綜合干旱指數(shù)研究進(jìn)展

吳志勇，程丹丹，何 海，李 源，周建宏

(河海大學(xué)水文水資源學(xué)院，江蘇 南京 210098)

干旱是一種漸變的復(fù)雜自然現(xiàn)象，持續(xù)時(shí)間長(zhǎng)，影響范圍廣[1-2]。建立完善的干旱信息系統(tǒng)，對(duì)于及時(shí)準(zhǔn)確地評(píng)估區(qū)域干旱狀況、提高干旱風(fēng)險(xiǎn)防范能力、減輕旱災(zāi)帶來(lái)的損失及影響，具有重要的科學(xué)意義和應(yīng)用價(jià)值[3-5]。然而，干旱的發(fā)生強(qiáng)度和影響范圍等特征變量，一般難以直接觀測(cè)，通?；趯?shí)測(cè)或模擬水文氣象資料，采用干旱指數(shù)進(jìn)行描述[6]。選取適用的干旱指數(shù)，是準(zhǔn)確監(jiān)測(cè)和評(píng)估區(qū)域干旱狀況的基礎(chǔ)。

目前，國(guó)內(nèi)外學(xué)者已提出了上百種干旱指數(shù)。根據(jù)指數(shù)表征的干旱類(lèi)別，大致可分為3類(lèi)：①氣象干旱指數(shù)，一般用來(lái)描述降水的短缺，如降水百分位指數(shù)[7]、帕默爾旱度指數(shù)(Palmer drought severity index， PDSI)[8-9]、自適應(yīng)帕默爾干旱指數(shù)(self-calibrating Palmer drought severity index， sc-PDSI)[10]、標(biāo)準(zhǔn)化降水指數(shù)(standardized precipitation index， SPI)[11-12]和標(biāo)準(zhǔn)化降水蒸散發(fā)指數(shù)(standardized precipitation evapotranspiration index， SPEI)[13-14]等，以及結(jié)合PDSI和SPEI兩者優(yōu)勢(shì)改進(jìn)得到的標(biāo)準(zhǔn)化水分異常指數(shù)(standardized moisture anomaly index， SZI)[15-16]。②水文干旱指數(shù)，主要描述地表水的不足，如帕默爾水文干旱指數(shù)(Palmer hydrological drought index， PHDI)[17]、地表供水指數(shù)(surface water supply index， SWSI)[18]、標(biāo)準(zhǔn)化徑流指數(shù)(standardized runoff index， SRI)[19]和徑流干旱指數(shù)(streamflow drought index, SDI)[20]等。③農(nóng)業(yè)干旱指數(shù)，一般有兩種構(gòu)建思路，一種是基于土壤濕度、蒸散發(fā)等數(shù)據(jù)來(lái)反映土壤和作物的水分虧缺，如作物水分指數(shù)(crop moisture index， CMI)[21]、標(biāo)準(zhǔn)化土壤濕度指數(shù)(standardized soil moisture index， SSI)[22]、土壤含水量距平指數(shù)(soil moisture anomaly percentage index， SMAPI)[23]、土壤濕度虧缺指數(shù)(soil moisture deficit index， SMDI)[24]和蒸散發(fā)虧缺指數(shù)(evapotranspiration deficit index， ETDI)[24]等；另一種是基于遙感反演的植被狀況、地表溫度等陸面信息進(jìn)行大范圍農(nóng)業(yè)干旱監(jiān)測(cè)，如歸一化植被指數(shù)(normalized difference vegetation index， NDVI)[25]、植被狀態(tài)指數(shù)(vegetation condition index， VCI)[26]、增強(qiáng)植被指數(shù)(enhanced vegetation index， EVI)[27]和溫度條件指數(shù)(temperature condition index， TCI)[28]等。

對(duì)于一場(chǎng)嚴(yán)重的干旱事件，其發(fā)生發(fā)展過(guò)程往往對(duì)應(yīng)著不同類(lèi)型的干旱，存在旱情傳播和遞進(jìn)的聯(lián)系，由降水持續(xù)性缺少引起的氣象干旱作用于下墊面，對(duì)土壤、植被和水體產(chǎn)生不同程度的影響，從而觸發(fā)農(nóng)業(yè)干旱和水文干旱。然而，上述提到的干旱指數(shù)大多用于某一種干旱類(lèi)型的監(jiān)測(cè)，不能綜合反映干旱事件的多尺度特征及其帶來(lái)的多重影響。僅僅基于某一類(lèi)干旱指數(shù)來(lái)評(píng)估干旱狀況，容易出現(xiàn)干旱情勢(shì)的誤報(bào)和漏報(bào)[29-30]。因此，需要利用多種來(lái)源的水循環(huán)要素信息，綜合多種干旱指數(shù)的評(píng)估結(jié)果，向管理部門(mén)和公眾傳達(dá)全面可靠的實(shí)時(shí)旱情[31]。為了更準(zhǔn)確地監(jiān)測(cè)和評(píng)估干旱狀況，越來(lái)越多的研究開(kāi)始發(fā)展融合多源信息的綜合干旱指數(shù)，即在一個(gè)綜合的框架下去刻畫(huà)干旱的時(shí)空演變特征及其影響程度[32-34]。

