叶面积指数(Leaf area index, LAI)是评价植物生长发育的重要指标，与植物光合作用密切相关。实现作物叶面积指数的快速准确估算，对指导农田生产具有重要作用。本研究利用无人机- RGB技术对65个不同生育期的冬小麦品种(包括农家品种、主种、新品种、核心种质和外源品种)的LAI进行估算。从RGB图像中提取颜色指数(Color indices，CIs)和纹理特征，确定其与LAI的定量联系。在提取的图像特征中，LAI与CIs呈显著正相关(r = 0.801)，与纹理特征呈显著负相关(r = - 0.783)。可见大气阻力指数、CIs中绿红植被指数、修正绿红植被指数和纹理特征中的平均值与LAI具有较强的相关性，且r > 0.8。参考模型输入变量，基于CIs和纹理特征的LAI反向传播神经网络(backpropagation neural network，BPNN)模型(R2 = 0.730, RMSE = 0.691, RPD = 1.927)优于其他单变量构建的模型。本研究为基于消费级无人机的冬小麦LAI精确监测提供了理论依据和技术参考。结合CIs和纹理特征的BPNN模型在LAI估计上具有较好的效果，为冬小麦生长监测提供了一种可靠的方法。

图1  研究区域的位置和设计。(A)研究区域的位置。(B)山西省晋中市太谷区试验田位置。(C)实验田区域分布位置。

图2  (A)无人机和(B)研究中使用的内置数码相机。(C)数字正射影像模型图像。(D)数字地表模型图像。

图3  基于无人机RGB图像的LAI估计流程图。

图4  冬小麦不同生育期LAI的统计描述。(A)冬小麦各生育期LAI分布箱形图。(B)冬小麦各生育期LAI描述性统计表。(C)冬小麦各生育期LAI分布柱状图，其中t1 ~ t5分别代表拔节期、孕穗期、流动期、灌浆期和整个生育期。

图5  CIs与LAI的相关性。

图6 基于不同输入的ML模型估计LAI的结果。

图7  验证集中基于CIs、纹理指数(Textures)以及CIs和纹理特征组(CIs-Textures)的LAI估计模型精度评价结果。评估的模型为SVM、RF、BPNN和PLSR。

图8  研究区冬小麦LAI的空间分布特征。T1，拔节期；T2，抽穗期；T3，花期；T4，灌浆期。