1983－2020 年西南地区气象干旱时空演变趋势及干旱事件识别

葛元凯，赵龙龙，陈劲松，任彦霓，李洪忠

1.中国科学院深圳先进技术研究院，广东 深圳 518055；2.河南理工大学测绘与国土信息工程学院，河南 焦作 454150

干旱以其持续时间长、波及范围广等特点，对生态环境和社会经济发展造成严重威胁，是众多自然灾害中造成经济损失最大的气象灾害之一（Zhou et al.，2006；石朋等，2022）。受全球变暖影响，干旱的时空分布不断演变（徐翔宇等，2022），西南地区作为全国干旱重心区域之一（韩兰英等，2014；Han et al.，2016；谢清霞等，2020），干旱发生频率和强度的空间不确定性增强，干旱灾害形势愈演愈烈（Han et al.，2021；石朋等，2022）。IPCC 第六次评估报告指出，极端气候事件（极端干旱、热浪、降水等）的发生频率和强度显著增加（文佐，2022），相比长期气候趋势变化，短期气候变化引起的极端干旱事件对水资源和农业生产的影响更为直接（张旭煜，2022）。全面认识西南地区气象干旱的时空演变趋势，明确干旱事件热点区域的时空演变规律，对西南地区抗旱防灾、保障农业健康发展具有重要意义。

气象干旱指数是干旱定量化评估研究中最直接有效的方法之一（贾艳青等，2018）。标准化降水指数（SPI）、降水距平百分率（Pa）、Z指数是基于降水信息的常用干旱指数，可以一定程度上满足快速监测气象干旱的需求。然而在全球变暖背景下，温度升高成为加剧干旱过程的重要因素之一。标准化降水蒸散指数（SPEI）因综合考虑了降水和温度对区域干旱的影响，且具有灵活选择时间尺度的特性（张玉静等，2015），被广泛应用于全球变暖背景下的气象干旱研究。目前已有众多学者将SPEI 指数用于西南地区气象干旱研究中。早期研究中，学者多基于气象站点计算SPEI，并对站点结果进行空间插值获取面状结果，以分析西南地区干旱年际变化特征和空间变化趋势（王东等，2013；王东等，2014；姚玉璧等，2014；Jin et al.，2020），但获得的干旱空间格局常存在明显的插值界限（王东等，2014），难以反映干旱的实际分布特征。虽然部分学者采用气候研究委员会（CRU）月尺度SPEI 栅格数据集对西南地区干旱时空变化特征进行分析（靖娟利等，2022；王永锋等，2022），但是该数据集约55 km 的空间分辨率难以捕捉研究区的干旱格局细节信息。另一方面，调研发现，在不同时间尺度下开展的干旱趋势研究亦有差异，如赵兰兰等（2021），黄健等（2020）分别对1972－2017 年和1976－2017 年西南地区干旱趋势及变化特征进行分析，认为西南干旱呈现明显加重趋势；而靖娟利等（2022），王永锋等（2022）分析1902－2018 年西南地区和西南喀斯特区域的干旱时空变化规律，认为西南地区呈现不显著变干趋势；Wang et al（2015）则认为，虽然1961－2012 年间西南地区总体呈现明显变干趋势，但部分极端干旱区和干旱区却明显变湿。这说明在不同的时间尺度下，西南地区的干湿趋势具有较强的不确定性。在当前全球变暖及极端气候事件频发的气候背景下，有必要对西南地区开展多时段的干旱演变趋势分析。

干旱事件作为干旱在时间上的累积，严重影响水资源的供给和农业部门的产值（姜雨彤等，2022）。近年来，学者们逐渐重视干旱事件对农业生产的影响并开展了大量研究，但各研究对干旱事件的定义尚不统一。贾艳青等（2018）将至少连续15 天的SPEI 值低于−2 时定义为极端干旱事件；吴秋洁（2019）将干旱事件定义为至少一个月的SPEI-1 低于−0.5；李星（2018）则认为至少一个月的SPEI-1 值低于−1 时才发生干旱事件。以上干旱事件的定义在干旱持续时长以及SPEI 的阈值确定时各有考量，但对干旱事件进行定义时不仅要考虑干旱发生的程度，还要考虑干旱状态的积累对农作物生长的影响。作物产量受多个生育期的共同影响，以一个月内的SPEI 来定义干旱事件往往会忽略频繁的干湿交替对农业生产的影响，因此需综合考虑农作物的整个生育期对干旱事件进行定义。

