基于可見光波段的綠色植被提取方法研究

摘要：可見光植被指數(shù)是一種基于RGB影像的植被提取方法，目前已被廣泛用于無人機(jī)影像植被提取，現(xiàn)有的方法在植被提取效率及增大植被與其他地物區(qū)分度方面仍有可改進(jìn)的空間。基于綠色健康植被光譜特性及8種不同地物在無人機(jī)RGB影像中的光譜特征，提出一種基于綠、藍(lán)波段的可見光植被指數(shù)——超綠藍(lán)比值指數(shù)（enhanced green blue ratio index，EGBRI），利用該指數(shù)與其他8種常見可見光植被指數(shù)提取效果進(jìn)行對比研究，并采用基于目視解譯的地物判別結(jié)果結(jié)合混淆矩陣進(jìn)行精度量化評價(jià)。結(jié)果表明：由EGBRI計(jì)算的植被指數(shù)能夠有效提取試驗(yàn)區(qū)綠色植被，對其他地物具有抑制作用；相比其他常見可見光植被指數(shù)，EGBRI增強(qiáng)了植被與其他地類的區(qū)分度，其分類精度更高，EGBRI總體精度為95.06%，Kappa系數(shù)為0.889 5，處于較高水平，能夠?qū)υ囼?yàn)區(qū)的植被覆蓋區(qū)域進(jìn)行快速、準(zhǔn)確的提取。研究結(jié)果表明，提出的超綠藍(lán)比值指數(shù)（EGBRI）能夠有效、快速、高精度、大范圍地提取無人機(jī)影像RGB波段影像中綠色植被信息，且具有較好的適用性和提取精度。

關(guān)鍵詞：無人機(jī)；RGB影像；可見光植被指數(shù)；綠色植被提取

doi：10.13304/j.nykjdb.2023.0212

中圖分類號：S126

文獻(xiàn)標(biāo)志碼：A

文章編號：1008?0864（2025）01?0107?11

無人機(jī)遙感技術(shù)是將無人機(jī)與遙感技術(shù)相結(jié)合，以無人機(jī)設(shè)備為載體搭載不同傳感器采集數(shù)據(jù)。無人機(jī)遙感具有分辨率高、獲取數(shù)據(jù)量豐富等優(yōu)點(diǎn)，近年來獲得廣泛應(yīng)用[1?2]，已成為當(dāng)下遙感技術(shù)發(fā)展的主流載體之一。無人機(jī)遙感技術(shù)已廣泛應(yīng)用到國土監(jiān)測、環(huán)境監(jiān)測等重要領(lǐng)域，并且取得了顯著成效[3-5]。

植被作為陸地生態(tài)的重要組成部分，是人類不可或缺的物質(zhì)資源與生存保障，其種類、數(shù)量對生態(tài)系統(tǒng)有著重要影響，植被在地面的分布變化能夠充分反映陸地生態(tài)系統(tǒng)的改變[6-8]。通過無人機(jī)獲取遙感圖像并提取植被指數(shù)是研究植被分布及其變化的重要研究方法之一[9-11]，基于無人機(jī)搭載常規(guī)相機(jī)收集的影像獲得的可見光植被指數(shù)已廣泛用于植被識別、分布狀況分析及信息提取等研究。凌成星等[12]通過構(gòu)建無人機(jī)可見光RGB波段差異性植被指數(shù)（UAV different vegetation index，VDVI）和HSV 變換植被指數(shù)（HSV transformvegetation index，HSVVI），并與同區(qū)域GF-1 衛(wèi)星歸一化植被指數(shù)進(jìn)行相關(guān)性分析，建立無人機(jī)研究區(qū)的植被覆蓋度估算模型，并對植被覆蓋度進(jìn)行了快速計(jì)算，該指數(shù)簡單易用，但在與NDVI的相關(guān)性比較中處于中位水平，應(yīng)用于其他研究區(qū)的可靠性有待討論；程滔等[13]構(gòu)建歸一化色調(diào)亮度植被指數(shù)（normalized hue and lightnessvegetation index，NHLVI），通過分析植被與非植被信息在HSL彩色空間中的特征對植被信息進(jìn)行了有效提取，然而該模型需要先將RGB影像變換至HSL 色彩空間才能進(jìn)行運(yùn)用，其步驟相對繁瑣，使得運(yùn)用效率受到限制；高永剛等[14]在紅綠藍(lán)植被指數(shù)（red green blue vegetation index，RGBVI）的基礎(chǔ)上增強(qiáng)了植被在綠波段的強(qiáng)反射作用，提出了超綠紅藍(lán)差分指數(shù)（excess green-red-bluedifference index，EGRBDI），該指數(shù)對于植被與其他地物的區(qū)分度較強(qiáng)，同時(shí)具有較高提取精度，但該指數(shù)未對不同顏色的植被及顏色與植被相近的地物進(jìn)行區(qū)分，對地物狀況復(fù)雜的區(qū)域的提取效果尚待研究。

