一种用于干旱监测的多变量方法：通过新型干旱指数提升高气候变率地区的稳健性与准确性——以埃塞俄比亚干旱易发区为例

《Journal of Hydrology: Regional Studies》：A multivariate approach to drought monitoring: Improving robustness and accuracy through a new drought index in regions with high climate variability, applied to the drought-prone region of Ethiopia

　　

研究区域：埃塞俄比亚

研究重点：为构建早期预警系统而开展干旱特征的评估、监测与量化，对于识别区域及地方尺度干旱的空间范围与严重程度至关重要，尤其适用于依赖本地农业的脆弱社会区域。研究人员分析了1981—2022年的观测资料与再分析资料，以刻画埃塞俄比亚的时空干旱特征。标准干旱指数如标准化降水指数（SPI）和标准化土壤湿度指数（SMI）仅分别基于降水或土壤湿度，而本研究构建了一种基于降水、潜在蒸发、地表温度、土壤温度和土壤湿度的新型干旱指数，从而使该指数对气候变化和土地利用变化具有更高稳健性。该新指数——多变量标准化干旱指数（MvrSDI）——重点围绕2015年与2022年埃塞俄比亚干旱事件的严重程度与持续时间进行了评估。结果表明，在3个月、6个月和12个月时间尺度上，MvrSDI的时空比较能够识别埃塞俄比亚各干旱易发区的干旱严重程度与持续时间。此外，Mann-Kendall统计检验识别出1981—2022年期间干旱趋势表现为干旱严重性增加。

区域水文学新认识：MvrSDI能够有效评估和监测干旱对农业的影响，对关注环境可持续性与粮食安全的利益相关者具有应用价值。其多变量特征使MvrSDI更具稳健性，因此在埃塞俄比亚这类高气候变率且伴随土地利用变化的干旱易发地区，可作为干旱监测与决策支持的有价值工具。

该文发表于《Journal of Hydrology: Regional Studies》，围绕高气候变率地区干旱监测中单变量指标信息不足的问题，提出并验证了一种新的多变量标准化干旱指数（MvrSDI）。研究背景在于，干旱是水文循环亏缺的综合表现，会对社会、经济与生态环境造成深刻影响。既有研究虽然已广泛使用标准化降水指数（SPI）、Palmer干旱严重度指数（PDSI）和标准化土壤湿度指数（SMI）等工具来表征气象干旱、农业干旱和水文干旱，但这些方法多依赖单一变量，往往难以同时反映降水亏缺、蒸发需求增强、热力条件异常以及土壤水分衰减等共同作用机制。对于埃塞俄比亚这样地形复杂、气候时空变率显著、土地利用变化活跃且农业高度依赖降雨的国家而言，单一指数难以充分捕捉干旱的发生、发展、持续与终止过程，因此亟需构建更稳健的多变量干旱监测框架。

研究人员以埃塞俄比亚全国为研究区域，系统评估了1981—2022年干旱的时空分布、严重程度、持续时间及变化趋势，并在此基础上构建了MvrSDI。该指数综合纳入降水、潜在蒸发、2 m气温、土壤温度和土壤湿度五类农气象关键变量，通过多变量同化思路与对数函数变换，对传统单变量方法进行扩展。研究结果表明，MvrSDI在3个月、6个月和12个月时间尺度上均能识别埃塞俄比亚主要干旱易发区的干旱严重性与持续性，尤其对2015年和2022年两次典型干旱过程的空间扩展与强度演变具有较强表征能力。与SPI和SMI相比，MvrSDI更清晰地突出受旱区域与受旱季节，因为该指数不仅考虑降水赤字，还整合了热量条件和蒸发需求所驱动的干燥效应，因此更适于表征农业干旱、早季胁迫以及高温低地地区的作物和牧草受损风险。论文的重要意义在于为埃塞俄比亚及类似高气候变率、易旱地区提供了一种更具物理一致性与应用潜力的干旱监测工具，可服务于农业韧性提升、粮食安全保障以及干旱早期预警系统建设。

在技术方法方面，研究人员主要使用了五类数据源与四类统计分析方法。数据方面，降水采用CHIRPS网格数据，潜在蒸发、2 m气温与土壤温度采用ERA5-Land数据，土壤湿度来自ESRL PSD，植被响应采用USGS FEWS NET的NDVI数据；所有栅格数据经Climate Data Operators（CDO）统一插值至一致分辨率。方法上，研究人员分别计算SPI、SMI与新建MvrSDI，并利用Gringorten绘图位置法、对数变换标准化算法、Cronbach’s alpha（CA，内部一致性检验）、Mann-Kendall（MK）趋势检验、Sen斜率估计及Pearson相关分析，对指数性能、趋势显著性和植被响应关系进行综合评估。

