胡 曉，李新舉

(1.山東農(nóng)業(yè)大學(xué) 資源與環(huán)境學(xué)院，山東 泰安 271018; 2.山東農(nóng)業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，山東 泰安 271018)

高潛水位煤礦區(qū)主要分布于我國中東部平原的河北省、河南省、山東省、安徽省和江蘇省5省[1-2]，且煤糧復(fù)合面積大[3-4]。采煤沉陷后地下水位上升到地表標(biāo)高以上，導(dǎo)致大量高產(chǎn)優(yōu)質(zhì)耕地常年積水或季節(jié)性積水，造成耕地大幅度減產(chǎn)甚至絕產(chǎn)[5-6]，嚴(yán)重影響了煤礦區(qū)農(nóng)民的生產(chǎn)生活。因此準(zhǔn)確、快速提取沉陷耕地的信息，不僅可以為耕地?fù)p害范圍的測算提供科學(xué)依據(jù)，而且關(guān)系到礦區(qū)居民的切實利益，是維護(hù)礦區(qū)社會穩(wěn)定的需要。

目前，信息的提取大多依靠衛(wèi)星遙感技術(shù)手段，一些學(xué)者利用衛(wèi)星遙感技術(shù)開展了煤礦區(qū)積水沉陷耕地的提取研究[7-9]，但是衛(wèi)星遙感影像分辨率低、獲取周期長、易受云霧遮擋[10]，在非積水沉陷耕地信息提取方面則顯得捉襟見肘。近幾年飛速發(fā)展的無人機遙感技術(shù)為解決這個問題提供了新的思路，作為衛(wèi)星遙感的有益補充，無人機具有響應(yīng)快、周期短、易操作、成本低等特點[11]，傳感器獲得的高分辨率的遙感影像在表達(dá)地物幾何、紋理、拓?fù)潢P(guān)系等特征參量方面更加細(xì)致[12]，增強了對地物類型的識別能力，已經(jīng)在耕地作物信息提取[13-14]等方面得到較為廣泛的應(yīng)用。已有研究中，無人機搭載的多為機載高光譜和多光譜傳感器，波段包含可見光-近紅外波段，昂貴的傳感器制約了無人機遙感的發(fā)展和應(yīng)用[15]。

僅含可見光波段的無人機影像獲取簡便、成本低廉，實際使用也更為廣泛[16]。基于無人機可見光影像的信息提取方法大致有兩類。一是采用圖像增強的方法，采用各種增強算法，可以提高圖像的目視解譯效果，方便人工目視解譯、圖像分類中的樣本選取等，以便使結(jié)果圖像比原始圖像更適合于特定的應(yīng)用要求。如李宗南等[17]利用小型無人機獲取的可見光圖像研究了灌漿期玉米倒伏的圖像特征和面積提取方法，分別利用基于色彩特征和評選出的紋理特征兩種圖像增強方法提取倒伏玉米面積，結(jié)果顯示，基于紅、綠、藍(lán)色均值紋理特征提取倒伏玉米面積的誤差顯著低于基于色彩特征提取方法。二是采用基于可見光三波段的植被指數(shù)提取的方法，如汪小欽等[18]借鑒歸一化植被指數(shù)NDVI 的構(gòu)造原理及形式，提出了一種綜合利用紅、綠、藍(lán)3個可見光波段的歸一化植被指數(shù)-可見光波段差異植被指數(shù)VDVI(Visible-band difference vegetation index)，并與其它一些可見光植被指數(shù)進(jìn)行了比較，結(jié)果表明，VDVI 指數(shù)提取精度高于其他可見光波段植被指數(shù)，且閾值在0 附近，較易確定。VDVI是一種基于波段運算的植被指數(shù)，除此之外，可見光植被指數(shù)還包括基于單一波段和基于可見光植被指數(shù)運算兩種形式。

