气候变暖下全球多类型干旱时空演变特征分析及比较

doi:10.11755/j.issn.1006-7639-2026-04-0525

摘要/Abstract

摘要：

全球变暖背景下，分析多种类型干旱时空演变特征及其对温度、降水的响应，对干旱风险评估及水资源管理具有重要意义。基于1982—2022年全球多源观测与再分析数据的自校正帕尔默干旱指数、标准化土壤湿度指数、标准化径流指数及标准化植被健康指数分别表征气象干旱、农业干旱、水文干旱和生态干旱，结合线性趋势分析及多元回归方法，揭示全球不同气候区多种类型干旱的长期趋势、变率以及温度与降水对其的贡献。结果表明：全球气象、水文和生态干旱呈显著加剧趋势，农业干旱呈现北半球缓解、南半球加剧特征；气象干旱变率显著减小但农业、水文干旱变率普遍增加。干旱区各干旱指数响应不一致，农业干旱呈缓解趋势，与气象、水文及生态干旱的加剧趋势相反，且气象与生态干旱变率增幅明显高于其他气候区；湿润区多类型干旱一致加剧，水文干旱加剧更显著。温度对多类型干旱的贡献均显著大于降水，升温加剧干旱，其中干旱区升温对气象、水文与生态干旱加剧的贡献尤为突出；降水量增加对气象、农业、水文干旱均具缓解作用。

关键词: 多类型干旱, 全球变暖, 标准化干旱指数, 气候响应

Abstract:

Understanding the spatiotemporal evolution of multi-type drought and its responses to temperature and precipitation is crucial for drought risk assessment and water resources management under a warming climate. This study is based on global multi-source observational and reanalysis datasets covering the period 1982 to 2022. The Self-Calibrating Palmer Drought Severity Index (scPDSI), Standardized Soil Moisture Index (SSMI), Standardized Runoff Index (SRI) and Standardized Vegetation Health Index (SVHI) are constructed to characterize meteorological, agricultural, hydrological, and ecological droughts, respectively. Using linear trend analysis and multiple regression methods, this study investigates the long-term trends and variability of multi-type droughts across global climate zones and quantifies the contributions of temperature and precipitation to these changes. The results indicate a significant global intensification of meteorological, hydrological, and ecological droughts, whereas agricultural drought shows a contrasting hemispheric pattern, with alleviation in the Northern Hemisphere and intensification in the Southern Hemisphere. Meteorological drought variability decreased markedly, whereas the variability of agricultural, hydrological droughts generally increased. In arid regions, the responses of different drought indexes are inconsistent. The mitigation trend in agricultural drought is opposite to the aggravation trends in meteorological, hydrological, and ecological droughts. Moreover, the changes in variability of meteorological and ecological droughts are more pronounced in arid regions compared with other regions. In humid regions, multi-type droughts intensified consistently, with hydrological drought showing particularly pronounced aggravation. Temperature contributes significantly more than precipitation to multi-type droughts. Warming generally exacerbates these droughts, with its contribution being particularly pronounced for meteorological, hydrological, and ecological droughts in arid regions. By contrast, increased precipitation tends to alleviate meteorological, agricultural, and hydrological droughts.

Key words: multi-type droughts, global warming, standardized drought index, climate response

中图分类号:

P467

王胤淇, 张艳婷, 陈慧, 曾展然. 气候变暖下全球多类型干旱时空演变特征分析及比较[J]. 干旱气象, 2026, 44(4): 525-539.

WANG Yinqi, ZHANG Yanting, CHEN Hui, ZENG Zhanran. Spatiotemporal characteristics and comparison of global multi-type droughts under climate warming[J]. Journal of Arid Meteorology, 2026, 44(4): 525-539.

图/表 12

图1 1982—2022年全球干旱分区（a）及土壤湿度（b，单位：mm）、径流（c，单位：m）和VHI（d）平均值空间分布

Fig.1 Global drought zoning （a） and spatial distribution of soil moisture （b， Unit： mm）， runoff （c， Unit： m）， and vegetation health index （VHI）（d） averaged during 1982-2022

图2 1982—2022年scPDSI（a）、SSMI（b）、SRI（c）、SVHI（d）长期趋势的空间分布 [单位：（10 a）-1] [打点区域通过显著性检验（P<0.05），下同]

Fig.2 Spatial distribution of long-term trends of scPDSI （a）， SSMI （b）， SRI （c） and SVHI （d） during 1982-2022 （the dotted areas passing the significance test （P<0.05），the same as below）

表1 1982－2022年不同空间尺度scPDSI、SSMI、SRI、SVHI变化趋势

Tab.1 Temporal trends of scPDSI， SSMI， SRI， and SVHI at different spatial scales during 1982-2022

