叶片作为植物进行呼吸作用、光合作用和蒸腾作用的主要器官，其叶面积大小、叶轮廓周长、叶长和叶宽等信息是植物生长状态诊断中重要的参数，也是研究植物栽培技术、生理生化、遗传育种等内容的重要形态指标(于守超等，2012; 铁军等，2012)。建立方便、准确、快速的叶面积、周长等形态指标测定方法，对于调整群体结构、充分利用光热资源，从而指导植物栽培密度及合理施肥以获得速生丰产有重要的意义(刘明池，1995; 陈积山等，2012)。目前常见的叶面积测定方法有网格法、复印称重法、叶长叶宽推算法(Cristofori et al.，2008; Sezer et al.，2009; Tai et al.，2009)、叶面积仪法、扫描仪法、AutoCAD、GIS法(李宝光等，2006; 陈智芳等，2012)等。网格法和复印称重法较为传统，操作简单，但费时费力; 叶长叶宽推算法需要利用其他方法获取一定数量样本的叶面积，根据统计分析推算公式，才能利用公式和测量叶片的叶长和叶宽来计算叶面积(Antues et al.，2008; Kumar et al.，2009; IIkaee et al.，2011); 叶面积仪法，利用专用叶面积仪能够快速获取叶面积，但仪器的价格昂贵且易损坏(吴春胤等，2007; 陈贻钊等，2009); 目前许多专家学者趋向于利用扫描仪扫描植物叶片，然后利用Photoshop、R2V、Mapinfo、ArcGIS等软件统计像素的方法来测定植物叶片面积(吴玉德等，2005; 石景荪等，2007; 张美海等，2011)。叶面积仪法、扫描仪法，受人为因素的影响较小，具有严密的科学性，叶片形状、大小、颜色、厚薄对测量的结果均无显著影响，具有方法简单、快速、测量结果准确、适用范围广等优点(杨劲峰等，2002; 冯冬霞等，2005)。

近年来，地理信息系统(geographic information system，简称GIS)已在科研、生产和生活的各个方面得到广泛应用，并发挥着重要作用。美国环境系统研究所(Environment System Research Institute)开发的ArcGIS软件，因其界面友好、功能齐全、操作方便，其强大的空间分析、网络分析、三维分析和模型构建器等功能在科研工作中发挥着重要作用(孙雪文等，2005; 刘玉华等，2006; 成秋明等，2009)。笔者在实际工作中，根据栅格影像的自动分类思想，将ArcGIS10的影像分类、栅格综合等空间分析模块集成"叶片信息测定器"，可以从扫描仪或者数码相机获取的叶片图片，快速、精确地提取植物叶片的轮廓，生成叶片面积、周长、叶长和叶宽等叶片形态指数。本文利用自动分类法对福建漳江口红树林国家级自然保护区的多种红树植物的叶片面积、周长、叶长和叶宽进行了测定，并与网格法、Photoshop法进行比较研究，解决了在GIS空间分析中无空间投影方式的植物叶片信息测定的问题。

试验所用叶片采自漳江口红树林国家级自然保护区，位于福建省云霄县竹塔村，地处117°24'07″—117°30'00″ E、23°53'45″—23°56'00″ N，海拔-6~8 m，保护区面积2 360 hm²。属亚热带海洋性季风气候，温暖湿润，年平均降水量1 714.5 mm，年平均蒸发量1 718.4 mm。

试验选择天然生长的成年红树植株的叶片，采集秋茄(K and elia c and el)、白骨壤(Avicennia marina)、桐花树(Aegiceras corniculatum)、老鼠簕(Acanthus ilicifolius)、黄槿(Hibiscus tiliaceus)、木榄(Bruguiera gymnorrhiza )的叶片样本各150个，共计900个，装入准备好的样品自封袋粘贴标签备用。扫描前用记号笔在每张叶片正面写上编号，以便测定时方便记录。