目前，已有多種可見光植被指數(shù)被應(yīng)用到不同的植被提取中，但現(xiàn)有的可見光植被指數(shù)仍然存在精度不足、提取方法繁瑣、對干擾性地物區(qū)分度不高等缺陷。為使得可見光植被指數(shù)在快速區(qū)分植被與非植被的同時(shí)既具有更高的可靠性，又能夠規(guī)避多種復(fù)雜地物對提取效果的干擾，本文以無人機(jī)可見光影像為數(shù)據(jù)源，在分析研究區(qū)內(nèi)不同地物間光譜反射率差異的基礎(chǔ)上，提出一種利用可見光綠、藍(lán)波段信息構(gòu)建的新型綠色植被指數(shù)—— 超綠藍(lán)比值指數(shù)（enhanced green blueratio index，EGBRI），并將其提取效果與不同種可見光植被指數(shù)進(jìn)行對比，以期能實(shí)現(xiàn)對綠色植被覆蓋區(qū)域信息進(jìn)行有效、快速的提取。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)域位于云南省昆明市云南農(nóng)業(yè)大學(xué)現(xiàn)代教學(xué)實(shí)驗(yàn)基地，地理位置為E102°10'～103°40'、N24°23'～26°22'，屬于亞熱帶高原季風(fēng)氣候，其覆蓋土類主要為紅壤。該地區(qū)地勢平坦，周邊植被覆蓋度適中，地物類型豐富，其地類包括灌木、草地、人工塑膠場地、裸土、荒地、少量紫色植被、建筑、水泥路面，適宜進(jìn)行低空無人機(jī)影像數(shù)據(jù)采集，且適合檢驗(yàn)復(fù)雜地物類型下可見光植被指數(shù)對植被的提取效果。

1.2 影像數(shù)據(jù)采集及預(yù)處理

本研究采用大疆DJI Mavic 2 Enterprise Dual無人機(jī)采集影像數(shù)據(jù)，其搭載可見光與熱紅外2個鏡頭，可同時(shí)采集可見光及熱紅外影像。影像采集時(shí)間為2022年5月5日，選取天氣晴朗、云量少、風(fēng)速平緩的時(shí)段開展影像采集作業(yè)。影像采集前根據(jù)實(shí)驗(yàn)要求對航線進(jìn)行設(shè)置，飛行高度設(shè)置為100 m，飛行速度為5 m·s-1，為提高無人機(jī)影像采集精度，防止采集的信息量不足，航向重疊度與旁向重疊度均設(shè)為85%。飛行任務(wù)完成后利用Pix4D mapper對正射影像進(jìn)行拼接，利用ENVI5.3軟件對研究區(qū)進(jìn)行裁剪，從整個云南農(nóng)業(yè)大學(xué)現(xiàn)代教學(xué)實(shí)驗(yàn)基地的整幅正射影像中，依照地物豐富、植被類型多樣、存在顏色與植被相近地物的原則，從整幅正射影像中截取大小為196 m×82 m的規(guī)則矩形區(qū)域構(gòu)建指數(shù)進(jìn)行研究。本研究內(nèi)容不涉及各個波段的中心波長位置和波段范圍，且本研究對影像地理坐標(biāo)系無特殊要求，因此所獲取的影像無需進(jìn)行嚴(yán)格的輻射定標(biāo)和地理坐標(biāo)校正。

