面向国家对农业气象灾害和农情监测信息高效获取的迫切需求，创建了基于高-中-低分辨率遥感数据的地表温度、近地表空气温度、土壤水分、大气水汽含量和地表发射率等关键气象参数的反演技术，每个参数反演算法都具有原创性，均发表在国内外本领域最权威的刊物上，具有全球遥感监测业务应用能力。

　　通过利用同极化不同频率微波指数克服粗糙度的影响，建立了标准极化微波指数模型，提高了土壤水分反演精度。该方法通过比值法克服了以往需要同步获得大尺度地表温度的困难，且分析表明通过标准化发射率指数和标准化微波指数建立土壤水分反演方法精度较高，反演误差降低了10%。发明了一套利用GPS地面反射信号反演土壤水分的装置和方法，该装置和方法通过在地面一定高度架设信号接收器接受GPS地面反射信号，通过建立模型获得土壤水分与反射信号的关系全天候获得土壤水分参数，填补了国内在地面一定高度获得大面积土壤水分参数仪器的空白，解决了星上土壤水分验证时地面点观测难以匹配且缺乏代表性的难题。

　　首次提出利用地表温度和发射率作为先验知识，建立迭代优化的人工智能方法，从而使得直接从遥感数据大面积反演近地表空气温度的反演方法变得通用，误差大约1K。在此基础上，进一步利用大气水汽含量作为先验知识提高近地表空气温度反演精度。首次明确提出了地球温度变化是由地球在太阳系和银河系中的轨道位置决定的，二氧化碳在在温度变化中不起决定作用，大气水汽和云以及植被的变化部分调节了二氧化碳的影响。提出利用卡曼滤波迭代优化方法估算窄波段、宽波段发射率及大气水汽含量，提高了反演精度。通过利用近红外波段克服以往算法需要从气象站点获得水汽的困难，提出了地表温度和发射率分步反演的新劈窗算法，简化了反演过程，提高了反演精度。针对多热红外波段数据，通过建立邻近波段发射率之间的关系，克服方程不足的困难，提出了同时反演地表温度和发射率的多波段反演算法，并利用神经网络进行优化计算，大大提高了反演精度和算法适用性。提出了全天候的被动微波数据的地表温度反演方法，解决了有云情况下热红外无法准确反演地表温度的难题。从而克服了以往需要同步测量地面温度数据的困难，并为不同传感器之间的参数反演的相互校正和综合利用多传感器的数据提供实际应用和理论依据，解决了有云情况下热红外无法准确反演地表温度的难题。