基于SPEI和MI分析陕西省干旱特征及趋势变化

2020-01-14丁怡博徐家屯李亮蔡焕杰孙亚楠

中国农业科学 2019年23期

丁怡博，徐家屯,2,3，李亮,2,3，蔡焕杰,2,3，孙亚楠,2,3

丁怡博1，徐家屯1,2,3，李亮1,2,3，蔡焕杰1,2,3，孙亚楠1,2,3

（1西北农林科技大学旱区农业水土工程教育部重点实验室，陕西杨凌 712100；2西北农林科技大学中国旱区节水农业研究院，陕西杨凌 712100；3西北农林科技大学水利与建筑工程学院，陕西杨凌 712100）

【】目前干旱研究多为基于历史干旱事件分析成因与变化趋势，而结合过去与未来长时间序列数据更能揭示干旱变化特点。寻找在基于CMIP5模型输出未来气象数据时模拟干旱指数方法并探究陕西省过去与未来干旱变化特点，为陕西省未来农业水资源管理提供依据。根据陕西省18个气象站历史数据以及CMIP5模式输出未来气象数据，比较了3种模型模拟参考作物蒸发蒸腾量（ET0），并基于参考作物蒸发蒸腾量（ET0）和降水数据计算标准降水蒸发指数（SPEI）和相对湿润指数（MI）反映干旱程度，比较过去（1958—2018年）与未来（2019—2100年）干旱的时空变化特点。多元线性回归模型（Multiple Linear Regression, MLR）能较准确的模拟参考作物蒸发蒸腾量（ET0）（RMSE=0.457 mm·d-1）；在RCP2.6和RCP8.5情景下未来干旱指数呈现上升趋势，在RCP8.5情景下，21世纪40年代存在干旱指数的突变年份；陕西省未来干旱程度降低，年内干旱分布更加不均匀；未来时期夏玉米生长季干旱程度减小，冬小麦生长季干旱程度增加。在不同RCP情景下，未来干旱变化特征存在差异，相同RCP情景下，SPEI和MI反映的干旱特征变化基本一致，但部分时段存在变化差异。为有效应对气候变化对旱作作物产量造成的负面影响，应当增强土壤蓄水保墒能力，尤其加强冬小麦生长季的抗旱工作。

标准降水蒸发指数（SPEI）；相对湿润指数（MI）；蒸发蒸腾量（ET0）；多元回归；神经网络；典型浓度路径（RCP）；趋势检验（Mann-Kendall）；陕西省

0 引言

【研究意义】干旱是一种最为频繁和最为复杂的自然灾害，干旱的影响程度较大且持续时间较长，对人类社会的影响通常持续几个月甚至几年，造成粮食减产、饥饿和土地退化等灾害[1-2]。农业是对干旱影响最敏感且受影响程度最大的产业，日照、气温和水分都直接影响农业生产的状况和水平[3]。中国黄土高原是全球干旱的严重地区[4]，陕西省部分区域正处于黄土高原，具有典型的大陆性季风气候，南北地域差异较大，气候多变，旱涝灾害多，农业生产极易受到影响，干旱频发、持续时间长，破坏了农作物正常生长机制[5]。由于CMIP5模式输出未来的RCP情景数据，缺乏足够的气象因子通过彭曼公式计算考作物蒸发蒸腾量（ET0）。因此，探究在未来气象数据条件下能准确模拟未来干旱指数的方法，为研究未来干旱变化提供借鉴和参考。利用此方法分析陕西省过去与未来长时间序列干旱变化，为分析未来气候变化提供依据。【前人研究进展】目前干旱分析研究中，常选用MCKEE等[6]提出的标准化降水指数（SPI）和RAYNE[7]提出的帕尔默综合气象干旱指数（PDSI）。VICENTE-SERRANO等[8]考虑到SPI只选用降水气象因子反映干旱的不足，在基础上进行改进提出标准化降水蒸散指数（SPEI）。当前干旱指数方面的探究主要集中在结合历史气象数据对研究区域干旱进行分析，如赵兴凯等[9]利用SPEI研究陕北黄土区的气候变化对土壤水分的影响，在其研究中标准化降水蒸散指数（SPEI）可消除降水的时空差异，对干旱变化反映敏感，能很好地反映不同区域和时段的干旱状况；孙滨峰等[10]利用SPEI对东北干旱时空特征进行分析。尽管SPEI被广泛应用于区域干旱评价当中，但该指标也存在一些不足，一些研究学者对该指标进行了一些改进，如ZHANG等[11-12]在作物需水量计算部分增加了土壤含水量、径流量、积融雪等因子，提高了考虑区域水文循环物理过程对干旱发生发展趋势影响的准确性。曹兴等[13]对中天山北坡相对干旱指数（MI）进行变化趋势分析，发现MI优点在于综合考虑降水、温度对水分收支的影响；马柱国等[14]对中国北方湿润状况的趋势分析，MI作为一个理想的指标在中国典型干旱区研究中得到较好的应用。同时也有部分研究结合全球气候模式输出气象数据（CMIP5）对干旱进行分析，如赵天保等[15]基于CMIP5多模式对全球典型干旱半干旱区气候变化研究未来气候变化可以被认为是影响未来干旱的主要因素。作物生长对干旱程度有敏感的响应，干旱程度对于农业生产具有重要的影响。段春锋等[16]和曹红霞等[17]计算了西北地区气象因子与ET0的偏相关系数，认为ET0的影响程度大小依次为风速、日照时数、气温和相对湿度。而王升等[18]分析了不同气象因子的引入对不同模型输出结果准确度的影响，结果表明在气温基础上引入日照时数对精度提升最为显著。【本研究切入点】目前很少有研究基于气象的历史数据和CMIP5模式输出的未来预测数据计算干旱指数。根据干旱指数的统计值对过去和未来长时间序列的时空分布进行系统研究，需深入研究未来不同RCP情景（不同CO2排放浓度）的干旱变化特征，用于预测未来气候变化下陕西省干旱特征变化。【拟解决的关键问题】本研究对陕西省各站点61年历史数据进行训练和检验，比较各模型模拟精度用以寻找在CMIP5模式输出的未来气候条件下可准确模拟ET0进而计算干旱指数的方法。分析陕西省过去和未来长时间序列干旱时空趋势变化。为陕西省水资源调配及农林生态建设提供科学依据。

