尽管干旱可以分为气象干旱、农业干旱、水文干旱、社会经济干旱，但对于生态系统和人类社会而言，干旱是一种不利的重要气候事件，受其影响的人口数量均大于其他任何自然灾害(Wilhite，2000)。自从1850年以来，全球平均气温已经升高了大约0.76°C，并且到本世纪末，预计将会升高1.5～6.4°C(IPCC，2007)。在全球气候变暖的背景下，持续的干旱或将增加(Dai et al.,2004)，因而干旱可能更为长久影响生态系统和人类社会。开展从区域尺度到全球尺度干旱严重程度的监测与专题制图，对于加强水资源管理、防范干旱灾害风险具有重要意义(Shukla et al.,2011)。尽管存在多源卫星遥感资料及多种干旱指数，然而区域和全球尺度干旱事件的监测仍具有挑战。

干旱指数是一种有效检测干旱事件的手段。例如，帕默尔干旱指数(Palmer Drought Severity Index，PDSI)(Palmer，1965)、标准降水指数(St and ardized Precipitation Index，SPI)(McKee et al.,1993)、全国降雨指数(National Rainfall Index，NRI)(Gommes and Petrassi，1994)等。其中，PDSI被广泛应用于监测大范围的干旱事件、分析干旱的时空特征(Jones et al.,1996)，以及进行干旱预警等(Ozger et al.,2009)。先前的学者已经详细评述了常用干旱指数的适用性(Quiring，2009；Mishra and Singh，2010；Mu et al.,2012)。总的看来，大多干旱指数是基于气象站点的降水观测数据，或者结合其他气象观测要素，如空气温度、土壤湿度等进行构建(Mishra and Singh，2010)。因而，气象站点的空间分布情况将会影响干旱监测的精细程度(Brown et al.,2008)。由于气象站点缺乏连续的空间覆盖，且大多分布稀疏(Ashcroft et al.,2009)，在偏僻的森林覆盖区域尤为明显。为了评估气象站点稀疏区域的干旱状况，通常采用空间插值方法进行估算。然而，在气象要素变化非常明显的复杂地形区域，空间插值法会产生较大误差(Flannigan et al.,1998)。

卫星遥感能够克服气象站点稀疏或缺失的限制，可以直接用于监测干旱状况的空间格局(Ji and Peters，2003)。基于卫星遥感的干旱监测方法可以分为三类：一是反映土壤水分变化的，如表观热惯量(Apparent Thermal Inertia，ATI)(Price，1985)；二是反映植被绿度变化特征的，如植被条件指数(Vegetation Condition Index，VCI)(Kogan，1990)；三是反映植被冠层温度变化特征的，如温度植被干旱指数(Temperature Vegetation Dryness Index，TVDI)(Sandholt et al.,2002)。基于卫星遥感数据构建的干旱指数，尽管在干旱半干旱区域应用非常有效，但在湿润半湿润区域却受到限制(Kogan，1995)。Mu et al.(2012)基于MODIS(Moderate Resolution Imaging Spectroradiometer)合成的全球陆表土壤水分蒸发蒸腾数据(evapotranspiration，ET)和NDVI(Normalized Difference Vegetation Index)，构建了全球陆表干旱严重程度指数(Drought Severity Index，DSI)。DSI成功检测出2000年至2011年的全球典型区域气象干旱事件，如2003年的欧洲严重干旱事件，2005年和2010年的亚马逊流域干旱。然而，DSI对湿润区域的检测仍然存在较大偏差。可能由于湿润地区经常受到阴雨天气的影响，基于光学可见光遥感数据构建的干旱指数存在较大的不确定性。热带测雨卫星(Tropical Rainfall Measuring Mission，TRMM)搭载了微波图像仪、测雨雷达、可见光红外扫描仪等多种传感器，能够克服不利天气的影响，得到覆盖南北纬50°之间的表面降水率。TRMM降水数据已被用于检测干旱情况。例如，Rhee et al.(201 0)引入TRMM降水数据，并结合MODIS-LST(L and Surface Temperature)和MODIS- NDVI数据，构建了多传感干旱状况指数(Scaled Drought Condition Index，SDCI)，SDCI成功检测出美国湿润区和干旱区的农业干旱。Zhang and Jia(2013)结合TRMM降水数据和地球观测系统先进微波扫描辐射计(Advanced Microwave Scanning Radiometer for EOS，AMSR-E)的微波数据，构建了综合微波干旱指数(Microwave Integrated Drought Index，MIDI)。MIDI在检测类似中国北方半干旱地区的短期气象干旱方面性能优越，然而缺少湿润地区的相关实验。