1.3 可見光植被指數(shù)構(gòu)建

利用不同可見光波段的組合運(yùn)算來構(gòu)建可見光植被指數(shù)，以強(qiáng)化植被在可見光波段的光譜特征，增強(qiáng)植被與其他地物的區(qū)分度。在可見光范圍內(nèi)，綠色波段反射率同時(shí)大于紅、藍(lán)波段，植物對綠光有較強(qiáng)的反射率，同時(shí)對紅光和藍(lán)光有較強(qiáng)的吸收作用，根據(jù)該特征，利用紅、綠、藍(lán)3個波段進(jìn)行組合可以突出植被的光譜特征，增大植被與其他地物的區(qū)分度。根據(jù)以上原則，現(xiàn)已有多種可見光植被指數(shù)以用于植被覆蓋區(qū)域的提取，本研究所用8種常用可見光植被指數(shù)計(jì)算公式如表1所示。

植被指數(shù)的構(gòu)建是為了增強(qiáng)植被的光譜特征，增大植被與其他地物的區(qū)分度，目前常用的植被指數(shù)多為利用近紅外波段與可見光波段進(jìn)行組合運(yùn)算來增強(qiáng)植被某一細(xì)節(jié)，為使所構(gòu)建的植被指數(shù)對影像有更好的適應(yīng)性，應(yīng)在構(gòu)建前對不同地物的光譜特征進(jìn)行分析。選取地物時(shí)應(yīng)盡可能兼顧實(shí)驗(yàn)區(qū)內(nèi)所有地物，對每種地物應(yīng)選擇面積適當(dāng)且與邊界有一定距離的同質(zhì)區(qū)域，每種地物應(yīng)覆蓋各種亮度區(qū)域，確保在各種亮度值范圍內(nèi)分析各地物之間的關(guān)系，且對每種地物的樣本選擇應(yīng)做到均衡選取，確保對試驗(yàn)區(qū)內(nèi)的地物全覆蓋。因此，本研究地物分為樹木、草地、建筑、水泥路、裸土、荒地、塑膠場地、紫色植被共8種，由于本文所提出指數(shù)僅適用于綠色植被提取，因此在后續(xù)處理中將非綠色植被視為非植被。為準(zhǔn)確得到不同地物在不同波段的像元反射值，在經(jīng)過預(yù)處理的試驗(yàn)區(qū)影像中隨機(jī)選取各類地物樣本點(diǎn)50個，對其在紅、綠、藍(lán)波段的像元進(jìn)行統(tǒng)計(jì)，基于不同地物對不同顏色波段的像元特點(diǎn)構(gòu)建構(gòu)建基于可見光波段的植被指數(shù)—— 超綠藍(lán)比值指數(shù)（enhanced green blue ratio index ，EGBRI）。

為比較不同植被指數(shù)計(jì)算結(jié)果差異，同時(shí)評估不同可見光植被指數(shù)的提取效果，將8種可見光植被指數(shù)（表1）與EGBRI利用ENVI5.3軟件分別進(jìn)行計(jì)算和比較。

1.4 基于閾值的植被信息識別

利用無人機(jī)影像提取植被有2個關(guān)鍵步驟：首先是可見光指數(shù)EGBRI的構(gòu)建，其次是確定指數(shù)的閾值。閾值選取很大程度上決定了指數(shù)效果的優(yōu)劣，為了能夠準(zhǔn)確、客觀地提取不同植被指數(shù)的目標(biāo)信息，根據(jù)EGBRI 圖像直方圖來判斷EGBRI指數(shù)是否能正確區(qū)分植被和非植被區(qū)域，再選擇合適的閾值提取方法進(jìn)行植被提取。

1.4.1 基于雙峰直方圖的閾值分割法

雙峰直方圖法是常用的閾值分割法的一種，若該圖像的直方圖包括2個明顯的主峰，說明此類圖像需要提取的目標(biāo)區(qū)域與背景區(qū)域區(qū)分度高，即需要提取的目標(biāo)對象集中于一個峰，背景對象則會集中于直方圖的另一個峰，雙峰之間的波谷處可認(rèn)為是最佳閾值分割點(diǎn)，此位置像素較少，根據(jù)波谷位置可確定各植被指數(shù)的閾值，從而實(shí)現(xiàn)植被與非植被的區(qū)分。

1.4.2 Otsu’s閾值分割法

Otsu’s閾值分割法即為大津法，其設(shè)置閾值將圖像分割為2組，一組灰度對應(yīng)目標(biāo)，另一組灰度對應(yīng)被背景。目標(biāo)和背景的類間方差越大，目標(biāo)與背景的區(qū)分度就越高，目標(biāo)和背景的區(qū)分度在類間方差最大時(shí)達(dá)到最大值[15]，其可有效避免目標(biāo)與背景之間的錯分與漏分現(xiàn)象。

