引言
干旱具有影响范围大、持续时间长、时空变化连续等特点（张强等， 2009），然而以往干旱研究大多以单个气象站点的气象干旱来统计区域气象干旱的范围、时长和强度（郭冬等，2022；刘振宏等，2020；余兴湛等，2022）。Ren等（2012）提出一种区域性极端事件客观识别方法（Objective Identification Technique for Regional Extreme Events， OITREE），该方法能较好地识别出区域性气象干旱事件（任福民， 2015）。基于OITREE，相关研究揭示出了中国不同地区区域性气象干旱时空分布特征及变化规律（安莉娟等， 2014；李忆平等， 2015；李韵婕等， 2014；金燕等， 2018；张强等， 2021）。
气象行业标准《区域性干旱过程监测评估方法》（廖要明等， 2021）推荐使用的单站气象干旱综合指数（Meteorological Drought Composite Index， MCI）（国家气候中心， 2017）相较于其他干旱指数具有较好的适用性，能够较准确地反映中国各地气象干旱程度（王素萍等， 2020；李万志等， 2021；谢五三等， 2021；张超和罗伯良， 2021），相关研究（廖要明和张存杰， 2017；韩兰英等， 2019；马鹏里等， 2019；Cai et al.， 2021）基于MCI对中国各地干旱时空分布及灾情变化特征进行了较深入的探讨。然而MCI存在区域适用性差异，邹旭恺等（2022）研究表明四川、西藏等地MCI反映的旱情和实际旱情存在差异，因此MCI需要根据不同地区的实际灾情对相关参数进行修正（王春学等， 2019）。目前针对四川省区域性干旱过程的识别及监测评估方面的研究相对较少，故本文参考气象行业标准《区域性干旱过程监测评估方法》中的OITREE方法（廖要明等， 2021），根据四川省干旱特点调整OITREE方法中的参数来识别四川省区域性干旱过程。根据四川省气候特点和农作物时空分布状况，对气象干旱综合指数MCI进行改进，得到适合四川省干旱监测的干旱指数MCIm，并运用改进后的区域性干旱过程识别方法识别四川省区域性干旱过程，分析四川省区域性干旱过程的变化特征，运用经验正交函数（Empirical Orthogonal Function， EOF）分析区域性干旱时空分布特征（魏凤英等， 2007），运用旋转经验正交函数（Rotated Empirical Orthogonal Function， REOF）（魏凤英等， 2007）对四川省进行区域性干旱气候分区，并对每个干旱气候区采用Morlet小波分析其区域性干旱过程的周期振荡特性（Torrence and Compo， 1997），以期为气象干旱监测、评估、预警等业务以及防灾减灾等工作提供一定的参考。
1 数据与方法
1.1 数据
四川省155个国家气象站（图1）逐日平均气温和降水资料来自于国家气象信息中心（http://data.cma.cn/），数据均经过质量控制；四川省历年干旱受灾面积、有效灌溉面积以及各县（市、区）所属农业分区（图1，甘书龙， 1986）8种主要粮油作物（水稻、玉米、甘薯、小麦、油菜、小春洋芋、大春洋芋和大豆）的播种面积资料来自国家统计局（http://www.stats.gov.cn/tjsj/）。因1997年重庆市成立直辖市，故选用1997―2021年的相应数据来开展四川省干旱特征分析。
图1
图1
四川省155个国家气象站分布以及农业分区
Fig.1
Distribution of 155 national meteorological stations and agricultural regions in Sichuan Province
文中附图涉及地图基于国家测绘地理信息局标准地图服务网下载的审图号为川S（2021）00059号的标准地图制作，底图无修改。
1.2 方法
1.2.1 MCI计算方法改进
MCI计算方法（国家气候中心，2017）如下：
式中：
MCI原计算公式中四川省的Ka在各月为固定值，Ka建议值为1.0~1.2，这与四川省各地农作物种植结构、生长发育进程、水分供应状况千差万别的实际情况不符。因此，根据农作物播种面积和作物系数（作物不同发育期需水量与参考作物蒸散量的比值）来确定调节系数，计算公式如下：
