0 引 言
干旱作为一种极端气候事件，其发生频率和强度的增加会对全球生态系统产生显著影响（张强等，2011；Dai，2011；李忆平和李耀辉，2017）。干旱不仅导致农业减产和水资源短缺，还会加剧土地退化和沙化，进而威胁到生物多样性和生态平衡。青藏高原东缘因其独特的地理位置和气候条件，对气候变化表现出高度敏感性，是全球气候变化的一个重要指示区域（王美林等，2019）。这一地区的高寒草地在丰富水源涵养功能、维护生态平衡和物种多样性方面发挥着重要作用（曹旭娟，2017）。近年来，受气候变化、人类活动等因素影响，该地区干旱事件频发，生态系统面临严重威胁（Liu et al.，2020）。研究表明，极端干旱条件下，高寒草地的净初级生产力可减少47%，对生态系统稳定性造成显著影响（Smith et al.，2024）；干旱限制植被生长，削弱水源涵养能力，减少地下水补给，从而影响水资源供给，破坏当地生态系统平衡，威胁牧民的生计和经济发展（De Boeck et al.，2018；林丽等，2024；王姝等，2024）。因此，研究高寒草地干旱监测，有助于提高对全球气候变化的理解，特别是对青藏高原东缘高海拔地区气候变异性和生态系统响应的预测能力，为制定有效的生态保护和可持续发展政策提供科学依据。
气象干旱指数能够提供快速、准确的干旱监测信息，已成为评价干旱强度和范围的重要工具（王劲松等，2008；Ma et al.， 2014）。不同干旱指数在不同区域中表现出时空差异性，对干旱响应情况不一致（王素萍等，2020；郭冬等，2022）。例如，杨庆等（2017）研究指出：自校准帕默尔干旱严重程度指数（scPDSI）通过自动调整其内部参数，可以更好地适应不同地区的气候条件，相比于传统的帕默尔干旱指数（Palmer Drought Severity Index，PDSI）和修正PDSI（PDSI_CN），它在中国的广泛区域内提供了更准确的干旱监测。Bayarjargal等（2006）以PDSI为基准，通过变化矢量分析，比较了植被状况指数（Vegetation Condition Index，VCI）、温度条件指数（Temperature Condition Index，TCI）、植被健康指数（Vegetation Health Index，VHI）等8种遥感干旱监测指数在蒙古荒漠草原的适用性，发现很难确定最适合的指数，这可能与用于验证的地面观测资料不足有关（王玮等，2023）。郭铌和王小平（2015）比较了13种典型的农业干旱遥感监测指数，发现多种遥感干旱指数对农业干旱的描述并非完全一致，在不同地区表现出显著的异质性，因此难以找到一个普遍适用于所有地区的干旱指数。干旱的形成是一个复杂的自然过程，且受降水模式、土壤湿度、气温变化和地形等多种因素影响（张强等，2020），因此需要针对具体区域进行指数适应性评价（沈彦军等，2013；王莺等，2022；张世喆等，2022）。研究表明，区域性校验可以显著提高干旱预测的准确性（王素萍等，2020；刘海等，2023）。王素艳等（2013）采用累积频率法对综合气象干旱指数（Meteorological Drought Composite Index，MCI）进行本地化修正，并验证了其在宁夏地区的有效性。在干旱监测领域，传统气象干旱指数虽广泛应用，但其局限性在高寒地区尤为显著（Keyantash and Dracup，2002）。因此，本研究旨在对比分析不同气象干旱指数在青藏高原东缘高寒草地的适用性，选取适应性较强的指数进行本地化校验和改进，并开展干旱监测分析，以提高该地区干旱监测的准确性和预警能力，为区域生态保护和水资源管理提供科学支持。
1 研究区概况
以地处青藏高原东缘的玛曲县（33.11°N—34.50°N，100.76°E—102.48°E）为研究区（图1），该地区是典型的高寒山区，东邻碌曲县，西接若尔盖，南接阿坝藏族羌族自治州，北接夏河县，地理位置独特，且是黄河上游的重要组成部分。研究区境内有昆仑山系的阿尼玛卿雪山（积石山），从西向东横贯县境中部；西秦岭山系的西倾山则自北向南绵延进入县境北部，形成西北高、东南低的地势特征。境内海拔为3 500~4 800 m，峰峦嵯峨，沟壑纵横，河流湍急。研究区草地类型多样，主要包括高寒草甸、草原和灌丛草地。其中，高寒草甸广泛分布在海拔为3 200~3 800 m的地区，是当地草地生态的主导类型。研究区属于青藏高原大陆性季风气候，年平均气温约1~2 ℃，7月气温高，平均10.70 ℃；1月平均气温为-9.70 ℃。年均降水量为600.0 mm，降水量分布不均；夏季降水最多，平均为330.1 mm，占年降水量的55%；秋季次之，平均为159.1 mm，占年降水量的27%（王新源等，2019）。
图1
2 数据与方法
