Созинов2
витебский государственный ордена Дружбы народов медицинский университет 2Гродненский государственный университет имени Янки Купалы
Поступила 28.11.2014
С помощью информационных технологий проведена сравнительная оценка различных методов учета проективного покрытия растений на основе использования фотоплощадок. Оценка обилия на виртуальных моделях показала более высокую точность, чем на реальных учетных площадках. Модифицированный метод уколов (метод фототочек) дает точность оценки проективного покрытия на реальных фотоплощадках (среднеквадратичное отклонение 11,4) близкую к лучшим глазомерным экспертным оценкам.
Ключевые слова: проективное покрытие, учетная площадка, квадрат-сетка, точечный метод, фотоплощадка
ВВЕДЕНИЕ
Проективное покрытие - показатель обилия, определяющий относительную площадь горизонтальной проекции отдельных видов или их групп, ярусов и т.д. фитоценоза на поверхность почвы. Абсолютное проективное покрытие является одним из основных показателей обилия растений в фитоценозе и определяться с помощью прямого (в количественных величинах) или косвенного (в баллах) учета [8, 11]. Для определения количественных характеристик проективного покрытия применяют ряд классических методов: глазомерный в пределах изучаемой площади, с помощью вилочки Раменского, с помощью квадрата-сетки [3, 5, 10, 14, 16], а также с помощью уколов (точечный метод) [2, 6, 15, 19]. При сравнительной оценке методов снятия проективного покрытия в натурных условиях B.C. Ипатов [9] сделал вывод, что точечный метод дает более надежные результаты, чем бальная оценка по Друде и глазомерная съемка. С развитием информационных технологий, продолжается методический поиск повышения точности оценки проективного покрытия растений травяно-кустарничкового и мохово-лишайникового ярусов с использованием фотографии [12]. В полевых условиях с учетной площадки получают цветной снимок яруса в горизонтальной проекции. Затем в лабораторных условиях с помощью различных компьютерных преобразований и фильтрации изображения выделяют области (пикселы) надземных частей видов растений и фона. Использование ручного выделения контуров растений на цифровых снимках весьма трудоемко (Бадаев, Скрипник, 2011; Chen etal.,2010; Both et al., 2010).
Бузук Георгий Николаевич, доктор фармацевтических наук, профессор, Ышхк(й)й11Ьу; Созинов Олег Викторович, кандидат биологических наук, доцент, [email protected].
Нами предложен способ определения проективного покрытия растений, основанный на нанесении на цифровое изображение растительного покрова на учетной площадке регулярной сетки из точек (100-500) с последующим подсчетом точек, локализованных на поверхности исследуемых видов растений (метод фототочек - цифровой аналог метода уколов). В модельных опытах нами получена точность учета проективного покрытия видов растений в пределах погрешности ±5-10% [4].
Целью настоящей работы является оценка точности определения проективного покрытия растений различными методами по цифровым изображениям виртуальных и реальных учетных площадок (фотоплощадок).
МАТЕРИАЛЫ И МЕТОДЫ
Для проверки точности учета проективного покрытия растений с помощью различных методов использовали компьютерные программы Im-ageJ [25] и Matlab
(http://www.mathworks.com/matlabcentral), а также глазомерную экспертную оценку проективного покрытия по изображениям виртуальных и реальных пробных площадок.
Виртуальные учетные площадки. В программной среде ImageJ нами созданы черно-белые рисунки вариантов проективного покрытия с размером матрицы 400 х 400 пикселей путем генерации точек размером в 25 пикселей, расположенные случайным образом на виртуальной учетной площадке (рис. 1). Генерация точек проводилась сериями по 20, при этом допускалось их полное и частичное наложение и соприкосновение. Общая выборка - 30 учетных площадок. Затем на матрицу изображения с различными уровнями проективного покрытия с помощью плагина Grid программы ImageJ формировали сеть, состоящую из 100 ячеек (метод квадрата-сетки) или
1644
100 (200) точек (метод уколов=метод фототочек) (рис. 2).
В варианте А величину проективного покрытия определяли глазомерно с помощью экспертов из различных учебных и научных учреждений Беларуси (Гродно, Минск).
