文献调研_0629

基于CMIP6的未来气候变化下汉江流域干旱特征研究 王磊

3 结果与分析

3.1气候变化下汉江流域干旱的时空分布特征

        汉江流域年降雨与潜在蒸散差值的变化趋势如图3所示，其中折线为10种气候模式相同SSP情景的集合平均值，而面积填充部分则代表了最大差值与最小差值变化范围。历史时期与未来时期汉江流域年降水与潜在蒸散相差的平均值未出现明显变化，两个时期的均值分别为-27.0mm、-62.0mm。但在4种未来SSP情景下，汉江流域年降水与潜在蒸散的相差的最大值均呈现逐渐增加的变化趋势，2020-2100年，SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5年降水与潜在蒸散相差值增加的速率分别为0.92mm/year、1.00mm/year、2.40mm/year和2.11mm/year。不同情景年降水与潜在蒸散差值的最小值的变化趋势存在不同，SSP1-2.6和SSP3-7.0下差距呈现相对减小的趋势，减小速率为0.40mm/year和0.10mm/year，SSP2-4.5和SSP5-8.5下差距则相对增加，增大速率为1.21mm/year和1.48mm/year。年降水与潜在蒸散差值逐渐增大，意味着未来情景下极端干旱事件发生的可能性将逐渐上升，干旱的影响将随着年降水与潜在蒸散差值的增大而加深。 

        为了统一未来气候模式数据的分辨率、方便流域干旱事件管理，综合考虑地形、土地利用类型和土壤类型等因素后，本研究以子流域作为基本计算单元。通过计算汉江流域不同区域的SPEI，并按照表2干旱等级划分标准，研究了不同情景下汉江流域每年发生中等以上干旱的平均月数，研究结果见图4。历史情景(图4a)以及四种共享社会经济路径(SSPs)情景下的干旱发生次数分布表明，各个情景下每年发生中等及以上干旱的平均月数的空间分布存在一定差异。历史情景下干旱发生月数在汉江流域呈现出明显的空间异质性，整体呈现出东西低，中部高的分布特征，与汪琳等[10]研究认为汉江流域从上游至下游整体呈现湿润-干旱-湿润的变化趋势相符。流域的西北部和东部区域干旱发生月数相对较少，每年发生中等及以上干旱的平均月数大约在1.52至1.69个月之间。而流域的中部则显示出较高的干旱发生月数，中等及以上干旱的平均月数高达每年1.81至1.86个月，与陈燕飞等[25]利用标准化降水指数计算得到汉江流域中等及以上干旱发生概率约为16%相符。这可能反映了汉江流域内部的降水分布不均以及不同地区的蒸发量差异。SSP1-2.6下干旱发生月数与历史情景最为相似，在丹江口以上流域的西部以及汉江下游地区年干旱发生月数有所减少，为1.52至1.65个月。SSP2-4.5、SSP3-7.0和SSP5-8.5在空间分布上均呈现出年干旱发生月数的在中部和东部的整体减少，但均在流域的西北部轻微增加的变化趋势，尤其是SSP3-7.0在中部减少最多，而SSP5-8.5在北部增加最多。与历史情景相比，三种未来情景汉江流域中部年发生干旱的月数从约1.85降至约1.75，降幅约5.4%，而汉江流域西北部年发生干旱的月数从约1.65上升至约1.75次，增幅约6.1%。 

图5给出了历史与四种未来情景不同等级干旱事件逐月发生次数占比的变化。图5(a)表明历史情景下2月份并未发生过中等干旱，但在未来情景下，干旱事件却有发生，且SSP5-8.5在2月份发生中等干旱的占比较高，达到了42.9%。在3-11月中，除9月以外，各情景发生中等干旱事件占比差别并不显著，基本在17%-24%范围内波动，表明各情景中等干旱的发生频率未出现显著差别。图5(b)表明11月各情景均未检测到严重干旱事件发生，SSP3-7.0在2月发生严重干旱频率较低，仅为4%，同时在10月SSP3-7.0也未检测到严重干旱发生。对极端干旱(图5(c))，2-3月份各情景均未发生极端干旱，但未来情景在4月却有极少量的极端干旱事件发生，为0.04次/10年，同时，未来情景在5月极端干旱事件发生占比也明显高于历史情景，而在11月，历史情景极端干旱发生占比却远高于未来情景。 

图6对比了历史情景与未来情景下，不同等级干旱事件逐月发生的频率变化。对于中等干旱事件，SSP1-2.6、SSP2-4.5和SSP3-7.0在5月的发生频率均有所下降，降幅为13%-25%，SSP5-8.5则基本保持不变;与历史情景相比，四种未来情景9月份中等干旱发生频率则出现明显上升，增长幅度分别为50%-70%。SSP2-4.5和SSP5-8.5在4月份严重干旱事件的频率相对有所提升，提升幅度分别为25%和56%，而SSP1-2.6、SSP2-4.5则基本保持不变;5-11月份，四种未来情景与历史情景严重干旱事件的发生次数没有发生显著改变，变化范围为-8%-9%。极端干旱事件则在5月份发生的频率增加较为明显，四种情景下极端干旱发生频率增加均值为85%。从历史情景看，5月份发生极端干旱的次数仅为0.1次/10年，而6-9月份则是极端干旱发生较为频繁的月份，未来四种情景均表明5月份极端干旱事件发生频率将大幅增加，10月份和11月份则是未来情景下极端干旱事件发生频率下降较为明显的时期，上述两月发生极端干旱的频率分别下降了约16%和15%，上述结果表明未来极端干旱事件在年内发生的时间将有所提前。 

