無人機遙感植被覆蓋度提取方法研究綜述

劉 琳，鄭興明，姜 濤，李 雷，丁艷玲

(1.東北師范大學地理科學學院，吉林 長春 130024；2.東北師范大學長白山地理過程與生態安全教育部重點實驗室，吉林 長春 130024；3.中國科學院東北地理與農業生態研究所，吉林 長春 130102)

植被覆蓋度(Fractional vegetation cover，FVC)是描述地表植被分布的重要指標，也是生態系統、水土流失和氣候變化模型的重要參數，通常被定義為植被(包括枝、莖、葉)在單位面積內的垂直投影面積所占百分比[1].目前植被覆蓋度的監測方法主要有地面實測方法和遙感反演方法[2].地面實測方法包括目估法、樣方法和攝影法[3]，這些方法精度高，但是受人力物力條件的制約，難以獲取區域尺度上的植被覆蓋度，逐漸演化為驗證遙感反演結果的重要手段.遙感反演植被覆蓋度的方法有回歸模型法、混合像元分解法和機器學習法等[1]，是目前植被覆蓋度遙感估算的主要方法.

無人機(Unmanned aerial vehicle，UAV)是一種無人駕駛的航空器[4].隨著科學技術的飛速發展，無人機相關的技術也日益成熟，已成為一種新興的遙感平臺.無人機遙感系統是無人機與遙感技術的結合，是一種以無人機為平臺，搭載成像或非成像傳感器，飛行高度在幾千米以內，可用來獲取國土、資源、環境、農業等空間信息的一門應用技術[5].無人機遙感技術具有成本低、操作控制靈活方便、云下低空飛行、高時效、高空間分辨率等優勢，緩解了衛星遙感無法同時滿足高空間分辨率與時間分辨率的矛盾，是衛星遙感技術的一種有益補充手段.而具有高時空分辨率的無人機遙感技術也逐漸被用于地面數據采集[6].與地面實測相比，無人機遙感技術在能滿足采樣精度要求的同時大大減少了工作時間和人力物力，適合工作量大、采集范圍廣的野外采樣.因此，無人機遙感能為衛星遙感估算植被覆蓋度提供準確、有代表性的大樣方數據，進而提高植被覆蓋度估算模型的精度及模型驗證的準確性[3].

目前，國內外學者對基于無人機遙感技術進行植被覆蓋度的提取方法進行了大量研究，并取得了一些重要成果[7-9].本文以無人機遙感技術提取植被覆蓋度的相關研究成果為綜述對象，對無人機平臺類型及所攜帶的傳感器類型進行了概述，總結和梳理了無人機遙感植被覆蓋度提取的主要方法；同時分析了無人機遙感技術提取植被覆蓋度存在的問題及發展趨勢，以為今后基于無人機遙感技術提取植被覆蓋度的研究提供相關參考.

1 無人機平臺類型

近年來，輕小型無人機被廣泛應用于各行各業中，將無人機技術應用于遙感領域也成為一種新的發展趨勢.無人機按照技術特征可分為多旋翼無人機、固定翼無人機、無人直升機和特殊構型無人機(如復合翼、撲翼等)4大類[10]，如圖1所示.在無人機遙感的相關研究中，多旋翼無人機和固定翼無人機被廣泛應用.

多旋翼無人機固定翼無人機無人直升機復合翼無人機

多旋翼無人機是一種具有3個及以上旋翼軸的無人駕駛飛行器.常見的有四旋翼、六旋翼和八旋翼.多旋翼無人機成本低、便于攜帶、操作簡單，可以在空中懸停，對起飛降落的場地要求低，優勢明顯；不足是續航能力差、載荷能力有限，有風天氣不宜起飛.常用的多旋翼無人機遙感平臺有大疆Phantom系列、Microdornes系列、派諾特Bluegrass無人機等，如表1所示.Chen等[3]利用大疆Phanton 2無人機獲取地面圖像，通過計算過綠指數(EXG)來提取植被覆蓋度；Yue等[11]利用大疆S1000無人機獲取冬小麥的圖像，利用圖像紋理和可見光大氣阻抗植被指數(VARI)、綠紅植被指數(GRVI)估算了地上生物量.除此之外，還有一些根據研究目的而自主研發的無人機，如裴信彪等[12]自主設計了六軸十二旋翼的無人機用來測試4種施氮水平水稻的光譜指數變化規律.