В варианте В (квадрат-сетка) подсчитывали количество ячеек сетки, наполовину и более заполненных пикселями черно-белого изображения: «белый» - фон (почва) и «черный, или растительный» - надземные части растений (Буданцев, Харитонова, 1999).
В варианте С (метод уколов) подсчитывали число меток (фототочек), локализованных на поверхности растений.
Проективное покрытие рассчитывали по формуле [21, 24]:
7777 = — * 100, (1)
N
где ПП - проективное покрытие, %; п - число точек с «растительными пикселами (черными)»; N - общее число точек на матрице изображения.
Рис. 1. Пример моделей проективного покрытия (диапазон изменчивости проективного
покрытия от 7.3 до 89.7%)
Для сравнительной оценки полученных данных по проективному покрытию с реальными величинами обилия применен классический кластерный анализ, в качестве меры расстояния использовали Евклидово.
Реальные учетные площадки (фотоплощадки). Апробацию метода фотоплощадок осуществляли в пределах ценопопуляции брусники (Уасстит \)Ш%-Шаеа Ь.) в сосняке брусничном в окрестностях г. Витебск (Республика Беларусь). Учетные площадки (20) располагали регулярным способом поперек ценопопуляции брусники. На каждой пробной площадке (20 х 25 см) делали фотографию с горизонтальной проекцией с высоты 0,40,5 м с помощью цифрового фотоаппарата (размер изображения 2800 х 2000 пикселей; ~2,8 Мб). В итоге получили серию фотографий (20) реальных учётных площадок (рис. 3). Прямоугольная форма учетной площадки рекомендована В.И. Василевичем, как дающая меньшую ошибку, чем квадратные площадки той же площади [6, с. 115].
В варианте А величину проективного покрытия определяли глазомерно с помощью экспертов по фотографии (рис. За); в варианте В - с помощью сетки линий по [3], которую формировали на фотографии так же как при работе с виртуальными площадками (рис. 36).
В варианте С (метод уколов), создавали сетку из 100 точек в пределах фотографии учетной площадки в программе Image J (рис. Зс). Учет меток (уколов) локализованных на поверхности растений (листьев и стеблей) брусники проводили с помощью подпрограммы Cell Counter программы ImageJ. При функционировании Cell Counter из меню выбирают Initialize и Counters (1-8). Учет ведут, подводя курсор к метке и нажимая левую кнопку манипулятора («мыши»). После завершения счета проводиться сброс (Reset). В подпрограмме Cell Counter возможно вести подсчет до 8 и более типов объектов. Проективное покрытие брусники в пределах учетной площадки рассчитывали по формуле (1).
В ходе математико-статистической обработки полученных данных (в Matlab) нами рассчитаны различные критерии их оценки, применяемые для определения качества аппроксимации [23]: средний квадрат ошибки, нормированный средний квадрат ошибки, среднеквадратичное отклонение, нормированное квадратичное отклонение, средняя абсолютная погрешность, средняя абсолютная погрешности процентной доли, коэффициент корреляции, коэффициент детерминации, коэффициент эффективности, максимальная абсолютная погрешность, максимальная абсолютная по-
1645
грешность процентной доли [23]. За ключевой критерий оценки определения проективного покрытия использовали квадратичное отклонение, которое является одним из наиболее хороших показателей точности при сравнении ошибки прогнозирования различных моделей для конкретной переменной [22]. Кластерный анализ полученных данных проводили с помощью программы PAST 3.01 [20].
РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ
Виртуальные учетные площадки. Анализ данных полученных на основе модельных изображениях учетных площадок показал, что точность глазомерного определения проективного покрытия для различных экспертов колеблется (по квадратичному отклонению) в пределах от 3.4 до 22.9% и в среднем составляет 8.5%, при использовании квадрата-сетки - 12.4%, при модифицированном методе уколов (фототочек) - 5.1-6.1% (рис. 1). В большинстве, достаточно высокие коэффициенты корреляции, детерминации и эффек-
тивности данных, полученных методом уколов (>0.9), свидетельствуют о возможности применения данного методического подхода к оценке обилия растений с помощью цифровых технологий (рис. 1).
