东非高原干旱低地地区降雨的时空变异性与气候遥相关：对区域针对性气候适应的启示

《Atmospheric Research》：Spatiotemporal rainfall variability and climate teleconnections in the arid lowlands of Eastern Ethiopia: implications for zone-specific climate adaptation

　　

•在埃塞俄比亚东部识别出三个独特的降水区。
•Belg季降雨在整个研究区域内呈现显著的干燥趋势。
•厄尔尼诺抑制北部Kiremt季降雨并增强南部降雨。
•印度洋偶极子是南部Bega季降雨变率的最强驱动因子。
•SPI-12捕捉到了2020–2023年的多年份水文干旱。

**1. 引言**

非洲之角（HoA）现已被认为是全球水气象敏感性最高的地区之一，多年来经历了干旱和洪涝发生频率与严重程度的上升（Ntale和Gan, 2004；世界气象组织, 2022）。埃塞俄比亚东部的干旱和半干旱低地，包括阿法尔州、索马里州和迪雷达瓦市行政区，构成了这一暴露的前沿地带。这些地区的数百万游牧和农牧家庭生计高度依赖于降雨的时间、降水量和空间分布（Asfaw等, 2018；Morton和Kerven, 2013）。连续雨季的失败，包括历史上2020–2023年的干旱以及随之而来的2023–2024年前所未有的洪涝，造成了严重的人道主义后果，并突显了该地区对复合水气象极端事件的脆弱性（Kimutai等, 2025；联合国减灾办公室, 2024）。

这一局地脆弱性处于更广泛的全球趋势之中。人为变暖正在系统性地重塑水文循环的均值状态和极端事件。基于大型多模型集合的预测表明，到21世纪末，几乎所有陆地地区的热极端事件的频率和强度预计都会增加，而干旱趋势虽然对指标选择敏感，但在多个大陆地区预计将显著加剧（Bevacqua等, 2022；De Luca和Donat, 2023）。复合热-干极端事件的变化主要由降水格局的转变所驱动，大气水分需求作为额外的放大因子，意味着经历降雨减少的地区不成比例地暴露于热应力和水分亏缺的联合发生，而非单独暴露于其中任何一项危害（De Luca和Donat, 2023）。这一复合效应在区域层面已被证实。基于CMIP6模型的预测显示，南亚等人口稠密、高度暴露的区域未来将经历多变量干旱-热浪风险的放大，这一模式直接适用于其他正在变暖、人口稠密的半干旱地区，包括非洲之角（Ullah等, 2023）。

埃塞俄比亚东部的降雨气候学是由热带辐合带（ITCZ）的纬向迁移、崎岖地形和大规模海气遥相关等复杂交互作用所决定的（Dinku等, 2018；Diro等, 2011）。北部和中部遵循单峰型Kiremt季（六月至九月），而南部则表现出双峰型Belg季和Bega季机制（分别为三月至五月和九月至十一月）（Belay等, 2021）。一个主要的概念性挑战——通常被称为"东非气候悖论"——进一步复杂化了这一图景：虽然气候模型通常预测温室气体强迫下降水会增加，但自20世纪末以来的观测记录表明，非洲之角大部分地区的Belg季关键性降雨呈下降趋势（Rowell等, 2015；Schwarzwald和Seager, 2024；Tierney等, 2015）。这一下降被归因于印度洋-太平洋海表温度（SST）的变异以及沃克环流的调整，表现为雨季持续时间的缩短，而非降雨强度的减弱（Wainwright等, 2019）。这些大规模气候变率特征对埃塞俄比亚东部低地干旱和洪涝风险的影响仍知之甚少。

该地区以及埃塞俄比亚年际变异的主要驱动因子是厄尔尼诺-南方涛动（ENSO）和印度洋偶极子（IOD）。这两种气候现象控制着水汽输送路径和对流，其相位和振幅决定了特定年份将经历水分亏缺还是盈余（Korecha和Barnston, 2007；Saji等, 1999）。这两种现象对地区和埃塞俄比亚的影响往往表现为空间偶极子形式。例如，厄尔尼诺已被证明会导致北部高地Kiremt季降雨被抑制，同时增强南部和东南部的Bega季降雨（Ntale和Gan, 2004）。因此，国家层面的综合评估可能掩盖相互对立的局地影响，并隐藏对适应规划至关重要的次区域差异。刻画这种遥相关需要从简单的相关性走向对底层水汽输送路径的机制性理解。其他地方的水汽来源归因研究表明，异常降水年份并非仅仅与总降雨量减少相关，而是与在增强的季风下沿特定海洋至大陆输送走廊水汽贡献的系统性减弱有关（Shao等, 2024）。这表明干旱年份往往通过水汽输送路径强度的变化来解释，而非仅通过降水总量。

对埃塞俄比亚东部类似机制的解析在历史上受到稀疏的现场雨量站和干旱及半干旱地区高度局地化的对流性降雨特征的限制，这一直是水气候分析中的一个限制因素（Dinku等, 2018）。来自卫星和地面站的高分辨率混合数据集，例如气候危险组红外降水与站点数据集（CHIRPS），极大地增强了捕捉这些模式的能力。许多研究有效地利用CHIRPS v2.0进行降雨趋势分析、干旱评估以及与大尺度气候现象（如ENSO）遥相关的分析（Mohammed, 2024；Shiferaw等, 2023；Tikuye等, 2025）。然而，比较研究表明确实结果可能取决于产品选择，突显了对最稳健数据的需求。因此，本研究利用了新发布的CHIRPS v3.0。该版本于2025年发布，融合了近四倍于前代的站点数据，使用了改进的气候学（CHPclim2）和站点捕获偏差校正，使其成为目前在数据稀疏地区监测极端事件的最稳健工具（气候危险中心, 2025）。因此，CHIRPS v3.0数据集使得能够在比以往精细得多的空间分辨率下更准确地重新评估埃塞俄比亚东部的降雨变化和遥相关。