1.5 植被提取結(jié)果評價(jià)

為直觀體現(xiàn)植被與其他地物的區(qū)分度，分別統(tǒng)計(jì)不同地物所在區(qū)域的可見光植被指數(shù)均值（式1）與標(biāo)準(zhǔn)差（式2）并進(jìn)行對比，以評估不同可見光植被指數(shù)對植被的提取效果及對不同地物的抑制作用。同時(shí)，引入混淆矩陣，以植被和非植被為評估對象，對不同可見光植被指數(shù)植被信息提取結(jié)果進(jìn)行精度檢驗(yàn)，評價(jià)不同可見光植被指數(shù)的可靠性。在影像上選取600個隨機(jī)點(diǎn)來提取不同植被指數(shù)及目視解譯結(jié)果的點(diǎn)位值，共獲取600個有效值，對提取結(jié)果建立混淆矩陣以評價(jià)其提取精度。

式中，---- Vdn 表示不同地物所在區(qū)域可見光植被指數(shù)的均值，Vdn 表示該地物所在柵格植被指數(shù)值，SUMdn 表示不同地物所在區(qū)域柵格總數(shù)，dn表示不同地物類別，SDdn 表示不同地物所在區(qū)域可見光植被指數(shù)的標(biāo)準(zhǔn)差（standard deviation， SD）。

1.6 EGBRI 提取結(jié)果驗(yàn)證

同時(shí)，為更好地驗(yàn)證EGBRI可見光植被指數(shù)的適用性和準(zhǔn)確性，選擇3幅相同條件下拍攝的不同區(qū)域無人機(jī)影像作為參照，分別對研究區(qū)進(jìn)行目視解譯以得到不同地物空間分布，在3個研究區(qū)內(nèi)各取600個驗(yàn)證點(diǎn)位，利用植被提取結(jié)果構(gòu)建混淆矩陣來評價(jià)，并以生成的植被非植被參考結(jié)果對EGBRI的可見光植被指數(shù)研究區(qū)植被提取效果進(jìn)行驗(yàn)證。研究區(qū)1內(nèi)主要地物為建筑和大型植被，用于驗(yàn)證EGBRI對大型密集植被的提取效果，并驗(yàn)證EGBRI對建筑與綠色植被是否有較好區(qū)分度；研究區(qū)2內(nèi)主要地物包含田間分塊植被區(qū)域及部分紫色植被，主要用于驗(yàn)證EGBRI 對小范圍綠色植被覆蓋區(qū)的提取效果及對非綠色植被的抑制作用；研究區(qū)3內(nèi)包含大量荒地區(qū)域以及大棚建筑及荒地，用于驗(yàn)證EGBRI對荒地與綠色植被的區(qū)分度。

2 結(jié)果與分析

2.1 不同地物不同波段像元分析及模型建立

為準(zhǔn)確得到不同地物在不同波段的像元反射值，對不同地物紅、綠、藍(lán)波段的像元進(jìn)行統(tǒng)計(jì)，結(jié)果如圖1所示。可以看出，樹木和草地的綠波段像元值同時(shí)大于紅、藍(lán)波段，且綠、紅、藍(lán)波段依次遞減、符合健康綠色植被光譜特性曲線。8種地物中，紅波段像元平均值差異較大，且最低值與最高值地物間像元值差值較大；綠色植被的紅波段像元平均值處于中位，利用紅波段不利于構(gòu)建適應(yīng)于試驗(yàn)區(qū)的植被指數(shù)；而綠色植被的綠波段與藍(lán)波段差異明顯，且區(qū)分度均高于其余6種地物。因此，通過綠波段與藍(lán)波段進(jìn)行波段組合運(yùn)算能夠較好地區(qū)分綠色植被與不同種地物。由于健康綠色植被在綠波段有強(qiáng)反射作用，在藍(lán)波段有強(qiáng)吸收作用，所以通過2倍綠波段的平方進(jìn)一步增強(qiáng)綠色植被在綠光波段的強(qiáng)反射作用，進(jìn)一步增大與藍(lán)波段的差異，使得綠色植被與非綠色植被的差異增大，更有利于綠色植被信息的識別。綜上，構(gòu)建基于可見光波段的超綠藍(lán)比值指數(shù)（EGBRI），其計(jì)算公式如下。

