水稻多時相植被指數特征及覆蓋度提取研究

尹林江， 李威*， 趙衛權，2， 趙祖倫， 呂思思， 孫小瓊

（1.貴州科學院貴州省山地資源研究所，貴陽 550001；2.貴州師范大學喀斯特研究院，地理與環境科學學院， 貴陽 550001）

作物的植被參數特征可有效反映作物生長狀況，目前對于作物的植被參數監測主要集中在植被覆蓋度、葉面積指數、光合有效吸收率、各類色素和植被含水量等[1]。其中，植被覆蓋度反演一直是研究的重點，它可反映作物光合作用面積和植被生長的茂盛程度，是指示作物生長發育和生物產量的重要參數，同時在一定程度上也體現了作物的生長狀態和生長趨勢[2-3]。

傳統的植被覆蓋度反演主要是運用地面實測法進行監測，具有精度高但時效性低、成本大和效率低等特點，而基于衛星遙感技術的植被覆蓋度在一定程度上彌補了傳統監測的不足，將其與地面監測相結合，可實現大面積的同步觀測[4-5]。孫中平等[6]運用高分一號和環境一號衛星數據，進行了中高分辨率遙感協同反演冬小麥覆蓋度研究，為研究作物生長狀況的動態變化提供了數據支持。張喜旺等[7]通過結合低分辨率遙感數據的時間優勢和中高分辨率遙感數據的空間優勢，提出一種植被覆蓋度時相變換方法。張勇峰[8]通過分段聯合反演方式，篩選最佳的植被指數，提高了小麥植被覆蓋度的估算精度。但衛星遙感數據易受分辨率和重訪周期的影響，無法滿足精細現代化農業的需求。無人機（unmanned aerial vehicle，UAV）作為一種新型遙感數據采集技術，在小范圍內可克服傳統衛星遙感數據精度和采集時間受限的問題[9]，而其可搭載多種傳感器的特點，也為作物參數監測提供更為精細豐富的數據源。牛亞曉等[10]基于手持高清可見光影像和無人機可見光影像，以苗期和蕾期的棉花為對象，進行了棉花覆蓋度的提取研究，取得了較好的精度。趙靜等[2]利用無人機獲取玉米田間可見光圖像，對圖像可見光波段提取的多種植被指數進行分析和比較，結合監督分類提取了玉米4 個時期的植被覆蓋度信息。何海清等[11]針對僅依賴二維遙感影像提取大豆覆蓋度難以剔除雜草等復雜背景干擾的問題，提出一種結合三維密集點云的大豆覆蓋度提取方法，對農田作物精細管理和產量估測具有重要參考意義。除此之外，國內外學者關于無人機在作物其他參數監測領域研究增長迅速，主要針對包括水稻、小麥、棉花、玉米、大豆和油菜等作物在內的葉面積指數[12-13]、含水量[14]和葉綠素含量[15]等的反演監測，其研究結果為作物識別和估產反演監測提供了技術和理論支持。

上述研究多以作物生長的某一個或多個時間點不連續的影像為數據源，對作物參數特征進行監測研究，但對于基于作物物候特征的連續變化監測研究相對較少，且多集中于作物本身的變化探討，缺乏對不同作物間的連續對比研究，而不同地物生長周期不同，在同一時間段內表現出的物候特征會存在一定的差異，通過監測作物物候特征變化，有助于作物的識別分類和長勢監測。鑒于此，本研究運用無人機搭載多光譜鏡頭，獲取水稻分蘗期、抽穗期和結實期3 個連續生長期的空間高分辨率無人機多光譜影像，運用植被指數和閾值分割等研究方法，從像元和地塊單元尺度探究水稻與其他相似地物物候特征差異，分析水稻多時相指數特征，并進行水稻植被覆蓋度的提取，以期為作物間的分類提取和長勢監測提供技術和理論支撐。

1 材料與方法

1.1 研究區概況

研究區位于貴州省開陽縣禾豐布依族苗族鄉典寨村高標準農田示范區。該示范區地處亞熱帶季風氣候區，年平均氣溫12.9～14.7 ℃，年降雨量1 120 mm，年無霜期315 d 左右，鄉境內土壤和大氣環境均未受到現代工業的污染。該高標準農田示范區內，地勢西低東高，西部耕地相對平坦，東部主要以梯田為主，為了使研究結果能為后期喀斯特地區作物的監測提供參考，研究監測范圍選擇在平坦耕地和梯田的過度帶地區。研究監測主要以水稻種植為主，部分耕地種植玉米和蔬菜。水稻種植類型為中稻，5 月進行移栽，6 月進入分蘗期，7 月進入抽穗期，8 月進入結實期，9 月進入成熟期。