表1 多旋翼無人機遙感平臺

固定翼無人機是以機翼為主要升力部件的無人機，其優點是載重能力強、飛行速度快、飛行時間長，適用于大范圍的地圖測繪；不足是對起飛降落的條件要求較高，在空中懸停能力較差[13].固定翼無人機遙感平臺主要有瑞士SenseFly公司研制的eBee系列無人機、比利時Gatewing公司研制的Gatewing X-100無人機和武漢智能鳥無人機有限公司研制的天鷹1600無人機等.Akar[14]利用Gatewing X-100固定翼無人機獲取遙感影像進行了精細地物分類；Fraser等[15]利用eBee Plus固定翼無人機評估了其在新英格蘭林地分類中的適用性.

2 無人機攜帶的傳感器類型

無人機遙感通過搭載不同類型的傳感器來獲取目標物信息，攜帶的傳感器主要有可見光數碼相機、多光譜相機、高光譜成像儀、熱紅外相機和激光雷達等.

可見光數碼相機包含紅、綠、藍3個通道，成像技術完善，對拍攝的天氣要求不高，是一種低成本的傳感器.其獲取的影像空間分辨率較高，一般為厘米級.表2列出了常用于無人機遙感的可見光數碼相機，如索尼Nex-5R，其最高分辨率為4 912×3 264像素.朱孟等[16]利用無人機搭載哈蘇L1D-20c數碼相機獲取了火龍果種植區的可見光圖像，最高分辨率為5 472×3 684像素；陶惠林等[17]利用無人機搭載索尼 Cyber-shot DSC-QX100 數碼相機采集了空間分辨率為1.3 cm的可見光影像，用以估算冬小麥生物量.

表2 常用的可見光數碼相機類型

多光譜相機一般能夠獲取包含綠、紅、紅邊和近紅外4個波段的信息，可用于大部分典型可見光-近紅外植被指數的計算.相對于可見光相機，多光譜相機能夠獲取更為豐富的信息，因此在植被監測方面具有優勢.表3列舉了6種常用的無人機多光譜相機，其中Parrot Sequoia相機包含綠、紅、紅邊和近紅外4個波段；MiniMCA6相機包含3個可見光、紅邊和2個近紅外波段，帶寬略窄于其他相機；Sentera Quad相機僅包含紅、紅邊和近紅外3個波段.魏鵬飛等[18]基于Parrot Sequoia拍攝的多光譜影像，提取了差值植被指數(DVI)、歸一化差值植被指數(NDVI)和比值植被指數(RVI)等11種植被指數，估測了夏玉米葉片氮含量；Deng等[19]對比了MiniMCA6多光譜相機和Sequoia多光譜相機獲取的反射率和植被指數的差異，驗證結果表明MiniMCA6獲取的反射率比Sequoia的反射率值更接近地面實測值，由MiniMCA6計算的NDVI值略好于Sequoia，Sequoia的紅邊歸一化植被指數(ReNDVI)，比MiniMCA6的更準確.

表3 常用的多光譜相機類型

相對于多光譜相機而言，高光譜相機獲取的波段信息更加豐富，可以構建的植被指數更多，光譜分辨率更高，可達到納米級.然而，高光譜成像技術相對復雜，在無人機飛行過程中易受螺旋槳震動的影響，導致后期高光譜圖像處理煩瑣，難以獲得滿意的拼接圖像[18].表4列出了5種國內外常用的無人機高光譜相機，其中，Cubert S185成像儀包含125個通道，光譜范圍為450～950 nm，光譜分辨率為8 nm；美國的Pika NIR-640成像儀包含328個通道，光譜范圍為900～1 700 nm，光譜分辨率為2.5 nm.陳鵬飛等[20]利用地面光譜信息對Cubert S185反射率進行了驗證，結果表明Cubert S185的光譜數據與地面光譜儀測定的數據都具有很好的一致性，證實了該傳感器的有效性.

表4 常用的高光譜相機類型

熱紅外相機用于接收地物的紅外熱輻射信息，將熱輻射以不同顏色的柵格影像來表示溫度的差異.熱紅外相機常用于觀測冠層溫度、干旱脅迫、病蟲害等.陳震等[21]利用無人機搭載FLIR-Tau2 熱紅外相機反演了作物冠層溫度，計算了作物水分虧缺指數，實現了冬小麥作物水分虧缺狀況的監測.