干旱情景可以分为“敏感性情景”和“适应性情景”(Simelton et al.,2009)。干旱地区植被对水分短缺的适应能力较强，而湿润地区植被对水分短缺适应能力较差，半干旱半湿润地区植被对水分短缺的响应时间较长(Vicente-Serrano et al.,2013)。因而，可以将干旱地区归为干旱适应性情景，植被生长状况是干旱监测的重要指标；湿润地区归为干旱敏感性情景，干旱检测应量化降水盈亏情况；半干旱半湿润地区则介于干旱适应性情景与干旱敏感性情景之间，干旱检测应兼备分析降水盈亏和植被生长状况。因此，对准全球陆表干旱程度进行检测时，有必要兼顾分析降水异常和植被生长状况异常。基于上述的思考，本研究构建了一种兼顾降水异常和植被生长状况异常的多传感器陆表干旱严重程度指数(Multi-sensors Drought Severity Index，MDSI)。MDSI采用TRMM数据量化降水异常，采用MODIS-NDVI与MODIS-LST表征植被生长异常。MDSI在检测气象干旱程度的同时，根据NDVI/ LST植被干旱响应特征来降低仅依靠TRMM降水数据检测气象干旱事件时的不确定性。MDSI以年时间尺度进行检测，空间分辨为0.05°×0.05°，检测的空间范围是准全球范围(50°S～50°N，0°～180°～0°)，适用于检测区域气象干旱事件。研究的主要目标包括：(1)评估MDSI对近12年(2001～2012年)准全球范围陆表干旱程度的检测能力；(2)比较分析近12年(2000～2011年)MDSI、DSI和PDSI 检测干旱空间格局的一致性；(3)比较MDSI、DSI和PDSI监测湿润地区干旱事件的能力。考虑到MDSI以年时间尺度进行干旱事件的检测，且从准全球范围比较不同气候区域的气象干旱严重程度，因而不再与MIDI以及SDCI进行比较。 2 数据 2.1 TRMM降水数据

采用最新的第7版本TRMM月降水数据3B43(http://trmm.gsfc.nasa.gov/[11])(Huffman et al.,1995)。TRMM数据时间覆盖从1998年1月至2012年12月，空间分辨率为0.25°×0.25°，空间范围为(50°S～50°N，0°～180°～0°)。对TRMM数据进行预处理，包括去除异常值、重采样等。在处理过程中，如果像元的像元值为－9999，则该像元赋值为0。为了使TRMM数据与MODIS数据空间分辨率保持一致，采用最邻近像元内插法将TRMM数据重采样为0.05°×0.05°。 2.2 MODIS数据

采用第5版本的MODIS月NDVI数据MOD13C2(ftp://e4ftl01.cr.usgs.gov/[11])(Huete et al.,2002)和月LST数据MOD11C3(ftp://e4ftl01.cr.usgs.gov/ [11])(Wan et al.,1996)。这二种数据的空间分辨率均为0.05°×0.05°，覆盖时间为2000年6月至2012年12月。为了与TRMM数据覆盖相同的空间范围，对MODIS时间序列数据进行了裁剪。 2.3 辅助数据

为了对比分析MDSI检测典型干旱事件的能力，采用的辅助数据包括Mu et al.(2012)生成的2000年至2011年全球年尺度的DSI数据(ftp: // ftp. ntsg.umt.edu/pub/MODIS/Mirror/DSI/ [11])以及PDSI数据(ftp://ftp.ntsg.umt.edu/pub/NPP_ Science_2010/PDSI/[11])(Zhao and Running，2010)。DSI包括0.05°×0.05°和0.5°×0.5°两种空间分辨率，覆盖范围为(80°N～60°S，0°～180°～0°)。PDSI数据空间分辨率为0.5°×0.5°，覆盖范围为(90°N～90°S，0°～180°～0°)。 3 方法 3.1 TRMM降水标准化距平