以上相關(guān)研究大都以健康農(nóng)作物為對象，以高潛水位煤礦區(qū)沉陷耕地農(nóng)作物作為對象的研究較少，方法主要以圖像增強或者植被指數(shù)單一提取為主，并未對這兩種方法進(jìn)行比較與分析。利用無人機的可見光波段，以高潛水位煤礦區(qū)作為研究區(qū)，開展沉陷耕地信息的提取研究還處于初級階段，而且方法的有效性和實用性還有待進(jìn)一步驗證。因此本研究以僅含可見光波段的無人機影像為數(shù)據(jù)源，在前人的研究基礎(chǔ)上，對高潛水位煤礦區(qū)沉陷耕地提取方法開展研究比較，以期能夠獲得一種準(zhǔn)確、有效、低成本的沉陷耕地信息提取方法，擴大無人機遙感在高潛水位煤礦區(qū)應(yīng)用的深度和廣度，為沉陷耕地的快速準(zhǔn)確識別、動態(tài)變化監(jiān)測及土地復(fù)墾等提供數(shù)據(jù)基礎(chǔ)和技術(shù)支撐。

1 材料與方法

1.1 試驗區(qū)概況及數(shù)據(jù)獲取

試驗區(qū)隸屬于興隆莊煤礦，位于山東省濟寧市兗州區(qū)興隆莊鎮(zhèn)境內(nèi)，其井田位于兗州煤田中北部，京滬鐵路南北縱貫井田，是典型的高潛水位煤礦區(qū)。影像獲取時間為2018-04-13T9:00—11:00,天氣晴朗無風(fēng)。采用的是科衛(wèi)泰X6L六旋翼無人機，飛行高度150 m，搭載紅鵬相機獲取試驗區(qū)航片，利用Global Mapper數(shù)據(jù)處理軟件對獲取的航片進(jìn)行校正、拼接處理，得到了試驗區(qū)正射影像(圖1)，影像包含紅、綠、藍(lán)3個波段，分辨率為0.03 m。

圖1 試驗區(qū)正射影像

試驗區(qū)高程在37.8～54.3 m，整體地勢從北向南逐漸降低，從圖1可以看出，試驗區(qū)南部及西南部已形成了沉陷積水區(qū)域，積水區(qū)在影像上呈現(xiàn)綠色和黑色，經(jīng)實地調(diào)查，綠色水面為常年積水區(qū)，沉陷程度大、面積廣;土壤背景顏色導(dǎo)致輕度沉陷積水區(qū)在影像上呈現(xiàn)黑色。耕地種植作物為冬小麥，積水區(qū)之間地表沉陷嚴(yán)重，沉陷積水引發(fā)的土壤養(yǎng)分流失和鹽漬化，已經(jīng)導(dǎo)致積水區(qū)周圍耕地冬小麥生長嚴(yán)重滯后，密度大幅度降低，影像上呈現(xiàn)稀疏的淺綠色，與田塊狀耕地顏色反差明顯，但是紋理仍然可見。本文以沉陷耕地為研究對象，從試驗區(qū)中截取一塊耕地區(qū)域作為研究區(qū)(圖 1(a))。

1.2 無人機影像特征分析

為了準(zhǔn)確提取研究區(qū)影像的耕地信息，分析無人機影像上冬小麥與非植被的光譜特性，通過觀察它們在各波段間反射率的差異，構(gòu)造植被指數(shù)，提取耕地信息。為了使典型地物光譜信息的統(tǒng)計更具代表性，對于每種地物分別選取10 個代表區(qū)域，統(tǒng)計典型地物在紅、綠、藍(lán)3 個波段中像元的統(tǒng)計特征值(包括最大值、最小值、平均值及標(biāo)準(zhǔn)偏差等)。選取平均值分析各地物在3 個波段的像元值總體差異，并引入標(biāo)準(zhǔn)差作為每個波段像元值的波動范圍(式(1))，統(tǒng)計結(jié)果見表1。

(1)

