农田干旱具有范围广且对农业生产影响巨大的特点, 对农田干旱的遥感实时动态监测是目前公认的难题。 利用MODIS的地表温度（LST）产品和叶面积指数（LAI）产品, 构建LST-LAI光谱特征空间, 提出温度—叶面积干旱指数（temperature LAI drought index, TLDI）监测农田水分含量, 并利用宁夏实测的0～10 cm平均土壤含水量验证该指数的精度, 结果表明: 它们之间具有良好的相关性, R2的变化范围为0.43～0.86。 与TVDI相比, TLDI弥补了作物封垄后TVDI因归一化植被指数（NDVI）饱和对农田水分监测精度降低的缺陷。 此外, 利用MODIS数据产品LST和LAI进行农田干旱监测, 避免了使用MODIS原始数据的繁杂处理过程, 初步为MODIS数据产品在农田干旱监测业务化运行探索出一条技术流程。

通过对现有的植被指数模型的研究, 指出了TCARI模型的不足, 进而提出关于模型的改进。 利用PROSPECT+SAIL模型模拟出不同叶绿素含量和不同叶面积指数(LAI)下的作物冠层光谱, 代入模型演算相关常数因子, 得到了改进的转换型叶绿素吸收反射率指数MTCARI, 最后通过引入土壤背景调节指数OSAVI, 提出了最终的模型。 经过实测数据验证, 模型有较好的可靠性。

对MERIS 陆地叶绿素指数(MTCI)进行了改进，提出了改性的MERIS陆地叶绿素指数(M-MTCI).该指数在植被覆盖度较高时(LAI>1)，可获得比MTCI和双峰冠层氮素指数(DCNI)更好的叶绿素提取精度，且比MTCI有更好的抗LAI干扰能力.这些结果的验证是建立在模拟以及实测数据的基础上，具有较好的可靠性，所以M-MTCI具有很好地监测植被叶绿素含量的潜力.

针对利用多源遥感数据进行积雪覆盖监测的需要， 在分析不同深度与面积的积雪实测光谱基础上， 探讨了在利用NDSI方法进行积雪覆盖遥感监测时， 不同积雪深度对其的影响， 并以HJ-1B卫星以及MODIS卫星为例， 研究了不同积雪面积对遥感积雪反演的影响。 结果表明， 积雪深度几乎对遥感积雪覆盖监测的结果没有影响， 而在积雪面积方面， 受所使用的遥感影像空间分辨率的制约， 对遥感积雪监测的结果有一定影响。

干旱是一种频繁发生的自然灾害， 遥感监测干旱已成为重要的研究方向。 可从农田遥感干旱监测最主要的两种地物类型（植被和土壤）的光谱特性分析入手， 选择了对水分变化敏感的红光、 短波红外波段来监测干旱状况， 以短波红外与红光的差值和短波红外与红光的和构建新的光谱空间特征， 提出了干旱监测的新方法——归一化的干旱监测指数NPDI。 用野外实测的土壤含水量对NPDI模型进行验证， 结果表明： NPDI， MPDI与10 cm处的土壤含水量模型都具有较高的相关性， 其R2分别为0.583和0.438， NPDI模型的监测效果要优于MPDI。 此模型是对PDI， MPDI和SPSI等模型的进一步改进， 可实现对不同植被覆盖度的、 整个生长季的农田干旱监测， 在实际的农田干旱监测中具有较高的应用潜力和推广价值。