目前，國(guó)內(nèi)外學(xué)者已經(jīng)提出了多種綜合干旱指數(shù)，但是學(xué)術(shù)界對(duì)于這一概念的理解并未達(dá)成共識(shí)，綜合干旱指數(shù)至今沒(méi)有統(tǒng)一明確的定義。Niemyer等[35]將融合多學(xué)科數(shù)據(jù)的干旱指數(shù)劃分為兩類(lèi)：①考慮多種水文、氣象、農(nóng)業(yè)致旱因子的綜合干旱指數(shù)(comprehensive drought indices)；②基于多種單一干旱指數(shù)構(gòu)建的組合干旱指數(shù)(combined drought indices)。Hao等[36]將綜合了多個(gè)致旱因子或指數(shù)的干旱指數(shù)定義為多元干旱指數(shù)(multivariate drought index，MDI)，從指數(shù)構(gòu)建方法的角度介紹了MDI指數(shù)的研究進(jìn)展。世界氣象組織(world meteorological organization， WMO)[37]將基于加權(quán)或建模方法合并不同干旱指數(shù)得到的結(jié)果統(tǒng)稱(chēng)為綜合(或混合)干旱指數(shù)(composite/hybrid drought indicators)。本文在前人研究的基礎(chǔ)上，結(jié)合近幾年的趨勢(shì)，從指數(shù)構(gòu)建理論方法和業(yè)務(wù)化應(yīng)用兩個(gè)方面總結(jié)綜合干旱指數(shù)的研究進(jìn)展。需要指出的是，本文論述的綜合干旱指數(shù)是通過(guò)集成多類(lèi)型的干旱指數(shù)來(lái)表征干旱的多種尺度和多重影響，是一種廣義的綜合指數(shù)，可以是由公式直接計(jì)算得到的數(shù)值，也可以是基于多指數(shù)集成的綜合模型的輸出結(jié)果。

1 綜合干旱指數(shù)構(gòu)建方法

1.1 權(quán)重組合方法

權(quán)重組合方法是目前最常見(jiàn)的綜合干旱指數(shù)構(gòu)建方法[38-40]?；谠摲ǖ木C合干旱指數(shù)是通過(guò)選取各種單一干旱指數(shù)進(jìn)行加權(quán)得到的，結(jié)構(gòu)簡(jiǎn)單，易于理解；然而參與組合的指數(shù)分量及其權(quán)重的合理性，在很大程度上決定了這一類(lèi)綜合干旱指數(shù)能否大范圍推廣應(yīng)用。指數(shù)分量及其權(quán)重分配方案，一般依據(jù)專(zhuān)家的經(jīng)驗(yàn)判斷和特定的服務(wù)需求，或者通過(guò)與站點(diǎn)上的干旱指數(shù)(如PDSI、SPI)或?qū)嶋H干旱影響(如實(shí)測(cè)土壤濕度、作物產(chǎn)量等)的相關(guān)分析來(lái)確定。Zhang等[41]綜合了多傳感器微波遙測(cè)的降水、土壤濕度、地表溫度等信息，對(duì)降水條件指數(shù)、土壤水分條件指數(shù)、溫度條件指數(shù)進(jìn)行線性組合，構(gòu)建了一種綜合干旱指數(shù)(microwave integrated drought index， MIDI)，在與多種時(shí)間尺度的SPI指數(shù)進(jìn)行相關(guān)分析時(shí)，MIDI指數(shù)展現(xiàn)了其在短期干旱監(jiān)測(cè)方面的出色潛力；Lu等[42]基于歸一化處理的降水量指數(shù)、土壤濕度指數(shù)、地表溫度指數(shù)和歸一化植被指數(shù)，以及預(yù)設(shè)的15套權(quán)重方案，通過(guò)與PSDI指數(shù)、PalmerZ指數(shù)和多尺度的SPI等多個(gè)站點(diǎn)上的干旱指數(shù)進(jìn)行相關(guān)性分析，構(gòu)建具有最佳權(quán)重組合的綜合干旱指數(shù)(integrated scaled drought index， ISDI)，用于監(jiān)測(cè)美國(guó)農(nóng)業(yè)干旱事件，具有較好的穩(wěn)健性和實(shí)用性。

當(dāng)綜合考慮的變量較多時(shí)，常采用主成分分析法(principal component analysis， PCA)進(jìn)行數(shù)據(jù)降維，將可能存在相關(guān)性的多個(gè)變量轉(zhuǎn)換為少數(shù)幾個(gè)彼此獨(dú)立的新變量(即主成分)，再按照主成分?jǐn)y帶原始數(shù)據(jù)信息量的能力進(jìn)行權(quán)重分配[43-44]。盧金利等[45]對(duì)分別考慮降水、蒸發(fā)、徑流、土壤濕度的多種單一干旱指數(shù)進(jìn)行主成分分析，構(gòu)建了表征氣象干旱、農(nóng)業(yè)干旱的短期綜合干旱指數(shù)和表征水文干旱的長(zhǎng)期綜合干旱指數(shù)。PCA能夠降低旱情分級(jí)分類(lèi)的難度，但由數(shù)據(jù)降維引起的信息損失，在一定程度上可能影響干旱監(jiān)測(cè)結(jié)果的可靠性；此外，該法依賴(lài)于原始變量線性相關(guān)的假設(shè)，不適用于非線性情況?；诖耍琑ajsekhar等[46]采用核熵成分分析方法(kernel entropy component analysis， KECA)，綜合基于降水、土壤水分、徑流量和蒸散發(fā)的多種指數(shù)變量，構(gòu)建了非線性綜合干旱指數(shù)(multivariate drought index， MDI)，該指數(shù)基于核方法和信息熵理論，能以最小化的特征集最大限度地保留輸入數(shù)據(jù)集的信息量，同時(shí)不受限于數(shù)據(jù)轉(zhuǎn)換的線性假設(shè)。

