骤旱是一种快速发生的干旱,其对农业生产和经济发展能产生重大威胁。作为一种新型的干旱,骤旱的时空特征和发展机制尚不完全清楚。与传统干旱相比,它的发展速度快且预见期短,以上特点为其监测、预测和缓解带来了独特挑战。因此,本研究的目的是以湘江流域为例分析骤旱的时空特征及驱动因素,并对其进行预测,从而为农业生产提供指导,以减少生产中的损失和风险。获取可靠的土壤水分是骤旱预测中的关键步骤。本研究首先以CLSMDAS为参考数据,评估了三种遥感土壤水分产品,即SMAP、ASCAT和AMSR2在湘江流域上的表现;并根据评估结果,选择了其中精度相对较高的产品分别利用贝叶斯模型平均算法（BMA）、集合卡尔曼滤波算法（En KF）和算数平均法进行数据融合。然后以气象变量作为输入变量,利用支持向量机（SVM）进行多层（0-5cm、0-10cm、10-40cm和40-100cm）土壤水分预测;为了改进SVM在土壤水分预测中的性能,将上述三种遥感土壤水分和融合得到的土壤水分加入到输入变量中,并利用En KF算法耦合SVM（SVMEn KF）,同化预测结果并更新SVM模型;通过多种方案的对比,探究En KF同化技术对SVM预测效果的改进作用,以及遥感产品在土壤湿度预测中的适用性。最后,分析湘江流域的骤旱模式,揭示其时空特征及影响因素;通过分析骤旱发展过程中气象变量的距平状态,探讨骤旱的发展机制;并基于以上预测方案的比较结果,以SMAP和气象数据为输入,利用SVM和SVM-En KF进行骤旱的预测。主要结论如下:（1）所选三种遥感土壤水分中,SMAP在湘江流域显示出最高的精度,而ASCAT在流域尺度和格点尺度上的表现均优于AMSR2。基于三种融合算法获得的融合数据在格点尺度和流域尺度上均具有较高的精度,可以较好地捕捉到参考数据集的动态变化特征。与原始数据相比,融合数据的精度明显提高。（2）以气象变量作为输入时,SVM对于表层土壤水分（0-5cm和0-10cm）的预测效果较好,但对于深层土壤水分（10-40cm和40-100cm）预测效果较差。除气象变量外,增加SMAP或融合土壤水分作为输入可以提高SVM在土壤水分预测方面的表现,其中R值提高了36%以上,NSE值提高了140%以上,RMSE值减少了6%以上;但增加ASCAT或AMSR2作为输入变量对SVM在土壤水分预测的表现没有明显的改善作用。耦合En KF可以显著提高SVM在表层和深层土壤水分预测中的性能,其中R值和NSE值分别提高了80%和50%以上,BIAS值和RMSE值分别降低了90%和63%以上。增加遥感土壤水分产品作为输入不能进一步提高SVM-En KF的预测性能。但SVM-En KF可以消除遥感土壤水分极值对预测精度的影响。（3）湘江流域的骤旱通常发生在夏秋两季,大多为月尺度的干旱事件。骤旱主要的驱动因素是降水不足和高温,且骤旱的发展与这些气象条件在相对较短的时期（15天至25天）内的异常状态有关。在其预测方面,以气象变量和SMAP作为输入,SVM和SVM-En KF预测骤旱的性能总体上是令人满意的。在训练阶段和测试阶段,二者均可以捕捉到超过70%的骤旱事件。但是,两个模型的预测结果中都存在一些误报,误报率（FAR）为0.06至0.30之间。