2.1 数据来源与数据预处理
玛曲站逐时土壤水分数据集，来源于国家气象科学数据中心（https://data.cma.cn/），包括玛曲气象站每天以10 cm为间隔的10~100 cm共10个层次土壤湿度实测数据，该数据时间段为2010—2022年，数据样本共计691 150个。
使用TerraClimate全球月尺度数据集，来源于Google Earth Engine（GEE）遥感数据分析平台。包括2010—2022年研究区月均气温、月降水量、潜在蒸散发、气候适宜径流量等原始气象要素资料，获取的数据包含CSV和TIF两种格式，每种要素的数据样本各有156个，共计624个。TerraClimate数据集是一个全球高分辨率的月尺度气候和气候水分平衡数据集，涵盖了1958—2022年的地表数据。该数据集在年际温度和降水变异方面具有较高的准确性和可靠性，为农业建模、自然资源管理和水文模拟等领域提供了精确的气候变量时间序列数据（Lemenkova，2022）。多项研究表明，该数据集在全球气候监测方面表现优异，特别是太阳辐射和气温数据的精度非常高（Araghi et al.，2023）。在中国区域，TerraClimate数据集的年平均气温和降水量年际变化表现出色，Pearson相关系数中位数分别为0.95和0.90，相比由英国东英吉利大学（University of East Anglia）气候研究中心（CRU）开发的全球陆地表面月尺度格点气候数据集（Climate Research Unit Time Series version 4.0，CRU Ts4.0），TerraClimate在绝对误差方面有显著改善（Abatzoglou et al.，2018）。
利用TerraClimate数据集中的参数计算得到逐月PDSI（0.5°分辨率），通过线性插值与研究区RH进行时空匹配。使用反距离权重法（Inverse Distance Weighting，IDW）将站点RH插值至PDSI对应的栅格尺度上。剔除冻土期数据（月均温≤0 ℃的月份），避免冻融过程对土壤湿度的干扰。
2.2 研究方法
2.2.1 干旱指数的计算方法
根据《气象干旱等级》（GB/T 20481—2017）（全国气候与气候变化标准化技术委员会，2017），分别计算降水量距平百分率（Precipitation Anomaly in Percentage，PA）、标准化降水指数（Standardized Precipitation Index，SPI）、帕默尔干旱指数（PDSI）和综合气象干旱指数（Meteorological Drought Composite Index，MCI）。
1）降水量距平百分率（PA）
PA能直接客观反映某时段降水量的异常程度，适合降水主导型气候，仅依赖降水数据，计算简单，能够快速评估干旱情况（李柏贞和周广胜，2014）。计算公式如下：
式中：P为某时段降水量，
2）帕默尔干旱指数（PDSI）
PDSI适合水分盈亏监测和评估，优点是综合考虑降水、蒸发和土壤湿度等因素，更能准确反映水分状况，适用于长期干旱监测和气候变化研究（Palmer， 1965）。计算公式如下：
3）标准化降水指数（SPI）
标准化降水指数基于标准化降水累积频率分布划分干旱等级（周扬等，2013）。SPI适用于月尺度以上气候监测，能够较好地捕捉降水异常变化。计算公式如下：
式中：P为某时段（如1个月、3个月）的实际降水量，
4）综合气象干旱指数（MCI）
MCI适用于干旱监测中涉及多个气象因素的情况，能较好地捕捉短期与长期的干旱趋势。该指数的优点是多变量结合，能够全面考虑降水、蒸发和湿度等因素，具有较强的适用性（Keyantash and Dracup，2002）。计算公式如下：
式中：Z30、Z90分别为近30 d和近90 d的标准化降水指数（SPI）值；M30为近30 d相对湿润度指数；a为近30 d标准化降水系数，由达轻旱以上级别Z30的平均值除以历史出现的最小Z30值得到，平均取0.4；b为近90 d标准化降水系数，由达轻旱以上级别Z90的平均值除以历史出现最小Z90值得到，平均取0.4；c为近30 d相对湿润系数，由达轻旱以上级别M30的平均值，除以历史出现最小M30值得到，平均取0.8。
基于以上干旱指数计算方法，采用Keyantash和Dracup（2002）提出的均值优化算法，分别生成PA、PDSI、SPI和MCI 4种月尺度干旱数据，然后选取每年中具有代表性，能够反映干旱情况的月尺度干旱数据进行平均，最后汇总得到相应年尺度的4种干旱指数数据。
2.2.2 干旱指数适应性评价方法
1）干旱识别精度分析