EGBRI = （2G ）2 - B2／（2G ）2 + B2 （3）

式中，G、B 分別為可見光影像綠、藍(lán)波段像元值，EGBRI的數(shù)值范圍為[-1，1]。

2.2 不同可見光植被指數(shù)分析

由圖2可知，9種可見光植被指數(shù)均對研究區(qū)植被信息進(jìn)行了不同程度的增強(qiáng)， 在NGRDI、MGRVI和CIVE計(jì)算結(jié)果中，研究區(qū)左側(cè)塑膠場地綠色區(qū)域的值較高，被誤提取為植被；在NGRDI和MGRVI結(jié)果中，右側(cè)建筑區(qū)域的表征度明顯比其他建筑區(qū)域高，植被提取效果產(chǎn)生了干擾；而在VEG指數(shù)中，研究區(qū)下側(cè)的草地覆蓋區(qū)域表征度顯著低于其他植被，說明其對稀疏植被表征能力較弱，而NGBDI、RGBVI、GLI、V-MASVI和EGBRI指數(shù)對植被表征較好，并抑制了其他不同類型的地物，由目視解譯來看區(qū)分度較強(qiáng)。

為更好地比較9種可見光植被指數(shù)的提取效果，本研究對不同地物所在區(qū)域的指數(shù)值進(jìn)行統(tǒng)計(jì)和對比（表2）。在綠色植被與非綠色植被之間，EGBRI、NGBDI、RGBVI、GLI、VEG、V-MSAVI無重疊部分，即該模型對植被的表征能力更強(qiáng)；而NGRDI、MGRVI、CIVE的綠色植被指數(shù)統(tǒng)計(jì)值與非綠色植被指數(shù)統(tǒng)計(jì)值區(qū)間有不同程度的重疊，導(dǎo)致在對綠色植被進(jìn)行提取的過程種會造成不同程度的錯分與漏分現(xiàn)象。由此，在利用無人機(jī)可見光影像進(jìn)行綠色植被信息提取時(shí)，應(yīng)優(yōu)先選擇EGBRI、NGBDI、RGBVI、GLI、V-MSAVI 這5 種可見光植被指數(shù)。

2.3 基于閾值分割的植被提取結(jié)果

2.3.1 EGBRI 指數(shù)統(tǒng)計(jì)分析

利用雙峰直方圖分割法與Otsu’s閾值分割法對不同可見光植被指數(shù)進(jìn)行閾值分割，結(jié)果如圖3所示。可以看出，在EGBRI 的計(jì)算結(jié)果中植被與非植被有較為明顯的區(qū)分，證明EGBRI可正確區(qū)分植被與非植被。因此，本文選取Ostu’s閾值法與雙峰直方圖法來確定各植被指數(shù)的閾值。

2.3.2 不同分割法所得閾值分析

不同分割法所得的閾值如表3所示，將雙峰直方圖分割所得植被結(jié)果與Otsu’s閾值分割法所得植被結(jié)果與真實(shí)地物進(jìn)行目視解譯對比，發(fā)現(xiàn)部分指數(shù)計(jì)算結(jié)果并不呈現(xiàn)標(biāo)準(zhǔn)雙峰分布，用雙峰直方圖法得到的閾值不能準(zhǔn)確分割綠色植被與非綠色植被，故使用Otsu’s閾值分割法的植被提取結(jié)果作為可見光植被指數(shù)植被提取結(jié)果。

2.3.3 不同可見光植被指數(shù)植被信息分析

圖4展示了不同可見光植被指數(shù)利用Otsu’s閾值分割法所得到的研究區(qū)內(nèi)植被空間分布情況，可以看出，EGBRI 與NGRDI、NGBDI、RGBVI、MGRVI、GLI、CIVE、VGE、V-MSAVI 均可判別植被與其他地物，然而NGRDI、MGRVI、CIVE 無法正確區(qū)分綠色塑膠場地與綠色植被，將綠色塑膠場地部分誤分為植被；在NGRDI與MGRVI的結(jié)果中，將研究區(qū)右側(cè)小型建筑誤分為綠色植被；而NGBDI、GLI、VEG、V-MSAVI對研究區(qū)下側(cè)草地覆蓋區(qū)域的提取效果明顯低于其他植被指數(shù)，對稀疏草地覆蓋區(qū)域提取效果并不理想。結(jié)合表2 分析可得，在NGRDI中裸土均值與塑膠場地的值與綠色植被的值較為接近，MGRVI中塑膠場地的值介于樹木與草地區(qū)間內(nèi)，而EGBRI對每種地物的區(qū)分度均為較高水平，植被的值均處于高水平，且能夠很好地區(qū)分其他地物，可見其能準(zhǔn)確提取試驗(yàn)區(qū)的植被覆蓋區(qū)域。