计算机中的平面图像是由若干个网状排列的像素组成的，通过分辨率计算出每个像素的面积，然后统计叶片图像所占的像素个数，再乘以单个像素的面积就可以得到叶面积(于峰等，2007)。由于扫描分辨率(dpi)指的是通过扫描元件将扫描对象每英寸被表示的点数，而1英寸=2.54 cm，故单个像素的长度为2.54/dpi cm，面积为(2.54/dpi)²cm²。

将叶片摘取后，平铺于1 mm²的标准计算纸上，用削尖的铅笔描出叶片的轮廓，并记上编排的号码。统计叶轮廓所占的小方格数，来获得叶片面积，对于处于图形边缘的不完整方格按面积超过小方格1/2时算一个方格，相反则忽略不计(盛双等，2011; Patil et al.，2011)。利用棉线沿标准计算纸上的叶片轮廓绕一圈，用直尺测量棉线的长度，获得叶片周长。用直尺在标准计算纸上量出叶长(从叶基到叶尖，不含叶柄)和叶宽(叶片上与主脉垂直方向上的最宽处)。

取植物叶片展平后置于扫描仪上，设定扫描参数，扫描获得叶片数字图片，利用Photoshop cs3软件的"分析"菜单，根据设定的测量比例，按叶片编号的顺序，对选定的叶片区域进行自动分析，获取面积、周长、叶长、叶宽等参数，并将结果记录在"测量记录"调板中，还可导出TXT格式文件，便于后续的数据分析(于守超等，2012)。

由于图片中叶片部分与背景部分存在明显的色差，故可利用ArcGIS10的影像分类的非监督分类模块，将图片自动分类为叶片和背景2类; 再通过栅格分析的众数滤波、边界清理等模块对分类后影像进行增强处理，使得叶片影像完整连片以及边缘光滑; 然后，利用栅格数据转矢量模块将影像转为矢量数据; 接着利用最小边界几何模块获得叶长和叶宽; 最后利用公式将像素值转化为常规长度、面积(单位cm和cm²)。笔者利用ArcGIS 10软件的模型构建器，将影像分类、分类后处理、矢量数据处理、叶片面积、周长、叶长和叶宽计算等过程(图 1)融为一体，构建一个完整的工具——叶片信息测定器(图 2)，工具输入包括: "输入扫描叶片文件夹"、"输出叶片矢量数据集"、"扫描分辨率(dpi)"3个参数，其中扫描分辨率默认值为300，可根据实际情况进行修改。

	图 1 自动分类法的叶片信息测量流程 Fig. 1 The flow diagram of automatic classification method to measuring parameter of leaf

	图 2 叶片信息测定器界面 Fig. 2 The interface of Calculator for parameter of leaf

为了验证自动分类法应用于红树植物叶片面积测定的可行性，将画在白纸上的不同类型的已知周长和面积的参照面(正方形、长方形、三角形、圆形、梯形各10个)，用扫描仪获取图像信息(图 3)，用笔者构建的"叶片信息测定器"工具提取上述图形的面积、周长、长度和宽度(图 4)，提取信息与对应图形已知信息进行比较(表 1)，通过相对误差是否在试验误差允许范围内检验自动分类法提取叶片信息的可行性和合理性。

	图 3 参照面扫描图 Fig. 3 The image of reference polygons

	图 4 参照面多边形信息测定结果 Fig. 4 The information of polygons

表 1 参照面实际信息与自动分类法提取信息对照 Tab.1 Comparison of information of reference polygons between actual and calculated by using automatic classification method

