气候变化背景下,极端气候事件频发,林地旱灾是制约区域林业发展的影响因素之一。林地旱灾风险预警是在旱灾来临之前,事先预测旱情信息,对提前采取预防措施、合理配置应急资源提供技术支撑,减少因林地旱灾带来的森林资源损失。目前,对林地旱灾的监测研究很多,而林地旱灾预警方面的研究甚少。对过去和现在的监测结果进行分析,可得到影响旱灾风险的关键因子,但无法对未来的旱情进行预警,导致错失了防范旱灾的关键时间点。研究基于温度植被干旱指数（TVDI）干旱监测模型,从2009-2019年11年间湖南省的干旱发生情况中分析了影响旱灾风险的关键因子,并将这些因子作为自变量,以反演的TVDI作为目标变量,利用PSO-BP算法构建林地旱灾风险预警模型,并以湖南省为研究区进行了评价和分析。本文的主要研究结果如下:（1）基于TVDI干旱监测模型监测了 2009-2019年湖南省的旱灾风险情况,通过分析TVDI值的大小,可清晰地反映出研究区域内的干旱分布情况。整体的干旱情况分析结果表明,湖南省旱情较为严重的区域多分布在湘南地区（永州、衡阳、邵阳和郴州）和湘中的局部地区。湘西（怀化、湘西土家苗族自治区、张家界）和湘北（湘潭、娄底、益阳和岳阳）地区发生旱灾的程度较低。旱灾发生时的季节性因素分析结果暗示,旱灾主要发生在春季和秋季,表明湖南省的春旱和秋旱发生较多。（2）结合数据挖掘技术随机提取了 10394个旱灾发生时所有旱灾风险因子的值,并统计分析出各因子（地形地貌、降雨量、植被类型分布、连续无雨日）与林地旱灾频次的相关性。结果表明,在地形地貌方面,林地旱灾主要分布在海拔0～300m、坡度低于25°的区域,且西和东南向地区易发生旱灾;在气候方面,旱灾集中在日降雨量低于50mm且连续无雨日大于10的区域;在植被类型方面,旱灾集中在针叶林、栽培植物林以及灌丛区域。（3）基于PSO-BP机器学习方法,构建了林地旱灾风险预警模型,实现了林地旱灾风险的实时预警。林地旱灾主要与地表温度、植被指数、地形地貌、降雨量等因素有密切的关系。NDVI可以反映旱灾对植被生长状态的影响,LST可以反映地温对旱灾风险的响应,降雨量（JYL）与旱灾风险存在直接关系,连续无雨日可以反映无雨日长短与旱灾风险的关系,旱灾的发生与高程、坡度、坡向之间也存在不同程度的关系。利用遥感技术对林地旱灾进行风险预警具有高时效性,旱灾是多因子耦合的结果,考虑到遥感数据提取旱灾风险因子的可获得性,选择NDVI、LST、高程、坡度、坡向、植被类型空间分布、降雨量、连续无雨日等因子作为林地旱灾风险预警模型的自变量,用TVDI的值来反映旱灾风险程度。研究基于PSO-BP机器学习方法,构建了林地旱灾风险预警模型,实现了林地旱灾风险的实时预警。（4）模型以2009-2019年10月2日之前的数据作为训练集,2019年10月2日到4日的数据作为测试集,预测10月2日到4日的林地旱灾风险情况,为了验证模型的精度与旱灾风险预警能力,将模型的结果与真实的TVDI数据做精度检验,相关系数R基本都达到了 0.9以上,均方误差MSE都在0.1以内,平均相对误差MRE平均为4.49%,可见模型的结果与真实值基本都在一个等级区间内,模型精度较高。（5）利用该模型对湖南省林地旱灾风险进行实证研究,根据实测结果发现,旱灾发生的地点集中在永州市、郴州市以及株洲市的南部区域,湘西小部分区域也有些许旱情,其余区域都较为适宜,尤其是张家界市与常德市经历了连续的降雨,整体偏湿润;10月4日是旱情最为严重的时期,但在10月2日已经有了干旱的苗头,且由于连续无雨日过长,干旱情况将持续加重;到了 10月3日,干旱情况已经非常严峻,湘南等地区出现大面积干旱,直到10月4日,干旱情况再次加重,与预测结果吻合。如果前期能及早预警到该旱灾,将会把森林资源损失降到最小。目前大部分研究主要集中在林地旱灾监测方向,而对林地旱灾预警方向的研究甚少,林地旱灾监测可以反映过去和现在的干旱空间分布情况,但无法对未来的旱情进行预警,从而错失防范旱灾的关键时间点。对林地旱灾风险预警,,可明显有效地减少林地旱灾带来的森林资源损失,对于我国森林可持续发展具有重要意义。