叶绿素含量与叶面积指数是反映作物长势的重要理化参数,准确、高效定量估计小麦叶绿素含量与叶面积指数对于产量预测和田间管理决策具有重要意义,无人机(Unmanned Aerial Vehicle,UAV)遥感影像具有高空间分辨率的优势,被广泛应用于作物理化参数反演,但现有叶绿素含量与叶面积指数反演模型受土壤、阴影等背景噪声的影响较大,该研究旨在探索去除无人机多光谱影像中的背景像元能否提高作物叶绿素含量和叶面积指数反演精度。首先通过过绿-过红植被指数对多光谱图像阈值分割,提取试验小区所有小麦像元平均反射率。然后选择与冬小麦叶绿素相对含量值(Soil and Plant Analysis Development,SPAD)、叶面积指数(Leaf Area Index,LAI)和冠层叶绿素相对含量(Canopy Chlorophyll Content,CCC)相关性最高的5个敏感植被指数,最后利用偏最小二乘回归(Partial Least Squares Regression,PLSR)建立冬小麦拔节期、挑旗期和开花期3个关键生育期的SPAD、LAI和CCC反演模型。结果表明:1)利用冬小麦像元光谱建立的SPAD、LAI和CCC反演模型(VI_GreenPix)比所有像元构建的反演模型(VI_AllPix)精度更高,基于VI_GreenPix的SPAD建模集与验证集决定系数分别为0.85和0.93,均方根误差分别为3.51和2.67;LAI建模集与验证集决定系数分别为0.70和0.80,均方根误差分别为0.42和0.38m^(2)/m^(2);CCC建模集与验证集决定系数分别为0.79和0.69,均方根误差分别为21.14和23.50。2)不同覆盖度下,VI_GreenPix对SPAD、LAI和CCC的精度提升效果不同。在所有覆盖度下VI_GreenPix都能提高SPAD的反演精度,覆盖度低于40%时提升效果最好;覆盖度低于80%时能提升LAI的反演精度,覆盖度低于40%时提升效果最好;所有覆盖度下都能提高CCC的反演精度,覆盖度低于70%时提升效果更好。VI_GreenPix能有效提升冬小麦SPAD、LAI和CCC的估测精度,研究结果可为冬小麦长势监测和生产管理提