尽管有了这些改进，现有文献中仍存在显著空白。目前缺乏将高分辨率格点降雨数据、客观区域化方法和趋势分析相结合以在埃塞俄比亚东部区域尺度上识别水气候变化的研究。具体而言，缺乏关于从单峰型阿法尔三角区向双峰型索马里高原过渡的研究，而该地区恰是游牧业和关键水利基础设施的重叠区域。此外，现有国家或区域层面的研究很少提供可用于这些低地地区作业性早期预警和气候风险管理的同质化降雨区制的过程导向识别。本研究试图填补这些空白，通过提供1981–2024年间埃塞俄比亚东部阿法尔、索马里和迪雷达瓦低地的降雨变率、趋势和遥相关的过程导向研究。虽然本研究采用的每项技术（K-means聚类、修正Mann-Kendall检验、EOF分析、Pearson相关和SPI）在水气候学中各自都是成熟的，但本研究的贡献在于将所有这些方法相结合，系统性地利用新近可用的CHIRPS v3.0数据集刻画这一采样不足地区的气候动力学。具体包括：（1）基于客观K-means聚类技术划分同质化降雨区；（2）使用修正Mann-Kendall趋势检验和Sen斜率估计量评估年度和季节尺度的单调趋势；（3）识别对降水格局时空变率负责的关键EOF模式，并将其与ENSO和IOD遥相关联系起来；（4）以SPI指数描述农业时间尺度（SPI-3）和水文时间尺度（SPI-12）的干旱状况。基于季节性和区域的发现关于气候风险特征，提供了局地化信息，可有助于改进针对埃塞俄比亚东部水气候多样性的早期预警机制和适应措施。本研究对于建立埃塞俄比亚东部干旱地区综合降雨风险分类框架具有相关性。

**2. 材料与方法**

**2.1 研究区域**

本研究在埃塞俄比亚东部的干旱和半干旱低地区域开展。干旱和半干旱低地区域包括阿法尔州、索马里州和迪雷达瓦市行政区（图1a）。阿法尔州包含北部第一至第五区。索马里州包含南部的西蒂、法凡、贾拉尔、诺戈布、杜洛、科拉赫、沙贝勒、阿法德和利本区，以及东部的区域（图1b）。研究区域的地形非常异质，特征在于大裂谷谷地与东埃塞俄比亚高原断崖的交汇处。西部边界处存在海拔超过2000米的断崖。另一方面，相对于大裂谷谷地、阿法尔洼地和广阔的索马里高原，海拔急剧下降。

研究站点在气候上高度多样化，主要由干旱气候区组成，特点是蒸发率高和降雨不规律。该地区表现出明显的降雨分布格局，例如双峰型南部低地在Belg季（三月至五月）和Bega季（九月至十一月）期间获得降水，而单峰型北部裂谷在Kiremt季（六月至九月）期间获得降雨（Belay等, 2021；Dinku等, 2018；Diro等, 2011）。

埃塞俄比亚东部低地之所以被选为研究对象，是因为该地区持续面临反复发生的干旱、有时伴随的洪涝以及强烈的降雨非季节性。后者尤其值得关注，因为它对游牧和农牧生计系统有直接影响。过去几年，该地区经历了严重的干旱和洪涝，使其成为研究降雨非季节性的重要区域（Kimutai等, 2025；联合国减灾办公室, 2024）。

**2.2 数据**

降雨数据取自气候危险组红外降水与站点数据（CHIRPS）v3.0版本，时段为1981–2024年。CHIRPS V3.0产品由插值站点数据、利用冷云持续时间（CCD）的卫星降水估计和高精度背景气候学组合而成（气候危险中心, 2025）。CHIRPS降雨数据的空间分辨率为0.05°（约5.3公里）。这种高分辨率降雨产品对于捕捉埃塞俄比亚东部崎岖地形中的对流性降雨机制至关重要。因此，选择CHIRPS v3.0进行分析，因为它有据可查的表现在东非地区优于ARC2和TAMSAT等常见替代方案（Cattani等, 2021；Dinku等, 2018）。此外，其新一代增强设计旨在提供更均一的长期记录，使其更适合在复杂地形和观测稀疏的地区监测气候极端事件（气候危险中心, 2025）。对CHIRPS v2.0（CHIRPS v3.0的前身）的已发表评估报告，其在东非与站点观测的一致性很强（Pearson's r = 0.85–0.92），但在地形复杂的地区性能下降（r = 0.70–0.82）（Dinku等, 2018；Ahmed等, 2024）。为评估CHIRPS v3.0的局地可靠性，将月度估计值与四个EMI站点的观测数据进行比较：迪雷达瓦、戈德、吉吉加和杜贝蒂气象站，这些站点因其相对较好的数据质量和在研究区域对比性水气候区中的代表性分布而被选中。对于每个站点，提取最近CHIRPS网格单元的降水数据，时段为重叠的观测期。性能通过Pearson's r、RMSE、MAE、Pbias和NSE量化，仅基于成对非缺失观测值。

Ni?o 3.4区（5°N-5°S, 170°W-120°W）的月度海表温度（SST）异常值取自美国国家海洋和大气管理局（NOAA）的气候预测中心（CPC），作为厄尔尼诺-南方涛动（ENSO）的主要指数（https://www.ncei.noaa.gov/access/monitoring/enso/sst）。偶极子模式指数（DMI），代表印度洋偶极子（IOD）的强度，取自NOAA物理科学实验室（PSL）的HadISST 1.1数据集（https://psl.noaa.gov/data/timeseries/month/）。这些指数提供了评估埃塞俄比亚东部干旱低地降雨遥相关所需的海气变率长期记录。所有预处理和分析均在Python（版本3.12）中进行。

**2.3 方法途径**

**2.3.1 聚类**

我们使用聚类方法，因为它们在具有复杂地形和强气候梯度的地区（如非洲之角）广泛应用于识别客观的空间降雨格局（Mouassom等, 2025；Wang等, 2017）。

我们首先通过划分具有相似年际和季节性行为的同质区域，来刻画东埃塞俄比亚的降雨变异性。为此，我们对CHIRPS v3.0格点数据集的标准化月降雨距平时间序列应用了K-means聚类算法。具体而言，采用z-score标准化：将各网格点的当月长期均值从该值中减去，再将结果除以同一网格点当月的长期标准差。K-means算法通过将n个网格点（观测值）划分为k个互不重叠的簇集C={C?, C?, …, C?}，迭代最小化簇内平方和（WCSS），亦称惯性。其优化目标可表示为：argmin_{μ_k, k=1}^K ∑_{x_i∈C_k} ||x_i - μ_k||2，其中x_i表示单个网格点的标准化降雨距平时间序列，μ_k表示簇C_k的质心（均值向量）（MacQueen, 1967; Hartigan & Wong, 1979）。相似度度量采用平方欧几里得距离。

最优簇数（k）的选取通过内部验证指数进行了验证，以生成统计上显著且具有物理意义的区域。对k=2至6分别计算了轮廓系数（Rousseeuw, 1987），发现在k=3时取得最大值，为0.4351（补充表S5）。为检验k=3解对初始起始值的稳定性，K-means被随机执行了50次，并计算了每次解与参考解之间的调整兰德指数（ARI；Hubert and Arabie, 1985）；平均ARI为0.9890。