本研究利用台站实测土壤相对湿度数据和相应时期的干旱指数样本数据，结合总体精度评价方法（张旭辉等，2024），分别分析PA、SPI、PDSI和MCI 4种干旱指数对干旱发生的识别精度。计算公式如下：
式中：O为干旱识别精度，单位：%；Sdry为干旱指数和实测数据均有干旱发生天数，Smissed为实测数据有旱而干旱指数为无旱天数（即漏测），Lnormal为干旱指数和实测数据均为无旱天数，Lfault为实测数据无旱而干旱指数为有旱天数（即多测），单位：d。
2）干旱指数选取方法
利用Pearson相关系数衡量干旱指数与土壤湿度的线性关系强度。Pearson相关系数通过计算两个变量之间的协方差和标准差来获得（孙博等，2020）。计算公式如下：
式中：cov(X,Y)表示X和Y的协方差，std(X)和std(Y)分别表示X和Y的标准差。r=1表示两者完美的正向线性相关，r=-1表示两者完美的负向线性相关；r=0则表示两者没有（线性）相关性。
通过选取2010—2022年台站实测有旱（RH<60%）且持续天数大于30 d的样本数，以及连续30 d记录无旱的样本数，共计468个，并结合对应时段的PA、MCI、PDSI和SPI数据进行相关分析，最后在4种指数中选取干旱识别精度较高且相关性强的干旱指数，作为拟开展本地化校验的干旱指数。
2.2.3 干旱指数本地化校验
针对青藏高原东缘高寒草地区域特殊性，基于多源数据融合与统计分析，提出一种简化的干旱指数本地化校验流程，具体步骤：1）根据《气象干旱等级》（GB/T 20481—2017）（全国气候与气候变化标准化技术委员会，2017）分别对RH和干旱指数数据进行分级汇总。2）对干旱指数与土壤湿度进行相关性分析，优化干旱指数对应的分级阈值。其中，相关性计算：按干旱等级将月尺度RH数据分为无旱、轻旱、中旱、重旱和特旱5组，在每组内构建干旱指数与RH的散点图，计算两者的Pearson相关系数r；样本点筛选：根据散点图，剔除干旱指数与RH相关性较差的样本，分别筛选并建立无旱、轻旱、中旱、重旱和特旱5组相关系数r>0.7的干旱指数样本数据集；干旱指数阈值区间优化：利用每组经筛选后的干旱指数样本数据集，分别计算出无旱、轻旱、中旱、重旱和特旱的均值，作为该等级的阈值基准，且生成新的改进的干旱指数。3）改进干旱指数精度评价。根据干旱识别精度分析方法，对比原干旱指数与改进后指数的精度。通过对比两者在识别干旱天数（有旱和无旱）方面的准确性，以及漏测和多测样本情况，评估指数在实际应用中的准确性和本地化校验对识别精度的提高效果。
3 结果分析
3.1 干旱指数适应性评价
利用实测土壤相对湿度数据，结合干旱识别精度计算方法得出PA、PDSI、SPI和MCI的精度分别是48.21%、59.16%、38.79%和37.42%（表1）。其中，PDSI指数在有旱样本（Sdry=721个）和无旱样本（Lnormal=483个）的一致性识别中表现最优，识别精度（59.16%）明显高于其他3个指数；MCI在漏测样本（Smissed=752个）中占比最高（36.95%），反映出该指数对短期干旱事件的响应缺失。由此可见，4种指数在高原高寒草地对干旱的识别效能呈明显差异，其中PDSI虽在漏测与多测样本（Smissed+Lfault=831个）中仍存在40.80%的误差，但漏测率（15.60%）明显低于其他指数（SPI为33.75%，MCI为36.90%）。
表1 4种干旱指数精度分析结果
Tab.1
| 干旱指数 | 一致性样本数/个 | 非一致性样本数/个 | 识别精度/% | 误差/% | |||
|---|---|---|---|---|---|---|---|
| 有旱（Sdry） | 无旱（Lnormal） | 多测（Lfault） | 漏测（Smissed） | ||||
| PA | 638 | 344 | 704 | 349 | 48.21 | 51.79 | |
| PDSI | 721 | 483 | 512 | 319 | 59.16 | 40.84 | |
| SPI | 481 | 308 | 559 | 687 | 38.79 | 61.21 | |
| MCI | 569 | 192 | 522 | 752 | 37.42 | 62.58 | |
根据干旱指数与RH的相关关系（表2）可以看出，PDSI与RH的相关性最强（r=0.73，p=0.03），明显高于SPI和PA。基于以上干旱识别精度和相关分析综合结果，选取PDSI指数进行本地化校验和改进，并开展研究区干旱时空监测分析。
表2 4种干旱指数与土壤湿度的Pearson相关系数
Tab.2
| 干旱指数 | Pearson相关系数（r） | 显著性（p值） |
|---|---|---|
| PA | 0.64 | 0.05 |
| PDSI | 0.73 | 0.03 |