表 1 参照面实际信息与自动分类法提取信息对照 Tab.1 Comparison of information of reference polygons between actual and calculated by using automatic classification method 编号No. 类型Types 面积Area/cm 2 周长Perimeter/cm 长度Length/cm 宽度Width/cm 实际Actual 自动分类法Automatic classif-ication 相对误差Relative error 实际Actual 自动分类法Automatic classif-ication 相对误差Relative error 实际Actual 自动分类法Automatic classif-ication 相对误差Relative error 实际Actual 自动分类法Automatic classif-ication 相对误差Relative error 1 长方形 Rectangle 7.5 7.51 0.001 11 11 0 3 3 0 2.5 2.5 0 2 10.5 10.6 0.01 13 13 0 3.5 3.5 0 3 3 0 3 12 12.08 0.007 14 14 0 4 4 0 3 3 0 4 15.75 15.91 0.01 16 16.1 0.006 4.5 4.6 -0.022 3.5 3.5 0 5 10.5 10.65 0.014 13 13.1 0.008 3.5 3.5 0 3 3 0 6 6.4 6.52 0.019 10.4 10.5 0.01 3.2 3.2 0 2 2 0 7 5.25 5.38 0.025 10 10.1 0.01 3.5 3.5 0 1.5 1.5 0 8 15 15.18 0.012 16 16 0 5 5 0 3 3 0 9 5 5.14 0.028 9 9.1 0.011 2.5 2.5 0 2 2 0 10 12 12.16 0.013 14 14.1 0.007 4 4 0 3 3 0 11 正方形Square 4 4.03 0.008 8 8 0 2 2 0 2 2 0 12 6.25 6.3 0.008 10 10 0 2.5 2.5 0 2.5 2.5 0 13 9 9.13 0.014 12 12.1 0.008 3 3 0 3 3 0 14 12.25 12.37 0.01 14 14 0 3.5 3.5 0 3.5 3.5 0 15 16 16.23 0.014 16 16.1 0.006 4 4.1 -0.024 4 4 0 16 20.25 20.36 0.005 18 18 0 4.5 4.5 0 4.5 4.5 0 17 16 16.18 0.011 16 16.1 0.006 4 4 0 4 4 0 18 12.25 12.41 0.013 14 14.1 0.007 3.5 3.5 0 3.5 3.5 0 19 9 9.12 0.013 12 12 0 3 3.1 -0.032 3 3 0 20 4 4.08 0.02 8 8.1 0.013 2 2 0 2 2 0 21 圆形Circle 3.14 3.19 0.016 6.3 6.4 0.016 2 2 0 2 2 0 22 7.07 7.17 0.014 9.4 9.5 0.011 3 3 0 3 3 0 23 12.57 12.72 0.012 12.6 12.7 0.008 4 4 0 4 4 0 24 10.18 10.27 0.009 11.3 11.4 0.009 3.6 3.6 0 3.6 3.6 0 25 12.57 12.73 0.013 12.6 12.7 0.008 4 4 0 4 4 0 26 10.18 10.34 0.016 11.3 11.5 0.018 3.6 3.6 0 3.6 3.6 0 27 19.64 19.84 0.01 15.7 15.9 0.013 5 5 0 5 5 0 28 12.57 12.72 0.012 12.6 12.7 0.008 4 4 0 4 4 0 29 7.07 7.2 0.018 9.4 9.5 0.011 3 3 0 3 3 0 30 19.63 19.93 0.015 15.7 15.9 0.013 5 5 0 5 5 0 31 三角形 Triangle 3.46 3.51 0.014 9.5 9.4 0.011 4 4 0 1.7 1.7 0 32 12.5 12.71 0.017 17.1 17.1 0 7.1 7.1 0 3.5 3.6 0.029 33 19.25 19.63 0.02 21.4 21.6 0.009 8.9 8.9 0 4.3 4.4 0.023 34 19.5 19.84 0.017 21.3 21.5 0.009 8.8 8.9 -0.011 4.4 4.5 0.023 35 16.5 16.78 0.017 19.6 19.7 0.005 8.1 8.1 0 4.1 4.1 0 36 32 32.32 0.01 27.3 27.4 0.004 11.3 11.3 0 5.7 5.7 0 37 27.71 28.1 0.014 24 24.2 0.008 8 8 0 6.9 7 0.014 38 30.25 30.69 0.015 25.7 25.8 0.004 9.4 9.4 0 6.5 6.5 0 39 27.82 28.16 0.012 24.9 25 0.004 9.4 9.5 -0.011 5.9 5.9 0 40 33.9 34.43 0.016 28.1 28.2 0.004 11.7 11.7 0 5.8 5.9 0.017 41 梯形Trapezoid 55.39 55.82 0.008 32.1 32.2 0.003 12.3 12.3 0 6 6.1 0.017 42 46.52 46.96 0.009 28.4 28.7 0.011 9.9 9.9 0 6 6.1 0.017 43 57.29 57.8 0.009 33.1 33.3 0.006 13 13 0 5.9 5.9 0 44 33.14 33.53 0.012 23.7 23.8 0.004 8 8 0 5.1 5.2 0.020 45 68.65 68.92 0.004 35.6 36 0.011 12.8 12.8 0 6.5 6.6 0.015 46 34.33 34.8 0.014 24.3 24.5 0.008 8.5 8.6 -0.012 5.2 5.2 0 47 30.98 31.4 0.014 22.7 22.9 0.009 7 7 0 5.7 5.7 0 48 59.64 60.23 0.01 32.9 33.1 0.006 12.4 12.5 -0.008 6.5 6.5 0 49 32.89 33.25 0.011 23.6 23.8 0.008 7.5 7.5 0 5.7 5.8 0.018 50 49.64 50.06 0.008 29.5 29.7 0.007 10.5 10.5 0 6.2 6.3 0.016 合计 Total 1015 1026.39 876.1 881.6 294.5 295.2 203.3 204.4 平均 Average 20.3 20.53 0.013 17.5 17.6 0.007 5.9 5.9 0.002 4.1 4.1 0.004 标准差 SD 16.25 16.37 0.005 7.7 7.8 0.005 3.3 3.3 0.007 1.5 1.5 0.008

