綜合干旱指數研究進展

吳志勇，程丹丹，何 海，李 源，周建宏

(河海大學水文水資源學院，江蘇 南京 210098)

干旱是一種漸變的復雜自然現象，持續時間長，影響范圍廣[1-2]。建立完善的干旱信息系統，對于及時準確地評估區域干旱狀況、提高干旱風險防范能力、減輕旱災帶來的損失及影響，具有重要的科學意義和應用價值[3-5]。然而，干旱的發生強度和影響范圍等特征變量，一般難以直接觀測，通常基于實測或模擬水文氣象資料，采用干旱指數進行描述[6]。選取適用的干旱指數，是準確監測和評估區域干旱狀況的基礎。

目前，國內外學者已提出了上百種干旱指數。根據指數表征的干旱類別，大致可分為3類：①氣象干旱指數，一般用來描述降水的短缺，如降水百分位指數[7]、帕默爾旱度指數(Palmer drought severity index， PDSI)[8-9]、自適應帕默爾干旱指數(self-calibrating Palmer drought severity index， sc-PDSI)[10]、標準化降水指數(standardized precipitation index， SPI)[11-12]和標準化降水蒸散發指數(standardized precipitation evapotranspiration index， SPEI)[13-14]等，以及結合PDSI和SPEI兩者優勢改進得到的標準化水分異常指數(standardized moisture anomaly index， SZI)[15-16]。②水文干旱指數，主要描述地表水的不足，如帕默爾水文干旱指數(Palmer hydrological drought index， PHDI)[17]、地表供水指數(surface water supply index， SWSI)[18]、標準化徑流指數(standardized runoff index， SRI)[19]和徑流干旱指數(streamflow drought index, SDI)[20]等。③農業干旱指數，一般有兩種構建思路，一種是基于土壤濕度、蒸散發等數據來反映土壤和作物的水分虧缺，如作物水分指數(crop moisture index， CMI)[21]、標準化土壤濕度指數(standardized soil moisture index， SSI)[22]、土壤含水量距平指數(soil moisture anomaly percentage index， SMAPI)[23]、土壤濕度虧缺指數(soil moisture deficit index， SMDI)[24]和蒸散發虧缺指數(evapotranspiration deficit index， ETDI)[24]等；另一種是基于遙感反演的植被狀況、地表溫度等陸面信息進行大范圍農業干旱監測，如歸一化植被指數(normalized difference vegetation index， NDVI)[25]、植被狀態指數(vegetation condition index， VCI)[26]、增強植被指數(enhanced vegetation index， EVI)[27]和溫度條件指數(temperature condition index， TCI)[28]等。

對于一場嚴重的干旱事件，其發生發展過程往往對應著不同類型的干旱，存在旱情傳播和遞進的聯系，由降水持續性缺少引起的氣象干旱作用于下墊面，對土壤、植被和水體產生不同程度的影響，從而觸發農業干旱和水文干旱。然而，上述提到的干旱指數大多用于某一種干旱類型的監測，不能綜合反映干旱事件的多尺度特征及其帶來的多重影響。僅僅基于某一類干旱指數來評估干旱狀況，容易出現干旱情勢的誤報和漏報[29-30]。因此，需要利用多種來源的水循環要素信息，綜合多種干旱指數的評估結果，向管理部門和公眾傳達全面可靠的實時旱情[31]。為了更準確地監測和評估干旱狀況，越來越多的研究開始發展融合多源信息的綜合干旱指數，即在一個綜合的框架下去刻畫干旱的時空演變特征及其影響程度[32-34]。

