李 遥

(重庆市水利电力建筑勘测设计研究院有限公司，重庆 401121)

0 引言

随着全球变暖现象的持续发生，干旱在区域的发生频率呈现逐年升高的趋势，干旱已成为了限制区域发展的重要因素之一[1-2]。为表征区域干旱发生规律，选择合适的干旱评价指标，构建区域高精度干旱预测模型是进行干旱监测和预警的基础。

干旱指标可定量评价区域干旱等级，对研究区域干旱分布规律十分重要。目前，应用最广泛的干旱指标主要包括相对湿润指数MI[3]、标准化降水指数SPI[4]、标准化降雨蒸散指数SPEI[5]等。其中SPEI指数充分考虑了区域降水和潜在蒸散发的关系，能够更好表征区域干旱，逐渐表现出了较高的适用性[6]。但SPEI指数的潜在蒸散发未考虑下垫面情况，因此众多学者探究了新型干旱指数，采用实际蒸散发代替潜在蒸散发，构建标准化降雨实际蒸散指数SPAEI衡量区域干旱。

由于影响区域干旱的因素较多，构建传统数学模型用于预测干旱较为困难，采用机器学习技术是目前的研究趋势。殷浩等[7]基于机器学习模型构建了季尺度干旱预测模型，指明机器学习技术在干旱预测中具有较大的潜力；赵国羊等[8]基于神经网络和支持向量机模型进行了干旱预测，并得到了区域干旱预测精度最高模型。本文以双向长短期记忆神经网络模型(BiLSTM)为基础，基于布谷鸟算法(CS)、孔雀算法(POA)、麻雀搜索算法(SSA)、野狗算法(CAP)、蝙蝠算法(BA)共5种新型智能算法进一步优化BiLSTM模型，构建区域新型干旱预测模型。……