荒漠生态系统是中国内陆干旱地区重要的陆地生态系统，荒漠植被具有防风固沙、涵养水源等重要生态功能，并通过固碳增汇与土壤保持对维持大气碳平衡、减缓气候变化具有显著作用^［1-2］。植被覆盖度作为量化植被状况的关键指标，能够直接反映生态系统健康水平，并为准确估算区域碳平衡提供重要依据^［3-5］。但荒漠生态系统独特的干旱少雨、土壤贫瘠等环境特征，使其生态环境尤为脆弱，亟须有效保护^［6］。

在非光合作用植被（Non-Photosynthetic Vegetation，NPV）信息提取方面，当前技术路径已从早期的简单指数法发展为融合多源数据、结合物理模型与先进算法的综合体系。基于光谱特征与植被指数反演法，研究者开发了多种有针对性的光谱指数。Bai等^［7］证实死可燃物指数（Dead Fuel Index，DFI）和纤维素吸收指数（Cellulose Absorption Index，CAI）与NPV覆盖度（fractional NPV cover，fNPV）显著正相关；Chai等^［8］在锡林郭勒草原区建立了DFI-fNPV线性回归模型，验证了DFI在该区域反映NPV的有效性；Tian等^［9］提出了基于导数光谱差异的近红外NPV-土壤分离指数（NPV-Soil Separation Index，NSSI），在实验室光谱数据上被验证能有效分离NPV与裸土（Bare Soil，BS）；袁浩等^［10］结合Sentinel-2卫星的特定波段与NPV的光谱特征，构建稀疏NPV指数，可有效提升低覆盖度条件下的探测能力。光谱混合分析方法的发展呈现出从通用模型向精细化、本地化模型优化的趋势。早期研究侧重于比较不同传感器和基础模型（LSMM/NSMM）的性能^［11］。随后，研究重点转向提升模型核心环节的精度，包括开发更优的端元选择方法和构建更有效的指数组合模型^［12］。然而，这些方法仍受限于光谱变异性问题。最新研究通过建立本地化光谱库，大幅提升了模型在区域尺度上的反演精度和鲁棒性^［13］。将Sentinel-1与Sentinel-2数据协同，能够显著提高稀疏NPV覆盖度反演的准确性^［14］；光谱解混方法可以实现逐像元地估计植被变异性端元^［15］。机器学习与深度学习技术为NPV覆盖度的精细提取提供了强大的数据驱动解决方案，He等^［16］验证DeepLabV3+模型与随机森林等传统机器学习方法相比，显著提高了分类精度，实现了光合作用植被（Photosynthetic Vegetation，PV）和NPV区域的半自动提取；张凡等^［17］引入DBSCAN聚类与QuickHull凸包算法，提出了自适应端元特征值提取算法（AEEE）；He等^［18］提出改进的语义分割模型SegFormer-CPED，显著提高了半干旱地区PV和NPV的分割精度和边界清晰度。

传统的荒漠地区植被信息获取方法多依赖耗时费力的野外实地调查方法，其数据代表性常显不足^［19-20］。近年来，无人机遥感技术逐步成熟，以其高空间分辨率和灵活性为荒漠植被信息获取提供了新途径。但当前方法更多集中在绿色植被提取，不同学者通过构建可见光波段的植被指数和优化图像分割及分类技术两个方向，提出了多种植被提取方法^{［19， 21］}。其中，植被指数法主要是突出、强化可见光（RGB）波段绿色植被信息，常见的指数有可见光波段差异植被指数（Visible-band Difference Vegetation Index，VDVI）、超绿指数（Excess Green Index，ExG）、差异增强植被指数（Difference Enhanced Vegetation Index，DEVI）等^［22-25］。受无人机机载相机内控参数和环境因素等影响，无人机影像容易出现同谱异物现象^［26］，部分学者利用颜色空间替代色彩空间，构建了基于HSV（Hue， Saturation， Value，即色相、饱和度、明度）或LAB（亮度、红绿轴、黄蓝轴）颜色空间。图像分割及分类技术主要包括以经验选择法、Otsu's阈值法和直方图熵值法等为代表的阈值分割法^{［22，27-28］}，利用样本库构建无人机光谱特征和类别的统计模型，以决策树、随机森林、支持向量机和深度学习模型等为代表的机器学习算法^{［4，6，21，29-33］}，以及利用面向对象分割算法或者超像素分割方法的图像分割算法^［19］。但是，目前利用无人机遥感提取荒漠地区植被信息的研究尚存在不足。

