關(guān)鍵詞：無人機(jī)；煙草；雜草；遙感指數(shù)特征；CRDVI

精準(zhǔn)農(nóng)業(yè)是集“3S（遙感、全球定位系統(tǒng)和地理信息系統(tǒng)的簡稱）”、信息技術(shù)、農(nóng)業(yè)管理等一系列技術(shù)于一體的現(xiàn)代化農(nóng)業(yè)農(nóng)事操作技術(shù)與管理系統(tǒng)[1]。在《國家中長期科學(xué)和技術(shù)發(fā)展規(guī)劃綱要（2006—2020年）》中，將“農(nóng)業(yè)精準(zhǔn)作業(yè)和信息化”作為農(nóng)業(yè)科技發(fā)展的優(yōu)先主題[23]。精準(zhǔn)農(nóng)業(yè)技術(shù)是根據(jù)土壤肥力和每株作物生長狀況來調(diào)節(jié)對作物的投入，其作用在于合理資源的前提下，提高作物質(zhì)量和產(chǎn)量[45]。農(nóng)作物的識別與提取是其生長監(jiān)測、管理以及估產(chǎn)的基礎(chǔ)工作，是農(nóng)業(yè)現(xiàn)代化過程中必不可少的一部分[6]。煙草作為一種經(jīng)濟(jì)作物，如何快速、精準(zhǔn)識別株數(shù)，對于評估其產(chǎn)量具有重要意義[7]。傳統(tǒng)的方法主要通過GPS（global positioning system，全球定位系統(tǒng)）技術(shù)丈量種植面積，再通過樣方數(shù)據(jù)進(jìn)行株數(shù)統(tǒng)計，其費(fèi)時、費(fèi)力且成本較高[8]。隨著遙感（remote sensing）技術(shù)的發(fā)展，不少學(xué)者利用衛(wèi)星遙感數(shù)據(jù)對煙草開展了種植面積和長勢監(jiān)測的相關(guān)研究，但主要集中在大范圍的區(qū)域[9-11]。由于衛(wèi)星影像空間分辨率不高，導(dǎo)致作物的提取與識別精度不高，無法滿足小范圍煙草株數(shù)精準(zhǔn)快速識別提取。在喀斯特山區(qū)，由于云雨天氣的影響，使得可用的衛(wèi)星影像數(shù)據(jù)較少，更加限制了衛(wèi)星數(shù)據(jù)在該區(qū)域的應(yīng)用[12]。

無人機(jī)遙感技術(shù)在很大程度上彌補(bǔ)了衛(wèi)星遙感空分辨率上的不足，成為國內(nèi)外的研究熱點(diǎn)[13-15]。胡馨月[16]以無人機(jī)收集的圖像數(shù)據(jù)為研究對象，運(yùn)用分水嶺算法對樹木樹冠進(jìn)行了提取，其提取精度在90%以上。劉帥兵等[17]通過對無人機(jī)圖像色彩空間進(jìn)行變化，對比分析了RGB、HSV、YCbCr及LAB色彩空間的玉米幼苗期株數(shù)信息，并運(yùn)用數(shù)學(xué)形態(tài)學(xué)理論和優(yōu)化骨架識別算法提高了提取精度。李金陽等[18]利用無人機(jī)獲取大豆苗期圖像，選取不同植被指數(shù)、直方圖均衡化和最大類方差（OTSU）閾值算法提取大豆目標(biāo)，其平均誤差為0.43%，能夠快速、準(zhǔn)確識別大豆苗數(shù)。對于無人機(jī)在煙草中的應(yīng)用主要為煙草種植面積[19]、病蟲害識別[20]、洪澇災(zāi)害[21]和產(chǎn)量估算[22]等方面，對于株數(shù)識別研究較少?，F(xiàn)有利用無人機(jī)識別株數(shù)的主要方法有模糊超像素分割（fuzzysuperpmel，F(xiàn)S）算法[23]、SLIC（simple linear iterativeclustering）超像素算法[24]和決策樹的植被分割算法[25]等，但上述方法均易受雜草的影響，存在大量的錯提取，其中SLIC 超像素算法對于樣地周邊的煙草檢測能力較差，出現(xiàn)大量漏提。還有學(xué)者基于深度學(xué)習(xí)，利用少量的關(guān)鍵點(diǎn)學(xué)習(xí)煙草中心形態(tài)學(xué)特征，并采用輕量級的編碼器和解碼器從無人機(jī)遙感影像中快速識別煙草并定位計數(shù)[26]。該方法主要依托軟硬件和專業(yè)技術(shù)人員的編程能力，不具備普適性，無法大眾化，滿足不了實際生產(chǎn)需求，且在雜草覆蓋度較大的區(qū)域同樣存在錯誤提取。