1.2 數據收集和處理

運用大疆公司生產的精靈4 多光譜版無人機，在水稻分蘗期、抽穗期和結實期3個時期進行數據采集。該無人機起飛重量為1 487 g，一塊電池飛行時間為27 min 左右，擁有一體式的多光譜成像系統，集成1 個可見光相機及5 個多光譜相機（藍光，綠光，紅光，紅邊和近紅外），分別負責可見光成像及多光譜成像。所有相機均擁有200 萬像素解析力及配備全局快門，成像清晰穩定，照片最大解析度為1 600×1 300 pixel。除此之外，其采用TimeSync 時間同步系統，使得定位精度更加準確。為保證數據采集時天氣的一致性，結合實際情況，數據采集時間分別為2020 年6月5日、7月15日和8月26日3個時期的11∶00—14∶00。運用GJI GS PRO 軟件一次規劃航線，飛行高度設為200 m，航線重疊率和旁向重疊率分別為75%和70%，獲取研究區的可見光和多光譜影像照片。

將獲取的無人機多光譜影像數據使用大疆智圖（DJI Terra ）進行建圖航拍和多光譜二維重建，得到5 個單波段正射影像和波段組合后的可見光影像，將5 個單波段正射影像進行波段組合得到3 個生長時期的多光譜影像，其空間分辨率為10 cm。圖1 中左圖為7 月15 日拍攝的抽穗期影像，右圖為研究試驗區抽穗期影像，研究區面積為140 600 m2。

圖1 研究區Fig. 1 Research area

1.3 研究方法

1.3.1 水稻遙感特征提取流程 運用無人機搭載多光譜相機，圍繞研究區水稻的生長周期，采集3個生長期的可見光和多光譜影像。首先，運用易康（eCognition）軟件進行研究區耕地地塊的多尺度分割提取，得到水稻圖斑238 個，其他地塊圖斑243 個；在ENVI 5.3 中進行植被指數計算；然后以地塊和像元為研究單元統計并分析不同時期的水稻遙感特征，減少其他植被的影響，分析喀斯特地區水稻不同生長期的遙感指數變化特征；最后根據其變化特征，運用閾值分割法對不同生長期的水稻進行信息提取并進行植被覆蓋度的計算，最后以SVM(support vector machine)監督分類法得到的地物分類結果為參考進行提取精度的驗證。

1.3.2 可見光植被指數研究 選擇可見光波段差異植被指數(visible-band difference vegetation index，VDVI)[16]、超綠紅藍差分指數（excess greenred-blue difference index，EGRBDI）[17]、過綠減過紅指數（excess green-excess red index，ExG-ExR）[18]作為本研究區的提取植被信息和植被覆蓋度的植被指數，計算公式如下。

式中，R、G、B分別為紅、綠、藍3 個波段的像元值。

1.3.3 多光譜植被指數 研究選擇常用的歸一化植被指數（normalized difference vegetation index，NDVI）、綠度歸一化植被指數（green normalized difference vegetation，GNDVI）、歸一化差異紅色邊緣指數（green normailized difference vegetation index，NDRE）、葉面葉綠素指數（leaf chlorophyll index，LCI）和優化土壤調節植被指數（optimized soil-adjusted vegetation indx，OSAVI）等植被指數對研究區水稻信息和覆蓋度進行提取研究，計算公式如下[19-20]。

圖2 技術路線Fig. 2 Technology road pathway

式中，NIR(near infrared)為近紅外波段；Red為紅光波段；Green 為綠光波段；Red edge 為紅邊波段。

1.3.4 植被覆蓋度提取及精度驗證 目前常用的植被覆蓋度提取方法有閾值二分法、指數時序圖交點法和樣本統計法[21-23]等。通過計算發現，該地區的植被指數計算結果不具備雙峰特征，在同一單元內，隨著植被的生長，植被和非植被的占比會隨之變化。因此本研究采用指數時序圖交點法和樣本統計法相結合的方法計算植被覆蓋度。通過采集植被和非植被的像元灰度值，繪制植被和非植被各自的統計直方圖，將坐標系下植被和非植被的直方圖曲線交點作為分割閾值；再根據植被指數閾值法提取植被覆蓋度(fraction vegetation coverage, FVC)，計算公式如下。