1.2 多變量聯(lián)合分布方法

多變量聯(lián)合分布法也是一種構(gòu)建綜合干旱指數(shù)的常見(jiàn)方法，最具代表性的是Copula聯(lián)合分布法。該法通過(guò)構(gòu)造多個(gè)單一干旱指數(shù)的Copula聯(lián)合概率分布函數(shù)，對(duì)其累積聯(lián)合概率求逆得到綜合干旱指數(shù)，既保留了各指數(shù)變量本身的邊際分布，又能描述多種干旱指數(shù)之間復(fù)雜的依存關(guān)系[47]。Hao等[48]通過(guò)計(jì)算SPI和SSI的Copula聯(lián)合分布函數(shù)，提出了一種可對(duì)氣象干旱和農(nóng)業(yè)干旱進(jìn)行綜合評(píng)估的多變量標(biāo)準(zhǔn)化干旱指數(shù)(multivariate standardized drought index， MSDI)，該指數(shù)已成功應(yīng)用于全球綜合干旱監(jiān)測(cè)預(yù)測(cè)系統(tǒng)(global integrated drought monitoring and prediction system， GIDMaPS)[49-51]?；贑opula聯(lián)合分布的氣象水文綜合干旱指數(shù)研究也取得了一定進(jìn)展，如張迎等[52]采用Frank Copula函數(shù)，聯(lián)合SPI和SRI兩種指數(shù)構(gòu)建了一種新型綜合干旱指數(shù)MSDIp(multivariate standardized drought index， parametrically)；粟曉玲等[53]基于Gumbel Copula函數(shù)，發(fā)展了聯(lián)合SPEI和SDI的氣象水文綜合干旱指數(shù)(meteorology-hydrology drought index， MHDI)；為了集成更多的水文氣象要素信息，Shah等[51]采用Gaussian Copula函數(shù)，構(gòu)造SPI、SRI、SGI、SSI等多種類(lèi)型干旱指數(shù)的聯(lián)合分布，得出的綜合干旱指數(shù)(integrated drought index， IDI)成功捕捉到研究區(qū)內(nèi)多場(chǎng)嚴(yán)重干旱事件，以及植被響應(yīng)、徑流和地下水異常。

然而，基于參數(shù)化Copula函數(shù)構(gòu)造的綜合干旱指數(shù)對(duì)統(tǒng)計(jì)檢驗(yàn)和參數(shù)估計(jì)的要求十分嚴(yán)格，為了避免對(duì)于變量分布的假設(shè)，減輕擬合參數(shù)的計(jì)算負(fù)擔(dān)，Hao等[50]基于非參數(shù)化聯(lián)合分布方法對(duì)MSDI指數(shù)進(jìn)行了改進(jìn)，即采用Gringorten位置劃分經(jīng)驗(yàn)公式估算SPI和SSI的經(jīng)驗(yàn)聯(lián)合概率；李勤等[54]考慮了潛在蒸散發(fā)對(duì)干旱的影響，采用經(jīng)驗(yàn)Copula方法計(jì)算SPEI、SSI兩種指數(shù)的經(jīng)驗(yàn)聯(lián)合分布，提出改進(jìn)的MSDI指數(shù)(modified multivariate standardized drought index， MMSDI)，提高了氣象農(nóng)業(yè)綜合干旱監(jiān)測(cè)的效果。

基于聯(lián)合分布的綜合干旱指數(shù)構(gòu)建方法，通過(guò)描述多種干旱指數(shù)之間的依存關(guān)系來(lái)實(shí)現(xiàn)干旱的綜合監(jiān)測(cè)。然而，當(dāng)綜合的干旱指數(shù)數(shù)量較多時(shí)，不同指數(shù)之間的依存關(guān)系變得更加復(fù)雜，這將加大多元分布估計(jì)和高維相關(guān)性建模的難度；另外，聯(lián)合分布只能描述不同致旱因子之間的統(tǒng)計(jì)特性，對(duì)于干旱的內(nèi)在機(jī)理仍缺乏充分合理的解釋。

1.3 機(jī)器學(xué)習(xí)方法

隨著干旱監(jiān)測(cè)手段的發(fā)展與進(jìn)步，干旱基礎(chǔ)數(shù)據(jù)的豐富性和可用性不斷提高；然而，不同來(lái)源數(shù)據(jù)之間的復(fù)雜聯(lián)系及其時(shí)空尺度的不一致性，也給干旱分析工作帶來(lái)了較大挑戰(zhàn)。構(gòu)建基于機(jī)器學(xué)習(xí)方法的綜合干旱指數(shù)，為解決與干旱相關(guān)的數(shù)據(jù)挖掘問(wèn)題提供了有效途徑。采用機(jī)器學(xué)習(xí)算法，對(duì)由致旱因子或干旱指數(shù)序列組成的大量數(shù)據(jù)樣本進(jìn)行訓(xùn)練分析，求解相關(guān)分類(lèi)問(wèn)題或回歸問(wèn)題的決策函數(shù)，建立多種干旱指數(shù)與實(shí)際干旱狀況之間的關(guān)聯(lián)模型，從而基于模型輸出結(jié)果(即綜合干旱指數(shù))來(lái)識(shí)別干旱事件并對(duì)其發(fā)生發(fā)展過(guò)程進(jìn)行監(jiān)測(cè)[55-57]。常采用的機(jī)器學(xué)習(xí)算法包括決策樹(shù)(decision tree)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network， ANN)和支持向量機(jī)(support vector machine， SVM)。