激光雷達是通過主動探測目標的散射光特性獲取相關信息的遙感技術，抗干擾能力強，其生成的點云信息豐富、空間分辨率高.激光雷達多用于觀測株高、估算生物量及林業遙感中.Yin等[22]利用無人機搭載Velodyne HDL-32E激光雷達掃描儀對單棵紅樹林的樹高和樹冠直徑進行了探測；Ten等[23]利用無人機攜帶VUX-SYS激光掃描儀對3種作物的生物量和作物高度進行了估算.

3 無人機遙感技術提取植被覆蓋度算法

目前，利用無人機遙感技術提取植被覆蓋度的方法可歸為3大類，分別是顏色空間法、植被指數法和機器學習分類法，其中，植被指數法又細分為閾值法和回歸模型法.圖2歸納了無人機遙感技術提取植被覆蓋度的基本流程，其中輻射校正為多光譜數據預處理步驟.

圖2 無人機遙感提取植被覆蓋度的基本流程

3.1 顏色空間法

顏色空間一般是用三個相對獨立的屬性來描述，三個獨立的變量相互作用構成一個空間坐標，稱為顏色空間[24-25].常用的顏色空間有RGB、HSV和Lab.其中，RGB顏色空間是以紅、綠、藍3種顏色為基色，通過不同比例的疊加生成豐富而廣泛的顏色；HSV顏色空間是將色彩信號分為3種屬性：H (色調)、S (飽和度)和V (亮度)；Lab顏色空間是國際照明委員會制定的一種色彩模式，其中L代表亮度，a用于描述從紅色到綠色的范圍，b描述從黃色到藍色的范圍.牛亞曉等[26]基于無人機可見光圖像，分別采用 Lab 顏色空間中的a通道、RGB顏色空間計算的過綠特征指數和HSV顏色空間中的H通道進行了棉花覆蓋度的提取，結果表明，Lab顏色空間的a通道對綠色植被的識別能力最好；Li等[27]針對隨著無人機飛行高度的增加，圖像空間分辨率下降、混合像元增多的問題，提出了利用Lab顏色空間的兩個半高斯分布對純植被像元和純背景像元的直方圖進行擬合，然后根據高斯分布參數確定閾值的方法估計植被覆蓋度；Yan等[8]基于無人機可見光圖像，運用不穩定指數(ISI)量化了HSV的H通道、Lab顏色空間的a通道和過綠特征指數區分植被與背景的有效性，結果顯示，HSV顏色空間的H通道計算的不穩定指數最小，最能有效分離植被和背景.

3.2 植被指數法

3.2.1 植被指數

植被指數指利用綠色植被對電磁波的反射和吸收特征，對敏感波段進行線性或非線性組合，從而表征植被信息的方法[28].植被指數是提取植被信息和評估植被生長狀況的重要指標[29]，也是植被遙感監測中應用最廣泛的方法之一[30-31].表5列出了無人機遙感提取植被覆蓋度常用的植被指數，按照所使用的無人機遙感數據類型，分為可見光植被指數和可見光-近紅外植被指數兩類.可見光影像僅包含紅、綠、藍3個通道，可構建的植被指數相對較少.可見光植被指數的構建是依據綠色植被對綠光具有較強的反射特性，對紅光和藍光具有吸收特性.利用這些特性，研究學者構建了EXG、歸一化綠紅差異指數(NGRDI)、可見光波段差異植被指數(VDVI)、GRVI和紅綠藍植被指數(RGBVI)等.趙靜等[32]采用VDVI、EXG和NGBDI結合監督分類提取了玉米4個時期的植被覆蓋度信息，發現玉米葉片的反光和陰影部分面積的增加降低了VDVI和NGBDI的識別精度，與這兩種植被指數相比，EXG指數分類閾值得到的植被覆蓋度與真實值最為接近.

目前基于多光譜衛星遙感影像提出的植被指數有100多種，如NDVI、土壤調整植被指數(SAVI)和增強型植被指數(EVI)等[33-34]，這些指數被廣泛應用到無人機多光譜遙感植被參數反演的研究中.牛亞曉等[7]驗證了基于無人機多光譜遙感可以較好地提取冬小麥植被覆蓋度信息，并得出了與SAVI、MSAVI相比，基于NDVI分類閾值的提取效果最好的結論；Jay等[35]研究發現與NDVI、葉綠素紅邊指數(CIre)、葉綠素綠波段指數(CIgreen)和MERIS葉綠素指數(MTCI)相比，可見光大氣阻抗植被指數(VARI)可抑制光照條件差異帶來的影響，因而能有效地提取植被覆蓋度.