表1 典型地物在藍(lán)、綠、紅波段的像元值差異

Table 1 Difference pixels value in blue,green,red band of typical land cover

典型地物藍(lán)光波段像元值均值標(biāo)準(zhǔn)差綠光波段像元值均值標(biāo)準(zhǔn)差紅光波段像元值均值標(biāo)準(zhǔn)差耕地96.35836.992109.38723.58486.48124.186道路216.59630.151203.12930.847188.32134.155積水區(qū)94.76524.82991.57422.27690.08720.691裸地165.94615.727154.96719.644147.80123.167蘆葦202.58113.153185.81013.760164.95814.596

從表1中可以看出:① 對于耕地有綠光波段像元值>藍(lán)光波段像元值>紅光波段像元值，即綠光反射率最大，其次是藍(lán)光波段與紅光波段，這與健康綠色植被的光譜曲線不相吻合，這恰恰說明了采煤擾動下的沉陷導(dǎo)致潛水位相對升高，產(chǎn)生漬害影響冬小麥的正常生長，而且影響的范圍較大;② 其它地物信息滿足藍(lán)光波段像元值>綠光波段像元值>紅光波段像元值;③ 道路、裸地、蘆葦3種地物在3個波段均無重合，這說明采用任一波段進(jìn)行區(qū)分都較為容易實現(xiàn);④ 蘆葦不屬于綠色植被，因此反射特征與綠色植被不相同;⑤ 耕地與積水區(qū)在3個波段均有一定重合，這是由潛水位上升形成的積水耕地造成的，綠光波段對冬小麥的反射率大于積水區(qū)，可以作為耕地提取的依據(jù)。

綜上分析可以看出，由于耕地在3個波段上與積水區(qū)均存在重疊，因此，一方面，可以采用濾波方式進(jìn)一步凸顯耕地規(guī)則的紋理信息，或者采用色彩空間變換進(jìn)一步增大各地物之間的色彩反差，濾波分析、色彩空間轉(zhuǎn)換等處理有增強圖像的作用，對耕地的提取有幫助;另一方面，可以通過綠光通道與紅光、藍(lán)光通道間的運算，或者通過植被指數(shù)間的進(jìn)一步運算，增強耕地與周圍地物的差異，實現(xiàn)耕地的準(zhǔn)確提取。

1.3 色彩和紋理特征的統(tǒng)計與分析

在影像中建立典型地物的感興趣區(qū)，計算影像的色彩特征和紋理特征并進(jìn)行統(tǒng)計和分析，篩選出能夠區(qū)分不同地物類型的關(guān)鍵特征參數(shù)，并以此為依據(jù)進(jìn)行耕地信息的提取。

1.3.1色彩和紋理特征的統(tǒng)計與分析

為了進(jìn)一步增強耕地與其它地物尤其是積水區(qū)的區(qū)別，本研究利用ENVI 5.3軟件對獲取的影像首先進(jìn)行了HLS(hue，lightness，saturation)色彩空間轉(zhuǎn)換，生成了一個增強的彩色合成圖像，統(tǒng)計了色度、亮度及飽和度3項色彩特征，其次計算灰度共生矩陣，利用二階矩陣紋理濾波得到了3種顏色的均值、方差、協(xié)同性、對比度、相異性、信息熵、二階矩、相關(guān)性共24項紋理特征。其中，二階概率濾波的窗口設(shè)置為7×7，空間相關(guān)性矩陣X和Y的變換分量為1和1，灰度質(zhì)量級別為64。

為了使耕地的色彩和紋理信息統(tǒng)計更具代表性，從整個研究區(qū)中較為均勻的選取了20個耕地樣本，15個積水區(qū)樣本，利用ENVI 5.3對各項結(jié)果進(jìn)行統(tǒng)計，最終得到了27項特征指標(biāo)的均值和標(biāo)準(zhǔn)差，根據(jù)均值和標(biāo)準(zhǔn)差計算變異系數(shù)，再根據(jù)樣本特征均值計算耕地和積水區(qū)之間的相對差異，結(jié)果見表2，具體計算方法：