目前，國內外學者已經提出了多種綜合干旱指數，但是學術界對于這一概念的理解并未達成共識，綜合干旱指數至今沒有統一明確的定義。Niemyer等[35]將融合多學科數據的干旱指數劃分為兩類：①考慮多種水文、氣象、農業致旱因子的綜合干旱指數(comprehensive drought indices)；②基于多種單一干旱指數構建的組合干旱指數(combined drought indices)。Hao等[36]將綜合了多個致旱因子或指數的干旱指數定義為多元干旱指數(multivariate drought index，MDI)，從指數構建方法的角度介紹了MDI指數的研究進展。世界氣象組織(world meteorological organization， WMO)[37]將基于加權或建模方法合并不同干旱指數得到的結果統稱為綜合(或混合)干旱指數(composite/hybrid drought indicators)。本文在前人研究的基礎上，結合近幾年的趨勢，從指數構建理論方法和業務化應用兩個方面總結綜合干旱指數的研究進展。需要指出的是，本文論述的綜合干旱指數是通過集成多類型的干旱指數來表征干旱的多種尺度和多重影響，是一種廣義的綜合指數，可以是由公式直接計算得到的數值，也可以是基于多指數集成的綜合模型的輸出結果。

1 綜合干旱指數構建方法

1.1 權重組合方法

權重組合方法是目前最常見的綜合干旱指數構建方法[38-40]。基于該法的綜合干旱指數是通過選取各種單一干旱指數進行加權得到的，結構簡單，易于理解；然而參與組合的指數分量及其權重的合理性，在很大程度上決定了這一類綜合干旱指數能否大范圍推廣應用。指數分量及其權重分配方案，一般依據專家的經驗判斷和特定的服務需求，或者通過與站點上的干旱指數(如PDSI、SPI)或實際干旱影響(如實測土壤濕度、作物產量等)的相關分析來確定。Zhang等[41]綜合了多傳感器微波遙測的降水、土壤濕度、地表溫度等信息，對降水條件指數、土壤水分條件指數、溫度條件指數進行線性組合，構建了一種綜合干旱指數(microwave integrated drought index， MIDI)，在與多種時間尺度的SPI指數進行相關分析時，MIDI指數展現了其在短期干旱監測方面的出色潛力；Lu等[42]基于歸一化處理的降水量指數、土壤濕度指數、地表溫度指數和歸一化植被指數，以及預設的15套權重方案，通過與PSDI指數、PalmerZ指數和多尺度的SPI等多個站點上的干旱指數進行相關性分析，構建具有最佳權重組合的綜合干旱指數(integrated scaled drought index， ISDI)，用于監測美國農業干旱事件，具有較好的穩健性和實用性。

當綜合考慮的變量較多時，常采用主成分分析法(principal component analysis， PCA)進行數據降維，將可能存在相關性的多個變量轉換為少數幾個彼此獨立的新變量(即主成分)，再按照主成分攜帶原始數據信息量的能力進行權重分配[43-44]。盧金利等[45]對分別考慮降水、蒸發、徑流、土壤濕度的多種單一干旱指數進行主成分分析，構建了表征氣象干旱、農業干旱的短期綜合干旱指數和表征水文干旱的長期綜合干旱指數。PCA能夠降低旱情分級分類的難度，但由數據降維引起的信息損失，在一定程度上可能影響干旱監測結果的可靠性；此外，該法依賴于原始變量線性相關的假設，不適用于非線性情況。基于此，Rajsekhar等[46]采用核熵成分分析方法(kernel entropy component analysis， KECA)，綜合基于降水、土壤水分、徑流量和蒸散發的多種指數變量，構建了非線性綜合干旱指數(multivariate drought index， MDI)，該指數基于核方法和信息熵理論，能以最小化的特征集最大限度地保留輸入數據集的信息量，同時不受限于數據轉換的線性假設。