| SPI | 0.57 | 0.04 |
| MCI | 0.60 | 0.05 |
3.2 基于PDSI的干旱分级标准本地化校验
3.2.1 PDSI校验精度分析
根据干旱指数本地化校验方法，研究区无旱（RH>60%）样本数为152个，PDSI与RH的Pearson相关系数r=0.88（p<0.01），筛选后PDSIimproved>-1.43为无旱；轻旱（50%<RH≤60%）样本数为108个，PDSI与RH的Pearson相关系数r=0.84，筛选后-2.46<PDSIimproved≤-1.43为轻旱；中旱（40%<RH≤50%）样本数为96个，两者相关系数r=0.82，筛选后-3.52<PDSIimproved≤-2.46为中旱；重旱（30%<RH≤40%）样本量为78个，两者相关系数r=0.80，筛选后-4.36<PDSIimproved≤-3.52为重旱；特旱（RH≤30%）样本量为34个，两者相关系数r=0.78，筛选后PDSIimproved≤-4.36为特旱。汇总得出本地化校验后的PDSI干旱等级区间见表3。
表3 PDSI本地化校验前后干旱等级划分
Tab.3
| 类型 | PDSI（校验前）阈值区间 | PDSIimproved（校验后）阈值区间 |
|---|---|---|
| 无旱 | -1.0<PDSI | -1.43<PDSIimproved |
| 轻旱 | -2.0<PDSI≤-1.0 | -2.46<PDSIimproved≤-1.43 |
| 中旱 | -3.0<PDSI≤-2.0 | -3.52<PDSIimproved≤-2.46 |
| 重旱 | -4.0<PDSI≤-3.0 | -4.36<PDSIimproved≤-3.52 |
| 特旱 | PDSI≤-4.0 | PDSIimproved≤-4.36 |
通过比较校验前PDSI和本地化校验后的PDSIimproved的干旱识别精度可以看出，基于PDSI识别的有旱样本721个，无旱样本483个；而基于PDSIimproved识别的有旱样本702个，无旱样本为600个，有旱天数减少，无旱天数明显增加。与实测数据对比表明，多测样本从512个减少为253个，多测率明显降低，PDSIimproved的干旱识别精度可提升至71.31％（表4）。由此可见，对PDSI进行本地化校验后的PDSIimproved干旱识别精度可提高12.15%，且对干旱识别的准确性有明显提升。
表4 PDSI本地化校验前后识别精度对比
Tab.4
| 干旱指数 | 一致性 | 非一致性 | 识别精度/% | ||
|---|---|---|---|---|---|
| 有旱样本/个 | 无旱样本/个 | 多测样本/个 | 漏测样本/个 | ||
| PDSI | 721 | 483 | 512 | 319 | 59.16 |
| PDSIimproved | 702 | 600 | 253 | 270 | 71.31 |
3.2.2 PDSI校验前后2022年干旱监测分析
利用2022年各月站点土壤湿度实测数据与PDSI校验前后的干旱监测情况进行对比（图2）可以看出，1月，当实测土壤相对湿度为重旱等级时，PDSI识别为特旱，而本地化校验后的PDSIimproved识别为重旱，与实测旱情一致；4月，实测为轻旱，PDSI则误判为中旱，校验后PDSIimproved识别为轻旱，与实测旱情更加接近，有效抑制了因冻土融雪期湿度短期升高而导致的误差；9月和10月无旱时，校验前PDSI误判轻旱，PDSIimproved则能识别为无旱。由此可见，在2022年干旱监测中，PDSIimproved监测结果与站点实测旱情更加符合，且有效降低了干旱指数对旱情漏测和多测的情况，明显提升了高寒草地干旱监测的能力。
图2
图2
2022年各月土壤湿度及PDSI校验前后监测的干旱情况对比
Fig.2
Comparison of soil moisture and drought conditions monitored by PDSI before and after calibration in each month of 2022
3.3 PDSIimproved在2022年干旱监测中的应用