3.2气候变化下汉江流域干旱事件烈度分析

通过游程理论，提取了历史与未来情景下，持续2个月以上的中等及以上干旱事件的烈度，并利用核密度估计，分析其干旱烈度的概率分布，研究结果如图7所示。当干旱烈度为-3.2时，历史情景下干旱事件发生概率达到峰值，为0.39，四种未来情景干旱烈度峰值出现在-3.4至-3.1之间，但发生概率略有区别，SSP1-2.6的峰值概率最低为0.36，而SSP5-8.5的峰值概率最高为0.43。当烈度在-5至-4区间时，历史与四种未来情景的发生概率基本保持相同变化趋势，但烈度在-7至-5区间，SSP1-2.6和SSP5-8.5的干旱事件发生概率出现明显下降，且SSP1-2.6下降最为明显，概率降低了约0.1。当烈度小于-7.5时，历史干旱事件发生概率开始低于未来情景，表明未来情景下，发生极端干旱事件的概率是明显大于历史情景的。 图7(b)分析了特定重现期下的干旱事件烈度的变化。两年一遇、四年一遇和十年一遇干旱烈度差别并不明显，分别围绕-3.73、-4.93和-6.33进行波动，波动幅度不超过3.5%。但是，在百年一遇情景下，未来情景较历史情景，干旱事件烈度出现了显著上升，SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5的干旱烈度分别为-9.49、-9.67、-9.18和-10.77，较历史情景增长了10.7%、12.8%、7.1%和25.6%，这与图7(a)中分析结果相契合。由此可知，与历史情景相比，未来较低重现期干旱事件的烈度并未发生显著的变化，但是对于极端干旱事件，汉江流域干旱事件烈度将显著上升，意味着未来极端干旱事件发生时造成的破坏性可能更强。

4结论与讨论

4.1讨论

在研究汉江流域未来干旱特征时,张奇谋等[12]基于CMIP5多模式的预估发现,尽管轻度和中度干旱的发生频率有所减少,但严重干旱的发生频率却有所增加。邓翠玲等[12]的研究也表明,在CMIP5多模式的基础上,长江下游干旱特征的分析结果显示汉江流域未来时期的标准化降水指数(SPI)增加幅度较大,暗示该区域干旱趋势整体上有所缓解。然而,在代表性浓度路径RCP-6.0和RCP-8.5的情景下,SPEI却呈现出显著的减小,这进一步强调了极端干旱事件的可能增加。本研究的结果与前述研究一致,主要归因于CMIP5和CMIP6气候模型中气候要素的相似变化趋势[14]。但是,未来气候要素真实的变化趋势还不确定,经过校正后的气温及降雨数据依然存在一定的偏差,这对于汉江流域极端干旱的研究结果可能造成影响。因此,采用不同气候模式集合结果,研究气候变化下汉江流域干旱特征的变化趋势,对降低研究结果的不确定性、提升可靠性,是有必要的。 汉江流域不仅是南水北调中线工程的重要水源地,也是鄂北水资源配置工程的关键区域。以往研究表明汉江流域7-9月出现极端干旱几率较大[26],但本研究得到汉江流域干旱事件将会有所提前,特别是极端干旱时间将提前至4-5月,而春季是许多作物生长的关键时期,干旱的提前可能导致播种和生长期的水分不足,从而对汉江流域的农业生产、生态系统等带来显著影响。同时,当极端干旱发生在4-5月时,南水北调中线工程如何保证引调水量不产生大幅波动,也是需要深入研究的问题。张璐等[27]通过对南水北调中线水源区和受水区干旱遭遇风险进行评估,认为水源区和受水区发生较严重的干旱遭遇事件的风险可能增加。因此,采取适应性管理措施变得至关重要,例如开展南水北调中线工程优化调度,建立更灵活的水资源管理策略、提高水利设施的适应能力,例如提高灌溉效率、开发抗旱作物品种等,做好应对极端干旱事件的预警预案,以减轻未来干旱造成的不利影响。

4.2 结论 

本文采用10种CMIP6气候模式的历史情景与四种共享社会经济路径(SSPs),采用标准化降水蒸散指数和游程理论,对气候变化下汉江流域不同等级气象干旱事件的演变特征进行了研究,结果表明: (1)与历史情景相比,未来汉江流域年降水与潜在蒸散相差的最大值均呈现逐渐增加的变化趋势,四种情景年降水与潜在蒸散相差值增加的速率在0.92-2.40mm/year,最小值的变化趋势存在不同,SSP1-2.6和SSP3-7.0相对缩小而SSP2-4.5和SSP5-8.5持续增大。 (2)汉江流域历史情景下干旱发生月数空间分布表现为东西低,中部高,未来情景则出现汉江流域中游及汉江下游干旱发生月数相对减少,而上游地区略微增的变化趋势。未来情景9月份中等干旱发生频率较历史情景出现了明显上升,而4-5月极端干旱发生频率上升,11月下降,总体表现为中等及以上干旱在年内的发生时间相对提前。 (3)与历史情景相比,未来较低重现期干旱事件的烈度未发生显著的变化,但是汉江流域极端干旱事件的烈度将显著上升,百年一遇干旱事件的干旱烈度增长幅度在7%-25%。