1.2 多變量聯合分布方法

多變量聯合分布法也是一種構建綜合干旱指數的常見方法，最具代表性的是Copula聯合分布法。該法通過構造多個單一干旱指數的Copula聯合概率分布函數，對其累積聯合概率求逆得到綜合干旱指數，既保留了各指數變量本身的邊際分布，又能描述多種干旱指數之間復雜的依存關系[47]。Hao等[48]通過計算SPI和SSI的Copula聯合分布函數，提出了一種可對氣象干旱和農業干旱進行綜合評估的多變量標準化干旱指數(multivariate standardized drought index， MSDI)，該指數已成功應用于全球綜合干旱監測預測系統(global integrated drought monitoring and prediction system， GIDMaPS)[49-51]。基于Copula聯合分布的氣象水文綜合干旱指數研究也取得了一定進展，如張迎等[52]采用Frank Copula函數，聯合SPI和SRI兩種指數構建了一種新型綜合干旱指數MSDIp(multivariate standardized drought index， parametrically)；粟曉玲等[53]基于Gumbel Copula函數，發展了聯合SPEI和SDI的氣象水文綜合干旱指數(meteorology-hydrology drought index， MHDI)；為了集成更多的水文氣象要素信息，Shah等[51]采用Gaussian Copula函數，構造SPI、SRI、SGI、SSI等多種類型干旱指數的聯合分布，得出的綜合干旱指數(integrated drought index， IDI)成功捕捉到研究區內多場嚴重干旱事件，以及植被響應、徑流和地下水異常。

然而，基于參數化Copula函數構造的綜合干旱指數對統計檢驗和參數估計的要求十分嚴格，為了避免對于變量分布的假設，減輕擬合參數的計算負擔，Hao等[50]基于非參數化聯合分布方法對MSDI指數進行了改進，即采用Gringorten位置劃分經驗公式估算SPI和SSI的經驗聯合概率；李勤等[54]考慮了潛在蒸散發對干旱的影響，采用經驗Copula方法計算SPEI、SSI兩種指數的經驗聯合分布，提出改進的MSDI指數(modified multivariate standardized drought index， MMSDI)，提高了氣象農業綜合干旱監測的效果。

基于聯合分布的綜合干旱指數構建方法，通過描述多種干旱指數之間的依存關系來實現干旱的綜合監測。然而，當綜合的干旱指數數量較多時，不同指數之間的依存關系變得更加復雜，這將加大多元分布估計和高維相關性建模的難度；另外，聯合分布只能描述不同致旱因子之間的統計特性，對于干旱的內在機理仍缺乏充分合理的解釋。

1.3 機器學習方法

隨著干旱監測手段的發展與進步，干旱基礎數據的豐富性和可用性不斷提高；然而，不同來源數據之間的復雜聯系及其時空尺度的不一致性，也給干旱分析工作帶來了較大挑戰。構建基于機器學習方法的綜合干旱指數，為解決與干旱相關的數據挖掘問題提供了有效途徑。采用機器學習算法，對由致旱因子或干旱指數序列組成的大量數據樣本進行訓練分析，求解相關分類問題或回歸問題的決策函數，建立多種干旱指數與實際干旱狀況之間的關聯模型，從而基于模型輸出結果(即綜合干旱指數)來識別干旱事件并對其發生發展過程進行監測[55-57]。常采用的機器學習算法包括決策樹(decision tree)、人工神經網絡(artificial neural network， ANN)和支持向量機(support vector machine， SVM)。

決策樹是指從無序的樣本數據集中歸納分類規則并以樹形結構表示的分類方法，代表算法為分類與回歸樹(classification and regression tree， CART)。CART算法采用二分遞歸分割技術來劃分自變量空間，經過多重決策生成二叉樹結構，使用驗證數據對決策樹進行修剪，然后基于已分類的變量組，分別建立各自的統計回歸規則和線性擬合模型。Brown等[58]采用Cubist分類回歸軟件，綜合兩種氣象指數(SPI、sc-PDSI)、兩種植被指數(季平均植被綠度百分比、植被異常起始點)和土地覆蓋、土壤有效含水量、灌區、生態區等生物物理信息，建立基于規則的分類回歸模型，提出了植被干旱響應指數(vegetation drought response index， VegDRI)，該指數考慮了植被在不同生長階段對水分脅迫的敏感性差異，在美國干旱業務監測中取得了較好的應用效果；綜合地表干旱指數(integrated surface drought index， ISDI)[59]在VegDRI指數的基礎上還進一步考慮了地表水熱條件和高程等信息，具有較高的空間分辨率，適用于大范圍和局地兩種尺度的干旱監測[60-61]。劉高鳴等[62]綜合大氣異常、土壤水分和植被狀態等多方面的信息，基于SPI、SPEI、TCI、VCI、TVDI等指數構建了決策樹模型，用于河南省農業干旱監測。