利用PDSIimproved对2022年研究区的旱情进行监测（图3）可以看出，2022年1—3月研究区出现较为严重的旱情，其中特旱面积较大，主要集中在东南部地区，西北部地区主要为轻旱或者无旱；随着气温回升和冻土消融补给增加，区域水分条件得到阶段性改善，相比1—3月，4月旱情开始有所缓解，干旱发生范围和程度均有所下降；5月旱情再次加剧，重旱和特旱面积有所增加；在东亚夏季风增强作用影响下，6月干旱面积减少，7月东北部重旱面积增加，8月旱情再次缓解；9—10月，受西南季风影响进入雨季，全区无旱；11—12月，东南部出现特旱并向西北方向扩展，干旱强度从东南向西北呈递减趋势。每年1、2、12月为当地旱季，降水匮乏（月均降水量<30 mm），叠加低温导致的土壤冻结，共同造成地表蒸散失衡与根系水分吸收受阻，形成典型的寒旱耦合现象。2022年研究区东南部地区干旱最为严重，主要分布在3 300~3 700 m之间的低海拔平坦区域，降水汇集和蒸发量大，加剧了干旱。而西部和北部地区因地势较高，降水多且蒸发率低，干旱情况相对较轻。由此可见，青藏高原东缘高寒草地干旱存在明显的季节特征和对温度变化较为敏感的特点。
图3
图3
2022年1—12月研究区本地化校验后的PDSIimproved监测的干旱空间分布
Fig.3
The spatial distribution of drought in the study area from January to December 2022 monitored by PDSIimproved after localization verification
4 讨论
研究区位于青藏高原东缘，年均气温1~2 ℃，冬春具有显著的季节性冻土分布特点。传统PDSI阈值（如无旱其阈值为-1.0）是基于温带土壤液态水连续补给条件下得到，而在研究区冬季，当表层土壤冻结时（20~30 cm层温度<-2 ℃），植被可利用的土壤液态水可能会出现补给不连续的情况（Wang et al.，2023），同时，在4—5月冻土消融期，研究区土壤饱和导水率高于普通草地，导致土壤湿度在相同PDSI值时下降更快（张强等，2024）。因此，根据研究区季节性冻土时空变化情况，建立土壤相对湿度与PDSI数值的对应关系，对PDSI干旱阈值进行适当调整，可提高PDSI在研究区的干旱识别精度。本研究基于2010—2022年实测资料，建立实测RH与PDSI指数的对应关系，优化干旱等级阈值。相比以往采用替代参数（如通过优化气候响应系数建立的scPDSI气候特征系数）来调整PDSI算法的方式（杨庆等，2017；Ma et al.，2018），本研究则保留了PDSI的核心算法，着重于根据特定区域的历史观测数据，优化干旱等级的划分标准，可避免传统PDSI算法在多山和冰雪覆盖地区应用时，可能会受到限制的情况（Bazrkar et al.，2020）。
研究区春冬季节，温度较低易形成冻土层，植被根系无法获取必要的水分，因而呈现出冬季多干旱的特征。这在土壤相对湿度较低的区域尤为明显，干旱条件下土壤湿度变化较大，监测误差也易随之增大。干旱监测误差的主要来源包括测量误差（如土壤湿度传感器的精度问题）和环境变化（如温度、降水变化对传感器的影响，以及冬季冻土层导致的非典型水分胁迫）；此外，模型误差和数据处理误差（如数据插值和缺失值处理）也可能导致一定的误差，尤其是在干旱恢复期，空间分辨率限制可能会影响监测的细节。
未来还需结合高时空分辨率气象数据动态调整日值干旱权重，融合其他干旱指数优势，如月尺度标准化降水蒸散指数（Standardized Precipitation Evapotranspiration Index at 1-month Scale，SPEI-1）、标准化土壤湿度指数（Standardized Soil Moisture Index，SSI）捕捉短期（如旬尺度）旱情波动，以及量化冬季冻土-水分滞后效应，并与本研究建立的PDSIimproved形成多尺度互补，以提升研究区复杂地形下的干旱监测能力。同时，通过增加同地区观测站点的数量提供更多的数据样本，将多源数据（如卫星遥感数据、地面观测数据）进行融合，利用不同数据的优势，弥补单一数据源不足的问题，以提升季节性干旱监测效果，也是后续研究的主要方向。
5 结论
通过对比分析不同气象干旱指数在甘南州玛曲县高寒草地旱情监测中的适用性，选择能够较准确反映该地区旱情的指数，并针对选定的干旱指数进行本地化校验，最终得出以下结论。
1）干旱指数PA、PDSI、SPI、MCI在研究区的干旱识别精度分别为48.21％、59.16％、38.79％、37.42％，其中PDSI干旱识别精度最高，但当土壤湿度≤60%且干旱天数不连续情况下，易出现漏测或者多测情况。
2）在研究区对PDSI进行本地化校验后，PDSIimproved干旱识别精度较PDSI有所提高，从59.16％提升到71.31%。
3）PDSIimproved对青藏高原东缘的典型干旱年份（2022年）进行干旱监测，结果显示干旱主要发生在东南部海拔3 300~3 700 m低地势处，且干旱存在明显的季节特征，主要集中在冬季，且以重旱和特旱为主。
参考文献
遥感干旱应用技术进展及面临的技术问题与发展机遇
[J].