指数	全球	北半球	南半球
scPDSI	-0.37*	0.04	-1.46*
SSMI	-0.03	0.64*	-1.88 *
SRI	-1.17*	-1.15*	-1.25 *
SVHI	-2.24*	-2.22*	-2.30*

图3 1982—2022年不同干旱区与湿润区scPDSI、SSMI、SRI、SVHI变化趋势（a）与趋势显著区域占比（b）

Fig.3 Variation of trends of scPDSI， SSMI， SRI and SVHI （a） and the proportion of areas with significant trends （b） during 1982-2022 in different arid and humid areas

图4 1982—2022年scPDSI（a）、土壤湿度（b，单位：mm）、径流（c，单位：m）、VHI（d）平均变率的空间分布

Fig.4 The spatial distribution of variability of scPDSI （a）， soil moisture （b， Unit： mm）， runoff （c， Unit： m） and VHI （d） averaged during 1982-2022

图5 1982—2022年scPDSI（a）、SSMI（b）、SRI（c）、SVHI（d）变率长期趋势空间分布[单位：（10 a）-1]

Fig.5 Spatial distribution of long-term trends in the variability of scPDSI （a）， SSMI （b）， SRI （c） and SVHI （d） during 1982-2022 （Unit：（10 a）-1）

表2 1982—2022年不同空间尺度scPDSI、SSMI、SRI、SVHI变率变化趋势

Tab.2 Temporal change trends of the variability of scPDSI， SSMI， SRI， and SVHI at different spatial scales during 1982-2022

指数	全球	北半球	南半球
scPDSI	-0.76*	-0.58*	-1.27*
SSMI	0.07	0.09*	0.02
SRI	0.13*	0.15 *	0.08
SVHI	0.07	0.08	0.05

图6 1982—2022年scPDSI、SSMI、SRI、SVHI的变率趋势值随干燥度指数（AI）的变化

Fig.6 Variation of trends of variability of scPDSI， SSMI， SRI， and SVHI with the aridity index （AI） during 1982-2022

图7 1982—2022年温度（a、c）和降水（b、d）的长期变化趋势空间分布[a，单位：℃·（10 a）-1；b，单位：mm·（10 a）-1]及其距平时间序列（c、d） [实线为5 a滑动平均，虚线为线性拟合趋势线，斜率k值加“*”表示通过显著性检验（P<0.05）]

Fig.7 Spatial distribution of longterm trends （a， Unit： ℃·（10 a）-1； b， Unit： mm·（10 a）-1） and time series （c， d） of temperature （a， c） and precipitation （b， d） during 1982-2022 （Solid lines for five-year moving average， dashed lines for linear trend， the slope （k-value） marked with “*” passing the significance test （P<0.05））

图8 1982—2022年温度（a、c、e、g）、降水（b、d、f、h）对scPDSI（a、b）、SSMI（c、d）、SRI（e、f）、SVHI（g、h）的多元线性回归系数空间分布

Fig.8 The spatial distribution of the multiple linear regression coefficients of temperature （a， c， e， g） and precipitation （b， d， f， h） on scPDSI （a， b）， SSMI （c， d）， SRI （e， f）， and SVHI （g， h） from 1982 to 2022

图9 1982—2022年温度（a、c、e、g）、降水（b、d、f、h）对scPDSI（a、b）、SSMI（c、d）、SRI（e、f）、SVHI（g、h）趋势贡献的空间分布（正、负贡献表示因子变化使指数值增加、减少）

Fig.9 Spatial distribution of contributions of temperature （a， c， e， g） and precipitation （b， d， f， h） to the trends of scPDSI （a， b）， SSMI （c， d）， SRI （e， f）， and SVHI （g， h） during 1982-2022 （The positive or negative contributions indicate that the factor change increases or decreases the index value）

图10 1982—2022年温度（a）、降水（b）对scPDSI、SSMI、SRI、SVHI贡献值随干燥度指数的变化

Fig.10 The variation of the contribution values of temperature （a） and precipitation （b） to scPDSI， SSMI， SRI， and SVHI with the aridity index during 1982-2022