2.3.2 趋势分析

像素尺度的年降水和季节降水趋势基于改进Mann-Kendall检验（MMK）（Hamed and Ramachandra Rao, 1998）进行识别。采用MMK方法处理水文气象时间序列中的序列依赖性，否则可能导致趋势显著性被高估（Mena et al., 2023; Ahmadi et al., 1918; Karmeshu, 2012）。基于双侧置信水平α=0.05计算滞后1阶自相关；在估计有效样本量时同时考虑了显著的正自相关和负自相关。随后，采用Mann-Kendall检验统计量的修正方差确定对应的Z值和双侧p值。降雨趋势的显著性水平采用α=0.05判定。

趋势幅度基于Sen的斜率确定，对各网格点基于所有两两斜率独立计算（Sen, 1968）。像素级斜率以mm·decade?1提供，必要时转换为mm·yr?1。结果部分报告的域级Sen的斜率为有效像素级Sen斜率的算术平均值，因此代表空间趋势的平均值，而非空间聚合降雨的趋势。

2.3.3 变异性分析

为识别东埃塞俄比亚降雨变异性中的主导时空模式，我们对CHIRPS v3.0数据集的月降水距平进行了经验正交函数（EOF）分析。EOF分析是气候学中常用的技术，用于将复杂的格点数据降维为更简单的模式及其对应的主成分（PC）（Hannachi et al., 2007; Wilks, 2011）。

在EOF分析之前，原始降水数据经过了一系列预处理步骤，包括去除该区域固有的强季节性。各像素的标准化距平（Z）通过减去长期月均值（μ）并除以月标准差（σ）计算得出：Z(x,t) = (P(x,t) - μ(x)) / σ(x)，其中P(x,t)为位置x、时间t处的降水量。该标准化确保分析捕捉的是年际变异性而非季节性，并防止高降雨区域（如西部断崖）仅因量级大而主导方差结构（North et al., 1982）。此外，在EOF分析之前，对标准化降水距平进行了面积加权处理，即将距平乘以各自纬度值的余弦的平方根，以校正经线汇聚的影响。

对于每个网格点，标准化月距平通过将记录期（1981–2024）内的月长期均值减去后除以相应标准差计算得出。EOF分析在标准化距平的协方差矩阵上进行。前三个主导EOF模态基于解释方差比和物理可解释性选定。所得EOF代表变异的主导定常空间模式，如湿润或干旱距平区域。其对应的主成分（PC）时间序列标准化为单位方差，描述这些模式的时间演变。这些PC时间序列作为该区域的综合降雨指数用于遥相关分析。所保留模态的统计可区分性依据North et al. (1982)的方法评估，采用考虑各主成分时间自相关的有效样本量。

为将物理驱动因素归因于已识别的变率模态，进行了遥相关分析。标准化PC与印度洋偶极子（IOD）指数进行了相关分析，IOD是影响东非降雨变异的关键驱动因素（Saji et al., 1999）。在多个时间滞后（0至12个月）计算了PC与IOD指数的Pearson相关系数，以识别延迟响应。为确保相关的稳健性，在对PC时间序列和气候指数进行相关分析之前进行了去趋势处理，以消除长期增暖趋势的影响，仅聚焦于年际变异性。

2.3.4 遥相关分析

为考察大规模海气强迫对东埃塞俄比亚降水模式的影响，我们探索了该区域降水距平与两种主导气候现象——厄尔尼诺-南方涛动（ENSO）和印度洋偶极子（IOD）——变率之间的关系。ENSO变率通过Ni?o 3.4指数量化，该指数由热带太平洋东中部盆地（5°N-5°S; 170°W-120°W）的海表温度距平平均值组成（Trenberth, 1997）。IOD变率通过偶极子模式指数（DMI）量化，该指数代表热带印度洋西部（50°E-70°E; 10°S-10°N）和东部（90°E-110°E; 10°S-0°）海表温度距平之差（Saji et al., 1999）。IOD是调控东非降水的主要因素，尤其是在短雨季（Bega），且可独立于ENSO发挥作用（Black et al., 2003; Endris et al., 2019）。

通过滞后Pearson相关分析试图从两个方面建立降雨与气候之间关联的强度和时序关系：(i) ENSO/IOD指数与EOF分析所得PC的相关，旨在考虑整个区域；(ii) ENSO/IOD指数与各同质降雨区标准化降雨距平平均值的相关。在进行相关分析之前对降雨和气候指数进行了去趋势处理（Ols et al., 2023; Wu et al., 2007）。

记录了每个簇-季节组合相关系数达到最大绝对值时的超前时间，以选取气候指数的最佳预测超前时间。考虑了气候指数超前降雨（正滞后）或同时发生（滞后=0）的情况，因为负滞后在物理上没有意义，它表示降雨滞后于气候指数。

域级EOF/PC分析的相关系数在滞后-12至+12个月之间计算，簇级和季节分析在滞后-8至+8个月之间计算，这有助于选取偏相关分析所用的滞后，正滞后表示气候指数超前降雨。在95%置信水平（p < 0.05）下评估结果的统计显著性，采用考虑时间自相关的有效自由度的双侧Student's t检验（Wilks, 2011）。有报告指出非洲之角的遥相关具有季节依赖性，因此本研究在Belg（MAM）、Kiremt（JJAS）和Bega（SON）季节评估了这些关系。为评估潜在的预测关系，采用了季节聚合降雨和前序海表温度。然而，众所周知ENSO和IOD共存，且两者并非严格独立。因此，我们将简单相关值视为关联而非因果。

为无偏地获取ENSO和IOD的独立影响及其关联，对所有簇-季节组合进行了偏相关分析。采用Baba et al. (2004)的残差回归技术，通过扣除由对应DMI引起的共享方差来计算降雨与Ni?o 3.4指数之间的偏相关。例如，偏相关r(R, X | Z)通过在去趋势的季节降雨时间序列R和指数对（X, Z）之间进行偏相关计算得出，具体方法是先对R和X分别关于Z进行回归，然后计算回归残差之间的Pearson相关系数。基于双侧t检验并使用考虑滞后1阶自相关的有效自由度评估统计显著性，依据Dawdy and Matalas (1964)的方法，即N_eff = N(1 - r1_x·r1_y)/(1 + r1_x·r1_y)，其中r1_x和r1_y为两个残差的滞后1阶自相关。将滞后相关分析中识别出的峰值滞后应用于相应气候指数，再对每个簇-季节组合进行偏相关分析。假设气候指数与降雨之间存在线性相关，这与关于ENSO和IOD与东非遥相关的广泛文献一致（Saji et al., 1999; Endris et al., 2019），尽管不能排除非线性联系。