干旱是全球各地区普遍存在的一种气候现象，也是对人类社会影响最为严重的一种自然灾害。全球气候变化和社会发展加剧了干旱的影响程度，增强了干旱灾害的风险，给全球农业水资源生态环境安全以及社会可持续发展造成巨大威胁，提高干旱监测和早期预警技术水平是应对。管理干旱和减轻干旱脆弱性的基础。近30 a来随着全球对地观测技术的迅速发展，卫星遥感监测干旱技术取得很大进步，在全球干旱监测和早期预警中发挥着不可替代的作用但是，干旱是多学科交叉的复杂问题，其发展过程缓慢时间和空间表现特征差异很大，遥感监测干旱技术在应用中还存在许多技术问题，对抗旱防灾提供支撑的力度仍不够。本文在简要总结卫星遥感监测干旱应用技术的基础上，对各种指数(模型)应用中存在的问题进行评述，指出卫星遥感干旱监测面临的主要技术问题和未来发展机遇;针对我国卫星遥感干旱应用现状，提出了亟待解决的主要问题和应该努力的方向。
气象干旱指数在中国的适应性研究进展
[J].在全球变暖背景下, 中国极端干旱事件频繁发生，其强度和范围都不断增大，这不但给国民经济特别是农业生产等带来巨大损失, 还会造成水资源短缺、荒漠化加剧、沙尘暴频发等诸多深远的不利影响。为进一步提高干旱监测、预测、评估和决策服务等方面的技术水平, 以气象干旱为对象，对常用的气象干旱指标在中国的时空适应性进行了系统总结。首先，从指数的计算原理及考虑要素的角度回顾了国内常用干旱指数及其特点，这些指标主要分为两类：一类是只考虑单一因子的干旱指标，另一类是考虑多要素的干旱指标。其次，系统归纳了这些干旱指数在我国不同区域、不同季节的适应性，阐述了对现有干旱指数的进一步修正、改进及其应用效果，并对影响干旱指数适应性的主要因素进行探讨。最后，提出目前干旱研究领域存在争议的问题，探讨今后在气象干旱监测指标及其适应性研究中应重点解决的关键科学问题及发展趋势。
K干旱指数在甘肃省干旱监测业务中的应用
[J].利用K干旱指数及其干旱监测预测业务系统,着重介绍了K干旱指数在甘肃省干旱监测业务中的应用。从K干旱指数的定义、等级、标准、应用及其监测结果与实际干旱状况的比较方面进行了分析。结果表明,与实际的旱情比较, K干旱指数在甘肃省2008年春季、5月、6月、伏期(7～8月)以及秋季前期9月的干旱监测中有较好的监测效果。
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。
CI综合气象干旱指数在宁夏的本地化修正及应用
[J].利用宁夏20个气象观测站近50 a逐日平均气温和降水资料，采用累积频率法对CI综合气象干旱指数进行了本地化修正。通过对比分析，修正后的指数对干旱的演变反映更为合理，对干旱事件的监测效果更好，适宜在宁夏应用。其应用分析表明：麻黄山、海原、固原、西吉４地春季、夏季和秋季各季节的干旱日数均增加，强度均增强；秋季所有地区干旱日数增多，强度增强，且大部分地区秋季干旱日数增加幅度最大；固原及以北地区的干旱增加趋势明显高于南部阴湿地区，且干旱中心向西转移，２１世纪以来同心和兴仁变为干旱中心。干旱事件中大部分干旱等级的日数与干旱日数和强度具有相同的变化趋势；春季大部分地区重旱和特旱日数的增加对其干旱日数的增加贡献率最大；夏季，盐池、麻黄山、固原和泾源特旱日数的变化对干旱日数变化贡献率最大；秋季，大部分地区中旱日数的变化对干旱日数变化的贡献率最大。21世纪以来，春夏季大部分地区干旱事件频率达到年代最高或次高值，且中部干旱带频率高于南部山区，大部分地区特旱日数达到年代最大值；秋季干旱事件频率减小，所有地区各干旱等级日数明显少于1980年代和1990年代。
21世纪以来干旱研究的若干新进展与展望
[J].干旱是中国影响范围最广、造成经济损失最严重的自然灾害之一，直接威胁国家粮食安全和社会经济发展，对干旱问题的认识和研究有助于提升国家防旱减灾能力。自新中国成立以来，中国对于干旱气象的研究取得了丰硕的成果。本文以21世纪以来中国气象局干旱气候变化与减灾重点开放实验室为平台开展的与干旱气象相关的科研项目群取得的研究成果为基础，通过成果检索，对干旱监测技术、干旱时空分布规律、干旱致灾特征、干旱灾害风险及其对气候变暖的响应以及干旱灾害风险管理与防御技术等方面的新进展进行总结和归纳。同时，基于干旱气象研究的前沿发展趋势，提出中国未来干旱气象研究应在加强气候变化背景下干旱高发区综合性干旱观测试验基础上，从不同维度和尺度定量研究干旱形成机理，构建多源数据融合和多方法结合的综合干旱监测新方法，揭示干旱致灾机理，科学评估干旱灾害风险，提出具有可执行性的风险管理策略等重点科学问题上取得突破。这对于推动中国干旱气象研究具有积极意义。
基于Sentinel-2时序数据的新疆焉耆盆地农作物遥感识别与评估