式中：Kmij为第m个站第i年第j月的调节系数；wci为该站所属县（市、区）第i年第c种农作物播种面积sci与第i年8种农作物播种面积之和的比值；ucj为该站所在农业分区第j月第c种农作物的作物系数（王朝勇等，1999）。
改进的MCI（Modified Meteorological Drought Composite Index， MCIm）公式如下：
式中：Km为改进的季节调节系数。
本文采用四川省各国家气象站日平均气温、降水量资料计算逐日MCIm值。
1.2.2 区域性干旱过程识别
区域性干旱过程的识别与评估方法主要参考气象行业标准《区域性干旱过程监测评估方法》（廖要明等， 2021）：
（1）相邻站点判定
站点间距离计算方法（樊东卫等， 2019）如下：
式中：R为地球平均半径，取6 371 km；lonA （lonB）和latA（latB）分别为两站点A（B）的经度和纬度。
当D≤150 km时，站点A和B为相邻站点。
（2）区域性干旱日判定
《区域性干旱过程监测评估方法》中规定：“某日监测范围内MCI小于等于-1.0的相邻国家站点数占监测范围内国家站总数百分比大于等于5%时，则定义当日为1个区域性干旱日”（廖要明等，2021）。按照这一规定分析得到的四川省历年区域性干旱强度与实际干旱强度存在较大的差异，需根据四川省历年干旱情况确定四川省区域性干旱日的判定指标。定义如下：当某日四川省155个国家气象站中MCIm小于等于各站气象干旱阈值（MCIm_th）的相邻总站点数大于等于相邻站点数阈值，则定义该日为1个四川省区域性干旱日。
历年来四川省农业干旱发生的主要原因是降水不足，降水不足引发气象干旱，气象干旱持续发展继而造成农业干旱，但农业干旱发生程度与各地灌溉能力有很大的关系，灌溉能力强则农业干旱程度相对较轻，灌溉能力弱则农业干旱程度相对较重。从1997—2021年四川省年干旱受灾面积和年有效灌溉面积变化情况（图2）来看，1997—2021年四川省干旱受灾面积随着有效灌溉面积增大呈现出阶段性减小趋势，其中，1997—2008年有效灌溉面积先增大后相对稳定，干旱受灾面积总体偏大，平均年干旱受灾面积1.17×106 hm2；2009—2015年有效灌溉面积呈增大趋势，干旱受灾面积较1997—2008年明显减小且相对稳定，平均年干旱受灾面积0.58×106 hm2；2016—2021年有效灌溉面积快速增大，干旱受灾面积明显减小，平均年干旱受灾面积0.10×106 hm2。因此，在确定四川省区域性干旱日的判定指标时，分为3个时间段分别确定相邻站点数阈值和各国家气象站MCIm_th。相邻站点数阈值和MCIm_th为使得年累积持续干旱站点数[一年内所有区域性干旱过程持续干旱站点总数（如果一个站点同时出现在超过1次的区域性干旱过程中，可重复计数；另外对于跨年的过程持续干旱站点数分别计入相应年份），其中持续干旱站点为一次区域性干旱过程中连续15 d及以上干旱的站点]与年干旱受灾面积相关系数最大时的值（表1），其中，MCIm_th为MCIm按升序排列的第p个百分位值。
图2
图2
1997—2021年四川省年干旱受灾面积和年有效灌溉面积变化
Fig.2
Variations of annual drought disaster area and annual effective irrigation area in Sichuan Province from 1997 to 2021
表1 四川省区域性干旱过程相邻站点数阈值和气象干旱阈值百分位
Tab.1
| 起止年 | 相邻站点数阈值 | 第p个百分位 |
|---|---|---|
| 1997—2008 | 15 | 15 |
| 2009—2015 | 25 | 15 |
| 2016—2021 | 35 | 14 |
（3）区域性干旱过程判定
当区域性干旱过程中判定日干旱相邻站点数小于干旱相邻站点数阈值，或者判定日与前一日的干旱站点重合率低于50%时，即表示该次区域性干旱过程结束，将判定日的前一日确定为该次区域性干旱过程的结束日。
（4）区域性干旱过程综合强度指数计算
区域性干旱过程综合强度指数Z由过程平均强度、平均影响范围及持续日数等特征量分别进行归一化后加权综合得到：
式中：Ia为过程平均强度；Aa为过程平均影响范围（站点数）；D（d）为过程持续日数，α、β分别为平均影响范围和过程持续日数权重系数，均取0.5。
1.2.3 区域性干旱过程识别方法效果评估