受制于荒漠地区特殊的自然环境，荒漠植被普遍稀疏、叶片面积小、叶绿素含量低，易受气候变化影响，植被生长和光谱特征变化速度较快^［34］。尽管荒漠植被总体以绿色植被形态存在，但部分荒漠植被以非光合作用植被形式存在，如枯枝、落叶和枝干等^［14］，对防风固沙、水源涵养和维持生态平衡也具有重要作用。非光合作用植被与绿色植被的光谱特征存在明显差异，现阶段无人机遥感植被提取方法鲜少考虑非光合作用植被提取^{［12，35-37］}。因此，亟须研究无人机可见光遥感中非光合作用植被的提取方法^［35］，而非光合作用植被在评估干旱区植被状况、碳存储、水土流失、草原资源管理和水资源状况等方面有重要作用^{［14，38-39］}。

本文旨在使用最常用的植被提取方法，包括联合阈值分割法、自动阈值分割法和随机森林方法，分析其在荒漠地区无人机影像中绿色植被、非光合作用植被的提取效果，为荒漠地区无人机影像植被提取方法提供指导借鉴。

研究区位于鄂尔多斯高原的杭锦旗境内，属于典型温带大陆性季风气候。该区春季气温变化剧烈、风沙天气多，夏季短促高温少雨，秋季凉爽，冬季漫长、寒冷干燥。年均气温5.6 ℃，年降雨量200 mm以上，年蒸发量3 313 mm。土壤以风沙土为主，植被类型自东向西呈地带性分布：东部为典型草原植被，西部为荒漠化草原植被，西北边缘为草原化荒漠植被^［40］。

为验证不同荒漠植被类型下无人机植被提取方法的普适性和可靠性，本文在杭锦旗西部和东部各布设一个无人机样地，即1号样地（西部）和2号样地（东部），2个样地直线距离154 km（图1）。1号样地位于杭锦旗西部边缘，平均海拔1 044 m，以天然固定沙地为主，植被类型为稀疏灌草类型，属于典型的荒漠化草原—草原化荒漠过渡带。该样地植被受人为干扰较小，能够代表自然条件下荒漠植被稀疏、破碎化、非光合作用植被（如枯枝、落叶）广泛存在的真实场景。植物种类主要为梭梭（Haloxylon ammodendron）、沙蒿（Artemisia ordosica）、冷蒿（Artemisia frigida）和沙蓬（Agriophyllum squarrosum）。2号样地位于杭锦旗东部边缘，平均海拔1 261 m，以人工固定沙地为主，植被包括灌木林、乔木林和乔灌草混合结构。该样地代表了人工生态恢复干预下的沙地植被系统，植被覆盖度和结构复杂度高于天然沙地，绿色植被与裸地、NPV的混合模式与天然样地形成鲜明对比。植物种类主要为杨树（Populus L.）、小叶锦鸡儿（Caragana microphylla）、沙蒿、狗尾草（Setaria viridis）（图2）。

西部天然沙地反映了荒漠地区未受人工干预的本底状态，东部人工沙地则代表了当前荒漠化防治工程中常见的人工恢复植被类型，植被覆盖相对较好，但存在复杂的乔灌草层次和人工—自然混合边界。2个样地在植被覆盖度、群落结构、人为干扰程度和土壤背景特性上存在显著差异，能够有效检验不同植被提取方法在极端条件（天然稀疏区）和较复杂条件（人工恢复区）下的适应性和稳定性，从而确保研究结论的普适性和可靠性。

无人机样地航测在2021年8月进行，为当地植被生长旺期。航测期间天气晴朗、光照条件稳定，能见度良好，无明显云层遮挡及强风干扰，适宜开展无人机低空摄影测量作业。使用大疆精灵4 RTK无人机的RGB相机对2个样地进行航测，相机有效像素为2 000万，传感器尺寸为1英寸，焦距为8.8 mm，采用自动曝光模式，以保证影像清晰度与一致性。采用DJI GO飞行控制软件进行航线规划。每架无人机的拍摄区域为300 m×300 m，空间分辨率设置为10 cm，飞行高度240 m，对应地面空间分辨率为10 cm。旁向重叠率为45%，航向重叠率为75%，以确保影像具有足够的匹配冗余度，从而提高三维重建精度。