1 材料与方法

1.1 研究区域

陕西省（105°29′—111°15′E，31°42′—39°35′N）位于中国西北地区东部的黄河中游，全省总面积为20.58万km2，以北山和秦岭为界，全省分为陕北高原、关中平原和秦巴山地三大地貌区。地处内陆中纬度地带，远离水汽源地的地理位置，使其形成显著的大陆性季风气候。全省年平均气温11.6℃，平均降水653 mm，主要集中于全年的7—9月，年均蒸发量1 608 mm。多年平均地表径流量425.8亿m3，水资源总量445亿m3。水资源时空分布严重不均，内流水系主要分布在陕北北部的风沙草滩区，占全省总面积的2.3%，外流水系约占全省面积的97.7%，以秦岭为界，分属于黄河、长江两大流域。冬季是枯水期，夏秋为丰水期。

1.2 数据来源与处理

本文所研究数据主要来源气象站数据和GCM数据：选取陕西省18个气象站点（延长、绥德、吴旗、定边、靖边、神木、榆林、华山、武功、太白、陇县、洛川、长武、安康、商县、佛坪、汉中和留坝）（图1）的1958—2018年逐日气象观测数据作为实测气象站数据，由中国气象资料共享服务网下载（http://data. cma.cn/site/index.html）。

GCM数据来源于PCMDI提供的CMIP5模型中RCP2.6和RCP8.5情景下的输出气象数据（http:// climate-scenarios.canada.ca/?page=gridded-data），并利用BROWN等[19]的修正公式对输出气象数据进行修正处理。CMIP5全球气候模式基本信息见表1。

表1 CMIP5全球气候模式基本信息

图1 陕西省气象站点分布

1.3 研究方法

1.3.1 参考作物蒸发蒸腾量计算方法

（1）Penman-Monteith公式

FAO P-M模型计算ET0的标准方法[20]，表达式为

式中，R为太阳净辐射（MJ·m-2·d-1）；为土壤热通量（MJ·m-2·d-1）；△为饱和水汽压-温度曲线斜率（kg·Pa·℃-1）；为湿度计常数（kg·Pa·℃-1）；2为2 m高度处的风速（m·s-1）；e为饱和水汽压（kPa）；e为实际水汽压，（kPa）；为2 m高度处平均气温（℃）。

（2）Hargreaves模型[21]

式中，0为Hargreaves模型计算的参考作物蒸发蒸腾量（mm·d-1）；R为大气顶层辐射蒸发（MJ·m-2·d-1），为水汽化潜热（λ=2.45 MJ·kg-1）；mean、max和min为平均温度、最高温度和最低温度（℃）。

（3）广义回归神经网络模型（GRNN）

广义回归神经网络模型（GRNN neural networks modeling，GRNN）[22]属于径向基神经网络其中的一种神经网络类型。GRNN结构图见图2。