采用年累积持续干旱站点数与年干旱受灾面积的相关系数是否通过显著性检验，来判定区域性干旱过程识别方法的好坏，即当年累积持续干旱站点数与年干旱受灾面积的相关系数通过α=0.001的显著性检验时，说明所给定的区域性干旱过程识别方法可靠、识别的结果可信。
2 结果分析
2.1 识别效果
图3
图3
1997—2021年四川省年累积持续干旱站点数和年干旱受灾面积变化
Fig.3
Variations of annual accumulated number of stations with persistent drought and annual drought disaster area in Sichuan Province from 1997 to 2021
2.2 区域性干旱过程变化特征
区域性干旱过程各特征变量频次分布见图4。区域性干旱过程的持续日数（D）主要集中在15~60 d，共发生44次，占总过程次数的86%；平均强度（Ia）主要集中在-1.95~-1.65，共发生35次，占总次数的69%；平均影响范围（Aa）集中在15~60站，共发生46次，占总次数的90%；综合强度指数（Z）集中在0.0~0.2，共发生45次，占总次数的88%。
图4
图4
1997—2021年四川省区域性干旱过程各特征变量频次分布
（a）持续日数，（b）平均强度，（c）平均影响范围，（d）综合强度指数
Fig.4
The frequency distribution of regional drought process characteristic variables in Sichuan Province from 1997 to 2021
（a） durative day，（b） average intensity，（c） average influential area，（d） comprehensive intensity index
四川省区域性干旱过程各特征变量及综合强度指数（Z）排名前5位的过程见表2。其中Z最大的5次区域性干旱过程分别为2012年12月21日至2013年4月4日、1997年7月18日至1998年2月3日、2006年6月10日至10月4日、2011年8月9日至12月16日、1999年1月11日至4月24日，相应Z值为0.60、0.48、0.43、0.43和0.41。各特征变量并没有一致强或者一致弱的现象。
表2 1997—2021年四川省区域性干旱过程各特征变量及综合强度指数（Z）排名前5位的过程
Tab.2
| 排位 | D/d（过程） | Aa/站（过程） | Ia（过程） | Z（过程） |
|---|---|---|---|---|
| 1 | 201 （1997-07-18至1998-02-03） | 83.62 （2012-12-21至2013-04-04） | -2.30 （1997-01-01至1997-01-22） | 0.60 （2012-12-21至2013-04-04） |
| 2 | 136 （2000-12-19至2001-05-03） | 70.60 （2009-02-04至2009-02-28） | -2.23 （2009-11-01至2009-12-12） | 0.48 （1997-07-18至1998-02-03） |
| 3 | 130 （2011-08-09至2011-12-16） | 70.02 （2002-08-29至2002-10-18） | -2.20 （2010-01-02至2010-02-17） | 0.43 （2006-06-10至2006-10-04） |
| 4 | 117 （2006-06-10至2006-10-04） | 65.45 （2010-01-02至2010-02-17） | -2.15 （2011-08-09至2011-12-16） | 0.43 （2011-08-09至2011-12-16） |
| 5 | 105 （2012-12-21至2013-4-4） | 60.81 （1997-07-18至1998-02-03） | -2.15 （1998-11-01至1998-12-09） | 0.41 （1999-01-11至1999-04-24） |
