利用无人机遥感的方式进行农作物长势和病害监测是目前精准农业、智慧农业发展的重要方向，为了探究无人机多光谱反演小麦叶面积指数（Leaf Area Index，LAI）、叶绿素含量SPAD和典型病害的模型估算潜力，研究在 3 个飞行高度（30、60、120 m）采集多光谱影像，通过使用全波段差值光谱指数（Difference Spectral Index，DSI）、比值光谱指数（Ratio Spectral Index，RSI）、归一化光谱指数（Normalized Spectral Index，NDSI）和经验植被指数与地面实测数据进行相关性分析，获得不同高度下的光谱指数与 LAI 、叶绿素含量和病害等级的关系模型及其决定系数，利用判定系数、赤池信息准则进行变量筛选，利用偏最小二乘回归（Partial Least Squares Regression，PLSR）、后向传播神经网络（Back Propagation Neural Network，BPNN）、随机森林（Random Forest，RF）等三种方法构建反演回归模型。结果表明：1）30 m 高度下，绿-红比值光谱指数与小麦 LAI 的相关性最高，相关系数为 0.84；60 m 高度下，红-蓝比值光谱指数与小麦叶绿素含量的相关性最高，相关系数为 0.68；2）在 60 m 高度下，经验植被指数与小麦 LAI 和叶绿素含量的相关性较好,  最大相关系数分别为 0.77 和 0.50；3）利用偏最小二乘回归反演小麦 LAI 的精度最高，决定系数为 0.732，均方根误差为 0.055；利用人工神经网络模型反演小麦叶绿素含量的精度最高，决定系数为 0.804，均方根误差 0.135；利用变量投影重要性-赤池信息准则方法能够筛选出较好的光谱指数，使用RF方法构建的回归模型精度最高，其决定系数R²为0.84，RMSE是0.12。该研究成果可为基于无人机平台的高通量作物监测提供理论依据，并为筛选无人机多光谱波段实现作物长势参数快速估测提供应用参考。
 

无人机,作物监测,小麦,光谱指数