土壤含水量（θ）是影响作物生长和作物产量的主要因素之一。 旨在评估基于光谱特征参数的各种回归模型估算土壤含水量的精度, 并比较人工神经网络（BP-ANN）和光谱特征参数模型的性能。 2014年在室内获取砂土和壤土的土壤含水量和光谱反射率数据。 结果表明: （1）当砂土容重为1.40 g·cm-3时, 900～970 nm最大反射率和900～970 nm反射率总和估算θ达到极显著水平（R2超过0.90）; 容重为1.50 g·cm-3时, 用蓝边最大反射率和900～970 nm反射率总和估算θ相关性最好（超过0.70）; 容重为1.60 g·cm-3时, 780～970 nm反射率总和与560～760 nm归一化吸收深度的R2均超过0.90, 达到极显著水平; 容重为1.70 g·cm-3时, 900～970 nm最大反射率和900～970 nm反射率总和的R2为0.88, 呈极显著水平。 （2）当土壤类型为壤土时, 用900～970 nm最大反射率和900～970 nm反射率总和估算θ相关性最好。 （3）蓝边反射率总和（R2=0.26和RMSE=0.09 m3·m-3）和780～970 nm吸收深度（R2=0.32和RMSE=0.10 m3·m-3）估算砂土的含水量相关性最好。 在估算壤土的含水量时, 900～970 nm最大反射率（R2=0.92和RMSE=0.05 m3·m-3）与900～970 nm反射率总和估算模型的精度最高（R2=0. 92和RMSE=0.04 m3·m-3）。 （4）用人工神经网络模型能够更好地估算两种土壤的含水量（R2=0.87和RMSE=0.05 m3·m-3）。 因此, 人工神经网络模型对θ估算具有巨大的潜力。

通过小麦氮素和品种对比试验, 分析不同氮素和品种处理小麦生育期氮肥偏生产力与光谱参数的相关关系, 建立小麦氮肥偏生产力的光谱参数估算模型, 结果表明绿度植被指数（GREENNDVI）在拔节期与小麦氮肥偏生产力呈极显著相关, 相关系数0.640　4。　用GREENNDVI在拔节期建立小麦氮肥偏生产力的估算模型, 均方根误差0.459　7。 研究表明利用光谱参数可以有效地估算小麦氮肥偏生产力。

通过获取多时相试验区TM影像和大田同步调查棉花黄萎病，将TM影像光谱指数与病害严重度进行相关分析，建立棉花病害严重度估测模型.结果表明： 随着病害严重度的增加，TM影像光谱指数B2，B4，SATVI，OSAVI，MSAVI，TSAVI，SVNSWI，SNSWIa，SNSWIb，SVNI，DNSIa，DNSIb，NDSWIa，NDSWIb，RNSWIa，RNSWIb，DVNI，EVI，TVI，SAVI，DVI，NDVI，RVI 和PVI逐渐减小，B1，B3， B7和RI逐渐增加，NDGI呈现先增后降的趋势，而B5呈现先降后增的趋势.病害严重度与TM影像光谱指数B1，B3和RI均呈极显著正相关，与B4，OSAVI，MSAVI， TSAVI，SVNSWI，SNSWIa，SNSWIb，SVNI，DNSIa，DNSIb，NDSWIa，NDSWIb，RNSWIa，RNSWIb，DVNI，EVI，TVI，NDGI，SAVI，DVI，NDVI，RVI 和PVI均呈极显著负相关，与SATVI呈显著负相关，与B2，B5和B7均未达显著相关.建立的8个TM影像光谱指数估算棉花黄萎病模型均通过显著性检验，且以DVI和DNSIb为自变量的线性模型精度最高，表明利用多时相TM卫星影像光谱指数进行棉田病害定量诊断是可行的.

生物量、 氮素含量和LAI(leaf area index)是生态系统中表征作物长势最重要的参数, 叶干重、 叶片氮素含量和LAI实时动态监测对小麦氮素营养诊断和管理调控具有重要意义。 选用了五个小麦品种和四个氮素水平的比较实验, 研究不同处理冬小麦抽穗到黄熟期氮素丰度(NR)与光谱反射率差值(ΔＲ)的关系, 建立冬小麦后期氮素丰度监测模型。 结果表明, 不同品种的冬小麦冠层叶片氮素丰度随生育进程推进而增加, 不同氮素处理氮素丰度大小为N0>N3>N1>N2, 光谱参量TCARI和VD672与氮素丰度的相关性最好, 相关系数(r)分别为0.870和0.855, 其建立氮素丰度估测模型的决定系数分别为0.757和0.731, 预测准确率达84.56%和80.13%。 光谱参数TCARI和VD672可以有效地评价小麦后期冠层叶片氮素状况, 可以对氮素丰度进行准确可靠的监测。