对1997—2021年四川省51次区域性干旱过程按发生时间升序排序，然后分析各特征变量的变化规律（图5）。三次项系数拟合趋势表明，持续日数呈现出“先变短再增长再变短”，平均影响范围呈现出“先减小再增大再减小”，平均强度和综合强度呈现出“先减弱再增强再减弱”的变化趋势，均通过α=0.010的显著性检验，其中D的均值为41 d，最长达201 d；Ia的均值为-1.84，最强为-2.30；Aa的均值为43.31，最大为83.62；Z的均值为0.13，最大值为0.60。
图5
图5
1997—2021年四川省51次区域性干旱过程各特征变量分布
（a）持续日数，（b）平均强度，（c）平均影响范围，（d）综合强度指数
Fig.5
The distribution of each characteristic variable of 51 regional drought processes in Sichuan Province from 1997 to 2021
（a） durative day，（b） average intensity，（c） average influential area，（d） comprehensive intensity index
2.3 年累积MCIm时空分布
年干旱过程累积日数为一年内所有区域性干旱过程持续日数的累积和（对于跨年的过程干旱日数分别计入相应年份）。图6为1997—2021年四川省平均年干旱过程累积日数空间分布，总体呈现出盆地多于盆周山区、盆周山区多于川西高原和攀西地区的特征，超过32 d的区域主要位于盆地中部。
图6
图6
1997—2021年四川省平均年干旱过程累积日数空间分布（单位：d）
Fig.6
Spatial distribution of annual accumulated days of drought processes averaged from 1997 to 2021 in Sichuan Province （Unit： d）
年累积MCIm为一年内所有区域性干旱过程中逐日MCIm的累积值（对于跨年的过程MCIm分别计入相应年份）。图7为1997—2021年四川省年累积MCIm距平EOF分解前两个模态空间型及时间系数。前两个模态的方差贡献率分别为48.1%、20.7%，累积方差贡献率达68.8％，且通过North等（1982）准则检验，表明前两个模态是有物理意义的信号，可反映四川省区域性干旱过程干旱强度时空特征。第1模态整个四川省呈一致的负值，表明区域性干旱过程中的干旱指数强度振荡位相相同、空间趋势分布一致，其中小值的区域主要在盆地中部[图7（a）]，由时间系数[图7（c）]可知，1997、2001、2006和2013年干旱强度呈现全省一致的明显强，2008、2017、2019年呈现全省一致的明显弱。第2模态空间型呈“南负北正”的反向分布[图7（b）]，由时间系数[图7（d）]可知，2009、2010、2011和2013年干旱强度呈明显的南强北弱，1997、2001和2002年呈明显的北强南弱。
图7
图7
1997—2021年四川省年累积MCIm距平EOF分解第1（a、c）、第2（b、d）模态空间型（a、b）及时间系数（c、d）
Fig.7
The spatial patterns （a， b） and time coefficients （c， d） of the first （a， c） and second （b， d） modes of annual accumulated MCIm anomaly decomposed by EOF in Sichuan Province from 1997 to 2021
通过EOF分解的年累积MCIm距平场，前6个EOF模态的累积方差贡献率为86.7%（≥85.0%），故对前6个EOF做旋转。为保证各分区间相互重叠或遗漏部分较少，以载荷绝对值大于等于0.6为临界值进行分区，可将四川省分为6个区域性干旱气候区（图8），分别是Ⅰ区盆西北（成都市、德阳市、绵阳市、广元市）和川西高原东北部（阿坝州）、Ⅱ区攀西地区（凉山州和攀枝花市）、Ⅲ区盆西南（眉山市、乐山市、雅安市）、Ⅳ区盆南（泸州市、宜宾市、自贡市）、Ⅴ区盆东北（南充市、达州市、巴中市、广安市）和盆中（遂宁市、资阳市、内江市）、Ⅵ区川西高原大部（甘孜州）。由图9可知，各分区年累积MCIm的二次项系数拟和趋势表明Ⅰ区、Ⅲ区和Ⅴ区年累积MCIm呈减弱趋势，Ⅱ区、Ⅳ区和Ⅵ区呈先增强再减弱趋势，各区趋势均通过α=0.010的显著性检验。
图8
图9
图9
1997—2021年四川省6个干旱气候区年累积MCIm变化
Fig.9
