基于1961—2100年SPI和SPEI的云南省干旱特征評估

劉小剛 冷險險 孫光照 彭有亮 黃一峰 楊啟良

(昆明理工大學現代農業工程學院， 昆明 650500)

0 引言

干旱是一個緩慢發展且持續時間長的極端氣候事件，目前預測的可能性較低。在不斷變化的氣候中，干旱已成為全球性問題。云南省是中國和世界少有的“氣候王國”，形成云南省干旱災害的主要原因是季風氣候的影響[1]。近年來，在全球氣候變化大背景下，特殊的地理環境以及地形使得云南省氣候與生態環境的演變存在特殊性，表現出氣溫升高、降雨日數減少、極端氣候事件增多等氣候響應[2]，而干旱尤為突出。特別是在2009—2012年間，云南省出現史無前例的連年干旱，對農業生產、生態環境和經濟社會造成巨大影響。因此，研究干旱的發生規律和變化特征，對于云南省適應氣候變化以及防災減災決策具有重要的意義[3]。彭貴芬等[4]分析了云南地區干旱氣候特征，認為云南地區春末夏初最易發生干旱，且干旱持續時間和強度均呈加重趨勢。由于干旱成因復雜，易受人類活動影響，目前普遍使用干旱指數來描述干旱現象[5]。其中，常用于干旱預測、預報的干旱指數有PALMER[6]提出的帕爾默干旱強度指數，MCKEE等[7]提出的標準化降水指數(SPI)，曹永強等[8]、李樹巖等[9]和張調風等[10]提出的綜合氣象干旱指數(CI)，以及VICENTE-SERRANO等[11]提出的標準化降水蒸發指數(SPEI)等。目前干旱指數研究基本集中在利用歷史氣象資料進行預報、預測，如趙平偉等[12]基于SPEI和SPI指數對滇西南地區1961—2013年的氣象數據進行季節連旱分析，黃中艷等[13]基于若干干旱指標對云南省2009—2010年進行農業干旱監測評估適用性分析，張雷等[3]基于1961—2010年氣象資料對云南省的干旱變化特征進行分析。其中，也有利用國際耦合模式比較計劃第 5 階段(CMIP5)全球氣候模式輸出的氣象數據對干旱變化的模擬分析，如WANG等[14]基于CMIP5模式對西南地區進行干旱評估，張冰等[15]利用CMIP5輸出的未來氣象數據對中國地區干旱變化模擬能力評估。少有研究將政府間氣候變化專門委員會(IPCC)上公布的CMIP5模式輸出的未來氣象預測數據[16]結合SPI和SPEI指數進行系統研究。

考慮代表性濃度路徑(RCPs)情景，使用一般循環模型(GCM)模擬未來氣候數據，在最近研究中得到大量應用。RCPs可分為RCP 8.5(高排放)、RCP 6.0(中高排放)、RCP 4.5(中低排放)和RCP 2.6(低排放)，這些數字(單位：W/m2)表示到2100年輻射強迫的水平。其中RCP 4.5是由美國太平洋西北國家實驗室開發，發現2100年后，輻射強迫開始穩定，與未來溫室氣體排放量相一致，比較符合未來較低的能源強度、減少農田和草地使用、嚴格的氣候政策、穩定的甲烷排放，以及符合在2040年預期排放量下降之前CO2排放量略有增加[17]。IPCC公布的一般循環模型(GCM)下包括多個氣候模型，其中張武龍等[18]研究了在RCP 4.5情景下各模型(CMIP5模式)對我國西南地區干濕季降水的模擬和預估，發現無論是在干季或濕季，其中HadGEM2-ES模型下對西南地區降水的模擬效果較優。

本研究將運用GCM中HadGEM2-ES模型在中等代表性濃度路徑(RCP 4.5)情景下輸出的2011—2100年氣象數據(即CMIP5模式輸出的未來氣象數據)，結合SPI和SPEI指數評估未來氣候變化對云南省短期和中長期干旱的影響。計算多個時間尺度(1、3、6、12、24個月)的SPI和SPEI，分析季節性SPI和SPEI的統計值，利用條件概率分析SPI和SPEI之間的關系，運用非超越概率分析季節性SPI和SPEI，以及應用游程理論分析研究區域內的干旱烈度、干旱歷時和干旱強度，以評估未來氣候變化對云南省干旱特征的影響，旨在為云南省未來干旱演變預測提供一定的科學參考。

