《Environmental Modelling & Software》：SPEIChanges: A framework for assessing climate-change-driven shifts in drought frequency using the Standardized Precipitation Evapotranspiration Index
编辑推荐：
摘要：开发基于广泛使用的概率型指数的方法，以量化气候变化模式如何改变干旱发生频率，至关重要。在本研究中，研究人员开发了SPEIChanges，一个开源框架，旨在量化降水-大气蒸发需求（P-AED）分布的中心趋势和离散程度的偏移如何影响干旱发生概率。模拟结果表明
摘要：开发基于广泛使用的概率型指数的方法，以量化气候变化模式如何改变干旱发生频率，至关重要。在本研究中，研究人员开发了SPEIChanges，一个开源框架，旨在量化降水-大气蒸发需求（P-AED）分布的中心趋势和离散程度的偏移如何影响干旱发生概率。模拟结果表明，算法中应使用贝叶斯信息准则（Bayesian Information Criterion, BIC）。研究人员利用代表全球不同状况的观测数据和气候预估评估了SPEIChanges的性能。结果表明，SPEIChanges能够刻画预期P-AED值的偏移以及干旱频率的变化。该方法明确识别这些偏移是由中心趋势、离散程度还是两者共同变化所驱动。值得注意的是，即使在广泛使用的Mann-Kendall检验无法检测到显著趋势的情况下，SPEIChanges也能以概率术语检测并量化干旱频率的变化。
**SPEIChanges框架：基于标准化降水蒸散指数评估气候变化驱动的干旱频率变化——论文解读**
**1. 研究背景与问题**
标准化降水蒸散指数（Standardized Precipitation Evapotranspiration Index, SPEI）自2010年提出以来，已成为全球应用最广泛的干旱指数之一。SPEI基于概率理论，通过拟合降水与大气蒸发需求（Precipitation minus Atmospheric Evaporative Demand, P-AED）累积序列的概率分布，再经逆高斯变换得到标准化值，从而在不同时间和空间尺度上对干旱事件进行分类。然而，传统SPEI基于平稳性假设，即其输入变量的概率分布统计特性不随时间变化。在全球气候变化背景下，干旱频率和强度已发生广泛而显著的变化，这一假设日益受到挑战。为此，研究者先后提出了非平稳SPI（NSPI）和非平稳SPEI（NSPEI），通过允许分布参数随时间变化或作为地球物理指数的函数来反映气候趋势。但此类方法存在解释上的困难：在长期变干趋势下，NSPEI会因基线不断调整而低估近期干旱严重性，甚至出现与实际情况相悖的结果。为弥补这一不足，已有研究提出SPIChanges方法，用于量化降水分布变化对SPI干旱发生概率的影响，但SPIChanges仅考虑降水，无法反映大气蒸发需求的作用。鉴于大气蒸发需求是当前干旱趋势变化的主要驱动因子之一，将SPIChanges框架扩展至SPEI具有重要的科学意义和应用价值。本研究旨在开发SPEIChanges方法，以量化P-AED分布的中心趋势和离散程度变化如何影响SPEI表征的干旱发生概率，并识别这种影响来源于中心趋势偏移、离散程度变化，还是两者共同作用。
**2. 研究内容与主要技术方法**
研究人员开发了SPEIChanges开源框架，并将其应用于多种气候条件下的历史观测数据和未来气候预估数据。研究采用了四个数据集：Dataset 1为英国牛津长期气象站（1827-2020年）的月降水和气温数据，用于估算潜在蒸散量（采用Thornthwaite方法）；Dataset 2为Vicente-Serrano等（2010）最初提出SPEI时使用的全球11个站点数据（1901-2024年，CRU TS v4.09），覆盖寒温带、大陆性、地中海、季风、海洋性、半干旱和热带等多种气候类型；Dataset 3为覆盖巴西全域（1980-2025年）的NOAA-PSL栅格化降水和气温数据；Dataset 4为巴西气候变化数据集（CLIMBra）提供的CMIP6高排放情景（SSP5-8.5）2030-2100年降水和气温预估数据。核心方法是基于广义极值分布（Generalized Extreme Value, GEV）构建四个候选模型：平稳模型（参数恒定）、位置参数随时间线性变化、尺度参数随时间线性变化、位置和尺度参数均随时间线性变化。采用最大似然估计拟合参数，通过蒙特卡洛模拟比较AICc和BIC两种模型选择准则的表现，确定BIC为默认准则。SPEIChanges算法通过四个步骤实现：先基于平稳GEV计算SPEI值及对应累积概率；再从候选模型中选出最佳非平稳GEV模型；继而用该模型计算当前气候条件下P-AED的累积概率；最后对比平稳与非平稳累积概率，量化干旱频率的变化。此外，研究还将SPEIChanges与SPIChanges及Mann-Kendall（MK）检验进行比较。
