全球气候变化导致旱灾频发,严重影响社会经济发展、工农业生产与生态环境等。如何发展及时、准确、高效的旱灾信息监测手段成为当今热点。传统的旱情监测方法依靠地面监测系统并直接获取旱情信息,但面临时空分辨率低、数据采集、处理过程繁复以及成本浪费等问题。随着卫星遥感技术飞速发展,遥感数据时空密集、大尺度覆盖、数据源丰富等优势,为实时、迅捷地旱情信息监测提供了极大的可能。本研究提出利用非平稳探测模型—GWR,解决目前遥感干旱监测大多使用全域性建模方法,忽略数据空间非平稳特征的问题,以提高大尺度上旱情监测的精度。地理加权回归(Geographically Weighted Regression,GWR)模型能够将区域变量的位置特征嵌入模型优化过程中,既可解算区域化变量与地面数据间的局部关系,又可探测这种空间非平稳性的变化过程并实现可视化的表达。与其它非平稳探测技术相比,GWR基于局部光滑思想,具有实现过程简单,算法复杂度低,自动化程度高等优势,广泛应用于地质学、环境科学、房产特征、景观生态学、健康卫生研究以及犯罪研究等方向。本文以美国大陆(CONUS)作为研究区域,应用2002-2011年月尺度多源遥感数据作为主要数据源,结合地理信息的邻域特征,构建非全域性的遥感旱情信息监测模型,主要研究内容和结论如下:(1)旱情数据与其它地理空间事件相类似具有空间非平稳性与自相关特征,传统的全域性模型难以探测空间非平稳性关系,解算的全局参数难以适应于大尺度范围复杂的地表状态,在大尺度区域上的旱情监测效果欠佳,GWR模型能够较好的改善在局部范围上的旱情监测精度,尤其是在地形较为复杂与起伏较大的区域,能够显著的提升旱情监测精度。(2)相较于全局经验模型,GWR技术能够对旱情数据的空间非平稳特征进行有效探测,得到的局部优化模型具有更高的局部拟合优度,在应用于大尺度范围内时表现出更好的旱情监测效果。同时非全域性的模型参数能够对局部旱情模式进行详尽的解释,提供在空间上变化的联系参数分布图。(3)目前各类遥感旱情监测指数各具优缺:单一指数旱情监测方法具有模型构建过程简单的优势,但难以表达旱情发展过程的复杂性;基于光谱空间特征的监测指数难以适应于长时间序列下的旱情监测过程;基于多指数综合的旱情指数监测效果最佳,其从多角度对旱情进行描述,综合地表多种状态能够全面表达旱情的发生机理,不但解决了地面监测离散的问题,同时相较于其他方法提升了监测精度。