预测干旱严重程度对于干旱管理和预警系统至关重要。尽管已经提出了许多基于物理模型和数据驱动的干旱预测方法，但其能力在很大程度上受到数据要求和建模复杂性的限制。如何有效预测分类干旱仍是一项具有挑战性的任务，尤其是对美国干旱监测（USDM）而言。针对这一问题，本文成功地提出并评估了用于基于 USDM 的分类干旱预测的多个马尔可夫链。本研究特别关注马尔可夫阶数、步长和训练集长度对预测精度（PA）的影响。从 2000 年到 2021 年的实验结果来看，一步马尔可夫模型和一阶马尔可夫模型在预测未来 4 周内的干旱时准确率最高。随着步长的增加，PA 稳步下降，月尺度的平均准确率为 88%。在季节变化方面，夏季（7 月至 8 月）的 PA 值最低，而冬季（1 月至 2 月）的 PA 值最高。与西部地区相比，美国东部地区的 PA 高出 25%。此外，训练集的长度对模型的 PA 有明显影响。在 20 年和 5 年的训练集中，一步预测的 PA 分别为 87% 和 78%。 研究结果表明，马尔可夫模型在短期内预测分类干旱的准确性较高，在时间和空间尺度上表现各异。正确使用马尔可夫模型有助于灾害管理者和政策制定者将减灾政策和措施付诸实践。

马尔科夫链,干旱预测,USDM