准确的干旱预测需求很高，这在分析和减轻气候变化的不利影响方面起着至关重要的作用，有助于确保农业可持续性和灾害管理。传统的预测方法往往在应对当今世界高度复杂和非线性的气候模式时面临困难，早期的气候模式多为统计的、通常趋于线性的，但由于世界上有许多有害气体以及全球变暖，气候模式变得非常不确定且高度非线性。因此，传统的预测方法在计算区域气候方面存在困难。因此，采用先进的计算技术来探索在数据集帮助下机器学习的应用，可以提高干旱预测的准确性。各种机器学习算法，包括决策树、支持向量机、深度学习模型和图像处理，有助于分析温度、降水水平和严重干旱条件变化的有效性。该论文中的数据集由可靠资源的历史气象和环境参数数据组成。研究主要集中在特征选择及其如何被工程化以计算新特征。接着详细解释了这些新特征与机器学习集成分类器的混合，以计算干旱类别标签。评估基于准确率、精确率、f1分数和评估指标进行。开发的混合干旱预测模型的结果优于先前研究报告的结果。它记录了更好的准确性、精确性和f1分数，证明我们选择的特征集和集成工作具有实力。它提高了我们检查气候趋势和按严重性分类干旱的能力。
Charjan 等人（Mon，）研究了这个问题。