综上所述，针对当前研究中气象站点代表性不足、使用的SPEI 面状产品分辨率较低，以及对于干旱事件的识别方法不统一等问题。本文首先生成1983－2020 年5.5 km 长时序逐月SPEI 面状数据；然后将研究时期分3 个时间尺度（38 年、18 年和10 年）对4 个时段（1983－2020 年、1983－2000年、2001－2010 年、2011－2020 年）的干旱时空演变趋势进行分析；最后，定义干旱事件为至少连续3 个月发生中等干旱（即SPEI-1≤−1），构建干旱最长持续月数（Maxmon）、年均干旱月数（Meanmon）、干旱事件次数（CDE）和干旱事件平均持续月数（MMDE）4 个指标，分析不同时段下西南地区的干旱强度，识别干旱事件及其热点区域。研究结果可揭示西南地区气象干旱的长-短期时空演变趋势，同时干旱事件热点区域的识别也可为西南地区干旱敏感脆弱区开展抗旱减灾提供科学指导。

1 研究区概况和数据来源

1.1 研究区概况

研究区位于中国西南部，东临华中、华南地区，北依西北地区，包括云南省、贵州省、四川省和重庆市，总面积约1.13×106km2（李星，2018）（图1a）。研究区地形地貌结构复杂，河流众多，地势西北高东部低，山地、丘陵分布较广，地形比降大。研究区气候类型主要为中亚热带湿润季风气候，亚热带高原季风湿润气候和青藏高原独特的高原气候，形成独特的植被分布格局（张远东等，2011）（图1b）。研究区降水以小雨为主，约占总降水日数的75%（张琪等，2014），春季降水偏少，夏、秋季降水偏多，冬季降水最少，时空分布不均，干湿季差异大。近年来，受全球变暖影响，研究区降水量大幅度减少、气温不断升高，干旱频发，严重威胁当地农业生产。本研究将对以上4 省市进行气象干旱监测，分析各区域气象干旱演变趋势及干旱事件热点区域时空格局变化。

图1 研究区地理位置Figure 1 Geographic location of the study area

1.2 数据来源

本文使用数据为1981－2020 年降水数据和潜在蒸散发数据，用于计算多尺度逐月SPEI。其中，降水数据采用加利福尼亚大学气候灾害中心（UCSB/CHC）提供的 CHIRPS 日降水产品（https://chc.ucsb.edu/data/chirps），空间分辨率5 566 m，该数据采用卫星图像与站点数据相结合计算得出。Bai et al（2018）结合国内2 480 个雨量测量计数据对1981－2014 年间CHIRPS 在中国区域的适用性进行验证，结果显示其在中国区域与站点数据总体表现出较好的一致性，在南方区域的表现优于西北和北方地区。为了更明确地验证CHIRPS 数据在西南地区的适用性，本研究选取研究区2020 年的气象站点日降水数据，基于 Bland-Altman（Altman et al.，1983；Bland et al.，1995）方法（常被用于两种定量数据的一致性检验）对CHIRPS 数据进行适用性分析。通过调研CHIRPS 数据的全年可用性，选取四川甘孜基准站56146 的全年（366 d）日降水数据进行一致性检验。结果如图2 所示，从图中可以看出绝大多数数据点都通过了95%一致性检验界限（图中的两条虚线）。综上，认为CHIRPS数据在研究区具有较高的可靠性和适用性。