为考察所发现的遥相关关联在时间上是稳定的还是在研究期间经历了年代际变化——这对统计季节预报的稳健性至关重要——对每个已建立的驱动因子-季节对进行了滑动相关分析。为进行该分析，采用15年滑动窗口计算年季节降雨总量序列与气候指数序列之间的Pearson相关系数，计算前已对两个时间序列去除线性趋势。取窗口中年的年份作为时间变量。滑动相关的统计显著性标准由双侧t分布计算得出，p < 0.05，N-2 = 13个自由度，所得临界|r| = 0.514。将滑动相关的符号反转以及持续偏离该临界值视为非平稳性的证据。通过分别采用11年和21年的窗口重新运行分析来检验滑动相关发现对窗口长度的敏感性（在p < 0.05条件下，11年和21年窗口的临界|r|值分别为0.602和0.433，而15年窗口为0.514；见图S8和S9）。在三种经验证的驱动因子-季节组合中，三种不同窗口下的非平稳性方向、大致强度和时序均一致，其中11年窗口由于自由度较少而具有稍多的采样变异性。

2.3.5 干旱评估

东埃塞俄比亚的干旱特征采用标准化降水指数（SPI）确定。SPI被广泛用于监测气象干旱。SPI被世界气象组织（WMO）推荐用于干旱监测，这主要得益于SPI在不同时间尺度上使用的灵活性以及跨区域比较能力（Hayes et al., 2011; McKee et al., 1993）。选择SPI是因为本研究旨在刻画同质降雨区的降雨变异性及其演变，重点在于聚类、季节性和大规模气候遥相关。

SPI采用两参数Gamma分布的累积分布函数计算长期非零降水记录。这对于具有正偏分布的降雨数据是合适的，这在干旱和半干旱地区很常见（Guttman, 1999; Stagge et al., 2015）。Gamma分布的参数（形状和尺度）通过极大似然估计（MLE）获得，将位置参数设为零，使用Python中的SciPy统计包。为考虑零降水月份，累积概率计算如下：H(x) = q + (1-q)·G(x)，其中q代表零降水的概率，G(x)为拟合的Gamma分布的累积分布函数（Thom, 1958）。随后将累积概率转换为标准正态变量，得到均值为零、方差为单位方差的SPI值（Edwards, 1997）。负SPI值表示干旱条件，正值表示湿润条件。

为考虑不同的干旱影响，分析在两个时间尺度上进行（World Meteorological Organization, 2012）。

SPI-3 反映的是与 Belg 和 Kiremt 生长季节土壤水分胁迫相关的短期农业干旱，而 SPI-12 反映的是与地下水补给以及地表水储存相关的长期水文干旱。为确保空间平均后的簇信号不会掩盖局地极端事件，在每个均质降水区中识别了代表性格点。在每个簇的代表性位置检查 SPI 时间序列，以识别局地干旱的起始、持续时间和强度。这些格点通过选择地理上最接近各簇空间质心的网格单元进行可重复地选定。同时检查了局地 SPI 时间序列与簇平均 SPI 之间的一致性，以评估空间均质性，以及所识别的降水区在区域气象干旱监测中的适用性。

**3. 结果与讨论**

**3.1 基于台站的 CHIRPS v3.0 评估**

在四个测试地点，CHIRPS v3.0 的台站观测值与 CHIRPS 数据之间表现出较为良好的吻合性（补充表 S4，图 2）。

图 2. 四个 EMI 台站月降水观测值与 CHIRPS v3.0 估计值的散点图。每个台站均显示了 1:1 线和拟合回归线。

月度 Pearson 相关系数（r）在 DubityMet 站的 0.768 至 Dire Dawa 站的 0.862 之间变化，NSE 值在 0.545 至 0.714 之间，表明 CHIRPS 能够捕捉到观测降水的变率。RMSE 和 MAE 分别为 20.50–31.15 mm·月?1 和 11.26–19.50 mm·月?1。CHIRPS 在四个台站均存在正偏差，Pbias 在 Gode 站的 3.78% 至 DubityMet 站的 23.58% 之间变化。散点图确认了观测值与 CHIRPS 降水之间正向的时间对应关系，尽管在较大降水量时离散度有所增加。

**3.2 空间与时间气候学**

**3.2.1 平均年降水量**

1981–2024 年期间东埃塞俄比亚的平均年降水量在从北到南以及从西到东的方向上均表现出强烈的梯度特征，这归因于该地区独特的地形和多样的气候条件（见图 2）。降水量从极干旱的北部阿法尔低地不足 200 mm·年?1 逐步增加到索马里地区西部台地和哈拉格雷东部部分地区超过 1200 mm·年?1。阿法尔地区的三个区域（1、2 和 4 区）受阿法尔凹陷区的下沉气流影响，接收的降水量最少，平均为 150–350 mm·年?1。由于地形抬升作用，西部 3 区和 5 区降水量略有增加，但整个阿法尔地区本质上仍属于干旱区。

索马里地区内降水量从北到南逐步增加，但区域内仍存在显著变化。Siti 和 Fafan 区表现出中等降水量，年降水量在 350 mm 至 600 mm 之间，表明其在阿法尔地区单峰气候格局与南部地区双峰降水机制之间起着过渡作用。相比之下，Jarar、Korahe、Shabelle、Afder 和 Liben 区的平均降水量超过 700 mm·年?1，在西缘与奥罗米亚地区接壤处达到 1000–1200 mm·年?1 的峰值。Dire Dawa 及西部过渡地区的降水量适中，在 600 mm 至 1000 mm·年?1 之间，代表了受北部 Kiremt 降雨和东南部双峰降水影响的一个独特气候区。此外，该区域陡峭的海拔差异导致短距离内的气候变化显著。

**3.2.2 均质降水区的识别**

对标准化月降水模式数据的 k-means 聚类分析表明，东埃塞俄比亚存在三个统计上有显著差异的降水区，即簇 1、簇 2 和簇 3（见图 3a）。这些降水区涵盖了埃塞俄比亚主要的降水梯度。簇 1 是该地区东北部的优势类型，包括阿法尔的大部分区域（1、2 和 4 区）以及 Siti 的部分地区，这些地区的降水量极少。簇 1 的特征是降水量小且季节循环微弱，不频繁且定义不明确的峰值表明簇 1 受低强度单峰降水系统控制。簇 2 则覆盖索马里地区的大部分区域，不包括 Siti 和 Fafan 区。该簇以中等降水格局为特征，Belg（3–5 月）和 Bega（9–11 月）两个季节的降水量相对均衡。然而，尽管表面上看起来均衡，已有研究（Kourouma et al., 2022；Teku and Eshetu, 2024）表明该地区极易发生干旱，并遭受严重降水亏缺的困扰，这展现了其气候脆弱性，并从水文气候格局的角度支持了聚类结果。

