对比分析贵州省主汛期（6—9月）不同干旱事件的特征，有助于提升贵州省短期气候预测技术。基于贵州省84个气象台站降水资料，分析贵州省1981—2023年2次严重干旱事件的时空演变特征，并利用再分析数据揭示事件成因，比较两者差异；同时结合国家气候中心130项气候指数和机器学习方法对贵州省干旱事件进行建模。结果表明，贵州省主汛期降水量呈明显年代际变化特征，2011、2022年在拉尼娜背景下降水最少；2011年贵州省大范围干旱的主要原因是西太平洋副热带高压（简称“西太副高”）偏东及低层南海地区气旋式环流异常，导致水汽条件差；2022年在热带印度洋偶极子负位相影响下，西太副高异常偏大、偏西、偏强，南亚高压偏强、偏东，气温异常偏高，中国南方地区低层为反气旋式环流异常，水汽条件差并伴随持续高温，导致贵州省干旱加剧。通过机器学习的26种算法建立贵州省干旱预测模型，其中Linear SVC模型的预测效果最好，检验评估表明，该模型对贵州省2011、2022年的干旱有较好的预测能力。

为实现对降水粒子的高精准分类，整理3 a机载探测降水粒子图像，构建山东省降水粒子图像数据集（Shandong Province Precipitation Particle Image Dataset， SD-PPID）。结合多维度混和的模型放缩方法，提出一种基于EfficientNet卷积神经网络的降水粒子识别模型（A Precipitation particle Recognition model based on EfficientNet convolutional neural Network，PREN）。通过多模型、多指标评价对比，验证了PREN模型具有较好的性能和分类识别能力，模型的识别准确率、精准率和召回率均为98%。使用PREN模型分析对流泡降水粒子特征，选取2次典型积层混合云降水过程的3个时段，结合机载Ka波段云雷达（Airborne Ka-Band Precipitation Cloud Radar，KPR）和DMT粒子测量系统（Droplet Measurement Technologies）分析对流泡内部与外部、不同强度和不同高度的降水粒子形状占比，并研究其降水机制。结果表明，PREN可有效识别对流泡降水粒子的特征。对流泡内，主要是球状、针状、不规则状和柱状降水粒子，而对流泡外降水粒子主要为球状和针状。不同强度的对流泡云微物理参数各不相同。降水成熟阶段对流泡内霰粒子和针状粒子占比高于消散阶段，降水成熟阶段降水粒子平均弦长415 μm，而消散阶段粒子平均弦长367 μm。对流泡上部降水粒子以球状和六边形板状为主，主要通过凝华过程增长。在0 ℃层，不规则状粒子和柱状粒子的比例增加，融化过程与动力条件有利于碰并增长形成不规则状粒子，柱状粒子主要来自于高层掉落。

2021/2022年冬季，赤道中东太平洋海温偏低，导致贵州省气温偏低、降水偏多，但凝冻日数总体偏少，呈前期偏弱后期偏强的阶段性分布特征。利用贵州省84个国家气象观测站逐日观测资料、NCEP/NCAR（National Centers for Environmental Prediction/National Center for Atmospheric Research）再分析资料以及NOAA（National Oceanic and Atmospheric Administration）海温资料等，分别从海温场、高度场、风场、温度场和水汽条件等方面对凝冻阶段性特征成因进行分析。结果表明：高层南支锋区总体呈前期偏弱后期偏强，为贵州省凝冻阶段性特征提供了有利的大尺度环流背景。2022年1月26日之后，对流层低层切变线稳定维持、偏北气流异常强盛使0 ℃等温线南压明显。同时随着偏南气流持续增强，对流层低层水汽辐合也迅速增强，并维持低层辐合中层辐散的不稳定层结和上升运动，为贵州省凝冻阶段性特征提供了有利的水汽条件。温度场上，前期暖层较为深厚，冷空气势力前期偏弱后期偏强，为贵州省凝冻阶段性特征提供了有利的温度条件。但由于整个冬季无逆温层存在，导致3次区域性凝冻过程强度均偏弱。