2.4 植被提取結(jié)果精度評價(jià)

通過混淆矩陣對9種可見光植被指數(shù)的提取精度進(jìn)行評價(jià)。選擇同幅無人機(jī)影像的目視解譯結(jié)果作為真實(shí)參考源，并計(jì)算結(jié)果的總體分類精度與Kappa系數(shù)，再通過上述指標(biāo)與分類質(zhì)量的對應(yīng)關(guān)系來對提取精度進(jìn)行評定。

由表4可知，本文所選取的可見光植被指數(shù)對植被本身有較好的提取精度，除了EGBRI、NGRDI、RGBVI、CIVE以外，其他指數(shù)的非植被提取正確率均低于85%，就總體精度來看，EGBRI提取精度最好，達(dá)到了95.06%，RGBVI 次之（89.31%）。NGRDI、MGRVI、CIVE雖然對樹木和草地有較好的提取效果，但在提取綠色植被的過程中會將綠色塑膠場地一同判別為植被區(qū)域，排除以上3種指數(shù)后，擁有較高精度且錯分、漏分現(xiàn)象較少的指數(shù)為EGBRI與RGBVI，其中EGBRI對綠色植被的提取效果最佳，且與其他地物區(qū)分度高，錯分漏分現(xiàn)象少，在對無人機(jī)影像可見光波段的綠色植被提取時(shí)有較大優(yōu)勢。

2.5 EGBRI 指數(shù)可行性分析

為驗(yàn)證EGBRI指數(shù)的適用性及準(zhǔn)確性，在3個不同研究區(qū)地物的目視解譯結(jié)果與植被提取，結(jié)果結(jié)果如表5和圖5所示。

可以看出，3個研究區(qū)總體分類精度均維持在93％～96%，其中研究區(qū)2的分類精度最高，其總體精度為95.90%，Kappa 系數(shù)為0.908 1，而研究區(qū)1總體精度為93.10%，Kappa系數(shù)為0.847 2，研究區(qū)3 總體精度為94.95 %，Kappa 為0.882 8、由此可見，研究區(qū)1與研究區(qū)3的植被提取精度略低于研究區(qū)2，但差異在較小水平。分析以上結(jié)果可知，EGBRI對大型綠色植被、小范圍綠色植被均具有較好的提取效果，對建筑、水泥路、裸土、荒地等非綠色植被地物有較好的抑制作用，綜上，EGBRI能夠?qū)G色植被進(jìn)行有效提取。

3 討論

研究結(jié)果表明，通過分析無人機(jī)RGB影像不同地物反射光譜的差異，根據(jù)健康植被對藍(lán)波段的強(qiáng)吸收作用與對綠波段的強(qiáng)反射作用并對其進(jìn)行增強(qiáng)，利用無人機(jī)RGB影像的藍(lán)波段與綠波段構(gòu)建的EGBRI指數(shù)能夠?qū)G色植被覆蓋區(qū)域進(jìn)行快速、高精度、大范圍的有效提取。與8種可見光植被指數(shù)相比，EGBRI對植被具有良好提取能力的同時(shí)，對其他地物有較好的抑制作用，能夠正確規(guī)避干擾地物的影響，且相對部分可見光植被指數(shù)而言，對稀疏植被、稀疏草地有更好的提取效果，且對于不同研究區(qū)域有較好適應(yīng)性。EGBRI的計(jì)算模型簡明易用，可以快速提取所需的植被區(qū)域，具有高效、可靠的特點(diǎn)，其屬于歸一化指數(shù)，便于閾值選取。但從提取結(jié)果來看，EGBRI的應(yīng)用仍存在一定局限性，其在進(jìn)行植被提取時(shí)受陰影的干擾較強(qiáng)，若利用EGBRI進(jìn)行植被提取的影像上存在大量陰影，藍(lán)波段影像和綠波段影像柵格反射值受陰影區(qū)域影響，陰影部分像元反射率會有較大變化，當(dāng)影像中的大型植被間產(chǎn)生較大范圍的陰影時(shí)，EGBRI的識別效果較差，所提取的植被精度會受到影響。在試驗(yàn)區(qū)影像未見大面積陰影覆蓋的情況下，EGBRI的適用性強(qiáng)，準(zhǔn)確度高，能準(zhǔn)確對綠色植被進(jìn)行提取。