相較于決策樹方法，ANN和SVM更適合用于處理復雜非線性的干旱問題。ANN是一個大規模的自適應系統，具有很強的非線性映射能力，可以避免致旱因子間的線性假設，Karamouz等[60]基于兩種人工神經網絡方法，使用SPI、PDSI、SWSI等不同類型干旱指數對逐月干旱損失進行定量描述，再通過計算干旱損失的累積概率得到混合干旱指數(hybrid drought index， HDI)，該指數考慮了研究區的氣候、農業、水文、社會、經濟等多種因素來評估干旱綜合損失，可幫助干旱管理決策者全面了解干旱的嚴重程度及影響。然而，ANN方法對訓練樣本具有較強的依賴性和敏感性，可能導致過擬合現象[61]。SVM是一類基于統計學習理論的機器學習算法，通過引入非線性映射和核函數，可將樣本空間中的高度非線性問題轉化為特征空間內的線性問題進行求解[63]，該法分類精度高，求解速度快，適合解決小樣本問題，具有良好的泛化推廣能力，但對參數調節和核函數的選擇較為敏感[56]。

基于機器學習方法構建的綜合干旱指數，不僅能高效處理非正態分布數據，還能解決干旱指數時空尺度不一致的問題，但這類綜合干旱指數基于對大量樣本的模糊數據挖掘，適用于特定區域的干旱監測，外延性一般不理想，這與模型結構對訓練數據以外的新鮮樣本的適應能力(即模型泛化能力)有很大關系，應用時應格外關注模型優化算法和參數的合理性。

2 綜合干旱指數業務化應用實例

2.1 美國干旱監測業務

由美國國家干旱減災中心(national drought mitigation center， NDMC)牽頭，聯合美國農業部、商務部和內務部等多部門共同開發的干旱監測系統(USDM，U.S. drought monitor)(https://droughtmonitor.unl.edu/)，綜合利用了站點實測和遙感監測的水文氣象資料，是美國現行的業務化干旱監測工具[64-66]。該系統集成了基于站點計算的氣候指數、數值模式模擬結果和全國400多位水文氣候專家的經驗知識，還考慮了干旱的實際影響，對全美當前的干旱狀況以及近兩周內的干旱演變情勢進行監測。USDM產品由一幅描述全美范圍干旱的監測圖和概括干旱狀況與影響的評述文字組成，每周發布一次。

USDM基于百分位法，將干旱嚴重程度劃分為偏干(D0)、輕旱(D1)、中旱(D2)、重旱(D3)、特旱(D4)5個等級。干旱等級的閾值標準，最初由PDSI、SPI、標準化降水百分位數、氣候預測中心模擬的土壤濕度(CPC/SM)、地質勘探局(U.S. geological survey， USGS)觀測的周流量以及植被健康指數(vegetation health index， VHI)等6個關鍵指數和CMI、森林火險指數、水庫蓄量等輔助指數來確定[67]。為適應干旱監測業務的更高需求，SPEI、VegDRI等干旱指數也被用于確定各級干旱觸發水平[68]。USDM采用干旱指數客觀綜合方法進行干旱狀況分析，選取了PDSI、CPC/SM和30天降水等指數，計算這些單一指數的當前值在歷史序列中的百分位數，再進行加權平均得到客觀綜合指數(objective blend of drought indicators， OBDI)，用于確定干旱監測圖上的各州干旱等級。然而，OBDI值僅代表當前干旱狀況在多種時間尺度上的平均水平，難以區分由短期降水虧缺、長期降水虧缺導致的干旱影響。為了向用戶提供不同時間尺度上的干旱信息，USDM使用兩種客觀綜合干旱指數來同時監測短期干旱和長期干旱：短期綜合干旱指數(short term OBDI， stOBDI)選取了PalmerZ指數、1個月的SPI指數(SPI-1)、3個月的SPI指數(SPI-3)、CPC/SM、PDSI等指數作為組合變量，如式(1)所示；長期綜合干旱指數(long term OBDI， ltOBDI)則是由SPI-6、SPI-12、SPI-24、SPI-60、CPC/SM、PHDI等指數線性加權得到的，如式(2)所示。

