研究成都市不同尺度干旱时空分布特征对该地区农业、经济发展及干旱防灾减灾等具有重要意义。利用成都市14个国家气象站1960—2022年逐月降水数据，选择标准降水指数（Standardized Precipitation Index，SPI），首先通过对SciPy库概率分布函数的优选，确定成都市14个国家气象站年及季降水序列的最优概率分布函数；其次，基于最优概率分布函数分别计算得到年尺度和季节尺度的SPI（分别简称“SPI₁₂、SPI₃”）；最后，基于SPI₁₂和SPI₃分析成都市年、季尺度干旱的时空分布特征。结果表明：不同尺度降水序列最优分布函数均通过K-S检验（显著性水平α=0.05），最优概率分布函数均能很好地表征成都市不同尺度降水序列的分布特征。成都市年及四季干旱站次比、干旱强度均呈弱增强趋势。年及四季干旱频率为25.40%~36.51%，不同尺度干旱频率的空间分布存在较大差异，相比秋旱和冬旱，春旱和夏旱发生频率略高。成都市14个区（市、县）不同等级年旱、春旱、夏旱、秋旱和冬旱的空间分布具有较大差异，但均以轻旱和中旱发生频率较高。

风电场发电功率的精确预测对调度部门及时调整发电规划意义重大。利用2020年1月1日—12月31日甘肃酒泉中广核干东风电场的风功率及风塔风速数据，基于多种典型的机器学习算法和单一模型在测试集上表现出的特点，研究K近邻（K-Nearest Neighbor，KNN）、装袋算法（Bootstrap Aggregating，BA）与卷积神经网络（Convolutional Neural Network，CNN）的组合方法，建立融合KNN、BA与CNN的风电功率预测模型。结果表明，单一模型均存在对部分值低值高估的情况，其中多层感知机（Multilayer Perceptron，MLP）、CNN这两种神经网络还存在明显的高值低估现象；BA模型预测精度最高，其在测试集上的均方根误差（Root Mean Square Error， RMSE）为13.08 MW；组合模型均能一定程度上提高单一模型的预测精度，其中CNN组合模型在测试集上RMSE为12.21 MW，比单一模型中最好的BA模型RMSE下降约6.7%，CNN组合模型可以明显改善CNN单一模型高值低估、低值高估和BA模型低值高估的情况。