參考文獻(xiàn)

［1］ MOHAMED H， ZAHRA L， NASER E S. A New Vegetationsegmentation approach for cropped fields based on thresholddetection from hue histograms [J/OL]. Sensors， 2018， 18（4）：1253 [2024-02-28]. https：//doi.org/10.3390/s18041253.

［2］ 李德仁，李明.無人機(jī)遙感系統(tǒng)的研究進(jìn)展與應(yīng)用前景[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版）， 2014， 39（5）：505-513， 540.

LI D R， LI M. Research advance and application prospect ofunmanned aerial vehicle remote sensing system [J]. Geom.Inform. Sci. Wuhan Univ.， 2014， 39（5）：505-513， 540.

［3］ 劉洋，祁瓊.無人機(jī)航攝技術(shù)在國土資源領(lǐng)域的應(yīng)用[J].地理空間信息， 2014， 12（1）：29-30，39.

LIU Y， QI Q. Application of unmanned arial technology in thefield of land and resources [J]. Geospatial Inform.， 2014， 12（1）：29-30，39.

［4］ 范培新.國土資源執(zhí)法監(jiān)察中對無人機(jī)的應(yīng)用實(shí)踐[J].中小企業(yè)管理與科技， 2017，（3）：88-89.

FAN P X. Application practice of UAV in law enforcement andsupervision of land and resources [J]. Manage. Technol. SME，2017 （3）：88-89.

［5］ 胡健波，張健.無人機(jī)遙感在生態(tài)學(xué)中的應(yīng)用進(jìn)展[J].生態(tài)學(xué)報(bào)，2018，38（1）：20-30.

HU J B， ZHANG J. Unmanned aerial vehicle remote sensing inecology： advances and prospects [J]. Acta Ecol. Sin.， 2018，38（1）：20-30.

［6］ 劉珊珊，牛超杰，王建雄，等.NDVI在祿勸縣植被變化特征分析中的應(yīng)用[J].山東農(nóng)業(yè)科學(xué)，2017，49（2）：117-119，131.

LIU S S， NIU C J， WANG J X， et al.. Application of NDVI inanalysis of vegetation change characteristics in Luquan county ofYunnan province [J].Shandong Agric. Sci.， 2017，49（2）：117-119，131.

［7］ 邊琳，葉飛，劉珊珊，等. 基于NDVI的昆明市2001—2015年植被覆蓋變化趨勢分析[J]. 山東農(nóng)業(yè)科學(xué)，2018，50（1）：107-110.

BIAN L， YE F， LIU S S， et al .. Change trend of vegetationcover in Kunming based on NDVI during 2001－2015 [J].Shandong Agric. Sci.， 2018，50（1）：107-110.

［8］ 楊杰，張瑩瑩，王建雄，等.利用NDVI與EVI再合成的植被指數(shù)算法[J].遙感信息，2020，35（5）：127-133.

YANG J， ZHANG Y Y， WANG J X， et al .. Vegetation Indexalgorithm using NDVI and EVI resythesis [J]. Remote Sens.Inf.， 2020，35（5）：127-133.

［9］ 邊琳，葉飛，王建雄. 基于無人機(jī)低空多光譜遙感監(jiān)測的烤煙株高研究[J]. 山東農(nóng)業(yè)科學(xué)，2020，52（12）：126-132.

BIAN L， YE F， WANG J X. Research on plant height of fluecuredtobacco based on UAV low-altitude multispectral remotesensing monitoring [J]. Shandong Agric. Sci.， 2020， 52（12）：126-132.

［10］ 牛魯燕，蔣風(fēng)偉，張俊麗，等.基于無人機(jī)多光譜遙感的小麥長勢監(jiān)測研究[J].山東農(nóng)業(yè)科學(xué)，2021，53（3）：139-145.