在结果部分，论文首先展示了典型年份的空间干旱分布。

3.1. The spatial distribution of drought in 2015
研究人员分析了2015年JJAS主雨季干旱的空间格局。3个月时间尺度结果显示，SPI₃在7月和8月识别出埃塞俄比亚南部和东南部大范围重旱至特旱，SMI₃则揭示了东部和中部地区土壤湿度亏缺，MvrSDI₃总体再现了相似的空间格局，但在干旱强度表征上更突出，尤其是在7月于南部和东南部记录到大范围极端重旱。12个月时间尺度上，SPI₁₂、SMI₁₂和MvrSDI₁₂均显示2015年6—8月埃塞俄比亚北部和中部处于干旱状态，其中SPI₁₂与MvrSDI₁₂表现出相似的月尺度干旱格局，而MvrSDI₁₂对干旱空间扩展的刻画更为明显。研究认为，这一结果反映了强El Ni?o事件对短、长时间尺度降雨季的持续影响。

3.2. The spatial distribution of drought in 2022
研究人员进一步评估了2022年3—5月干旱的空间分布。3个月时间尺度上，SPI₃在3月指示埃塞俄比亚西部出现大范围中旱，而SMI₃与MvrSDI₃仅在局部显示中旱；但对西南部、东北部及中部裂谷区，SMI₃与MvrSDI₃均识别出重旱至特旱，表明这些地区在3月和4月存在显著土壤水分亏缺，并对农业和水资源管理产生影响，其中东北部出现极端干旱事件。12个月时间尺度上，各指标一致识别南部和东南部为严重至异常干旱区，而北部和西部总体无旱或偏湿。MvrSDI₁₂在综合土壤湿度反馈及其他变量后，更好地表现出南部和东南部长期干旱特征。面积统计进一步显示，2015年长期干旱主要由SPI₁₂与MvrSDI₁₂识别，而2022年3月的长期干旱范围最广，之后至5月干旱范围有所缩小。

3.3. Temporal drought distribution over Ethiopia
在全国尺度时间序列比较中，研究人员将标准化干旱分析工具（sdat）与对数函数方法（log）下的SPI、SMI和MvrSDI进行对比，重点考察3个月与12个月时间尺度。结果表明，历史上1970年代初、2000年前后、2009年及2015—2016年等重大干旱事件均可被不同指数识别，其中2000—2001年的严重干旱被各类方法共同刻画，2015—2016年El Ni?o相关干旱也有明显响应。研究指出，不同时间尺度对干旱季节性和持续性特征的反映存在差异，而多变量方法更有助于综合识别复杂干旱过程。

3.4. Temporal drought distribution at different locations in Ethiopia
在不同站点与区域的时间变化分析中，研究人员选取Addis Ababa、Mekele、Liben和Borena等代表性地点检验MvrSDI性能。Addis Ababa中，3个月和6个月尺度上SPI与MvrSDI在1982—2006年间表现出较高频率的干旱严重性，2007—2016年则SMI更为突出；在12个月尺度上，MvrSDI₁₂在持续时间和终止阶段更接近SMI₁₂，而在起始阶段与SPI更接近，说明其兼具短期和长期干旱识别能力。Mekele地区中，MvrSDI在3个月、6个月和12个月尺度上的干旱强度与SPI相近，能够反映多数年份的严重干旱，并在长期尺度上呈现较低频率但更长持续时间。Liben地区分析显示，MvrSDI能够识别SPI和SMI所反映的干旱强度，其中降水亏缺主导的干旱起始由SPI和MvrSDI捕捉，而持续与终止阶段则与SMI存在时滞关联；2021—2022年的长期重旱中，MvrSDI显示出最高严重性。Borena地区作为南部频繁受旱区，SPI、SMI和MvrSDI在6个月和12个月尺度上共同识别出1984、1985、2000、2001、2011、2017、2019、2021和2022年的重旱至特旱事件，说明该区域长期处于高干旱风险状态。

3.5. Cronbach alpha test of drought indices
研究人员采用Cronbach’s alpha（CA）检验不同时间尺度下各指数在不同站点的一致性。结果显示，除少数站点与尺度外，多数情况下α值达到或超过0.7，表明SPI、SMI和MvrSDI在相同时间尺度上的内部一致性较好。Godemet站3个月尺度α值最低为0.65，而6个月与12个月尺度可达0.90，说明短时间尺度一致性偏弱、长时间尺度较强；Debremarkos站整体波动较小，α值范围为0.75—0.80，显示较强稳定性。该结果支持MvrSDI在多尺度应用中的可靠性。

