西南交通大学植被定量遥感课题组 —— 智绘山川，交通天下

课题组发布中国西南地区高分辨率和长时序SPEI数据集

标准化降水蒸散指数（Standardized Precipitation Evapotranspiration Index，SPEI）是目前常用的监测干旱的指数。现有干旱指数大多基于站点或空间分辨率低（0.5°）。但在区域干旱研究中，需要高分辨率干旱指数产品支持。以往的干旱指数重构研究中，需要对干旱敏感的植被指数的支持，而MODIS等植被指数数据集时序较短，这大大限制了重构的干旱指数的时间跨度。

本文发现，在西南地区植被指数对建立干旱指数的关系模型影响不大。基于此，本研究通过机器学习生成了1901-2018年西南地区时空连续的SPEI数据集。

01 研究背景

干旱是世界范围的重大灾害之一，会对农业、环境和社会经济造成巨大危害。干旱监测和预测可以帮助决策者对干旱事件做出反应。因此，持续干旱监测和预测对水资源可持续管理和干旱风险管理的决策至关重要。

干旱是一种水供应短缺的事件。标准化降水蒸散指数（SPEI）通过比较自然界多年水平衡（降水与潜在蒸散发之差）得到当前干旱状况。SPEI结合了标准化降水指数(Standardized Precipitation Index，SPI)和帕尔默干旱指数(Palmer Drought Severity Index，PDSI)对蒸散发需求变化的敏感性，在干旱研究中受到广泛应用。

近年来，机器学习方法被广泛用于生成高分辨率产品。此外，已有研究证明了植被指数(VI)在表征干旱方面的潜力。但是在卫星发射前收集VIs是不可能的，这限制了这些方法的时间覆盖范围。例如，中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer，MODIS)只有2000年以后的VIs数据集。

本研究的总体目标是通过机器学习，通过对EEAD(Estación Experimental de Aula Dei)产品降尺度生成高分辨率和长时序SPEI数据集。

02 数据与方法

03 结果

在我们的研究中，对有和没有VI的两种输入组合进行了测试（图2）。t检验显示两组间无显著差异(p < 0.01)。结果表明，在中国西南地区，VI对于重构干旱指数无显著提升。这使得我们可以在不加入VI的情况下，生成长时序(1901-2018)的SPEI数据集。

西南地区发生过多次严重干旱事件，其中2009/2010年干旱事件最为严重。为了评估降尺度SPEI数据集的应用潜力，下图展示了本研究降尺度SPEI和EEAD SPEI揭示这次干旱事件的演变过程（图3）。从视觉上看，两种SPEI数据集在中国西南地区的空间分布模式相似。然而，降尺度高分辨率SPEI数据集可以刻画中国西南地区更多的空间细节。

04 结论

我们提供了一种新的、可靠的方法来克服输入数据的时间限制，并在VI数据可用性有限的情况下生成高分辨率和长期干旱产品。我们的产品有望为区域长期干旱监测提供参考。