徐云飛 張世文 夏可

摘 要：為探尋無人機遙感對礦業(yè)復墾區(qū)域植被指數覆蓋度的快速提取方法，以四川古藺某硫磺復墾區(qū)為研究對象，通過ZC-6型無人機獲取高分辨率遙感影像，采用多種植被指數計算方法作為分類器的選擇，使用直方圖峰谷法、基本全局閾值法及其融合方法確定圖像最佳分割閾值，從而獲取研究區(qū)植被覆蓋度結果。結果表明：不同植被指數分類后的結果有所差異，EXG和VDVI植被指數分類后影像界定較為清晰，而NGBDI指數分類最為模糊;單一直方圖峰谷法和基本全局閾值法所得分割結果不理想，而將二者融合后的閾值確定法能結合彼此的優(yōu)勢，彌補灰度不明顯或多峰現(xiàn)象的缺點;植被覆蓋度（FVC）提取精度顯示，基于VDVI提取的人為干預條件下FVC的絕對誤差和提取誤差分別達到0.040 9和7.05%，而基于EXG提取的自然條件下FVC的絕對誤差和提取誤差分別達到0.036 6和6.94%，表明利用VDVI和EXG結合B-H融合的方法可有效用于復墾區(qū)條件下的FVC提取。

關鍵詞：無人機;復墾區(qū);直方圖峰谷法;基本全局閾值法;植被指數;植被覆蓋度

Abstract：To explore the rapid extraction method of unmanned aerial vehicle（UAV）remote sensing for vegetation index coverage in mining reclamation areas，the sulfur reclamation area in Gulin of Sichuan was used as a research object. ZC-6 UAV was used to obtain high-resolution remote sensing images and multiple vegetation indices were regarded as classifiers， from which the best ones were selected. The Histogram peak-valley method（HPVM），Basic Global Thresholding（BGT）and its fusion method（B-H）were used to determine the optimal segmentation threshold of the image， so as to get the results of vegetation coverage in the study area. The results obtained from the different vegetation indexes were not same. For example， the classification of the excess green （EXG）and visible-band vegetation index （VDVI）made the image clear， while normalized green-blue difference index （NGBDI）classification results were a little fuzzy. Moreover， the study also found that the segmentation results obtained by the single HPVM and BGT were not ideal， but the B-H method after the fusion of the two would combine the advantages of each other to make up for the shortcomings of inconspicuous grayscale or multi-peak. The absolute FVC extraction under human intervention conditions based on VDVI extraction the error and extraction error reached 0.040 9 and 7.05% respectively， while the absolute error and extraction error of FVC under natural conditions based on EXG extraction respectively reached 0.036 6 and 6.94%， indicating that the method of using VDVI and EXG combined with HPVM and BGT fusion can be effectively used for extraction accuracy of vegetation coverage（FVC）under the condition of reclaimed area.

Key words：unmanned aerial vehicle; reclamation area; histogram threshold method; iterative method; vegetation index; vegetation coverage

礦產資源是國家經濟發(fā)展的物資基礎，是社會發(fā)展的重要推動力。各類礦山開采帶給國民經濟利益的同時，也給生態(tài)環(huán)境造成極大影響，如：長期開采造成地面塌陷、局部地區(qū)積水、土地荒蕪、水土流失等問題，因此需對開采后的礦區(qū)進行生態(tài)修復[1]。據相關資料統(tǒng)計，我國近幾年的復墾率不到30%，而國外復墾率高達65%，對于中國這個人均資源相對匱乏的國家，仍需加強復墾工作，以達到保護生態(tài)環(huán)境、促進社會和諧的目的[2]。

