摘要也已经更新：全球特大气象干旱事件具有高强度、大范围及跨季节等复杂的时空演变特征，对其进行精准监测与长期预测是水灾害防御领域的重大行业需求 。本研究研发了“干旱多尺度智慧预测系统” ，该系统有机结合了大气动力模式与深度学习/机器学习前沿算法，实现了对干旱事件从三维识别到多时效预测的全面覆盖 。首先，本研究提出了基于3D DBSCAN框架的特大干旱事件体识别方法，通过捕捉时空连续发展的“三维干旱点簇”，实现了对干旱事件的动态追踪，该技术已成功部署于国家气候中心CIPAS3.0系统中试平台 。其次，在季节尺度（未来0~90天）预测方面，构建了动力模式-机器学习混合的干旱预测模型，利用ECMWF SEAS5集合预报产品驱动随机森林模型，能够提前30-60天以上精准预测干旱落区、强度及全过程的时空分布 。针对半年期及更长效的预测需求，系统创新性地引入了SimVP异步预测模型，利用前期的陆-海-气多源物理因子与CFSv2集合预报产品作为输入，并辅以U-Net模型订正，实现了对未来3至9个月重旱事件的机理-数据双驱动展望 。

Seasonal drought prediction,3D drought event identification,Dynamical model evaluation,Ensemble probabilistic prediction