[J].为及时准确地获取干旱区农作物种植信息，研究借助PIE-Engine Studio平台，以新疆焉耆盆地为研究区，基于2022年Sentinel-2影像和1948个野外定位采样数据提取农作物生育期内14种植被指数，使用See5.0决策树、随机森林（Random forest，RF）和多元回归（Multiple regression，MR）模型优选特征参数，结合支持向量机（Support vector machine，SVM）算法构建5种分类模型和5种样方分割方案进行农作物种植信息提取，通过目视解译和混淆矩阵对比分析分类结果，确定最佳分类方案。结果表明：（1） 所有分类模型的总体精度（OA）和Kappa系数均在92.20%和0.9037以上，说明在PIE平台中使用SVM算法提取农作物信息是可行的。（2） SVM-有红边的OA和Kappa系数均值为93.77%和0.9236，比SVM-无红边方法提高了0.96%和0.0120。（3） 相比于SVM-有红边方法，植被指数的引入提高了SVM-RF、SVM-MR和SVM-See5.0的OA和Kappa系数。（4） 5种分类模型的OA和Kappa系数均值的大小关系为：SVM-RF>SVM-MR>SVM-See5.0>SVM-有红边>SVM-无红边，表明红边波段和植被指数的加入显著提高了农作物识别的精度，其中SVM-RF（8:2）为最佳分类模型，OA和Kappa系数分别为98.72%和0.9866。研究结果可为准确快速获取大尺度干旱区农作物信息提供新的思路和参考依据。
TerraClimate, a high-resolution global dataset of monthly climate and climatic water balance from 1958-2015
[J].
Evaluation of TerraClimate gridded data across diverse climates in Iran
[J].
A comparative study of NOAA-AVHRR derived drought indices using change vector analysis
[J].
Hydroclimatic aggregate drought index (HADI): A new approach for identification and categorization of drought in cold climate regions
[J].
Global evaluation of runoff from 10 state-of-the-art hydrological models
[J].
Drought under global warming: a review
[J].
Legacy effects of climate extremes in alpine grassland
[J].Climate change is particularly apparent in many mountainous regions, with warming rates of more than twice the global average being reported for the European Alps. As a result, the probability of climate extremes has increased and is expected to rise further. In an earlier study, we looked into immediate impacts of experimentally imposed heat waves in alpine grassland, and found that these systems were able to cope with heat as long as enough water was available. However, concomitant drought led to increased stress, and reduced aboveground biomass production and green plant cover. Here, we studied the legacy effects (lag-effects) of the imposed climate extreme to see whether delayed responses occurred and how fast the alpine grassland could rebound from the initial changes. Green