恒山景區(qū)在旅游基礎(chǔ)設(shè)施建設(shè)方面基礎(chǔ)設(shè)施不到位，首先表現(xiàn)在停車場建設(shè)滯后、自駕車營地和自助游驛站等建設(shè)遲緩、標(biāo)識導(dǎo)覽系統(tǒng)短缺、游客服務(wù)中心功能不全面、廁所革命相對滯后等；二、景區(qū)景點的通信基礎(chǔ)設(shè)施建設(shè)不到位，并沒有覆蓋景區(qū)全范圍的主要通用網(wǎng)絡(luò)和“旅游大數(shù)據(jù)云平臺建設(shè)行動計劃”，沒有實現(xiàn)旅游服務(wù)和管理全程覆蓋、全域覆蓋。三、城市與景區(qū)之間、景區(qū)與景區(qū)之間的連接公路以及交通工具單一，交通通達(dá)能力和游客接待能力較弱。

(2)

(3)

式中，S為標(biāo)準(zhǔn)差;M為樣本均值;M1為耕地區(qū)的像元均值；M2為積水區(qū)的像元均值；V為變異系數(shù);Dw為相對差異。

1.3.2特征選取

變異系數(shù)反映了選取樣本內(nèi)像元統(tǒng)計特征值的離散程度，離散程度越小，即變異系數(shù)越小越容易根據(jù)該特征區(qū)分出該類地物。相對差異則反映的是地物之間在該統(tǒng)計特征上的差異程度，值越大表明越容易區(qū)分[19-20]。

本研究根據(jù)統(tǒng)計的變異系數(shù)和相對差異篩選出適于區(qū)分耕地和積水區(qū)的特征。首先根據(jù)耕地與積水區(qū)之間的27項相對差異值進(jìn)行排序，選取相對差異大于70%的特征;然后再根據(jù)耕地的變異系數(shù)排序，選取變異系數(shù)小于30%的特征。最后選取色度(變異系數(shù)26.67%，相對差異73.33%)和綠色信息熵(變異系數(shù)20.59%，相對差異72.79%)作為耕地提取的最優(yōu)特征，采用最大似然法進(jìn)行提取，并統(tǒng)計耕地面積。

表2 圖像特征統(tǒng)計

Table 2 Statistics of image features

指標(biāo)耕地均值標(biāo)準(zhǔn)差變異系數(shù)/%積水區(qū)均值標(biāo)準(zhǔn)差變異系數(shù)/%相對差異/%飽和度145.2534.3523.65176.3991.1751.6921.44亮度0.390.1025.640.360.0925.007.69色度0.150.0426.670.040.0375.0073.33藍(lán)色均值18.379.9554.1617.926.2334.772.45藍(lán)色方差11.8714.96126.0311.2522.22197.515.22藍(lán)色協(xié)同性0.490.2040.820.680.2435.29387.78藍(lán)色對比度4.595.07110.464.237.69181.807.84藍(lán)色相異性1.540.9762.991.061.21141.1531.17藍(lán)色信息熵2.880.5820.142.021.0853.4729.86藍(lán)色二階矩0.080.0787.500.270.2488.89237.50藍(lán)色相關(guān)性0.820.1821.960.600.3253.3326.83綠色均值21.836.2728.7216.735.5132.9323.36綠色方差6.217.74124.6410.2720.51199.7165.38綠色協(xié)同性0.550.1730.910.690.2434.7825.45綠色對比度2.742.85104.013.987.27182.6745.26綠色相異性1.170.6555.561.011.17115.8413.68綠色信息熵2.720.5620.590.741.11150.0072.79綠色二階矩0.100.0770.000.300.2686.67200.00綠色相關(guān)性0.780.1823.070.580.3356.9025.64紅色均值17.216.1735.8518.214.8326.525.81紅色方差6.197.95128.438.9618.00200.9044.75紅色協(xié)同性0.560.1730.360.690.2333.3423.21紅色對比度2.722.88105.893.606.53181.3932.35紅色相異性1.160.6656.900.971.09112.3716.38紅色信息熵2.690.5821.561.941.0654.6427.88紅色二階矩0.100.0880.000.290.2482.76190.00紅色相關(guān)性0.770.1924.680.530.3362.2631.17

