【摘要】气象干旱制约着区域农业生产活动，通过监测预报、提前部署可有效降低其带来的危害。基于“先分解，后重构”思想，将自适应噪声完备经验模态分解法(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)、灰狼优化算法(grey wolf optimization, GWO)和支持向量机(support vector machine, SVM)相结合，构建CEEMDAN-GWO-SVM组合机器学习模型。以山西省1956-2007年逐月自适应帕默尔干旱指数(self-calibrated palmer drought severity index, scPDSI)为训练集，以2008-2020年逐月scPDSI值为测试集。采用scPDSI预测值与实际值之间的均方误差、平均绝对误差及决定系数作为评价指标，对该模型的预测效果进行了评价，并比较了该模型与常用的GWO-SVM和随机森林模型预测结果。结果表明：相较于两种常用机器学习模型，基于CEEMDAN-GWO-SVM模型预测得到的均方根误差可分别降低7.6%和19.5%，平均绝对误差分别降低19.9%和27.4%，决定系数则分别提高5.6%和20.3%，预测的干旱等级和实际情况接近。CEEMDAN-GWO-SVM模型预测精度优于GWO-SVM模型和随机森林模型，在气象干旱预测中具有较好的适用性。