IstOBDI=a1Z+a2ISPI1+a3ISPI3+a4ISM+a5IPDSI

(1)

IltOBDI=b1ISPI6+b2ISPI12+b3ISPI24+b4ISPI60+

b5ISM+b6IPHDI

(2)

式中：IstOBDI和IltOBDI分別為stOBDI值和ltOBDI值；Z為PalmerZ指數值；ISPI1、ISPI3、ISPI6、ISPI12、ISPI24、ISPI60分別為1個月、3個月、6個月、12個月、24個月、60個月的標準化降水指數；ISM為CPC/SM值；IPDSI為PDSI值；IPHDI為PHDI值；a1、a2、a3、a4、a5、b1、b2、b3、b4、b5、b6分別為各指數分量的權重。

需要指出的是，這些綜合干旱指數中的各指數分量及其權重不是固定的，在特定地點和季節會有所變化[69]。USDM產品制作者將基于區域干旱特征和當地干旱影響報告，合理選取用于加權的各項單一指數，并調整其權重系數。例如，針對美國西部地區，考慮到長期干旱對當地積雪和地表水資源的影響，該區的ltOBDI指數采取了一套自定義的指數加權方案，將SPI-6替換為60個月的PalmerZ指數。

然而，僅僅憑借OBDI指數計算的一個干旱等級去表征區域整體的干旱狀況，不足以體現更精細空間分辨率下的干旱細節。對此，USDM采取的解決策略是利用綜合干旱指數掌握全局的干旱狀況，確定干旱集中區，再針對特定部門的需求和具體影響采用專門的指數進行干旱監測，如USGS和NDMC研發的植被干旱響應指數VegDRI，具有1 km的空間分辨率，能夠提供連續、大范圍、實時的干旱信息[70]，可協助OBDI指數監測干旱事件的強度和范圍，便于當地干旱響應和減災計劃的實施；同時，開展OBDI指數在不同區域或季節的反復評估試驗，以期將干旱監測產品的空間分辨率整體提高至縣級水平[69]。USDM成熟的專家反饋機制，能夠及時獲取各州市干旱狀況及其影響的真實信息，可有效校正OBDI的監測結果[66]。

2.2 歐洲干旱監測業務

歐洲干旱觀察(European drought observatory， EDO)是歐盟委員會聯合研究中心(Joint Research Center， JRC)為開發歐洲干旱信息系統而設立的一種監測預測工具[71]。EDO通過多渠道整合歐洲大陸、國家、地區和流域的氣象、水文和遙感等多源信息，基于一系列不同類型的干旱指數來監測干旱事件的發生和演變(https://edo.jrc.ec.europa.eu)，可為歐洲干旱準備和預警提供及時權威的在線信息服務。

EDO采用綜合干旱指數(combined drought indicator， CDI)來識別和監測農業干旱及其影響，時間尺度為10 d，空間分辨率為5 km，能夠較為準確地捕捉區域的農業干旱事件。CDI指數考慮了降水虧缺、土壤水分不足以及衛星觀測的植被生長異常等因素，綜合了EDO系統中使用的3個主要干旱指數：標準化降水指數SPI、土壤水分異常指數(soil moisture anomaly，SMA)和植被光合有效輻射比(fraction of absorbed photosynthetically active radiation， fAPAR)。采用5個干旱級別來劃分干旱影響水平，分別對應農業干旱演變過程的不同階段[72]：觀察級別(watch)表示出現降水虧缺；警戒級別(warning)表示土壤濕度異常和降水虧缺相伴發生；警報級別(alert)表示干旱開始影響植被的正常生長；部分恢復級別(partial recovery)表示經過一段時間干旱后，氣象條件恢復正常但植被生長還未恢復；完全恢復級別(full recovery)表示氣象條件和植被生長均恢復正常狀態。

