1.一种基于数据挖掘的干旱监测方法，其特征在于：方法步骤如下，
步骤1，对MODIS植被指数产品、地表温度产品、蒸散产品进行数据重构；
步骤2，根据步骤1中得到的植被指数及DEM数据，对TRMM降水产品进行降尺度；
步骤3，再提取植被异常指数、温度异常指数、蒸散异常指数、降水异常指数；
步骤4，以分类回归树模型构建统计回归规则和线性拟合模型得到干旱监测模型。
2.根据权利要求1所述的一种基于数据挖掘的干旱监测方法，其特征在于：步骤1中，对MODISMOD13产品的低质量数据使用同月其他年份的植被指数平均值进行充填；使用Hants滤波技术对时间序列植被指数进行去噪平滑处理；对于MOD11A2地表温度产品，合成算法以每景8d地表温度产品在某月内所占的天数建立比例为权重，然后按权重将天该月所有地表温度产品进行线性相加；对合成数据中存在的一些无效值区域采用平均值算法对月地表温度数据的无效值进行修补；MOD16蒸散的低质量数据使用同月其他年份的蒸散发平均值进行充填。
3.根据权利要求1所述的一种基于数据挖掘的干旱监测方法，其特征在于：所述步骤2中，对TRMM降水产品进行降尺度方法如下，
1)定义高分辨率(HR)和低分辨率(LR)遥感数据；
2)建立地理加权回归模型；
将NDVI、DEM数据通过空间平均采样到0.25°，然后以TRMM数据为因变量，NDVI、DEM数据为自变量，建立地理加权回归模型；
TRMM＝β0(u)+β1(u)×NDVILR+β2(u)×DEMLR+ε(u)(1)
式中，TRMM为TRMM月降水量，βi(u)为与位置有关的系数，ε(u)为位置有关的残差；
对于公式1中系数的确定，采用高斯(Gauss)函数作为空间权函数；
ωij＝exp-0.5(dij/b)2(2)
采用修正后的Akaike信息量准则(AkaikeInformationCriterion，AIC)进行带宽的选择；
其中，下标AICc表示“修正后的”AIC估计值，n是样点的大小，σ是误差项估计的标准离差，tr(S)是GWR的S矩阵的迹，它是带宽的函数；
3)进行参数降尺度，对βi(u)采用最近邻方法采样到1km，ε(u)采用样条插值法采样到1km；
4)计算TRMM数据降尺度的降水，将分辨率为1km×1km的NDVI、DEM数据带入公式1中，计算得到高分辨率的1km分辨率的降水数据。
4.根据权利要求3所述的一种基于数据挖掘的干旱监测方法，其特征在于：步骤1)中，分辨率为1km×1km的数据(NDVI、DEM)称为高分辨率影像，0.25°分辨率TRMM数据为低分辨率影像。
5.根据权利要求1所述的一种基于数据挖掘的干旱监测方法，其特征在于：步骤3中，
定义标准化植被异常指数为：
StVI＝(NDVI-NDVImean)/NDVIstd(4)
其中NDVImean为时间序列NDVI的均值，NDVIstd为时间序列NDVI的标准差；
定义标准化温度异常指数为：
StLST＝(LST-LSTmean)/LSTstd(5)
其中LSTmean为时间序列LST的均值，LSTstd为时间序列LST的标准差；
定义标准化降水异常指数为：
StTRMM＝(TRMM-TRMMmean)/TRMMstd(6)
其中TRMMmean为时间序列TRMM降水的均值，LSTstd为时间序列TRMM降水的标准差；
Ratio＝ET/PET(7)
ET为实际蒸散，PET为潜在蒸散；
定义标准化蒸散异常指数为：
StET＝(Ratio-Ratiomean)/Ratiostd(8)
其中Ratiomean为时间序列Ratio的均值，Ratiostd为时间序列Ratio的标准差。
6.根据权利要求1所述的一种基于数据挖掘的干旱监测方法，其特征在于：步骤4中，以分类回归树模型构建干旱监测模型方法如下，从气象数据共享网获取主要气象台站月平均降水量、气温等气象数据，在模型构建和验证过程中，利用气象观测数据计算自适应帕默尔干旱指数，以SC-PDSI为因变量，以提取的植被异常指数、温度异常指数、蒸散异常指数、降水异常指数以及土地利用、数字海拔高程(DEM)为自变量，按月份建立基于分类回归统计规则的线性模型，输出干旱指数，然后利用各月的干旱模型，在ENVI/IDL软件的支持下，重建干旱指数时序数据集，构建的干旱指数为月尺度、1000m空间分辨率的干旱指数，其完全可满足当前的干旱时空分辨率监测需求。