Agricultural drought risk assessment in Southern Plateau and Hills using multi threshold run theory _Hussain Palagiri

Drought events and its associated characteristics, encompassing drought duration (Dd), frequency (Df), intensity (Ds), and peak (Dp) are determined through the application of the run theory [32]. The Run Theory is a statistical method used to identify and analyse drought events based on predefined thresholds applied to time series data of drought indices, such as the SSMI and the SPEI. This approach allows us to systematically detect periods of drought by observing when the index values fall below specific threshold levels, indicating a deviation from normal SM/rainfall conditions. In this study, we implement a three-threshold system to capture a nuanced spectrum of drought conditions and the methodology for identifying drought events using the SSMI and SPEI time series is visually depicted in Fig. 3. The three thresholds chosen are: x0 = ¶ 0.5,x1 = ¶ 1 and x2 = 0.5, where x0, x1 and x2 represent the values of the SSMI and SPEI [10]. proposed this multi threshold approach which was later used by Ref. [17,33]; and using these thresholds, the drought events are identified as follow: 1st Step: Examine whether the monthly value of SSMI or SPEI is below x0. A value below x0, indicates the drought occurrence, marking it as a potential event. Consequently, the events E1 to E6 are identified in this step as illustrated in Fig. 2.

2nd Step: From the screened ones in previous step E1 to E6, eliminate events those lasting for only one month and not reaching the threshold x1. For instance, E1 is a minor event and is excluded from further analysis. Consequently, E2 to E6 are retained for subsequent steps.

3rd Step: Merge adjacent events with an interval of 1 month but not reaching the x2, into a singular event. In this step, E2 and E3 are consolidated into a unified event.

干旱事件及其相关特征，包括干旱持续时间(Dd)、频率(Df)、强度(Ds)和峰值(Dp)，都是通过应用径流理论确定的[32]。Run Theory是一种用于识别和分析干旱事件的统计方法，该方法基于预定义的阈值，应用于干旱指数(如SSMI和SPEI)的时间序列数据。这种方法允许我们通过观察指数值何时低于特定阈值水平来系统地检测干旱时期，这表明偏离正常的SM/降雨条件。在本研究中，我们实施了一个三阈值系统来捕捉干旱条件的细微谱，使用SSMI和SPEI时间序列识别干旱事件的方法如图3所示。选择的三个阈值分别为:x0 =¶0.5,x1 =¶1和x2 = 0.5，其中x0, x1和x2分别代表SSMI和SPEI的值[10]。提出了这种多阈值方法，后来被文献[17,33]采用;并利用这些阈值对干旱事件进行如下识别:第一步:检查SSMI或SPEI的月值是否低于x0。低于x0的值表示发生干旱，将其标记为潜在事件。因此，在此步骤中识别事件E1到E6，如图2所示。

第二步:从前一步E1到E6筛选的事件中，剔除仅持续一个月且未达到阈值x1的事件。例如，E1是一个次要事件，不包括在进一步的分析中。因此，为后续步骤保留E2到E6。

第三步:将间隔为1个月但未达到x2的相邻事件合并为单个事件。在此步骤中，将E2和E3合并为一个统一的事件。

As a result, based on the above three steps, the identified drought events from Fig. 2 coalesce into E2-E3, E4, E5, and E6, totaling 4 distinct drought events. Following the identification of the drought events the associated Dd, Df, Ds and Dp are ascertained. The Average Annual Drought Frequency is computed by dividing the total number of drought events in the study period by the number of years. The Dd for a individual event is defined as the temporal span between its start and end time. The Average Annual Drought Duration is calculated by dividing the collective duration in months of all drought events by the total number of years. The Di for each drought event is calculated as the sum of SSMI/SPEI values divided by the duration of that particular drought event. Dp at each grid is pinpointed as the smallest SPEI value throughout the entire time period.

因此，根据上述三个步骤，从图2中识别的干旱事件合并为E2-E3、E4、E5和E6，共4个不同的干旱事件。在确定干旱事件之后，确定了相关的Dd、Df、Ds和Dp。平均年干旱频率的计算方法是将研究期间的干旱事件总数除以年数。单个事件的Dd定义为其开始时间和结束时间之间的时间跨度。平均年干旱持续时间的计算方法是将所有干旱事件的总持续时间(以月为单位)除以年总数。每个干旱事件的Di计算为SSMI/SPEI值的总和除以该特定干旱事件的持续时间。每个网格上的Dp被确定为整个时间段内最小的SPEI值。