Variation of annual accumulated MCIm in six drought climatic areas in Sichuan Province from 1997 to 2021
使用Morlet小波分析法，分析四川省6个区域年累积MCIm的周期特征，结果如图10所示。Ⅰ区在2003—2014年存在2~5 a周期振荡，其中2005—2009年显著；Ⅱ区在2004—2015年存在2~4 a周期振荡，其中2006—2015年显著；Ⅲ区在2003—2015年存在2~3 a周期振荡，其中2003—2008年和2012—2014年显著；Ⅳ区在2008—2015年存在显著的准2 a周期振荡；Ⅴ区在2003—2013年存在2~4 a周期振荡，其中2003—2009年显著；Ⅵ区在2003—2014存在2~5 a周期振荡，其中2004—2009年显著。总体来看，2009—2015年各区的周期振荡相比2001—2008年频率更高。
图10
图10
1997—2021年四川省6个干旱气候区年累积MCIm的小波系数实部
（粗实线表示通过α=0.050显著性水平临界值，细实线表示边缘效应影响较大的区域）
Fig.10
The real part of the wavelet coefficients of annual accumulated MCIm in six drought climatic areas in Sichuan Province from 1997 to 2021
（The thick black contour designates critical value at the 0.050 significance level， and the cone of influence （COI） where edge effects might distort the picture is shown as a light contour）
3 结论与讨论
本文基于四川省155个国家气象站逐日平均气温和降水、历年干旱受灾面积、有效灌溉面积以及各县（市、区）农作物播种面积资料，对MCI和区域性干旱过程识别方法进行了改进。基于MCIm和改进的识别方法识别出1997—2021年四川省共有51次区域性干旱过程。在此基础上进一步分析四川省区域性干旱过程时空分布特征。所得结论如下：
（1）区域性干旱过程的持续日数（D）主要集中在15~60 d，占比86%；平均强度（Ia）主要集中在-1.95~-1.65，占比69%；平均影响范围（Aa）集中在15~60站，占比90%；综合强度指数（Z）集中在0.0~0.2，占比88%。持续日数呈现出“先变短再增长再变短”，平均影响范围呈现出“先减小再增大再减小”，平均强度和综合强度呈现出“先减弱再增强再减弱”的变化趋势，均通过α=0.010的显著性检验。
（2）年干旱过程累积日数总体呈现出盆地多于盆周山区、盆周山区多于川西高原和攀西地区的特征，超过32 d的区域主要位于盆地中部。年累积MCIm距平场的EOF第1模态特征向量场具有全局一致性的空间变化特征，1997、2001、2006和2013年区域性干旱过程强度呈现全省一致的明显强，2008、2017、2019年呈现全省一致的明显弱。年累积MCIm值EOF第2模态特征向量场呈现南北反位相分布，2009、2010、2011和2013年区域性干旱过程强度呈明显的南强北弱，1997、2001和2002年呈明显的北强南弱。
（3）利用REOF将四川省分为6个区域性干旱气候区。Ⅰ区、Ⅲ区和Ⅴ区年累积MCIm随时间变化呈现出明显的减弱趋势，Ⅱ区、Ⅳ区和Ⅵ区呈现出先增强再减弱的趋势。从年累积MCIm时间序列的周期振荡来看，Ⅰ区有2~5 a振荡，Ⅱ区有2~4 a振荡，Ⅲ区有2~3 a振荡，Ⅳ区有准2 a振荡，Ⅴ区有2~4 a振荡，Ⅵ区有2~5 a振荡。总体来看，2009—2015年各区的周期振荡相比2001—2008年频率更高。
本文虽对MCI和区域干旱识别方法进行了改进，并基于改进的方法对1997―2021年四川省气象干旱的时间和空间分布特征和规律做了进一步的分析和研究，但由于其他地区干旱的承灾体、暴露度和脆弱性等因素与四川省具有一定差异，因此本文中改进的干旱指数和区域性干旱识别方法是否能在其他地区得到应用与推广，还需结合当地干旱特点进行进一步分析和验证。
参考文献
气候变暖背景下中国干旱强度、频次和持续时间及其南北差异性
[J].