图2 GRNN模型结构图

（4）多元线性回归模型（MLR）

多元线性回归模型[23]（multiple linear regression，MLR）分析通过利用数学表达方式，根据自变量的取值来预测因变量的取值。

1.3.2 Mann-Kendall趋势检验法目前国内外对于趋势检验有多种统计方法。本文采取世界气象组织（WMO）推荐使用的Mann-Kendall趋势检验法，但有相关研究表明[24-25]时间序列存在的自相关性会对趋势检验的准确性产生影响，COX等[26]曾提出趋势的显著性会被序列的自相关性放大，导致得出不同的检验结果。本文对于序列分析其自相关性，对自相关性显著序列进行去除自相关性处理，再利用M-K对序列进行趋势检验。

1.3.3 干旱指数计算

（1）标准降水蒸发指数（SPEI）

本文采用BEGUERIA等[27]SEPI的计算方法。干早不仅受到降水的影响，而且与蒸散密切相关。2010 年Vicente Serrano采用降水与参考作物蒸发蒸腾量（ET0）的差值构建了SPEI指数，并采用了3个参数的log-logistic概率分布函数来描述其变化，通过正态标准化处理，最终用标准化降水与蒸散差值的累积频率分布来划分干早等级。

（2）相对湿润指数（MI）

本文采用MA等[28]的相对湿润指数的计算方法。

式中，为模式段相对湿润指数；为某时段的降雨量（mm）。

（3）气象干旱等级划分

采用国家气象局制定的标准降水蒸发指数（SPEI）和相对湿润指数（MI）作为干旱等级划分标准[29]，见表2。

表2 SPEI和MI干旱等级划分

1.3.4 误差指标

式中，obs.i为实测值；model.i为模拟值。

2 结果

2.1 不同模型模拟参考作物蒸发蒸腾量的结果对比

目前很多学者对气象要素对ET0的影响关系进行研究，其中段春锋等[16]对西北地区气象要素与ET0进行偏相关分析，表明影响ET0程度的气象因子依次为风速、日照时数、气温、风速和相对湿度。根据CMIP5模型输出的气象要素种类，MLR和GRNN模型输入平均气温和风速气象因子，采用1958—1999年（42年）数据作为训练样本，2000—2018年（19年）数据作为检验样本。Hargreaves模型输入最高气温、最低气温和平均气温气象因子模拟ET0，由于Hargreaves模型无需训练样本，只采用2000—2018年数据作为检测样本。以FAO P-M公式计算结果作为真实ET0，分别采用R2和RMSE衡量模型模拟准确度。MLR准确度最高（RMSE=0.457 mm·d-1，R2=0.8941）；GRNN模拟准确度次之（RMSE=0.520 mm·d-1，R2=0.8617）（图3）；Hargreaves模拟准确度最低（RMSE=0.666 mm·d-1，R2=0.889）。Hargreaves结果的R2略优于GRNN，因此选取MLR估算未来不同RCP情境下ET0。

2.2 历史干旱分析与检验

利用实测气象数据和FAO P-M公式计算ET0，根据ET0和实测降水数据计算陕西省的18个站点1958—2018年的SPEI和MI（图4）。陕西省各站点过去（1958—2018年）的SPEI均值分布在-2.174— 2.100之间，多年平均干旱指数为0.001，属于无旱干旱等级；MI分布在-0.614—0.006之间，全省多年干旱指数为-0.394，同样属于无旱干旱等级；利用M-K检验对陕西省过去61年（1958—2018年）的干旱指数进行趋势检验。SPEI反映出的干旱程度在整个61年中处于下降状态，且在20世纪60年代初期、70年代中期和21世纪10年代初期出现显著的下降，1965年为SPEI长时间序列（1958—2018年）的突变年份（图4-a）。1961—2010年该地区年平均SPEI以0.175 /(10a)的速度下降，1994和1977年是SPEI长时间序列（1961—2010年）突变年份，这与周丹等[30]得出的陕西省SPEI以0.18/(10a)的速度下降并且1990年趋势开始突变下降的结论基本一致；MI反映出的干旱程度在61年中同样处于下降状态，但相对于SPEI反映出的下降速度稍慢（图4-b）。在20世纪60年代中期、80年代中后期与90年代中期有一定的上升趋势。MI的M-K检验与SPEI不同，未反映出突变年份。

图3 输入平均气温时MLR、GRNN和Hargreaves方法模拟ET0的结果比较散点图

由于CMIP5气候模式和新的排放情景来预估未来气候系统的变化，因此比较某些时间区段不同RCP情景下模拟与实际气象数据计算的干旱指数，进而评估不同模式在陕西省的准确度，为后续研究筛选模式提供依据。利用RCP2.6和RCP8.5情景下的气象数据和MLR模拟2006—2018年干旱指数，不同模式的RMSE基本相近，而HadGEM2-ES误差相对较小（RMSE均值为0.938）（图5）。高峰等[31]的研究结论表明HadGEM2-ES模式更适合中国地区。因此，本文选用HadGEM2-ES模式进行后续研究。由于不同模式的历史模拟气象数据未经过修正，导致RMSE大于2006—2018年不同RCP情景的RMSE（表3）；关中地区模拟干旱指数误差较大，陕北和陕南地区误差相近（表3）。在2006—2018年RCP2.6情景比RCP8.5情景更接近真实干旱情况。2006—2018年SPEI分布在-1.459—2.083之间，MI分布在-0.461—-0.128（图6）。由于MI计算方法，在降水较大且ET0较低的月份存在极值，进而导致MI的RMSE较大。

