随着卫星传感器的更新换代，遥感技术在农业、水环境的应用越来越普遍。遥感技术的应用大大提高了工作效率，同时也使得早期许多不能实现的监测和研究成为现实。本研究分两篇，分别研究了遥感技术在水稻产量估计与鄱阳湖水质监测中的应用。本研究第一篇选用了MODIS的两种陆地产品，分别利用传统的统计模式与神经网络方法对江西省2010年的早稻总产进行了估算。其主要方法与结论如下：(1)基于叶面积指数的早稻估产模式本章节利用MOD15A2数据提取叶面积指数，以行政区划为分区，分别提取各个地市叶面积指数的加和，并以此作为指标，与对应的分区内早稻总产值进行回归分析，建立估产模型。结果表明分区内叶面积指数的加和与对应分区内的产量存在相关关系，以此建立的回归模型，进行江西省早稻总产的估算，市级估产误差在±20%以内，省级误差在2.3%左右。(2)基于增强型植被指数的早稻估产模式本章节利用MOD13Q1数据提取增强型植被指数，指标提取与叶面积指数数据的提取方式相同，分区相同。结果表明，研究中所提取的指标与对应分区内的早稻总产有着显著相关关系。以此为依据建立的最优回归模型，市级估产误差在±5%以内，省级误差在±2%以内。(3)基于神经网络的早稻估产模式本章节分别提取了每个地市的增强型植被指数数据的像元值，并根据像元的大小进行了分级，统计频数，利用频数数组构造自变量，以产量作为因变量，利用MATLAB进行神经网络的创建。分别利用BP神经网络、RBF神经网络进行了地市级产量估算。其预测值除个别地市偏差较大外，其他地市的预测值与实际值之间的相对误差在10%左右。RBF神经网络所获取的估产结果总体偏差小于BP神经网络的估算结果。本篇研究结果表明，MODIS标准陆地产品可用于本省的作物估产，分区遥感指标的求和值与分区早稻总产值有显著相关关系，不同时期的遥感数据组合可以提高估算效果，分蘖期、拔节期、孕穗期的数据效果最佳。其中增强型植被指数数据的预测效果优于叶面积指数数据。利用频数分级构造的神经网络模式可以进行作物估产，且其效果优于传统统计方法下的叶面积指数数据，但估算效果低于传统统计模式下的增强型植被指数模式。此外，RBF神经网络的预测结果要略优于BP神经网络。本研究第二篇利用Landsat ETM+数据对鄱阳湖水体的总磷、氨氮浓度进行了遥感反演。主要方法与结论有：(1)利用ENVI对Landsat ETM+数据进行辐射定标、几何校正、条带修复、大气校正。通过经纬度坐标提取星上点数据。(2)对数据单个波段、两波段比值、两波段加和进行数据提取，利用三种数据分别与氨氮、总磷的实测浓度值进行相关性分析。(3)分别对6个单波段、30组波段比值、30个波段加和进行了双变量一元线性回归、单个变量的一元线性、二次、三次、幂、指数的曲线回归，并筛选出所有分析结果中，对与总磷指标、氨氮指标拟合系数最大的回归方程。结果得到总磷指标的最佳拟合回归方程的拟合系数为0.329(R=0.574)。氨氮指标的最佳拟合回归方程拟合系数为为0.473(R=0.688)。(4)分别利用最大拟合系数对应的回归方程对鄱阳湖的总磷、氨氮浓度进行反演。通过ENVI波段运算与可视化显示，得到鄱阳湖总磷浓度、氨氮浓度的分布图。本篇研究，实现了星上点数据与实测数据的结合，并得到了相应的分析结果。由于水体总磷、氨氮的遥感监测研究较少，与现有的总磷、氨氮浓度遥感监测结果(童小华，RTP=0.523，RTN=0.573)相比，本篇研究拟合系数效果相对较好。同时，本研究利用最佳拟合方程得到鄱阳湖总磷浓度、氨氮浓度的分布图，使得监测结果更直观、更宏观。虽然本研究还存在一定的不足，但研究分析方法、模型的筛选、浓度分布图的成图经验对开展更深入的研究有一定的指导意义。