表5 利用無人機提取植被覆蓋度研究中常用的植被指數

3.2.2 閾值法

植被指數閾值法是識別影像中植被像元與非植被像元的一種有效方法.該方法是在計算出植被指數的基礎上，選用合適的方法設定閾值，將植被指數大于閾值的像素歸為植被，小于閾值的像素歸為非植被.植被覆蓋度提取的精度取決于閾值的設定.確定閾值的主要方法有雙峰直方圖閾值法和直方圖熵閾值法.

(1) 雙峰直方圖閾值法.雙峰直方圖閾值法指在一幅圖像中，若目標與背景對比明顯，則直方圖顯示出的像素灰度會集中在兩處，即包含兩個“山峰”，兩峰之間的坡谷一般就是閾值的選取處[53].周在明等[28]參考了VDVI、SAVI和MSAVI的機理，構建了基于可見光3波段的改進型土壤調整植被指數(V-MSAVI)，結合雙峰直方圖法提取了互花米草的覆蓋度信息，驗證精度高達0.92(決定系數)；卞雪[54]基于無人機可見光圖像，選擇VDVI、EXG、NGBDI和NGRDI植被指數來獲取直方圖，利用雙峰直方圖閾值法得到的閾值分別是0.098，44.039，0.122，0.096，經驗證分析VDVI的估算結果最為準確；Ashapure等[41]采用雙峰直方圖閾值法，對比了EXG、MGRVI和RGBVI提取棉花覆蓋度的精度，結果顯示基于RGBVI的估算精度高于EXG和MGRVI；Marcial-Pablo等[43]采集了玉米早、中、成熟期的可見光和多光譜圖像，分別計算了EXG、NDVI、CIVE、 VIg、GNDVI和NG，基于雙峰直方圖閾值法對比了這6種植被指數提取植被覆蓋度的精度，結果顯示EXG的提取精度最高，可見光植被指數對作物早期的覆蓋度的估算精度高于可見光-近紅外植被指數，可見光-近紅外植被指數對作物中后期的覆蓋度的估算效果優于可見光指數，GNDVI的表現最好，精度高達97.09%；李冰等[55]提出了一種基于多時相影像構成雙峰直方圖提取閾值的方法，該方法選取兩期植被像元與非植被像元長勢具有顯著差異的影像，將兩期植被指數直方圖的相交點作為分割閾值，從而實現了植被與非植被的劃分.

(2) 直方圖熵閾值法.直方圖熵閾值法又稱最大熵閾值法，是假設閾值為t，則以閾值t為分界點將圖像分割為目標區域O和背景區域B.目標區域的熵為Ho(t)，背景區域的熵為Hb(t)，當兩者的總熵H(t)=Ho(t)+Hb(t)取最大值時所對應的t值即為最佳閾值[54].卞雪[54]基于無人機可見光圖像，計算了RGRI并結合最大熵閾值法，明確了提取植被覆蓋度的閾值為0.741；劉艷慧等[56]利用無人機獲取了呼倫貝爾草甸草原的可見光圖像，構建了EXG與CIVE，根據最大熵原理建立了植被與背景的雙閾值目標函數，利用遺傳算法尋找最佳分割閾值，從而實現了草地植被覆蓋度的估算.

(3)雙峰直方圖閾值法與直方圖熵閾值法的比較.汪小欽等[31]分別基于VDVI、EXG、NGRDI、NGBDI和RGRI，對比了雙峰直方圖閾值法和直方圖熵閾值法的提取精度，其中，基于VDVI雙峰直方圖閾值法的精度要優于直方圖熵閾值法，基于NGBDI直方圖熵閾值法的提取精度高于雙峰直方圖閾值法；對于EXG，其統計直方圖形態呈現非雙峰直方圖，用直方圖熵閾值法實現了植被覆蓋度的提取；分別基于NGRDI和RGRI的兩種方法的提取效果都不太理想.當植被指數的直方圖不存在明顯波峰或波谷時，雙峰直方圖閾值法的精度會受到影響，而直方圖熵閾值法運算過程較為復雜，往往需要更多的時間和精力來獲取閾值[32]，并且兩者在植被密度低的區域應用效果都不盡理想[54].針對兩種方法在植被信息提取方面所存在的問題，有學者引入監督分類來改善這兩種方法的不足.監督分類與直方圖結合法是首先采用監督分類對無人機影像進行植被和非植被的劃分，在分類結果的基礎上進行植被與非植被像元直方圖的統計，以兩者直方圖的交點作為分類閾值的方式進行植被覆蓋度的提取.牛亞曉等[7]采用支持向量機分類和雙峰直方圖閾值法進行了冬小麥不同生長期的覆蓋度信息提取，指出兩種方法相結合提取的分割閾值具有一定的穩定性；趙靜等[32]基于無人機可見光圖像，選用VDVI、EXG、NGBDI 3種植被指數，結合監督分類與統計直方圖法確定植被覆蓋度提取閾值，發現該方法有效解決了雙峰直方圖閾值法和直方圖熵閾值法在低植被覆蓋度區域提取效果不理想的問題.