2.3 干旱趋势时间分析

研究长时间序列的干旱指数，更有利于分析干旱的特征变化，将陕西省过去（1958—2018年）和未来（2019—2100年）共143年SPEI和MI进行M-K检验和滑动平均分析。比较不同时段的干旱指数在不同RCP情景下的变化异同。

在RCP2.6情景下研究区（全省各站点均值），SPEI多年均值为0.017，在21世纪40年代存在突变年份，且在21世纪20年代之前SPEI均处于下降的趋势，在此之后均处于上升的趋势（图6）；MI多年均值为-0.312，在21世纪40年代存在突变年份，且在21世纪20年代之前处于下降趋势，此后均处于上升趋势（21世纪30年代之后显著上升）。在不同时段SPEI与MI的10年滑动平均整体趋势基本一致，但MI在21世纪80年代之后表现显著增长。

UF和UB为统计量序列，用以判断时间序列变化趋势以及检查突变点。置信区间临界值为0.05

图5 分时段比较不同模式下模拟SPEI误差比较

表3 HadGEM2-ES模式2006—2018年RCP2.6与RCP8.5情景下干旱指数误差比较

图6 RCP2.6情景下陕西省SPEI与MI趋势检验

在RCP8.5情景下，多年SPEI均值为0.015，在21世纪10和80年代存在突变年份，且在20世纪70年代之前处于下降趋势，在此之后均处于上升趋势（图7）；多年MI均值为-0.313，在21世纪10年代存在突变年份，且在21世纪10年代之前处于下降趋势，在此之后均处于上升趋势（21世纪20年代之后显著上升）。长时间序列的SPEI与MI滑动平均波峰与波谷相对应，反映的干旱变化趋势相一致。在1958— 2018年之间，两者的滑动平均处于波动状态，SPEI波动程度较大。在2018—2038年之间，MI的滑动平均存在明显的峰值。

不同RCP情景下的多年干旱指数均值相近，但未来（2019—2100年）RCP2.6情景下的干旱指数均大于RCP8.5，未来RCP8.5情景比RCP2.6情景的干旱程度更大。

图7 RCP8.5情景下陕西省SPEI与MI趋势检验

2.4 干旱趋势空间分析

在RCP2.6情景下，陕西省SPEI多年无旱频率均值为0.707，轻旱、中旱和重旱等频率均值分别为0.148、0.115和0.029。RCP8.5情景下SPEI无旱频率均值为0.724，其中轻旱、中旱和重旱频率均值分别为0.140、0.096和0.040（图8）。在RCP2.6情景下MI无旱频率均值为0.555，轻旱、中旱、和重旱等频率均值分别为0.294，0.136和0.210。在RCP8.5情景下MI无旱频率均值为0.518，轻旱、中旱和重旱等频率均值分别为0.323，0.145和0.012（图9）。通过比较可以得出，陕西省在1958—2100年长时间序列中，主要表现为无旱，其次为轻旱、中旱和重旱。在不同RCP情景下SPEI和MI干旱频率较为接近，但相同RCP情景下无旱、中旱和重旱频率具有较大差别。

SPEI与MI干旱空间分布基本一致，仅在部分地区存在少许不同。陕西省无旱频率由北到南呈现明显的梯度（图8、图9）。陕北地区频率最高，关中地区其次，陕南地区最低。陕西省无旱主要集中在陕南地区和关中南部地区；轻旱、中旱和重旱集中在陕北地区，而重旱主要集中在陕北西部地区。本研究结果同吴迪等[32]利用模糊聚类循环迭代模型评价陕西省农业干旱风险的结果较为相似，也可以说明在空间上陕西省过去与未来整体干旱程度分布并未有较大的变化。

2.5 作物生长季干旱分析

陕西地区的季节作物主要为冬小麦和夏玉米。冬小麦和夏玉米的生长季在10月至次年6月和次年6月至10月[33-34]。由空间干旱频率的研究可知，不同RCP情景的干旱频率较为接近，因此只对夏玉米和冬小麦在RCP8.5情景的生长季的干旱频率进行研究。