采用ArcGIS 10、SPSS 19、Excel 2010软件进行数据处理与分析。

从表 1可以看出，面积提取值与实际值的相对误差(绝对值)为0~0.028，平均面积相对误差为0.013; 周长提取值与实际值的相对误差(绝对值)介于0~0.018，平均周长相对误差为0.007; 长度提取值与实际值的相对误差(绝对值)介于0~0.032，平均长度相对误差为0.002; 宽度提取值与实际值的相对误差(绝对值)介于0~0.029，平均宽度相对误差为0.004。表明自动分类法提取图形的面积、周长、长度与宽度的图形信息与对应图形的实际信息十分的吻合。

利用叶面积仪测定叶面积，由于机械精度和人为因素的存在，一般测量误差为5%左右(冯常虎，1990; 刘玉华等，2006)。而自动分类法提取参照面的面积、周长、长度、宽度与实际图形的信息相比较，平均相对测量误差分别为1.3%，0.7%，0.2%，0.4%，远小于5%; 同时自动分类法不受试验样本数量和叶形态特征的限制。因此，自动分类法完全适用于叶片面积、周长、叶长和叶宽等形态特征信息的提取、测定。

叶面积、周长、叶长、叶宽和叶形指数(长/宽)能够准确反映植物整个叶片的形状大小，可以作为精确区分和识别叶形的重要特征参数(盛双等，2011)。从表 2可得出，木榄叶片最大，面积平均值为52.87 cm²，白骨壤叶片最小，面积平均值为15.40 cm²; 桐花树和白骨壤叶片各指标的标准差均较小，说明其叶片大小较为均一，而其余4种红树植物叶片面积和周长的标准差较大，说明其叶片的大小差异性较大; 与其他4个指标相比，叶形指数的标准差最小，故叶形指数更能够准确反映红树植物的叶形态特征; 木榄和老鼠簕的叶形指数大，表明其叶形较为狭长，黄槿的叶形指数最小，表明其叶形最接近圆形。