In this study, both the SSMI and the SPEI are found to be consistent with each other, allowing for a comprehensive analysis of drought risk in the Southern Plateau and Hills (SPH) region. Drought event identification, a crucial step in drought risk analysis, is accomplished using run theory, enabling the calculation of average annual drought duration (Dd), frequency (Df), intensity (Ds), and peak (Dp). These characteristics; Dd, Df, Ds, and Dp are derived from the identified drought events using 1- month SSMI and SPEI data for the period 1991 to 2020. These patterns are spatially presented in Fig. 5, representing agricultural (SSMI) and meteorological (SPEI) drought risk. Both indices indicated higher drought risk in terms of Df, shown in yellow colour. The observed spatial distribution of Df aligns with Dd for both indices suggesting that regions with longer drought events (higher Dd) also tended to experience more frequent drought occurrences (higher Df), indicating a strong relation between frequency and duration in the study area. Furthermore, the comparison between SSMI and SPEI revealed slightly lower drought risk concerning Dd, Df, and Ds for SSMI compared to SPEI, while SPEI indicated relatively lower risk concerning Dp. This finding indicates that meteorological droughts tend to be more intense (higher Ds), occur more frequently (higher Df), have longer durations (higher Dd by SSMI), but are less severe (lower Dp) compared to agricultural droughts in the SPH region from 1991 to 2020. The slight discrepancies between SSMI and SPEI in assessing drought risk stem from their foundational differences.

SSMI, which directly measures SM, reflects the immediate availability of water to plants. In contrast, SPEI incorporates both rainfall and PET, offering a broader view of water deficit that includes atmospheric demand for water. The regions showing higher Df and Ds as per SPEI might thus be experiencing not just reduced rainfall but also increased evaporation and transpiration, exacerbating the water stress on vegetation.

These variations influence how each index captures and characterizes drought events. Notably, the differences in Dd, Df, Ds, and Dp between both indices are relatively small, suggesting a relatively close agreement in their assessments. Overall, this comprehensive analysis enhances our understanding of drought risk in the SPH region, providing valuable insights for drought management and water resource planning.

在本研究中，SSMI和SPEI具有较好的一致性，可以对南部高原丘陵地区的干旱风险进行综合分析。干旱事件识别是干旱风险分析的关键步骤，利用运行理论实现了年平均干旱持续时间(Dd)、频率(Df)、强度(Ds)和峰值(Dp)的计算。这些特征;Dd、Df、Ds和Dp是根据1991 - 2020年1个月SSMI和SPEI数据确定的干旱事件得出的。这些模式在空间上呈现在图5中，代表了农业(SSMI)和气象(SPEI)干旱风险。这两个指数都表明干旱风险较高的Df，用黄色表示。观测到的Df与Dd的空间分布一致，表明干旱事件发生时间越长(Dd越高)的地区，干旱事件发生频率越高(Df越高)，表明研究区干旱发生频率与持续时间之间存在较强的相关性。此外，SSMI和SPEI的比较表明，SSMI在Dd、Df和Ds方面的干旱风险略低于SPEI，而SPEI在Dp方面的风险相对较低。这一结果表明，与1991 - 2020年SPH地区的农业干旱相比，气象干旱的强度更大(高Ds)，发生频率更高(高Df)，持续时间更长(SSMI Dd更高)，但严重程度更低(Dp更低)。SSMI和SPEI在干旱风险评估中的细微差异源于它们的基础差异。

SSMI直接测量SM，反映了植物的即时可用性。相比之下，SPEI结合了降雨和PET，提供了更广泛的水亏缺视图，包括大气对水的需求。因此，根据SPEI显示Df和Ds较高的地区可能不仅经历了降雨量减少，而且蒸发和蒸腾也增加，加剧了植被的水分压力。

这些变化影响了每个指数捕捉和描述干旱事件的方式。值得注意的是，两个指数之间的Dd、Df、Ds和Dp的差异相对较小，表明它们的评估相对接近。总的来说，这一综合分析增强了我们对保护野生动物保护区地区干旱风险的认识，为干旱管理和水资源规划提供了有价值的见解。

4.3. Dd Df Ds Dp的联合出现

To better assess agricultural drought risk, a joint distribution is employed between various pairs of drought characteristics as: Dd_Ds, Dd_Df, Ds_Df, Dd_Dp, Dd_Dp, Df_Dp, derived from SSMI. Specifically, the agricultural drought risk for the driest year, 2003, is comprehensively evaluated using Archimedean copula functions to capture the joint occurrence of pairs of Dd, Df, Ds, and Dp. Fig. 6 present the joint occurrence of pairs of drought characteristics through conditional probability. The analysis reveals notable differences in the joint occurrences between various pairs of drought characteristics. Specifically, the joint occurrences of Dd and Dp (Fig. 6c), Ds and Df (Fig. 6d), Df and Dp (Fig. 6e), and Dd and Dp (Fig. 6f) are relatively high compared to those of Dd and Df (Fig. 6a) and Dd and Ds (Fig. 6b). The higher joint occurrences of Dd and Dp suggest that droughts with longer durations are more likely to coincide with severe drought peaks, indicating prolonged drought events reaching their most intense phases. Likewise, the elevated joint occurrences of Ds and Df imply that frequent drought events are more likely to have higher severity levels, reflecting a recurring pattern of droughts with varying degrees of intensity in the region. The findings of high joint occurrences between these pairs of drought characteristics; Dd and Dp, and Ds and Df, signal underlying hydrological and agricultural dynamics that drive drought behaviour in the SPH region. For instance, the strong association between drought duration and peak suggests that longer droughts tend to culminate in more severe conditions, possibly due to cumulative deficits in SM and escalating water stress on vegetation over time. Similarly, the correlation between drought frequency and intensity highlights the region’s vulnerability to repeated, severe drought conditions, which can have profound impacts on soil health, crop yields, and water availability. Additionally, the increased joint occurrences of Df and Dp indicate that droughts with higher frequency are also prone to more severe peak phases, suggesting that frequent drought events not only commonly occur but can also reach severe levels during their most intense periods. Conversely, the lower joint occurrences of Dd and Df suggest that longer drought events are less likely to occur frequently, indicating that prolonged droughts in the region exhibit more sporadic recurrence. Similarly, the reduced joint occurrences of Dd and Ds imply that droughts with longer durations are less likely to be extremely severe in terms of their intensity, suggesting that prolonged droughts might not necessarily reach the highest levels of severity. These insights into the joint occurrences of drought characteristics have direct implications for drought management strategies.