SPEI和MI均反映出未来冬小麦生长季的无旱频率有一定程度降低（SPEI变化频率-0.269，MI变化频率-0.100），其他旱情频率均有微弱提高（图10）。未来夏玉米生长季的无旱频率有一定程度提高（SPEI变化频率0.312，MI变化频率0.361），其他旱情频率均微弱降低。1958—2100年夏玉米生长季SPEI反映的干旱程度较重，而冬小麦生长季MI反映的干旱程度较轻；关中地区的夏玉米生长季的干旱程度变化最大，其次为陕南和陕北地区。陕北地区的冬小麦干旱程度变化最大，其次为陕南和关中地区。关中、陕南和陕北地区夏玉米SEPI无旱频率变化依次为0.294、0.203和0.135，MI无旱频率变化依次为0.288、0.225和0.186。陕北、关中和陕南地区冬小麦SEPI无旱频率变化依次为-0.221、0.184和-0.132，MI无旱频率依次为0.048、-0.046和0.038。

图8 不同RCP情景下陕西省1958—2100年SPEI干旱频率

图9 不同RCP情景下陕西省1958—2100年MI干旱频率

图10 陕西省冬小麦和夏玉米生长季内SPEI和MI干旱频率

3 讨论

MLR在输入平均气温时模拟ET0准确度（RMSE= 0.527 mm·d-1，R2=0.858）与王升等[18]输入相同气象因子的随机森林模型（RF）模拟西南喀斯特地区的准确度（RMSE=0.546 mm·d-1），R2=0.875）相近。导致以上两种模型模拟准确度偏低的原因可能是Hargreaves为经验公式类模型，模型模拟精确度与当地气候条件等因素有关，更适用于在缺乏历史气象数据的情况下对ET0进行模拟；气温与ET0线性关系较强，而GRNN更适合对非线性问题模拟。

未来冬小麦生长季内干旱特征变化，可能会对作物产量产生影响。LIU等[35]和成林等[36]的研究结果表明，年内干旱已经从20世纪80年代的夏秋季干旱变为20世纪90年代的秋冬季干旱以及最近10年的冬季和春季干旱，冬小麦产量与SPEI存在稳定的相关性，冬小麦产量一直受干旱影响。PEÑA-GALLARDO等[37]的研究显示，在3—9个月的时间尺度上冬小麦产量与SPEI在4月和5月呈现正相关关系。上述研究结论的年内干旱时间分布与本研究不同RCP情景下未来的干旱频率在冬小麦生长季变化相近，且上述的冬小麦的产量受干旱影响。在未来RCP8.5情景下，冬小麦生长季干旱频率增加，可能导致陕西省未来冬小麦产量降低。

从时间和空间分析，结果显示陕西省不同RCP未来情景下的干旱程度均有所降低，且RCP2.6情景下的干旱降低程度大于RCP8.5情景下的降低程度。RCP情景变量为降水、气温和风速，分析不同干旱指数与降水以及气温变量的相关程度，并分析不同RCP情景下降水和气温变化趋势，进而得出该结果形成原因。利用陕西省1958—2018年实测气象数据（月尺度），计算干旱指数与平均温度、风速和降水的偏相关系数。

SPEI和MI与降水（0.764, 0.895）呈现明显正相关关系，与气温（-0.683, -0.449）呈现明显负相关关系，与风速（-0.020, -0.024）呈现微弱负相关。 1958—2018年累计降水量呈现微弱下降趋势，多年均值为618.5 mm，平均气温呈现上升趋势，多年均值为10.4℃；在RCP2.6情景下2019—2100年累计降水量呈下降趋势，多年均值为715.8 mm，RCP8.5情景下呈上升趋势，多年均值为719.1 mm；在RCP2.6情景下2019—2100年平均气温呈上升趋势，多年平均为11.6℃，RCP8.5情景下呈上升趋势，多年平均为13.0℃。说明在不同RCP情景下，未来降水与气温比过去均有所提高，这与莫兴国等[38]的结论相吻合。由于干旱指数与降水和气温存在明显相关性，可以说明未来RCP情景的降水与气温变化影响干旱指数变化。RCP2.6和RCP8.5情景下多年降水量和温度均值比过去均有较大增加。SPEI与降水和气温的偏相关系数相近，MI与降水偏相关系数大于气温。气温增长量小于降水增长量，说明未来SPEI增加程度（0.763）大于MI增加程度（0.017）是由于未来降水增加程度大于温度。

4 结论

不同干旱指数均能反映相同的干旱变化特征，但由于SPEI与MI计算方式不同，导致某些时间区段干旱变化特征存在一定差别。而不同RCP情景和干旱指数反映的空间干旱频率未存在明显差别，且未来陕西省干旱空间分布未有明显变化；未来干旱程度降低同时气温和降水均增加，因此陕西省未来农业发展可以适当扩大耕地面积，加大渠系建设，发展集雨设施，采用地膜覆盖方式减少土壤蒸发进而减少作物蒸散发量。未来夏玉米生长季内干旱程度降低，冬小麦生长季内干旱程度增加。未来陕西省应当加强冬小麦生长季的防旱措施，减少因未来气候变化对陕西省冬小麦产量的影响。

[1] FOSTER T, BROZOVIC N, BUTLER A P. Why well yield matters for managing agricultural drought risk., 2015, 10: 11-19.