3.6. The Mann-Kendall statistical tests and Sen’s slope
MK趋势检验与Sen斜率估计用于识别1981—2022年不同站点的干旱演变。SPI₃在Arba Minch、Borena、Debremarkos、Gode met、Gonder、Hawassa、Jimma和Mekelle等站呈增加趋势，Addis Ababa和Bale Robe则呈下降趋势，但除Arba Minch和Godemet外，其余多未通过95%置信水平显著性检验。SMI₃方面，除Godemet外其余9个站均呈显著下降趋势，说明土壤水分可利用性降低、干旱趋于加重。MvrSDI₃结果中，Addis Ababa、Arba Minch、Bale Robe、Borena和Hawassa呈显著下降趋势，表明这些地区水分条件持续恶化、干旱频率和强度增强；Debremarkos、Gonder、Jimma和Mekelle仅表现为较弱或不显著下降趋势，Godemet虽呈轻微上升，但不显著。总体上，研究确认1981—2022年埃塞俄比亚部分地区存在干旱加剧趋势。

3.7. Response of standardized temporally smoothed monthly NDVI to MvrSDI
为验证MvrSDI对生态响应的指示能力，研究人员分析了MvrSDI与标准化月平滑NDVI异常的关系。结果表明，2006年MvrSDI₁、MvrSDI₃、MvrSDI₆和MvrSDI₁₂与NDVI的相关系数分别为0.91、0.93、0.74和0.59，显示植被对短期水分变化最敏感，随着时间尺度延长，相关强度逐步减弱。2022年对应相关系数分别为0.79、0.80、0.87和0.79，说明植被对各尺度干旱均敏感，其中对6个月中期干旱响应最强。该结果表明MvrSDI不仅能够刻画气象与农业干旱，还与植被生长状态具有较强耦合性，支持其在农业监测中的适用性。

讨论部分指出，MvrSDI相较于SPI和SMI的核心优势，在于其多变量同化结构能够同时吸收降水亏缺、蒸发需求增强、气温与土壤热状况变化以及土壤水分衰减等信息，因此更能反映复杂地形和高气候变率背景下的真实干旱过程。SPI可较敏感地识别干旱起始，但对持续和终止阶段表征有限；SMI有助于刻画持续性，却对早期信号反应偏慢；MvrSDI则在起始上接近SPI，在持续与终止上接近SMI，体现出对干旱传播过程更完整的表征能力。尤其在农业生产系统中，仅凭降雨正常并不能排除热驱动蒸散增强与土壤水分亏缺导致的农业干旱，而MvrSDI恰可弥补这一不足。研究因此认为，该指数适用于气候变率大、土地利用变化明显、农业脆弱性高的地区。

研究结论部分可译为：研究人员基于均一区域气候分区，利用MvrSDI分析了干旱的严重程度及时空分布。MvrSDI可用于干旱特征的规划、管理与认知。在6个月和12个月时间尺度上，MvrSDI在干旱起始识别方面与SPI接近或相似，而在干旱持续与终止方面与SMI结果接近，表明该指数综合了两类信息。2015年6—8月，SPI与MvrSDI在12个月尺度上识别出埃塞俄比亚中部和北部的极端重旱，该尺度显示出更高的空间干旱强度。2022年3—5月，埃塞俄比亚西南部、东南部及部分东部发生重旱至极端重旱。与SPI和MvrSDI相比，土壤湿度亏缺变化较慢，这进一步凸显了MvrSDI多变量干旱表征的特征；这种亏缺导致南部及中部裂谷系统部分地区发生极端和严重干旱。SMI₆和MvrSDI₆在所选天气站上均显示出干旱增加趋势。尽管SPI与SMI被用于比较，MvrSDI由于整合了降水、土壤湿度、气温、土壤温度和蒸发需求等多种干旱驱动因子，能够更清晰地强调干旱区域和季节，不仅可识别降雨亏缺，也可识别热量或能量驱动的干燥过程。因此，MvrSDI对炎热低地农业干旱、早季胁迫以及土壤湿度单独不足以指示的干旱更为敏感，是更具物理稳健性的干旱影响监测工具。标准化月NDVI异常与MvrSDI之间的强正相关表明，植被对短期和长期干旱变化均保持敏感，但对中期效应响应略更显著。综上，采用新方法MvrSDI开展各时间尺度时空干旱分析，能够刻画埃塞俄比亚复杂地形条件下的干旱发生概率与干旱传播过程，从而增强干旱监测与早期预警系统。