從上述研究來看，對于煙草的精準(zhǔn)識別研究較少，且目前的研究方法均易受雜草或顏色與煙草相近地物的影響，造成大量的錯提和漏提現(xiàn)象，除此之外，研究方法普適性較差。針對上述問題，本文基于影像數(shù)據(jù)獲取煙草與雜草等相近顏色地物的光譜特征，根據(jù)地物間的光譜特征差異，構(gòu)建顏色重組差異植被指數(shù)（color recombinationdifference vegetation index，CRDVI），并通過灰度分割、過濾和聚類等處理，對煙草進(jìn)行精準(zhǔn)識別和提取，以期有效剔除雜草對煙草識別效果的影響，同時為山區(qū)作物的估產(chǎn)、病蟲害監(jiān)測、農(nóng)作物長勢動態(tài)監(jiān)測提供相應(yīng)的技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

實驗區(qū)位于貴州省貞豐縣北盤江鎮(zhèn)的煙草種植基地，中心坐標(biāo)為105°35′50″N、25°36′01″E，屬北亞熱帶高原季風(fēng)濕潤氣候，氣候溫和，四季分明。年平均氣溫19.5 ℃，7月平均氣溫25 ℃，極端最高氣溫34 ℃。生長期年平均175 d，無霜期年平均300 d；年均日照時數(shù)1 549.2 h，年總輻射102.6 kCa·cm-2。年平均降水日數(shù)為180 d，年平均降水量1 100 mm；土壤以黃壤為主。驗證樣區(qū)位于貴州省福泉市牛場鎮(zhèn)煙草種植基地，中心坐標(biāo)為107°23′44″ N、26°54′42″ E，屬于亞熱帶季風(fēng)氣候華中濕潤區(qū)，熱量豐富、雨量充沛，無霜期長，年均溫度14 °C左右，年均降水約為1 126 mm，光、熱、水同季，適宜多種農(nóng)作物生長發(fā)育。2個區(qū)域主要種植為夏煙，移栽時間為4月，煙草的生長期主要分為苗床期和大田期[2728]，其中苗床期又分為出苗期、十字期、生根期和成苗期。成苗期過后進(jìn)行移栽，進(jìn)入大田期；而大田期主要包括還苗期、伸根期、旺長期和成熟期。煙草喜溫，優(yōu)質(zhì)煙草在生長期內(nèi)對溫度的要求是前期較低、后期較高。日均氣溫低于13 ℃或高于35 ℃時，其生長受到抑制，品質(zhì)降低。