[2] PIAO S L, CIAIS P, HUANG Y, SHEN Z H, PENG S S, LI J S, ZHOU L P, LIU H Y, MA Y C, DING Y H, FRIEDLINGSTEIN P, LIU C Z, TAN K, YU Y Q, ZHANG T Y, FANG J Y. The impacts of climate change on water resources and agriculture in China., 2010, 467(7311): 43-51.

[3] 李勇, 杨晓光, 代姝玮, 王文峰. 长江中下游地区农业气候资源时空变化特征. 应用生态学报, 2010, 21(11): 2912-2921.

LI Y, YANG X G, DAI S W, WANG W F. Spatiotemporal change characteristics of agricultural climate resources in middle and lower reaches of Yangtze River., 2010, 21(11): 2912-2921. (in Chinese)

[4] 岳辉, 刘英. 基于NDVI－Albedo特征空间的陕西省干旱与荒漠化遥感监测. 西北林学院学报, 2019, 34(1): 198-205.

YUE H, LIU Y. Monitoring of drought and desertification in Shaanxi Province based on NDVI-Albedo space., 2019, 34(1): 198-205. (in Chinese)

[5] WANG L N, ZHU Q K, ZHAO W J, ZHAO X K. The drought trend and its relationship with rainfall intensity in the Loess Plateau of China., 2015, 77(1): 479-495.

[6] MCKEE T B, MCKEE, N J, DOESKENN J, KLEIST J. The relationship of drought frequency and duration to time scales//, 1993: 179-184．

[7] RAYNE S, FOREST K. Evidence for increasingly variable Palmer Drought Severity Index in the United States since 1895., 2016, 544: 792-796.

[8] VICENTE-SERRANO S M, BEGUERÍA, SANTIAGO, LÓPEZ- MORENO J I. A Multiscalar Drought Index sensitive to global warming: The standardized precipitation evapotranspiration index., 2010, 23(7): 1696-1718.

[9] 赵兴凯, 李增尧, 朱清科. 基于SPI和SPEI陕北黄土区土壤水分对气候特征的响应. 农业机械学报, 2016, 47(8): 155-163.

ZHAO X K, LI Z Y, ZHU Q K. Response of soil moisture on climate characteristics based on SPI and SPEI in loess region of Northern Shaanxi., 2016, 47(8): 155-163. (in Chinese)

[10] 孙滨峰, 赵红, 王效科. 基于标准化降水蒸发指数(SPEI)的东北干旱时空特征. 生态环境学报, 2015, 24(1): 22-28

SUN B F, ZHAO H, WANG X K. Spatiotemporal characteristics of drought in northeast China based on SPEI., 2015, 24(1): 22-28. (in Chinese)

[11] ZHANG B X, ZHANG X N, JIN J M, WU P T. Development and evaluation of a physically based multiscalar drought index: The Standardized Moisture Anomaly Index., 2015, 120(22): 11575-11588.

[12] ZHANG B X, HE C S. A modified water demand estimation method for drought identification over arid and semiarid regions., 2015, 230: 58-66.

[13] 曹兴, 万瑜, 崔玉玲, 蔡新婷, 官恒瑞, 普宗朝. 中天山北坡近30年相对湿润指数变化趋势分析. 干旱地区农业研究, 2013, 31(3): 244-251.

CAO X, WAN Y, CUI Y L, CAI X T, GUAN H R, PU Z C. Analysis on change tendency of relative moisture index in northern piedmont of middle Tianshan mountain over recent 30 years., 2013, 31(3): 244-251. (in Chinese)

[14] 马柱国, 符淙斌. 中国北方干旱区地表湿润状况的趋势分析. 气象学报, 2001, 59(6): 737-746.

MA Z, FU S B. Trend of surface humid index in the arid area of northern China., 2001, 59(6): 737-746. (in Chinese)

[15] 赵天保, 陈亮, 马柱国. CMIP5多模式对全球典型干旱半干旱区气候变化的模拟与预估. 科学通报, 2014, 59(12):1148.

ZHAO T B, CHEN L, MA Z G. Simulation of historical and projected climate change in arid and semiarid areas by CMIP5 models., 2014, 59(12): 1148. (in Chinese)

[16] 段春锋, 缪启龙, 曹雯. 西北地区参考作物蒸散变化特征及其主要影响因素. 农业工程学报, 2011, 27(8): 77-83.