式中，Nveg表示植被像元統計個數，Nn-veg表示非植被像元統計個數。

為了進一步驗證各指數的提取精度，充分利用數據高分辨的特點，結合野外的調查數據，在影像上隨機選擇60個10 cm×10 cm 像元大小的樣本區，對樣本區監督分類結果和各植被指數的提取結果進行植被覆蓋度計算，以監督分類的植被覆蓋度為真實參考值，各植被指數提取的覆蓋度作為預測值，參照下列公式計算。

式中，EF為提取誤差，Fsup為監督分類法獲得的植被覆蓋度，FVI為植被指數獲得的植被覆蓋度。

1.3.5 樣本選擇 為分析水稻和其他地物在各波段上的差異性以及探究提取精度，研究通過選擇相應樣本進行特征統計。為了使樣本具有代表性，遵循以下樣本選擇的基本原則：面積適中且遠離范圍邊界；各明暗地區均勻覆蓋；選擇樣本數量盡量均衡且對于差異較大區域增加一定樣本量[17]。根據以上原則，通過人機交互的形式，在ENVI5.3 中分別選擇水稻樣本60 個、雜草樣本40 個、樹木樣本40 個、裸土樣本35 個和建設用地35 個，單個樣本大小均為10 cm×10 cm，共計210 個。然后分別統計各地物在各波段上的均值和標準差，以均值來體現各地物在各波段上的總體差異，以標準差來表示同種地各樣本像元值的波動范圍。同時，為了探究地塊單元的水稻植被指數特征，根據地塊分割結果，隨機選擇生長情況不同的50個水稻地塊進行統計分析。

2 結果與分析

2.1 光譜特征分析

由表1 可知，在3 個生長時期內，樹木和草地的像元值均滿足常見健康綠色植被在各波段上的反射規律，即綠光波段＞紅光波段＞藍光波段。而水稻則表現出明顯的差異，在分蘗期和抽穗期時均與其他常見健康綠色植被的反射規律相同，但在成熟期時表現出明顯的差異，其在各波段上的反射規律表現為紅光波段＞綠光波段＞藍光波段，這是由于水稻進入成熟期后，葉片中的葉綠素逐漸減少，葉片變黃，進而表現出上述特征。非植被在各時期的像元值均無明顯變化，總體表現為紅光波段＞綠光波段＞藍光波段。從紅邊波段和近紅外波段來看，紅邊波段對于植被和非植被的區分度均較高，且整體上植被像元值波動小于非植被。隨著時間的變化，非植被的像元值波動情況未發生明顯變化，而植被的像元值波動明顯增加，這是由于植被在數據采集周期中不斷生長，葉綠素含量發生明顯變化，使其對于光譜的吸收發生改變，進而導致其像元值出現明顯波動。而在植被中，像元均值表現為抽穗期＞結實期＞分蘗期，水稻在紅邊波段上的像元均值，區別與雜草和樹木，但區分跨度不大。在近紅外波段中，植被像元標準差的值相較于紅邊波段中波動更加明顯，表明其包含的像元信息更加豐富。二者均值變化表現為抽穗期＞結實期＞分蘗期，在抽穗期時水稻和樹木均值接近，可區分度較低。由此可見，在分蘗期和抽穗期時，雜草和樹木對于水稻識別提取具有較強混淆性，而在成熟期時，可見光波段中易受到非植被地物的影響，在紅邊波段和近紅外波段則易受相近植被的影響，不利于水稻信息的提取。

表1 地物在不同波段的像元灰度值Table 1 Pixel values of ground objects in red， green and blue bands

2.2 植被指數計算與特征分析

運用上文的統計樣本，統計各地物植被指數特征，其結果如表2所示。從時間上來看，水稻不同生長期在各植被指數上的差異較為明顯，其均值大致表現為抽穗期大于分蘗期和結實期；而雜草和樹木的均值在各個階段均無明顯波動。從地物間的差異情況來看，在同一植被指數中，非植被與植被的數值差異較大；但在同一時期時，不同植被間的差異不夠明顯，在地物劃分時，容易造成混淆。從植被指數的差異來看，多光譜植被指數與可見光植被指數也存在差異。從均值變化來看，多光譜植被指數在植被和非植被的區分中具有更好的區分度，其中植被與非植被提取效果NDVI＞GNDVI＞OSAVI＞LCI＞NDRE；而VDVI相比EGRBDI又有較好的分離效果；ExG-ExR 相較于前3 種植被指數，其樣本像元值的波動范圍更大，表明同種地物間的差異也較大，不利于同種地物的提取。綜上來看，在該研究區運用一期或者單一方法對水稻和其他地物進行劃分，均會存在較大的提取誤差。

