基于ERA5降水数据的精细化干旱指数在黄河中上游地区的适用性评估

doi:10.11755/j.issn.1006-7639-2026-01-0015

干旱气象 ›› 2026, Vol. 44 ›› Issue (1): 15-27.DOI: 10.11755/j.issn.1006-7639-2026-01-0015

基于ERA5降水数据的精细化干旱指数在黄河中上游地区的适用性评估

尹喆¹(), 颜鹏程¹^,², 左冬冬³, 李淑萍¹()

1.扬州大学水利科学与工程学院，江苏扬州 225009
2.中国气象局兰州干旱气象研究所，甘肃兰州 730020
3.盐城工学院数理学院，江苏盐城 224000

收稿日期:2025-09-22 修回日期:2026-01-04 出版日期:2026-02-28 发布日期:2026-03-25
通讯作者: 李淑萍（1991—），女，甘肃平凉人，博士，主要从事区域气候模拟与极端事件研究。E-mail： lishp@yzu.edu.cn。
作者简介:尹喆（2002—），男，江苏扬州人，硕士生，主要从事区域气候模拟与极端事件研究。E-mail： mz120251140@stu.yzu.edu.cn。
基金资助:
气象能力提升联合研究专项重点项目(22NLTSZ003);干旱气象科学研究基金项目(IAM202511);干旱气象科学研究基金项目(IAM202409);中央引导地方科技发展资金项目(24ZYQA031);国家自然科学基金项目(42305065);甘肃省自然科学基金项目(22JR5RA748)

Assessment of applicability of a refined drought index based on ERA5 precipitation data for the middle and upper reaches of the Yellow River

YIN Zhe¹(), YAN Pengcheng¹^,², ZUO Dongdong³, LI Shuping¹()

1. College of Hydraulic Science and Engineering，Yangzhou University，Yangzhou 225009，Jiangsu，China
2. Institute of Arid Meteorology，China Meteorological Administration，Lanzhou 730020，China
3. School of Mathematics and Physics，Yancheng Institute of Technology，Yancheng 224000，Jiangsu，China

Received:2025-09-22 Revised:2026-01-04 Online:2026-02-28 Published:2026-03-25

摘要/Abstract

摘要：

传统标准化降水指数（Standardized Precipitation Index，SPI）数据集时间分辨率较低，难以满足干旱过程演变特征的精细化监测需求。本文基于欧洲中期天气预报中心ERA5再分析降水数据构建中国区域逐日SPI数据集（SPID-ERA5），并以黄河中上游为研究区，选取1997年和2001年两个典型干旱年，结合站点逐月SPI及逐日气象综合干旱指数（Meteorological Composite Index，MCI）对SPID-ERA5的适用性进行评估。结果表明，SPID-ERA5能够清晰刻画干旱的发生、发展、扩张和减弱过程，较好反映干旱的空间范围与强度变化；逐日MCI更侧重水分亏缺的累积效应，对干旱演变的响应相对迟缓。逐日MCI与SPID-ERA5的符号一致率和相关系数整体较高、变化趋势基本一致，且MCI在表征干旱时充分考虑前期降水贡献，体现出较强的累积特征；SPID-ERA5能够连续刻画干旱强度的波动与过程转折，而站点逐月SPI受时间分辨率限制，难以反映干旱的短期变化。高时空分辨率SPID-ERA5为弥补传统干旱数据的不足提供了新途径，在干旱监测、风险评估和预警服务中具有较高的应用价值。

关键词: 黄河中上游, 干旱, SPI, 数据验证

Abstract:

Conventional standardized precipitation index (SPI) datasets generally suffer from low temporal resolution, which limits their capability to support fine-scale monitoring of drought evolution. To address this issue, this study constructs a daily SPI dataset for China based on ERA5 reanalysis precipitation data (SPID-ERA5). Taking the middle and upper reaches of the Yellow River as the study area, two typical drought years, 1997 and 2001, are selected, and the applicability of SPID-ERA5 is evaluated using station-based monthly SPI and the daily meteorological composite index (MCI). The results show that SPID-ERA5 can clearly depict the onset, development, expansion, and weakening processes of drought, and can reasonably reflect the spatial extent and intensity variations of drought, while the daily MCI places more emphasis on the cumulative effects of moisture deficits and shows a relatively lagged response to drought evolution. The sign consistency rate and correlation coefficients between daily MCI and SPID-ERA5 are generally high, with broadly consistent variation trends, and MCI fully considers the contribution of antecedent precipitation, exhibiting evident cumulative characteristics. SPID-ERA5 can continuously capture fluctuations in drought intensity and process transitions, whereas station-based monthly SPI is constrained by temporal resolution and is insufficient to represent short-term drought variations. The high spatiotemporal resolution SPID-ERA5 provides a new approach to compensate for the deficiencies of traditional drought datasets and has promising application value in drought monitoring, risk assessment, and early warning services.