決策樹(shù)是指從無(wú)序的樣本數(shù)據(jù)集中歸納分類(lèi)規(guī)則并以樹(shù)形結(jié)構(gòu)表示的分類(lèi)方法，代表算法為分類(lèi)與回歸樹(shù)(classification and regression tree， CART)。CART算法采用二分遞歸分割技術(shù)來(lái)劃分自變量空間，經(jīng)過(guò)多重決策生成二叉樹(shù)結(jié)構(gòu)，使用驗(yàn)證數(shù)據(jù)對(duì)決策樹(shù)進(jìn)行修剪，然后基于已分類(lèi)的變量組，分別建立各自的統(tǒng)計(jì)回歸規(guī)則和線性擬合模型。Brown等[58]采用Cubist分類(lèi)回歸軟件，綜合兩種氣象指數(shù)(SPI、sc-PDSI)、兩種植被指數(shù)(季平均植被綠度百分比、植被異常起始點(diǎn))和土地覆蓋、土壤有效含水量、灌區(qū)、生態(tài)區(qū)等生物物理信息，建立基于規(guī)則的分類(lèi)回歸模型，提出了植被干旱響應(yīng)指數(shù)(vegetation drought response index， VegDRI)，該指數(shù)考慮了植被在不同生長(zhǎng)階段對(duì)水分脅迫的敏感性差異，在美國(guó)干旱業(yè)務(wù)監(jiān)測(cè)中取得了較好的應(yīng)用效果；綜合地表干旱指數(shù)(integrated surface drought index， ISDI)[59]在VegDRI指數(shù)的基礎(chǔ)上還進(jìn)一步考慮了地表水熱條件和高程等信息，具有較高的空間分辨率，適用于大范圍和局地兩種尺度的干旱監(jiān)測(cè)[60-61]。劉高鳴等[62]綜合大氣異常、土壤水分和植被狀態(tài)等多方面的信息，基于SPI、SPEI、TCI、VCI、TVDI等指數(shù)構(gòu)建了決策樹(shù)模型，用于河南省農(nóng)業(yè)干旱監(jiān)測(cè)。

相較于決策樹(shù)方法，ANN和SVM更適合用于處理復(fù)雜非線性的干旱問(wèn)題。ANN是一個(gè)大規(guī)模的自適應(yīng)系統(tǒng)，具有很強(qiáng)的非線性映射能力，可以避免致旱因子間的線性假設(shè)，Karamouz等[60]基于兩種人工神經(jīng)網(wǎng)絡(luò)方法，使用SPI、PDSI、SWSI等不同類(lèi)型干旱指數(shù)對(duì)逐月干旱損失進(jìn)行定量描述，再通過(guò)計(jì)算干旱損失的累積概率得到混合干旱指數(shù)(hybrid drought index， HDI)，該指數(shù)考慮了研究區(qū)的氣候、農(nóng)業(yè)、水文、社會(huì)、經(jīng)濟(jì)等多種因素來(lái)評(píng)估干旱綜合損失，可幫助干旱管理決策者全面了解干旱的嚴(yán)重程度及影響。然而，ANN方法對(duì)訓(xùn)練樣本具有較強(qiáng)的依賴(lài)性和敏感性，可能導(dǎo)致過(guò)擬合現(xiàn)象[61]。SVM是一類(lèi)基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法，通過(guò)引入非線性映射和核函數(shù)，可將樣本空間中的高度非線性問(wèn)題轉(zhuǎn)化為特征空間內(nèi)的線性問(wèn)題進(jìn)行求解[63]，該法分類(lèi)精度高，求解速度快，適合解決小樣本問(wèn)題，具有良好的泛化推廣能力，但對(duì)參數(shù)調(diào)節(jié)和核函數(shù)的選擇較為敏感[56]。

基于機(jī)器學(xué)習(xí)方法構(gòu)建的綜合干旱指數(shù)，不僅能高效處理非正態(tài)分布數(shù)據(jù)，還能解決干旱指數(shù)時(shí)空尺度不一致的問(wèn)題，但這類(lèi)綜合干旱指數(shù)基于對(duì)大量樣本的模糊數(shù)據(jù)挖掘，適用于特定區(qū)域的干旱監(jiān)測(cè)，外延性一般不理想，這與模型結(jié)構(gòu)對(duì)訓(xùn)練數(shù)據(jù)以外的新鮮樣本的適應(yīng)能力(即模型泛化能力)有很大關(guān)系，應(yīng)用時(shí)應(yīng)格外關(guān)注模型優(yōu)化算法和參數(shù)的合理性。

2 綜合干旱指數(shù)業(yè)務(wù)化應(yīng)用實(shí)例

2.1 美國(guó)干旱監(jiān)測(cè)業(yè)務(wù)

由美國(guó)國(guó)家干旱減災(zāi)中心(national drought mitigation center， NDMC)牽頭，聯(lián)合美國(guó)農(nóng)業(yè)部、商務(wù)部和內(nèi)務(wù)部等多部門(mén)共同開(kāi)發(fā)的干旱監(jiān)測(cè)系統(tǒng)(USDM，U.S. drought monitor)(https://droughtmonitor.unl.edu/)，綜合利用了站點(diǎn)實(shí)測(cè)和遙感監(jiān)測(cè)的水文氣象資料，是美國(guó)現(xiàn)行的業(yè)務(wù)化干旱監(jiān)測(cè)工具[64-66]。該系統(tǒng)集成了基于站點(diǎn)計(jì)算的氣候指數(shù)、數(shù)值模式模擬結(jié)果和全國(guó)400多位水文氣候?qū)＜业慕?jīng)驗(yàn)知識(shí)，還考慮了干旱的實(shí)際影響，對(duì)全美當(dāng)前的干旱狀況以及近兩周內(nèi)的干旱演變情勢(shì)進(jìn)行監(jiān)測(cè)。USDM產(chǎn)品由一幅描述全美范圍干旱的監(jiān)測(cè)圖和概括干旱狀況與影響的評(píng)述文字組成，每周發(fā)布一次。