表 2 红树植物的叶形特征值^① Tab.2 The leaf characteristic value of mangrove

表 2 红树植物的叶形特征值① Tab.2 The leaf characteristic value of mangrove 叶面积Area/cm2 叶周长Perimeter /cm 叶长Length/cm 叶宽Width/cm 叶形指数(长/宽)Leaf index(Length/width) ①表中数据为平均值±标准差。The data for average value±standard deviation. 桐花树Aegiceras corniculatum 22.16±4.64 19.6±2.1 8.2±1.0 4.0±0.5 2.1±0.2 白骨壤Avicennia marina 15.40±2.94 16.1±1.7 6.4±0.8 3.7±0.4 1.7±0.2 老鼠簕Acanthus ilicifolius 37.30±7.41 33.1±4.8 13.4±1.5 4.6±0.5 2.9±0.2 秋茄Kandelia candel 35.00±8.54 25.8±3.2 11.2±1.4 4.7±0.6 2.4±0.3 黄槿Hibiscus tiliaceus 44.25±11.73 30.1±5.1 8.8±1.5 7.5±1.1 1.2±0.1 木榄Bruguiera gymnorrhiza 52.87±12.17 39.4±4.3 18.0±1.9 5.2±0.7 3.5±0.4

分别采用自动分类法、网格法和Photoshop法测定6种不同红树植物叶片(桐花树、白骨壤、老鼠簕、秋茄、黄槿和木榄叶片样本各150个，共900个样本)的面积、周长、叶长和叶宽等叶片信息。自动分类法最为快速，平均测定每张叶片信息需要10 s，网格法最慢，每张叶片需要600 s，Photoshop法每片用时约20 s。由表 3可得，自动分类法和Photoshop法测定的面积、周长、叶长和叶宽都最为接近，其样本平均值和标准差没有显著差异。自动分类法、网格法和Photoshop法的变异系数没有显著差异。

表 3 自动分类法、网格法、Photoshop法测定红树植物叶片信息的比较 Tab.3 Comparison of leaf information of mangrove in the 3 methods of automatic classification, grid, and photoshop

表 3 自动分类法、网格法、Photoshop法测定红树植物叶片信息的比较 Tab.3 Comparison of leaf information of mangrove in the 3 methods of automatic classification, grid, and photoshop 面积Area/cm 2 周长Perimeter/cm 叶长Length/cm 叶宽Width/cm 自动分类Automatic classifi-cation 网格Grid Photoshop 自动分类Automatic classifi-cation 网格Grid Photoshop 自动分类Automatic classifi-cation 网格Grid Photoshop 自动分类Automatic classifi-cation 网格Grid Photoshop 样本数 N 900 900 900 900 900 900 900 900 900 900 900 900 极小值 Min. 9.89 9.75 9.97 12.3 13.3 12.2 4.7 4.9 4.6 2.7 2.6 2.7 极大值 Max. 85.72 85.05 88.94 52.5 57.9 54.7 24.5 20.9 24.8 10.1 15.1 10.0 平均值Mean 34.50 34.16 34.71 27.4 29.2 27.9 11.0 10.9 11.1 4.9 5.3 5.0 标准差 SD 15.28 15.21 15.56 8.7 9.1 9.2 4.1 3.8 4.2 1.4 1.7 1.4 变异系数 CV 0.44 0.45 0.45 0.3 0.3 0.3 0.4 0.4 0.4 0.3 0.3 0.3

利用SPSS 19软件进行统计分析，自动分类法、网格法和Photoshop法的相关系数如表 4所示。由表 4可以看出，对于测定面积、周长和叶长来说，自动分类法和网格法、Photoshop法之间均呈显著相关; 对于叶宽，自动分类法和Photoshop法之间呈显著相关，而网格法与自动分类法和Photoshop法之间的相关系数略低，但也达到了0.88，这3种方法测定的结果Pearson相关性在P<0.01水平(双侧)上显著相关，充分表明自动分类法可以进行红树植物叶片面积、周长、叶长和叶宽等形态指标的测量。

