水稻多时相植被指数特征及覆盖度提取研究

尹林江， 李威*， 赵卫权，2， 赵祖伦， 吕思思， 孙小琼

（1.贵州科学院贵州省山地资源研究所，贵阳 550001；2.贵州师范大学喀斯特研究院，地理与环境科学学院， 贵阳 550001）

作物的植被参数特征可有效反映作物生长状况，目前对于作物的植被参数监测主要集中在植被覆盖度、叶面积指数、光合有效吸收率、各类色素和植被含水量等[1]。其中，植被覆盖度反演一直是研究的重点，它可反映作物光合作用面积和植被生长的茂盛程度，是指示作物生长发育和生物产量的重要参数，同时在一定程度上也体现了作物的生长状态和生长趋势[2-3]。

传统的植被覆盖度反演主要是运用地面实测法进行监测，具有精度高但时效性低、成本大和效率低等特点，而基于卫星遥感技术的植被覆盖度在一定程度上弥补了传统监测的不足，将其与地面监测相结合，可实现大面积的同步观测[4-5]。孙中平等[6]运用高分一号和环境一号卫星数据，进行了中高分辨率遥感协同反演冬小麦覆盖度研究，为研究作物生长状况的动态变化提供了数据支持。张喜旺等[7]通过结合低分辨率遥感数据的时间优势和中高分辨率遥感数据的空间优势，提出一种植被覆盖度时相变换方法。张勇峰[8]通过分段联合反演方式，筛选最佳的植被指数，提高了小麦植被覆盖度的估算精度。但卫星遥感数据易受分辨率和重访周期的影响，无法满足精细现代化农业的需求。无人机（unmanned aerial vehicle，UAV）作为一种新型遥感数据采集技术，在小范围内可克服传统卫星遥感数据精度和采集时间受限的问题[9]，而其可搭载多种传感器的特点，也为作物参数监测提供更为精细丰富的数据源。牛亚晓等[10]基于手持高清可见光影像和无人机可见光影像，以苗期和蕾期的棉花为对象，进行了棉花覆盖度的提取研究，取得了较好的精度。赵静等[2]利用无人机获取玉米田间可见光图像，对图像可见光波段提取的多种植被指数进行分析和比较，结合监督分类提取了玉米4 个时期的植被覆盖度信息。何海清等[11]针对仅依赖二维遥感影像提取大豆覆盖度难以剔除杂草等复杂背景干扰的问题，提出一种结合三维密集点云的大豆覆盖度提取方法，对农田作物精细管理和产量估测具有重要参考意义。除此之外，国内外学者关于无人机在作物其他参数监测领域研究增长迅速，主要针对包括水稻、小麦、棉花、玉米、大豆和油菜等作物在内的叶面积指数[12-13]、含水量[14]和叶绿素含量[15]等的反演监测，其研究结果为作物识别和估产反演监测提供了技术和理论支持。

上述研究多以作物生长的某一个或多个时间点不连续的影像为数据源，对作物参数特征进行监测研究，但对于基于作物物候特征的连续变化监测研究相对较少，且多集中于作物本身的变化探讨，缺乏对不同作物间的连续对比研究，而不同地物生长周期不同，在同一时间段内表现出的物候特征会存在一定的差异，通过监测作物物候特征变化，有助于作物的识别分类和长势监测。鉴于此，本研究运用无人机搭载多光谱镜头，获取水稻分蘖期、抽穗期和结实期3 个连续生长期的空间高分辨率无人机多光谱影像，运用植被指数和阈值分割等研究方法，从像元和地块单元尺度探究水稻与其他相似地物物候特征差异，分析水稻多时相指数特征，并进行水稻植被覆盖度的提取，以期为作物间的分类提取和长势监测提供技术和理论支撑。

1 材料与方法

1.1 研究区概况

研究区位于贵州省开阳县禾丰布依族苗族乡典寨村高标准农田示范区。该示范区地处亚热带季风气候区，年平均气温12.9～14.7 ℃，年降雨量1 120 mm，年无霜期315 d 左右，乡境内土壤和大气环境均未受到现代工业的污染。该高标准农田示范区内，地势西低东高，西部耕地相对平坦，东部主要以梯田为主，为了使研究结果能为后期喀斯特地区作物的监测提供参考，研究监测范围选择在平坦耕地和梯田的过度带地区。研究监测主要以水稻种植为主，部分耕地种植玉米和蔬菜。水稻种植类型为中稻，5 月进行移栽，6 月进入分蘖期，7 月进入抽穗期，8 月进入结实期，9 月进入成熟期。

