综述：经典与整体干旱指数及指标的动力性评述与综合

本综述系统评述了50余种干旱指标/指数，深入探讨了经典干旱指数（如PDSI、SPI、TMI）与整体性指数（如USDM、CDI）的计算方法、数据需求及适用场景，揭示了当前干旱监测体系在空间异质性表征、多尺度预测及多源数据融合方面的局限性，并指出整合地理人工智能（Geo-AI）、遥感技术与多学科模型是未来干旱风险精准预警与可持续发展目标（SDGs）协同的关键路径。

　　

干旱的复杂性与监测挑战

干旱作为具有时空动态复杂性的自然灾害，对生态系统和社会多部门产生深远影响。其监测依赖气候型指数与指标，但传统方法在空间适用性、数据敏感性和多维度表征方面存在显著局限。干旱类型包括气象干旱（降水短缺）、农业干旱（土壤水分与作物需水失衡）、水文干旱（地表与地下水短缺）、生态干旱（自然-人类系统水分赤字）及社会经济干旱（水资源供需经济冲突），各类干旱通过级联效应引发从作物减产至人口迁移的连锁反应。

经典干旱指数及其局限性

帕尔默干旱强度指数（PDSI） 通过水分收支模型整合降水（P）与潜在蒸散（PET），适用于长期（6-24个月）区域干旱评估，但对参数设置敏感且难以捕捉短于12个月的干旱事件。标准化降水指数（SPI） 基于降水偏离均值的标准差量化干旱强度，支持多时间尺度（1-24个月）分析，但依赖概率分布函数选择且对输入数据质量高度敏感。Thornthwaite湿润指数（TMI） 通过P与PET比值划分气候干湿等级（-100至+100），但忽略湿度、风速等因子，导致蒸散估算偏差。此外，干旱指数（AI）基于P/PET比值界定干地带，降雨异常指数（RAI）通过极端降水阈值量化异常等级，作物水分指数（CMI）聚焦生长季短期水分盈亏，均存在时空尺度单一或忽略非气象因子的问题。

整体性干旱指数的集成优势

美国干旱监测（USDM） 融合气象、水文、农业与社会经济数据，通过五级分类（D0-D4）提供空间显式干旱评估，但缺乏长期历史回溯能力。干旱强度与覆盖指数（DSCI） 将USDM类别加权聚合（0-500连续值），实现干旱空间强度与范围的量化对比。农业干旱风险指数（ADRI） 整合灾害危险性、暴露度与脆弱性（V=S/A，S为敏感性，A为适应能力），支持农业系统风险分区。水文干旱指数（HDI） 基于径流赤字与流域面积比值评估水资源短缺，而社会经济干旱指数（SEDI） 通过水资源供需经济指标划分干旱等级（1-4级）。综合干旱指数（CDI） 协同降水异常、水分收支与实际蒸散（AET）等多源指标，构建从气象预警至生态影响的级联监测框架。

指数比较与热点区域分析

50余项指数在数据需求、时空分辨率、 sectoral focus（如农业、水文）与气候适应性方面存在显著差异。全球干旱热点区域（如美国、非洲、中国）的评估结果因指数选择而异，凸显了多指数协同验证的必要性。干旱监测需平衡准确性（如地面观测数据质量）、实时性（如遥感数据更新频率）与可解释性（如指数复杂度对决策者的适用性）。

技术挑战与发展方向

当前干旱监测面临三大核心挑战：

1. 1.

   数据异构性：地面站点稀疏区域依赖遥感数据，但云覆盖、传感器误差与数据同化算法引入不确定性；

2. 2.

   模型局限性：传统统计方法与动力模型（如GCMs）在干旱预测中存在非线性过程表征不足与尺度转换误差；

3. 3.

   多学科整合缺失：多数指数忽略地形、土壤属性、生物物理过程与社会经济驱动的交互效应。

   未来需融合地理人工智能（Geo-AI）、多源遥感（如土壤水分卫星、蒸散模型）与深度学习技术，发展事件尺度的干旱传播机制解析、高分辨率动态监测（如DroughtCast机器学习模型）及SDGs导向的多部门协同管理框架（如水-能源-食物-生态纽带），以提升干旱预警精度与适应策略有效性。