在全球气温日趋升高和极端降水增加的气候背景下，近年来中国干旱变化特征异常突出，新形势下需进一步深入认识干旱灾害影响机制。利用1960—2014年中国527个气象站逐日气温和降水量数据，选用改进的综合气象干旱指数（MCI）作为监测指标，详细分析了中国干旱强度、频次和持续时间变化特征及其南北差异性。结果表明：气候变暖背景下，中国干旱范围扩大、程度加剧、频次增加；干旱发生的范围发生了明显的转移，北方干旱加剧的同时，南方干旱明显加重，尤其是大旱范围明显增加。中国干旱范围主要在黄河流域以南和长江以北地区。干旱频次北方高于南方，东部高于西部，长江流域以北干旱频次较高。中国干旱持续时间较长，而且四季都有可能发生干旱。干旱不仅发生在干旱区和半干旱区，湿润和半湿润区域也常有干旱发生。不同年代、不同区域干旱发生的程度、持续时间和频次有一定的差异。中国20世纪90年代中后期至21世纪初期干旱范围最广、持续时间最长，造成的损失最严重。中国干旱强度、频次和持续时间南北差异性显著。气候变暖后，中国干旱强度加重、范围扩大、频次增加和持续时间增加明显。
2009/2010年中国西南区域性大旱的特征分析
[J].针对目前各种干旱指数对干旱事件整体识别能力的局限性，采用一种新的客观识别方法“区域性极端事件客观识别方法（OITREE）”对2009～2010年中国西南地区的秋冬春连旱进行了特征识别。结果表明：（1）此次干旱事件的发生时段为2009年8月25日至2010年4月18日，历时237 d，为近50 a（1961～2010年）综合强度排名第五位的干旱事件，是一次极端干旱事件；（2）此次极端干旱过程最大影响面积为576.82万km2，影响范围涉及到云南全省、四川南部、贵州大部（主要是西部）以及重庆、广西西部，其中，云南、贵州和广西3省交界区干旱最严重，其次为云南的中部和中西部，且云南省不论受旱面积还是受旱强度都是最大的；（3）此次干旱过程有4个明显变化阶段：干旱增强、减弱、再增强、最后解除。第一阶段为2009年8月25日至10月下旬，干旱开始发展并持续增强，影响范围最大可达约370万km2，包括西南、华南、华东、华北及东北南部的小部分地区，持续达2个月，受影响的核心区域除了西南地区以外，还有华北和华南的部分区域；第二阶段为2009年11月初至12月中旬，干旱强度急剧下降，影响范围最小只有约50万km2，主要在西南地区，持续时间只有1个月；第三阶段，2009年12月中旬至2010年3月下旬，旱情再一次增强，干旱面积再次扩大，影响范围最大可达约200万km2，包括西南及西北地区东部，持续时间为3个月，是4个阶段中发展时间最长的，主要受影响的核心区域为西南地区；第四阶段，2010年3月下旬至4月中旬，干旱逐渐缓解，直到过程结束，旱情解除。OITREE方法能从不同层次和方面完整地描述干旱事件的时空变化特点，其判别结果与实际情况基本一致，是一种有效监测干旱的新方法。
气候变暖背景下中国干旱变化的区域特征
[J].在全球气温日趋升高和极端降水增加的气候背景下，近年来中国干旱变化特征异常突出，新形势下需进一步深入认识干旱发生特征及影响机制。利用1960-2014年中国527个气象站逐日气温和降水量数据，选用改进的综合气象干旱指数（MCI）作为干旱监测指标，详细分析了中国各区域干旱强度、次数和持续时间变化特征及其差异性。结果表明：1960年以来，中国各区域干旱程度加重，范围增大，次数增多，持续时间增长。干旱特征发生了明显的区域变化，各个区域干旱变化差异显著。西南、华中、华北和华南区域干旱程度明显加重，主要是重度以上干旱次数较多。华北和西南干旱年数最多，为45年，其他地方为35~36年，华北重度以上干旱年份最多，为14年，其次是东北和华南的7年。干旱发生时间和区域也有随机性，中国各区域四季都有可能发生干旱，干旱不仅发生在北方干旱和半干旱区域，在南方湿润和半湿润区域同样发生。各区域以夏旱为主，东北以春旱和夏旱居多，华南以秋旱为主。干旱持续时间不等，有时高达9个月。有些区域年内干旱呈单峰型，有些区域为双峰型。气候变暖背景下，中国各个区域干旱呈加重趋势。
气象干旱综合指数MCI在四川省的适用性分析及修订
[J].使用1991-2013年四川省156站逐日气温、降水资料和干旱灾情资料,利用灰色关联方法建立了实际干旱灾害等级划分标准,进而分析了MCI指数在四川省的适用性,最后利用投影寻踪方法对MCI指数进行修订。结果表明,选择农作物受灾面积、社会受灾人口和直接经济损失三项指标建立的灰色关联度可以很好的表征干旱灾害的综合损失情况。适用性分析表明,基于MCI的干旱等级评估准确率普遍偏低,其中实际发生特旱21次,而MCI评估结果达115次。MCI指数对旱情等级评估偏重,这可能与四川省灌溉和供水能力逐渐提高有关。以灾害灰色关联度为参考序列,利用投影寻踪方法揭示MCI各个分量对实际旱灾的影响,找到最优投影方向,建立了MCI指数的修订系数。修订后的MCInew较MCI对旱灾等级的评估能力明显提高,其中对特旱评估的准确率从16.5%提高到62.5%,个例分析也表明MCInew与实际旱情的发生发展过程更加吻合。
多种干旱指数在中国北方的适用性及其差异原因初探
[J].利用中国北方（东北、 华北、 内蒙古、 黄淮以及西北地区中东部）12个省（区）267个站点逐日气象数据和典型站点土壤相对湿度资料, 对目前应用最为广泛的5种干旱指数在该区域的适用性进行了评估, 并对各指数监测结果差异原因进行了初步探讨。结果表明, 在我国北方干旱监测中, MCI和K指数的监测效果要优于SPI、 Pa和SPEI指数。MCI指数对研究区春旱的监测尤具有优越性, K指数对偏东、 偏南区域的夏、 秋、 冬季旱情的监测能力略优于MCI指数, Pa和SPI指数对夏、 秋季的旱情监测准确率较高, 而SPEI指数对夏旱有较强的监测能力。Pa指数、 SPI指数以及SPEI指数监测准确率低主要是因为这些指数监测偏轻或漏测的频率较高, 而K指数对东北区域的春旱漏测频率也较高, 漏测频率高达29%。各类干旱指数的监测能力与各自考虑的干旱影响因子及其时间尺度密切相关, 抓住主要因子和主要影响时间尺度是准确监测旱情的关键。
Identification of regional drought processes in North China using MCI analysis