CDI指數綜合利用了大氣降水、土壤墑情和遙感反演的植被狀況等多源觀測信息，可在一定程度上減少農業干旱監測中的虛假警報；同時提供相對統一的指數形式，有利于農業部門進行有效的干旱風險管理和決策[64]。然而，CDI指數也存在一些局限性，如沒有考慮不同地區不同類型植被的生長季差異，在有云的情況下無法監測植被水分脅迫，應進一步引入作物生育期等物候學指數，結合地表溫度指數和其他植被指數來更好地表征植被對干旱的響應[72]。

2.3 中國干旱監測業務

中國氣象局國家氣候中心于1995年開發的“全國旱澇氣候監測、預警系統”，經過20多年的發展和實踐，在干旱業務方面已經實現了降水量距平百分率(precipitation anomaly in percentage， PA)、相對濕潤度指數(relative moisture index， MI)、SPI、SPEI、PSDI等多種指數的實時監測[65,73]。目前該系統采用氣象干旱綜合指數(meteorological drought composite index， MCI)對全國范圍內的干旱發生、發展情勢進行逐日監測(http://cmdp.ncc-cma.net/extreme/dust.php?product=dust_moni)。

MCI指數是在綜合氣象干旱指數(comprehensive meteorological drought index， CI)(參考GB/T 20481—2006《氣象干旱等級》)的基礎上改進得到的。CI指數基于權重組合方法綜合了近30天和近90天的SPI指數以及近30天的相對濕潤度指數，考慮了月、季尺度的降水異常和影響作物生長的短期水分虧缺，適用于實時氣象干旱監測和歷史同期氣象干旱評估[74-75]。然而，CI指數對降水過程的反應過于敏感，對重大干旱事件的旱情描述偏輕，且存在不連續的旱情加重現象。針對這些問題，學者們從調整降水量權重、增加60天降水、引入不等權重思想等方面對CI指數進行了許多改進[76-79]。國家氣候中心提出的MCI指數引進了60天的標準化權重降水指數，補充考慮了150天降水對干旱累積的影響，同時添加了季節調節系數，根據不同季節不同地區農作物生長發育各個階段對土壤水分的敏感程度差異來調整，計算公式如式(3)所示，具體計算步驟見2017年發布的GB/T 20481—2017《氣象干旱等級標準》。MCI指數充分考慮了前期不同時間尺度的降水和蒸散發，使得干旱發展的累積效應更加突出，適用于作物生長季逐日氣象干旱的監測評估。然而，GB/T 20481—2017《氣象干旱等級標準》中基于南北方氣候的差異對MCI指數制定的兩套權重組合方案，已然無法滿足各省的干旱監測業務需求，在實際應用中一般根據當地旱災情勢修正各組合分量系數，以增強MCI指數的本地化應用效果和區域適用性[80-82]。

IMCI=Ka(aISPIW2+bIMI1+cISPI3+dISPI5)

(3)

式中：IMCI為MCI值；Ka為季節調節系數；ISPIW2為SPIW2值；ISPI5為5個月的標準化降水指數；IMI1為1個月(近30 d)的相對濕潤度指數；a、b、c、d分別為各指數分量的權重系數，在南北方取值有差異。

3 研究展望

3.1 加強干旱過程內在機理性研究

干旱的形成與大氣、土壤、地表水、地下水以及植被生理等過程密切相關，這些物理過程是高度非線性的，且存在多種反饋機制，氣候變化與人類活動更加劇了干旱過程的復雜性。目前的干旱研究常將一個完整的自然水循環過程割裂開來考慮，現有綜合干旱指數大多難以反映多種干旱相關過程之間的物理聯系，不能全面地揭示干旱過程的內在機理[83-84]。因此，為了更準確地監測干旱的時空變化和廣泛影響，構建能夠體現干旱物理機制的綜合干旱指數很有必要。今后的干旱指數研究應深入認識不同時空尺度水循環過程的干旱形成機理，明晰降水、土壤水、溫度、植被等多種因素在干旱發生發展過程中的作用機制，尤其是作物對干旱的響應和滯后效應；此外，也要關注工業、城鄉居民、生態等干旱影響對象的用水需求，將干旱對社會經濟造成的影響納入綜合干旱指數中。