USDM基于百分位法，將干旱嚴(yán)重程度劃分為偏干(D0)、輕旱(D1)、中旱(D2)、重旱(D3)、特旱(D4)5個(gè)等級(jí)。干旱等級(jí)的閾值標(biāo)準(zhǔn)，最初由PDSI、SPI、標(biāo)準(zhǔn)化降水百分位數(shù)、氣候預(yù)測(cè)中心模擬的土壤濕度(CPC/SM)、地質(zhì)勘探局(U.S. geological survey， USGS)觀測(cè)的周流量以及植被健康指數(shù)(vegetation health index， VHI)等6個(gè)關(guān)鍵指數(shù)和CMI、森林火險(xiǎn)指數(shù)、水庫(kù)蓄量等輔助指數(shù)來(lái)確定[67]。為適應(yīng)干旱監(jiān)測(cè)業(yè)務(wù)的更高需求，SPEI、VegDRI等干旱指數(shù)也被用于確定各級(jí)干旱觸發(fā)水平[68]。USDM采用干旱指數(shù)客觀綜合方法進(jìn)行干旱狀況分析，選取了PDSI、CPC/SM和30天降水等指數(shù)，計(jì)算這些單一指數(shù)的當(dāng)前值在歷史序列中的百分位數(shù)，再進(jìn)行加權(quán)平均得到客觀綜合指數(shù)(objective blend of drought indicators， OBDI)，用于確定干旱監(jiān)測(cè)圖上的各州干旱等級(jí)。然而，OBDI值僅代表當(dāng)前干旱狀況在多種時(shí)間尺度上的平均水平，難以區(qū)分由短期降水虧缺、長(zhǎng)期降水虧缺導(dǎo)致的干旱影響。為了向用戶提供不同時(shí)間尺度上的干旱信息，USDM使用兩種客觀綜合干旱指數(shù)來(lái)同時(shí)監(jiān)測(cè)短期干旱和長(zhǎng)期干旱：短期綜合干旱指數(shù)(short term OBDI， stOBDI)選取了PalmerZ指數(shù)、1個(gè)月的SPI指數(shù)(SPI-1)、3個(gè)月的SPI指數(shù)(SPI-3)、CPC/SM、PDSI等指數(shù)作為組合變量，如式(1)所示；長(zhǎng)期綜合干旱指數(shù)(long term OBDI， ltOBDI)則是由SPI-6、SPI-12、SPI-24、SPI-60、CPC/SM、PHDI等指數(shù)線性加權(quán)得到的，如式(2)所示。

IstOBDI=a1Z+a2ISPI1+a3ISPI3+a4ISM+a5IPDSI

(1)

IltOBDI=b1ISPI6+b2ISPI12+b3ISPI24+b4ISPI60+

b5ISM+b6IPHDI

(2)

式中：IstOBDI和IltOBDI分別為stOBDI值和ltOBDI值；Z為PalmerZ指數(shù)值；ISPI1、ISPI3、ISPI6、ISPI12、ISPI24、ISPI60分別為1個(gè)月、3個(gè)月、6個(gè)月、12個(gè)月、24個(gè)月、60個(gè)月的標(biāo)準(zhǔn)化降水指數(shù)；ISM為CPC/SM值；IPDSI為PDSI值；IPHDI為PHDI值；a1、a2、a3、a4、a5、b1、b2、b3、b4、b5、b6分別為各指數(shù)分量的權(quán)重。

需要指出的是，這些綜合干旱指數(shù)中的各指數(shù)分量及其權(quán)重不是固定的，在特定地點(diǎn)和季節(jié)會(huì)有所變化[69]。USDM產(chǎn)品制作者將基于區(qū)域干旱特征和當(dāng)?shù)馗珊涤绊憟?bào)告，合理選取用于加權(quán)的各項(xiàng)單一指數(shù)，并調(diào)整其權(quán)重系數(shù)。例如，針對(duì)美國(guó)西部地區(qū)，考慮到長(zhǎng)期干旱對(duì)當(dāng)?shù)胤e雪和地表水資源的影響，該區(qū)的ltOBDI指數(shù)采取了一套自定義的指數(shù)加權(quán)方案，將SPI-6替換為60個(gè)月的PalmerZ指數(shù)。

然而，僅僅憑借OBDI指數(shù)計(jì)算的一個(gè)干旱等級(jí)去表征區(qū)域整體的干旱狀況，不足以體現(xiàn)更精細(xì)空間分辨率下的干旱細(xì)節(jié)。對(duì)此，USDM采取的解決策略是利用綜合干旱指數(shù)掌握全局的干旱狀況，確定干旱集中區(qū)，再針對(duì)特定部門(mén)的需求和具體影響采用專(zhuān)門(mén)的指數(shù)進(jìn)行干旱監(jiān)測(cè)，如USGS和NDMC研發(fā)的植被干旱響應(yīng)指數(shù)VegDRI，具有1 km的空間分辨率，能夠提供連續(xù)、大范圍、實(shí)時(shí)的干旱信息[70]，可協(xié)助OBDI指數(shù)監(jiān)測(cè)干旱事件的強(qiáng)度和范圍，便于當(dāng)?shù)馗珊淀憫?yīng)和減災(zāi)計(jì)劃的實(shí)施；同時(shí)，開(kāi)展OBDI指數(shù)在不同區(qū)域或季節(jié)的反復(fù)評(píng)估試驗(yàn)，以期將干旱監(jiān)測(cè)產(chǎn)品的空間分辨率整體提高至縣級(jí)水平[69]。USDM成熟的專(zhuān)家反饋機(jī)制，能夠及時(shí)獲取各州市干旱狀況及其影響的真實(shí)信息，可有效校正OBDI的監(jiān)測(cè)結(jié)果[66]。

