干旱游程理论文献摘录

赣江源气象干旱向水文干旱的传播及降水短缺阈值分析_(孙军红2023)

1 引言

气象干旱是由降水量和蒸发量的长期水分收支失衡引发,它可能通过水循环过程进一步导致径流、湖泊和水库的水量不足,从而可能诱发水文干旱。由于直接影响着供水系统,水文干旱的发生可能导致工农业生产力下降,对粮食安全和水安全构成威胁[1]。因此,水资源管理者需阈值指标来提前做出预警,以降低干旱灾害损失。干旱是降水负异常信号的长期累积结果,该信号在水循环传播导致干旱的现象称为干旱传播。一般水文干旱往往是气象干旱累积造成的,两者存在着密切联系[2]。因此,聚焦于研究气象干旱向水文干旱的传播关系,包括传播过程、传播时间、传播阈值和影响等至关重要。其中,传播阈值因对干旱预警和缓解具有重要意义而广受关注。以往有关干旱传播阈值的研究主要是基于构建气象干旱和水文干旱之间的确定性模型,如吴杰峰等[3]研究了气象和水文干旱之间历时、烈度之间的响应关系;刘永强等[4]建立了气象干旱与水文干旱的Copula函数模型,确定了触发水文干旱的气象干旱历时和烈度阈值。然而,以往研究大多以干旱特征(如干旱历时和烈度)作为预警指标,其指标结果较绝对且不方便监测。另一方面,干旱传播受到流域调节、人类活动、气候变量等众多因素的影响,使气象干旱向水文干旱传播的方式复杂,并非是一一对应的,而传递方式的差异将影响降水短缺条件的确定,进而对干旱阈值产生影响。所以,进一步研究气象干旱向水文干旱的传播方式将有助于提高干旱传播阈值的精度。鉴此,本文探讨赣江源流域气象干旱向水文干旱的传播方式,并设置了合理的预警指标,以期为干旱早期预警提供帮助。

2.2 气象和水文干旱指数

SPEI指数为基于降水量和潜在蒸散量之间的简化水平衡的指数,具有标准化降水指数(SPI)的多时间尺度和帕默尔干旱指数(PDSI)考虑了干旱程度与蒸散量之间关系的双重优点,使用三参数的Log-Logistic概率密度函数拟合降水量和蒸发量之间的差值,然后将累积概率转换为标准正态分布,以获得SPEI值。此外,SHUKLA S等[5]提出从水文角度反映干旱,使用伽马分布对径流拟合,然后将累积概率转换为标准正态分布,以获得标准化径流指数(SRI)值。基于SPEI和SRI的干旱分类见表1。

2.3 干旱传播特征2.3.1 游程理论使用三阈值游程理论方法(图2)识别气象、水文干旱事件,识别过程主要包括初步判断、剔除和融合。初步判别,当SPEI小于R1待定为干旱;剔除非干旱事件,若干旱历时仅为1个月且其SPEI大于R2,则判定为非干旱事件将其剔除;干旱事件合并,当两次干旱事件间隔为1个月,若间隔期所对应的SPEI小于R0,则将两次干旱事件合并为一次,反之为两次独立的干旱事件。利用游程理论识别干旱事件,并分别提取干旱事件的历时和烈度特征,取阈值R0=0、R1=-0.5、R2=-1[6]。

参考文献：

[6] 韩会明,刘喆玥,刘成林,等.基于Copula函数的赣江流域气象干旱特征分析[J].水电能源科学,2020,38(8):9-13.

基于Copula函数的赣江流域气象干旱特征分析_韩会明(2020)

2.3 游程理论

干旱事件的识别及提取历时和烈度两干旱特征变量是建立联合分布模型的关键。目前,游程理论[3]是识别干旱最常用的方法,其中三阈值相较于单阈值具有更优的识别能力,见图1[3]。本文使用阈值R0=0,R1=-0.5,R2=-1。

基于Copula函数的长春市106年来的干旱特征分析*（李明，2016）

1.2.2游程理论

Yevjevich最早应用游程理论对干旱事件进行描述和识别[16]。干旱特征(包括:开始、结束、历时、严重程度和峰值)可以利用游程理论很容易的识别出来(图1)。根据前者的研究结论[14]，为了尽量减少轻微干旱的影响，