表 4 相关系数比较^① Tab.4 Comparison of relative coefficients in the three methods

表 4 相关系数比较① Tab.4 Comparison of relative coefficients in the three methods 自动分类法-网格法Automatic classification-Grid 自动分类法-Photoshop法Automatic classification-Photoshop Photoshop法-网格法Photoshop-Grid ①**表示P<0.01水平(双侧)显著相关。** for significant correlation at the 0.01 level. 面积 Area 1.000** 0.999** 0.999** 周长 Perimeter 0.996** 0.993** 0.982** 叶长 Length 0.988** 0.999** 0.988** 叶宽 Width 0.880** 0.995** 0.884**

本文解决了GIS空间分析中无空间投影方式的植物叶片信息测定问题。利用ArcGIS 10软件的影像分类功能，将扫描图片中叶片部分和背景部分准确分离，再利用栅格转矢量的思路解决了在GIS软件常规处理中需要手动配准影像、勾画叶片轮廓费时费力的问题; 同时利用最小边界几何模块，自动提取叶长和叶宽。笔者利用ArcGIS 10中模型构建器集成相关模块编制的"叶片信息测定"工具，可一次性批量处理文件夹中所有扫描图片，具有界面简洁、操作简单、效率高的特点。自动分类法提取图像(周长、面积、长度和宽度)信息与图形实际信息相对误差极低(≤1.3%)。分别采用自动分类法、网格法和Photoshop法对6种不同红树植物的900个叶片样本的面积、周长、叶长和叶宽进行测定，3种方法测定结果的平均值非常接近，这三者的相关系数均呈显著相关，说明自动分类法完全可以用于红树植物等不规则叶片的特征信息提取。

由于网格法和Photoshop法每次只能处理1个叶片，网格法通过数小方格的方式统计叶面积，通过棉线测叶片周长，利用直尺测叶长和叶宽，十分费时费力，并且受到人为操作的影响; Photoshop的魔棒也需要多次点击处理才能够准确地选中整个叶片，处理效率也不够快捷; 自动分类法，可以一次处理整个文件夹中所有扫描的叶片图片，效率高，精确度高。笔者利用此工具在IBM R52便捷式计算机(内存2 Gb，处理器1.86 Ghz)测定含有20个白骨壤叶片样本(图 5)的面积、周长、叶长和叶宽数据，用时大约50 s(图 6)。同时，由于自动分类法把叶片轮廓矢量化并生成数据库，不仅获得面积、周长、叶长和叶宽等叶形参数，还获得图表一致的数据，方便查验。

	图 5 白骨壤叶片扫描图 Fig. 5 The image of leaves of A. marina

	图 6 白骨壤叶片信息测定结果 Fig. 6 The leaf parameter of A. marina

与传统叶片信息测定方法相比，自动分类法应用于叶片信息测定具有明显的优越性: 1)自动化程度高。叶片图像的分类、矢量化和空间信息处理全过程均由软件自动进行，无人为影响。 2)信息丰富。不仅获得叶片面积，还同时生成叶片轮廓周长、叶长、叶宽等叶形参数，有利于对植物叶片的生长状态进行全面分析。 3)效率高。自动分类法利用GIS强大的空间分析能力，使得海量的叶片信息提取与分析成为可能，对于细碎或者不规则叶片特征信息(周长、面积、叶长、叶宽等)的提取更加快捷。 4)精度高。扫描仪扫描的图片是正射数字图像，不会产生扭曲变形，自动分类法利用GIS强大的空间分析技术，叶片叶缘的提取与解析方面精确度高。

自动分类法测定叶片信息是基于GIS软件应用的扩展。当然，该方法也有一定的缺点，就是需要离体测定，采摘叶片对植物造成微小伤害。对于活体测量，利用相机或手机配合标准参照物来获取单个叶片图像，可以通过GIS软件的进一步分析处理后可满足精度要求，但无法批量测定，效率较低。