The present study aimed to model reconnaissance drought index (RDI) time series at three various time scales (i.e., RDI-6, RDI-9, RDI-12). Two weather stations located at Iran, namely Tehran and Dezful, were selected as the case study. First, support vector regression (SVR) was utilized as the standalone modeling technique. Then, hybrid models were implemented via coupling the standalone SVR with two bio-inspired-based techniques including firefly algorithm (FA) and whale optimization algorithm (WOA) as well as wavelet analysis (W). Accordingly, the hybrid SVR-FA, SVR-WOA, and W-SVR models were proposed. It is worth mentioning that six mother wavelets (i.e., Haar, Daubechies (db2, db4), Coifflet, Symlet, and Fejer-Korovkin) were employed in development of the hybrid W-SVR models. The performance of models was assessed through root mean square error (RMSE), mean absolute error (MAE), Willmott index (WI), and Nash-Sutcliffe efficiency (NSE). Generally, the implemented coupled models illustrated better results than the standalone SVR in modeling the RDI time series of studied locations. Besides, the Coifflet mother wavelet was found to be the best-performing wavelet. The most accurate results were achieved for RDI-12 modeling via the W-SVR utilizing db4(2) at Tehran station (RMSE = 0.253, MAE = 0.174, WI= 0.888, NSE = 0.934) and Coifflet(2) at Dezful station (RMSE = 0.301, MAE = 0.166, WI= 0.910, NSE = 0.936). As a result, the hybrid models developed in the current study, specifically W-SVR ones, can be proposed as suitable alternatives to the single SVR.

本研究旨在模拟三个不同时间尺度（即 RDI-6、RDI-9、RDI-12）的侦察干旱指数 (RDI) 时间序列。位于伊朗的两个气象站，即德黑兰和 Dezful，被选为案例研究。首先，支持向量回归 (SVR) 被用作独立建模技术。然后，通过将独立 SVR 与两种基于生物启发的技术（包括萤火虫算法 (FA) 和鲸鱼优化算法 (WOA) 以及小波分析 (W)）相结合，实现混合模型。因此，提出了混合 SVR-FA、SVR-WOA 和 W-SVR 模型。值得一提的是，在混合 W-SVR 模型的开发中使用了六个母小波（即 Haar、Daubechies（db2、db4）、Coifflet、Symlet 和 Fejer-Korovkin）。模型的性能通过均方根误差 (RMSE)、平均绝对误差 (MAE)、威尔莫特指数 (WI) 和纳什-萨特克利夫效率 (NSE) 进行评估。一般来说，在对研究位置的 RDI 时间序列进行建模时，实施的耦合模型比独立的 SVR 表现出更好的结果。此外，发现 Coifflet 母小波是性能最好的小波。最准确的结果是通过 W-SVR 利用德黑兰站的 db4(2) (RMSE = 0.253, MAE = 0.174, WI = 0.888, NSE = 0.934) 和 Dezful 站的 Coifflet(2) 实现的 RDI-12 建模（ RMSE = 0.301，MAE = 0.166，WI = 0.910，NSE = 0.936）。因此，当前研究中开发的混合模型，特别是 W-SVR 模型，可以作为单一 SVR 的合适替代方案。和纳什-萨特克利夫效率 (NSE)。一般来说，在对研究位置的 RDI 时间序列进行建模时，实施的耦合模型比独立的 SVR 表现出更好的结果。此外，发现 Coifflet 母小波是性能最好的小波。最准确的结果是通过 W-SVR 利用德黑兰站的 db4(2) (RMSE = 0.253, MAE = 0.174, WI = 0.888, NSE = 0.934) 和 Dezful 站的 Coifflet(2) 实现的 RDI-12 建模（ RMSE = 0.301，MAE = 0.166，WI = 0.910，NSE = 0.936）。因此，当前研究中开发的混合模型，特别是 W-SVR 模型，可以作为单一 SVR 的合适替代方案。和纳什-萨特克利夫效率 (NSE)。一般来说，在对研究位置的 RDI 时间序列进行建模时，实施的耦合模型比独立的 SVR 表现出更好的结果。此外，发现 Coifflet 母小波是性能最好的小波。最准确的结果是通过 W-SVR 利用德黑兰站的 db4(2) (RMSE = 0.253, MAE = 0.174, WI = 0.888, NSE = 0.934) 和 Dezful 站的 Coifflet(2) 实现的 RDI-12 建模（ RMSE = 0.301，MAE = 0.166，WI = 0.910，NSE = 0.936）。因此，当前研究中开发的混合模型，特别是 W-SVR 模型，可以作为单一 SVR 的合适替代方案。Coifflet 母小波被发现是性能最好的小波。最准确的结果是通过 W-SVR 利用德黑兰站的 db4(2) (RMSE = 0.253, MAE = 0.174, WI = 0.888, NSE = 0.934) 和 Dezful 站的 Coifflet(2) 实现的 RDI-12 建模（ RMSE = 0.301，MAE = 0.166，WI = 0.910，NSE = 0.936）。因此，当前研究中开发的混合模型，特别是 W-SVR 模型，可以作为单一 SVR 的合适替代方案。Coifflet 母小波被发现是性能最好的小波。最准确的结果是通过 W-SVR 利用德黑兰站的 db4(2) (RMSE = 0.253, MAE = 0.174, WI = 0.888, NSE = 0.934) 和 Dezful 站的 Coifflet(2) 实现的 RDI-12 建模（ RMSE = 0.301，MAE = 0.166，WI = 0.910，NSE = 0.936）。因此，当前研究中开发的混合模型，特别是 W-SVR 模型，可以作为单一 SVR 的合适替代方案。