DUAN C F, MIAO Q L, CAO W. Changing characteristics of reference crop evapotranspiration and main causes in the Northwest China., 2011, 27 (8): 77-83. (in Chinese)

[17] 曹红霞, 粟晓玲, 康绍忠, 孙华银. 陕西关中地区参考作物蒸发蒸腾量变化及原因. 农业工程学报, 2007, 23(11): 8-16.

CAO H X, SU X L, KANG S Z, SUN H Y. Changes of reference crop evapotranspiration and causes in Guanzhong Region of Shaanxi Province., 2007, 23(11): 8-16. (in Chinese)

[18] 王升, 付镭勇, 陈洪松, 丁亚丽, 吴丽萍, 王克林. 基于随机森林算法的参考作物蒸发蒸腾量模拟计算. 农业机械学报, 2017(3): 307-314.

WANG S, FU Z Y, CHEN H S, DING Y L, WU L P, WANG K L. Simulation of reference evapotranspiration based on random forest method., 2017(3): 307-314. (in Chinese)

[19] BROWN S J, FERRO C A T, COLLINS M H, CHUN K S, DAVID B. Calibration strategies: A source of additional uncertainty in climate change projections., 2012, 93(1): 21-26.

[20] ALLEN R G, PEREIRA L S, RAES D, SMITH M. Crop evapotranspiration-guidelines for computing crop water requirements//Rome: FAO, 1998, 300(9): D5109.

[21] HARGREAVES G H, SAMANI Z A. Reference crop evapotranspiration from temperature., 1985, 1(2): 96-99．

[22] 冯禹, 崔宁博, 龚道枝, 胡笑涛, 张宽地. 利用温度资料和广义回归神经网络模拟参考作物蒸散量. 农业工程学报, 2016, 32(10): 81-89.

FENG Y, CUI N B, GONG D Z, HU X T, ZHANG K D. Modeling reference evapotranspiration by generalized regression neural network combined with temperature data., 2016, 32(10): 81-89. (in Chinese)

[23] ANDREWS D F. A robust method for multiple linear regression., 1974, 16(4): 523-531.

[24] HAMED K H, RAO A R. A modified Mann-Kendall trend test for autocorrelated data., 1998, 204(1/4): 182-196.

[25] 张洪波, 李哲浩, 席秋义, 余荧皓. 基于改进过白化的Mann-Kendall趋势检验法. 水力发电学报, 2018, 37(6): 34-46.

ZHANG H B, LI Z H, XI Q Y, YU Y H. Modified over-whitening process and its application in Mann-Kendall trend tests., 2018, 37(6): 34-46. (in Chinese)

[26] COX D R, STUART A. Some quick sign tests for trend in location and dispersion., 1955, 42(1/2): 80-95.

[27] BEGUERIA S, VCENTEL-SERRANO S M, REIG F. Standardized precipitation evapotranspiration index (SPEI) revisited: parameter fitting, evapotranspiration models, tools, datasets and drought monitoring., 2014, 34(10): 3001-3023.

[28] MA Z G, FU C B. Interannual characteristics of the surface hydrological variables over the arid and semi-arid areas of northern China., 2003, 37: 189-200.

[29] 中国气象科学研究院, 国家气象中心, 中国气象局预测减灾司. 气象干旱等级: GB/T20481—2017. 北京: 中国标准出版社, 2017．

Chinese Academy of Meteorological Sciences, National Meteorological Centre, Division of Prediction and Disaster Reduction, China Meteorological Administration. Grades of meteorological drought: GB/T 20481—2017. Beijing: Standards Press of China, 2017. (in Chinese)

[30] 周丹, 张勃, 任培贵, 张春玲, 杨尚武, 季定民. 基于标准化降水蒸散指数的陕西省近50a干旱特征分析. 自然资源学报, 2014, 29(4): 677-688.

ZHOU D, ZHANG B, REN P G, ZHANG C L, YANG S W, JI D M. Analysis of drought characteristics of Shaanxi Province in recent 50 years based on standardized precipitation evapotranspiration index., 2014, 29(4): 677-688. (in Chinese)

[31] 高峰, 蔡万园, 张玉虎, 雷晓辉, 夏富强. 5种CMIP5模拟降水数据在中国的适用性评估. 水土保持研究, 2017(6): 123-130.

GAO F, CAI W Y, ZHANG Y H, LEI X H, XIA F Q. Evaluation on the applicability of 5 kinds of CMIP5 simulated precipitation data in China., 2017(6): 123-130.

[32] 吴迪, 张海涛, 何斌, 王全九, 周蓓蓓. 基于模糊聚类循环迭代模型的陕西省农业干旱风险评估与区划. 干旱地区农业研究, 2018, 36(5): 230-241.

