对农田地区开展作物和作物残留物覆盖度精细监测研究,既可以满足农业管理部门对掌握作物生长发育的需求,又是充分理解植被与环境以及人类活动之间复杂的物理和生态交互过程的重要途径,能够推动对全球变化与陆地生态系统的深入研究。然而,作物残留物与土壤光谱类似,尤其当作物残留物受到较高水分含量影响时,木质素和纤维素特征吸收特征将被严重削弱,多光谱遥感难以区分土壤和作物残留物。本研究主要关注于（1）分析土壤、作物及其残留物的光谱特征和其对水分的响应;（2）建立多光谱遥感土壤—作物残留物和土壤—作物—作物残留物多光谱遥感混合像元模型,并开展混合像元土壤、作物及其残留物的覆盖度估算;（3）分析水分对上述混合像元模型的影响,并开展水分影响削减研究。针对多种土壤、作物残留物和作物,本研究（1）在实验室和野外开展了大量的土壤—作物残留物和土壤—作物—作物残留物混合像元场景模拟;（2）开展了Sentinel-2多光谱影像和与之同步的野外覆盖度真实性检验场的农田覆盖度测量;（3）阐明了土壤含水量、作物残留物含水量和作物含水量如何影响其光谱和光谱指数;（4）构建了动态的土壤—作物残留物多光谱遥感混合像元模型;（5）提出了对水分不敏感的宽波段光谱角度指数（Broadband Angle Index,BAI）,利用随机森林技术和多个BAI组合了新的作物残留物指数（Crop Residue Index from Random Forest,CRRF）;（6）构建了BAI–NDVI（Normalized Difference Vegetation Index）和CRRF–NDVI土壤—作物—作物残留物遥感混合像元模型。论文的主要研究、成果和结论包括:（1）阐明了土壤、作物及其残留物含水量对现有植被光谱指数和作物残留物光谱指数的影响;土壤和作物残留物的光谱指数对水分的响应相似,其植被光谱指数受含水量影响较小,但其作物残留物指数和水分指数数值受含水量增加而增加;作物的植被光谱指数、作物残留物光谱指数和水分光谱指数受含水量影响相对土壤和作物残留物的影响小。（2）提出了动态的土壤—作物残留物多光谱混合像元模型和动态土壤端元光谱选择方法;提出的动态土壤端元光谱选择方法使用土壤含水量和Lobell模型联合确定土壤端元光谱,该方法（R2=0.88,RMSE=0.08,MAE=0.06）比传统的固定最小和固定平均土壤端元光谱（R2=0.47,RMSE=0.17,MAE=0.14）准确性更高,作物残留物估算结果精度更高。（3）提出了宽波段光谱角度指数BAI和BAI–NDVI土壤—作物—作物残留物遥感混合像元模型;提出的BAI降低了水分对作物残留物和土壤光谱反射率的影响,能够提供比传统作物残留物光谱指数更准确的作物残留物覆盖度估算结果;联合多个BAI（multi-BAI）比单个BAI具有更高效作物残留物估算潜能;通过实验室场景模拟、野外场景模拟和卫星地面精度验证场的定量验证表明,BAI–NDVI方法能够准确估算干燥和饱和农田土壤、作物及其残留物覆盖度,并应用于土壤和作物残留物含水量变化很大的农田。（4）提出了基于随机森林技术组合的CRRF和CRRF–NDVI土壤—作物—作物残留物遥感混合像元模型;在BAI指数的基础上,利用随机森林技术来组合multi-BAI（即CRRF）并估算作物残留物覆盖度,并基于CRRF–NDVI土壤—作物—作物残留物遥感混合像元模型进行土壤、作物及其残留物覆盖度估算。实验室场景模拟、野外场景模拟和卫星地面精度验证场的多时相定量验证结果表明,相比传统DFI–NDVI方法（CRC:R2=0.65,MAE=0.16,RMSE=0.19,n RMSE=21.0%;BS:R2=0.74,MAE=0.14,RMSE=0.16,n RMSE=21.4%;FVC:R2=0.92,MAE=0.06,RMSE=0.09,n RMSE=9.1%）,CRRF–NDVI（CRC:R2=0.84,MAE=0.08,RMSE=0.10,n RMSE=10.1%;BS:R2=0.82,MAE=0.09,RMSE=0.11,n RMSE=13.8%;FVC:R2=0.93,MAE=0.05,RMSE=0.07,n RMSE=7.4%）方法显著提高了宽波段遥感估算土壤、作物及其残留物覆盖度的精度。本研究将CRRF–NDVI方法应用于MODIS多光谱影像,并开展了农田土壤、作物及其残留物覆盖度估算;结果表明CRRF–NDVI方法能够监测到作物收割、翻耕和作物越冬三个重要特征,能够满足大范围农业农田生态环境长时间的监测需求,这有利于监测和指导农业生产活动。