图2 降水数据一致性检验Figure 2 Consistency test of precipitation data

潜在蒸散发数据采用欧洲中等天气预报中心（ECMWF）ERA5-Land 产品提供的月均逐小时PET数 据 （ https://developers.google.com/earth-engine/datasets/catalog/ECMWF ERA5_LAND MONTHLY BY_HOUR），空间分辨率为11 132 m。该数据通过更好地表征地表过程以及采用更高质量的近地表气象变量数据，能较为准确地刻画地表热量收支。Sun et al（2020）、黄建平等（2020）、苏布达等（2020）的研究证明了此数据在青藏高原、黄河流域、和中国大陆及各大流域的准确性和适用性。因已知气象站点均未找到潜在蒸散数据，因此本文在基于降水一致性检验的基础上，通过对比应用CHIRPS 和此数据计算的SPEI 结果与前人研究的一致性侧面证明了PET 数据的可靠性，SPEI 结果的可靠性验证见讨论部分。

2 研究方法

本研究的方法主要包括3 部分：（1）SPEI 多时间尺度长时序逐月栅格数据集构建；（2）多时间尺度干旱时空演变趋势分析及显著性检验；（3）干旱强度监测及干旱事件识别。技术路线见图3，详细方法介绍如下：

图3 技术路线图Figure 3 Technology roadmap

2.1 SPEI 计算方法

SPEI 是对降水量与潜在蒸散发差值序列的累积概率进行正态标准化后的指数（史晓亮等，2020），SPEI 通过纳入蒸散量的影响，表征区域干湿状态，对干湿状况进行量化。本文首先通过谷歌地球引擎（Google Earth Engine，GEE）云平台获取逐月累积降水量和累积潜在蒸散量，然后采用Loglogistic 概率分布函数对降水和蒸散发差值进行三参数估计，计算概率密度函数，最后对累积概率密度正态标准化得到SPEI 值（Vicente-Serrano et al.，2010；蔡思扬等，2017）。本文逐像元计算1983－2020 年西南地区1、3 和12 月尺度下SPEI 指数（SPEI-1、SPEI-3 和SPEI-12），并对其进行干湿分级（王永锋等，2022）（表1），具体流程见图3a。

表1 SPEI 指数干湿等级划分Table 1 Dry and wet grade division of SPEI

2.2 干旱演变趋势分析方法

Theil-Sen 趋势检验法（Ohlson et al.，2015）是广泛应用于气象及水文过程的非参数趋势分析法（靖娟利等，2022），该方法既不受异常值影响，也不服从一定的分布，结果更科学、可信（白子怡等，2019）。因此，本文采用Theil-Sen 趋势检验法对研究区进行干旱时空演变趋势分析，并结合t检验（Kim，2015）和非参数检验法Mann-Kendall（MK）（Mcleod，2005；Ohlson et al.，2015）对演变趋势的显著性进行检验，两种方法的显著性判断标准见表2 和表3。

表2 t 检验显著性判断标准Table 2 T-test significance test criteria

表3 Mann-Kendall 显著性检验判断标准Table 3 Mann-Kendall significance test criteria

为对比不同时间尺度下干旱时空演变趋势的异同，将研究时期分为4 个时段3 个时间尺度，1983－2020 年（38 年）、1983－2000 年（18 年）、2001－2010 年（10 年）、2011－2020 年（10 年），从三维尺度（时间-经度-纬度）分析西南地区干旱时空演变趋势，并对不同时段的显著变干和显著变湿区域进行识别，具体流程见图3b。

2.3 干旱强度监测及干旱事件识别

2.3.1 干旱强度监测方法

本文从三维尺度（时间-经度-纬度），通过构建干旱最长持续月数（Maxmon）和年均干旱月数（Meanmon）两个指标，对研究区的干旱强度进行监测（本研究中认为SPEI≤−1 时，即干旱等级为中等时，认为研究区发生明显干旱）。两个指标的计算方法及其指示意义如下：

（1）干旱最长持续月数（Maxmon）

干旱最长持续月数（Maximum lasted drought months，Maxmon）是指在时间序列中，连续发生干旱持续的最长月数，此指标越大，说明干旱持续的时间越长，干旱越剧烈，其计算式定义如下：