1.2 数据收集和处理

运用大疆公司生产的精灵4 多光谱版无人机，在水稻分蘖期、抽穗期和结实期3个时期进行数据采集。该无人机起飞重量为1 487 g，一块电池飞行时间为27 min 左右，拥有一体式的多光谱成像系统，集成1 个可见光相机及5 个多光谱相机（蓝光，绿光，红光，红边和近红外），分别负责可见光成像及多光谱成像。所有相机均拥有200 万像素解析力及配备全局快门，成像清晰稳定，照片最大解析度为1 600×1 300 pixel。除此之外，其采用TimeSync 时间同步系统，使得定位精度更加准确。为保证数据采集时天气的一致性，结合实际情况，数据采集时间分别为2020 年6月5日、7月15日和8月26日3个时期的11∶00—14∶00。运用GJI GS PRO 软件一次规划航线，飞行高度设为200 m，航线重叠率和旁向重叠率分别为75%和70%，获取研究区的可见光和多光谱影像照片。

将获取的无人机多光谱影像数据使用大疆智图（DJI Terra ）进行建图航拍和多光谱二维重建，得到5 个单波段正射影像和波段组合后的可见光影像，将5 个单波段正射影像进行波段组合得到3 个生长时期的多光谱影像，其空间分辨率为10 cm。图1 中左图为7 月15 日拍摄的抽穗期影像，右图为研究试验区抽穗期影像，研究区面积为140 600 m2。

图1 研究区Fig. 1 Research area

1.3 研究方法

1.3.1 水稻遥感特征提取流程 运用无人机搭载多光谱相机，围绕研究区水稻的生长周期，采集3个生长期的可见光和多光谱影像。首先，运用易康（eCognition）软件进行研究区耕地地块的多尺度分割提取，得到水稻图斑238 个，其他地块图斑243 个；在ENVI 5.3 中进行植被指数计算；然后以地块和像元为研究单元统计并分析不同时期的水稻遥感特征，减少其他植被的影响，分析喀斯特地区水稻不同生长期的遥感指数变化特征；最后根据其变化特征，运用阈值分割法对不同生长期的水稻进行信息提取并进行植被覆盖度的计算，最后以SVM(support vector machine)监督分类法得到的地物分类结果为参考进行提取精度的验证。

1.3.2 可见光植被指数研究 选择可见光波段差异植被指数(visible-band difference vegetation index，VDVI)[16]、超绿红蓝差分指数（excess greenred-blue difference index，EGRBDI）[17]、过绿减过红指数（excess green-excess red index，ExG-ExR）[18]作为本研究区的提取植被信息和植被覆盖度的植被指数，计算公式如下。

式中，R、G、B分别为红、绿、蓝3 个波段的像元值。

1.3.3 多光谱植被指数 研究选择常用的归一化植被指数（normalized difference vegetation index，NDVI）、绿度归一化植被指数（green normalized difference vegetation，GNDVI）、归一化差异红色边缘指数（green normailized difference vegetation index，NDRE）、叶面叶绿素指数（leaf chlorophyll index，LCI）和优化土壤调节植被指数（optimized soil-adjusted vegetation indx，OSAVI）等植被指数对研究区水稻信息和覆盖度进行提取研究，计算公式如下[19-20]。

图2 技术路线Fig. 2 Technology road pathway

式中，NIR(near infrared)为近红外波段；Red为红光波段；Green 为绿光波段；Red edge 为红边波段。

1.3.4 植被覆盖度提取及精度验证 目前常用的植被覆盖度提取方法有阈值二分法、指数时序图交点法和样本统计法[21-23]等。通过计算发现，该地区的植被指数计算结果不具备双峰特征，在同一单元内，随着植被的生长，植被和非植被的占比会随之变化。因此本研究采用指数时序图交点法和样本统计法相结合的方法计算植被覆盖度。通过采集植被和非植被的像元灰度值，绘制植被和非植被各自的统计直方图，将坐标系下植被和非植被的直方图曲线交点作为分割阈值；再根据植被指数阈值法提取植被覆盖度(fraction vegetation coverage, FVC)，计算公式如下。