Key words: the middle and upper reaches of the Yellow River, drought, SPI, data validation

中图分类号:

P426.615

尹喆, 颜鹏程, 左冬冬, 李淑萍. 基于ERA5降水数据的精细化干旱指数在黄河中上游地区的适用性评估[J]. 干旱气象, 2026, 44(1): 15-27.

YIN Zhe, YAN Pengcheng, ZUO Dongdong, LI Shuping. Assessment of applicability of a refined drought index based on ERA5 precipitation data for the middle and upper reaches of the Yellow River[J]. Journal of Arid Meteorology, 2026, 44(1): 15-27.

图/表 13

图1 黄河中上游地区地形高度（填色，单位：m）及气象观测站点分布（黑色圆点）

Fig.1 The topography of the middle and upper reaches of the Yellow River （the color shaded，Unit： m） and distribution of meteorological stations （black circles）

表1 标准化降水指数干旱等级划分

Tab.1 The classification of drought grades based on SPI

SPI数值范围	干旱等级
SPI≥2.0	极端湿润
1.5≤SPI<2.0	重度湿润
1.0≤SPI<1.5	中度湿润
0.5<SPI<1.0	轻度湿润
-0.5≤SPI≤0.5	正常
-1.0≤SPI<-0.5	轻度干旱
-1.5≤SPI<-1.0	中度干旱
-2.0≤SPI<-1.5	重度干旱
SPI≤-2.0	极端干旱

表2 气象干旱综合指数干旱等级划分

Tab.2 The classification standards of drought grades based on MCI

MCI数值范围	干旱等级
MCI>-0.5	无旱
-1.0<MCI≤-0.5	轻度干旱
-1.5<MCI≤-1.0	中度干旱
-2.0<MCI≤-1.5	重度干旱
MCI≤-2.0	极度干旱

图2 卷积神经网络示意图（Cai et al.，2024）

Fig.2 Schematic diagram of Convolutional Neural Network （Cai et al.，2024）

图3 1997（a、c、e、g）、2001（b、d、f、h）年黄河中上游地区SPI月均值与轻旱以上等级站点占比（a、b）及温度（c、d）、降水（e、f）和蒸发（g、h）的距平

Fig.3 Monthly mean SPI and the percentage of stations with mild drought or above （a，b），and the anomalies of temperature （c，d），precipitation （e，f），and evaporation （g，h） in the middle and upper reaches of the Yellow River in 1997 （a，c，e，g） and 2001 （b，d，f，h）

图4 1997年1—12月黄河中上游地区SPI空间分布

Fig.4 Spatial distribution of SPI in the middle and upper reaches of the Yellow River from January to December 1997

图5 2001年1—12月黄河中上游地区SPI空间分布

Fig.5 Spatial distribution of SPI in the middle and upper reaches of the Yellow River from January to December 2001

图6 1997年4—10月黄河中上游地区SPID-ERA5空间分布

Fig.6 Spatial distribution of SPID-ERA5 in the middle and upper reaches of the Yellow River from April to October 1997

图7 1997年4—10月黄河中上游地区MCI空间分布

Fig.7 Spatial distribution of MCI in the middle and upper reaches of the Yellow River from April to October 1997

图8 2001年3—8月黄河中上游地区SPID-ERA5空间分布

Fig.8 Spatial distribution of SPID-ERA5 in the middle and upper reaches of the Yellow River from March to August 2001

图9 2001年3—8月黄河中上游地区MCI空间分布

Fig.9 Spatial distribution of MCI in the middle and upper reaches of the Yellow River from March to August 2001

图10 1997（a）、2001（b）年黄河中上游地区SPID-ERA5与MCI轻旱以上站点占比的逐月变化

Fig.10 Monthly variations in the proportion of stations with mild drought or above based on SPID-ERA5 and MCI in the middle and upper reaches of the Yellow River in 1997 (a) and 2001 (b)

图11 1997（a、b）、2001（c、d）年黄河中上游地区SPID-ERA5和逐日MCI正负号一致率（a、c）及空间相关系数（b、d）的箱线图

Fig.11 Box plots of the SPID-ERA5 and daily MCI positive-negative sign agreement rates （a，c） and spatial correlation coefficients （b，d） for the middle and upper reaches of the Yellow River in 1997 （a，b） and 2001 （c，d）