干旱以数月到数年低于常态的降雨为特征(Dai，2011)，其本质是大气降水偏少。利用TRMM数据量化降水异常来反映气象干旱程度，降水标准化距平Z_T，计算如下：

NDVI反映了绿色植被的生长状况和覆盖度信息，LST表征了植被冠层温度状况。当植被受到干旱胁迫时，叶表面光合作用能力下降，植被叶片的叶绿素会下降，甚至叶片会凋萎，NDVI随之降低。与此同时，植被通过关闭气孔的方式来减少蒸腾，避免植被水分散失，其冠层表面温度就会随之升高。进而NDVI与LST的比率(R)就会降低，因而R能够推演出植被受到干旱胁迫的情况，其计算公式为

MDSI通过Z_T量化降水异常来反映气象干旱程度，通过Z_R表征干旱胁迫对植被长势的影响。引入Z_R来降低仅依靠TRMM降水数据检测气象干旱事件的不确定性，进而更好检测敏感性情景和适用情景下的区域气象干旱事件。

当湿润地区发生干旱时，由于土壤深层水可能保证植被对水分的需求，植被对干旱的响应则可能表现为变黄(Z_R变小)或变绿(Z_R变大)的Z_R异常现象。为此，MDSI主要通过Z_T来量化气象干旱程度，并结合Z_R来表征植被对干旱胁迫的响应，从而降低仅依靠TRMM降水数据检测气象干旱事件的不确定性。由于干旱地区植被对水分短缺的适应能力较强，即使Z_T偏小时(发生干旱)，Z_R的变化也较小，那么主要依据Z_T反映出区域干旱的严重程度，结合Z_R来降低检测干旱地区气象干旱事件 的不确定性。

在应用上述公式计算MDSI的过程中，由于受到历史资料时长的限制，如果某区域TRMM数据或者MODIS遥感数据存在整体偏湿或偏干的情况，则MDSI检测结果存在一定的偏差。 4 结果与讨论 4.1 2001～2012年MDSI干旱监测

逐像元生成了空间分辨率为0.05°×0.05°的从2001年到2012年准全球的MDSI，用于分析典型的区域气象干旱事件。将MDSI重采样为0.5°×0.5°的低分辨率MDSI，用于评估准全球范围的干旱事件，如图 1所示。为了验证MDSI监测干旱事件的能力，选择与文章Mu et al.(2012)相同的典型干旱事件以及先前文献记载的典型区域干旱事件进行评估。

图 1

Fig. 1

图 1 基于多传感器遥感数据的陆表干旱严重指数(Multi-sensors Drought Severity Index，MDSI)检测出的 2001～2012年准全球干旱分布情况。MDSI值的范围从负到正代表气候从干旱变成湿润Fig. 1 Quasi-global drought severity distributions detected by Multi-sensors Drought Severity Index(MDSI)from 2001 to 2012. The range of MDSI values from negative to positive st and s for the climate changesfrom dry towet

亚太区域是全球水稻的主要产地，从2000年到2007年，约7百万公顷的水稻受到干旱影响(Pandey et al.,2007)。MDSI成功检测了该区域的典型干旱事件，例如从2001年到2002年，巴基斯坦和印度西北部遭受了连续的干旱，导致农作物死亡(Pandey et al.,2007)；2004年干旱导致亚洲东南部区域百万人可饮用水短缺(NBS，2005)，泰国2百万公顷的农作物受灾(Times，2005)；2009年印度中部、北部和东部发生高温热浪天气，热浪造成河流枯竭，水库干涸，120人死亡(李威等，2010)；2010年巴基斯坦遭遇50°C高温干旱(陈洪滨和范学花，2011)。2009年秋至2010年春，中国云南发生50年罕见的干旱(黄荣辉等，2012)。同时，MDSI也成功检测出亚太区域典型的洪涝事件，例如2007年南亚多国发生洪涝，造成至少3000人死亡，6000万多人受灾，孟加拉国、尼泊尔受灾尤为严重(梁潇云和郭艳君，2008)；2008年印度尼西亚因暴雨引发洪涝，造成至少58人死亡(王小玲和郭艳君，2009)；2011年暴雨致使泰国发生洪涝，造成740人死亡，900万人受灾，2200多套住房被毁(司东等，2012)。

在北美地区，从1998年到2004年美国西部出现的连续干旱导致了贮水池水供给严重不足(Cook et al.,2007)，在2002年最干旱时，超过50%的美国西部地区处于中到重度干旱，其降水不足量接近有记录以来的最低值(Lawrimore and Stephens，2003)。2011年美国和墨西哥发生干旱，影响了美国48个州32%的土地，导致墨西哥农作物枯死，170万头牲畜死亡(司东等，2012)。北美洲其他典型的干旱事件包括：2006美国南部干旱(李威和朱艳峰，2007)、2007年美国东南部干旱(梁潇云和郭艳君，2008)、2012年美国中部大部分地区发生的严重干旱。