3.2.3 回歸模型法

回歸模型法又稱經驗模型法，是通過對遙感數據的某一波段、波段組合或利用遙感數據計算出的植被指數與植被覆蓋度進行回歸分析，建立統計回歸模型[1].根據回歸關系的不同，回歸模型分為線性回歸和非線性回歸模型兩種.謝兵等[42]基于無人機可見光圖像，構建了新的植被指數——紅綠藍比值植被指數(RGBVI)并與植被覆蓋度建立多種模型，其中，采用三次多項式進行擬合的精度最高，相關系數R2達到0.90，精度優于NGRDI、RGRI和 ExG-ExR；Lima-Cueto等[57]利用無人機搭載的多光譜相機拍攝西班牙山區橄欖林的圖像，應用RVI、IRVI、DVI、NDVI、GNDVI、NDRE、GRVI、GVI、NRVI、SAVI和VREI 共11種植被指數與橄欖林的植被覆蓋度建立回歸模型，11種植被指數都與植被覆蓋度具有顯著的相關性，回歸模型均為線性，其中，最敏感的植被指數是IRVI；Iizuka等[58]根據無人機多光譜圖像獲取了不同尺度下的相思樹、草/灌木和非植被的覆蓋度，并基于NDVI、GNDVI和ReNDVI 3種植被指數建立回歸模型，經過分析，對于相思樹3種植被指數都與植被覆蓋度呈現顯著指數關系，對于草/灌木地區植被指數與植被覆蓋度之間的相關性較弱，而在非植被覆蓋區，植被指數與植被覆蓋度為負相關關系.在不同的空間分辨率下，NDVI與FVC的相關性最強.

3.3 機器學習分類法

機器學習分類法指通過計算機從大量的數據中學習其內在的規律性信息，獲得經驗知識，在復雜的數據中分離出圖像的主要特征的一種方法[59].在利用無人機提取植被覆蓋度的研究中，常用的機器學習分類算法有分類決策樹和隨機森林等.分類決策樹算法通過對數據進行處理，利用歸納算法生成可讀的規則和決策樹，然后使用決策對數據進行分析，是一種典型的歸納學習方法[60]；隨機森林算法是一個包含多個決策樹的分類器，它的基本單元是決策樹，其輸出的類別是由所有決策樹輸出類別的眾數而定，每棵樹都是獨立的且具有相同的分布[61].韓東等[62]基于無人機可見光相機，獲取了7個時期榆樹疏林草原的圖像，通過建立顏色特征與木本、草本和沙地3種類別的二叉樹分類模型，得到決策樹分類模型，實現了植被類型的劃分和覆蓋度生長季的動態估計；Wang等[63]拍攝了干旱地區木本和草本等稀疏植被的無人機圖像，利用分類回歸樹、支持向量機、隨機森林和梯度提升決策樹提取植被覆蓋度的精度.相比于其他3種機器學習分類算法，分類回歸算法精度高并大大提高了分類的效率.Zhou等[64]基于無人機可見光圖像，提出了一種改進隨機森林的分類法，該方法首先通過鏡像反轉90°和180°旋轉增加樣本信息，其次使用K均值聚類法去除背景，然后提取顏色特征和紋理特征，最后使用改進隨機森林分類法得到植被覆蓋度信息；Choi等[9]基于無人機多光譜相機獲取沙丘的可見光圖像和多光譜圖像，采用像元二分模型和隨機森林分類兩種方法估算了植被覆蓋度，結果發現與可見光圖像相比，多光譜影像呈現出更好的估算能力，像元二分模型的估算精度優于隨機森林分類.