为了更好地评估农业干旱风险，利用SSMI数据对干旱特征进行联合分布:Dd_Ds、Dd_Df、Ds_Df、Dd_Dp、Dd_Dp、Df_Dp。具体而言，利用阿基米德copula函数捕捉Dd、Df、Ds和Dp对的共同发生，对最干旱年份2003年的农业干旱风险进行了综合评价。图6通过条件概率给出了成对干旱特征的共同发生。分析表明，各对干旱特征的联合发生存在显著差异。具体来说，Dd和Dp(图6c)、Ds和Df(图6d)、Df和Dp(图6e)、Dd和Dp(图6f)的联合发生率相对于Dd和Df(图6a)和Dd和Ds(图6b)的联合发生率较高。Dd和Dp的较高联合发生率表明，持续时间较长的干旱更有可能与严重干旱高峰同时发生，表明长期干旱事件达到其最强烈的阶段。同样，Ds和Df同时出现的增加意味着频繁的干旱事件更有可能具有更高的严重程度，反映了该区域不同程度强度的干旱反复出现的模式。这些干旱特征对之间的高联合发生率的发现;Dd和Dp以及Ds和Df是驱动SPH地区干旱行为的潜在水文和农业动态的信号。例如，干旱持续时间和峰值之间的强烈关联表明，较长的干旱往往在更严重的条件下达到顶峰，这可能是由于SM的累积不足和随着时间的推移对植被的不断升级的水分胁迫。同样，干旱频率与强度之间的相关性凸显了该地区对反复严重干旱条件的脆弱性，这可能对土壤健康、作物产量和水分供应产生深远影响。此外，Df和Dp同时出现的增加表明，频率较高的干旱也容易出现更严重的峰值阶段，这表明频繁干旱事件不仅经常发生，而且在干旱最严重的时期也可能达到严重程度。相反，Dd和Df的联合发生率较低表明，较长时间的干旱事件不太可能频繁发生，表明该区域的长期干旱表现出更多的零星复发。同样，Dd和Dd同时发生的减少意味着持续时间较长的干旱就其强度而言不太可能是极端严重的，这表明长期干旱可能不一定达到最严重的程度。这些关于干旱特征共同发生的见解对干旱管理战略具有直接影响。

Understanding the probability of concurrent drought extremes can inform risk assessments and guide the development of more resilient agricultural practices and water resource management plans. For example, the knowledge that prolonged droughts are likely to reach severe peaks could motivate the implementation of long-term water conservation measures and the adoption of drought-resistant crop varieties.In a nutshell, this comprehensive analysis of joint occurrences using Archimedean copulas offers valuable insights into the interrelationships between different drought characteristics, enhancing our understanding of agricultural drought risk in the SPH. The use of Archimedean copula functions for analysing joint occurrences of drought characteristics is grounded in their ability to capture the dependency structure between different drought characteristics beyond linear correlations. This methodological choice is particularly relevant in the context of agricultural drought risk assessment, where the relationships between Dd, Df, Ds, and Dp are complex and multifaceted as seen in Fig. 6. These copula functions allow for the modelling of these relationships in a way that accounts for tail dependencies, highlighting extreme co-occurrences that traditional correlation measures might miss. This is crucial for understanding the behaviour of droughts, especially in capturing the likelihood of simultaneous extreme conditions.

了解同时发生极端干旱的可能性可以为风险评估提供信息，并指导制定更具弹性的农业实践和水资源管理计划。例如，认识到长期干旱可能达到严重的高峰，可以促使实施长期节水措施和采用抗旱作物品种。简而言之，利用阿基米德copulas对联合事件的综合分析为了解不同干旱特征之间的相互关系提供了有价值的见解，增强了我们对SPH农业干旱风险的理解。使用阿基米德联结函数来分析干旱特征的共同发生是基于它们能够捕捉不同干旱特征之间超越线性相关性的依赖结构。这种方法选择在农业干旱风险评估的背景下尤为重要，其中Dd、Df、Ds和Dp之间的关系是复杂和多方面的，如图6所示。这些联结函数允许以一种解释尾部依赖的方式对这些关系进行建模，突出传统相关度量可能忽略的极端共现现象，这对于理解干旱的行为至关重要，特别是在捕获同时发生极端条件的可能性方面。

5. 结论 

The present study conducted a comprehensive agricultural drought risk assessment in the SPH region using Multi Threshold Run Theory and analyzing two drought indices, the SSMI and SPEI. The objective was to investigate the agricultural drought risk by examining the joint occurrences of drought characteristics by employing copula functions.