表2 各地物在不同植被指數上的像元特征Table 2 Pixel characteristics of various objects on different vegetation indices

運用各地物樣本統計不同指數和不同時間段水稻、樹木和雜草的生長變化情況（圖3）。從圖3可知，水稻在各植被指數中，隨著時間的變化均存在明顯的變化規律，即隨著水稻生長周期變化，其葉綠素含量也存在周期性差異，導致其同一樣本點在不同時間段上各植被指數的值存在變化，表明在該時間段內水稻具有明顯的物候現象。從樹木和雜草的整體變化趨勢來看，二者也存在一定的變化，但其變化差異不大，且存在部分樣本變化規律相反的情況，即在短時間內不存在明顯的物候現象。從植被指數的差異來看，多光譜植被指數中各樣本的聚集性比可見光植被指數聚集性要好，表明同種地物不同樣本點的像元值變化幅度較小，具有更好的辨識度。各植被指數間的聚集 性 表 現 為NDVI＞GNDVI＞OSAVI＞LCI＞NDRE＞VDVI＞EGRBDI＞ExG-ExR。

圖3 基于像元單元的各地物不同時期植被指數變化Fig. 3 Vegetation index of each feature in different periods under the pixel unit

通過統計各地塊樣本不同時期的指數均值（圖4），發現水稻地塊在不同植被指數的變化趨勢以及值的區間范圍均與以像元為統計單元的變化趨勢相似，也表現出明顯的物候特征。由此可見，在進行水稻與雜草、樹木的劃分時，可以以地塊為單元進行區分，可排除部分雜草和樹木對于水稻信息提取的影響。不同地物在某一段時間內，由于生長的差異其植被指數表現出的特征是不同的，具備明顯物候特征差異性，根據植被物候特征進行地物的分類識別，在理論上具備一定的可行性。

圖4 地塊單元下水稻不同時期各植被指數變化Fig. 4 Vegetation index of rice in different periods under the plot unit

從NDVI、GNDVI、NDRE、LCI、OSAVI、VDVI、ExG-ExR 和EGRBDI 對應水稻分蘗期、抽穗期和結實期的變化結果來看（圖5），NDVI、GNDVI、OSAVI 、VDVI和EGRBDI 對于水稻各個時期均有較好的辨識度，而LCI、NDRE 在水稻的抽穗期和結實期表現出相似特征，ExG-ExR 則在分蘗期和結實期表現出相同的特征。其中，NDVI對于水稻各時期的辨識度最高，GNDVI、OSAVI、VDVI 和EGRBDI則表現相似。

圖5 水稻各時期各植被指數變化Fig. 5 Changes in vegetation index of rice in different periods

綜上來看，不論是基于像元尺度或者地塊尺度，水稻在各時期均表現出明顯的物候現象，其在抽穗期葉片所含的葉綠素最多，其次為結實期，在分蘗期的葉綠素含量相對較低。呈現出這樣的現象主要原因在于分蘗期時水稻的葉面積相對較小，樣本區單位面積的葉綠素平均含量相對較少；在抽穗期時，水稻的生長發育已經基本完成，葉綠素含量相對較高；在結實期時，水稻的大部分營養主要供給果實的生長，葉片逐漸變黃，葉綠素含量降低。而該區大部分雜草和樹木在6、7 月時已進入生長期，在無其他干擾情況下，葉片葉綠素含量在一定時期內均不會有明顯變化，與水稻形成較為明顯的對比。