当SPEI-3<-0.5时，文中则初步判断此月为干旱，若干旱历时只有一个月，且其对应的SPEI-3>-1.5，认为属于小干旱过程，忽略不计，反之计为1次干旱；

而对于间隔为1个月的两次相邻干旱过程，若间隔期的SPEI-3<0.5，则认为这两次相邻干旱是从属干旱，可将这两次相邻干旱合并成1次干旱过程，否则为2次独立干旱过程，合并后的干旱历时为两次干旱历时之和再加1，干旱程度为两次干旱程度之和[3]。

其中，干旱历时D指SPEI-3值连续小于-0.5的月份数（图1中的d）。干旱间隔时间L指从本次干旱起始时刻至下次干旱开始时刻的间隔时间(图1中的l)。干旱程度S为每次干旱事件SPEI-3的累计和(图1中的s)，为方便起见，干旱程度S乘以-1，使其转为正值[17]，即:

参考文献：

[16]Yevjevich V.An objective approach to definitions and investigations of continental hydrologic droughts[J].Journal of Hydrology,1969,7(3):353.

[14]Liu X F,Wang S X,Zhou Y,et al.Spatial analysis of meteorological drought return periods in China using Copulas[J].Natural Hazards,2016,80(1):367-388.

[3]张玉虎,刘凯利,陈秋华,等.区域气象干旱特征多变量Copula分析-以阿克苏河流域为例[J].地理科学,2014,34(12):1480-1487.

[17]陈璐,郭生练,闫宝伟,等.基于Copula函数的干旱特征分析[J].水资源研究,2012,1(4):186-194.

基于Copula函数的干旱特征分析_陈璐（2012）

Yevjevich(1967)最早应用游程理论对干旱事件进行描述和识别[13]。Shiau(2006)将游程理论和SPI值相结合，将SPI值小于0的月份视为干旱期[9]。本文通过干旱程度、干旱历时、干旱间隔时间和最小SPI值来定义干旱事件，具体如图1所示。

图1. 干旱事件示意图

Figure 1. Definition sketch of drought events
 

干旱历时Dd指SPI值连续小于0的月份数。干旱程度Sd为每次干旱事件SPI的累计和，即。干旱间隔时间指从本次干旱起始时刻至下次干旱开始时刻的间隔时间。最小SPI值指在一次干旱事件中最小的SPI值，表征了一次干旱事件峰值，即最旱时段的严重程度。

[13]YEVJEVICH, V. Hydrology paper. Fort Collins: Colorado State University Press, 1967.

[9]SHIAU, J. T. Fitting drought duration and severity with two- dimensional copulas. Water Resources Management, 2006, 20(5): 795-815.

干旱指标的理论分析与研究展望（袁文平，2004）

2．3 水文干旱指标水文干旱是指河川径流低于其正常值或含水层水位降落的现象其主要特征是在特定面积、特定时段内可利用水量的短缺。对于水文干旱的识别主要是采用游程理论［34］。最初把游程理论用于水文干旱识别的是基于月降雨或月径流系数对干旱情况进行检验分析［35］。Mo-han等［36］在此基础上考虑了月径流的变差值对以游程理论为基础的水文干旱识别方法进行了改进。应用游程理论对水文干旱进行识别一般可采用Dracup等［37］建议的以下步骤进行：（1）根据研究目的确定考察水分缺乏的对象如径流量、降水量或土壤湿度等。（2）确定计算水文干旱的时间尺度可以为小时、天、旬、月、季、年等。（3）建立截断水平即确定水文在何种状况时为水分缺乏实际应用中一般多以需水量作为截断水平。一个径流的时间序列Q（t）为一个截断水平Q0（t）所截负的游程长度D（Q（t）≤Q0（t））为干旱历时游程S（距Q0（t）的累积偏差）为干旱烈度（或干旱程度）游程强度M（距Q0（t）的平均偏差）为干旱强度。参数间的关系为：S＝M·D干旱时S为负值且绝对值越大说明干旱程度越严重。随着水文模型的发展许多定量化的水文模型使用数学或物理模型对现实水文系统过程进行模拟并在一定的条件下对水文变量的变化进行模拟和预报。因而水文模型能够有效的对水文干旱进行预报和监测。流域水文模型一般是确定性模型一般可分为系统模型（又叫黑箱子模型）、集总式的概念性模型和分布式的水文物理模型。概念性模型用概化的方法表达流域的水文过程具有一定的物理基础实用性强但是与系统模型一样概念性模型不能客观地反映流域产流的机制以及时间和空间的分布规律。分布式物理模型的优点是模型的参数具有明确的物理意义可以通过连续方程和动力方程求解可以更准确地描述水文过程具有很强的适应性。随着遥感、卫星等航空航天技术的发展计算机处理能力的提高另一种具有物理机制的分布式模型相应而生。Beven等［38］研制出一种半分布式水文模型即TOPMODEL模型模型主要借助于地貌指数ln（α／tanβ）来描述和解释径流趋势和由于重力排水作用径流沿坡向的运动模型的吸引人之处在于它被认为是一个“简单具有物理基础的概念性模型”在这种意义下它的参数可被物理描述。目前TOPMODEL已经得到了广泛的应用［39］。熊立华［40］利用TOPMODEL模型在6个不同尺度、分布于不同区域和不同气候条件下的流域研究其对于径流的模拟效果结果表明在6个地区的模拟精度较高。与TOPMODEL模型相类似的模型还有：SWAT模型、ARNO模型、TOPKAN模型等。我国学者也做了许多有益的工作郭生练等［41］提出和建立了一种基于DEM的分布式水文物理模型模拟整个流域的径流形成过程分析径流形成机理。任立良等［42］进行了流域数字水文模型研究并基于DEM考虑流域空间的变异性建立数字高程流域水系模型。