1.2 數(shù)據(jù)獲取處理

采用大疆Phantom 4 RTK 無人機(jī)采集數(shù)據(jù)。實驗區(qū)影像采集于2022年7月6日，為了避免大風(fēng)天氣和太陽光對于數(shù)據(jù)的影響，選擇風(fēng)力較小、光線充足的12：00—14：00進(jìn)行采集。由于該基地位于山頂，其地塊分布呈階梯狀，為了獲取高精度的可見光影像數(shù)據(jù)，運(yùn)用GJI GS PRO軟件規(guī)劃航線，飛行高度設(shè)為50 m，航線重疊率和旁向重疊率分別為80% 和70%，共獲取可見光圖像561幅。驗證區(qū)影像采集于2023年5月18日，為了減小2期數(shù)據(jù)因環(huán)境因素帶來的差異，選擇天氣情況相似，相同時間段，航線高度和重疊率相同參數(shù)進(jìn)行采集，獲得可見光照像612幅。將采集的數(shù)據(jù)運(yùn)用Pix4Dmapper軟件進(jìn)行影像拼接，通過空三加密、特征點(diǎn)匹配、校正等處理，得到總體分辨率為2.0 cm的正射影像，所得的影像數(shù)據(jù)地理坐標(biāo)為WGS 84，投影坐標(biāo)為UTM 48N。

為有效提取煙草植株，且排除研究過程的偶然性，選取4塊較為典型的樣地開展研究（圖1），樣方1地勢平坦，種植規(guī)整，主要地物為裸土-煙草，煙草處于旺長期，存在少量雜草，這種生長環(huán)境較為簡單，目標(biāo)物與背景相對干凈，兩者具有較好的分離性；樣方2地勢平坦，種植規(guī)整，主要地物為雜草-煙草，煙草處于旺長期，存在大量雜草，這種生長環(huán)境較為復(fù)雜，目標(biāo)物與背景相對混雜；樣方3地勢相對復(fù)雜，種植較為零散，主要地物為煙草-裸土，煙草處于成熟期，種植間距相對密集，植株間分離度較差；樣方4地勢平坦，種植規(guī)整，主要地物為雜草-煙草，煙草處于成熟期，種植分散，雜草量較多。

1.3 地物波普信息獲取

運(yùn)用ENVI5.3軟件，通過目視判別的方式制作地物ROI（region of interest），以此統(tǒng)計各地物的植被指數(shù)特征和RGB特征值。為保證各樣本地物像元的純凈，減少數(shù)據(jù)統(tǒng)計誤差，對于樣本的選擇遵循以下原則：①每個地類選擇的面積適當(dāng)且與邊界具有一定距；②選取的樣本位于每個地物像元的中心區(qū)域；③選取的樣本應(yīng)覆蓋各個亮度區(qū)域，即包括作物在影像上的低、中、高等亮度區(qū)域；④選取的地物樣本數(shù)量均衡，對于顏色和亮度差異較大的區(qū)域適當(dāng)增加樣本數(shù)量。最后，每個樣方分別采集裸土樣本、雜草樣本和煙草樣本各20個。

1.4 植被指數(shù)構(gòu)建

綜合上述4個樣方內(nèi)煙草和雜草在各波段上的樣本值，繪制箱線圖并擬合在RGB波段上的正態(tài)分布曲線，經(jīng)過正態(tài)性檢驗，若各組數(shù)據(jù)P 值均大于0.05，則服從正態(tài)分布，即變量X 服從均值為μ、方差為σ2 的正態(tài)分布，記作N（μ，σ2）[29]。從正態(tài)分布曲線來看，若各數(shù)值均分布在（μ -2σ，μ+2σ）的范圍內(nèi)，表明其在均值±2倍標(biāo)準(zhǔn)差可包涵95.8% 的觀測值。說明各地物的特征較為集中，地物間具有可分離性，并在該數(shù)據(jù)基礎(chǔ)上進(jìn)行分析，探究各地物在不同波段上的差異特征，以此構(gòu)建植被指數(shù)。

1.5 閾值提取及精度評價

采用OTSU算法進(jìn)行圖形二值化分割閾值的確定，當(dāng)閾值T 值使目標(biāo)地物和背景地物的類方差最大時，此時為分割的最佳閾值，公式如下[3031]。