式中，Nveg表示植被像元统计个数，Nn-veg表示非植被像元统计个数。

为了进一步验证各指数的提取精度，充分利用数据高分辨的特点，结合野外的调查数据，在影像上随机选择60个10 cm×10 cm 像元大小的样本区，对样本区监督分类结果和各植被指数的提取结果进行植被覆盖度计算，以监督分类的植被覆盖度为真实参考值，各植被指数提取的覆盖度作为预测值，参照下列公式计算。

式中，EF为提取误差，Fsup为监督分类法获得的植被覆盖度，FVI为植被指数获得的植被覆盖度。

1.3.5 样本选择 为分析水稻和其他地物在各波段上的差异性以及探究提取精度，研究通过选择相应样本进行特征统计。为了使样本具有代表性，遵循以下样本选择的基本原则：面积适中且远离范围边界；各明暗地区均匀覆盖；选择样本数量尽量均衡且对于差异较大区域增加一定样本量[17]。根据以上原则，通过人机交互的形式，在ENVI5.3 中分别选择水稻样本60 个、杂草样本40 个、树木样本40 个、裸土样本35 个和建设用地35 个，单个样本大小均为10 cm×10 cm，共计210 个。然后分别统计各地物在各波段上的均值和标准差，以均值来体现各地物在各波段上的总体差异，以标准差来表示同种地各样本像元值的波动范围。同时，为了探究地块单元的水稻植被指数特征，根据地块分割结果，随机选择生长情况不同的50个水稻地块进行统计分析。

2 结果与分析

2.1 光谱特征分析

由表1 可知，在3 个生长时期内，树木和草地的像元值均满足常见健康绿色植被在各波段上的反射规律，即绿光波段＞红光波段＞蓝光波段。而水稻则表现出明显的差异，在分蘖期和抽穗期时均与其他常见健康绿色植被的反射规律相同，但在成熟期时表现出明显的差异，其在各波段上的反射规律表现为红光波段＞绿光波段＞蓝光波段，这是由于水稻进入成熟期后，叶片中的叶绿素逐渐减少，叶片变黄，进而表现出上述特征。非植被在各时期的像元值均无明显变化，总体表现为红光波段＞绿光波段＞蓝光波段。从红边波段和近红外波段来看，红边波段对于植被和非植被的区分度均较高，且整体上植被像元值波动小于非植被。随着时间的变化，非植被的像元值波动情况未发生明显变化，而植被的像元值波动明显增加，这是由于植被在数据采集周期中不断生长，叶绿素含量发生明显变化，使其对于光谱的吸收发生改变，进而导致其像元值出现明显波动。而在植被中，像元均值表现为抽穗期＞结实期＞分蘖期，水稻在红边波段上的像元均值，区别与杂草和树木，但区分跨度不大。在近红外波段中，植被像元标准差的值相较于红边波段中波动更加明显，表明其包含的像元信息更加丰富。二者均值变化表现为抽穗期＞结实期＞分蘖期，在抽穗期时水稻和树木均值接近，可区分度较低。由此可见，在分蘖期和抽穗期时，杂草和树木对于水稻识别提取具有较强混淆性，而在成熟期时，可见光波段中易受到非植被地物的影响，在红边波段和近红外波段则易受相近植被的影响，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 植被指数计算与特征分析

运用上文的统计样本，统计各地物植被指数特征，其结果如表2所示。从时间上来看，水稻不同生长期在各植被指数上的差异较为明显，其均值大致表现为抽穗期大于分蘖期和结实期；而杂草和树木的均值在各个阶段均无明显波动。从地物间的差异情况来看，在同一植被指数中，非植被与植被的数值差异较大；但在同一时期时，不同植被间的差异不够明显，在地物划分时，容易造成混淆。从植被指数的差异来看，多光谱植被指数与可见光植被指数也存在差异。从均值变化来看，多光谱植被指数在植被和非植被的区分中具有更好的区分度，其中植被与非植被提取效果NDVI＞GNDVI＞OSAVI＞LCI＞NDRE；而VDVI相比EGRBDI又有较好的分离效果；ExG-ExR 相较于前3 种植被指数，其样本像元值的波动范围更大，表明同种地物间的差异也较大，不利于同种地物的提取。综上来看，在该研究区运用一期或者单一方法对水稻和其他地物进行划分，均会存在较大的提取误差。