礦區(qū)生態(tài)修復常用手段為充填復墾，即改良土壤基層后種植植被，是最方便、成果最直觀的方法，其復墾結果評價可以選用植被覆蓋度作為一種定量指標。植被覆蓋度（Fractional vegetation cover，F(xiàn)VC ）通常定義為統(tǒng)計范圍內植被（包括葉莖）垂直投影面積所占的百分比，它是描述地表植被分布的重要參數，在評價區(qū)域生態(tài)環(huán)境、揭示地表植被變化、監(jiān)測植被長勢等方面具有重要意義[3]。植被覆蓋度獲取方法主要有目估法、人工采樣法和光學儀器測量法，前兩種方法受人為因素干擾較大，其結果不確定性大，利用光學儀器測量主要是光度量計和數字相片，需要人工地面采集，耗損大量的人力、物力、財力[4]。在新時代發(fā)展背景下，無人機因其機動、靈活的特性，在低成本的基礎上實現(xiàn)了空間和時間的辯證統(tǒng)一，緩解了高空間分辨率和時間分辨率的矛盾，而被應用于各個領域。因此作為一種新興手段，可以考慮將其應用于植被覆蓋度的提取，進而為礦山生態(tài)環(huán)境修復評價提供一種快速、有效的技術手段。文獻[5]針對煤炭資源開發(fā)過程中形成的采煤沉陷、露天采場、固體廢棄物堆積等損毀對象，以及由此產生的耕地損失、環(huán)境惡化、空氣污染、礦-地沖突等礦區(qū)生態(tài)環(huán)境與社會問題，改變原有的“末端治理”理念，提出了煤礦生態(tài)環(huán)境“邊開采邊修復”理念以及實現(xiàn)路徑;文獻[6]以單一污染指數、內梅羅多因素指數和潛在生態(tài)風險指數為基礎，評估了我國華南某錳礦周圍5個礦區(qū)營養(yǎng)狀況及污染水平;文獻[7]通過對6種典型地物在無人機影像可見光波段的光譜特性分析，提出了超綠紅藍差分指數（excess green-red-blue difference index，EGRBDI），其研究結果表明該指數提取精度受地物類型差異影響的波動性較小，能較好地削弱影像中陰影等因素的影響;文獻[8]利用邏輯回歸算法，對具有復雜背景棉田冠層圖像進行自適應閾值分割，其結果表明邏輯回歸算法可為棉田自然復雜環(huán)境下機器視覺技術監(jiān)測棉花覆蓋度提供一種有效途徑;文獻[9]利用閾值分割算法提取出具有陰影圖像的油菜籽植株，用定量評價標準對普通RGB植被指數進行了客觀的分割，其研究結果表明COM指數效果最優(yōu);文獻[10]利用可見光植被指數對喀斯特高原峽谷火龍果植株進行識別，將OTSU算法與直方圖峰谷法對比，其研究結果表明VDVI是火龍果識別的最佳分割算法。

目前眾多專家學者致力于無人機影像植被指數構建、圖像閾值分割算法研究及分割算法改進等方面，鮮有人考慮將已有植被指數與多種閾值分割算法結合應用于礦區(qū)生態(tài)修復效果評價方面，此外前人所開展的礦區(qū)研究大多集中于采后生態(tài)環(huán)境變化監(jiān)測，而對于具有人為擾動條件下的復墾區(qū)生態(tài)恢復評價方面的監(jiān)測研究尚少。綜上，本文選取四川古藺某硫磺礦為研究區(qū)，綜合利用植被指數閾值分割算法中基本全局閾值法與直方圖峰谷法的優(yōu)勢，分析4種可見光植被指數在人為擾動土壤下和自然土壤下的植被生長狀況，探究適宜用作復墾區(qū)植被覆蓋度提取的分類方法，所得成果以期為礦區(qū)生態(tài)修復評價和方案決策提供理論基礎和方法支持。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于四川省古藺縣某硫磺礦復墾區(qū)，介于27°41′00″～28°20′00″N，105°34′00″～106°20′00″E，屬于亞熱帶季風性濕潤氣候，區(qū)內平均氣溫在12.4～18.6℃，全縣年平均無霜期為260d。復墾區(qū)土地利用類型以耕地為主，林地集中分布于東南角，另有三處煤矸石填充地分別位于研究區(qū)北部、西部、及西南部地區(qū)。復墾區(qū)主要有兩種不同區(qū)域，人為擾動區(qū)內地物類型規(guī)整，各地物界限分明，耕地呈梯狀分布，且相對集中，如圖1（a）所示;自然生長區(qū)內地物類型交錯重疊、耕地斑塊不規(guī)則，耕地邊界與灌木雜草疊掩，如圖1（b）所示。