基于两变量联合分布的干旱特征分析（闫宝伟，2007）

干旱和洪水一样都是自然界的极端事件对人类和社会产生极大危害。干旱问题在我国也十分突出尤其在我国北方和西北一带造成的经济损失严重。但相对洪水来说国内外对干旱的研究还比较薄弱主要集中于以下几点：①干旱指标的研究〔1〕如Palmer干旱指数、标准降水指数（SPI）和Z指标等；②干旱分析的方法研究〔2～4〕如游程理论、随机模拟及非参数方法的研究；③干旱特征分布的研究〔5～7〕如重现期、概率分布等；④干旱风险与灾害的研究〔8〕。干旱是包括干旱历时和干旱程度等多个相关变量的极值水文事件单变量分析难以反映这种相关关系而Copula函数理论适合于构建边缘分布为任意分布的联合分布是一种描述变量之间相关性的有效方法。关于干旱的特征分析以往的研究仅局限于单变量的分析难以反映干旱多变量特征之间的关系。2006年Kim等〔4〕和Shiau〔6〕分别用非参数方法和Copula方法建立了干旱历时和干旱程度的联合分布为干旱分析提供了一种新的途径。干旱特征变量之间往往存在一定的相关性而Copula函数理论是描述这种相关性的一种有效方法适合于构建边缘分布为任意分布的联合分布。本文通过计算每个月的SPI结合游程理论运用Copula函数构造了干旱历时和干旱程度的联合分布并对汉江上游的干旱特征进行了分析。

基于SPI的两变量联合分布1．1 SPI指标降水分布是一种偏态分布常用Γ分布来描述1993年McKee等将降水的Γ分布标准正态化得出标准降水指数（SPI）来量化多时间尺度的干旱特征〔7〕。SPI指标不仅考虑了降水服从偏态分布的实际而且又进行了标准正态处理从而使其适合确定不同时间尺度的干旱监测和评价因此应用比较广泛SPI对应的干旱级别如表1所示。

应用游程理论定义干旱事件。干旱程度S为每次干旱事件SPI的累计和即：

式中：D为干旱历时。取SPI≤－1为游程的截断水平每次干旱事件的干旱历时（D）和干旱程度（S）如图1所示。

基于ｃｏｐｕｌａ函数的区域干旱分析方法（陆桂华，2010）

根据游程理论设Ｒ0为阈值当Ｒ大于或等于Ｒ0时即发生干旱正的游程长度为干旱历时Ｄ游程总量为干旱强度Ｓ。本文假设如果两次干旱过程（干旱历时和干旱强度分别为ｄ1ｄ2和ｓ1ｓ2）中间有且只有1个月份的干旱指数值小于Ｒ0且大于Ｒ1（Ｒ1小于Ｒ0）则这两次干旱是从属干旱［8］可合并成一次干旱过程合并后干旱历时Ｄ＝ｄ1＋ｄ2＋1干旱强度Ｓ＝ｓ1＋ｓ2。如果某次干旱过程干旱历时只有1个月干旱指数值小于Ｒ2（Ｒ2大于Ｒ0）则此次干旱过程为小干旱过程本文忽略不计。图2为干旱特征定义图图中Ｄ（或ｄ）为干旱历时其中ｄ0＝1Ｓ（或ｓ）为干旱强度Ｌ为干旱时间间隔。由游程理论可知图2中共有4次干旱过程（ｅ、ｆ、ｇ、ｈ）但由于干旱过程ｆ干旱历时只有1个月干旱强度较小属于小干旱过程可忽略不计。干旱过程ｇ和ｈ（干旱历时和干旱强度分别为ｄ1ｄ2和ｓ1ｓ2）符合从属干旱的定义看作是一场干旱干旱历时Ｄ＝ｄ1＋ｄ2＋1干旱强度Ｓ＝ｓ1＋ｓ2。对小干旱和从属干旱处理后可知图2中共显示有两场干旱干旱历时为Ｄ干旱强度为Ｓ（阴影部分面积）。