MDSI成功检测出了2001年到2012年间澳大利亚发生的干旱或洪涝事件。从2001年11月到2007年10月，澳大利亚南部和东部发生了大范围的干旱(Bureau of Meteorology，2007)，其中2002年到2003年间的干旱(Horridge et al.,2005)是澳大利亚有气象记录以来最严重的短期干旱之一(Nicholls，2004)。其他干旱事件包括2005年干旱(Watkins，2005)，以及2007年到2009年的连续干旱事件(Bureau of Meteorology，2009)。从2010年到2011年初，澳大利亚遭受了历史上最强的La Niña事件，致使澳大利亚北部和东部从2010年春至2011年一直出现强降雨，这两年成为该区有记录以来最湿润的两年(Bureau of Meteorology，2012)。

MDSI成功检测出2005年和2011年非洲发生的干旱事件(Phillips et al.,2009；Lyon and Dewitt，2012)。同时，MDSI也检测出非洲其他地区发生的洪涝灾害，如2002年刚果东部暴雨导致大规模泥石流的发生，泥石流造成数十人受伤，40多人死亡；肯尼亚发生的洪涝和山体滑坡，导致15万人逃离家园，至少46人死亡(李小燕，2003)。

MDSI能够成功检测到南美洲2005年和2010年的亚马逊流域干旱(Hopkin，2005；Lewis et al.,2011)。同时，MDSI也能够检测到南美洲的典型洪涝灾害事件。如2006年哥伦比亚的暴雨致使约100处河水泛滥、山体滑坡，全国3/4省份受灾，107人死亡，217人受伤(李威和朱艳峰，2007)。 4.2 干旱程度相关性分析

在对全球干旱进行监测时，PDSI应用最为广泛(Dai et al.,2004；Wells et al.,2004)。为了评估MDSI监测干旱的有效性，分别对MDSI以及DSI与PDSI的相关性进行分析，如图 2所示。

图 2

Fig. 2

图 2 2000到2011年MDSI(上)以及DSI(下)与PDSI的无偏相关系数空间分布，空间分辨率为0.5°×0.5°Fig. 2 The spatial distribution of no partial correlation coefficient between MDSI(upper)or DSI(lower) and PDSI from 2000 to 2011 at 0.5°×0.5° spatial resolution

从图 2可以直观反映出：在非洲中南部，墨西哥南部，南美洲中部，以及美国东南部地区，MDSI与PDSI的相关性小于DSI与PDSI的相关性；而在南美北部和中国区域，MDSI与PDSI的相关性略大于DSI与PDSI的相关性；在澳大利亚地区，MDSI、DSI两者均与PDSI的相关性表现一致。尽管在南美洲中部和北部，MDSI和DSI均与PDSI不相关，但是两者都表现出相同的空间模式。PDSI检测干旱的效果依赖于气象观测站点的数量和分布(Brown et al.,2008)。南美洲中部和北部的气象站点分布稀疏(Chen et al.,2002；Zhao et al.,2006)，因此，在这些区域PDSI 检测干旱的效果较差，不能分辨MDSI、DSI的检测能力。而在气象站点分布密集的地区，如澳大利亚地区(Chen et al.,2002; Zhao et al.,2006)，MDSI以及DSI与PDSI的相关性较高，甚至表现一致。以上这些现象也说明PDSI干旱监测结果有可能存在一定误差，在气象站点分布稀疏的区域需谨慎应用PDSI。

由于PDSI检测干旱的结果存在一定误差，通过对比分析MDSI与PDSI，以及DSI与PDSI的 相关性，并不能说明MDSI与DSI检测干旱的能力。因而需要选择典型干旱事件，进一步比较分析MDSI、DSI和PDSI检测干旱的能力。 4.3 典型干旱事件比较

选择典型干旱事件，如2005和2010年亚马逊流域干旱、2011年非洲东部干旱、2010年的中国云南干旱、2006年川渝干旱事件等进行对比分析。在图 3至图 7是MDSI和DSI干旱检测对比，图中都采用相同的等级进行干旱评价，颜色越红表示越干旱，颜色越蓝表示越湿润。

