利用遥感数据进行大面积旱情监测是现有干旱监测的重要方法之一,然而传统的遥感干旱监测方法主要侧重于对土壤湿度或植被状况等单一干旱响应因子进行监测,综合多因子的干旱监测研究较为有限。随机森林是一种机器学习方法,具有学习过程快速、运算速度快、稳定性好、预测精度高的优点,近年来被应用于生态环境等多个领域。本文利用2001-2010年各月的MODIS数据、TRMM 3B43数据集、SRTM-DEM与土壤资料提取的遥感干旱因子及土壤因子为自变量,以综合气象干旱指数(CI)为目标变量,利用随机森林模型构建遥感干旱监测模型,并以河南省为研究区进行了评价和分析。利用所构建的模型,重建了河南省2001-2010年1km的干旱监测结果数据集,主要结论如下：1.本文基于随机森林算法,利用植被状态指数(VCI)来反映植被生长对干旱的响应,温度状态指数(TCI)来反映地表温度对干旱的响应,TRMM-Z指数反映干旱过程中区域降水异常情况,土地覆盖类型(LC)、高程(DEM)、坡度(SLOPE)、坡向(ASPECT)、土壤有效含水量(AWC)来反映不同土地覆盖类型、地形地貌及土壤性质对干旱的不同响应。采用以上遥感指数及土壤因子作为自变量,以综合气象干旱指数(CI)为目标变量,构建了基于随机森林遥感干旱监测模型。模型考虑了多种致灾因子,同时结合遥感数据提取致灾因子,为区域综合干旱监测方法提供了新的方法。2.为验证模型的精度与干旱监测能力,对模型结果与综合气象干旱指数(CI)、标准化降水蒸散指数(SPEI)、10cm深土壤相对湿度进行相关性及干旱等级的一致性分析。模型的训练集结果与综合气象干旱指数(CI)的相关系数分别达到了0.96以上,而测试集达到了0.74以上。对模型结果参照综合气象干旱指数(CI)的干旱等级划分标准进行旱情等级划分,测试集与综合气象干旱指数(CI)的总体一致率达到了69%以上。各月的模型监测结果与标准化降水蒸散指数(SPEI)皆具有极显著相关关系,相关系数在0.6-0.9之间。并且在各季节的等级总体一致率都在60%以上。分析了各农业气象站点的月10cm深土壤相对湿度与模型的监测值存在着极显著的相关性,相关系数在0.6以上。3.以温度植被干旱指数(TVDI)作为遥感干旱指数的代表,将其与模型监测结果进行对比,考察模型干旱监测能力。模型在各季节及各地形区适用性较TVDI好；二者在一定程度上能反映农作物单产变化,模型与单产变化的相关系数较TVDI稍高；模型对于农业干旱监测效果较好,在各季节与地形起伏区适应性更强。模型结果在各站点与SPEI的相关系数高于TVDI,模型对于气象干旱的反应能力强于TVDI。4.基于模型对于2010年5-7月及10-12月的河南省干旱事件进行了模拟,模拟结果与实际旱情较为相符,模型对于区域的旱情具有监测能力。另外,本文基于构建的模型重建了2001-2010年河南省的干旱监测结果,以此对河南省全年及分季进行干旱频率及强度分析。河南全省的平均干旱频率为31%,全省大部分区域干旱频率分布在25-40%之间,在北部、中部及西部为三个明显的干旱频发中心。全省的平均干旱强度值为0.985,为轻旱。北部在冬春两季干旱频发,但重旱以上旱情较少出现。中部区域各季节干旱较为频繁,全年旱情基本为轻旱-中旱,且空间差异较小；西部,除南阳地区,基本处于轻旱,而南阳旱情较为频发,强度基本在中旱以下而南部干旱少有出现,但易出现重旱以上旱情。