2.2 歐洲干旱監(jiān)測(cè)業(yè)務(wù)

歐洲干旱觀察(European drought observatory， EDO)是歐盟委員會(huì)聯(lián)合研究中心(Joint Research Center， JRC)為開(kāi)發(fā)歐洲干旱信息系統(tǒng)而設(shè)立的一種監(jiān)測(cè)預(yù)測(cè)工具[71]。EDO通過(guò)多渠道整合歐洲大陸、國(guó)家、地區(qū)和流域的氣象、水文和遙感等多源信息，基于一系列不同類(lèi)型的干旱指數(shù)來(lái)監(jiān)測(cè)干旱事件的發(fā)生和演變(https://edo.jrc.ec.europa.eu)，可為歐洲干旱準(zhǔn)備和預(yù)警提供及時(shí)權(quán)威的在線信息服務(wù)。

EDO采用綜合干旱指數(shù)(combined drought indicator， CDI)來(lái)識(shí)別和監(jiān)測(cè)農(nóng)業(yè)干旱及其影響，時(shí)間尺度為10 d，空間分辨率為5 km，能夠較為準(zhǔn)確地捕捉區(qū)域的農(nóng)業(yè)干旱事件。CDI指數(shù)考慮了降水虧缺、土壤水分不足以及衛(wèi)星觀測(cè)的植被生長(zhǎng)異常等因素，綜合了EDO系統(tǒng)中使用的3個(gè)主要干旱指數(shù)：標(biāo)準(zhǔn)化降水指數(shù)SPI、土壤水分異常指數(shù)(soil moisture anomaly，SMA)和植被光合有效輻射比(fraction of absorbed photosynthetically active radiation， fAPAR)。采用5個(gè)干旱級(jí)別來(lái)劃分干旱影響水平，分別對(duì)應(yīng)農(nóng)業(yè)干旱演變過(guò)程的不同階段[72]：觀察級(jí)別(watch)表示出現(xiàn)降水虧缺；警戒級(jí)別(warning)表示土壤濕度異常和降水虧缺相伴發(fā)生；警報(bào)級(jí)別(alert)表示干旱開(kāi)始影響植被的正常生長(zhǎng)；部分恢復(fù)級(jí)別(partial recovery)表示經(jīng)過(guò)一段時(shí)間干旱后，氣象條件恢復(fù)正常但植被生長(zhǎng)還未恢復(fù)；完全恢復(fù)級(jí)別(full recovery)表示氣象條件和植被生長(zhǎng)均恢復(fù)正常狀態(tài)。

CDI指數(shù)綜合利用了大氣降水、土壤墑情和遙感反演的植被狀況等多源觀測(cè)信息，可在一定程度上減少農(nóng)業(yè)干旱監(jiān)測(cè)中的虛假警報(bào)；同時(shí)提供相對(duì)統(tǒng)一的指數(shù)形式，有利于農(nóng)業(yè)部門(mén)進(jìn)行有效的干旱風(fēng)險(xiǎn)管理和決策[64]。然而，CDI指數(shù)也存在一些局限性，如沒(méi)有考慮不同地區(qū)不同類(lèi)型植被的生長(zhǎng)季差異，在有云的情況下無(wú)法監(jiān)測(cè)植被水分脅迫，應(yīng)進(jìn)一步引入作物生育期等物候?qū)W指數(shù)，結(jié)合地表溫度指數(shù)和其他植被指數(shù)來(lái)更好地表征植被對(duì)干旱的響應(yīng)[72]。

2.3 中國(guó)干旱監(jiān)測(cè)業(yè)務(wù)

中國(guó)氣象局國(guó)家氣候中心于1995年開(kāi)發(fā)的“全國(guó)旱澇氣候監(jiān)測(cè)、預(yù)警系統(tǒng)”，經(jīng)過(guò)20多年的發(fā)展和實(shí)踐，在干旱業(yè)務(wù)方面已經(jīng)實(shí)現(xiàn)了降水量距平百分率(precipitation anomaly in percentage， PA)、相對(duì)濕潤(rùn)度指數(shù)(relative moisture index， MI)、SPI、SPEI、PSDI等多種指數(shù)的實(shí)時(shí)監(jiān)測(cè)[65,73]。目前該系統(tǒng)采用氣象干旱綜合指數(shù)(meteorological drought composite index， MCI)對(duì)全國(guó)范圍內(nèi)的干旱發(fā)生、發(fā)展情勢(shì)進(jìn)行逐日監(jiān)測(cè)(http://cmdp.ncc-cma.net/extreme/dust.php?product=dust_moni)。