式中，W0為目標(biāo)像元與總像元的比例；W1為背景像元與總像元的比例； -x 為圖形像元的平均灰度值；-x 0和-x1分別為目標(biāo)像元和背景像元的平均灰度值；MN 表示圖像大?。籒0 和N1 分別表示灰度小于和大于最佳閾值時的像元數(shù)量，σ為類間方差。

為進(jìn)一步驗證RDVI的提取效果，加入常用的可見光植被指數(shù)進(jìn)行對比分析，分別為可見光波段差異植被指數(shù)（visible-band difference vegetationindex，VDVI）、過綠指數(shù)（excess green， ExG）和改進(jìn)型綠紅植被指數(shù)（modified red edge normalizeddifference vegetation index，MGRVI）[3233]，其計算公式如下。

為評價提取結(jié)果的精度，本文參考Shufelt等[34]的評價方法，引入分支因子（branching factor，BF）用以表示錯誤提取的百分比，檢測率（detection rate，DR）表示正確提取百分比，完整性（quality，QP）體現(xiàn)煙草植株提取結(jié)果的質(zhì)量，完整性越高，說明提取效果越好[3435]，公式如下。

式中，F(xiàn)P（1 positive）表示錯誤提取的煙草植株數(shù)；TP（true positive）表示正確提取的煙草植株數(shù)；FN（1 negative）為漏提取的煙草植株數(shù)。當(dāng)BF值越小、DR和QP越大時，提取效果越好。

1.7 驗證試驗設(shè)計

為了進(jìn)一步探究該方法的適用性和準(zhǔn)確性，選取同期采集的另一樣地進(jìn)行驗證，命名為驗證樣區(qū)1。除此之外，為探究CRVDI的普適性，選取不同地域伸根期的煙草進(jìn)行驗證，命名為驗證樣區(qū)2。運(yùn)用CRVDI進(jìn)行指數(shù)計算，將計算的結(jié)果通過聚類和過濾處理，去除碎斑，并進(jìn)行歸一化處理，運(yùn)用最大類方差法（OTSU）進(jìn)行閾值分割，最后進(jìn)行二值化處理。

2 結(jié)果與分析

2.1 地物光譜特征

由表1可知，各樣方中煙草的R和G波段均大于B波段的值，整體表現(xiàn)為DNGgt;DNRgt;DNB。裸土在各波段的值變化幅度相對平穩(wěn)，表現(xiàn)為DNRgt;DNGgt;DNB。而雜草在各波段的表現(xiàn)與煙草相似，表現(xiàn)為：DNGgt;DNRgt;DNB。

為進(jìn)一步探討各地物間的光譜差異，利用R、G、B 3個波段構(gòu)建各地物彩色波譜圖（圖2）。從單一地物波譜圖來看雜草和煙草均表現(xiàn)為綠波段大于其余2個波段。其中，雜草在各波段區(qū)分度較為明顯，而煙草在紅波段和藍(lán)波段的值較為接近。從裸土-煙草波譜圖來看兩者間差異明顯，裸土在紅波段表現(xiàn)出強(qiáng)反射，煙草則在綠波段上強(qiáng)反射。從雜草-煙草波譜圖來看，兩者在各波段反射強(qiáng)度均表現(xiàn)按為DNGgt;DNRgt;DNB，但兩者在同一波段上的反射強(qiáng)度存在差異，整體而言，煙草在各波段上的反射強(qiáng)度均大于雜草，這是由于煙草的葉面積較大，且處于旺長期和成熟期，光合作用強(qiáng)，葉綠素含量多，使得對G光波段反射強(qiáng)。而雜草雖然同樣處于生長期，但其受煙草的影像，阻擋了部分陽光，光合作用相對較弱，葉片偏黃偏暗，對于G光波段反射相對較弱。