国内外干旱研究进展综述（张 俊，2011）

2．3 水文干旱指数

水文干旱指数大多基于河流流量一般以时段径流量小于某临界值来定义水文干旱研究采用的流量资料依赖基流观测或某时段的平均流量（如月流量或年流量）。对于水文干旱研究较多的是水文干旱的概率问题将水文干旱的发生看作一种随机事件利用随机理论方法分析研究水文干旱如游程理论、马尔可夫过程等。Ｙｅｖｊｅｖｉｃｈ应用过程统计理论分析干旱事件指出大陆尺度的水文干旱应该用持续时间、面积范围、强度、再现概率、开始或结束的时间来描述。地表供水指数（ＳＷＳＩ）是1981年为克罗拉多州开发的经验水文指数作为地表水状况的度量ＳＷＳＩ弥补了ＰＤＳＩ未考虑降雪、水库蓄水、流量以及高地形降水情况的不足ＳＷＳＩ对评估和预测地表供水状况的作用已被很多学者认同［22－24］。张波等根据降雨量、流量和蒸发量的资料［25］确定其各自影响旱情严重程度的权重系数构造出综合干旱指标以指标函数值对旱情进行分级以等级来反映旱情的严重程度并利用研究资料期限内的实际干旱情况对所建立的综合干旱指标进行了检验旱情符合度为60．8％。从水文干旱的研究现状看大多数的工作偏重于研究天然条件下水文干旱的要素及过程特征较少考虑人类活动对水文过程的影响而事实上人类活动对天然水文过程产生了不可忽略的影响。

国内外干旱及干旱指标研究进展（赵丽，2012）

2.3水文干旱指标水文干旱指因降水长期短缺而造成某段时间内地表水或地下水收支不平衡,出现水分短缺,使河流径流量、地表水、水库蓄水、湖水减少的一种水文现象,其主要特征是在特定面积、特定时段内可利用水量短缺。水文干旱最初是以河川径流量为研究对象,以时段径流量小于某临界值来定义干旱。最初把游程理论用于水文干旱识别的是基于月降雨或月径流系数对干旱情况进行检验分析[33]。Mohan等在此基础上,考虑了月径流的变差值,对以游程理论为基础的水文干旱识别方法进行了改进[34]。水文干旱通常以干旱强度和干旱历时的乘积来衡量,应用游程理论对水文干旱进行识别,一般可采用以下步骤[35]。首先,确定缺水性质,由于地表径流是大气降水与下垫面调蓄共同作用的产物,在一定程度上能反映降水与地面条件的综合特征,因此水文干旱分析多采用地表径流量作为分析对象;其次,确定计算时段,计算时段即为时间步长,可以小时、天、旬、月、季、年等计;当计算时段太长时,相应水文过程的信息会有损失;而计算时段太短,水文资料的收集又会遇到困难;考虑到干旱是一种发展缓慢、历时较长的自然现象,多采用旬或月作为计算时段;再次,建立截断水平可以是常数,也可以是随时间变化的函数、径流量的某一百分数[36]。水文干旱研究偏重于天然条件下水文干旱的要素及过程特征,较少考虑人类活动对水文过程的影响,而事实上人类活动对天然水文过程产生了不可忽略的影响。

珠江流域区域干旱风险评估*（黄强，2013）

2.2游程理论

干旱事件最重要的3个特征属性为历时、强度和严重度，根据Yevjevich提出的游程理论[16]，由SPEI定义的干旱事件如图2所示，以SPEI值小于-0.52开始到大于-0.52结束为一个干旱事件，其间经历的时间长度为干旱历时D/月，历时内SPEI偏离-0.52的最大值为干旱强度I，SPEI偏离-0.52的累加值即阴影部分面积为干旱严重度，从上一个干旱事件开始到下一个干旱事件开始为干旱间隔时间L。

