氮、磷盐和有机物是农业生产水体里含的主要溶质,也是导致水体富营养化的主要污染物。因此,研究和监测氮、磷盐和有机物对农业生产水环境保护具有重要的意义。传统监测方法耗时费力,效率低下,遥感监测作为一项新兴技术,具有成本低、速度快、范围大、同步性好等优点,近年来在水质监测方面得到了长足的发展。本文依靠遥感技术,通过实测数据与卫星遥感数据的结合,建立水体氮、磷盐和有机物的监测模型,为快速、便捷地进行水质监测提供技术支持,为水体治理提供准确的决策依据。本研究以农业生产水汇集的白水湖水库为研究区,对GF-1 WFV影像进行校正后,采用XGBoost模型、BP神经网络模型、数学统计模型三种算法,反演水体的TN、TP、BOD5,将反演得到的水质数据与采用传统的实地取样方法测得的水质数据进行对比,推荐出各监测指标适宜的反演模型,并探究了影响模型反演精度的因素。本研究结果表明:一、同时间里的不同指标,适用不同模型;同一水质指标在不同时间,也具有不同的更适宜的模型,但均表现出XGBoost或BP神经网络两种机器学习模型在遥感水质反演中的准确度更高。二、不同的水质指标、不同采样时期、不同的算法等,模型相应的输入因子重要性都会不同,但针对同一水质指标的敏感波段几乎不随模型和采样时期变化。蓝波和绿波可作为TP反演的敏感波段,绿波为TN反演的敏感波段,蓝波为BOD5反演的敏感波段。三、采用GF-1 WFV信息,使用XGBoost和BP神经网络方法训练模型,通过比选建立最适模型,能准确反演水体TN、TP、BOD5浓度,影响模型精度的因素主要为遥感图像分辨率、水质指标浓度和水深。综上,基于GF-1 WFV影像的机器学习模型能够较准确反演水体TN、TP、BOD5,可以广泛用于水体的快速水质监测。