1.一种基于植被指数融合的LAI定量模型建立的方法，其特征在于：包括以下步骤：S1：研究区域影像预处理：获取研究区域的哨兵2号数据和研究区域的矢量文件，进行预处理，得到研究区域的精校正的影像数据；

S2：样区选取：依据步骤S1得到的研究区域影像数据，选取一定数量的作物样区作为样本点，样本划分为2/3样本集的训练样本和1/3样本集的测试样本；

S3：地面实测数据获取：使用手持LAI叶面积仪采集步骤S2中选取的每个作物样区的平均LAI值，作为实验的实测LAI值，并按2:1的比例进行数据划分；

S4：提取波段和多个植被指数：提取研究区域卫星影像的各个波段及植被指数；

S5：显著性分析：分析步骤S4中的波段和植被指数与步骤S3中的实测LAI值的显著性关系，筛选0.01极显著水平的波段和植被指数；

S6：利用步骤S5中的0.01极显著的波段和植被指数和步骤S3中的实测LAI值进行逐步多元线性回归建模并评定精度；

S7：利用步骤S5中的0.01极显著的波段和植被指数和步骤S3中的实测LAI值进行机器学习回归建模并评定精度；

S8：比较步骤S6和步骤S7中的模型精度，筛选较优LAI定量模型，并对研究区遥感影像进行LAI可视化填图。

2.根据权利要求1所述的一种基于植被指数融合的LAI定量模型建立的方法，其特征在于：所述步骤S6中逐步多元线性回归建模并评定精度包括以下步骤：S61:将步骤S5中的0.01极显著的波段和植被指数作为自变量，步骤S3中的实测LAI值作为因变量，使用步骤S2中的训练样本集，以0.05显著水平为进入或删除自变量个数，以赤池信息准则为标准，筛选模型复杂度最优的LAI模型；

S62:基于步骤S2中的测试样本进行验证并评定精度。

3.根据权利要求1所述的一种基于植被指数融合的LAI定量模型建立的方法，其特征在于：所述步骤S7中机器学习回归建模并评定精度包括以下步骤：S71：将步骤S5中的0.01极显著的波段和植被指数作为自变量，步骤S3中的实测LAI值作为因变量，使用步骤S2中的训练样本集，依据粒子群优化算法，获得研究区域的最佳惩罚系数C和gamma；

S72：以RBF高斯核进行SVM支持向量机回归以及BP神经网络回归分别建立模型；

S73：基于步骤S2中的测试样本进行验证并评定精度。