2.3 植被指數分割閾值

為了進一步對各地物進行區分，探討水稻與其他地物的遙感指數特征區別，運用樣本統計法和指數時序圖交點法的思想，通過各樣本進行各地物特征的統計，以各地物曲線的交點為分割閾值。從圖6 可以看出，綠色植被和非植被在不同時期均具有較好的分離性；但從水稻與雜草、樹木的變化曲線來看，在水稻分蘗期時，水稻與雜草、樹木在各指數中均具有較好的分離性；在水稻抽穗期時，三者在各指數中混淆性較大，在多光譜植被指數和ExG-ExR 中表現最為明顯，在VDVI 和EGRBDI 中相對較好，同時也存在大量的混淆情況。可見，在各個時期水稻、雜草和樹木的生長情況均較好，葉片中的葉綠素含量較高，區分度較低，導致三者出現混淆的情況。而在水稻的結實期，植被的表現情況則與在抽穗期時相反，水稻、雜草和樹木在多光譜植被指數和ExG-ExR 中的分離性明顯好于VDVI 和EGRBDI，其原因與植被指數本身的構造原理息息相關，而EGRBDI 的構造原理與VDVI 相似。從地物分割閾值區間來看（表3），同一時期內植被和非植被的閾值區間均具有明顯的分割區間，而植被之間的區間識別度相對較小，在7 月15 日采集的數據中，水稻、雜草和樹木的植被指數閾值區間均存在一定程度上的混淆。綜上來看，從單一時期的像元特征進行地物分離時，只能對綠色植被和非植被進行較好地分離，而對于顏色接近的綠色植被則不易區分，若只按照地物曲線的交點作為分割閾值，或只運用單期作物特征數據進行分割提取，水稻、雜草和樹木間將存在大量的錯分。

表3 各時期相應地物的植被指數分割閾值區間統計Table 3 Vegetation index segmentation threshold interval statistics of corresponding features in each period

圖6 各指數植被與非植被統計直方圖Fig. 6 Histogram of vegetation and non-vegetation statistics for each index

2.4 水稻信息提取

為了更加準確地提取水稻信息以及植被覆蓋度，利用水稻、雜草和樹木分布位置的差別，運用2.1 中的耕地地塊數據結合植被和非植被之間的分割閾值進行三者的分割,以監督分類的數據作為參考，監督分類精度如表4所示，其總體精度均在95%以上，Kappa 均在0.89 以上，提取的精度較高，可作為精度評價的參考。提取結果如圖7 所示，其中綠色表示水稻信息，白色部分表示其他地類信息,從圖中可知，以耕地地塊為研究單元，可以有效剔除田坎和道路兩旁的雜草及樹木，降低其他植被對水稻信息提取的影響。從分類結果來看，在水稻的各生長期中，水稻分蘗期的植被覆蓋度明顯小于抽穗期和結實期；多光譜植被指數的提取效果與監督分類的結果更加接近，可見光植被指數則相對較差。多光譜植被指數對作物細節的提取更加準確，在一定程度上表明可見光植被指數對于植被的提取效果相對于多光譜植被指數的提取結果要差。但從局部來看，各指數間各有優勢，從6 月5 日數據的提取結果來看，當水稻的覆蓋度較低時，NDVI、OSAVI和VDVI對于水稻信息細節的提取更加細致，LCI和NDRE對水稻的提取較為碎片化，破碎程度較高，EGRBDI 和ExRExG 提取也相對較差。當覆蓋度較高時，各指數的提取結果有明顯差異。

圖7 地塊單元的水稻信息提取結果對照Fig. 7 Comparison of rice information extraction results for plot units

表4 監督分類精度Table 4 Supervised classification accuracy

2.5 水稻植被覆蓋度計算及精度驗證

從提取誤差來看，NDVI 和GNDVI 在水稻的各個時期均具有較好的提取精度，誤差均小于1%； NDRE 和LIC 在水稻分蘗期時提取誤差較大，分別為17.28%和11.18%，其絕對誤差分別為16.00%和10.35%，而在水稻抽穗期和結實期時，二者的提取精度相對增加，但其精度仍較其余二者多光譜植被指數提取精度低；OSAVI、VDVI 和ExG-ExR 的提取誤差均大于1%；而EGRBDI 則出現兩級分化，在水稻的分蘗期提取誤差較高，為5.29%，在結實期提取誤差僅為0.13%，可能是由于該指數本身對于細節部分提取能力較強[18]，使部分非水稻信息被誤分為水稻，導致提取結果存在偏差。

運用均方根誤差（root mean square error，RMSE）和相關系數R2進行精度評價。在水稻的分 蘗 期 時，NDVI、GNDVI、NDRE、LIC、OSAVI、VDVI、EGRBDI 和ExG-ExR 的R2值均較小，分別為0.77、0.76、0.66、0.68、0.72、0.75、0.65 和0.53，而對 應 的RMSE 分 別 為9.09%、9.36%、12.34%、10.58%、10.07%、9.41%、11.29%和14.62%，整體上各植被指數在水稻分蘗期的植被覆蓋度提取精度均較低。在抽穗期和結實期，除了ExG-ExR 以外，其余指數提取的R2均較高。通過對比發現，同一指數提取覆蓋度的R2隨著時間的變化逐漸增大，而RMSE 均有一定程度的降低。這是由于在水稻分蘗期時，其覆蓋度相對較低，在同一樣本區內，存在水稻和土壤（或水體）2 部分，使得部分土壤被誤分為水稻，R2相對較小，RMSE 值較大；隨著水稻的生長，在抽穗期和結實期時，水稻的葉片全面生長，使得樣本區內的水稻面積增加，相應的土壤或其他地物的面積減小，錯誤提取率下降，導致提取精度提高。總體而言，運用各植被指數結合耕地地塊數據，對水稻信息和植被覆蓋度進行提取，整體提取精度較高，其中NDVI、GNDVI、OSAVI 和VDVI 相對提取精度較高，且提取方法具有很高的可行性，可用于水稻信息和植被覆蓋度的提取。