1.4 無人機可見光植被指數(shù)

1.4.1植被指數(shù)選取

總結(jié)前人的研究，基于綠光通道與紅光、藍(lán)光通道間運算的以及植被指數(shù)之間運算的可見光植被指數(shù)見表3。

1.4.2植被指數(shù)計算與分析

分別計算各植被指數(shù)，得到植被指數(shù)空間分布如圖2所示?？傮w上看，通過綠光通道與紅光、藍(lán)光通道間的運算，多數(shù)可見光植被指數(shù)增強了耕地信息的特征，EXG,VDVI,RGBVI及NGRDI的指數(shù)分布圖中耕地呈現(xiàn)亮色，其它地物呈現(xiàn)暗色，而且色調(diào)越亮表示植被指數(shù)值越大;EXGR指數(shù)分布圖中耕地與積水區(qū)均呈現(xiàn)亮色，說明EXGR指數(shù)并沒有凸顯耕地信息;WI指數(shù)分布圖中耕地與道路、積水區(qū)顏色辨識度低，邊界信息非常模糊，不利于耕地的提取。因此，根據(jù)可見光植被指數(shù)空間分布情況，選取空間分布色差明顯的EXG,VDVI,RGBVI及NGRDI作為高潛水位煤礦區(qū)耕地信息提取的可見光植被指數(shù)。

表3 可見光植被指數(shù)

Table 3 Visible-band vegetation indexes

植被指數(shù)全稱公式文獻(xiàn)出處EXG過綠指數(shù)2G-R-B[21]EXGR超綠超紅差分指數(shù)EXG-1.4R-G[22]WIWoebbecke指數(shù)(G-B)/(R-G)[23]VDVI可見光差異植被指數(shù)(2G-R-B)/(2G+R+B)[18]RGBVI紅綠藍(lán)植被指數(shù)(G2-RB)/(G2+RB)[24]NGRDI歸一化綠紅差異指數(shù)(G-R)/(G+R)[25]

注:R為紅光波段反射率;G為綠光波段反射率;B為藍(lán)光波段反射率。

閾值的確定是利用植被指數(shù)提取耕地信息的關(guān)鍵，即植被指數(shù)大于閾值的像素歸為耕地。本文選取雙峰直方圖法確定各植被指數(shù)的閾值，經(jīng)過植被指數(shù)灰度化后的圖像，會在直方圖上表現(xiàn)出2個明顯的波峰，分別代表綠色植被和背景。選取2個波峰之間的波谷處作為閾值，可以很好地進(jìn)行耕地的識別與提取。分別生成EXG,VDVI,RGBVI及NGRDI植被指數(shù)的灰度直方圖，如圖3所示，圖中橫坐標(biāo)為各植被指數(shù)的值，縱坐標(biāo)為像元個數(shù)，從圖中可以看出，4種指數(shù)的直方圖都具有明顯的雙峰特征，耕地提取的閾值分別為15.219 6，0.067 3，0.141 8，0.055 3。

