1.5 统计分析
使用验证数据集分析回归模型的准确性，选用评价指标：决定系数Ｒ２、均方根误差 ＲＭＳＥ、平均绝对误差MAPE评价回归模型的精度。此外，使用Ｔ检验确定估测模型是否能够以合理的精度预测高粱 的 FVC 和 LAI ，如果斜率值与１无显著性差异，截距值与０无显著性差异，则可以得出回归模型与直线ｙ＝ｘ无显著性差异的结论，即估测模型可以实现高精度的预测。
2结果与分析
2.1 最优估测植被指数
通过对比分析 NDVI 、绿色 NDVI 、RVI 和 WDR－V I 植被指数和高粱的 LAI 和 FVC 相关性，确定最优的估测植被指数。从 50 幅无人机图像中提取数据点构建样本数据集，随机选择2/3的样本数据作为训练集与多光谱反射率影像建模，选择指数回归和线性 回 归分别构建高粱 LAI 和 FVC 的估测模型。剩余的1/3样本数据作为验证集，评价回归模型的性能，得到的 LAI 和 FVC 的４种植被指数的最佳拟合函数和评价指标分别如表３和表４所示。
表3 植被指数和叶面积指数的回归模型
表4 植被指数与植被覆盖度的回归模型
从表３和表４可得，NDVI 构建 LAI 和 FVC 的估算模型的精度和效果要优于其他植被指数。相比于其他３ 种植被指数，LAI－NDVI 和 FVC－NDVI 估算模型的决定系数 R2 值最高（0.91，0.88）且均方根误差 RMSE（0.28，0.06）和平均绝对误差MAPE（11％，８％）最低。WDRVI 的表现优于绿色NDVI 和 RVI ，但该指数的R2较低，RMSE和MAPE 较高，与其他植被指数相比 RVI 显示准确性最低。由于NDVI 与高粱作物的LAI 和 FVC 的相关性最大，所以选择 ND－VI 指数进行下一步的详细研究。
2.2 无人机遥感图像预测LAI 精度评价
根据训练数据集绘制 NDVI 和 LAI 之间的函数关系如图１所示。
图１ 植被指数 NDVI 与叶面积指数的函数关系
由图１ 可以看出，在图像采 集期间，高粱 的 LAI 值集中在 0.2～3.0 的 范 围内。但 当 LAI ＞2.5 时，NDVI 不会发生明显的变化，保持在 0.9 左右。该结果与其他学者的研究结果较为一致：LAI 的继续增大不会显著影响植物红光波段吸收和反射，所以 NDVI 不会随着高粱叶面积的增大而变化。该现象的主要原因是：对于多数农作物，在 LAI ≥ 2.5，吸收峰高于95％时，红光波段的冠层反射率小于５％。为了评估根据无人机遥感图像 得到的 NDVI 与LAI 经验关系的可行性和准确性，对实测的 LAI 数据和通过无人机遥感数据得到的 LAI 的预测回归模型进行交叉验证，得到的结果如图２所示。图２中虚线为函数ｙ＝ｘ，实线为叶面积指数实测值和预测值之间的最小二乘线性回归方程。
