La explosión de la hoja es reconocida como una de las enfermedades más devastadoras que afectan la producción de arroz en el mundo, amenazando seriamente el rendimiento del arroz. Por lo tanto, la detección temprana de la explosión de la hoja es extremadamente importante para limitar la propagación y la proliferación de la enfermedad. En este estudio, se diseñó un índice espectral de vegetación específico de la explosión de la hoja, RBVI = 9.78 - 2.08(), para detectar cualitativamente el nivel de la enfermedad de la explosión de la hoja en el dosel de un campo y mejorar la precisión de la detección temprana de la explosión de la hoja mediante teledetección por vehículo aéreo no tripulado. Se utilizaron el aprendizaje integrado por apilamiento, AdaBoost y SVM para comparar y analizar el rendimiento del RBVI e índice de vegetación tradicional para la detección temprana de la explosión de la hoja. Los resultados mostraron que el modelo de apilamiento construido en base al índice espectral RBVI tuvo la mayor precisión de detección (OA: 95.9%, Kappa: 93.8%). En comparación con el apilamiento, la precisión de detección de los modelos SVM y AdaBoost construidos en base al RBVI se degradó ligeramente. En comparación con los índices de vegetación convencionales, el RBVI tuvo una mayor precisión en su capacidad para detectar cualitativamente la explosión de la hoja en el campo. El índice espectral específico de la explosión de la hoja RBVI propuesto en este estudio puede mejorar más efectivamente la precisión de la teledetección por UAV para la detección temprana de la explosión de la hoja del arroz en el campo y compensar las deficiencias de la detección hiperespectral por UAV, que es susceptible a la interferencia de factores ambientales. Los resultados de este estudio pueden proporcionar un método simple y efectivo para la gestión de campos y el control oportuno de la enfermedad.