参考文献 26

[1]	陈超冰, 贺山峰, 李铮, 等, 2024. 1961—2020年黄河中上游极端降水指数数据集[J]. 中国科学数据, 9(4):172-184.
[2]	高婧, 井立红, 李海燕, 等, 2024. 近60 a新疆塔城地区降水及气象干旱变化特征[J]. 高原山地气象研究, 44(1):134-142.
[3]	黄建平, 张国龙, 于海鹏, 等, 2020. 黄河流域近40年气候变化的时空特征[J]. 水利学报, 51(9):1 048-1 058.
[4]	李淑萍, 侯威, 封泰晨, 2015. 近52年长江中下游地区夏季年代际尺度干湿变化及其环流演变分析[J]. 大气科学, 39(5):885-900.
[5]	李长江, 伯彦萍, 安美运, 等, 2025. 基于SPI的贵州省干旱特性演变研究[J]. 海河水利(2):82-88.
[6]	廖要明, 张存杰, 2017. 基于MCI的中国干旱时空分布及灾情变化特征[J]. 气象, 43(11):1 402-1 409.
[7]	全国气候与气候变化标准化技术委员会, 2017. 气象干旱等级:GB/T 20481—2017[S]. 北京: 中国标准出版社.
[8]	王辉, 李明志, 龚柔艳, 等, 2025. 基于标准化降水指数(SPI)的洞庭湖区多时空尺度气象干旱特征解析[J]. 节水灌溉(5):104-111.
[9]	王荣江, 李谢辉, 周任君, 等, 2021. 三种气象干旱指数在四川省的适用性分析[J]. 长江流域资源与环境, 30(3):734-744.
[10]	谢五三, 唐为安, 宋阿伟, 2019. 多时间尺度SPI在安徽省气象干旱监测中的适用性研究[J]. 气象, 45(11):1 560-1 568.
[11]	朱丽, 吕潇雨, 郭浩, 等, 2023. ERA5-Land降水产品在黄河流域干旱监测中的适用性研究[J]. 干旱气象, 41(5):677-687. DOI
[12]	朱占云, 张露萱, 李福刚, 等, 2024. 新安江流域气象干旱和水文干旱特征及两者之间的关系研究[J]. 干旱气象, 42(2):157-165. DOI
[13]	CAI N H, SUN H C, YAN P C, 2024. Kilometer-scale precipitation forecasting utilizing convolutional neural networks: A case study of Jiangsu’s coastal regions[J]. Hydrology, 11(10): 173. DOI: 10.3390/hydrology11100173.
[14]	HARRIS I, OSBORN T J, JONES P, et al, 2020. Version 4 of the CRU TS monthly high-resolution gridded multivariate climate dataset[J]. Scientific Data, 7: 109. DOI: 10.1038/s41597-020-0453-3. PMID
[15]	HERSBACH H, BELL B, BERRISFORD P, et al, 2020. The ERA5 global reanalysis[J]. Quarterly Journal of the Royal Meteorological Society, 146(730):1 999-2 049. DOI URL
[16]	LU E, 2009. Determining the start, duration, and strength of flood and drought with daily precipitation: Rationale[J]. Geophysical Research Letters, 36(12): L12707. DOI: 10.1029/2009GL038817.
[17]	MCKEE T B, DOESKEN N J, KLEIST J, 1993. The relationship of drought frequency and duration to time scales: Proceedings of the Eighth Conference on Applied Climatology[C]. California: American Meteorological Society: 179-184.
[18]	MOREIRA E E, MARTINS D S, PEREIRA L S, 2015. Assessing drought cycles in SPI time series using a Fourier analysis[J]. Natural Hazards and Earth System Sciences, 15(3): 571-585.
[19]	MUÑOZ-SABATER J, DUTRA E, AGUSTÍ-PANAREDA A, et al, 2021. ERA5-Land: A state-of-the-art global reanalysis dataset for land applications[J]. Earth System Science Data, 13(9):4 349-4 383. DOI URL
[20]	PALMER W C, 1965. Meteorological drought[R]. Washington DC: US Weather Bureau.
[21]	SUN L, LAN Y F, 2021. Statistical downscaling of daily temperature and precipitation over China using deep learning neural models: Localization and comparison with other methods[J]. International Journal of Climatology, 41(2):1 128-1 147. DOI URL
[22]	VICENTE-SERRANO S M, BEGUERÍA S, LÓPEZ-MORENO J I, 2010. A multiscalar drought index sensitive to global warming: The standardized precipitation evapotranspiration index[J]. Journal of Climate, 23(7):1 696-1 718. DOI URL
[23]	WANG M Y, CHEN Y B, LI J Y, et al, 2025. Spatiotemporal evolution and driving force analysis of drought characteristics in the Yellow River Basin[J]. Ecological Indicators, 170: 113007. DOI: 10.1016/j.ecolind.2024.113007.
[24]	WANG Q F, ZHANG R R, QI J Y, et al, 2022. An improved daily standardized precipitation index dataset for mainland China from 1961 to 2018[J]. Scientific Data, 9: 124. DOI: 10.1038/s41597-022-01201-z. PMID
[25]	WU H, SVOBODA M D, HAYES M J, et al, 2007. Appropriate application of the standardized precipitation index in arid locations and dry seasons[J]. International Journal of Climatology, 27(1): 65-79. DOI URL
[26]	ZHANG R R, BENTO V A, QI J Y, et al, 2023. The first high spatial resolution multi-scale daily SPI and SPEI raster dataset for drought monitoring and evaluating over China from 1979 to 2018[J]. Big Earth Data, 7(3): 860-885. DOI URL