选用Agisoft PhotoScan Professional（Agisoft LLC，St. Petersburg，Russia）经过照片对齐、密集点云生成、网格优化、纹理生成、DEM生成和正射影像输出6个步骤，在处理过程中，关键参数设置如下：照片对齐精度设为“High”，关键点限制为40 000，匹配点限制为10 000；密集点云质量设为“High”，深度过滤模式为“Moderate”；DEM和正射影像生成均采用全部影像数据参与计算。最终获得无人机正射影像，像元空间分辨率为10 cm，满足后续植被提取分析的精度需求。

为了分析荒漠地区绿色植被、非光合作用植被和裸地的光谱特征，分别在2个样地的正射影像中随机选择以上3类地物作为感兴趣区（ROI），提取其RGB波段DN值像元亮度值（Digital Number，DN值）并进行统计分析并统计各地类的光谱特征（图3）

结果表明，2个样地中3类地物的光谱响应特征总体一致。从总体的DN值来看，绿色植被和非光合作用植被在RGB波段的DN值均显著低于裸地。主要是由于绿色植被中叶绿素对红光和蓝光具有较强吸收作用，而裸地受土壤矿物组成及干燥程度影响，对可见光具有较高反射能力。非光合作用植被由于缺乏叶绿素，其光谱特性主要受纤维素和木质素控制，因此在可见光波段的DN值介于绿色植被与裸地之间。绿色植被DN值绿光波段（G）>红光波段（R）>蓝光波段（B）；非光合作用植被DN值红光波段（R）>绿光波段（G）>蓝光波段（B）；基于上述光谱差异，可将DN值作为区分植被与裸地的重要基础指标。

在此基础上，进一步选取典型可见光植被指数—可见光差异植被指数VDVI和亮度指数BI对3类地物进行定量分析（图4）。其中，VDVI利用RGB波段模拟植被在可见光范围内的光谱响应差异。

该指数能够有效表征绿色植被在绿光波段的高反射特征，因此常用于区分绿色植被与非绿色地物。

亮度指数定义为RGB波段反射率的平均值。

该指数反映地物整体反射能力，对区分高反射的裸地与低反射的植被具有良好效果。

利用2个样地ROI样本，统计VDVI与亮度指数的分布特征（图4）。结果表明：亮度指数在区分植被与裸地方面表现稳定。在1号样地中，植被与裸地的亮度分布几乎无重叠；而在2号样地中，绿色植被与裸地存在一定重叠，可能与土壤背景差异及植被覆盖度有关。VDVI指数在区分绿色植被与非光合作用植被方面表现最佳，但两者分布仍存在轻微交叠。相比之下，亮度指数在区分非光合作用植被与裸地方面更具优势，但同样存在一定重叠。综合分析表明：当将绿色植被与非光合作用植被统一归为植被类别时，亮度指数是区分植被与裸地的最优指标；而当将非光合作用植被与裸地归为“非绿色地物”时，VDVI指数对区分绿色植被与非绿色地物更为有效。因此，单一指数难以同时实现3类地物的精确区分，需结合VDVI与亮度指数进行联合判别，以降低分类误差并提高识别精度。

本文使用的联合阈值法，用于从无人机可见光影像中提取绿色植被和非光合作用植被。根据前述分析，3类地物在VDVI与亮度指数BI空间中的分布具有显著差异：绿色植被的VDVI指数较高、亮度指数较低，非光合作用植被的VDVI指数和亮度指数都较低，裸地的VDVI指数偏低、亮度指数偏高。据此构建基于VDVI与亮度指数的二维决策规则，实现3类地物的区分（图5）。

阈值α和β是本方法的关键（图5）。传统研究中，常用双峰直方图法或者Otsu's阈值法自动确定阈值^［22-23］。但本研究中2个样地的VDVI指数和亮度值直方图均未呈现理想的双峰分布规律，导致自动阈值方法难以准确分离不同地物类别，从而影响分类精度（图6）。

为提高阈值选取的可靠性与可重复性，本文基于ROI样本的统计特征，采用“分布区间约束+重叠最小化”的原则确定α和β。在绿色植被、非光合作用植被和裸地概率分布曲线（图4）基础上，将VDVI阈值α设定为绿色植被与非绿色地物概率密度分布的交点附近，将亮度阈值β设定为植被与裸地分布的交界位置。通过该方法，阈值确定由单一经验判断转变为基于统计分布与误差优化的综合过程，从而提升了方法的稳健性与可推广性。