参考文献 50

[1]	陈亚宁, 李玉朋, 李稚, 等, 2022. 全球气候变化对干旱区影响分析[J]. 地球科学进展, 37(2): 111-119.
[2]	柴荣繁, 2022. 基于CMIP6模式结果的全球干旱化归因、预估及经济社会影响研究[D]. 南京: 南京信息工程大学.
[3]	贾敏敏, 王飞, 徐明立, 等, 2024. 基于植被健康指数的中国干旱动态变化及其对大气环流因子的响应研究[J]. 水电能源科学, 42(7): 1-5.
[4]	李敏, 李建柱, 冯平, 等, 2018. 变化环境下时变标准化径流指数的构建与应用[J]. 水利学报, 49(11): 1 386-1 395.
[5]	李欣, 2021. 近60年来中国土壤干旱变化时空特征研究[D]. 南京: 南京信息工程大学.
[6]	李忆平, 李耀辉, 2017. 气象干旱指数在中国的适应性研究进展[J]. 干旱气象, 35(5): 709-723.
[7]	刘春蓁, 巢清尘, 王守荣, 等, 2023. 水文气象学领域的水文循环研究进展[J]. 气候变化研究进展, 19(1): 1-10.
[8]	刘海, 姜亮亮, 刘冰, 等, 2023. 近40年中国干旱特征及其对植被变化的影响[J]. 生态学报, 43(19): 7 936-7 949.
[9]	郝增超, 侯爱中, 张璇, 等, 2020. 干旱监测与预报研究进展与展望[J]. 水利水电技术, 51(11): 30-40.
[10]	邵进, 李毅, 宋松柏, 2014. 标准化径流指数计算的新方法及其应用[J]. 自然灾害学报, 23(6): 79-87.
[11]	粟晓玲, 姜田亮, 牛纪苹, 2021. 生态干旱的概念及研究进展[J]. 水资源保护, 37(4): 15-21.
[12]	孙可可, 姚立强, 刘雁翼, 等, 2026. 人类活动驱动下吉泰盆地典型流域水文干旱的多要素响应特征[J]. 长江科学院院报, 43(5): 32-41.
[13]	王亚萍, 王帅, 丁婧祎, 等, 2023. 气候变化背景下全球陆地干湿变化研究综述[J]. 生态学报, 43(2): 475-486.
[14]	王英, 迟道才, 2009. 干旱指标研究与进展[J]. 科技创新导报, 6(35): 72-74.
[15]	汪洋, 雷添杰, 程慧, 等, 2020. 干旱类型转化机理及预警体系框架研究[J]. 水利水电技术, 51(4): 38-46.
[16]	温明君, 武志涛, 杜自强, 等, 2026. 蒙古高原生态干旱监测及时空变化[J]. 干旱区地理, 49(7): 1 311-1 322.
[17]	王劲松, 郭江勇, 周跃武, 等, 2007. 干旱指标研究的进展与展望[J]. 干旱区地理, 30(1): 60-65.
[18]	王劲松, 李耀辉, 王润元, 等, 2012. 我国气象干旱研究进展评述[J]. 干旱气象, 30(4): 497-508.
[19]	徐欣瑶, 王旭峰, 张松林, 等, 2025. 全球陆地干旱的时空变化特征及其未来变化趋势分析[J]. 高原气象, 44(4): 923-942.
[20]	辛国君, 1999. 用零维能量平衡气候模型分析大气气溶胶的气候效应[J]. 北京大学学报:自然科学版, 35(3): 97-104.
[21]	尹国应, 张洪艳, 张良培, 2022. 2001-2019年长江中下游农业干旱遥感监测及植被敏感性分析[J]. 武汉大学学报:信息科学版, 47(8): 1 245-1 256.
[22]	张强, 潘学标, 马柱国, 等, 2009. 干旱[M]. 北京: 气象出版社.
[23]	张强, 张良, 崔显成, 等, 2011. 干旱监测与评价技术的发展及其科学挑战[J]. 地球科学进展, 26(7): 763-778.
[24]	祝亚丽, 刘洋, 孔祥慧, 等, 2025. 中国高温、干旱及其复合事件的研究进展和展望[J]. 大气科学学报, 48(1): 26-36.
[25]	BARICHIVICH J, OSBORN T J, HARRIS I, et al, 2025. Monitoring drought using the self-calibrating Palmer Drought Severity Index (in“State of the Climate in 2024”)[J]. Bulletin of the American Meteorological Society, 106(8): S77. DOI: 10.1175/BAMS-D-25-0102.1.
[26]	CHAI Y, MIAO C, AGHAKOUCHAK A, et al, 2026. Flash droughts exacerbate global vegetation loss and delay recovery[J]. Nature Communications, 17(1): 485. DOI: 10.1038/s41467-025-67173-x.
[27]	CRAUSBAY S D, RAMIREZ A R, CARTER S L, et al, 2017. Defining ecological drought for the twenty-first century[J]. Bulletin of the American Meteorological Society, 98(12): 2 543-2 550.
[28]	DURRE I, WALLACE J M, 2001. Factors influencing the cold-season diurnal temperature range in the United States[J]. Journal of Climate, 14(15): 3 263-3 278.
[29]	FAN Y, VAN DEN DOOL H, 2004. Climate prediction center global monthly soil moisture data set at 0.5°resolution for 1948 to present[J]. Journal of Geophysical Research, 109: D10102. DOI: 10.1029/2003JD004345.
[30]	FARAHMAND A, AGHAKKOUCHAK A, 2015. A generalized framework for deriving nonparametric standardized drought indicators[J]. Advances in Water Resources, 76: 140-145.
[31]	FENG H, ZHANG M, 2016. Global land moisture trends: drier in dry and wetter in wet over land[J]. Scientific Reports, 5: 18018. DOI: 10.1038/srep18018.