2.2 顏色重組差異植被指數(shù)構(gòu)建

如圖3所示，R 煙草、G 煙草、B 煙草和R 雜草、G 雜草、B 雜草分別表示煙草和雜草在R、G、B波段上的表現(xiàn)值。從箱線圖來看，R波段中，煙草的1.5 IQR范圍、均值、中位數(shù)以及50%的分布區(qū)間均高于雜草，其1.5 IQR范圍為100.00～165.00；均值為134.14；50%的分布區(qū)間范圍為122.50～149.00。雜草的1.5IQR 范圍、均值、50% 的分布區(qū)間范圍分別為44.00～194.50、71.77、58.15～88.82。在G 波段中，煙草和雜草的1.5 IQR 范圍存在交集，分別為163.15～229.00、98.00～180；均值為200.86、136.36；50%的分布區(qū)間為193.10～215.50、149.50～127.16。在B波段中，煙草和雜草的1.5 IQR范圍也存在交集，分別為110.00～175.00、50.00～122.00；均值為144、81；50%的分布區(qū)間為135.00～158.50、70.00～93.00。煙草和雜草在R、G、B波段的50%分布區(qū)間內(nèi)的比值范圍為2.11～1.68、1.29～1.69 和1.93～1.70，其范圍均值為1.89、1.49和1.82。

煙草在R、G、B波段上的均值±2倍標(biāo)準(zhǔn)差范圍分別為96.26～172.01、163.88～237.85和106.61～181.39；雜草在在R、G、B波段上的均值±2倍標(biāo)準(zhǔn)差范圍分別為43.08～100.47、97.78～17 495和40.65～121.35。兩者對應(yīng)的R、G、B比值區(qū)間為2.23～1.71、1.68～1.36 和1.49～2.62，其區(qū)間均值分別為1.97、1.52和2.06。為突出煙草和雜草間的色彩差異，綜合2倍標(biāo)準(zhǔn)差范圍均值和50%分布區(qū)間范圍均值，比值為：R 煙草=1.93R 雜草、G 煙草=1.50 G 雜草、B 煙草=1.94B 雜草。以此作為顏色重組差異植被指數(shù)（color recombination difference vegetation index，CRDVI）的構(gòu)建系數(shù)，其基本原理是找出各地物在不同波段上的差異，并把這種差異進(jìn)行合理擴(kuò)大，便于區(qū)分地物，其計算公式如下。

2.3 植被指數(shù)分析

2.3.1 植被指數(shù)計算結(jié)果 為驗證顏色重組差異植被指數(shù)的提取效果，選取了常用的幾個植被指數(shù)進(jìn)行分析，同時為了便于對比分析，將其結(jié)果進(jìn)行歸一化處理，影像灰度范圍為[0，1]，值越大，顏色越亮，結(jié)果如圖4所示。可以看出，4個植被指數(shù)對于煙草信息提取存在差異。ExG在地物相對單一的樣方1和樣方2中對于煙草信息較為突出，煙草部分呈現(xiàn)高亮顯示，其他地類顏色較暗，可很好反映煙草信息，但在樣方3中，雜草較多時，對煙草信息的突出減弱，對整體植被信息突出較強(qiáng)。VDVI和MGRVI對于植被和非植被的區(qū)分度較高，但對于煙草的整體信息突出較弱，對于煙草的部分葉片信息區(qū)分能力弱，顏色呈現(xiàn)暗灰色，這是由于這部分因為光照原因，顏色偏暗，對于綠波段的反射能力偏弱，無法完整反映煙草的整體信息。而CRDVI在3個樣方中均能很好的反映煙草的整體和局部信息，煙草呈現(xiàn)高亮顯示，其他地物總體偏暗，具備較好的分離度。

2.3.2 不同植被指數(shù)下地物像元特征分析 從地物在不同植被指數(shù)下的像元特征來看，各樣方中植被指數(shù)下的雜草和煙草其像元標(biāo)準(zhǔn)差較小，表明地物所在的像元值波動較小，具有很好的穩(wěn)定性，特征集中。但從均值變化來看，在VDVI 和MGRVI中，雜草和煙草的均值差異不夠明顯，無法有效區(qū)分2種地物，容易存在混淆。在RDVI和ExG中，雜草和煙草的均值區(qū)級跨度較大，說明其區(qū)分度高，在一定程度上不易存在混淆，適宜地物的劃分。