NIU L Y， JIANG F W， ZHANG J L， et al .. Study on wheatgrowth monitoring based on UAV multi-spectrum [J]. ShandongAgric. Sci.， 2021， 53（3）：139-145.

［11］ 楊柳，陳延輝，岳德鵬，等.無人機(jī)遙感影像的城市綠地信息提取[J].測繪科學(xué)，2017，42（2）：59-64.

YANG L， CHEN Y H， YUE D P， et al .. Information extractionof urban green space based on UAV remote sensing image [J].Sci. Survey. Map.， 2017， 42（2）：59-64.

［12］ 凌成星，劉華，紀(jì)平，等.基于無人機(jī)影像VDVI指數(shù)的植被覆蓋度估算——以陜西神木防護(hù)林工程研究區(qū)為例[J].森林工程，2021，37（2）：57-66.

LING C X， LIU H， JI P， et al .. Estimation of vegetationcoverage based on VDVI index of UAV visible image—usingthe shelterbelt research area as an example [J]. Forest Eng.，2021，37（2）：57-66.

［13］ 程滔，管林杰，鄭新燕，等.基于色調(diào)飽和度亮度模型的可見光植被提取[J].測繪通報(bào)，2022（2）：116-120.

CHEN T， GUAN L J， ZHENG X Y， et al .. Visible lightvegetation extraction of hue saturation and lightness colormodel [J]. Bull. Survey. Map.， 2022（2）：116-120.

［14］ 高永剛，林悅歡，溫小樂，等.基于無人機(jī)影像的可見光波段植被信息識別[J].農(nóng)業(yè)工程學(xué)報(bào)，2020，36（3）：178-189.

GAO Y G， LIN Y H， WEN X L， et al .. Vegetation informationrecognition in visible band based on UAV images [J]. Trans.Chin. Soc. Agric. Eng.， 2020，36（3）：178-189.

［15］ 李了了，鄧善熙，丁興號.基于大津法的圖像分塊二值化算法[J].微計(jì)算機(jī)信息，2005（14）：76-77.

LI L L， DENG S X， DING X H. Binarization algorithm basedon image partition derived from da-jin method [J]. MicrocomputerInformation， 2005（14）：76-77.[16] .

［16］ WOEBBECKED M， MEYERG E， BARGENK V， et al.. Plantspecies identification， size， and enumeration using machinevision techniques on near-binary images [J]. SPIE Proc.， 1993，1836： 208-219.

［17］ HUNT E R， CAVIGELLI M， DAUGHTRY C S T， et al ..Evaluation of digital photography from model aircraft forremote sensing of crop biomass and nitrogen status [J].Precision Agric.， 2005， 6：359-378.

［18］ BENDING J， YU K， AASEN H， et al .. Combining UAV-basedplant height from crop surface models， visible， and nearinfrared vegetation indices for biomass monitoring in barley [J].Int. J. Appl. Earth Observ. Geoinform.， 2015， 39：79-87.

［19］ LOUHAICHI M， BORMAN M M， JOHNSON D E. Spatiallylocated platform and aerial photography for documentation ofgrazing impacts on wheat [J]. Geocarto Int.， 2001，16（1）：65-70.

［20］ KATAOKA T， KANEKO T， OKAMOTO H ， et al .. Crop growthestimation system using machine vision [C]// Proceedings ofIEEE/ASME International Conference on Advanced IntelligentMechatronics. IEEE Xplore，2003：1079-1083.

［21］ HAGUET， TILLETTN D， WHEELERH. Automated crop andweed monitoring in widely spaced cereals [J]. Precision Agric.，2006，7（1）：21-32.

［22］ 周在明，楊燕明，陳本清. 基于可見光波段無人機(jī)影像的入侵物種互花米草提取研究[J]. 亞熱帶資源與環(huán)境學(xué)報(bào)，2017，12（2）：90-95.

ZHOU Z M， YANG Y M， CHEN B Q. Study on the extractionof exotic species spartina alterniflora from UAV visible images [J].J. Subtropical Resour. Environ.， 2017，12（2）：90-95.

基金項(xiàng)目：云南省教育廳基金項(xiàng)目（2024Y304）；西南林業(yè)大學(xué)校級科研專項(xiàng)（110223010）。