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

运用各地物样本统计不同指数和不同时间段水稻、树木和杂草的生长变化情况（图3）。从图3可知，水稻在各植被指数中，随着时间的变化均存在明显的变化规律，即随着水稻生长周期变化，其叶绿素含量也存在周期性差异，导致其同一样本点在不同时间段上各植被指数的值存在变化，表明在该时间段内水稻具有明显的物候现象。从树木和杂草的整体变化趋势来看，二者也存在一定的变化，但其变化差异不大，且存在部分样本变化规律相反的情况，即在短时间内不存在明显的物候现象。从植被指数的差异来看，多光谱植被指数中各样本的聚集性比可见光植被指数聚集性要好，表明同种地物不同样本点的像元值变化幅度较小，具有更好的辨识度。各植被指数间的聚集 性 表 现 为NDVI＞GNDVI＞OSAVI＞LCI＞NDRE＞VDVI＞EGRBDI＞ExG-ExR。

图3 基于像元单元的各地物不同时期植被指数变化Fig. 3 Vegetation index of each feature in different periods under the pixel unit

通过统计各地块样本不同时期的指数均值（图4），发现水稻地块在不同植被指数的变化趋势以及值的区间范围均与以像元为统计单元的变化趋势相似，也表现出明显的物候特征。由此可见，在进行水稻与杂草、树木的划分时，可以以地块为单元进行区分，可排除部分杂草和树木对于水稻信息提取的影响。不同地物在某一段时间内，由于生长的差异其植被指数表现出的特征是不同的，具备明显物候特征差异性，根据植被物候特征进行地物的分类识别，在理论上具备一定的可行性。

图4 地块单元下水稻不同时期各植被指数变化Fig. 4 Vegetation index of rice in different periods under the plot unit

从NDVI、GNDVI、NDRE、LCI、OSAVI、VDVI、ExG-ExR 和EGRBDI 对应水稻分蘖期、抽穗期和结实期的变化结果来看（图5），NDVI、GNDVI、OSAVI 、VDVI和EGRBDI 对于水稻各个时期均有较好的辨识度，而LCI、NDRE 在水稻的抽穗期和结实期表现出相似特征，ExG-ExR 则在分蘖期和结实期表现出相同的特征。其中，NDVI对于水稻各时期的辨识度最高，GNDVI、OSAVI、VDVI 和EGRBDI则表现相似。

图5 水稻各时期各植被指数变化Fig. 5 Changes in vegetation index of rice in different periods

综上来看，不论是基于像元尺度或者地块尺度，水稻在各时期均表现出明显的物候现象，其在抽穗期叶片所含的叶绿素最多，其次为结实期，在分蘖期的叶绿素含量相对较低。呈现出这样的现象主要原因在于分蘖期时水稻的叶面积相对较小，样本区单位面积的叶绿素平均含量相对较少；在抽穗期时，水稻的生长发育已经基本完成，叶绿素含量相对较高；在结实期时，水稻的大部分营养主要供给果实的生长，叶片逐渐变黄，叶绿素含量降低。而该区大部分杂草和树木在6、7 月时已进入生长期，在无其他干扰情况下，叶片叶绿素含量在一定时期内均不会有明显变化，与水稻形成较为明显的对比。

2.3 植被指数分割阈值

为了进一步对各地物进行区分，探讨水稻与其他地物的遥感指数特征区别，运用样本统计法和指数时序图交点法的思想，通过各样本进行各地物特征的统计，以各地物曲线的交点为分割阈值。从图6 可以看出，绿色植被和非植被在不同时期均具有较好的分离性；但从水稻与杂草、树木的变化曲线来看，在水稻分蘖期时，水稻与杂草、树木在各指数中均具有较好的分离性；在水稻抽穗期时，三者在各指数中混淆性较大，在多光谱植被指数和ExG-ExR 中表现最为明显，在VDVI 和EGRBDI 中相对较好，同时也存在大量的混淆情况。可见，在各个时期水稻、杂草和树木的生长情况均较好，叶片中的叶绿素含量较高，区分度较低，导致三者出现混淆的情况。而在水稻的结实期，植被的表现情况则与在抽穗期时相反，水稻、杂草和树木在多光谱植被指数和ExG-ExR 中的分离性明显好于VDVI 和EGRBDI，其原因与植被指数本身的构造原理息息相关，而EGRBDI 的构造原理与VDVI 相似。从地物分割阈值区间来看（表3），同一时期内植被和非植被的阈值区间均具有明显的分割区间，而植被之间的区间识别度相对较小，在7 月15 日采集的数据中，水稻、杂草和树木的植被指数阈值区间均存在一定程度上的混淆。综上来看，从单一时期的像元特征进行地物分离时，只能对绿色植被和非植被进行较好地分离，而对于颜色接近的绿色植被则不易区分，若只按照地物曲线的交点作为分割阈值，或只运用单期作物特征数据进行分割提取，水稻、杂草和树木间将存在大量的错分。