WU D, ZHANG H T, HE B, WANG Q J, ZHOU P P. Assessment and zoning of agriculture drought risk based on fuzzy clustering iterative model in Shaanxi., 2018, 36(5): 230-241. (in Chinese)

[33] HOOGENBOOM G, SOLER C M T, SENTELHAS P C. Application of the CSM-CERES-Maize model for planting date evaluation and yield forecasting for maize grown off-season in a subtropical environment.2007, 27(2): 165-177.

[34] 徐芳平. 关中平原冬小麦—夏玉米轮作系统生长模拟及灌溉施肥制度优化研究[D]. 杨凌: 西北农林科技大学, 2018.

XU F P. Research on growth simulation of winter wheat-summer maize rotation system and optimization of the irrigation and fertilization system in the Guanzhong Plain[D]. Yangling: Northwest A&F University, 2018. (in Chinese)

[35] LIU X F, PAN Y Z, ZHU X F, YANG T T, BAI J J, SUN Z L. Drought evolution and its impact on the crop yield in the North China Plain., 2018, 564: 984-996.

[36] 成林, 刘荣花, 马志红. 增温对河南省冬小麦产量的影响分析. 中国生态农业学报, 2011(4): 854-859.

CHENG L, LIU R H, MA Z H. Influence of global warming on winter wheat yield in Henan Province., 2011(4): 854-859.

[37] PEÑA-GALLARDO M, VICENTE-SERRANO S M, QUIRING S, SVOBODA M, HANNAFORD J, TOMAS-BURGUERA M, MARTÍN- HERNÁNDEZ N, DOMÍNGUEZ-CASTRO F, EL K A. Response of crop yield to different time-scales of drought in the United States: Spatio-temporal patterns and climatic and environmental drivers., 2019, 264: 40-55.

[38] 莫兴国, 胡实, 卢洪健, 林忠辉, 刘苏峡. GCM预测情景下中国21世纪干旱演变趋势分析. 自然资源学报, 2018(7): 1245-1255.

MO X G, HU S, LU H J, LIN Z H, LIU S X. Drought trends over the terrestrial China in the 21st century in climate change scenarios with ensemble GCM projections., 2018(7): 1245-1255. (in Chinese)

Analysis of Drought Characteristics and Its Trend Change in Shaanxi Province Based on SPEI and MI

DING YiBo1, XU JiaTun1,2,3, Li Liang1,2,3, Cai HuanJie1,2,3, Sun YaNan1,2,3

(1Key Laboratory for Agricultural Soil and Water Engineering in Arid Area of Ministry of Education, Northwest A&F University, Yangling 712100, Shaanxi;2Institute of Water Saving Agriculture in Arid Areas of China, Northwest A&F University, Yangling 712100, Shaanxi;3College of Water Resources and Architectural Engineering, Northwest A&F University, Yangling 712100, Shaanxi)

【】At present, most drought studies were based on historical drought events to analyze the causes and trends. This paper sought to simulate the drought index method when outputting future meteorological data based on CMIP5 model, and explored the characteristics of past and future drought changes in Shaanxi Province, which could provide a basis for the future management of agricultural water resources in Shaanxi Province. 【】Based on the historical data of 18 meteorological stations in Shaanxi Province and CMIP5 model, the future meteorological data were output. The reference crop evapotranspiration (ET0) was simulated by comparing three kinds of models. The standard precipitation evaporation index (SPEI) and relative moisture index (MI) were calculated based on the reference crop ET0and precipitation data to reflect the drought degree. The spatial and temporal characteristics of drought in the past (1958-2017) and in the future (2018-2100) were compared.【】Multiple linear regression (MLR) simulation could accurately predict the reference crop ET0(RMSE=0.457 mm·d-1). In the RCP2.6 and RCP8.5 scenarios, the future drought index showed an upward trend. Under the RCP8.5 scenario, there was a sudden change in the drought index in the 1940s. The degree of drought would decrease in the future of Shaanxi Province, and the distribution of drought would be more uneven during the year. In the future, the degree of drought would decrease during summer maize growth season, and the degree of drought would increase during winter wheat growth season.【】The characteristics and extent of drought change were different under different RCP scenarios. The changes in drought characteristics reflected by SPEI and MI were basically the same, but there were differences in the changes in some time periods. In order to effectively cope with the negative impact of climate change on dry crop yields, it was necessary to enhance soil water storage and conservation capacity, especially to strengthen drought resistance during the winter wheat growing season.

Standard Precipitation Evaporation Index (SPEI); Relative Moisture Index (MI); evapotranspiration(ET0); multiple regression; neural network; Representative Concentration Pathways (RCP); Mann-Kendall trend test; Shaanxi Province