本文采用温度植被干旱指数法(TVDI法)对安徽省2013年4月-10月的旱情进行动态遥感监测,并利用土壤水分自动站数据对遥感监测结果进行验证研究。在研究过程中,分别提取了NASA(美国航空航天局)发布的MODIS的植被指数数据产品(MOD13A2)中EVI数据和NDVI数据,并结合地表温度数据产品(MOD11A1)中的地表温度数据,生成了基于两种植被指数的LST-VI特征空间。在此基础上,比较了各个时段的LST-N DVI特征空间和LST-EVI特征空间的异同,分析了通过两种特征空间拟合得到的干湿边方程的优劣。本文还利用FY-3A/VIRR数据选取所有时段研究区域内的像元绘制LST-VI散点图,在此基础上拟合了干湿边方程。在上述结果的基础上,分别计算得到了三种TVDI指数(TVDI、TVDIb、TVDIc)在研究区域内不同时段的空间分布结果,分别指出了三种TVDI指数反映出旱情发生的时间、地点。运用ArcGIS的空间信息提取工具,提取了各个时段所有土壤水分自动站点像元位置的TVDla、TVDIb和TVDIC,用于TVDI指数与土壤水分实测值的相关性分析。对土壤水分自动站的土壤水分实测数据进行主成分分析,得到了3个可以反映大部分实测数据信息的主成分,再以这三个主成分为自变量分别对三种TVDI指数进行逐步回归,探究了三种TVDI指数与不同土层土壤水分实测值的相关性。本文的主要结论如下：(1)利用MODIS数据拟合干湿边方程,生成的LST-VI散点图的形状基本呈现三角形或梯形分布,以EVI为植被指数得到的散点图呈现明显更明显的三角形特征；干湿边方程的拟合结果表明,利用两种植被指数生成的散点图拟合的干湿边回归方程与散点图中表现的干边和湿边基本都呈现显著的相关关系,以EVI为植被指数的拟合结果全部高度显著相关；以EVI为植被指数的拟合结果较以NDVI为植被指数的拟合结果更为理想。(2)利用FY-3/VIRR数据生成的全时段LST-EVI散点图呈现明显的梯形分布特征,这与TVDI模型应用的前提假设吻合,表明采用全时段LST-EVI散点图拟合干湿边方程计算TVDI是可行的。(3)通过计算不同时段研究区域内各像元的三种TVDI值,得到三种TVDI反映的旱情分布图,三种TVDI分布图在时间和空间上的分布时具有一定的一致性,但具体的差异显而易见。(4)通过对自动站土壤水分数据进行主成分分析,得到了反映土壤水分信息的三个主成分FAC1、FAC2、FAC3；其中的FAC1为综合土壤含水量指标,反映土壤湿度的综合状况、FAC-2为深层土壤含水量指标,主要反映50cm以下深层土壤湿度状况、FAC3为浅层土壤水分含量指标,主要反映10cm以内浅层土壤湿度状况。(5)分别得到了三种TVDI指数(TVDIa、TVDIb、TVDIc)与三个土壤含水量主成分逐步线性回归模型；用主成分对三种指数进行相关性分析的结果表明：TVDIa可以很好的反映了浅层土壤含水量信息,TVDlb可以很好的反映了10cm以内浅层土壤含水量信息和50cm以上深层土壤含水量信息,对中间土层的土壤水分信息并不能反映,TVDIc可以在一定程度上用来的反映了土壤含水量的总体信息。