1 材料與方法

1.1 研究區域

云南省(20°8′32″～29°15′8″N，97°31′39″～106°11′47″E)地處中國西南邊疆，是一個高原山區省份，北回歸線橫貫南部，屬低緯度的內陸地區。全省總面積3.94×105km2，占全國陸地面積的4.1%。云南省氣候基本屬于亞熱帶高原季風型，立體氣候特點顯著，類型眾多、年溫差小、日溫差大、干濕季節分明。各地年平均降水量560～2 300 mm，年平均氣溫6.9～27.1℃，濕季在5—10月，降水量約占全年85%，干季在11月—次年4月，降水量約占全年15%。其中，云南省氣象站點分布及干旱預測選取氣象站點(根據《中國氣象災害大典》(云南卷)[1]中的輕旱災區、中等旱災區和重旱災區3個干旱災區，其中輕旱災區主要有潞西、臨滄、思茅和景洪，中等旱災區主要有昆明、玉溪、曲靖、文山和保山，重旱災區主要有蒙自、楚雄、麗江、昭通和中甸)。由于部分站點歷史氣象數據有所缺失，因此本研究對每個干旱災區選取兩個氣象站點進行數據處理，以代表云南省分析其干旱特征，選取氣象站點空間分布見圖1，選取氣象站點信息見表1。

圖1 云南省內氣象站點分布Fig.1 Distribution of meteorological stations in Yunnan Province

1.2 數據來源與處理

本研究所用的數據主要有氣象站數據與GCM數據。

表1 氣象站點信息Tab.1 Meteorological stations information

實測氣象站數據。選取了研究區內6個氣象站點(楚雄、昆明、臨滄、蒙自、思茅和玉溪站)1961—2010年的逐日氣象觀測數據，數據由中國氣象資料共享服務網提供。

GCM數據。來源于PCMDI提供的IPCC AR5(CMIP5)中HadGEM2-ES模型RCP 4.5情景下輸出的1961—2010年和2011—2100年逐月平均降水數據和氣溫數據，將數據統一雙線性插值至對應站點輸出氣象數據，并對得到的數據進行修正，得到各站點修正后的氣象數據，修正公式[19]為

(1)

μ0——觀測數據均值

μm——模擬數據均值

σ0——觀測數據標準差

σm——模擬數據標準差

1.3 研究方法

1.3.1SPI指數計算方法

SPI指數是MCKEE等[7]在評估美國科羅拉多州干旱狀況時提出的，是表征某時段降水量出現概率的指標之一。假定降水量變化服從Gamma分布，在計算出某一時段的Γ分布概率后，進行正態標準化處理，最終以標準化降水累積頻率分布來劃分干旱等級[20]，可對不同時段內降水量缺乏程度進行定量化表征。SPI指數的構建過程如下：

假定某一時段降水量為x，其Γ分布的概率密度函數為

(2)

式中β——尺度參數γ——形狀參數

其中β和γ可用極大似然估計法求得，即

(3)

(4)

(5)

式中xi——降水資料樣本

n——計算序列長度

確定相關參數后，對于某一年降水量x0，可以求出隨機變量x小于x0事件的概率

(6)

F(x=0)=m/n′

(7)

式中m——降水量為0的樣本

n′——總樣本數

對Γ分布概率進行正態標準化處理，式(6)和式(7)求得概率值代入標準化正態分布函數中，可得

(8)

將式(8)近似求解得

(9)

(10)

式中F——與Γ函數相關的降水分布概率

S——概率密度正負系數

c0、c1、c2、d1、d2、d3——分布函數轉換為累積頻率簡化近似求解公式的計算參數

SPI——SPI指數

當F>0.5時，S=1；F≤0.5時，S=-1。c0=2.515 517、c1=0.802 853、c2=0.010 328、d1=1.432 788、d2=0.189 269、d3=0.001 308。

1.3.2SPEI指數計算方法

SPEI指數是VICENTE-SERRANO等[11,21]提出的計算方法，在SPI的基礎上，以簡單水循環為支撐，考慮蒸散發對水分通量的影響。SPEI計算原理是用水分虧缺量(月降水量與月潛在蒸散發量之差)取代SPI計算中的月降水量[22]，且SPEI基于log-logistic分布的頻率值。SPEI指數計算方法為

Di=Pi-PETi

(11)

(12)

(13)

(14)

λ=6.75×10-7I3-7.71×10-5I2+
1.79×10-2I+0.492

(15)

式中Pi——月降水量，mm

Di——月水分虧缺量，mm

i——月數K——修正系數

PETi——月潛在蒸散發量，mm

T——月平均氣溫，℃

I——年熱量指數λ——常數

N——最大日照時數，h

NDM——一個月的天數，d

根據log-logistic概率分布函數計算水分虧缺量的概率分布

(16)

