干旱作为一种主要的气象灾害,已经成为全球气候变化研究中的一个热点问题,遥感技术的发展为干旱监测提供了新的途径。土壤水分（Soil moisture,SM）是影响陆-气相互作用的基本气候变量,是影响降雨-径流过程的基本水文变量,是调节净生态系统交换的基本生态变量,是基本的农业变量。土壤水分的盈亏可以直接反映农业干旱的情况。因此,准确获取土壤水分的变化趋势,对于农业干旱的监测尤为重要。陕西省位于西北地区,干旱频发,对当地的农业生产造成了巨大的损失。本文将土壤水分作为关键研究变量,探究2003-2017年陕西省农业干旱的时空变化情况,并对未来干旱进行预测。我们选择了被动微波遥感土壤水分产品AMSR-E（Advanced Microwave Scanning Radiometer-Earth Observing System）和 AMSR2（Advanced Microwave Scanning Radiometer 2）作为基础数据。由于微波遥感的空间分辨率较粗,不能满足研究需要,我们先利用随机森林算法（Random forest,RF）对数据做了降尺度处理。选择降水、地表温度、蒸散发、植被指数、高程、坡度、坡向和土壤质地作为土壤水分的解释变量,分四个季节建立降尺度模型,对解释变量在不同季节模型中的贡献率差异做出分析。根据得到的降尺度土壤水分数据构建了用于表征干旱的土壤水分干旱指数（Soil Moisture Drought Index,SMDI）,借助SPI指数对土壤水分干旱指数的准确性做对比验证。根据得到的土壤水分干旱指数的时间序列集,探究陕西省干旱的时空变化。利用求和自回归移动平均模型（Autoregressive Integrated Moving Average,ARIMA）以及随机森林算法对指数进行拟合,并结合降水数据,通过对干旱指数未来变化的预测,预估未来的干旱情况。本文得到的主要结论如下:（1）随机森林算法可以很好地用于建立土壤水分降尺度模型,考虑土壤水分变化的季节差异建立模型,降尺度结果的精度有所提高。降水、地表温度、蒸散发、植被、地形和土壤质地等因素都可以很好地用于建立土壤水分的降尺度回归关系模型。降尺度后的土壤水分数据与AMSR（AMSR-E和AMSR2）土壤水分产品以及站点实测数据的拟合度都很好。在用于构建降尺度模型的解释变量中,降水对土壤水分的变化起主导作用,气象是影响土壤水分变化的主要因素。各个变量对土壤水分的影响程度因季节而异,植被的影响在冬季更为突出,而地形的影响在其他三个季节更为重要。（2）基于降尺度的土壤水分数据构建的土壤水分干旱指数可以用于表征干旱。在SMDI与不同时间尺度的SPI对比中可以看到,SMDI与SPI1的拟合度是最好的,不同月份的SMDI与SPI1、SPI3的变化趋势也基本一致,特别是在春、秋两季SMDI与SPI的相关性更好。（3）基于土壤水分干旱指数的干旱时空分析表明,SMDI数值的年际变化小,但整体来说有递减趋势,并存在明显的雨季和旱季。从时间上来看,夏、秋两季有变干旱的趋势,是影响SMDI年际变化的两个关键时期,而冬季和春季的SMDI值变化较为平稳。从月尺度的角度考虑,SMDI在春季是缓慢递增,7月达到峰值,在7至9月都维持在一个比较高的水平,随后比较快速的下降,在整个冬季和初春时节都维持在一个比较低的水平。从空间变化分析中可以发现,陕北、关中和陕南地区SMDI数值的变化也存在差别。陕北的土壤水分值较低,年内变化相对较小,植被稀少,受降水影响很大,在春季降水开始逐渐增多时,土壤水分波动剧烈,SMDI值的标准差较高。关中地区的雨季主要集中于夏季,相比较陕北来说,土壤水分值较高,但是旱季和雨季的差别也更大。陕南的雨季持续时间最长,从春末到秋初土壤水分都保持在一个比较高的状态,土壤水分的数值也是最高的。受到频繁的降雨的影响,陕南夏季SMDI波动最为剧烈,SMDI值的标准差最大。（4）ARIMA模型和随机森林模型的组合可以很好地对时间序列数据进行拟合并做出准确的预测。首先,加入降水后的多元时间序列模型可以很好地拟合SMDI的变化,并做出预测。预测结果会受到某些降水极值的影响,并且预测结果的残差与降水和SMDI的差值存在较为明显的相关性。借助随机森林模型,利用这一相关性对残差做进一步的处理。ARIMA模型预测的SMDI值与随机森林预测的残差相加后,得到的预测值与真实值的相关性更好,准确度也明显提高。因此,利用ARIMA与随机森林组合模型对土壤水分干旱指数预测的思路是可取的。