图 3

Fig. 3

图 3 2005、2010年亚马逊流域干旱的MDSI、PDSI和DSI检测结果Fig. 3 The Amazon droughts in 2005 and 2010 detected by MDSI，PDSI，and DSI

在亚马逊流域，2005年发生了干旱(Hopkin，2005)，2010年再次发生干旱(Lewis et al.,2011)，MDSI、PDSI和DSI检测结果如图 3所示。对于 2005年亚马逊流域干旱，MDSI检测出的干旱影响面积小于 PDSI和DSI检测出的面积，而DSI干 旱面积接近于PDSI。而对于2010年亚马逊流域干旱，MDSI检测出的干旱影响面积与DSI非常接近，而PDSI干旱面积小于MDSI和DSI。Xu et al.(2011)认为2010年亚马逊流域干旱导致热带雨林变黄的面积是2005年植被变黄面积的4倍。其他相关研究都认为2010年是亚马逊流域最干旱的一年(Atkinson et al.,2011；Lewis et al.,2011)。由此，MDSI的干旱检测结果与Xu et al.(2011)的结论一致，而PDSI和DSI的监测结果都高估了2005年干旱的影响面积。PDSI监测的2005年干旱面积大于2010年，且2010年干旱处于从2000年到& lt; span lang="EN-US" style='font-family:"Times New Roman"，"serif"' xml:lang="EN-US"> 2011年共12年间的第二或第三个干旱年(Mu et al.,2012)，因而可以认为PDSI对2005、2010亚马逊流域干旱的检测存在较大误差。

2011年非洲东部遭受60年来最严重的干旱，导致3万儿童死亡，索马里是受灾最严重的地区(司东等，2012)。MDSI、PDSI和DSI检测出的干旱和湿润空间分布位置明显不同(图 4)。MDSI和PDSI均反映出索马里干旱这一事实，而DSI检测为这一地区处于湿润状态。在遭受干旱后，非 洲又出现严重的洪涝，如暴雨导致肯尼亚西部发 生洪水，15人死亡，7万多人无家可归(司东等，2012)。MDSI也反映了肯尼亚西部发生洪水的基本事实。

图 4

Fig. 4

图 4 2011年非洲东部干旱的MDSI、PDSI和DSI检测结果Fig. 4 The eastern Africa drought in 2011 detected by MDSI，PDSI，and DSI

2006年中国重庆、川东、湖北西部、陕西南部地区遭受高温热天气，其中重庆干旱最为严重。高温干旱导致重庆和四川直接经济损失超过150亿元(李威和朱艳峰，2007)。图 5显示了MDSI、PDSI、DSI对2006年重庆干旱事实的检测结果。MDSI和PDSI能够检测到2006年川渝严重干旱的事 实，而DSI监测到的川渝干旱严重程度弱于川西高原。

图 5

Fig. 5

图 5 2006年中国重庆干旱的MDSI、PDSI和DSI检测结果Fig. 5 The drought in Chongqing，China in 2006 detected by MDSI，PDSI，and DSI

2010年中国云南遭遇百年一遇的大旱。在云南中部、东部因降水偏少，气温偏高，导致发生干旱(陈洪滨和范学花，2011)。图 6是MDSI、PDSI、DSI对云南干旱事实的检测结果。MDSI检测出的干旱影响范围明显小于PDSI和DSI的，而DSI和PDSI均完全覆盖了整个云南区域，说明高估了干旱影响范围。同时，2010年中国东北的黑龙江、吉林经历高温天气，高温日数为1961年来的最多日数(陈洪滨和范学花，2011)。同样，MDSI也能够检测到这一高温天气现象。

图 6

Fig. 6

图 6 2010年中国云南干旱的MDSI、PDSI和DSI检测结果Fig. 6 The droughtin Yunnan，China in 2010 detected by MDSI，PDSI，and DSI

2008年中国长江中下游干旱状况的MDSI、PDSI、DSI检测结果如图 7所示。MDSI显示2008年中国南方大部分区域处于润湿状态，而PDSI和DSI显示为大部分区域处于干旱状态。事实上，2008年中国南方出现强降雨天气，致使177人死亡(王小玲和郭艳君，2009)。显然，MDSI监测结果基本上反映了这一事实。Mu et al.(2012)认为可能是由于受到2008年夏季干旱以及2008年1月发生的低温冰冻灾害对树木破坏的影响，致使PDSI和DSI显示中国南方中部城市，如湖南为干旱状态。同时，Mu et al.(2012)还未找到引起2008年中国广东省出现虚假干旱现象的原因，而MDSI则能够避免检测这种虚假的干旱现象，可能原因是MDSI采用TRMM数据，避免了湿润地区MODIS光学遥感数据因受到阴雨天气影响出现的不适定反演现象。