式中：

Zi,Y——第i个像元在时间尺度为Y（终止年份减起始年份）下发生干旱的最长持续时间，单位为月。

M——干旱月；

Mi,Y——干旱持续月数；

（2）年均干旱月数（Meanmon）

年均干旱月数（Mean annual drought months，Meanmon）是指某一时段内，每年平均发生干旱的月数，即研究时段内发生干旱的总月数与时间尺度Y的比值，此指标越大，说明一年内发生干旱的时间越长/次数越多，可一定程度上指示干旱的频度，其计算式定义如下：

式中：

Ni,Y——第i个像元在时间尺度为Y下的年均干旱月数，单位为月/年，该指标基于SPEI-1 进行计算。

2.3.2 干旱事件识别方法

综合考虑研究区农作物的生长周期，本文将在至少连续3 个月SPEI-1≤−1 计一次干旱事件，即至少连续3 个月发生中等干旱。本研究构建干旱事件次数（CDE）和干旱事件平均持续月数（MMDE）两个指标，对西南地区干旱事件进行识别。两个指标的计算方法及指示意义如下：

（1）干旱事件次数（CDE）

干旱事件次数（Count of drought events，CDE）是指在不同时间尺度下，发生干旱事件的总次数。该指标越大，说明某一区域发生干旱事件的次数越多，该区域越脆弱，其计算式定义如下：

12月10日，福田汽车集团与东软睿驰汽车技术（沈阳）有限公司（以下简称“东软睿驰”）在京签署战略合作协议。双方将围绕自主可控的智能网联汽车和人才培养等方面实现共赢。福田汽车集团副总经理武锡斌和东软睿驰总经理曹斌博士代表双方签署了战略合作协议。

式中：

Oi,Y——第i个像元在时间尺度为Y下的干旱事件总次数，单位为次；

N——干旱事件次数；

Mi,Y——干旱持续月数，该指标基于SPEI-1 指数计算。

（2）干旱事件平均持续月数（MMDE）

干旱事件平均持续月数（Mean lasted months of drought event，MMDE），为研究时段内所有干旱事件持续月数之和与干旱事件发生次数的比值。该指标越大，说明某一区域发生干旱事件持续的时间越长，干旱越剧烈。本研究使用此指标对干旱热点区域进行识别，其计算式定义如下：

式中：

Pi,Y——第i个像元在时间尺度为Y下的干旱事件平均持续月数，单位为月/次；

Mi,Y,3——研究时段内一次干旱事件的持续月数。

3 结果与分析

3.1 西南地区全区域干旱时间演变趋势

根据2.1 节中SPEI 计算方法，计算了西南地区1983－2020 年1、3、12 月尺度的SPEI，并生成了研究区5.5 km 逐月SPEI 长时序面状产品。同时计算了研究区逐月SPEI 均值以反映全区域整体干湿情况。图4 为研究区在3 个时间尺度下SPEI 均值的时间序列结果，从图中可以看出，SPEI-1 和SPEI-3 对短期气象条件变化敏感，波动较大，表明研究区容易发生月度干旱和季节干旱；从SPEI-12 可以看出2006年秋至2007 夏、2009 年冬至2010 年春、2011 秋至2012 年夏和2013 年冬为西南地区明显的干旱年。

图4 多尺度SPEI 时间序列Figure 4 Multi-scale SPEI time series

从图4 可以看出，虽然3 个尺度SPEI 序列的斜率均为负，但M-K 显著性检验均显示|Z|<1.96，说明研究区在3 个尺度均没有显著的变化趋势，仅存在阶段性的干湿波动。t检验结果（表4）显示，3 个尺度的SPEI 变化趋势的P值均远高于0.05，同样说明研究区的变化趋势不显著，与M-K 检验结果一致。综上，研究区在1983－2020 年间的气象条件整体处于波动变化状态，无明显变化趋势。但值得注意的是，SPEI-3 和SPEI-12 显示2016－2020 年研究区干旱月份明显减少，大部分月份呈现正常或湿润状态，说明后5 年研究区处于阶段性变湿状态。