圖2 可見光植被指數(shù)分布

圖3 植被指數(shù)直方圖

2 結(jié)果與分析

2.1 不同方法提取結(jié)果分析

分別采用基于樣本的面向?qū)ο?、基于色彩與紋理特征、基于可見光植被指數(shù)3種方法開展高潛水位煤礦區(qū)沉陷耕地的提取，結(jié)果如圖4所示。無人機影像中沉陷耕地呈現(xiàn)綠色，條帶紋理明顯?；跇颖久嫦?qū)ο蟮某料莞靥崛≈?，在多次試驗的基礎(chǔ)上，最終選擇的分割與合并尺度分別為40，90，根據(jù)實地調(diào)查，選取耕地樣本12個，采用支持向量機的方法完成沉陷耕地提取;通過色彩與紋理的圖像增強，提取結(jié)果不僅反映了沉陷耕地的紋理特征，而且對于采煤沉陷導(dǎo)致的耕地稀疏和顏色的變化也有較為客觀的表達(dá);將4種植被指數(shù)的提取結(jié)果與研究區(qū)正射影像進(jìn)行對比后發(fā)現(xiàn)，EXG指數(shù)的提取結(jié)果耕地顏色過分統(tǒng)一，并沒有將部分耕地稀疏、顏色變化的特點準(zhǔn)確表達(dá)，尤其是在沉陷積水區(qū)周圍;NGRDI指數(shù)提取的結(jié)果中，積水區(qū)周圍的部分耕地沒有有效的提取出來。因此，EXG和NGRDI指數(shù)并不適用于高潛水位沉陷耕地的提取。而VDVI,RGBVI這2種可見光指數(shù)提取結(jié)果與實際情況較為接近，為了評價這2種指數(shù)的精度，在原始影像上建立耕地的感興趣區(qū)域(ROI)，利用ROI與指數(shù)提取結(jié)果進(jìn)行匹配，得出耕地總體分類精度，結(jié)果為VDVI指數(shù)(81.05%)高出RGBVI指數(shù)(71.38%)將近10個百分點，這說明VDVI是所選可見光植被指數(shù)中最適用于高潛水位煤礦區(qū)沉陷耕地的提取。

圖4 沉陷耕地提取結(jié)果對比

2.2 耕地面積對比與分析

為了進(jìn)一步比較兩種沉陷耕地提取方法，利用驗證區(qū)影像(圖1(b))，以基于樣本的面向?qū)ο蟮某料莞靥崛〗Y(jié)果作為參考值，統(tǒng)計了這2種方法提取的沉陷耕地面積，并得到了面積提取的誤差，結(jié)果見表4。從表4可以看出，基于色彩與紋理特征的沉陷耕地提取面積與參考面積較為接近，誤差較小。因此，僅就本研究而言，基于色彩與紋理特征法的精度高于VDVI可見光植被指數(shù)法。

表4 不同提取方法的結(jié)果與誤差

Table 4 Results and errors of different extraction methods

參考面積/m2基于色彩與紋理特征面積/m2誤差/%VDVI植被指數(shù)面積/m2誤差/%2231.342079.166.81873.4116.0

3 討 論

通過本研究可以看出，低成本、廣泛使用的可見光相機獲取的圖像雖然是數(shù)碼照片，缺少特定波段的光譜信息，譬如近紅外波段，但是耕地在高空間分辨率遙感影像上呈現(xiàn)明顯條帶狀紋理，通過對圖像的進(jìn)一步增強，基于色彩與紋理特征的提取方法要優(yōu)于基于波段運算或者指數(shù)運算的可見光植被指數(shù)法，能夠替代人工目視解譯提取的耕地信息，解決了傳統(tǒng)方法耗時長，投入工作量大，難以滿足快速獲取耕地信息的不足。雖然效果不如色彩與紋理特征提取法，但是可見光指數(shù)的構(gòu)造方式在很大程度上增強了耕地信息，下一步對可見光植被指數(shù)的改進(jìn)將是研究的重點。