2.3.3 各地物均值與1倍標(biāo)準(zhǔn)差范圍 為進(jìn)一步探究各植被指數(shù)對雜草和煙草的分離度，從其綜合均值及±1倍標(biāo)準(zhǔn)差區(qū)間圖來看，VDVI的雜草1倍標(biāo)準(zhǔn)差區(qū)間為0.25～0.38，煙草區(qū)間范圍為0.25～0.32，兩者存在大范圍重疊，分離度較差。MGRVI的煙草和雜草的區(qū)間范圍分別為0.46～0.53、0.38～0.55，兩者同樣存在大范圍重疊，無法細(xì)化雜草和煙草。ExG中煙草的區(qū)間范圍為0.73～0.84，雜草的區(qū)間范圍為0.48～0.67，兩者不存在區(qū)間上的重疊，具備區(qū)分煙草和雜草的條件。CRDVI中煙草的區(qū)間范圍為0.85～0.96，雜草的區(qū)間范圍為0.46～0.72，其同樣不存在重疊，煙草和雜草的可分離性較強(qiáng)。綜上來看，在上述4種植被指數(shù)中，僅ExG和CRDVI具備分離雜草和煙草的條件。

2.4 煙草植株提取分析

2.4.1 閾值分析 通過閾值區(qū)間（表4）進(jìn)行煙草植株提取，由于各指數(shù)構(gòu)建原理是以R、G、B波段差異化進(jìn)行構(gòu)建，地物存在相似反射率，計算結(jié)果無法完全區(qū)分地物，存在部分混淆。在進(jìn)行閾值分割時，一部分其他地物被劃分為煙草，因此像元二值化時存在部分不連續(xù)的小碎斑。因此將二值化的圖像進(jìn)行聚類處理，運(yùn)用數(shù)學(xué)形態(tài)學(xué)算子（腐蝕和膨脹），將臨近的類似分類區(qū)域聚類并進(jìn)行合并，同時采用過濾處理（sieve）解決分類圖像中出現(xiàn)的孤島問題，使用斑點(diǎn)分組方法來消除被隔離的分類像元，去除小碎斑。

2.4.2 閾值分割結(jié)果分析 從圖6可知，白色部分為識別的煙草，黑色部分為其他背景地物。在樣方1和樣方2中，地物背景相對干凈，CRVDI和ExG對煙草的識別提取結(jié)果均較好，但也存在部分錯分現(xiàn)象，在樣方1中，由于部分巖石和裸土的亮度強(qiáng)，對各個波段的反射率均較高，其在各波段的DN值與目標(biāo)地物相似，導(dǎo)致在擴(kuò)大地物差異時將這一部份信息同時增強(qiáng)，進(jìn)而導(dǎo)致誤提。而在樣方3中，CRVDI和ExG的提取結(jié)果存在明顯差異，CRVDI提取精度高于ExG，ExG存在部分漏提，一方面，因為在該樣方中存在大量植被，在計算時被劃分為雜草，進(jìn)而導(dǎo)致漏提取；另一方面，由于其對煙草葉片等細(xì)節(jié)信息突出不夠，對煙草頂端信息過于突出，分類面積過小，導(dǎo)致在聚類和過濾處理時被劃分為其他地類。綜上來看，在煙草細(xì)節(jié)精度突出上面，CRVDI的精度高于ExG。

2.5 精度評價

將經(jīng)過過濾和聚類處理后的指數(shù)圖像，根據(jù)閾值進(jìn)行灰度分割，將整幅影像分割為煙草和其他地物，得到最終的煙草識別結(jié)果。根據(jù)田間調(diào)研并結(jié)合高清正射影像，得到實際的煙草位置信息，根據(jù)表4的判別標(biāo)準(zhǔn)樣本，進(jìn)行精度分析。