基于ERA5降水数据的精细化干旱指数在黄河中上游地区的适用性评估

Assessment of applicability of a refined drought index based on ERA5 precipitation data for the middle and upper reaches of the Yellow River

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 26

相关文章 15

编辑推荐

Metrics

[1]	沈诗荐, 李金建, 马鹤翟, 李兴, 孟庆怡, 李霄宇. 亚欧大陆波列模态与热带对流对长江流域2024年夏末秋初复合高温干旱事件的协同影响[J]. 干旱气象, 2026, 44(1): 1-14.
[2]	李家良, 彭丽英, 刘祖任, 余绍荣, 梁家杰. 基于SPEI的粤西近50 a干旱特征分析[J]. 干旱气象, 2026, 44(1): 47-55.
[3]	段海来, 刘畅, 谢礼江. 珠江口咸潮与干旱复合事件风险及其对气候变化的响应[J]. 干旱气象, 2025, 43(6): 846-855.
[4]	杨耀先, 姚玉璧, 阳仁贵, 高瑜昺, 张伟伟, 邓梦雨, 肖淼元. 中纬度大气环流异常对2024年加州干旱引发山火的影响[J]. 干旱气象, 2025, 43(5): 655-666.
[5]	于晓晶, 张丽霞, 于志翔, 杨可儿. 2025年1月美国洛杉矶破纪录山火事件的干旱气象条件归因[J]. 干旱气象, 2025, 43(5): 667-677.
[6]	赵采玲, 杨金虎, 岳平, 颜鹏程, 李忆平, 李红, 李丹华. 2024年7月美国加利福尼亚州山火与干旱和高温等极端气象条件的关系及大气环流成因[J]. 干旱气象, 2025, 43(5): 678-688.
[7]	赵斯楠, 赵海燕, 代潭龙, 李睿, 邵丽芳, 张强. 高温和干旱对美国加利福尼亚州山火的影响[J]. 干旱气象, 2025, 43(5): 689-700.
[8]	李祎君. 不同干旱年型下冬小麦的抗旱效益估算[J]. 干旱气象, 2025, 43(4): 555-562.
[9]	何慧根, 张驰, 成青燕, 李永华, 甘薇薇, 金燕. 川渝地区夏季气象干旱差异及大气环流成因分析[J]. 干旱气象, 2025, 43(3): 355-365.
[10]	聂振岭, 吴国明, 董航宇. 干旱灾害对河北省苹果种植的风险评估[J]. 干旱气象, 2025, 43(3): 375-384.
[11]	苏天鑫, 孟宪红, 杨显玉, 安颖颖, 赵采玲. 1963—2022年西北地区中西部干旱演变特征及植被响应研究[J]. 干旱气象, 2025, 43(2): 163-175.
[12]	唐玉瑞, 齐月, 王鹤龄, 杨阳, 赵鸿, 张凯, 魏星星, 王仁奎. 干旱胁迫下春玉米七叶期光合特性及其响应机理[J]. 干旱气象, 2025, 43(2): 176-185.
[13]	刘玉莲, 李秀芬, 康恒元, 孙爽, 袁芳, 周贺玲, 沈月钊. 1961—2023年黑龙江省多尺度干旱时空特征[J]. 干旱气象, 2025, 43(2): 186-194.
[14]	潘永地, 肖晶晶, 潘彦华, 石界. 一种基于累积降水与累积蒸发的气象干旱指数[J]. 干旱气象, 2025, 43(1): 1-10.
[15]	周建琴, 李蒙, 陶云, 窦小东, 王玉尤婷. 云南农业干旱灾害演变特征及其与气候因子的关系研究[J]. 干旱气象, 2025, 43(1): 21-31.