图 3. 东埃塞俄比亚的平均年降水量。

最后，簇 3 在西部和西北部台地占主导地位，覆盖了 Fafan、Siti 和 Dire Dawa 的部分地区。该簇以最尖锐的降水季节变化为特征，其 6 月至 9 月的显著峰值使其区别于另外两个降水区（图 3b）。Dire Dawa 及周边地区发生的突发洪水事件进一步证实了这一独特的气候特征，并验证了聚类分析的空间结果（Erena and Worku, 2019）。

因此，44 年的 CHIRPS v3.0 数据集表明，东部低地并非气候均质的，而是由一个极端干旱的北部盆地、一个过渡区或走廊带以及一个相对高产的南部双峰降水区组成，每个区域的适应需求各不相同。

**3.2.3 各簇的降水年际变率**

三个降水簇在降水量和变率方面存在差异，这些差异表明它们展现出东埃塞俄比亚地区不同的水文气候特征。尽管各簇受到相似的宏观气候控制因素影响，但它们的年际变率、极端事件和年代际变率存在显著差异（图 4）。簇 1 记录的所有簇中降水量最低但变率最高。该簇的降水量在年度间从最低降水年的 207 mm 到最湿润年份的 790 mm 以上波动。变系数为 31.9%（表 1）的高值进一步确认了该簇的高变率。年代际年平均降水量数据也证实了这一高变率特征：簇 1 在 1980 年代和 2010 年代接收的降水量较高，约为 400 mm，而 2000 年代降水量显著减少至约 322 mm（表 2）。

图 4. 均质降水区与降水季节性。

表 1. 降水年际变率统计量

| 簇 | 均值（mm） | 最小值（mm） | 最大值（mm） | 标准差（mm） | CV（%） |
|---|---|---|---|---|---|
| 1 | 374.9 | 206.7 | 793.4 | 119.4 | 31.9% |
| 2 | 330.0 | 155.5 | 453.5 | 64.9 | 19.7% |
| 3 | 691.0 | 400.5 | 882.1 | 105.0 | 15.2% |

表 2. 各簇的年代际平均降水量

| 簇 | 1980s | 1990s | 2000s | 2010s | 2020s |
|---|---|---|---|---|---|
| 1 | 399 | 362 | 322 | 402 | 410 |
| 2 | 315 | 347 | 303 | 327 | 384 |
| 3 | 669 | 733 | 653 | 682 | 741 |

簇 2 的平均年降水量为 330 mm，在三个簇中年际变率最小。标准差 64.9 mm 和变系数 19.7% 表明簇 2 的降水量年际波动较小。降水量范围为 155–454 mm，意味着干旱年份确实存在，但极端湿润异常较为罕见（表 1）。从年代际降水量来看，1990 年代和 2020 年代略为湿润，2000 年代降水量略有下降。

簇 3 覆盖海拔较高的西部台地以及 Fafan、Siti 和 Dire Dawa 的湿润地区，拥有最高的平均年降水量（691 mm）和最低的年际变率。该簇的标准差为 105 mm，变系数为 15.2%，是所有簇中最低的，表明整个研究期间降水量模式较为可预测。年降水量范围为 400–882 mm，无极端异常值。各年代际平均值始终较高，在所有年代中均维持在 670–740 mm 之间（表 2）。1990 年代和 2020 年代的轻微增加表明持续性中等偏湿异常而非突变，标志着这是一个相对稳定的高降水量区。

**3.2.4 年际变率的空间模式**

前三个 EOF 模式解释了年降水量总方差的 66.3%，表明东埃塞俄比亚大部分水文气候变率由少数主导性的时空模式所控制。第一个模式（EOF1，占方差的 45.5%）的空间一致性信号最强，几乎整个区域的所有格点均呈正载荷（图 5），其在索马里地区南部和东部台地具有最大的振幅。该模式捕捉到几乎整个东埃塞俄比亚降水量同时高于或低于正常年份的情况。与 EOF1 相关的 PC1 表现出强烈的年际变率，特别是在 1984/85 年、2011 年和 2021/23 年区域性大旱期间出现显著的负向波动。

图 5. 各簇的年际降水变率。

EOF2（15.5%）呈现出经向偶极结构，在双峰型的南部索马里低地呈正载荷，在单峰型的阿法尔和裂谷地区呈负载荷。这表明该模式可能与一个次级信号有关，该信号相对于北部增强或减弱南部降水，或反之。PC2 的年代际振荡表明其受到低频海表温度变化的调制。EOF3（5.3%）表现出局地空间变率，载荷集中在西部台地、Dire Dawa 和索马里-阿法尔过渡区，与 EOF1 和 EOF2 中识别的梯度不同。PC3 的时间行为显示其相较于 PC1 和 PC2 具有更高频率的振荡。值得注意的是，EOF3 中缺乏主要模式中观察到的长期年代际变化。虽然 EOF3 占总方差的比例较低，但在"噪声"或次区域变率方面至关重要，这些变率使得地形过渡带的某个季节被定义为"中等"或"歉收"。

EOF1（45.5 ± 3.3%）、EOF2（15.5 ± 1.1%）和 EOF3（5.3 ± 0.4%）各自与其相邻特征值（包括 EOF4，4.0 ± 0.2%）均有良好的分离，确认了保留的三种模式在统计上可区分，直到 EOF5 及更高阶模式才出现简并现象（补充表 S10）。

**3.3 降水的时空趋势**

Mann-Kendall 分析揭示了一个复杂的变化格局：一个总体上不显著的区域性年趋势掩盖了在各降水簇间高度显著且方向相反的季节性变化。

**3.3.1 长期年趋势**

在整个研究期间，东埃塞俄比亚低地的年降水量呈总体下降但统计上不显著的趋势（图 6），整个研究区的 Sen 斜率为约 ?0.45 mm·年?1（p > 0.1）。索马里地区的 Nogob 区显示出明确的下降趋势，大多数格点表现出显著的负趋势。相反，Jarar 和 Korahe 区的大部分格点表现为不显著的负趋势。这与早期在埃塞俄比亚和非洲之角开展的研究结果一致，后者表明空间异质性较强，因此在全国到区域尺度上信号微弱或中性（Cheung et al., 2008；Seleshi and Zanke, 2004）。