[32]	GEBRECHORKOS S H, SHEFFIELED J, VICENTE-SERRANO S M, et al, 2025. Warming accelerates global drought severity[J]. Nature, 642: 628-635.
[33]	GRINGORTEN I I, 1963. A plotting rule for extreme probability paper[J]. Journal of Geophysical Research (1896-1977), 68(3): 813-814.
[34]	GUI Y, WANG K, HUNTINGFORD C, et al, 2025. Vegetation greenness in 2024[J]. Nature Reviews Earth Environment, 6: 255-257.
[35]	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.
[36]	KOGAN F N, 1997. Global drought watch from space[J]. Bulletin of the American Meteorological Society, 78(4): 621-636.
[37]	LI F, ZHANG M, ZHAO Y, et al, 2023. Influence of irrigation and groundwater on the propagation of meteorological drought to agricultural drought[J]. Agricultural Water Management, 277: 108099. DOI: 10.1016/j.agwat.2022.108099.
[38]	MUÑOZ SABATER J, 2019. ERA5-Land monthly averaged data from 1950 to present[DS]. Copernicus Climate Change Service (C3S) Climate Data Store (CDS). DOI: 10.24381/cds.68d2bb30.
[39]	OMER A, MA Z G, ZHENG Z Y, et al, 2020. Natural and anthropogenic influences on the recent droughts in Yellow River Basin, China[J]. Science of the Total Environment, 704: 135428. DOI: 10.1016/j.scitotenv.2019.135428.
[40]	PINZO J E, PAK E W, TUCKER C J, et al, 2023. Global vegetation greenness (NDVI) from AVHRR GIMMS-3G+, 1981-2022[R/OL]. ORNL Distributed Active Archive Center. DOI: 10.3334/ORNLDAAC/2187.
[41]	SUN S, BI Z, MU M, et al, 2025. Quantifying impacts of vegetation greenness change on drought over global vegetation zones[J]. Geophysical Research Letters, 52: e2024GL111634. DOI: 10.1029/2024GL111634.
[42]	SHI Y, ZHANG Y, 2025. Seasonally asymmetric impacts of human activities on the diurnal temperature range over East Asia[J]. Climate Dynamics, 63(4): 444. DOI: 10.1007/s00382-025-07926-y.
[43]	TRENBERTH K E, 2011. Changes in precipitation with climate change[J]. Climate Research, 47: 123-138.
[44]	United Nations Environment Programme, 1992. World atlas of desertification[M]. Sevenoaks: Edward Arnold.
[45]	VAN DER SCHRIER G, BARICHIVICH J, BRIFFA K R, et al, 2013. A scPDSI-based global data set of dry and wet spells for 1901-2009[J]. Journal of Geophysical Research: Atmospheres, 118(10): 4 025-4 048.
[46]	YANG Y J, BI M H, NIE Z F, et al, 2021. Evolution of stomatal closure to optimize water-use efficiency in response to dehydration in ferns and seed plants[J]. New Phytologist, 230(5): 2 001-2 010.
[47]	YUAN X, WAANG Y M, JI P, et al, 2023. A global transition to flash droughts under climate change[J]. Science, 380(6641): 187-191.
[48]	YAN H, SUN N, YAO L, et al, 2025. Rising temperatures intensify drought propagation and severity across the contiguous United States[J]. npj Natural Hazards, 2: 91. DOI: 10.1038/s44304-025-00134-y.
[49]	ZENG J Y, ZHANG R R, QU Y P, et al, 2022. Improving the drought monitoring capability of VHI at the global scale via ensemble indices for various vegetation types from 2001 to 2018[J]. Weather and Climate Extremes, 35: 100412. DOI: 10.1016/j.wace.2022.100412.
[50]	ZHU Z C, PIAO S L, MYNENI R B, et al, 2016. Greening of the Earth and its drivers[J]. Nature Climate Change, 6(8): 791-795.