(17)

(18)

(19)

(20)

式中α——位置參數

ω0、ω1、ω2——概率權重

Xl——累計水分虧缺量，l取1,2,…,n

log-logistic概率分布函數為

(21)

對F(x)進行正態標準化處理。令f=1-F(x)，則

(22)

式中SPEI——SPEI指數

SPI和SPEI具有多時間尺度的特征，計算1、3、6、12、24個月5個時間尺度的SPI值和SPEI值，分別用SPI(1)、SPI(3)、SPI(6)、SPI(12)、SPI(24)、SPEI(1)、SPEI(3)、SPEI(6)、SPEI(12)和SPEI(24)表示。

根據中國氣象局制定的SPI和SPEI干旱等級劃分標準[23]，將SPI和SPEI劃分為5個等級，分別為無旱、輕微干旱、中等干旱、嚴重干旱和極端干旱，見表2。

表2 SPI和SPEI干旱等級劃分Tab.2 Drought grade classification based on SPI and SPEI

1.3.3游程理論

干旱特征包括各種干旱條件，如持續時間，烈度和強度。YEVJEVICH[24]提出運用游程理論來表征干旱特征，游程理論是指持續出現的同類事件，在其前和其后為另外的事件[25]，本研究基于SPI和SPEI指數運用游程理論分析干旱特征。

圖2 給定閾值游程理論的干旱特征Fig.2 Drought characteristics using runs theory for a given threshold level

對于給定閾值運用游程理論來表征干旱特征(+R和-R代表干旱指標值)，見圖2。游程被定義為干旱變量時間序列中的一部分，其中所有的值均低于或高于所選擇的閾值，也稱為負或正游程[26]。不同閾值的干旱歷時、干旱烈度和干旱強度的各種統計指標能較好地描述干旱特征。干旱歷時是指干旱過程從開始至結束所持續的時間，可用年、月、周或者其他時間段進行表示，且在此期間干旱指標值均低于臨界水平[17]；干旱烈度是指干旱過程中干旱指標值與干旱閾值之差的累積和；干旱強度是指干旱指標值低于閾值水平的均值，其值等于干旱烈度除以干旱歷時。本研究使用1961—2100年的SPI和SPEI值和游程理論估算干旱歷時、干旱烈度和干旱強度。

2 結果與分析

2.1 多時間尺度SPI和SPEI計算

用1961—2010年的觀測氣象數據和基于RCP 4.5情景下2011—2100年的模擬氣象數據，計算得到SPI和SPEI多時間尺度的序列值變化(圖3)。不同時間尺度的SPI和SPEI值隨時間變化的敏感性明顯不同，時間尺度越小，干濕變化越顯著。反之，時間尺度越大則干濕交替越平緩。相比于2011年以后，2011年以前多時間尺度的SPI值不斷減小；然而，SPEI的最小值卻在很遠的未來。在同樣氣候條件下，SPI和SPEI結果卻產生了差異。因此，需要分析這種差異來源，以便處理未來干旱狀況。本研究運用條件概率來分析SPI和SPEI，條件概率是指給定事件A在另一個事件B已經發生條件下的發生概率，表示為P(A|B)。

由于1961—2010年氣象數據采用歷史數據，2010年以后采用模擬數據，為更好研究歷史數據與模擬數據對干旱特征影響的狀況，本研究將1961—2100年共140 a分為4個時段(每個時段為35 a)，并對各時段的1、3、6、12、24個月5個時間尺度的SPI和SPEI值進行條件概率計算，見表3。將-1.0作為SPI和SPEI干旱條件的閾值。因此，假定干旱事件(A和B)的概率為SPI(小于等于-1.0)和SPEI(小于等于-1.0)，同時計算了在SPEI(小于等于-1.0)(或SPI)已經發生條件下SPI(小于等于-1.0)(或SPEI)的條件概率，分析氣候變化對SPI和SPEI的影響。

圖3 1961—2100年不同時間尺度的SPI和SPEI變化Fig.3 Changes of SPI and SPEI on different timescales from 1961 to 2100

表3 多時間尺度SPI和SPEI的條件概率Tab.3 Conditional probability of multiple timescale SPI and SPEI