图 6. 东埃塞俄比亚降水变率的主导模式。

**3.3.2 季节性趋势**

季节性降水趋势表明存在显著且一致的变化，这些变化影响着东埃塞俄比亚气候相关脆弱性的发展（图 7）。Belg 季节的降水趋势具有更明确的信号，整个区域大多数地区呈显著干燥趋势，尤其是过渡区（簇 3）和双峰低地（簇 2）。该区域的 Sen 斜率估计为 ?2.8 mm·年?1（p < 0.05）。Kiremt 季节显示出更大的空间变率：北部单峰高原（簇 1）呈弱且不显著的正趋势（平均斜率 +1.1 mm·年?1），而西部和中部过渡区则呈中性至负趋势。南部双峰区（簇 2）的 Bega 季节呈总体正趋势，但簇内统计显著性存在空间差异（图 8）。

图 7. 东埃塞俄比亚的长期降水趋势。

图 8. 季节性降水趋势。

此处识别到的显著 Belg 干燥趋势与有据可查的东非长雨季自 1970 年代末以来的下降趋势相一致，这通常被称为"东非气候悖论"（Lyon and Dewitt, 2012；Schwarzwald and Seager, 2024）。

基雷姆特在北部高地呈现出明显的空间异质性和微弱的正信号，这与西部和中部过渡区域的中性至负趋势形成对比。这与全国范围内的研究一致，表明基雷姆特在次区域层面存在显著的变异性（Diro等，2011）。此外，南部双峰型区域观察到的贝加趋势与东非报告的季节性短雨季加剧的整体模式一致，气候模型将其归因于区域增温和印度洋上空水汽供应的增加（Endris等，2019）。在此机制下，加剧的短雨季可能在季节性水平平衡层面上部分抵消长雨季的亏缺，但在与农业时间尺度相关的层面上不一定如此。贝吉变干与贝加加剧之间的这种分歧具有实际意义：它可能挑战在降雨较为稳定的条件下建立的现有农业日历的有效性，并可能增加由贝吉失败引发的干旱与由贝加加剧引发的洪水复合风险。

3.4 干旱表征

通过应用多时间尺度的标准化降水指数（SPI），我们区分了短期水分亏缺（主要影响植被和农业条件）和长期累积亏缺（影响水资源储存和更广泛的流域水文系统）。

3.4.1 短期干旱（SPI-3）

降雨型的代表性网格点的3个月SPI显示，农业干旱发生的时间存在差异（图9）。在北部裂谷（集群1：阿法尔地区），3个月SPI在2015年厄尔尼诺基雷姆特失败期间降至极端干旱水平（低于?2.0）。在南部低地（集群2：索马里地区），3个月SPI显示出与贝吉和贝加降雨型相关的双峰型特征。2010–2011年和2016年末的短期亏缺较为显著。然而，2015年末的3个月SPI较高。同质区域代表性站点的3个月SPI见补充图S6。

图9 各同质区域第一个代表站点的3个月SPI

北部裂谷在2015年基雷姆特季观察到的SPI-3极端下降与强烈的2015/2016年厄尔尼诺事件同时发生，并且与Philip等（2018）的观点一致，即2015年是过去50年间埃塞俄比亚北部最干旱的生长季。相比之下，2015年末南部低地的SPI-3值升高支持了东非之角地区已记录的厄尔尼诺的经向偶极响应，即基雷姆特降雨在北部受抑制，而贝吉/贝加降雨在南部增强（Gleixner等，2017）。这些在同一次厄尔尼诺事件期间的相反区域特征说明了为什么单一的国家干旱指标会掩盖农业干旱发生的次区域差异。

3.4.2 长期干旱（SPI-12）

SPI-12时间序列表明，更为持久的干旱趋势正在形成。此前的水文干旱，如1984至1985年发生的干旱，表现为离散事件（图10）。2020至2023年期间被突出标记为一次长期的超级干旱，特别是在南部和过渡区域。

图10 各同质区域第一个代表站点的12个月SPI

集群2的代表点连续超过36个月的SPI-12值为负值，这与2020至2023年持续拉尼娜事件导致的五个连续失败雨季的预期相符（Cullis和Bogale，2024）。单个失败季（以SPI-3表示）通常会被正常降雨所补偿。然而，多年负SPI-12值则表明系统缓冲能力的耗竭（图10）。在西部台地和过渡带（集群3），SPI-12的近期下降表明，即使是相对湿润的上游地区，其支持下游低地的能力也在干旱年份中丧失。因此，水文干旱分析表明，近期的危机不仅由单个季节的降雨稀少所驱动，还由景观中不断增长的"水债"所驱动，而只有在持续高于平均水平的降雨期才能逆转（Viste等，2013）。同质区域代表性站点的12个月SPI见补充图S7。

3.5 变异性的大尺度驱动因素（遥相关）

埃塞俄比亚东部干旱低地的降雨年际变异性显著受到热带气候变异性两个主要模态的调制，即太平洋的ENSO和印度洋的IOD。降雨与这些海气耦合系统之间的关系显示出空间异质性的响应，组织为一种反向经向偶极，将北部（基雷姆特主导）和南部（贝吉/贝加主导）类型的强迫区分开来。

3.5.1 各阶段遥相关对总降雨的影响

Ni?o 3.4和DMI均表现出显著的年际变异性（图11a和b）。与IOD相比，ENSO异常的频率更高且持续更久。共有四次强厄尔尼诺事件：1982–83年、1997–98年、2015–16年和2023–24年。同样，也有两次强拉尼娜事件：1988–89年和1999–2000年。IOD的正异常较少但更强：1997年、2019年和2023年。ENSO和IOD均常处于中性状态。

图11 1981–2024年期间ENSO和IOD阶段的历史演变

ENSO阶段与降雨相关分析的结果表明，ENSO对降雨的影响具有空间异质性（图12a）。在厄尔尼诺期间，集群1和3显示出负相关。集群2显示出微弱的正相关。拉尼娜条件下，所有集群均伴随一致的正相关。拉尼娜对降雨的影响在集群2和3中最为显著。结果表明，在拉尼娜期间，降雨有增加的趋势。IOD对降雨的影响要强得多且更加局地化（图12b）。IOD正异常在集群2中伴随着强烈且具有统计显著性的正相关。IOD在集群1和3中的影响几乎可以忽略不计。结果的统计数据见补充表S1、S2和S3。