**3. 研究结果**
**3.1 蒙特卡洛实验评估**
基于Dataset 2生成的大量合成序列，模拟了平稳、仅位置参数趋势、仅尺度参数趋势以及两者同时趋势四种情形。结果显示，在样本量为60和90时，BIC识别真实生成模型的成功率普遍高于AICc；在样本量为45时两者表现相当。BIC在识别平稳模型（无趋势）时成功率高达85%-95%，有效降低了误报干旱频率变化的概率。在仅尺度参数趋势（反映气候变率增加）的情形下，MK检验的拒绝率平均低于15%，而BIC的成功率显著更高，表明在气候变率增加的地区，MK检验功效不足。在位置和尺度参数同时变化时，BIC的平均成功率超过95%。因此，BIC被确立为SPEIChanges的默认模型选择准则。
**3.2 案例应用与跨方法比较**
案例1（牛津，1827-2020年）：SPIChanges仅在少数月份检测到干旱频率变化，而SPEIChanges在夏季和秋季识别出更多干旱频率增加的情况，这主要归因于大气蒸发需求的显著上升趋势。值得注意的是，在3个月尺度的2月份，MK检验显示P-AED呈显著上升趋势（转湿），但SPEIChanges因选择模型4（位置和尺度均变化），揭示了离散程度增加导致下尾向更低P-AED扩展，从而尽管气候总体变湿，极端干旱频率仍相对增加约109%。这体现了SPEIChanges在识别气候变率变化方面的优势。
案例2（全球11个站点，1901-2024年）：SPIChanges仅识别出8%的序列存在干旱频率变化方向一致的偏移；而SPEIChanges在30%的SPEI序列中检测到干旱频率增加，且在11个站点中的8个至少有一个月份出现此类变化。对于仅尺度参数变化（模型3）的序列，SPEIChanges检测到各等级干旱频率增加，但MK检验未发现显著趋势，再次证明其对纯变率变化的敏感性。
案例3（巴西历史时期，1980-2025年）：SPEIChanges识别出发生严重干旱频率增加的国土面积在春季、夏季、秋季和冬季分别为75.1%、61.2%、54.3%和65.1%，均大于SPIChanges识别的面积（分别为55.5%、53.4%、49.4%和37.1%）。MK检验显示P-AED显著下降的面积大于仅降水显著下降的面积，表明大气蒸发需求上升加剧了干旱化。
案例4（巴西未来预估，2030-2100年，SSP5-8.5）：SPEIChanges预估严重干旱频率增加的面积在夏季、秋季、冬季和春季分别为37%、28%、89%和92%，而SPIChanges分别为22%、7%、32%和71%。MK检验显示整个巴西的AED将呈现显著上升趋势。这些结果与巴西自2000年以来频发的干旱事件（如2014-2015年东南部水危机、2010-2016年东北部干旱、2024年全国性干旱）具有气候学一致性。
**4. 讨论与结论**
讨论部分指出，SPEIChanges与SPIChanges结果的差异凸显了将大气蒸发需求纳入干旱评估的重要性，这与全球变暖背景下蒸发需求增强导致干旱加剧的已有认识一致。研究也承认了局限性：仅考虑GEV分布，且候选模型限定为线性趋势，未来可探索其他分布（如log-logistic、Pearson III型）和非线性结构；PET估算方法的选择也会引入不确定性。建议未来结合农业损失、径流观测和遥感土壤水分等外部指标进一步验证。
研究结论可概括为：气候变化已改变全球多个地区的干旱频率，开发基于广泛使用概率型干旱指数的方法至关重要。本研究将SPIChanges扩展为SPEIChanges，以量化P-AED分布变化对SPEI干旱发生概率的影响。蒙特卡洛实验和四个案例研究（涵盖全球历史与预估气候条件）表明，SPEIChanges能够全面刻画干旱发生的变化，可分别识别预期P-AED值的偏移和干旱频率的变化，并判断这些变化源于中心趋势、离散程度还是两者共同作用。该能力使其在Mann-Kendall检验无法检测出显著长期趋势时，仍能检测到干旱发生的变化。与SPIChanges相比，SPEIChanges强调了在气候变化背景下考虑大气蒸发需求的必要性，尤其是在全球许多地区观测到AED呈上升趋势的背景下。