Кластерный анализ всех вариантов данных (№№ 2-10) показал, что результаты полученные методом уколов (фототочек; №№ 9 и 10) дают результаты наиболее близкие к лучшим экспертным оценкам (рис. 4). В тоже время, результаты, полученные с помощью квадрата-сетки, занимают промежуточное положение среди всех способов оценки обилия.
Полученные данные на теоретических моделях, дают основание апробации метода уколов (фототочек) с помощью информационных технологии на реальных объектах. При этом необходимо помнить, что компьютерное моделирование осуществляется по математическим точкам, тогда как в реальности иглы (спицы) имеют диаметр, который влияет на точность учета обилия [7].
i\ Т.
\i
<
Ъ'Л»|
• $
щ
i
ъ
V • • %
Рис. 2. Пример виртуальной учетной площадки при глазомерной оценке (а), с помощью квадрата-сетки (б) и методом уколов (фототочек) (с)
Реальные учетные площадки (фотоплощадки). Данные по оценке проективного покрытия по изображениям растительного покрова в сосняке брусничном представлены в таб. 1. Поскольку реальное проективное покрытие на учетных площадках неизвестно, то для оценки точности оценки обилия в качестве фактического нами взяты значения проективного покрытия, полученные
лучшим экспертом (№3) (см. таб. 2). Как в предыдущей модели с виртуальными изображениями, метод уколов (фототочек) продемонстрировал достаточно точные результаты (среднеквадратичное отклонение = 11,4). Результативность экспертов на реальных учетных площадках с брусникой, относительно виртуальных моделей, снизилась и стала более контрастной (таб. 1).
Таблица 1. Оценка точности определения проективного покрытия брусники на фотоплощадках относительно лучшего результата (№ 3)
Способ определения проективного покрытия
Статистические показатели А В С
2 4 5а 6 7а 8 9
Средний квадрат ошибки 2926 237,7 105,4 263,7 581,2 259,5 129,4
Нормированный средний квадрат ошибки 4,43 0,36 0,16 0,40 0,88 0,39 0,20
Среднеквадратичное отклонение 54,09 15,42 10,27 16,24 24,11 16,11 11,38
Нормированное квадратичное отклонение 2,10 0,60 0,40 0,63 0,94 0,63 0,44
Средняя абсолютная погрешность 51,65 12,15 7,15 11,25 18,75 11,75 10,15
Средняя абсолютная погрешность процентной доли 0,77 0,21 0,14 0,19 0,31 0,20 0,20
Окончание таблицы 1
1646
2 4 5 6 7 8 9
Коэффициент корреляции, г 0,84 0,91 0,93 0,92 0,87 0,89 0,91
Коэффициент детерминации, г2 0,71 0,83 0,86 0,84 0,76 0,79 0,83
Коэффициент эффективности -3,66 0,62 0,83 0,58 0,07 0,59 0,79
Максимальная абсолютная погрешность 70,00 30,00 30,00 40,00 55,00 34,00 20,00
Максимальная абсолютная погрешность процентной доли 0,89 0,60 0,75 0,67 0,92 0,52 1,00
Примечание. А - глазомерная оценка экспертами; В - оценка с помощью виртуальной квадрат-сетки; С - оценка методом уколов (фототочек): 100 точек.