表3 各时期相应地物的植被指数分割阈值区间统计Table 3 Vegetation index segmentation threshold interval statistics of corresponding features in each period

图6 各指数植被与非植被统计直方图Fig. 6 Histogram of vegetation and non-vegetation statistics for each index

2.4 水稻信息提取

为了更加准确地提取水稻信息以及植被覆盖度，利用水稻、杂草和树木分布位置的差别，运用2.1 中的耕地地块数据结合植被和非植被之间的分割阈值进行三者的分割,以监督分类的数据作为参考，监督分类精度如表4所示，其总体精度均在95%以上，Kappa 均在0.89 以上，提取的精度较高，可作为精度评价的参考。提取结果如图7 所示，其中绿色表示水稻信息，白色部分表示其他地类信息,从图中可知，以耕地地块为研究单元，可以有效剔除田坎和道路两旁的杂草及树木，降低其他植被对水稻信息提取的影响。从分类结果来看，在水稻的各生长期中，水稻分蘖期的植被覆盖度明显小于抽穗期和结实期；多光谱植被指数的提取效果与监督分类的结果更加接近，可见光植被指数则相对较差。多光谱植被指数对作物细节的提取更加准确，在一定程度上表明可见光植被指数对于植被的提取效果相对于多光谱植被指数的提取结果要差。但从局部来看，各指数间各有优势，从6 月5 日数据的提取结果来看，当水稻的覆盖度较低时，NDVI、OSAVI和VDVI对于水稻信息细节的提取更加细致，LCI和NDRE对水稻的提取较为碎片化，破碎程度较高，EGRBDI 和ExRExG 提取也相对较差。当覆盖度较高时，各指数的提取结果有明显差异。

图7 地块单元的水稻信息提取结果对照Fig. 7 Comparison of rice information extraction results for plot units

表4 监督分类精度Table 4 Supervised classification accuracy

2.5 水稻植被覆盖度计算及精度验证

从提取误差来看，NDVI 和GNDVI 在水稻的各个时期均具有较好的提取精度，误差均小于1%； NDRE 和LIC 在水稻分蘖期时提取误差较大，分别为17.28%和11.18%，其绝对误差分别为16.00%和10.35%，而在水稻抽穗期和结实期时，二者的提取精度相对增加，但其精度仍较其余二者多光谱植被指数提取精度低；OSAVI、VDVI 和ExG-ExR 的提取误差均大于1%；而EGRBDI 则出现两级分化，在水稻的分蘖期提取误差较高，为5.29%，在结实期提取误差仅为0.13%，可能是由于该指数本身对于细节部分提取能力较强[18]，使部分非水稻信息被误分为水稻，导致提取结果存在偏差。

运用均方根误差（root mean square error，RMSE）和相关系数R2进行精度评价。在水稻的分 蘖 期 时，NDVI、GNDVI、NDRE、LIC、OSAVI、VDVI、EGRBDI 和ExG-ExR 的R2值均较小，分别为0.77、0.76、0.66、0.68、0.72、0.75、0.65 和0.53，而对 应 的RMSE 分 别 为9.09%、9.36%、12.34%、10.58%、10.07%、9.41%、11.29%和14.62%，整体上各植被指数在水稻分蘖期的植被覆盖度提取精度均较低。在抽穗期和结实期，除了ExG-ExR 以外，其余指数提取的R2均较高。通过对比发现，同一指数提取覆盖度的R2随着时间的变化逐渐增大，而RMSE 均有一定程度的降低。这是由于在水稻分蘖期时，其覆盖度相对较低，在同一样本区内，存在水稻和土壤（或水体）2 部分，使得部分土壤被误分为水稻，R2相对较小，RMSE 值较大；随着水稻的生长，在抽穗期和结实期时，水稻的叶片全面生长，使得样本区内的水稻面积增加，相应的土壤或其他地物的面积减小，错误提取率下降，导致提取精度提高。总体而言，运用各植被指数结合耕地地块数据，对水稻信息和植被覆盖度进行提取，整体提取精度较高，其中NDVI、GNDVI、OSAVI 和VDVI 相对提取精度较高，且提取方法具有很高的可行性，可用于水稻信息和植被覆盖度的提取。