[J].Drought is one of the most common natural disasters, which can cause heavy losses on a global scale. Strengthening the research on drought identification mechanism has an important guiding role in drought disaster prevention and mitigation. The current drought identification is mostly static in the process of drought, and there is a problem that the historical evaluation information and the drought prediction information are not closely combined, with limited application value. Based on the physical cumulative and recessional effects of drought events, this paper further uses the Standardized Precipitation Index (SPI) to divide the whole drought process into four stages: accumulation → outbreak → reaction → restoration. In addition, this study proposes a new dynamic identification mechanism based on drought process, and develops a drought prediction model combining singular spectrum analysis and BP neural network (SSA-BPNN), filling the gap between scientific research and practical application. Using three drought events in the Yulin region of China as examples for simulation studies, the results show that the use of the new mechanism can not only improve the application value of the SSA-BPNN model, but also effectively advance the drought preparation time and resistance level.
Anthropogenic warming has caused hot droughts more frequently in China
[J].
Sampling error in the estimation of empirical orthogonal functions
[J].
An objective identification technique for regional extreme events
[J].An extreme weather and climate event does not only mean that an extreme occurs at an individual point (station), but more generally it has a certain impacted area and duration, which means that it is a regional extreme event (REE). How to identify a REE is the basis for studies in this area. An objective identification technique for REE (OITREE), which is based on the model of “the string of candied fruits,” is proposed in this study. This technique consists of five steps: to select a daily index for individual points (stations), to partition natural daily abnormality belts, to distinguish the event’s temporal continuity, to establish an index system for regional events, and to judge extremity for regional events. In the index system developed specially for regional events, there are five single indices, namely extreme intensity, accumulated intensity, accumulated area, maximum impacted area and duration, as well as an integrated index and the spatial location. In this study, the proposed method was first applied to examine four types of REEs in China: heavy precipitation, drought, high temperature, and low temperature. Results show that the technique is skillful in identifying REEs, demonstrating the usefulness of the proposed method in detecting and studying of REEs and operational application.
A practical guide to Wavelet analysis
[J].