注：A代表SPI小于等于-1.0的干旱事件，B代表SPEI小于等于-1.0的干旱事件。

在1961—1995年SPEI(1) 小于等于-1.0條件下，SPI(1) 小于等于-1.0的概率為P(A|B)=0.89；在1961—1995年SPI(1) 小于等于-1.0條件下，SPEI(1) 小于等于-1.0的概率為P(B|A)=0.87。表明在SPEI確定干旱的條件下，SPI的結果與SPEI確定的結果相差較小。同理，在SPI確定干旱的條件下，SPEI的結果與SPI確定的結果也相差較小。表明在相同歷史時期，SPI和SPEI能相互確定對方的干旱情況。但在1996—2030年、2031—2065年、2066—2100年，1個月時間尺度的SPI和SPEI的條件概率卻發生了變化，P(A|B)隨著時間的推移逐漸變小，而P(B|A)隨著時間的推移卻逐漸增大，即從1996—2030年時間段后，SPEI可以檢測出在同一時期內SPI確定的干旱狀況。1個月時間尺度SPI和SPEI在2031—2065年的P(A|B)為0.44，在2066—2100年降到了0.30。而P(B|A)在未來卻正好相反，對于1個月時間尺度的SPI和SPEI，P(B|A)到2066—2100年增加到了0.97，表明未來的氣候變化使SPI和SPEI的關系顛倒。

2.2 季節性SPI和SPEI的短、中期干旱分析

上述將1961—2100年整個時期分為4個時段，對應的時間段為1961—1995年、1996—2030年、2031—2065年和2066—2100年。對每個時段內SPI和SPEI值按月份進行處理，各個月SPI和SPEI值為時段內該月多年平均值(圖4和圖5)。對于SPI(1)在1961—1995年除了1、3、5、7月，其他月份的SPI均大于0，但在1996—2030年從6月到10月有較明顯的減小。表明在1996—2030年，由于氣候的變化，月降水量在減少，每年從6月到10月期間的干旱情況變得更嚴峻。與1961—1995年和1996—2030年時段相比，2031—2065年的SPI(1)從6月到10月減小更加顯著，但在1月到5月期間及11月和12月，SPI(1)均大于0。在2066—2100年，從5月開始減小，持續到10月停止，其中7月、8月和9月干旱情況非常明顯，而其他月份SPI(1)均大于0，2066—2100年年均SPI(1)為0.03，相比于2031—2065年的0.09，小了0.06，表明2066—2100年出現干旱次數比2031—2065年多。根據SPI(1)、SPI(3)和SPI(6)的結果表明，在2031—2065年和2066—2100年，干濕季分明，干季集中在1—5月及11月和12月，干季集中在6—10月。在2031—2065年年均SPI(3)為0.11，SPI(3)最小值出現在8月(-0.76)；在2066—2100年年均SPI(3)為-0.01，SPI(3)最小值出現在10月(-0.78)。此外，在2031—2065年年均SPI(6)減小到0.09，在1月和9—12月各月值均小于0，最小值出現在11月(-0.75)；2066—2100年年均SPI(6)為-0.11，SPI(6)為負值主要出現在1月和7—12月，相比2031—2065年的9—12月提前了兩個月。表明與短期干旱相比，氣候變化對中期干旱影響更顯著。

圖4 多時間尺度SPI各時段均值Fig.4 Mean SPI on multiple timescales for each period

圖5 多時間尺度SPEI各時段均值Fig.5 Mean SPEI on multiple timescales for each period

SPEI與SPI在各個時段內所反映的值有所不同。從1961—1995年時段到1996—2030年時段年均SPEI(1)明顯減小，如1961—1995年11月平均SPEI(1)為0.22，到了1996—2030年11月平均SPEI(1)減小到-0.31。減小趨勢最大出現在晚秋和冬季。氣候變化導致的干旱對秋冬季作物會有一定的影響。此外，SPEI(1)減小最大出現在2066—2100年7—12月，表明在未來幾乎整個夏、秋和初冬季干旱均較為嚴重。對于SPEI(3)和SPEI(6)的中期干旱，表明平均SPEI減小趨勢較SPEI(1)更明顯，如1996—2030年SPEI(1)的年均值為-0.16，而SPEI(3)和SPEI(6)在1996—2030年年均值分別為-0.19和-0.21。2066—2100年平均SPEI(6)減小到-0.65，是SPEI(1)、SPEI(3)和SPEI(6)中最小的，且最小的SPI值和SPEI值均出現在2066—2100年秋季。兩個干旱指數表明，在未來中期干旱情況比短期干旱情況更加嚴重。