3 討論

本研究對水稻3 個重要生長期的植被指數特征和覆蓋度信息進行了提取，從數據的可見光和多光譜層面來看，基于多光譜植被指數提取的水稻植被指數特征明顯優于可見光植被指數，這在一定程度上由二者指數構建的波段不同所導致，多光譜植被指數在很大程度上充分運用了紅邊波段和近紅外波段，植被在近紅外波段處有較強的反射，其反射率值較高，可以更好地突出植被信息，而在波段范圍為690～730 nm 的紅邊區域，植被的反射率會發生明顯變化，且受周圍環境的影響較小，可以提升作物遙感監測的精度[24]。在多光譜植被指數間，對水稻的提取精度存在明顯差異，是與各指數的構建原理有關，其對地物的普適性不同。NDVI 是通過植被在近紅外波段和紅邊波段的差異性構建，可反映植被的健康情況及植被的長勢，在作物的整個生長期均具有較好的普適性；NDRE 結合了近紅外波段和可見紅色及Red-NIR 過渡區，其范圍較窄，通常用于監測已達到成熟階段的作物，因此其在水稻的分蘗期提取精度相對較低；GNDVI 指數是對NDVI 的修改，它也使用近紅外波段，但用綠波段代替紅波段，可以更好地測量葉綠素含量，因此在整個監測周期中具備較好的精度；OSAVI 植被指數是修改后的SAVI，也使用NIR 和紅光波段中的反射率，2 個指標的區別在于OSAVI 考慮了冠層背景調整因子的標準值（0.16），通常監測裸露土壤區域的低密度植被區域；LCI 則考慮紅波段、紅邊波段和近紅外波段三者間的關系，其包含的地物信息過多，主要用于作物的產量估算等，在植被稀疏覆蓋時期的精度相較于其他指數要低[25]。從地塊尺度和像元尺度來看，水稻的生長曲線變化特征相似。從3 個生長周期的數據來看，水稻的變化特征相對于樹木和雜草變化波動較大，這主要與三者的生長特性有關。雜草的生長周期較快，品種較多，部分雜草在短期內可以快速完成生長和枯萎整個生命周期，這也是導致在圖3 中雜草曲線存在多個變化趨勢的原因。除此之外，在數據獲取的時間段內，部分雜草的生長周期可能與水稻相似，導致在進行水稻信息提取時出現錯提。李明等[26]從水稻的紋理和顏色等特征進行水稻種植信息提取并取得較好的精度，但其只選取了水稻的一個生長期來進行水稻特征的獲取，而水稻在不同的生長期紋理或顏色均會存在差異，同一特征對不同時期的水稻信息提取可能不會取得較好的提取效果。吳方明等[27]運用面向對象的分割方法，對水稻的種植面積進行快速提取，取得了很高的提取精度，但該方法不能較好地體現水稻的光譜特征，無法為水稻生長周期變化特征的監測提供數據支持。本研究選取水稻3 個時期的特征數據，從其植被特征入手，在一定程度上可根據其生長曲線有效獲取水稻的種植信息，后期研究中，可對水稻的生長狀況進行分區分類研究，參照本文提取植被指數特征的方法，提取如健康、受病蟲害和營養缺失等生長狀態下的植被指數特征或其他植被參數特征，建立特征樣本庫，為水稻生長周期的變化監測提供數據支持。同時，本研究也存在一定的局限性，雖然對水稻生長特征進行了部分總結，但還不夠全面，下一步將細化數據采樣時間，多尺度、多角度、多品種的提取水稻紋理、空間和光譜等信息，并利用深度學習手段，形成水稻信息庫，為水稻及其他作物識別和長勢監測提供技術和理論支撐。

表5 水稻植被覆蓋提取結果及精度統計Table 5 Extraction results and precision statistics of rice vegetation cover