1.2 數據獲取

本次實驗數據獲取采用中測新圖公司自主研發(fā)的ZC-6監(jiān)測型無人機遙感系統(tǒng)，遙感設備選用SonyA7R型微單數碼相機，傳感器尺寸為36mm× 24mm，分辨率為3 600萬像素。依據《低空數字航空攝影規(guī)范》（ CH /Z 3005—2010）及研究區(qū)地形特征，航向重疊設計為75%，旁向重疊設計為45%，無人機采集圖像時的飛行分辨率為5cm，相對航高為178.29m，飛行監(jiān)測范圍為11.44km2，最終獲取影像數目為72 992張。利用Pix4DMapper軟件拼接所得圖像，獲取復墾區(qū)正射影像圖。

1.3 研究方法

1）植被指數選取 植被指數是對地表植被狀況簡單、有效的度量。遍覽文獻[11-13]眾多學者成果，對于植被覆蓋度較低、地物交錯，且由人為干預土壤下生長的植被，并未明確指出使用何種植被指數提取的效果較好，因此本文選擇應用較為廣泛、效果較佳的4種植被指數作為分類器的依據，其分別為歸一化紅綠差異指數（normalized green-red difference index， NGRDI）、歸一化綠藍差異指數（normalized green-blue difference index， NGBDI）、過綠指數（excess green， EXG）和可見光波段差異植被指數（visible-band difference vegetation index， VDVI），具體指數計算公式如下

2）閾值法確定 圖像分割算法種類眾多，其中閾值分割算法由于其運算速率快、提取效果佳而被眾多學者應用于農作物種植面積提取。為得到分類速度快、提取精度高的復墾區(qū)植被覆蓋度提取算法，以上述4種植被指數所得灰度圖為基礎，選取直方圖峰谷法與基本全局閾值法提取研究區(qū)植被。直方圖峰谷法（Histogram peak-valley method，HPVM）認為圖像由前景和背景組成，其灰度直方圖有兩個波峰，分別對應于圖像的背景和前景，其最佳閾值在波谷處取得[15]?；救珠撝捣╗16]（Basic Global Thresholding，BGT）以迭代法為基本思想，預先設定迭代結束條件及初始閾值，通過多次迭代計算，求得最佳分割值，其具體步驟如下。

④重復步驟②和③，直到Tk與Tk+1之差小于事先定義的參數量或為0時跳出循環(huán)，從而得到最佳分割閾值Tk+1。

3）FVC提取與精度評價

①FVC提取 植被覆蓋度在影像中表現(xiàn)為植被像元數占整個研究區(qū)域像元數的百分比，可依據此原理構建如下植被覆蓋度計算公式F=N植被N植被+N非植被×100%（9）

②精度評價

傳統(tǒng)FVC精度評價方法主要通過實地調查驗證，精度雖高但工作量大，耗費大量人力、財力。隨著無人機遙感技術和分類算法的發(fā)展，文獻[17-18]學者以監(jiān)督分類結果作為植被覆蓋度真實值，在FVC提取精度評價方面取得良好效果。將無人機獲取的復墾區(qū)影像的監(jiān)督分類結果作為地面植被覆蓋度真實值，對植被指數閾值法獲得的結果進行精度評價。

2 結果與分析

2.1 復墾區(qū)不同條件下植被指數計算

為研究植被指數算法在自然條件下的植被提取與人為擾動下條件下植被提取規(guī)律，就復墾區(qū)內選取地物類型相近的兩處區(qū)域（見圖1），分別進行如下實驗。

1）人為擾動條件下植被指數結果 對復墾區(qū)人為擾動條件下的區(qū)域計算EXG、VDVI、NGBDI及NGRDI這4種植被指數，復墾區(qū)植被指數計算結果如圖3所示。由植被指數分類結果可知，EXG、VDVI及NGBDI植被指數對不同地物邊緣分割較為清晰，而NGRDI指數對于植被覆蓋度低的區(qū)域識別不明顯;NGBDI指數相較于前兩種其細節(jié)信息模糊，對于道路、房屋與植被交錯的區(qū)域識別度不高。

2）自然生長條件下植被指數結果 為對比復墾區(qū)不同條件下植被恢復情況，對研究區(qū)自然生長條件下的無人機遙感影像計算EXG、VDVI、NGBDI及NGRDI4種可見光波段植被指數，計算結果如圖3所示。從圖3可以看出，EXG和VDVI兩種植被指數結果相對較好，對不同地物表現(xiàn)清晰、準確;而NGBDI及NGRDI這兩種植被指數對不同地物灰度劃分不明顯，地物邊緣不明確。