С
Рис. 3. Пример реальной учетной площадки (фотоплощадки) при глазомерной оценке (а), с помощью квадрата-сетки (в) и методом уколов (фототочек) (с)
Рис. 4. Дендрограмма кластерного анализа результатов определения проективного покрытия на модельных изображениях учетных площадок (№№ 1-10 - см. табл. 2)
При текущем развитии информационных технологий данный методический прием применим для травянисто-кустарничкового яруса с невысокой разновысотностью растений (до 0.4 м высотой по С.Н. Козьякову, A.C. Козьякову, В.К. Коновал ьчуку [12], и, в первую очередь, для оценки обилия доминирующих и ресурснозначимых видов растений. В дальнейшем, мы прогнозируем, что возможности такого подхода в значительной степени расширятся при использовании высоко-
1647
о
— LumoDoj
Ь
55 112 1Z8
технологичных полевых фотокамер, обеспечи- глубиной, вающих получение изображений со значительной
Таблица 2. Оценка точности определения проективного покрытия на модельных изображениях относительно фактического
Способ определения проективного покрытия
Статистические показатели А В С
2 3 4 5 6 7 8 9 10
Средний квадрат ошибки 523.9 11.66 32.95 62.66 33.85 24.72 152.9 26.22 37.65
Нормированный средний квадрат ошибки 0.89 0.02 0.06 0.11 0.06 0.04 0.26 0.04 0.06
Среднеквадратичное отклонение 22.89 3.41 5.74 7.92 5.82 4.97 12.37 5.12 6.14
Нормированное квадратичное отклонение 0.94 0.14 0.24 0.33 0.24 0.20 0.51 0.21 0.25
Средняя абсолютная погрешность 19.70 2.87 5.20 6.30 5.09 4.50 11.65 4.23 5.19
Средняя абсолютная погрешность процентной доли 0.34 0.09 0.11 0.10 0.12 0.10 0.24 0.09 0.08
Коэффициент корреляции, г 0.88 0.99 0.99 0.98 0.98 0.99 0.99 0.99 0.99
Коэффициент детерминации, г2 0.77 0.98 0.99 0.97 0.95 0.98 0.97 0.97 0.99
Коэффициент эффективности 0.08 0.98 0.94 0.89 0.94 0.96 0.73 0.95 0.93
Максимальная абсолютная по-
грешность 36.51 7.66 9.93 16.10 11.51 7.72 18.49 11.13 11.99
Максимальная абсолютная по-
грешность процентной доли 0.56 1.04 0.39 0.50 0.70 0.64 0.73 0.40 0.18
Примечание. А - глазомерная оценка экспертами, В - оценка с помощью виртуальной квадрат-сетки, С - оценка методом уколов (фототочек): 100 и 200 точек, соответственно.
ВЫВОДЫ
Таким образом, при геоботанических и ресурсоведческих исследованиях создание фотоплощадок с помощью информационных технологий (цифровой аналог реальной учетной площадки) дает возможность: повысить точность учета обилия растений, сэкономить полевое время, возможность проверить результаты свои и коллег, с развитием технологий получать с тех же учётных площадок новую информацию (аналог функции гербария), создавать динамический анимационный материал для характеристики особенностей перемещения растений в фитоценозе («карусельная» модель фитоценоза, Маслов, 2001), а также для создания более точных экспресс-методов определения надземной фитомассы растений через проективное покрытие (Ипатов, 1962). Цифровой формат метода уколов (метод фототочек) дает точность оценки проективного покрытия близкую к лучшим глазомерным экспертным оценкам, при этом не требует специальной тренировки для приобретения соответствующих практических навыков, что в значительной степени расширяет возможности точного определения обилия растений по фотоплощадкам.
БЛАГОДАРНОСТИ
Авторы выражаю глубокую признательность всем экспертам, участвовавшим в оценке проективного покрытия на виртуальных и реальных фотоплощадках: Бакей С.К. (ГрГУ), Благушка М.М. (ГрГУ), Жилинский Д.Ю. (ИЭБ НАН Беларуси), Зеленкевич Н.А. (ИЭБ НАН Беларуси), Мойсейчик Е.В. (ИЭБ НАН Беларуси), Полтор-
жицкая М.И. (ГрГУ), Цвирко Р.В. (ИЭБ HAH Беларуси).
СПИСОК ЛИТЕРАТУРЫ
1. Балалаев А.К., Скрипник O.A. Предварительные результаты применения метода цифровой обработки изображения для определения проективного покрытия растительности как основного индикатора состояния экосистем // Экология и природопользование. 2011. Вып. 14. С.114-123.
2. Браун Д. Методы исследования и учета растительности. М., 1957. 316 с.
3. Буданцев А.Л., Харитонова И.П. Ресурсоведение лекарственных растений. СПб., 1999. - 56 с.
4. Бузук Г.Н. Определение проективного покрытия и урожайности при использовании фототочек (photo point method) // Вестник фармации. 2013. № 3. С. 7480.
5. Бузук Г.Н., Созинов О.В. Оптимизация метода оценки обилия и площади зарослей лекарственных растений // Растительные ресурсы. 2014 .Т.50. №2. С.316-323
6. Васшевич В.И. Требования, необходимые для получения достоверных данных в работах по биологической продуктивности // Бот. журн. 1969. Т.54. №1. С. 111-117.