cover continued to be suppressed the two following years in communities that had been exposed to the most intense hot drought, while aboveground biomass production had returned to control levels by year 2. The initial lower resistance of the forb fraction in the communities was not compensated by faster recovery later on. This resulted in alpine communities that became (and remained) relatively enriched with graminoids, which resisted the original extreme better. The responses of alpine grassland to heat extremes with or without drought observed in this study resemble those typically found in lowland grassland in the short term. However, alpine grassland exhibited longer legacy effects from an annual perspective, with delayed recovery of aboveground production and persistent changes in community composition. This suggests that once initial resistance thresholds are exceeded, impacts may be longer-lasting in alpine grassland, where recovery is constrained by both the short growing season and difficult seedling establishment.
The quantification of drought: An evaluation of drought indices
[J].
Mapping climate parameters over the territory of Botswana using GMT and gridded surface data from TerraClimate
[J].
Impact of continuous soil moisture deficit on winter wheat growth in the North China Plain
[J].
A new physically based self-calibrating Palmer drought severity index and its performance evaluation
[J].
A new standardized Palmer drought index for hydro‐meteorological use
[J].
Application of a hybrid multiscalar indicator in drought identification in Beijing and Guangzhou, China
[J].
Meteorological drought
[R].
Impact of soil moisture over Palmer Drought Severity Index and its future projections in Brazil
[J].
Extreme drought impacts have been underestimated in grasslands and shrublands globally
[J].
Pervasive permafrost thaw exacerbates future risk of water shortage across the Tibetan Plateau
[J].
National drought management policy guidelines: A template for action (Wilhite DA)
[R].
