研究了基于氮肥效应的冬小麦不同生育期的叶绿素浓度，探讨了XGBoost算法在冬小麦叶绿素浓度估算中的适用性。利用该算法构建了冬小麦叶绿素浓度的高光谱估算模型，并将其与偏最小二乘法（Partial Least Squares, PLS）以及人工神经网络（Neural Network, NN）算法进行了对比。结果表明：（1）冬小麦的叶绿素浓度随着氮肥用量的增加而逐渐升高。（2）基于一阶微分光谱（First-order Differential Reflectance, FDR）数据集的估算模型表现最好。通过对比建模数据集与验证数据集的决定系数R2和相对分析误差（Residual Predictive Derivation, RPD）发现，XGBoost算法的效果最佳。（3）通过波段重要性分析发现，XGBoost算法的8个重要波段均在738~753 nm范围内。与8个常用的红边指数相比，通过XGBoost算法筛选到的8个一阶微分光谱波段对叶绿素浓度的准确估算起到了更加重要的作用。该算法可以作为一种有效的高光谱信息挖掘手段来估算冬小麦的叶绿素浓度。

针对被采样的超弱光纤光栅（FBG）反射光谱含有干扰噪声的问题，提出一种应用于大容量超弱传感网络的高速寻峰算法。该算法引入权重因子加入到最小二乘拟合算法实现加权最小二乘拟合(WLS) 算法，对高斯曲线拟合系数进行优化，定位出中心波长，然后再通过非对称高斯修正(AG)对定位的中心波长进行修正，提出WLS结合AG（WLS-AG）的算法，实现抗噪声干扰高精度寻峰。通过实验，对比分析最小二乘拟合算法、质心算法、WLS算法及文章提出的WLS-AG算法分别在不同噪声下的峰值误差平均值，以及变温环境下误差平均值。实验结果表明，在高信噪比的情况下，WLS-AG算法连续20次重复性实验平均误差＜1 pm，在低信噪比的情况下，平均误差约为10 pm；在不同温度下的检测误差在1 pm内，且最为稳定，满足超弱FBG传感系统精度解调的要求。

以具有代表性的野外实测光谱数据作为端元，对水体遥感反射率进行线性混合光谱分解，基于分解得到的各组分丰度，构建了一种新的水体叶绿素a指数CSI（叶绿素a光谱指数）。以太湖、巢湖、滇池以及三峡水库水体的307 组实测叶绿素a 浓度及高光谱数据为基础，分析了CSI的特性。以该指数为自变量，构建了内陆浑浊二类水体叶绿素a 浓度估算模型，并分析了模型的抗噪性和传感器适应性。结果表明：1) CSI对水体叶绿素a 浓度大小有较好的指示作用，以f_CSI=0 为条件将实测光谱分为2 个类别，可以表征光谱特征的明显差异；2) CSI作为自变量的叶绿素a 浓度估算模型在实测高光谱数据集中的精度与三波段算法(TBA)相近(二者估算结果的平均相对误差分别为0.332和0.330，均方根误差分别为9.892和9.929)；3) 以CSI为自变量得到的估算模型对无偏移噪声和有偏移噪声都有较好的抗性，其中无偏移噪声几乎不影响算法的精度，而三波段算法对两种噪声同样敏感，随着噪声增加，估算结果出现较大误差；4) 新的估算算法对传感器波段设置不敏感，其优势在宽波段多光谱数据集中更加明显。相比于传统水体叶绿素半经验算法，CSI算法具有更高的稳定性和更强的应用潜力。

针对内陆湖泊水环境遥感监测缺乏合适数据源这一问题，基于水体生物光学模型与传统图像融合算法，开发了一种适用于复杂内陆二类水体的生物光学融合（BOF）算法，用于融合多光谱数据和高光谱数据。利用Hyperion数据生成模拟数据集进行算法验证，并将实验结果与小波变换算法、Gram-Schmidt变换算法和色彩标准化算法分别进行对比，结果表明：从视觉效果来看，BOF 算法较好地融合了高光谱数据的色彩信息和多光谱数据的空间细节信息；从图像精度指标来看，BOF 算法不仅在多种分辨率差异下都得到最好的精度，且精度对分辨率差异不敏感；在叶绿素a浓度估算实验中，BOF 算法也得到了最优的效果，均方根误差(RMSE)为9.817，其他三种算法的RMSE 分别为18.841、15.913和15.655。新算法有较强的应用潜力，有望为内陆二类水体遥感监测提供更合适的数据源。

遥感影像的大气校正是水色参数反演的前提。以太湖为研究区，采用6S大气辐射传输模型以及近红外波段离水反射率模型相结合的方法。通过神经网络模拟大气辐射传输过程，并利用中分辨率成像光谱仪(MERIS)754、779、865、885 nm 4个近红外波段进行光谱优化，求算550 nm处气溶胶光学厚度等变量。通过外推，实现可见光波段的大气校正。将2007年11月11日、20日、21日，2008年11月20日MERIS Level 1p影像以及野外实测水体遥感反射率数据集用于精度验证，结果表明，该方法能够较好地反演水体遥感反射率光谱，校正后的13个波段的平均相对误差大多分布在20%~40%之间。与6S以及Beam 4.9软件自带的大气校正方法相比，具有较高的校正精度和较强的稳定性，在太湖有较好的适用性。

总悬浮物浓度是水质评价的重要参数之一, 传统的遥感反演估算模型忽视了光学性质多变、 复杂的二类水体的差异性。 本研究基于太湖、 巢湖的星地同步实验, 针对环境1号卫星多光谱数据, 设立了水体光学分类方法, 将研究水体分为二种类型, 进而建立了适用于不同类型水体总悬浮物浓度的反演估算模型。 得出以下结论: （1）基于光谱分类的方法可以提高总悬浮物浓度的反演估算精度; （2）对于类型一和类型二水体, 分别使用指数模型和线性模型可以较好地反映总悬浮物浓度与反演估算因子之间的关系。

后向散射系数是遥感传感器获取水体信息的来源，也是生物光学模型的重要输入参数。利用太湖春季和秋季实测数据，在生物光学模型的基础上结合光学闭合原理模拟了太湖春、秋季节水体颗粒物后向散射系数，进而分析了其光谱特性及颗粒物后向散射概率的时空变化。结果表明，太湖春、秋季节水体颗粒物后向散射系数与总悬浮物、无机悬浮物浓度均具有较高的相关性，而与有机悬浮物浓度的相关性则相对较低，颗粒物后向散射系数随波长变化指数n在太湖春季水体中的变化范围为0.66~1.84，平均值为1.29±0.25，而在太湖秋季水体中的变化范围为0.67~2.40，平均值为1.24±0.34；太湖春季水体颗粒物平均后向散射概率为0.030，而太湖秋季水体颗粒物平均后向散射概率为0.031，且无论是太湖春季水体还是太湖秋季水体，其颗粒物后向散射概率的波长依赖性均较弱。模拟吸收系数与实测吸收系数吻合较好，总体的平均相对误差均在18%以内。