图 7

Fig. 7

图 7 2008年中国长江中下游干旱的MDSI、PDSI和DSI检测结果Fig. 7 The droughtin the lower reaches of the Yangtze River，Chinadetected by MDSI，PDSI，and DSI

文章基于TRMM降水数据、MODIS-NDVI和MODIS-LST数据，构建了基于多传感器遥感数据的陆表干旱严重指数MDSI，对近12年准全球典型干旱事件进行检测。结果表明：MDSI能够检测到典型的干旱和洪涝事件。同时，在准全球尺度上对比MDSI以及DSI与PDSI之间的相关性，表明MDSI与DSI干旱检测结果，在气象站点稀疏的区域存在较大差异，而在气象站点稠密的区域具有较高的一致性。此外，比较MDSI、DSI和PDSI对典型干旱事件的检测能力，包括2005和2010年亚马逊流域干旱、2010年非洲东部干旱、2006年中国重庆干旱、以及2010年中国云南干旱等。结果表明：MDSI对上述典型干旱事件检测能力均符合先前的文献报道。总体来说，MDSI基本上成功地检测出了准全球年尺度上的典型干旱事件，说明运用TRMM数据有助于干旱严重程度的监测，并且MDSI更适合湿润地区干旱情况的检测。

上述研究结果说明MDSI检测干旱事件的性能优越，可能原因是MDSI兼顾降水异常和植被生长状况异常，适用于检测区域气象干旱事件。本文假设是在一段时间内，干旱严重程度由降雨总量异常和植被长势的平均状态异常共同决定。湿润地区植被对降水异常具有敏感性，更应关注降水盈亏情况，因而MDSI能够抓住湿润地区降水亏缺导致干旱的现象。同时，MDSI通过NDVI/LST降低湿润地区干旱检测的不确定性，兼顾反映植被对干旱胁迫的响应，即植被指数下降、冠层温度增加的特征。干旱地区对降水异常具有适应性，植被生长特征是干旱监测的重要指标，MDSI能够反映干旱地区植被长势受干旱胁迫的严重程度。MDSI兼备降水盈亏和植被生长状况，因而能够反映半干旱和半湿润地区植被对干旱的滞后性响应。

MDSI是借鉴了构建DSI的思路，用TRMM降雨数据代替MODSI的ET/PET，用NDVI/LST代替NDVI，对干旱检测更为简单有效。然而，从准全球尺度上来看，仍然需要更多的典型干旱事件对MDSI进行验证。由于PDSI依赖于不同区域内气象站点的个数和分布(Brown et al.,2008)，如在气象站点分布相对密集的美国东北部和欧洲部分地区(Chen et al.,2002；Zhao et al.,2006)，PDSI值的准确性相对较高，但目前TRMM数据并不能覆盖上述地区。同时，MDSI的空间分辨率为0.05°× 0.05°，且每年检测一次，因而对于季节性的短期干旱事件，以及局地干旱的精细检测性能还需要进一步的验证。在以后的研究中，可以考虑通过对TRMM数据进行降尺度，构建高空间和高时间分辨率的MDSI用于近实时干旱事件的监测。此外，目前TRMM降水数据也存在一定的空间误差(Mu et al.,2012)。同样，MODIS等光学卫星遥感数据生成的NDVI/LST也存在误差，包括：受到传感器、云的覆盖、大气中的气溶胶污染等限制，NDVI/LST数据会出现不连续的现象，不符合真实地表的噪声信号；当植被出现较大扰动时，如森林火灾、低温冻害、病虫害时，MDSI中植被异常的贡献可能会大于TRMM降雨的贡献。因而，在TRMM降水数据和NDVI/LST光学遥感数据都存在误差的情况下，本文构建的MDSI还存在着不确定性的影响。考虑到植被对干旱响应的敏感性，因而以后的研究中还可以评估MDSI对植被叶面积指数、净初级生产力的影响，从而更为充分验证MDSI的性能。

致谢   感谢马里兰大学赵茂盛博士提供的PDSI数据和DSI数据。感谢两位匿名审稿专家对本文改进提出的宝贵建议。