2.2 基于不同閾值法圖像分割

1）植被指數直方圖峰谷法閾值分割 為尋找復墾區(qū)無人機遙感影像分割的最佳閾值，使得植被與非植被分類結果更加精確。本文選用了直方圖峰谷法和基本全局閾值法對研究區(qū)不同植被指數求取最佳閾值，以達到分離植被的目的。由圖2、圖3所得植被指數通過統(tǒng)計不同植被指數值出現(xiàn)頻率，可以得到其灰度直方圖結果（見圖4）。由圖4可知EXG算法所得植被指數直方圖呈明顯的多峰現(xiàn)象;而其余3種算法所得植被指數呈雙峰時不明顯、呈多峰現(xiàn)象時表現(xiàn)為鋸齒狀，因此無法依據直方圖峰谷法基本原理求得最佳分割閾值。

2）基本全局閾值法閾值分割 針對植被指數直方圖峰谷法無法確定圖像的最佳分割閾值的情況，采用基本全局閾值法進一步探究植被指數閾值法提取礦區(qū)植被覆蓋度的可行性。將基本全局閾值法思想利用MATLAB軟件實現(xiàn)，以上述所選4種植被指數為灰度圖，求得不同植被指數的最佳分割閾值（見表1）及復墾區(qū)植被與非植被分離結果（見圖5）。

由基本全局閾值法所得分割結果可知，將BGT算法應用于復墾區(qū)植被覆蓋度提取時出現(xiàn)低估現(xiàn)象，在人為擾動條件下，EXG、VDVI、NGBDI及NGRDI覆蓋度依次為34.59%、43.83%、15.10%及27.63，而人為擾動條件下FVC真值為58.00%;在自然生長區(qū)EXG、VDVI、NGBDI及NGRDI覆蓋度依次為39.19%、44.53%、15.10%和27.63%，而自然生長條件下FVC真值為52.70%。利用BGT算法所得結果與真值相差較大，基于單一全局閾值法無法實現(xiàn)復墾區(qū)植被覆蓋度的準確提取，其具體精度評價結果如表2所示。

3）基本全局閾值法與直方圖峰谷法融合算法 由于直方圖峰谷法在本研究中無法確定最佳分割閾值，而利用基本全局閾值法圖像分割效果不理想，綜上考慮將兩種方法融合，最終得到如下分割結果（見圖6～7）。為進一步驗證本文方法的精度，將研究區(qū)RGB影像利用MATLAB直接轉化為灰度圖，利用融合算法進行圖像分割，其結果見圖6（b）、圖7（b）。由圖6可知，EXG和VDVI這兩種植被指數運用B-H分割算法所得效果最好，典型地物區(qū)分度高、邊界明顯;而植被指數NGBDI對于房屋識別度高、輪廓明顯，對于其余地物特別是中部耕地所得效果不理想;直接灰度法與NGRDI方法相較于NGBDI方法效果略好，對于植被覆蓋度低的部分錯分現(xiàn)象嚴重。

同理將B-H融合算法應用于自然生長區(qū)，其結果如圖7所示。EXG和VDVI植被指數分類結果較為理想，對于植被覆蓋度低的區(qū)域提取效果理想、耕地邊緣表示明顯，而對于灌木雜草混雜生長的區(qū)域識別度差、部分灰綠色植被錯分為裸地;直接灰度法、NGRDI及NGBDI這三種分割算法對于房屋陰影敏感，且NGRDI及NGBDI對道路、房屋這類規(guī)整地物其輪廓清晰，而直接灰度法所得結果略優(yōu)于NGBDI及NGRDI兩種方法。

2.3 復墾區(qū)植被覆蓋度提取結果與分析

為分析B-H算法的提取精度，按式（9）統(tǒng)計植被覆蓋度結果，利用式（10）～（11）精度分析方法，以監(jiān)督分類結果為實測值，對基于的無人機遙感可見光波段影像與植被閾值法的礦區(qū)植被覆蓋度進行精度計算（見表3）。由表3可知，EXG分類閾值結果在人為擾動區(qū)與自然生長區(qū)絕對誤差分別為0.053 3和0.036 6，VDVI分類閾值結果在人為擾動區(qū)與自然生長區(qū)絕對誤差分別為0.040 9和0.026 0，這兩種方法提取精度最高;而NGBDI及NGRDI運用融合算法后，其覆蓋度提取精度較單一基本全局閾值法提高了7%～10%;而運用直接灰度法提取植被覆蓋度時其絕對誤差相對較大，說明基于植被指數的閾值提取算法可以提高礦區(qū)植被覆蓋度提取精度。