虽然干旱事件有多个特征属性，但选用的变量太多又会使事件本身过于复杂化，增加分析的难度和结果的不确定性，由于干旱严重度没有严格意义的分等定级标准，因此本文选取干旱历时和干旱强度两个特征变量来进行珠江流域的干旱频率风险分析。

基于Copula函数和SPEI的广东北江流域干旱频率分析*（刘占明，2013）

1.2干旱识别与干旱变量的定义

通常应用游程理论[15]识别一次干旱事件的发生，一般而言，一个数据序列中，某一条件下相同符号(正或负)连续出现的一个序列即为一个“游程”，相同符号(正或负)出现的次数为该游程的长度。如图2所示，X0为截取水平，当SPEI序列Xt(t=1、2，…，N)在一个或多个时段内连续小于X0时，出现负的游程，即干旱事件发生；负游程的长度D为干旱历时(月)，负游程对应的阴影部分面积S()为干旱烈度，负游程中的极值P为烈度峰值(取相反数)。有研究表明[17]，较长历时的轻旱事件也会导致严重的水资源供给及干旱相关的问题，因此，本文选取-0.5作为游程的截断水平。

[15]EMIR Z,ATILA S.A method of streamflow drought a-nalysis[J].Water Resources Research,1987,23(1):156-168.

[17]SHIAU JT.Fitting drought duration and severity withtwo-dimensional Copulas[J].Water Resources Manage-ment,2006,20:795-815.

Fitting Drought Duration and Severitywith Two-Dimensional Copulas （SHIAU JT，2006）

摘要。本研究旨在使用二维Copula对联合干旱持续时间和严重程度分布进行建模。利用边缘推理函数的方法（IFM法）构造系谱。首先对单变量边际分布进行两个独立的最大似然估计，然后将二变量似然作为依赖参数的函数进行最大化。干旱持续时间和严重程度分别假定为指数分布和伽玛分布。测试了几个系谱，以确定最佳数据拟合的系谱。以台湾乌汕头的标准化降水指数（SPI）确定的干旱为例说明了所提出的方法。干旱持续时间和严重程度的交配结果非常令人满意。基于推导的基于copula的联合分布，还研究了双变量干旱分析，包括联合概率和双变量回归期，以证明干旱的双变量建模的优势。