作為煤礦區(qū)土地復(fù)墾或征地補償工作中主要參考的邊界，耕地?fù)p毀邊界的準(zhǔn)確劃定這一關(guān)鍵問題至今沒有得到很好的解決，主要原因是耕地?fù)p毀邊界處的地面特征與非損毀區(qū)、非沉陷耕地相比無明顯差別，邊界具有模糊性。本研究不僅較為準(zhǔn)確的提取了沉陷耕地信息，而且較為客觀的反映了由于采煤沉陷導(dǎo)致耕地顏色、紋理、疏密等變化特征，這為高潛水位煤礦區(qū)沉陷耕地?fù)p毀邊界的研究提供了基礎(chǔ)。本研究使用的旋翼無人機起降方式簡單，不需要跑道或彈射架，降落過程不需要降落傘，具有很高的安全性，在高潛水位煤礦區(qū)的數(shù)據(jù)采集中優(yōu)勢明顯。但基于可見光波段的無人機遙感仍存在一定的局限性:① 電動無人機的續(xù)航時間較短，數(shù)據(jù)采集能力有限，飛行區(qū)域相對較小，更大區(qū)域數(shù)據(jù)的獲取較為困難;② 無人機遙感是一種低空數(shù)據(jù)采集方式，獲取的影像數(shù)據(jù)空間分辨率較高，可以達(dá)到厘米級，這對耕地農(nóng)作物的精細(xì)識別提供了基礎(chǔ)，但空間分辨率的提高，并不意味著影像自動解譯精度的提高，BRUZZONE等[26]曾指出，遙感影像空間分辨率過高會導(dǎo)致類內(nèi)方差變大，類間方差變小;空間分辨率過低導(dǎo)致混合像元增多，降低分類精度。因此，高分辨率無人機數(shù)據(jù)是否可以通過空間分辨率的降低來滿足實際的需求還需要進(jìn)一步研究;③ 可見光影像的波段數(shù)少，加之小型無人機缺乏定量光譜信息，一定程度上限制了地物的自動識別，同一地物在不同航片上可能存在不同的色彩灰度，這將導(dǎo)致計算得到的變異系數(shù)增大;④ 高分辨率遙感影像的信息提取多采用面向?qū)ο蟮膱D像技術(shù)，在沉陷耕地信息提取過程中，利用基于邊緣監(jiān)測的分割算法完成了影像的分割，但是分割尺度是否為最優(yōu)尺度，還需要進(jìn)一步的研究確定。

4 結(jié) 論

(1)通過比較高潛水位煤礦沉陷區(qū)典型地物對可見光波段的反射統(tǒng)計特性發(fā)現(xiàn)，耕地與積水區(qū)在3個波段均存在重合，需通過增強耕地的顏色及紋理特征，或者通過綠光通道與紅光、藍(lán)光通道間或植被指數(shù)間的運算，實現(xiàn)耕地的準(zhǔn)確提取。

(2)對研究區(qū)無人機影像進(jìn)行了色彩空間轉(zhuǎn)換與二階矩陣紋理濾波后，統(tǒng)計了耕地與積水區(qū)共27項色彩與紋理特征指標(biāo)，根據(jù)均值和標(biāo)準(zhǔn)差計算了變異系數(shù)和相對差異值，最終選取色度和綠色信息熵作為耕地提取的最優(yōu)特征，并采用最大似然法進(jìn)行耕地提取。

(3)選取6種可見光植被指數(shù)作為沉陷耕地提取的備選指數(shù)，根據(jù)植被指數(shù)計算的結(jié)果分布圖，選取了EXG，VDVI，RGBVI及NGRDI作為沉陷耕地提取指數(shù)，利用雙峰閾值法確定了耕地提取閾值。比較提取結(jié)果得出，EXG和NGRDI指數(shù)無法全面、客觀反映研究區(qū)實際情況，VDVI指數(shù)的耕地總體分類精度為81.05%，高于RGBVI指數(shù)的71.38%，是本研究中最適用于高潛水位煤礦區(qū)沉陷耕地提取的指數(shù)。

(4)以基于樣本的面向?qū)ο蟮某料莞靥崛∶娣e作為參考值，通過比較驗證區(qū)沉陷耕地提取面積及誤差得出，基于色彩與紋理特征法的精度高于可見光植被指數(shù)法，更適用于高潛水位煤礦區(qū)沉陷耕地的提取。