长期以来，NDVI在干旱监测中发挥着重要的作用，许多干旱指数如距平植被指数、条件温度植被指数等都是利用NDVI作为其基础因子。多项研究已经证明归一化植被指数法(NDVI)时间序列卫星资料在干旱研究中的效用，具有直观、易用性等特性，但相比干旱的发生，NDVI数值的变化存在相对滞后性。 Ghulam et al.(2006)提出了一种新的干旱指数PDI(Perpendicular DroughtIndex，垂直干旱指数)表示方法，用来监测干旱发生情况，这种干旱指数比较适宜于植被指数较小的情况，在植被指数较大的情况下，精度显著降低。基于此种情况，Ghulam et al.选择Baret等1995提出的植被间隙度参数方法对PDI进行植被指数修正的方法，采用植被间隙度指fv示为： 从而构造了修正的垂直干旱指数MPDI=1/(1-fv)(PDI-fvPDIv) 通过在河南省不同植被状态下的干旱监测应用，在高植被覆盖情况下，MPDI监测应用效果要好于PDI。 研究发现，作物在生长过程中，随着生长发育，本身的根冠比逐渐变化。对大多数作物来讲，苗期时作物根系主要在0～20cm层次的深度。随着生长进程的加快，根系迅速发育。土壤水分含量越小，作物根系相对越深，这时候作物根系主要分布在20～50cm深度，此层次的土壤水分变化可以通过作物的生长状态——植被指数(NDVI)光谱变化所反映。所以通过MODIS传感器通道1和通道2计算得出的植被指数(NDVI)光谱变化基本上可以反映此层次的土壤水分变化状况，但此指数在反演土壤表层水分的过程中，误差较大。MPDI虽然提高了高植被状态下的监测精度，但由于修正参数fv还是基于NDVI的，所以本身就改变不了自身的弊端。 同样，杜晓，等人基于水的吸收和土壤反射率特征基础上构建的地表含水量指数(SWCI=B6-B7/B6+B7)模型充分利用了卫星中的MODIS传感器的通道6和通道7波段对水分和土壤反射率的变化，主要反映了表层土壤水分的状况。它在反演表层(0-20cm)土壤水分方面具有较高的准确度，但在反演较深层(>20cm)的土壤水分时会出现较大的误差。 通过分析可知，单一的植被指数(NDVI)和表层水分含量指数(SWCI)都不能很好地反映农田浅层(0～50cm)的土壤水分真实状况。为了能更好地反映农田浅层的土壤水分状况，可以把通道1、2、6、7进行组合，构建新的指数——农田浅层土壤湿度指数(CSMI)。 计算发现，NDVI值始终大于SWCI值(这里主要应用于农田和植被覆盖区域，不适合裸地或沙漠地带)。为了使CSMI具有可比性，采用归一化对两组数据进行处理，处理方法为：CSMI=NDVI-SWCI/NDVI+SWCI分别把NDVI=B2-B1/B2+B1与SWCI=B6-B7/B6+B7代入上式，进行化简可得：CSMI＝B2×B7-B1×B6/B2×B6-B1×B7 式中，B1、B2、B6、B7分别表示通道1、2、6、7的反射率。农田浅层土壤湿度指数(CSMI)既考虑了浅层的土壤水分，又兼顾了较深层土壤水分的植被指数表现，在植被覆盖的状态下将有效减小由于植被覆盖度变化而带来的对土壤水分监测精度不稳定的影响。 模型CSMI从植被指数对较深层水分的状态反映以及对植被和土壤反射率波谱的综合影响入手，直接获取其农田浅层土壤湿度指数。采用的波段1和波段2可以较好地影射植被状态所反映出的较深层土壤水分变化，采用的波段6和波段7可有效削弱大气的干扰而获取表层水分含量，4个波段的组合较好地反映了农田浅层土壤水分的状况。 通过农田浅层土壤湿度指数(CSMI)与实际干旱的对比分析，找到了反映不同干旱程度的农田浅层土壤湿度指数(CSMI)指标；当农田浅层土壤湿度指数CSMI≤0.4.0时为重旱；在0.41～0.50为中早；在0.51～0.60为轻旱；在>0.60为不旱。农业干旱指标与农田浅层土壤湿度指数量级相当，可以直接采用农田浅层土壤湿度指数(CSMI)值进行相同级别干旱程度的判断，实时性更强。