为更好地验证方法的有效性和实用性，本文选择随机森林方法（Random Forest， RF）^［41］和自动阈值提取方法进行结果对比。随机森林方法用少量样本作为训练样本，分类方法使用Python的sklearn包实现，输入特征为VDVI与亮度指数BI叠加形成的二维特征空间。模型基于Python中scikit-learn（sklearn）库实现。对于关键参数决策树数量（n_estimators），当树的数量达到一定规模后，模型精度趋于稳定，而继续增加树的数量仅会带来计算成本的增加而难以显著提升分类效果。因此，参考相关文献中的常用设置，并结合数据规模与计算效率，将决策树数量设定为300，其余参数采用默认值。

自动阈值提取方法的阈值α和β由Otsu's方法获取^［42］。为保持数据一致性，目前方法输入数据均为VDVI和亮度值数据，其中自动阈值法分别对两种指数数据进行阈值提取。

得到分类结果后，每个样地随机生成300个不与训练区域空间重合的验证样本点。每个验证样本点的类别通过目视解译确定，并以此作为真值，分别统计联合阈值法、自动阈值法和随机森林法的混淆矩阵、总体精度、kappa系数和类别精度。

1号样地的非光合作用植被和裸地面积占比大，绿色植被占比小（表1）。空间上，非光合作用植被分布在样地的中间和外围；裸地在整个样地中均有分布，呈分散状态；大部分绿色植被呈环状分布夹在非光合作用植被中间，也有小部分绿色植被分散在样地四周（图7）。3种分类结果中，联合阈值法和随机森林方法的分类结果都符合植被分布现状，自动阈值法分类结果的空间分布部分与真实情况相似，但各个类型面积比例与真实相差较大，主要是绿色植被和裸地被高估偏多，非光合作用植被面积被低估偏少。

2号样地的主要植被覆盖类型是灌木林。样地的非光合作用植被和裸地面积占比较大，绿色植被占比相对较小（表1）。空间上，非光合作用植被分布在样地的北部，大部分绿色植被（人工灌木林）呈带状分布在样地的下方，也有小部分绿色植被分散在样地中（图8）。3种分类结果都符合样地植被分布情况现状，但自动阈值法的分类结果中，非光合作用植被面积被低估略少，与真实情况存在差异。

在总体精度和kappa系数上，联合阈值法均明显高于随机森林法和自动阈值法。其中，1号样地中，联合阈值法总体精度比随机森林法、自动阈值法分别高出0.04、0.14，kappa系数分别高0.07、0.22；2号样地中，总体精度分别高0.05、0.09，kappa系数分别高0.08、0.16，表明该方法在荒漠区复杂背景下具有更好的稳定性与一致性（表2）。

在类别精度方面，结合图4中VDVI与亮度指数的分布特征，可以对误差来源进行分析。总体上，3类地物的混淆主要在非光合作用植被与裸地之间，以及少量绿色植被与非光合作用植被之间，根本原因在于不同地物在可见光波段的光谱重叠。

在1号样地中，非光合作用植被与裸地在VDVI上高度重叠（均集中于0附近），但在亮度指数上存在一定区分度（非光合作用植被主要分布在100~150，裸地集中在180以上）。然而，由于部分高反射裸地（如干燥沙质地表）亮度值略低，与非光合作用植被分布尾部发生交叉，自动阈值法将大量裸地误分为非光合作用植被。相比之下，随机森林法虽然通过非线性划分提高了用户精度（86%），但由于训练样本对边界区域覆盖不足，非光合作用植被漏分较多（制图精度仅69%）。联合阈值法通过在VDVI-亮度二维空间中设定分区，有效限制了高亮度裸地被误判为NPV，从而在f1-score上取得最优表现。

对于绿色植被，图4显示其VDVI值明显高于其他两类地物（主要分布在0.05以上），但在亮度指数上与非光合作用植被存在部分重叠（100~140）。这导致部分低覆盖度或受土壤背景影响的绿色植被被误分为非光合作用植被，从而使用户精度略低于自动阈值法。该现象说明，在荒漠区稀疏植被条件下，土壤背景对绿色植被光谱响应具有显著干扰。从表2可以看出，绿色植被的分类结果中，联合阈值法制图精度、f1-score最高，用户精度低于自动阈值方法；非光合作用植被的分类结果中，联合阈值法f1-score最高，制图精度低于自动阈值方法，用户精度低于随机森林法；裸地的分类结果中，联合阈值法用户精度与自动阈值法并列最高，f1-score与随机森林法并列最高，制图精度低于随机森林方法（表2）。