7. Васшевич В.И. Статистические методы в геоботанике. Л., 19696. 232 с.
8. Грейг-Смиг П. Количественная экология растений. М., 1967. 359 с.
9. Ипатов B.C. О корреляции между проективным покрытием и весом травянистых растений // Ботанический журнал. 1962. Т. 47. № 7. С. 991-992.
10. Ипатов B.C. Сравнение методов определения роди вида в структуре травяного покрова дубового леса // Ботанический журнал. 1962. Т.47. №3. С. 359-368.
11. Ипатов B.C., Мирин Д.М. Описание фитоценоза. Методические рекомендации. СПб., 2008. 70 с.
12. Козъяков С.Н., Козъяков A.C., Коновалъчук В.К. Определение запасов сырья полезных растений методом
1648
фотоплощадок // Растительные ресурсы. 1984. Т.20. Вып. 4. С. 569-572.
13. Маслов А.А. Пространственно-временная динамика популяций лесных растений и проверка «карусельной модели» на примере сосняка-черничника // Бюлл. МОИП. Отд. биологический. 2001. Т. 106. Вып. 5. С. 59-65.
14. Методы изучения лесных сообществ. СПб., 2002. 240 с.
15. Полевая геоботаника. Т. III. M.-JL, 1964. 532 с.
16. Ярошенко П.Д. Геоботаника. М., 1969. - 200 с.
17. Both D.T., Сох S.E., Fifield С., Phillips М., Williamson N. Image analysis compared with other methods for measuring ground cover // Arid Land Research and Management. 2005. Vol. 19. P. 91-100.
18. Chen Z, Chen W., Leblanc S.G., Henry G.H.R. Digital Photograph Analysis for Measuring Percent Plant Cover in the Arctic //Arctic. 2010. Vol. 63. № 3. P. 315-326.
19. Floyd D.A., Anderson J.E. A comparison of three methods for estimating plant cover // J. Ecol. 1987.Vol. 75. P. 221-228.
20. Hammer 0., Harper D.A.T., Ryan P.D. PAST: Paleon-tological Statistics Software Package for Education and Data Analysis // Palaeontologia Electrónica. 2001. Vol. 4 (l).9p.
21. Herrick J.E., Van Zee J.W., Havstad K.M., Burkett L.M., Whitford W.G. Monitoring Manual for Grassland, Shrub-land and Savanna Ecosystems // USDA - ARS Jornada Experimental Range Las Cruces. New Mexico. 2005. Vol. 1-2. 238 p.
22. Hyndman R.J., Koehler A.B. Another look at measures of forecast accuracy // International Journal of Forecasting. 2006. 22. P. 679-688.
23. Kramer R. Chemometric techniques for quantitative analysis. New York, Basel, 1998. 110 p.
24. Sampling Vegetation Attributes. Interagency Technical Reference Bureau of Land Management National Business Center. Denver, Colorado, 1999. 164 p.
25. Schneider C.A., Rasband W.S., Eliceiri K. W. NIH Image to ImageJ: 25 years of image analysis // Nature Methods. 2012. № 9. P. 671-675.
ACCOUNTING METHODS OF PLANTS PROJECTIVE COVER: COMPARATIVE
EVALUATION USING PHOTO SITES
© 2014 G.N.Buzuk \ O.V.Sozinov 2
Vitebsk State Medical University 2Yanka Kupala Grodno State University
Comparative evaluation of different methods of projective cover through the use fotosites conducted using information technology. Estimation of the abundance of virtual models showed higher accuracy than real interest sites. The modified method of injections (fotopoints method) gives the estimation accuracy on the real projective cover fotosites (standard deviation 11.4), is close to the best expert estimates by eye.
Key words, projective cover, site accounting, the square-grid, point method, photosite.
Buzuk George Nikolaevich, doctor of pharmacy, professor, Head of the Department of Pharmacognosy, [email protected]; Sozinov Oleg Viktorovich, candidate of biological sciences, docent, Head of the Department of Botany, [email protected].
1649