以上幾種植被覆蓋度提取方法的優勢及局限性如表6所示.顏色空間法只適用于處理可見光傳感器獲取的圖像；植被指數閾值法和回歸模型法既可用于可見光圖像，也可用于多光譜圖像.相關研究表明，基于多光譜圖像的提取效果基本優于基于可見光圖像的提取效果，但是，多光譜相機的成本相對昂貴，所以基于可見光相機的應用范圍更廣一些.回歸模型法在提取植被覆蓋度時精度雖然很高，但是方法不適用于地表復雜的區域.機器學習分類法適用于多種傳感器獲取的圖像，并且具有較高的精度.

表6 無人機遙感植被覆蓋度估算方法比較

4 討論與展望

無人機作為一種新興的遙感平臺，促進了遙感科學研究從宏觀向微觀前進了一大步，與衛星遙感系統形成互補，為許多研究提供了第一手的數據[65].將無人機遙感技術應用于植被覆蓋度提取有著巨大的研究空間，同時也存在一些問題有待于深入探討.

4.1 討論

本文總結了利用無人機遙感技術在植被覆蓋度提取方面的研究現狀，闡述了無人機遙感平臺及其所搭載的傳感器，對各種傳感器的參數、優缺點及適用范圍進行了梳理；重點歸納了目前常用于無人機遙感的植被覆蓋度的提取方法，可歸納為3大類：顏色空間法、植被指數法和機器學習分類法，介紹了這些方法的基本理論和當前的研究成果.

無人機遙感技術提取植被覆蓋度的根本優勢在于：一是無人機成本低、操作靈活方便，對操控人員的要求較低，可以即時獲取數據；二是無人機遙感能夠獲取高時空分辨率的圖像數據.但是在實際應用中也存在一些問題：(1)無人機遙感圖像預處理過程較復雜.無人機在飛行過程中的重疊度及定位問題會導致圖像缺失，對圖像后續的應用產生影響；無人機遙感圖像的預處理包括輻射校正、正射校正、圖像拼接等部分，處理過程復雜、煩瑣，并且處理效果會直接影響后續植被覆蓋度提取的精度[13].(2)無人機遙感提取植被覆蓋度的空間范圍受限.無人機圖像分辨率越高、圖像越精細、無人機作業效率越低.常用的電動多旋翼無人機存在電力續航能力問題，一次路徑規劃無法實現大面積的影像獲取；固定翼無人機雖然飛行時間較長，但穩定性差，無法保證拍攝圖像的質量.因此，無人機圖像的分辨率與采集效率失衡，在獲取大區域的植被覆蓋度時受到限制.

4.2 展望

無人機遙感技術提取植被覆蓋度的關鍵在于是否能夠選擇一種適用性強、耗時少、準確性高的植被覆蓋度提取算法.

(1) 可采用輕小型高光譜傳感器探索對植被覆蓋度敏感的波段和最優的光譜特征[66].無人機遙感提取植被覆蓋度大多采用低成本的可見光或可見光-近紅外傳感器，光譜范圍有限，在提取植被覆蓋度時具有一定的局限性.如NGRDI僅適用于刻畫高植被覆蓋度區，對于稀疏草地等區域的植被提取效果不佳[31]；VDVI和NGBDI易受葉片反光和陰影的影響，兩者在植物生長后期的提取誤差增大[32]；NDVI在高植被覆蓋度區易達到飽和[55].

(2) 植被指數法受植被類型和背景影響.互花米草成像中的紅、綠波段的光譜反射率差異不顯著，當前的可見光植被指數不能有效區分互花米草與背景.不同植被指數對不同植被類型的適用性有待于進一步探究，這有助于建立一個根據植被類型而自動選擇合適植被指數的估算系統.

(3) 利用閾值法提取植被覆蓋度的普適性較差.用于提取不同植被類型覆蓋度的閾值不同，對于同一植被類型，提取不同生長期覆蓋度的閾值也不同.此外，閾值法的精度受植被分布密度的影響，對于低密度植被覆蓋度的提取精度低于高密度植被.

綜上所述，當前遙感正朝著高空間分辨率、高時間分辨率、高光譜分辨率的方向發展，而無人機遙感技術恰能滿足這種需求.雖然目前在植被覆蓋度提取方面仍存在需要進一步解決的問題，但現存的這些局限性正說明了無人機遙感技術在提取植被覆蓋度研究方面有著巨大的發展潛力.