MCI指數(shù)是在綜合氣象干旱指數(shù)(comprehensive meteorological drought index， CI)(參考GB/T 20481—2006《氣象干旱等級(jí)》)的基礎(chǔ)上改進(jìn)得到的。CI指數(shù)基于權(quán)重組合方法綜合了近30天和近90天的SPI指數(shù)以及近30天的相對(duì)濕潤(rùn)度指數(shù)，考慮了月、季尺度的降水異常和影響作物生長(zhǎng)的短期水分虧缺，適用于實(shí)時(shí)氣象干旱監(jiān)測(cè)和歷史同期氣象干旱評(píng)估[74-75]。然而，CI指數(shù)對(duì)降水過(guò)程的反應(yīng)過(guò)于敏感，對(duì)重大干旱事件的旱情描述偏輕，且存在不連續(xù)的旱情加重現(xiàn)象。針對(duì)這些問(wèn)題，學(xué)者們從調(diào)整降水量權(quán)重、增加60天降水、引入不等權(quán)重思想等方面對(duì)CI指數(shù)進(jìn)行了許多改進(jìn)[76-79]。國(guó)家氣候中心提出的MCI指數(shù)引進(jìn)了60天的標(biāo)準(zhǔn)化權(quán)重降水指數(shù)，補(bǔ)充考慮了150天降水對(duì)干旱累積的影響，同時(shí)添加了季節(jié)調(diào)節(jié)系數(shù)，根據(jù)不同季節(jié)不同地區(qū)農(nóng)作物生長(zhǎng)發(fā)育各個(gè)階段對(duì)土壤水分的敏感程度差異來(lái)調(diào)整，計(jì)算公式如式(3)所示，具體計(jì)算步驟見(jiàn)2017年發(fā)布的GB/T 20481—2017《氣象干旱等級(jí)標(biāo)準(zhǔn)》。MCI指數(shù)充分考慮了前期不同時(shí)間尺度的降水和蒸散發(fā)，使得干旱發(fā)展的累積效應(yīng)更加突出，適用于作物生長(zhǎng)季逐日氣象干旱的監(jiān)測(cè)評(píng)估。然而，GB/T 20481—2017《氣象干旱等級(jí)標(biāo)準(zhǔn)》中基于南北方氣候的差異對(duì)MCI指數(shù)制定的兩套權(quán)重組合方案，已然無(wú)法滿足各省的干旱監(jiān)測(cè)業(yè)務(wù)需求，在實(shí)際應(yīng)用中一般根據(jù)當(dāng)?shù)睾禐?zāi)情勢(shì)修正各組合分量系數(shù)，以增強(qiáng)MCI指數(shù)的本地化應(yīng)用效果和區(qū)域適用性[80-82]。

IMCI=Ka(aISPIW2+bIMI1+cISPI3+dISPI5)

(3)

式中：IMCI為MCI值；Ka為季節(jié)調(diào)節(jié)系數(shù)；ISPIW2為SPIW2值；ISPI5為5個(gè)月的標(biāo)準(zhǔn)化降水指數(shù)；IMI1為1個(gè)月(近30 d)的相對(duì)濕潤(rùn)度指數(shù)；a、b、c、d分別為各指數(shù)分量的權(quán)重系數(shù)，在南北方取值有差異。

3 研究展望

3.1 加強(qiáng)干旱過(guò)程內(nèi)在機(jī)理性研究

干旱的形成與大氣、土壤、地表水、地下水以及植被生理等過(guò)程密切相關(guān)，這些物理過(guò)程是高度非線性的，且存在多種反饋機(jī)制，氣候變化與人類(lèi)活動(dòng)更加劇了干旱過(guò)程的復(fù)雜性。目前的干旱研究常將一個(gè)完整的自然水循環(huán)過(guò)程割裂開(kāi)來(lái)考慮，現(xiàn)有綜合干旱指數(shù)大多難以反映多種干旱相關(guān)過(guò)程之間的物理聯(lián)系，不能全面地揭示干旱過(guò)程的內(nèi)在機(jī)理[83-84]。因此，為了更準(zhǔn)確地監(jiān)測(cè)干旱的時(shí)空變化和廣泛影響，構(gòu)建能夠體現(xiàn)干旱物理機(jī)制的綜合干旱指數(shù)很有必要。今后的干旱指數(shù)研究應(yīng)深入認(rèn)識(shí)不同時(shí)空尺度水循環(huán)過(guò)程的干旱形成機(jī)理，明晰降水、土壤水、溫度、植被等多種因素在干旱發(fā)生發(fā)展過(guò)程中的作用機(jī)制，尤其是作物對(duì)干旱的響應(yīng)和滯后效應(yīng)；此外，也要關(guān)注工業(yè)、城鄉(xiāng)居民、生態(tài)等干旱影響對(duì)象的用水需求，將干旱對(duì)社會(huì)經(jīng)濟(jì)造成的影響納入綜合干旱指數(shù)中。

3.2 提高多源信息融合水平

基礎(chǔ)數(shù)據(jù)的豐富性和可靠性，在很大程度上影響著綜合干旱指數(shù)的精度。目前干旱相關(guān)變量的主要數(shù)據(jù)來(lái)源是地面站點(diǎn)觀測(cè)和衛(wèi)星遙感監(jiān)測(cè)，水文氣象站網(wǎng)能夠獲取長(zhǎng)期、連續(xù)、穩(wěn)定的觀測(cè)資料，但受站點(diǎn)密度的限制，獲取的數(shù)據(jù)量有限，且空間覆蓋不連續(xù)，難以用于大范圍區(qū)域干旱監(jiān)測(cè)；遙感衛(wèi)星通過(guò)搭載多種不同類(lèi)型的傳感器，可獲取大范圍近實(shí)時(shí)的降水、土壤濕度、地表溫度、土地覆蓋、植被狀況等信息，具有較高的空間分辨率，為全球干旱監(jiān)測(cè)提供了豐富的數(shù)據(jù)來(lái)源[85-86]。然而衛(wèi)星遙感產(chǎn)品也深受反演算法、射頻干擾、復(fù)雜氣象條件和下墊面特性等因素的影響[87-88]，具有較大的不確定性，且不同遙感產(chǎn)品的時(shí)空分辨率和監(jiān)測(cè)精度差異較大，綜合應(yīng)用有一定難度。陸面數(shù)據(jù)同化系統(tǒng)利用資料同化技術(shù)對(duì)多種來(lái)源的歷史觀測(cè)資料進(jìn)行質(zhì)量控制和同化處理，重構(gòu)長(zhǎng)系列、高時(shí)空分辨率的再分析資料，在一定程度上改善了遙測(cè)數(shù)據(jù)的不確定性問(wèn)題，但也受制于數(shù)據(jù)同化采用的誤差估計(jì)與處理方法[75,85]。因此，結(jié)合地面站點(diǎn)、衛(wèi)星遙感、雷達(dá)探測(cè)等多種觀測(cè)手段，整合水文、氣象、農(nóng)業(yè)、生態(tài)和社會(huì)經(jīng)濟(jì)等多種信息，進(jìn)一步改進(jìn)多源數(shù)據(jù)的時(shí)空同化技術(shù)，提高資料的綜合利用水平，是未來(lái)綜合干旱指數(shù)研究的重要方向。