表4 t 检验结果Table 4 The T-test results

3.2 不同时段干旱时空演变趋势

图5 展示了不同时段内SPEI-12 的时空演变趋势，并根据95%显著性检验标注了研究区显著干湿区域（即|Z|≥1.96 的区域，Z值为正表示显著变湿，Z值为负表示显著变干）。结果显示1983－2020 年，研究区西南部呈现明显变干趋势，显著变干区域主要集中在云南中部和西部大部分和四川南部小部分区域；研究区北部和东南部呈现变湿趋势，显著变湿区域主要集中在四川北部、贵州东部和重庆南部部分区域。1983－2000 年间研究区东北部呈现微弱变干趋势，显著变干区域范围较小，位于四川东南部；研究区西部和东部呈现微弱变湿趋势，显著变湿区域处于贵州东部和云南西北部。2001－2010年间研究区大部分区域处于变干趋势，显著变干区域位于云南南部，显著变湿区域位于四川西北部和东北小部分区域。2011－2020 年间研究区整体呈变湿趋势，显著变湿区域位于四川中部大部分区域、云南西北部、贵州东南部和重庆西南部小部分区域，几乎无明显变干区域。

图5 不同时段SPEI-12 时空演变特征Figure 5 Spatio-temporal evolution characteristics of SPEI-12 in different time periods

以上结果说明，在不同的时间尺度下，研究区的干湿演变趋势存在较高的不确定性和明显的空间分布异质性。

3.3 干旱强度监测及干旱事件识别

3.3.1 干旱强度时空分布

（1）干旱最长持续月数（Maxmon）时空演变特征

图6 为研究区不同时段内Maxmon的空间分布及其在各区域的面积占比。图6a 显示，在1983－2020 年间，云南大部分区域Maxmon为5－8 个月，表明云南易发生长周期的干旱灾害；四川西北部部分区域Maxmon为7－8 个月，约占总区域的6.81%，表明四川北部更易发生长期干旱灾害；贵州和重庆绝大部分区域的Maxmon均低于4 个月，说明两个地区发生持续干旱的风险较低。

图6 不同时段下干旱最长持续月数空间分布及其在各区域面积占比Figure 6 Spatial distribution maps of the Maxmon indicator in different time periods and the area proportion in each region

图6b－d 直观的显示了各时段研究区发生持续干旱的情况。云南的Maxmon在3 个时段呈现不断增长趋势，2011－2020 年云南最南端极小区域的Maxmon达到了11－12 个月，干旱剧烈。分析各区域的干旱重心区发现，近20 年云南干旱重心区域分布较集中，2001－2010 年位于云南东南部，2011－2020年转移至云南西北部；而四川的干旱重心空间分布较为分散，3 个时段的干旱重心从四川西北部转移至西部又转移到东南部。从各省不同时段内Maxmon的面积占比可以看出，在38 年间，重庆和贵州的干旱强度总体较弱，四川经历了干旱强度先减弱又增强的趋势，而云南经历了先增强又减弱的趋势。整体来看，云南和四川有50%以上的区域易发生高于5 个月的长期干旱，2001－2010 年云南的干旱强度最重。

（2）年均干旱月数（Meanmon）时空演变特征

图7 为研究区不同时段内Meanmon的空间分布及其在各区域的面积占比，显示Meanmon的空间分布在不同时段具有明显差异。从图7a 可知，1983－2020 年间，云南干旱强度最高，四川次之，贵州干旱强度最低，Meanmon整体为2－3 个月。图7b－d 直观的显示了研究区干旱的演变过程，2001－2020 年，云南和四川干旱频繁，2011－2020 年云南中部和四川西南部部分区域Meanmon达到4 个月，约占各区域的2.54%、8.22%；贵州和重庆在2001－2010 年干旱频繁。总体来看，云南的Meanmon不断增长，干旱强度不断增强；其余省市Meanmon呈现先上升后下降的趋势，干旱灾害有所好转。

图7 不同时段下年均干旱月数空间分布及其在各区域面积占比Figure 7 Spatial distribution maps of the Meanmon indicator in different periods and the area proportion in each region

结合Maxmon和Meanmon的结果，发现在1983－2000 年研究区的干旱强度相较于后20 年均较低。在干旱较为严重的云南，2001－2010 年的Meanmon较2011－2020 年严重，而Meanmon呈现相反趋势，这说明云南在2001－2010 年间发生长期持续干旱的情况较多，而在2011－2020 年间发生短期干旱的次数较多。

