摘要： 农业是对全球变化响应最为敏感的部门之一，也是国民经济发展和社会稳定的基石。在全球农地区域，利用2002一2020年的MODIS数据分别计算归一化植被指数(NDVI)、植被健康指数(VHⅡ)、叶面积指数(LAI)、总初级生产力指数(GPP),通过皮尔森相关系数()分别检验不同遥感指数之间的相关性，以评估不指数在全球农地监测中的适用性和一致性，结果表明：不同谣感指数在全球的农地区域具有较好的相关性，每 8d的NDVI与VHⅢ、LAI、GPP的相关性分别为0.70、0.72、0.60，呈强相关。基于ERA5再分析资料，利用机器学习方法对多遥感指数进行融合，提高旱情监测的准确性，基于逻辑回归、贝叶斯模型、XGBoost模型、Lig- GBM及Stacking集成学习模型，在测试集上的分类准确率分别为0.69、0.66、0.84、0.83及0.86，基于集成学习融合策略可以有效提高旱情分类的准确率，本文的研究为全球农地旱情监测提供了新的思路和方法，具有较为 重要的科研意义与广泛的应用价值。

关键词: MODIS数据：遥感指数；相关性分析；机器学习

中图分类号: 

• S127