图12 ENSO和IOD阶段与三个集群降水量的相关性

3.5.2 ENSO对经向降雨的影响

ENSO通过Ni?o 3.4海表温度指数，对区域降雨变异性产生复杂影响。第一个主成分解释了全域方差，与Ni?o 3.4存在强烈且具有统计显著性的正相关（r ≈ 0.26，p < 0.05，滞后0）（图13）。相比之下，解释南北偶极的第二主成分（PC2）与Ni?o 3.4的弱负相关（r ≈ ?0.11）。这种弱负相关表明，ENSO在该区域北部和南部的效应平均上相互抵消。PC1与Ni?o 3.4之间的强正相关在很大程度上是一个聚合信号，主要由厄尔尼诺引发的南部区域降雨增强所驱动，这一模式在东非之角赤道地区已有充分的文献记载（Diro等，2011；Korecha和Barnston，2007）。

图13 ENSO对长期降雨的影响

3.5.3 ENSO对季节性降雨的影响

ENSO的影响因阶段和季节而异。在单峰基雷姆特主导的北部裂谷区域（集群1），基雷姆特降雨与同期Ni?o 3.4呈显著负相关（r = ?0.33，p < 0.01）。在双峰贝吉主导的南部索马里低地（集群2），贝加期间与Ni?o 3.4存在强正相关（r = +0.47，p < 0.001）（图14）。北部裂谷基雷姆特-Ni?o 3.4的负相关与埃塞俄比亚中部和北部高原的现有文献一致（Diro等，2011）。在厄尔尼诺事件期间，中东太平洋的海表温度异常影响沃克环流并激发向之角地区传播的波型。这些波型削弱热带东风急流（TEJ），并在基雷姆特降雨区上空产生异常的高层辐合和下沉，导致干旱条件（Diro等，2011；Korecha和Barnston，2007）。南部低地贝加-Ni?o 3.4的正相关可能反映了厄尔尼诺相关的对流和印度洋西部水汽输运的温暖阶段，该水汽向之角地区输运并在短雨季期间导致高于平均水平的洪水，这在1997/98年和2015/16年均已观察到（Mason和Goddard，2001）。

图14 ENSO对季节性降雨的影响

3.5.4 IOD对经向降雨的影响

IOD是该区域降雨的第二个主要调制因子（图15）。偶极模指数（DMI）与第一主成分（PC1）之间的相关系数显示出显著正相关，在滞后+1个月时达到峰值（r ≈ 0.26，p < 0.05），DMI领先降雨一个月。

图15 IOD对长期降雨的影响

这表明在IOD正事件期间，西热带印度洋海表温度偏暖而东部偏冷，建立了有利于该区域降雨增强的大气条件。与ENSO类似，DMI与偶极模第二主成分（PC2）之间的相关也弱且为负（r ≈ ?0.09）。同样，降雨对IOD响应中固有的南北差异解释了弱相关性，因为北部的响应倾向于抵消南部的响应。

3.5.5 IOD对季节性降雨的影响

此外，基于集群的季节性分析清晰地展示了IOD对雨季的影响（图16）。在集群2中，贝加（SON）降雨与同期DMI呈强显著正相关（r = +0.61，p < 0.001）。这一相关性比ENSO-降雨相关性（r = +0.47）更强，并且与之前确定IOD是东非短雨季主导因子的研究结果一致（Lyon和Dewitt，2012）。另一方面，IOD对北部基雷姆特的影响与ENSO相比不那么显著。尽管一些研究建议IOD对基雷姆特降雨可能存在滞后效应（Ahmed等，2024），但集群3的相关性较弱且不显著（r ≈ ?0.04）。

图16 IOD对季节性降雨的影响

这些基本相关性发现表明，埃塞俄比亚东部低地区域受一种具有空间结构的遥相关机制影响，其中ENSO在北部和过渡区域的基雷姆特季（JJAS）起主导作用，而IOD在南部区域的贝加季（SON）起主导作用。

3.5.6 峰值滞后相关

滞后相关分析显示了季节-空间遥相关敏感性模式的一致性，具有显著的区域早期预警应用价值（表3）。在北部和过渡集群（集群1和3）中，基雷姆特季（JJAS）降雨对ENSO现象的最大敏感性存在一个月滞后（r = ?0.33，p < 0.001）。这意味着5月的Ni?o 3.4值，此时ENSO阶段已经可以识别，可以作为未来几个月（6月至9月）降雨减少的指示器。另一方面，IOD在集群2中控制SON南部贝加季发挥主要作用（r = +0.608，同期，p < 0.001），这符合物理预期，因为IOD在SON期间出现并达到峰值（Saji等，1999）。因此，这两个过程是同步发生而非顺序发生的。

表3 峰值滞后相关

| 指数 | 集群 | 季节 | 峰值r | 滞后（月） | p（eff） | 显著 | 解释 |
|------|------|------|-------|-----------|----------|------|------|
| ENSO | 集群1 | MAM | 0.190 | 0 | 0.0238 | ? | 同期0个月 |
| | | JJAS | ?0.33 | 1 | 0.0002 | ? | 指数领先1个月 |
| | 集群2 | JJAS | 0.174 | 6 | 0.025 | ? | 指数领先6个月 |
| | | SON | 0.471 | 0 | 0 | ? | 同期0个月 |
| | 集群3 | MAM | 0.20 | 0 | 0.0125 | ? | 同期0个月 |
| | | JJAS | ?0.329 | 1 | 0.0001 | ? | 指数领先1个月 |
| | | SON | 0.143 | 0 | 0.1319 | ? | 同期0个月 |
| IOD | 集群1 | MAM | 0.160 | 0 | 0.0592 | ? | 同期0个月 |
| | 集群2 | JJAS | 0.162 | 2 | 0.0409 | ? | 指数领先2个月 |
| | | SON | 0.608 | 0 | 0 | ? | 同期0个月 |
| | 集群3 | MAM | 0.180 | 0 | 0.0289 | ? | 同期0个月 |
| | | SON | 0.238 | 0 | 0.01 | ? | 同期0个月 |

由于ENSO和IOD与年周期强相位锁定，超过约3个月的滞后峰值相关可能反映的是各指数自身的循环季节状态，而非真正的跨多季节动力学影响；因此，偏相关分析中使用的驱动因子限制在0–1个月的滞后范围内。表3中出现的两个较长滞后关联（ENSO–集群2 JJAS在+6个月，r = 0.17，p = 0.025；IOD–集群1 SON在+8个月，r = 0.20，p = 0.023）因上述原因被视为关联性而非预测性。

3.5.7 偏相关归因

为了考虑ENSO和IOD的共现，它们在北半球秋季的方差重叠尤为显著，因此对每个集群-季节组合进行了偏相关分析，估计降雨与两个指数之间的相关系数，同时在统计上控制另一个指数的影响（表4）。结果表明了一种清晰的、一致的归因结构模式。