3.3.2 干旱事件识别

（1）干旱事件次数（CDE）时空演变特征

图8 显示了研究区不同时段CDE的空间分布及其在各区域的面积占比。图8a 显示在38 年尺度下，研究区均发生过干旱事件，其中四川的干旱事件次数总体最高，云南次之。图8b－d 显示，在3个时段下，各省市均存在干旱事件的空白期。从干旱事件的发生范围来看，重庆在2011－2020 年发生干旱事件的区域面积最大；贵州干旱事件主要集中在2001－2010 年，在2011－2020 年间约57.85%区域未发生干旱事件；云南在2000－2020 年持续发生大范围的干旱事件，发生干旱事件的区域比例高达91.65%，且部分区域的CDE持续增长；四川1983－2000 年发生干旱事件的范围最大，面积占比约为81.48%。从CDE的空间分布上看，1983－2010年四川北部地区为干旱事件敏感区域，2011－2020年云南中部和四川西南部为干旱事件敏感区。

图8 不同时段下干旱事件次数空间分布及其在各区域面积占比Figure 8 Spatial distribution maps of the CDE indicator in different time periods and the area proportion in each region

（2）干旱事件平均持续月数（MMDE）时空演变特征

图9 为研究区不同时段下MMDE的空间分布及其在各区域的面积占比。图9a 显示1983－2020 年，约82.26%的区域MMDE为3－4 个月，约16.52%的区域MMDE为5－6 个月。对比图8 和图9 发现，在1983－2000 年间，CDE和MMDE均处于较低水平；而在2001－2010 年间，虽然研究区CDE较低，但云南东南部的MMDE达到7－10 个月，干旱事件强度较高；在2011－2020 年间，研究区大部分区域MMDE为3－4 个月，四川东南部和云南西北部部分区域的MMDE达到5－6 个月。以上结果说明，干旱事件热点区域的空间分布在不同时间段具有较大差异，1983－2000 年研究区干旱事件热点区域位于四川北部，2001－2010 年位于云南大部分区域，而在2011－2020 年间则位于云南中、北部和四川东南部。

图9 不同时段下干旱事件平均持续月数空间分布及其在各区域面积占比Figure 9 Spatial distribution maps of the MMDE indicator in different periods and the area proportion in each region

从表5 可以看出，在4 个研究时段，研究区平均MMDE分别为3.63、3.45、3.93 和3.67（月/次），呈现先上升后下降的趋势，表明研究区整体干旱灾害有所好转。在38 年时间尺度下，云南的平均MMDE最高，干旱事件灾害最为严重。在1983－2020 年间，重庆和贵州的MMDE呈现整体上升的趋势，说明两省市干旱事件强度有增强趋势；四川的MMDE呈现先下降后上升的趋势，说明四川干旱事件灾害先减缓后加剧；而云南的MMDE呈现先上升后下降的趋势，说明近年来云南干旱事件灾害有所好转。

表5 研究区各区域不同时段下MMDE的区域均值Table 5 Regional mean MMDE in different periods of the study area

4 讨论

4.1 结果可靠性分析

为验证本研究基于像元计算的SPEI 结果的可靠性，选取SPEI-12 与前人研究结果作对比。结果显示，在对应时段内本研究的SPEI-12 的年际变化趋势与李星（2018）在1983－2012 年间（图10a），史晓亮等（2020）在2002－2019 年间（图10b）的结果保持高度一致。图4 中SPEI-12 捕捉到的2005－2015 年间的典型干旱年份，与前人研究提到的2006 年、2010 年、2011－2012 年和2013－2014 年基本吻合（许凯，2015；胡光成等，2020；吕纯月等，2021）。说明本研究应用GEE 平台的降水及蒸散量数据计算的SPEI 结果是可靠的。同时从图10 还可以看出本研究的SPEI-12 值域范围整体较大，处于−1.5－1.5 之间，而其他研究结果多处于−1.0－1.0，这是由于对研究区全域取均值时，干湿区域占比不均会一定程度减弱或增强研究区整体的干湿程度。因此基于像元而不是气象站点计算SPEI-12 均值，相较于基于站点插值的结果，可以更加真实地体现研究区整体的干湿状态。同时，5.5 km 高分辨率的SPEI 产品可提供精细化的气象干旱分布信息。