• The temporal analysis of SSMI and SPEI revealed their consistency in identifying wet and dry years in the SPH region. This consistency provides confidence in the reliability of both SSMI and SPEI as effective tools for monitoring drought conditions over time • The assessment of drought events using copula functions enabled the investigation of joint occurrences of key drought characteristics: drought duration (Dd), drought frequency (Df), drought intensity (Ds), and drought peak (Dp). The results demonstrated that the joint occurrences of Dd_Dp, Ds_Df, Df_Dp, and Dd_Dp are high compared to the joint occurrences of Dd_Df and Dd_Ds. These findings suggest the presence of strong relationships between these drought characteristics, indicating potential patterns of drought behavior in the SPH region.

• The analysis further revealed that the drought risk assessed by SSMI differed slightly from that of SPEI. The region showed slightly lower drought risk in terms of Dd, Df, and Ds when using SSMI compared to SPEI. However, SPEI indicated relatively lower drought risk in terms of Dp compared to SSMI. These variations in drought risk assessments emphasize the importance of considering multiple drought indices and copula functions to capture the diverse characteristics of agricultural droughts in different climatic and hydrological contexts.

• The methodological approach of employing run theory with multiple thresholds allows for a nuanced detection of drought events that vary in intensity and duration. This approach, coupled with the standardized nature of SSMI and SPEI, ensures that the characterization of drought events is consistent and comparable across different spatial grids within the SPH region. However, the inherent differences in the indices’ focus—SM versus meteorological conditions—naturally lead to slight variations in the identification and characterization of drought events, emphasizing the complementary nature of using both indices for a holistic drought risk assessment.

本文运用多阈值运行理论，分析SSMI和SPEI两种干旱指数，对保护区农业干旱风险进行了综合评价。目的是通过采用联结函数检查干旱特征的联合发生来调查农业干旱风险。

•SSMI和SPEI的时间分析揭示了它们在SPH地区识别干湿年的一致性。这种一致性为SSMI和SPEI作为长期监测干旱状况的有效工具的可靠性提供了信心•使用联结函数对干旱事件进行评估，可以调查关键干旱特征的联合发生:干旱持续时间(Dd)、干旱频率(Df)、干旱强度(Ds)和干旱峰值(Dp)。结果表明，Dd_Dp、Ds_Df、Df_Dp和Dd_Dp的联合发生率高于Dd_Df和Dd_Ds的联合发生率。这些发现表明，这些干旱特征之间存在着密切的关系，表明了SPH地区干旱行为的潜在模式。

•进一步分析表明，SSMI评估的干旱风险与SPEI评估的略有不同。与SPEI相比，SSMI在Dd、Df和Ds方面的干旱风险略低。然而，与SSMI相比，SPEI在Dp方面显示相对较低的干旱风险。干旱风险评估中的这些差异强调了考虑多种干旱指数和联结函数以捕捉不同气候和水文背景下农业干旱的各种特征的重要性。

•采用多阈值运行理论的方法方法允许对强度和持续时间变化的干旱事件进行细致入微的检测。该方法与SSMI和SPEI的标准化性质相结合，确保了SPH区域内不同空间网格间干旱事件特征的一致性和可比性。然而，这两种指数关注焦点的内在差异(sm与气象条件)自然会导致干旱事件识别和表征上的细微差异，强调了使用这两种指数进行整体干旱风险评估的互补性。

•copula函数在农业干旱风险评估中的应用已被证明有助于揭示干旱特征之间的复杂关系，从而丰富我们对SPH地区干旱动态的理解。这种复杂的统计方法可以详细探索各种干旱特征，如持续时间、频率、强度和峰值凝聚，为干旱现象的多面性提供了细致入微的视角。通过准确地模拟这些特征的相互依赖关系和共同出现，联结函数有助于更精确地进行风险评估，这对有效管理和减轻干旱影响至关重要。从这一分析中获得的见解对旨在抗旱能力的战略规划和政策制定具有深远的意义。决策者和利益相关者拥有强大的分析基础，可以根据基于copula的分析所描绘的农业干旱事件的独特模式和趋势，制定有针对性的干旱防范和应对举措。通过深入了解干旱特征的共同行为，这种量身定制的方法使利益攸关方能够制定更精确、更有效的战略，最终提高该地区应对和抵御农业干旱挑战的能力。

•在本研究的背景下，应该承认几个局限性:分析依赖于使用copula函数和多阈值运行理论评估干旱特征所固有的某些假设。这些方法选择，包括在所有栅格中选择相同的三个阈值，假设干旱行为具有一定程度的均匀性和可预测性，这可能无法完全捕捉到SM条件的空间异质性。用于估计干旱指数和分析其相互关系的理论模型可能无法考虑到影响干旱风险的所有可能的气候和水文变量。此外，研究中潜在的误差来源来自使用的数据集和用于计算干旱指数的计算方法。基于模式的降雨和温度估算(ERA5 Land)的准确性和可靠性受到不确定性和误差的影响。这些问题可能源于测量不准确、算法偏差，以及为了准确地表示地面条件而对数据进行内插和外推所固有的挑战。未来的研究可能旨在扩大干旱风险评估的地理和气候范围，纳入更多的干旱指数和数据集，以捕捉更广泛的干旱现象，并改进方法方法，以减少假设和潜在的错误。