关于基雷姆特（JJAS）降雨，ENSO是三个聚类中唯一具有独立影响的因素（聚类1的部分r = ?0.337，聚类2为0.162，聚类3为?0.358；所有p ≤ 0.035），而在考虑ENSO共现后，印度洋偶极子（IOD）对该季节的降雨没有任何独立影响。相比之下，对于南部和过渡区（聚类2和聚类3）的贝加（SON）降雨，IOD是主导的独立因素（部分r分别为0.459和0.191；p < 0.001和p = 0.039），而ENSO与贝加之间表观的高相关性（r = 0.471）在考虑IOD的共现后下降至r = 0.127，并且失去统计显著性。这意味着南部贝加降雨中观察到的ENSO影响主要是由于二者的共同出现，而非ENSO对该地区的显著遥相关。因此，这一方法支持了ENSO和IOD对东埃塞俄比亚干旱低地不同季节和空间区域产生影响的观点。

**表4. 所有九种聚类-季节组合的部分相关结果。**

| 聚类 | 季节 | r(降雨, ENSO) | r(降雨, ENSO\|IOD) | Sig | r(降雨, IOD) | r(降雨, IOD\|ENSO) | Sig | 独立驱动因素 |
|---|---|---|---|---|---|---|---|---|
| 聚类1 | MAM（贝尔格） | 0.191 | 0.177* | 0.148 | 0.129 | ns | ENSO |
| 聚类1 | JJAS（基雷姆特） | ?0.330 | ?0.337* | ?0.075 | 0.102 | ns | ENSO |
| 聚类1 | SON（贝加） | 0.076 | 0.085 | ns | 0.217 | 0.220* | IOD |
| 聚类2 | MAM（贝尔格） | 0.055 | 0.038 | ns | 0.148 | 0.143 | ns | 两者均非 |
| 聚类2 | JJAS（基雷姆特） | 0.174 | 0.162* | 0.161 | 0.147 | ns | ENSO |
| 聚类2 | SON（贝加） | 0.471 | 0.127 | ns | 0.613 | 0.459* | IOD |
| 聚类3 | MAM（贝尔格） | 0.200 | 0.184* | 0.168 | 0.149 | ns | ENSO |
| 聚类3 | JJAS（基雷姆特） | ?0.329 | ?0.358* | ?0.032 | 0.152 | ns | ENSO |
| 聚类3 | SON（贝加） | 0.143 | ?0.013 | ns | 0.237 | 0.191* | IOD |

**注：** \* = p < 0.05；ns = 不显著。部分相关系数是在控制另一指数并发状态的基础上计算的。每季节N = 129–172个月度观测值。

### 3.5.8 遥相关的时序稳定性

滑动相关分析表明，在聚类1和聚类3中，ENSO-基雷姆特遥相关在时间上是非平稳的，以1988年至2017年为中心的分析窗口内，15年滑动相关系数从约?0.35增至?0.70（图17）。这种增强趋势与沃克环流对ENSO强迫响应增强的证据以及印度洋西部升温一致，后者加强了平流层上层热带东印度气团（TEJ）的减弱机制，从而在厄尔尼诺事件期间抑制基雷姆特降雨（Schwarzwald和Seager, 2024；Black等, 2003）。另一方面，聚类2中的IOD-贝加遥相关是平稳的，15年滑动相关系数稳定在r = +0.75至+0.85的范围内，且未出现一次符号反转（图17）。IOD-贝加关系的时序平稳性及其独立于ENSO共病的特性，为在索马里南部低地的预警系统中实施基于DMI的季节性预报提供了强有力的依据。相反，ENSO-基雷姆特关系的增强意味着，由于气候关系的演变，早期几十年获得的遥相关将低估北部区域对ENSO强迫的敏感性。

图17. 遥相关的时序稳定性；高亮面板 = 部分相关分析确认的独立驱动因素。

## 4. 结论

本研究利用CHIRPS v3.0（1981–2024）数据，对东埃塞俄比亚干旱低地的降雨变率、季节趋势、干旱特征及大尺度气候驱动因素进行了全面评估。分析识别出三个具有对比性季节行为的独特水文气候区域，共同解释了66%的总降雨方差。趋势分析揭示了贝尔格降雨的下降趋势（?2.8 mm/yr），而基雷姆特和贝加降雨则呈增加趋势。

结果表明，ENSO主要控制北部和过渡区的基雷姆特降雨变率（部分r = ?0.34至?0.36，一个月滞后），而IOD是南部低地贝加降雨的主导驱动因素（部分r = +0.46，同步）。分析还表明，1988–2017年间ENSO-基雷姆特关系得到加强，而IOD的影响则相对保持稳定。这些发现增进了对季节性降雨变率的物理理解，并为开发气候信息驱动的东非之角预报系统提供了更坚实的基础。SPI-3和SPI-12分析进一步表明，2015年和2020–2023年的干旱源于不同的气候过程：短期干旱与季节性降雨失败密切相关，而长期干旱则是由多个连续季节降雨亏缺的累积所致。这一区分强调了在设计监测和预警系统时考虑干旱时间尺度的重要性。

然而，在理解这些结果时必须考虑一个关键局限性：干旱状况的评估使用的是SPI，该指数仅考虑降水，未考虑变暖气候中不断增长的蒸散发需求。尽管如此，高分辨率CHIRPS v3.0数据、客观聚类技术和多时间尺度干旱分析的联合运用，为区域降雨模式和遥相关的表征提供了一种有效的方法。未来的研究应整合基于蒸散发量的干旱指数（如SPEI）以及更高分辨率的时间数据集，以改进东埃塞俄比亚降雨变率和干旱过程的表征。

**CRediT作者贡献声明**

Markato Markos：撰写初稿、可视化、软件、方法论、正式分析、概念化。
Kidist Sahle：验证、数据整理。
Dawit Kanito：撰写审阅与编辑、监督、正式分析。
Bethel Geremew Shefine：撰写审阅与编辑、监督。
Gemechu Fanta Garuma：撰写审阅与编辑、可视化。
Asaminew Teshome：撰写审阅与编辑。
Tsegaye Tadesse：撰写审阅与编辑、监督。
Husam Musa Baalousha：撰写审阅与编辑、可视化。

Markato Markos | Kidist Sahle | Dawit Kanito | Bethel Geremew Shefine | Gemechu Fanta Garuma | Asaminew Teshome | Tsegaye Tadesse | Husam Musa Baalousha