3 討論

礦區(qū)生態(tài)修復對于緩解人地矛盾、改善礦區(qū)生態(tài)環(huán)境具有重要意義，傳統(tǒng)礦區(qū)生態(tài)恢復評價手段以人工實地調查為主，耗費較多人力、物力、財力，而無人機以其獲取影像快速、成本低廉、精度相對較高而受到眾多專家學者青睞。無人機可見光波段不僅處理簡單，而且輔以指數計算、紋理分析等手段可實現(xiàn)植被覆蓋度提取、農作物面積估算及農作物分類等信息的獲取，在推廣應用上具有獲取數據簡單、影像處理方便等特點，文獻[19]等諸多學者將可見光波段應用于作物覆蓋度提取時獲得較高精度，而可見光波段在礦區(qū)復墾效果評價方面的應用有待于深入挖掘。

傳統(tǒng)研究方法將單一閾值分割算法與植被指數相結合提取農作物覆蓋面積時取得良好結果，本研究以無人機獲取的大范圍、高分辨率研究區(qū)影像為數據源，將4種植被指數作為分類器，應用于礦區(qū)生態(tài)修復評價時發(fā)現(xiàn)，單一閾值算法應用于復墾區(qū)植被覆蓋度提取時效果不太理想，可能是由于復墾區(qū)植被生長復雜、人為擾動大，使得運用單一閾值分割算法精度有所降低，鑒于此，考慮將前人所用算法融合，再對研究區(qū)植被覆蓋度提取，經研究表明EXG、VDVI是較為穩(wěn)定的分類器，其分類結果較為準確，對于地物細節(jié)信息描述詳細，這與其他學者的研究結果一致，基于植被指數閾值法所得植被覆蓋度結果較為理想，表明B-H融合算法可作為一種復墾區(qū)生態(tài)恢復效果評價手段。

礦區(qū)生態(tài)修復方法眾多，不同復墾方式對于植被的長勢影響不盡相同，本文以四川古藺的煤矸石填充礦區(qū)為研究區(qū)域，提出利用直方圖峰谷法與基本全局閾值法融合提取植被覆蓋度進而評價復墾效果，而由于礦區(qū)復墾方式的復雜性及土體結構的改變等原因，使用植被覆蓋度對復雜復墾方式下的復墾效果評價有待于進一步驗證。因此如何將閾值分割算法與植被覆蓋度提取結合應用于復雜復墾區(qū)復墾效果評價是下一步研究工作的重點。

4 結論

本文為探究無人機遙感植被指數閾值法在復墾區(qū)生態(tài)修復評價中的可行性，通過對礦區(qū)人為擾動條件和自然生長條件下的植被覆蓋估算，評估了四川古藺某硫磺礦復墾情況，得出如下主要結論：

（1）根據監(jiān)督分類結果與植被指數閾值法結果比較，發(fā)現(xiàn)植被指數EXG和VDVI在礦區(qū)植被覆蓋度提取精度較高，可以有效解決人為擾動條件下植被覆蓋度低時，提取植被覆蓋度效果不理想的問題，能夠滿足礦區(qū)生態(tài)修復效果評價的要求;

（2）圖像分割閾值劃定對FVC的準確提取起到至關重要的作用，利用直方圖峰谷法確定最佳閾值時直方圖出現(xiàn)了雙峰不明顯或多峰現(xiàn)象，這給閾值的確定帶來了影響;而利用基本全局閾值法確定閾值分割后的圖像與原始參考圖產生了較大的出入，精度較低;使用B-H融合算法分割后的結果較為準確，此也表明將兩種方法融合能彌補單一方法存在的局限性;

（3）與直接灰度轉換法相比較，可見光植被指數與B-H融合閾值分割算法相結合確定的閾值結果較為理想，EXG在復墾區(qū)自然條件下植被絕對誤差和提取誤差分別達到0.036 6和6.94%;而對于復墾區(qū)人為干擾條件下VDVI對FVC的提取精度最高，絕對誤差和提取誤差分別達到0.040 9和7.05%。

參考文獻：

[1] ZHU ZHUWU，WEI SHOUMEI，ZHOU KE，et al.Evaluation and Analysis of Land Ecological Economic Benefit in Baodian Mining Area[J].IOP Conference Series：Earth and Environmental Science，2020，440（5）：052 037.