1. Introduction

干旱通常被认为是长时间没有降水。由于对经济、环境和社会部门的负面影响，这种正常和反复出现的气候现象在整个历史上一直困扰着文明。
因此，干旱特征是水资源规划和管理中公认的重要因素。例如，在关键干旱期，特定供水系统的产量通常被用作城市区域的设计供水能力。由于干旱本质上是随机的，探索干旱的正确方法是使用概率理论。大量的研究
（Gupta和Duckstein，1975年；Sen，1976年、1977年、1980年；Dracup等人，1980a、b；Ze lenhastic和Salvai，1987年；Frick等人，1990年；Kendall和Dracup，1992年；Rossi等人，1992年，Lo´aiciga和Leipnik，1996年；Cancelliere等人，1998年；Fern´andez和Salas，1999年；Chung和Salas；2000年；Shiau和Shen，2001年；Bonaccorso等人，2003a；Gonz´alez和Vald´es，2003年；Cancellinere和Salas）在Yevjevich（1967）引入运行的概念来分析干旱之后，研究了干旱的概率特性。
然而，由于几十年来水文技术的发展，这些研究大多集中在单变量干旱特征分析上。复杂的水文事件，如干旱和洪水，似乎是以几个相关随机变量为特征的多变量事件。由于需要更多的数据、复杂的数学处理和有限的可用模型，很少有研究致力于水文事件的多元分析。因此，双变量分布更常见，更容易描述相关的水文变量。例如，双变量正态分布（Goel et al.，1998；Yue，1999）、双变量指数分布（Singh和Singh，1991；Bacchi et al.，1994）、二变量伽玛分布（Yue et al.，2001）和二变量极值分布（Yuer et al.，1999；Shiau，2003）经常被用于研究食品问题。
Frees和Valdez（1998）指出，这些双变量分布的缺点之一是，每个边际分布都需要相同的族。也就是说，上述双变量模型不能应用于具有边际伽马和甘贝尔分布的相关水文变量，这在流量分析中经常遇到。提出了几种研究干旱双变量特征的方法。Shiau和Shen（2001）、Gonz´alez和Vald´es（2003）以及Salas等人（2005）使用给定干旱持续时间内干旱严重程度的条件分布与干旱持续时间的边际分布的乘积来构建干旱持续时间和严重程度的联合分布。Bonaccorso等人（2003a）从理论上推导了干旱严重程度的分布，参数表示为单次干旱时刻和干旱持续时间的函数。Kim等人（2003）使用非参数双变量核估计来建立干旱的联合分布。这些方法涉及复杂的数学推导或从观测或生成的数据中拟合的参数。
然而，使用copula构建多变量分布可以克服上述困难。Copula是将单变量分布函数连接起来形成多变量分布函数的函数。Copulas能够独立于边际分布对随机变量之间的依赖结构进行建模。Sklar（1959）引入copula后的40多年里，它们一直被用于保险和金融（Frees et al.，1996；Frees和Valdez，1998；Klugman和Parsa，1999；Hüurliman，2004；Mendes和Souza，2004）和水文（De Michele和Salvadori，2003；De Michele et al.，2004；Favre等人，2004；Salvadorie和De Michele，2004a，b）。
本研究旨在使用二维Copula构建干旱持续时间和严重程度的联合分布。干旱持续时间和严重程度是供水系统的重要特征，经常被用作供水系统的设计因素。然而，干旱持续时间和严重程度通常是单独分析的，并使用各种分布进行建模。对干旱持续时间和严重程度的单独分析无法揭示它们之间的显著关联。此外，水文中使用的双变量模型需要相同的边际分布族，而在干旱分析中很少遇到这种情况。因此，使用copula独立于边际分布对干旱持续时间和严重程度之间的关联进行建模，为解决这些情况提供了一个有用的工具。在这项研究中，McKee等人（1993）开发的标准化降水指数（SPI）用于确定干旱。每个干旱事件都以干旱持续时间和严重程度为特征，首先分别使用概率分布进行拟合。然后通过Copula将单变量边际分布联系起来，构建干旱持续时间和严重程度的联合分布。以台湾南部乌山头测站的月降水序列为例说明了该方法。还推导了双变量干旱特性，包括联合概率和双变量回归期，以证明综合干旱评估和干旱双变量建模的优势。

2. Defining Drought Duration and Severity

2.1. STANDARDIZED PRECIPITATION INDEX (SPI)

McKee等人（1993）开发了标准化降水指数（SPI），用于确定和监测干旱。SPI计算基于特定时期（如1、3、6、12、月等）的长期降水序列。将该长期降水记录拟合到概率分布是第一步。一旦确定了概率分布，就计算观测到的降水的累积概率，然后通过平均值为0、方差为1的标准正态分布进行逆变换。由此产生的分位数就是SPI。计算的详细描述可参见Guttman（1999）。Hayes等人（1999）指出的简单性和其他几个优点使SPI被广泛用于研究干旱特征（例如，Hayes等人，1999；古特曼，1999；博纳科索等人，2003b；Tsakiris和Vangelis，2004年）。
SPI用于根据多个时间尺度的概率来量化降水量。正SPI表示观测到的降水量大于中值，而负SPI低于中值。根据SPI对潮湿和干燥条件进行分类，并在表I中列出。McKee等人（1993）还将干旱事件定义为SPI持续为负值并达到−1.0或更低值的时期。McKee等人（1993）定义的干旱期间的累积SPIs用于测量干旱事件的严重程度，在本研究中称为干旱严重程度。

其中D是干旱持续时间；S是干旱的严重程度。
图1显示了SPI和干旱事件的时间序列。每一次干旱事件都有两个主要特征：干旱持续时间和干旱严重程度。

图1。干旱事件的定义草图。

由于这两个特性是相关的，并被视为随机变量，因此需要干旱的双变量分布来描述干旱特征。一些干旱事件可能会延长干旱持续时间，但每个时期的SPI适中，不会达到-1.0或更低。然而，此类事件（例如，图1中的第6个事件）的累积SPI可能大于持续时间短但SPI小于1.0的事件（例如图1中第3个事件）。这类事件也造成了严重的供水和其他与干旱有关的问题。因此，本研究中对干旱事件的定义进行了修改，以排除McKee等人（1993）定义的SPI达到-1.0或更低的条件。因此，干旱事件被定义为SPI低于0的连续时段。

2.2. 单变量干旱持续时间和严重程度分布