經(jīng)過統(tǒng)計（表5），樣方1中，CRVDI的漏識別株數(shù)為2株、錯誤識別9株，正確識別94株；ExG漏識別3 株，錯誤識別11 株，正確識別93 株。CRVDI錯誤識別類型主要為錯誤識別的樣本2類型，主要受高亮地物的影響，導(dǎo)致錯誤識別。ExG錯誤識別類型主要為樣本1和3類型，其受雜草和相近顏色地物的影響，如錯誤識別中的樣本，部分雜草面積過大或與煙草植株相互連接，進(jìn)而造成錯誤識別；而漏識別則主要是其對煙草細(xì)節(jié)描述較差，只能提取煙草頂端信息，在進(jìn)行碎斑處理時被消除，該現(xiàn)象在樣方3中最為明顯，存在4株漏識別。樣方2中，CRVDI漏識別1株，錯誤識別2株，正確識別94株。其中漏識別的主要類型為樣本2，煙草的部分區(qū)域未被識別，造成這種現(xiàn)象的原因主要在于光線的反射差異，部分煙草葉片存在病變，使得葉片偏黃，加強(qiáng)了光線的反射，進(jìn)而導(dǎo)致未被識別。ExG不存在漏識別，但錯誤識別較多，為14株，正確識別87株。由于ExG對于植被信息提取較好，將部分雜草誤識別為煙草，且對于單株的提取能力較差。樣方3中，CRVDI漏識別1株，錯誤識別10株，正確識別101株，其漏識別主要類型為樣本1，其2株植株過于靠近，且一株在高度和投影面積上均遠(yuǎn)大于另一株，使其光線被遮擋，對各波段反射率較低，導(dǎo)致色彩偏暗，在分割時被劃分為其他地類，產(chǎn)生漏識別。ExG漏識別為2株，錯誤識別較多，為13株，正確識別94株，其錯誤識別原因與樣方1和3相識。樣方4中，CRVDI存在漏識別1株，2株錯誤識別，正確識別113株，同樣易受高亮地物的影響，出現(xiàn)錯誤識別。ExG存在4株漏識別和3株錯誤識別，106株正確識別，其錯誤識別和漏識別原因與前兩個樣地相似。從分支因子、檢測率和完整性來看，當(dāng)BF 越小，DP 和QP 越大時，識別提取效果越。CRVDI的分支因子均小于ExG；檢測率上，CRVDI也總體高于ExG；在完整性上，CRVDI 最高為97.41%，最低為89.52%，ExG最高為93.81%，最低為86.24%。由此可知，CRVDI對煙草的提取效果優(yōu)于ExG，同時也說明了本方法在煙草的識別提取上具備一定的可行性。

2.6 驗證結(jié)果分析

從上述研究結(jié)果來看，CRVDI能夠有效去除雜草對于煙草識別的影響，彌補(bǔ)了ExG及其他植被指數(shù)在識別過程中雜草帶來的影響。為了進(jìn)一步探究該方法的適用性和準(zhǔn)確性，選取同期采集的另一樣地進(jìn)行驗證，為探究CRVDI的普適性，選取了不同地域伸根期的煙草（驗證樣區(qū)2）進(jìn)行驗證，結(jié)果如圖8所示。通過前期野外調(diào)研和人機(jī)交互處理，得到驗證樣區(qū)1煙草實際驗證樣本株數(shù)為1 456株，漏識別30株，錯誤識別123株，正確識別1 363株。驗證煙區(qū)2煙草實際驗證樣本株數(shù)為3 818株，漏識別168株，錯誤識別212株，正確識別3 649株。整體來看，2個驗證樣區(qū)漏識別存在兩方面原因：一方面是因為煙草靠近田坎，影像存在陰影，出現(xiàn)漏識別；另一方面由于部分煙草植株過小，在進(jìn)行過濾和聚類處理數(shù)被剔除，尤其在團(tuán)棵期時影響最大。錯誤識別主要是部分高亮的地物被誤分為煙草，以及部分煙草與雜草顏色過于接近，單從可見光無法進(jìn)行區(qū)分。從提取精度來看，驗證樣區(qū)1中CRVDI提取結(jié)果的錯誤和漏識別較多，分支因子為僅0.08，檢測率為97.84%，完整性為89.99%；驗證樣區(qū)2 同樣存在大量的漏識別和錯誤識別，其分支因子為0.05，檢測率為95.59%，完整性為90.56%。整體而言，驗證樣區(qū)的提取精度與樣區(qū)1、2、3、4中差異較小，精度較高，可用于煙草的識別提取。

