Las sequías, intensificadas por el cambio climático y las actividades humanas, representan una amenaza significativa para el cultivo de trigo de invierno en la región de Huang-Huai-Hai (HHH). Los índices de sequía de humedad del suelo son cruciales para monitorear las sequías agrícolas, mientras que desafíos como la accesibilidad a los datos y la heterogeneidad del suelo requieren el uso de simulaciones numéricas para sus aplicaciones efectivas a escala regional. Los métodos de simulación existentes, como los modelos de procesos físicos y los algoritmos de aprendizaje automático (ML), tienen limitaciones: los modelos físicos tienen dificultades con la adquisición de parámetros a escalas regionales, mientras que los algoritmos de ML enfrentan dificultades en entornos agrícolas debido a la presencia de cultivos. Como una rama más avanzada y compleja de ML, los algoritmos de aprendizaje profundo enfrentan aún mayores limitaciones relacionadas con el crecimiento de los cultivos y la gestión agrícola. Para abordar estos desafíos, este estudio propuso un novedoso sistema de monitoreo híbrido que fusionó algoritmos de ML con un modelo de proceso físico. Inicialmente, empleamos el modelo de regresión Random Forest (RF) que integró factores ambientales de múltiples fuentes para estimar la humedad del suelo antes de la siembra de trigo de invierno, logrando un coeficiente de determinación promedio (R) de 0.8618, un error cuadrático medio (RMSE) de 0.0182 m m y un error absoluto medio (MAE) de 0.0148 m m en ocho profundidades de suelo. Los modelos de regresión de RF proporcionaron parámetros vitales para la operación del modelo de Balance de Agua para Trigo de Invierno (WBWW) a escala regional, permitiendo un monitoreo efectivo de sequías y evaluaciones combinadas con el Índice de Porcentaje de Anomalía de Humedad del Suelo (SMAPI). Los análisis comparativos posteriores entre los resultados generados por el sistema de monitoreo y los registros reales de desastres durante dos eventos de sequía a escala regional resaltaron su eficacia. Finalmente, utilizamos este sistema de monitoreo para examinar las variaciones espacio-temporales en los patrones de sequía en la región de HHH en las últimas dos décadas. Los hallazgos revelaron una intensificación general de las condiciones de sequía en el trigo de invierno, con una disminución en el SMAPI promedio a una tasa de -0.021% por año. Concurrentemente, ha habido un cambio significativo en los patrones de sequía, caracterizado por un aumento tanto en la frecuencia como en la extremidad de los eventos de sequía, mientras que la duración e intensidad de los eventos de sequía individuales han disminuido en la mayoría de la región de HHH. Además, identificamos las áreas noreste, oeste y sur de HHH como áreas que requieren atención concentrada y estrategias de intervención específicas. Estos esfuerzos significan una notable aplicación de técnicas de fusión de datos de múltiples fuentes y la integración de modelos de procesos físicos dentro de un contexto de big data, facilitando así estrategias efectivas de prevención de sequías, gestión agrícola y mitigación.