在2号样地中，3类地物的分布重叠程度较1号样地有所增加，特别是在亮度指数上，绿色植被与非光合作用植被在80~140范围在明显交叉。主要与阴影效应及地表结构复杂性有关，使得部分裸地亮度降低，接近植被范围，从而增加了绿色植被与裸地之间的混淆风险。尽管如此，联合阈值法仍通过组合VDVI与亮度特征，有效区分了“高VDVI低亮度”（GV）与“低VDVI高亮度”（裸地）区域，在多数精度指标上保持最优。联合阈值法除在绿色植被的制图精度上低于自动阈值法外，其他各项均为最高（表2）。

综合来看，分类误差主要来源于以下两类典型混淆模式：（1）非光合作用植被与裸地在VDVI上的高度相似性，导致在低亮度或中等亮度区间易发生误分；（2）绿色植被在低覆盖度条件下受土壤背景影响，其VDVI优势减弱，易向非光合作用植被类别偏移。联合阈值法通过引入亮度指数弥补VDVI对非光合作用植被与裸地区分能力不足的问题，同时利用VDVI强化绿色植被识别能力，从而在整体上降低了3类地物之间的混淆程度。

从原理来看，联合阈值法和自动阈值法都属于图像分割，但当植被指数的直方图不满足双峰分布时，自动阈值法的分类结果精度会受限。1号样地中，VDVI指数和亮度指数均不满足双峰分布，自动阈值法得到的α值（137）和β值（0.004）均比联合阈值法（α值152，β值0.023）低，造成自动阈值法结果中裸地面积偏大、绿色植被面积偏小，裸地容易错分、非光合作用植被容易漏分，在二者的混淆矩阵中有所体现（表3）。联合阈值法的总体精度和绿色植被及裸地类别精度比自动阈值法高，但非光合作用植被的制图精度低于自动阈值法，可能由于自动阈值法分类过程中会优先将非光合作用植被和裸地边缘区域分成裸地，使得非光合作用植被的制图精度高（图9）。2号样地中，VDVI指数的直方图不满足双峰分布，亮度指数接近满足双峰分布，但双峰差别较小，自动阈值法得到的α值（140）比联合阈值法（157）低、β值（0.045）比联合阈值法（0.035）高，造成自动阈值法中裸地面积偏大、绿色植被面积偏小，裸地容易错分，绿色植被容易漏分。

从精度来看，随机森林法更接近联合阈值法，甚至某些类别精度高于联合阈值法（图9）。2号样地中，随机森林法结果中绿色植被的制图精度略高于联合阈值法（表4）。但随机森林法获得的非光合作用植被面积较大，容易漏分裸地，可能是相比于联合阈值法，该方法更依赖样本的准确性。联合阈值法最大的优势是可以根据初步结果快速调整阈值范围，而随机森林法需要重新调整样本、训练模型和预测，需要消耗更多的人力、时间和算力成本。

从方法原理来看，联合阈值法与自动阈值法均属于基于特征分布的图像分割方法，但自动阈值法（如Otsu's method）依赖直方图的双峰分布假设，而联合阈值法基于VDVI与亮度的二维特征空间进行约束划分。当特征分布偏离双峰结构时，两者性能差异显著。

在1号样地中，VDVI与亮度均不满足双峰分布，自动阈值法得到的α（137）和β（0.004）均低于联合阈值法（152、0.023），导致绿色植被判别范围被压缩、裸地范围扩大，从而出现绿色植被漏分、裸地扩张的系统性偏差。联合阈值法通过二维特征约束提高了绿色植被和裸地识别精度，但由于非光合作用植被在VDVI-亮度空间中处于过渡区，与两类地物均存在重叠，其制图精度略低。在2号样地中，VDVI仍不具双峰特征，亮度虽接近双峰但分离度较弱，自动阈值法得到的α偏低、β偏高，进一步加剧了裸地扩张和绿色植被漏分问题，说明该方法易受全局分布形态影响。