3.3 完善精度評(píng)價(jià)體系

精度評(píng)價(jià)是檢驗(yàn)干旱指數(shù)應(yīng)用效果的重要環(huán)節(jié)。目前，干旱指數(shù)精度評(píng)價(jià)的常用方法有：①與USDM、EDO等業(yè)務(wù)化干旱監(jiān)測(cè)產(chǎn)品的監(jiān)測(cè)結(jié)果進(jìn)行對(duì)比；②與一些公認(rèn)的干旱指數(shù)(如SPI、PDSI)評(píng)估的干旱狀況進(jìn)行相關(guān)分析，根據(jù)相關(guān)系數(shù)大小評(píng)估所選干旱指數(shù)的監(jiān)測(cè)精度；③結(jié)合當(dāng)?shù)匦侣剤?bào)道或文獻(xiàn)資料對(duì)已發(fā)生的重大干旱事件的旱情描述，對(duì)指數(shù)的監(jiān)測(cè)效果進(jìn)行定性評(píng)價(jià)。然而，這些驗(yàn)證方法都有一定的區(qū)域適用性限制，不同類(lèi)型干旱指數(shù)的精度評(píng)價(jià)方法也不盡相同，這使得用戶難以對(duì)各指數(shù)監(jiān)測(cè)效果進(jìn)行一致的比較，從而給特定區(qū)域和季節(jié)的干旱監(jiān)測(cè)增加了難度。為了提高綜合干旱指數(shù)在實(shí)際干旱監(jiān)測(cè)中的準(zhǔn)確性和適用性，需要構(gòu)建統(tǒng)一的干旱指數(shù)精度驗(yàn)證體系。可借鑒美國(guó)干旱監(jiān)測(cè)中采用專(zhuān)家驗(yàn)證反饋的成功經(jīng)驗(yàn)，基于主客觀證據(jù)融合方法對(duì)綜合干旱指數(shù)進(jìn)行一系列定性和定量評(píng)估，以全面了解各指數(shù)的優(yōu)勢(shì)和不足，從而為研究區(qū)選取合適的綜合干旱指數(shù)；此外，當(dāng)?shù)馗珊涤绊憟?bào)告也是一種干旱指數(shù)精度評(píng)估的手段，結(jié)合作物受旱/成災(zāi)面積、河流斷流情況、人畜飲水困難等統(tǒng)計(jì)資料進(jìn)行驗(yàn)證分析，但應(yīng)注意辨明這些影響或損失的成因是否與干旱有關(guān)。

4 結(jié) 語(yǔ)

融合多源信息的綜合干旱指數(shù)，能夠較為準(zhǔn)確及時(shí)地監(jiān)測(cè)干旱的發(fā)生發(fā)展過(guò)程、客觀全面地評(píng)估干旱的影響程度和范圍，可為減少干旱造成的損失提供技術(shù)支撐。目前，綜合干旱指數(shù)的常用構(gòu)建方法有權(quán)重組合、聯(lián)合分布和機(jī)器學(xué)習(xí)方法等，權(quán)重組合方法的關(guān)鍵在于指數(shù)分量的選取及合理賦權(quán)，聯(lián)合分布方法通過(guò)構(gòu)造聯(lián)合分布函數(shù)來(lái)推求多種干旱指數(shù)的聯(lián)合累積概率，機(jī)器學(xué)習(xí)方法則基于對(duì)大量干旱基礎(chǔ)數(shù)據(jù)的訓(xùn)練來(lái)挖掘干旱指數(shù)與干旱狀況之間的模糊空間關(guān)聯(lián)性。然而，這些方法多從統(tǒng)計(jì)學(xué)的角度去整合多種干旱指數(shù)，而對(duì)干旱發(fā)生發(fā)展過(guò)程中各致旱因子的相互作用反映不足，無(wú)法給出關(guān)于干旱形成演變機(jī)制的科學(xué)合理的解釋?zhuān)淮送?，?duì)于綜合干旱指數(shù)的監(jiān)測(cè)效果，仍缺乏有效的評(píng)估方法和手段。為進(jìn)一步加強(qiáng)綜合干旱指數(shù)在區(qū)域干旱監(jiān)測(cè)評(píng)估中的適用性，今后的綜合干旱指數(shù)研究應(yīng)聚焦以下幾個(gè)方面：①?gòu)乃h(huán)過(guò)程各致旱因子的相互作用機(jī)制出發(fā)，強(qiáng)化綜合干旱指數(shù)的內(nèi)在機(jī)理研究；②改進(jìn)多源數(shù)據(jù)的時(shí)空同化技術(shù)，提高綜合干旱指數(shù)的信息融合水平；③發(fā)展統(tǒng)一有效的干旱監(jiān)測(cè)驗(yàn)證方法，完善綜合干旱指數(shù)精度評(píng)價(jià)體系。