3 討論

本研究運(yùn)用無人機(jī)采集煙草伸根期、旺長期和成熟期可見光影像數(shù)據(jù)，通過分析煙草與其他地物光譜特征差異，即根據(jù)不同地物在不同波段上反射和吸收特性，進(jìn)行波段差異化重組，進(jìn)而構(gòu)建顏色重組差異植被指數(shù)（CRVDI）。該指數(shù)可有效快速地進(jìn)行煙草植株的識別提取，在樣區(qū)1、2、3以及驗證樣區(qū)中的完整性均在89%以上。

從研究結(jié)果來看，CRVDI有效解決了大部分雜草對于煙草提取的影響，且該指數(shù)對于煙草的提取結(jié)果明顯好于其他3個可見光植被指數(shù)。但該指數(shù)同樣存在一定缺陷，基于可見光光譜特征進(jìn)行作物的識別提取，其易受“同物異譜、同譜異物”的影響，使得光譜特征相近或光線照射不同的地物產(chǎn)生誤提取和漏提取，如煙草植株運(yùn)用顏色指數(shù)進(jìn)行識別提取時，雖然消除了了大部分雜草的影響，但同樣存在因其他綠色植被的影響而錯誤提取，對于部分具備高反射率的地物區(qū)分度較差，導(dǎo)致被誤分為煙草，這部分主要為裸露的白色巖石和顏色偏白的植被。而從與其余3個指數(shù)的對比以及前人的研究[3637]來看，常用的植被指數(shù)對于植被信息識別具有較高精度，且能夠有效分離植被與非植被，但對于特定綠色植被分離度較差，未能進(jìn)行細(xì)分。如黃登紅等[38]對山藥植株運(yùn)用顏色指數(shù)進(jìn)行識別提取時，植被和非植被其在光譜特征則具備較好的區(qū)分度，在山藥植株識別提取時可有效剔除背景地物（梯坎、巖石、枯草和裸土等），但同樣極易受其他綠色植被的影響。針對上述問題，不少學(xué)者根據(jù)作物間生長周期和自身特點(diǎn)的不同，運(yùn)用點(diǎn)云提取作物空間結(jié)構(gòu)特征，根據(jù)其空間結(jié)構(gòu)差異進(jìn)行作物的識別提取，可以剔除可見光光譜特征作物提取時“同物異譜，同譜異物”，在理論和實踐上均具備一定的可行性?；蛲ㄟ^引入紋理特征進(jìn)行分析，但同時也存在一些問題，當(dāng)兩者地物具備相同的空間結(jié)構(gòu)紋理特征時，則無法進(jìn)行有效區(qū)分[1，39]。下一步研究方向?qū)⒖紤]從作物的多個特征出發(fā)，在CRVDI指數(shù)基礎(chǔ)上，削弱雜草對煙草識別的影響，同時融入煙草紋理、空間和時序等多個特征，構(gòu)建復(fù)合型的煙草識別提取模型，進(jìn)行識別提取，提高煙草識別精度，除此之外運(yùn)用深度學(xué)習(xí)的方法進(jìn)行作物提取，使得提取更加的高效快捷。