基于多源信息的综合干旱监测研究进展与展望
江笑薇,白建军,刘宪峰

Research Progress and Prospect of Integrated Drought Monitoring Based on Multi-source Information
Xiaowei Jiang,Jianjun Bai,Xianfeng Liu
表1 主要综合干旱指数
Table 1 The main integrated drought index
方法指标名称应用范围适应性局限性

水平衡

模型

帕默尔干旱指数(Palmer Drought Severity

Index,PDSI)

气象干旱、

农业干旱

考虑蒸散发、降水、径流对干旱的影响,从内在机理角度描述干旱具有一定的时空局限性

地表供水指数(Soil Water Stress Index,

SWSI)

农业干旱在PDSI基础上综合了积雪融水、水库蓄水对干旱的影响参数较多,不易计算
标准降水蒸散指数(Standardized Precipitation Evaporation Index,SPEI)

农业干旱、

水文干旱

多时间尺度,综合蒸散发等

干旱相关影响因素

参数较多,不易计算
线性组合美国干旱监测模型(The U.S. Drought Monitor,USDM)农业干旱监测国家、州等大尺度干旱将指标间表述为线性相关关系,难以描述非线性关系,缺乏内在机理性
美国的最佳混合NLDAS(The North American Land Data Assimilation System)的综合干旱指数(Objective Blended NLDAS Drought Index,OBNDI)农业干旱

监测国家尺度干旱,提高了

USDM监测精度

最大平均干旱指数(Grand Mean Index,GMI)气象干旱、水文干旱、农业干旱

考虑地表温度因子,用于地区、

小尺度区域干旱监测

微波综合干旱指数(Microwave Integrated Drought Index,MIDI)农业干旱基于多传感器微波遥感数据,监测地区短期干旱
旱情综合监测指数(Comprehensive Remote Sensing Drought Monitoring Index,RSI)农业干旱综合温度条件指数和植被条件指数,监测地区干旱
联合分布函数联合干旱指数(Joint Drought Index,JDI)气象干旱、水文干旱、农业干旱

基于累计降水与径流的综合干旱指数,描述变量间非线性关系。

能够进行短期风险评估

构建联合分布函数的干旱变量须具有相同边际分布。缺乏内在机理性

多变量标准化干旱指数(Multivariate

Standardized Drought Index,MSDI)

气象干旱、水文干旱、农业干旱基于累计降水和土壤水分的综合干旱指数,能够进行短期风险评估
基于标准帕默尔干旱指数(Standardized Palmer Drought Index,SPDI)的综合干旱指数(Standardized Palmer Drought Index-Joint Drought Index ,SPDI-JDI)气象干旱、水文干旱、农业干旱

具有不同的时间尺度。

能够进行短期风险评估

主成分

分析

干旱综合指数(Aggregate Drought Index,ADI)气象干旱、水文干旱、农业干旱综合多源信息,据研究区地域特点选择不同变量,具有一定的普适性只能表述线性相关关系,且假设第一主成分表示原数据最大方差

非线性干旱综合指数(Multivariate Drought

Index,MDI)

气象干旱、

农业干旱

基于核熵成分分析(KECA)法,

优化了模型降维过程

认为熵是信息最大输出,只能描述非线性变量关系
数据挖掘

干旱综合监测指数(Standardized Drought

Index,SDI)

农业干旱、

气象干旱

半定量半经验干旱监测模型。解决干旱指标时空尺度不一致问题建模所需指标数据量较大,数据收集较为困难

植被干旱响应指数(Vegetation Drought

Response Index,Veg-DRI)

农业干旱

用于国家尺度干旱监测。描述植被(生长期)对干旱的响应力。

高空间、时间分辨率

难以描述非线性关系,缺乏内在机理性