[2] XU YUJUN，MA LIQIANG，NASEER MUHAMMAD KHAN.Prediction and Maintenance of Water Resources Carrying Capacity in Mining Area-A Case Study in the Yu-Shen Mining Area[J].Sustainability，2020，12（18）：10.3390/su12187782.

[3] 梁順林，白瑞，陳曉娜，等.2019年中國陸表定量遙感發(fā)展綜述[J].遙感學報，2020，24（6）：618-671.

[4] ZHANG HEYU，GUAN WENKE，LI ZHIPENG，et al.Research on vegetation coverage and spatial distribution characteristics in Gobi region based on UAV image[J].Journal of Arid Land Resources and Environment，2020，34（2）：161-167.

[5] 胡振琪，肖武，趙艷玲.再論煤礦區(qū)生態(tài)環(huán)境“邊采邊復”[J].煤炭學報，2020，45（1）：351-359.

[6] LIU KEHUI，LIANG XIAOLU，LI CHUNMING，et al.Nutrient status and pollution levels in five areas around a manganese mine in southern China[J].Frontiers of Environmental science & Engineering，2020，14（6）：2 095-2 201.

[7] 高永剛，林悅歡，溫小樂，等.基于無人機影像的可見光波段植被信息識別[J].農業(yè)工程學報，2020，36（3）：178-189.

[8] 劉立波，程曉龍，戴建國，賴軍臣.基于邏輯回歸算法的復雜背景棉田冠層圖像自適應閾值分割[J].農業(yè)工程學報，2017，33（12）：201-208.

[9] WU LANLAN，XIONG LIRONG，PING HUI.Quantitative evaluation of in-field rapeseed image segmentation based on RGB vegetation indices[J].Journal of Huazhong Agricultural University，2019，38（2）：109-113.

[10] ZHU MENG，ZHOU ZHONGFA，ZHAO XIN，et al.Recognition and Extraction Method of Single Dragon Fruit Plant in Plateau-Canyon Areas Based on UAV Remote Sensing[J].Tropical Geography，2019，39（4）：502-511.

[11] MARCIAL-PABLO，MARIANA DE JESUS，GONZALEZ-SANCHEZ A，et al.Estimation of vegetation fraction using RGB and multispectral images from UAV[J].International Journal of Remote Sensing，2019，40（2）：420-438.

[12] CHOI SEOK KEUN，LEE SOUNG KI，JUNG SUNG HEUK，et al.Estimation of Fractional Vegetation Cover in Sand Dunes Using Multi-spectral Images from Fixed-wing UAV[J].Journal of the Korean Society of Surveying Geodesy Photogrammetry & Cartography，2016，34（4）：431-441.

[13] 韓文霆，邵國敏，馬代健，等.大田玉米作物系數無人機多光譜遙感估算方法[J].農業(yè)機械學報，2018，49（7）：134-143.

[14] 卞雪.基于無人機低空遙感影像可見光波段的植被覆蓋率研究[D].南京：南京農業(yè)大學，2017.

[15] 劉金，唐權華，余志斌，等.基于三維直方圖降維和重建的快速最小誤差閾值法[J].電子與信息學報，2014，36（8）：1 859-1 865.

[16] ZHANG，XUN，LI，JUELONG，XING，JIANCHUN，et al.A Wavelet Thresholding Method for Vibration Signals Denoising of High-Piled Wharf Structure Based on A Modified Artificial Bee Colony Algorithm [J].Journal of Vibroengineering，2016，18（5）：2 899-2 915.

[17] 趙靜，楊煥波，蘭玉彬，等.基于無人機可見光圖像的夏季玉米植被覆蓋度提取方法[J].農業(yè)機械學報，2019，（5）：232-240.

[18] 牛亞曉，張立元，韓文霆，等.基于無人機遙感與植被指數的冬小麥覆蓋度提取方法[J].農業(yè)機械學報，2018，49（4）：212-221.

[19] 楊煥波，趙靜，蘭玉彬，等.基于無人機可見光遙感和閾值法的玉米植被覆蓋度提取[J].福建農林大學學報（自然科學版），2020，49（2）：283-288.

（責任編輯：李 麗，范 君）