另外，随机森林法通过非线性划分学习特征空间边界，在重叠区域具有更强适应性，因此整体精度接近联合阈值法。但其结果依赖样本分布，在非光合作用植被与裸地高度混叠的情况下，模型更倾向于将边界区域归为非光合作用植被，导致非光合作用植被面积偏大、裸地漏分。

总体上，自动阈值法受限于分布假设，随机森林法依赖样本代表性，而联合阈值法通过融合多特征并引入先验约束，在分布不理想和类别重叠条件下表现出更好的稳定性与可解释性。

实验结果表明，联合阈值法提取无人机影像植被总体精度、kappa系数较高，适用于中国北方干旱地区地表类型相对简单，植被类型以灌木、灌草或乔灌草为主的植被提取。但是实际应用中，由于受光照条件、图像镶嵌质量、空间分辨率和地物空间异质性等因素影响，容易出现地物的同谱异物或者异物同谱效应，影响无人机遥感植被提取精度。

本方法基于VDVI与亮度指数构建判别规则，前提是不同地物在特征空间中具有相对稳定的分布差异。在无人机拍摄过程中，云层、太阳高度角及气溶胶的变化会直接影响地物的成像特征^［11］，同时影响影像的镶嵌质量，造成地物色彩不协调，加剧同谱异物和异物同谱现象，从而影响分类精度。在此情况下，基于全局阈值的分割方法难以兼顾局部差异，可能导致提取结果非最优。

无人机影像的空间分辨率对植被提取具有重要影响。研究表明，在草地和灌木区域，由于地物的尺度效应，飞行高度升高会导致影像空间分辨率降低，进而加剧地物的混合像元问题，基于像素的提取方法面临更高的不确定性，最终导致植被提取精度下降^{［25， 43］}。因此，本方法更适用于空间分辨率较高、地物结构相对清晰的影像数据。在实际应用中，应根据目标地物尺度合理设置飞行高度，一般建议影像分辨率优于地物最小识别单元的1/3，以降低尺度效应带来的影响^［44-46］。

无人机影像植被提取领域已发展多种算法，其中基于指数的阈值分割法，原理简洁、操作方便、实用性强，在干旱区具有较强实用性。但本研究结果表明，该类方法在应用中仍受到影像不均一、特征分布重叠及尺度效应等因素的制约。针对本文中VDVI与亮度指数在部分样地未呈现明显双峰分布的问题，导致自动阈值法失效、联合阈值需人工调整，未来可以考虑采用自适应阈值分割方法^［47-48］，根据局部区域的统计特征动态确定阈值，以提高方法在光照不均或地表异质性较强区域的适应能力。在低覆盖度草地中，绿色植被易受土壤背景影响而被低估，与影像空间分辨率及混合像元密切相关。针对该问题，未来可结合混合像元分解方法，以减弱尺度效应对分类结果的影响^［49］。在自动化方面，本文方法仍依赖一定的阈值经验调整，结合当前计算机视觉的发展趋势，未来可基于已有样本数据构建无人机遥感影像数据集^［50］，探索引入深度学习语义分割模型，发展面向无人机植被提取的分割模型，提高复杂场景下的自动提取能力。

针对目前无人机可见光影像难以在荒漠地区保证植被识别精度，本文系统分析了绿色植被、非光合作用植被在可见光波段的特征及其可分性。结果表明，3类地物在可见光波段存在稳定差异：绿色植被表现为高VDVI、低亮度，非光合作用植被与裸地均为低VDVI，但非光合作用植被整体亮度低于裸地。在此基础上，分析了联合阈值提取方法、随机森林法和自动阈值法在荒漠地区植被提取中的应用。相较于自动阈值法对双峰分布的依赖以及随机森林法对样本代表性的敏感性，联合阈值法通过融合VDVI与亮度特征并引入先验约束，在特征分布不理想及类别重叠条件下仍能保持较高稳定性；统计结果表明，联合阈值法的总体精度比自动阈值法平均高0.11，比随机森林法平均高0.04。在未来无人机可见光植被提取研究中，该方法适用于光照条件相对稳定、影像辐射一致性较好且地物类型相对简单的干旱区场景；在强光照变化、高空间异质性或低分辨率条件下，其性能可能受到限制。未来可通过引入自适应阈值、多特征融合及数据驱动方法进一步提升复杂场景下的适用性。