3 讨论

本研究对水稻3 个重要生长期的植被指数特征和覆盖度信息进行了提取，从数据的可见光和多光谱层面来看，基于多光谱植被指数提取的水稻植被指数特征明显优于可见光植被指数，这在一定程度上由二者指数构建的波段不同所导致，多光谱植被指数在很大程度上充分运用了红边波段和近红外波段，植被在近红外波段处有较强的反射，其反射率值较高，可以更好地突出植被信息，而在波段范围为690～730 nm 的红边区域，植被的反射率会发生明显变化，且受周围环境的影响较小，可以提升作物遥感监测的精度[24]。在多光谱植被指数间，对水稻的提取精度存在明显差异，是与各指数的构建原理有关，其对地物的普适性不同。NDVI 是通过植被在近红外波段和红边波段的差异性构建，可反映植被的健康情况及植被的长势，在作物的整个生长期均具有较好的普适性；NDRE 结合了近红外波段和可见红色及Red-NIR 过渡区，其范围较窄，通常用于监测已达到成熟阶段的作物，因此其在水稻的分蘖期提取精度相对较低；GNDVI 指数是对NDVI 的修改，它也使用近红外波段，但用绿波段代替红波段，可以更好地测量叶绿素含量，因此在整个监测周期中具备较好的精度；OSAVI 植被指数是修改后的SAVI，也使用NIR 和红光波段中的反射率，2 个指标的区别在于OSAVI 考虑了冠层背景调整因子的标准值（0.16），通常监测裸露土壤区域的低密度植被区域；LCI 则考虑红波段、红边波段和近红外波段三者间的关系，其包含的地物信息过多，主要用于作物的产量估算等，在植被稀疏覆盖时期的精度相较于其他指数要低[25]。从地块尺度和像元尺度来看，水稻的生长曲线变化特征相似。从3 个生长周期的数据来看，水稻的变化特征相对于树木和杂草变化波动较大，这主要与三者的生长特性有关。杂草的生长周期较快，品种较多，部分杂草在短期内可以快速完成生长和枯萎整个生命周期，这也是导致在图3 中杂草曲线存在多个变化趋势的原因。除此之外，在数据获取的时间段内，部分杂草的生长周期可能与水稻相似，导致在进行水稻信息提取时出现错提。李明等[26]从水稻的纹理和颜色等特征进行水稻种植信息提取并取得较好的精度，但其只选取了水稻的一个生长期来进行水稻特征的获取，而水稻在不同的生长期纹理或颜色均会存在差异，同一特征对不同时期的水稻信息提取可能不会取得较好的提取效果。吴方明等[27]运用面向对象的分割方法，对水稻的种植面积进行快速提取，取得了很高的提取精度，但该方法不能较好地体现水稻的光谱特征，无法为水稻生长周期变化特征的监测提供数据支持。本研究选取水稻3 个时期的特征数据，从其植被特征入手，在一定程度上可根据其生长曲线有效获取水稻的种植信息，后期研究中，可对水稻的生长状况进行分区分类研究，参照本文提取植被指数特征的方法，提取如健康、受病虫害和营养缺失等生长状态下的植被指数特征或其他植被参数特征，建立特征样本库，为水稻生长周期的变化监测提供数据支持。同时，本研究也存在一定的局限性，虽然对水稻生长特征进行了部分总结，但还不够全面，下一步将细化数据采样时间，多尺度、多角度、多品种的提取水稻纹理、空间和光谱等信息，并利用深度学习手段，形成水稻信息库，为水稻及其他作物识别和长势监测提供技术和理论支撑。

表5 水稻植被覆盖提取结果及精度统计Table 5 Extraction results and precision statistics of rice vegetation cover