图10 SPEI 结果可靠性验证Figure 10 Reliability verification of SPEI results

不同时段下研究区干旱事件热点区域具有一定不确定性。李韵婕等（2014）研究显示1960－2010年干旱事件在西南全境呈增多趋势，包括云南省大部分区域、四川省南部、贵州省西南部，这与本文构建的CDE在1983－2000 年以及2000－2010 年结果基本保持一致，同时CDE显示在1983－2000 四川省北部干旱事件同样呈现增长趋势；吕爱民等（2013）研究显示云南省在2009－2011 年间干旱强度从西向东逐渐加重，在2010 年云南省东部达到极旱水平，与本文MMDE在2000－2010 年的结果也基本保持一致。说明了本研究提出的两个干旱事件指标结果具有较高可靠性。

4.2 本文干旱监测指标的优势

本研究所指的干旱强度主要是从干旱发生时间长度的角度上来衡量，认为中等干旱等级的干旱持续时间越长或发生次数越多，干旱强度越大，并未涉及干旱等级。相比于将发生轻度及以上的干旱区域的SPEI 值累加来评估干旱强度的方法（万红莲等，2018）会忽略干湿交替情况对干旱强度的影响，本研究使用的干旱最长持续月数（Maxmon）和年均干旱月数（Meanmon）能够全面反映研究区的干湿交替情况下干旱强度空间分布特征。本研究构建的干旱事件次数（CDE）和干旱事件平均持续月数（MMDE）两个指标可有效捕捉西南地区干旱灾害的敏感脆弱区和干旱事件常发区及重发区。

此外，从研究结果发现，不同时段内研究区显著变干区域与干旱强度重心区域，以及干旱事件热点区域的相关性不强，这是由于干旱的时空演变趋势基于12 月份的SPEI-12 计算得出，而干旱强度指标和干旱事件指标基于逐月SPEI-1 计算得出。说明在不同研究尺度下干旱的时空演变趋势会呈现不同结果，可根据研究或应用需要，选取合适指标对干旱进行研究。面向气候变化等相关研究，可使用长时间尺度的气象干旱结果（如SPEI-12 甚至是SPEI-24）。植被生长尤其是农业生产更多受季节性干旱等短时间尺度干旱（SPEI-1 或SPEI-3）的影响，本文使用的4 个干旱监测指标可反映连续月尺度下区域干旱情况，可为西南地区农业生产的抗旱防灾工作提供更实用的科学指导。

5 结论

本文生成了1983－2020 年西南地区1、3 和12个月尺度的5.5 km 高分辨率长时序SPEI 数据产品，构建了干旱强度（Maxmon和Meanmon）和干旱事件（CDE和MMDE）4 个指标，分4 个时段分析了西南地区的干旱时空演变趋势，和干旱强度及干旱事件的时空演变特征，得出主要结论如下：

（1）西南地区容易发生月度干旱和季节干旱，在1983－2020 年间整体呈阶段性干湿波动，无明显变化趋势，1983－2000年四川南部和2001－2010年云南南部显著变干，2011－2020 年全区整体以变湿为主；

（2）Maxmon和Meanmon可有效反映西南地区气象干旱的易感性及其空间分布，Maxmon显示云南、四川约50%以上的区域易发生至少连续5 个月的持续干旱，Meanmon显示3 个时段内云南的平均干旱强度呈持续增强趋势，而四川、重庆和贵州呈先增强后减弱趋势；

（3）CDE和MMDE可有效识别不同时段内干旱事件的热点区域，结果显示1983－2000 年热点区域位于四川北部，2001－2010 年位于云南中部，2011－2020 年位于云南中部、北部和四川南部，云南省在2001－2010 年干旱事件最严重，平均MMDE可达4.70 月/次。