综上所述，本研究通过copula函数和干旱共同发生特征的视角，深入分析了SPH地区的农业干旱风险，促进了我们对干旱动态的理解。此外，多阈值运行理论以及SSMI作为监测干旱条件工具的可靠性表明，它们有可能被纳入国家和区域政策框架，促进更明智的决策过程，从而增强农业抵御力和水资源可持续性。这项研究还为今后的研究开辟了新的途径，特别是在探索干旱的社会经济影响和发展早期预警系统的预测模式方面，进一步有助于加强干旱防备和反应机制。通过将我们的科学观察与决策者、资源管理者和更广泛的社区的需求直接联系起来，本研究强调了先进的干旱评估方法在制定有效和可持续的干旱风险管理政策方面的关键作用，从而支持SPH地区在面对当前和未来干旱挑战时的恢复力和可持续发展。

1961—2020年东北三省干旱时空分布特征_张筱渲

3.2东北三省干旱特征分析

3.2.1干旱历时、烈度、频率时间特征分析

干旱的持续时间与干旱强度也可以作为干旱强弱的检验标准。因此，本研究运用游程理论，依据SPEI等级划分原则，选取k=-0.5作为干旱阈值，对东北三省各站点的年尺度和季节尺度的干旱历时和干旱烈度进行统计分析，结果如图6所示。由图6可知，在年际尺度上，SPEI干旱历时最长为50个月(1999—2003年)，干旱烈度最小值为-1.16，其中2000年11月至2001年6月发生了长达8个月的重旱，这对东北三省的气候造成了极为严重的影响；在2014—2019年间也频频发生干旱，这也与东北三省实际发生干旱的年份相符。干旱持续时间越长，干旱烈度越小，反之亦然。由图6(a)可知，在季尺度上，1975年春季干旱历时达到3个月；2000—2001年连续2 a夏季干旱历时达到3个月；1999、2001、2006、2011年4 a秋季的干旱历时均长于其他年份；2008年冬季干旱历时达3个月；由图6(b)可以看出，SPEI季节性干旱烈度与年际干旱烈度基本趋于一致。SPEI干旱烈度最大发生在1996年的冬季，为-1.15；2001年春季干旱烈度也低于-1.11。

图7是根据年及季节尺度的SPEI按干旱等级标准统计的干旱频率。在年际和季节尺度上，东北三省干旱频率的发生有明显的相似性，整体上轻旱、中旱、重旱和特旱发生频率比例接近15∶11∶5∶2，对比不同等级的干旱频次可以发现研究区内主要以轻旱和中旱为主，重旱和特旱发生的频率较低。季节干旱频率发生的概率为冬季>秋季>夏季>春季，轻旱频率发生在15%左右；冬季发生中旱的频率高于其他三季；四季重旱发生的频率相似都在5%左右。此外，秋季特旱发生的频率最高，达1.80%，冬季特旱频率极低，仅有0.49%。

图6东北三省干旱历时和干旱烈度特征

Fig.6 Characteristics of drought duration and intensity in the three northeast provinces

3.2.2干旱历时、烈度、频率空间特征分析

为探究1961—2020年东北三省干旱历时、烈度和频率的空间变化特征，本研究利用ArcGIS的反距离权重插值法对处理得到的数据进行空间插值，并分析其空间分布特征。图8为季节和年际干旱历时空间分布图。由图8(a)中可以看出，年际变化趋势呈现为西部高东部低，干旱历时最久的站点为彰武站(15.71个月)。春季(图8(b))、夏季(图8(c))和冬季(图8(e))干旱历时分布较年际分布差异明显，干旱历时较长的区域集中在黑龙江北部；秋季(图8(d))与年际的变化较为一致，干旱历时较长的区域位于辽宁省西北部和吉林省西部，干旱历时为2.53~4.50个月。东北三省干旱历时空间变化较为显著，夏季和秋季的干旱历时较春季和冬季干旱历时长，这表明虽然东北三省夏秋二季进入雨季，降水集中但伴随着气温升高导致干旱严重。

图9为季节和年际干旱烈度的空间分布图。由图9(a)可知，辽宁省和黑龙江省的北部地区干旱烈度值较低，代表干旱更强烈，干旱烈度最低值在通河站，值为-1.13。春季干旱烈度值最低，介于-1.30~-1.37。由图9(b)中可看出，春季干旱烈度低值区集中在吉林省，春、夏两季干旱烈度空间分布变化不大，这是由于东北三省春季降雨少，进入夏季后气温升高，干旱持续，导致春夏连旱；由图9(d)可知，秋季干旱烈度最低的站点为长白和敦化，为-1.30；图9(e)为冬季干旱烈度空间分布，干旱烈度低值区集中在辽宁省和黑龙江省的北部，最低站点为通河，为-1.30。干旱烈度在四季变化中大体上是由北部向南部迁移，干旱化态势减弱。冬季干旱烈度与年际干旱烈度空间分布较为一致，呈现为南部北部低中部高。同时，本研究还计算各个站点不同等级的干旱频率来研究1961—2020年东北三省干旱的空间分布情况，插值结果如图10所示。东北三省干旱频率的空间差异随干旱程度的不同而有很大变化。由图10(a)可知，东北三省的干旱频率为25.5%~37.6%，最大值出现在大连站，干旱频率为37.6%，最小值出现在鞍山站，干旱频率为25.5%。东北三省的中部、西北部和西南部的干旱频率较高，而东南部和南部的干旱频率较低一点。