3.2 提高多源信息融合水平

基礎數據的豐富性和可靠性，在很大程度上影響著綜合干旱指數的精度。目前干旱相關變量的主要數據來源是地面站點觀測和衛星遙感監測，水文氣象站網能夠獲取長期、連續、穩定的觀測資料，但受站點密度的限制，獲取的數據量有限，且空間覆蓋不連續，難以用于大范圍區域干旱監測；遙感衛星通過搭載多種不同類型的傳感器，可獲取大范圍近實時的降水、土壤濕度、地表溫度、土地覆蓋、植被狀況等信息，具有較高的空間分辨率，為全球干旱監測提供了豐富的數據來源[85-86]。然而衛星遙感產品也深受反演算法、射頻干擾、復雜氣象條件和下墊面特性等因素的影響[87-88]，具有較大的不確定性，且不同遙感產品的時空分辨率和監測精度差異較大，綜合應用有一定難度。陸面數據同化系統利用資料同化技術對多種來源的歷史觀測資料進行質量控制和同化處理，重構長系列、高時空分辨率的再分析資料，在一定程度上改善了遙測數據的不確定性問題，但也受制于數據同化采用的誤差估計與處理方法[75,85]。因此，結合地面站點、衛星遙感、雷達探測等多種觀測手段，整合水文、氣象、農業、生態和社會經濟等多種信息，進一步改進多源數據的時空同化技術，提高資料的綜合利用水平，是未來綜合干旱指數研究的重要方向。

3.3 完善精度評價體系

精度評價是檢驗干旱指數應用效果的重要環節。目前，干旱指數精度評價的常用方法有：①與USDM、EDO等業務化干旱監測產品的監測結果進行對比；②與一些公認的干旱指數(如SPI、PDSI)評估的干旱狀況進行相關分析，根據相關系數大小評估所選干旱指數的監測精度；③結合當地新聞報道或文獻資料對已發生的重大干旱事件的旱情描述，對指數的監測效果進行定性評價。然而，這些驗證方法都有一定的區域適用性限制，不同類型干旱指數的精度評價方法也不盡相同，這使得用戶難以對各指數監測效果進行一致的比較，從而給特定區域和季節的干旱監測增加了難度。為了提高綜合干旱指數在實際干旱監測中的準確性和適用性，需要構建統一的干旱指數精度驗證體系。可借鑒美國干旱監測中采用專家驗證反饋的成功經驗，基于主客觀證據融合方法對綜合干旱指數進行一系列定性和定量評估，以全面了解各指數的優勢和不足，從而為研究區選取合適的綜合干旱指數；此外，當地干旱影響報告也是一種干旱指數精度評估的手段，結合作物受旱/成災面積、河流斷流情況、人畜飲水困難等統計資料進行驗證分析，但應注意辨明這些影響或損失的成因是否與干旱有關。

4 結 語

融合多源信息的綜合干旱指數，能夠較為準確及時地監測干旱的發生發展過程、客觀全面地評估干旱的影響程度和范圍，可為減少干旱造成的損失提供技術支撐。目前，綜合干旱指數的常用構建方法有權重組合、聯合分布和機器學習方法等，權重組合方法的關鍵在于指數分量的選取及合理賦權，聯合分布方法通過構造聯合分布函數來推求多種干旱指數的聯合累積概率，機器學習方法則基于對大量干旱基礎數據的訓練來挖掘干旱指數與干旱狀況之間的模糊空間關聯性。然而，這些方法多從統計學的角度去整合多種干旱指數，而對干旱發生發展過程中各致旱因子的相互作用反映不足，無法給出關于干旱形成演變機制的科學合理的解釋；此外，對于綜合干旱指數的監測效果，仍缺乏有效的評估方法和手段。為進一步加強綜合干旱指數在區域干旱監測評估中的適用性，今后的綜合干旱指數研究應聚焦以下幾個方面：①從水循環過程各致旱因子的相互作用機制出發，強化綜合干旱指數的內在機理研究；②改進多源數據的時空同化技術，提高綜合干旱指數的信息融合水平；③發展統一有效的干旱監測驗證方法，完善綜合干旱指數精度評價體系。