从干旱等级上看，不同干旱等级的频率也存在显著差异。由图10(b)可知，辽宁省西部和黑龙江省西南部的干旱主要以中旱为主，干旱发生多集中在东北三省的西南部。鞍山站是东北三省中发生中旱次数最少的站点，仅发生了7次，黑龙江北部地区发生轻旱次数较少，小于70次，发生中旱次数最多的站点是长海站，发生次数110次，发生频率高达15.51%。发生中旱次数较多的站点分布在辽宁南部和黑龙江中部地区。由图10(c)可知，重度干旱集中在辽宁省南部、吉林省西部、黑龙江省西部和北部，分布较为均匀，其中鞍山站从未发生过重旱。大兴安岭、长春等周边重旱发生次数较高，发生重旱次数最多的站点是依兰站，发生重旱67次，发生频率9.54%。发生重旱频率4.23%~7.48%的站点共有65个。由图10(d)可知，特旱频率较高区域主要集中在辽宁省东部、吉林省西北部和黑龙江省北部，呈现西北多东南少的趋势分布。沈阳站发生特旱的次数最多，共27次，发生频率为3.81%。发生次数最少的是蛟河站和朝阳站，仅发生特旱1次。其中，瓦房店站等29个站点特旱发生次数不超过10次。综合来看，东北三省年尺度中旱发生频率高于重旱和特旱频率，除个别站点外年尺度中旱高频区集中在黑龙江省和辽宁省的西部，重旱和特旱的空间分布相似。东北三省气温和降水的不均匀分布受地形和其他因素影响，这导致干旱的区域分布变得复杂。

为进一步分析季节干旱的空间变化，计算不同季节的干旱发生频率，插值结果如图11所示。图11(a)为东北三省春季不同站点发生干旱的频率，其值介于25.0%~43.3%，干旱发生高频区集中在塔河站和熊岳站，低频区出现在大洼站和本溪站，干旱发生频率30.9%~35.7%的区域占东北三省总面积的2/3。主要分布于东北三省的东部和北部；夏季(图11(b))干旱发生的频率介于25.2%~41.4%，干旱发生频率30.9%~33.9%的区域占东北三省总面积的3/4以上，各站间干旱频率差异较小，这与东北三省的气候特征一致，降雨主要集中在夏季，干旱高频区主要出现在昌图站、抚顺站、彰武站、加格达奇站、齐齐哈尔站和牡丹江站，本溪站、嫩江站和瓦房店站等站点干旱发生频率低于27%，不同地区干旱频率分布比较均匀，没有显著趋势；秋季(图11(c))各站点发生干旱的频率介于21.9%~40.1%，有1/3地区干旱发生频率大于32.8%，最大值出现在双辽站、四平站和双阳站，最小值出现在鞍山站，干旱频率大体上由东北三省的北部、南部向中间部分上升；冬季(图11(d))干旱发生的频率介于22.0%~42.3%，主要集中在长岭站和牡丹江站，最小值出现在二道站，发生频率为22.0%，干旱大体上由东北三省的东部和北部向西南上升，其中辽宁省西北部干旱最严重。

2.2干旱事件的时间特征

对每个气象站分别计算不同时间尺度的SPEI时间序列，然后统计其不同年代及基于SPEI-3的不同季节干旱事件发生频率，最后取平均值，结果列于(表2)。结果表明:

1)1990s后不同时间尺度的干旱事件频率均出现较大幅度的增加，尤其是重旱、特旱级别的干旱事件；

2)1990s以后，春季、夏季、秋季各个等级的干旱事件发生频率均呈现增加趋势，而冬季的中旱、重旱和特旱级别的干旱事件发生频次最多的年代呈现一定的随机性。

1990s以后的干旱事件频率之所以增加幅度较大，其原因可能是由于1990s以前地表的干旱变化主要是受降水的增加或减少所左右，而气温的影响不明显。

1990s以后，随着气温的大幅度上升，它所导致的蒸发增加在干旱过程中也变得越来越重要，对地表干湿变化甚至与降水增减的作用等同[7，13]。

图2(a-b)也表明整个东北地区在1990s以后，气温有显著增加的趋势，而降水有减少的趋势。

从不同的季节来看，夏、秋季由于气温的升高(图2(d、e))和降水量的减少(图2(h、i))，使得1990s后夏季和秋季的干旱加剧。

1990s后春季气温和降水量均呈增加趋势(图2(c、g))，但气温增加幅度更大，故春季干旱也较严重。

冬季的气温和降水量的变化趋势与春季相似(图2(f、j))，但是由于冬季冷空气的不断侵入，会导致更多的积雪，故冬季干旱频率的年代际变化相对较小。