2.3 季節性SPI與SPEI的非超越概率分析

計算各季節的SPI、SPEI和1、3、6、12、24個月的SPI與SPEI累積值，由此計算各季節干旱指數小于等于-1.0的非超越概率，見表4。當SPI小于等于-1.0時，在1961—1995年冬季SPI(1)的非超越概率為7.1%，SPI(6)非超越概率減小到3.4%，而SPI(12)和SPI(24)分別增加到8.3%和7.5%；除了1961—1995年夏季外，SPI(6) 小于等于-1.0的非超越概率均小于SPI(1) 小于等于-1.0的非超越概率。1961—1995年夏季的SPI(3)小于等于-1.0非超越概率為9.5%，2031—2065年增加至13.8%，到2066—2100年(11.4%)稍有減少。1961—1995年秋季SPI(6) 小于等于-1.0的非超越概率為5.7%，至2031—2065年增大到15.7%，2066—2100年較2031—2065年則下降了0.5個百分點。對于長期干旱指數SPI(12)和SPI(24)，1961年至2030年間各季節干旱情況在增加，1996年到2065年間各季節的非超越概率均減小，至2100年各季節SPI(12) 小于等于-1.0與SPI(24) 小于等于-1.0均在增加。結果表明，氣候變化在夏、秋和冬季3個季節對中長期干旱的影響大于對短期干旱的影響；而在春季，除了1996—2030年，其他年份的SPI(6)小于等于-1.0的非超越概率均小于SPI(1)小于等于-1.0的非超越概率，意味著氣候變化使春季短期干旱的影響較中長期干旱更顯著。

表4 多時間尺度SPI和SPEI小于等于-1.0的非超越概率Tab.4 Non-exceedance probability of multiple timescales SPI and SPEI below and equal to -1.0 %

1961—1995年和2066—2100年冬季，SPEI(6) 小于等于-1.0的非超越概率從4.4%增加到21.4%，而SPI僅增加到8.7%。在1961—1995年春季，SPEI(1) 小于等于-1.0的非超越概率為9.0%，1996—2030年以后趨勢為先增加后減小再增加的過程，至2066—2100年時段達到14.8%。1961—1995年和2066—2100年夏季，SPEI(1)小于等于-1.0的非超越概率分別為8.1%和15.2%。夏季的SPEI(1)和SPEI(6)的非超越概率與SPI(1)和SPI(6)的具有一定差異，SPEI在1961—1995年有更小的非超越概率，SPI則在2066—2100年達到最小值。當SPEI(12)和SPEI(24) 小于等于-1.0，1978—2083年的非超越概率變化趨勢為先增大后減小再增大的過程。SPEI小于等于-1.0的最大非超越概率為26.2%(SPEI(12)，2066—2100年冬季)，比SPEI(1)和SPEI(6)都大。表明氣候變化在1978—2083年冬季和夏季造成嚴重干旱，且中長期干旱嚴重程度在整個冬季和夏季尤為明顯。

2.4 游程理論干旱特征分析

在氣候變化情況下，運用游程理論分析多時間尺度的SPI和SPEI的干旱烈度、歷時和強度(表5)。干旱特征閾值選用SPI等于-1.0和SPEI等于-1.0(據表2確定)。隨著氣候變化SPI(1)、SPI(3)和SPI(6)的干旱烈度在1961—2100年逐漸減小，而SPEI(1)、SPEI(3)和SPEI(6)的干旱烈度卻在增加；對于SPI(12)和SPI(24)的干旱烈度隨時間變化趨勢為先增大后減小再增大，SPEI(12)干旱烈度隨時間變化趨勢為逐漸增大，而SPEI(24)的干旱烈度隨時間變化為先增大后減小再增大。SPI(6)的干旱烈度均大于SPI(1)的干旱烈度，SPI(12)的干旱烈度除了1961—1995年外均大于SPI(6)的；SPEI(6)干旱烈度在1996—2030年和2066—2100年大于SPI(1)的干旱烈度，其余均小于SPI(1)的，SPEI(12)的干旱烈度除了1961—1995年外均大于SPEI(6)的干旱烈度。SPI表明1個月干旱烈度的表現基本優于其他月份的干旱烈度，SPEI則是3個月干旱烈度的表現基本優于其他月份的干旱烈度。在2066—2100年SPEI(1)的干旱烈度約為1961—1995年干旱烈度的2.15倍，而SPEI(24)的干旱烈度約為1961—1995年干旱烈度的4.91倍。因此在未來氣候變化會造成更嚴重和更頻繁的干旱狀況。SPI干旱強度基本在減小，而SPEI干旱強度基本在增大。1961—1995年SPI(1) 小于等于-1.0的干旱歷時為67月，到2066—2100年減小至39月，而SPI(6) 小于等于-1.0和SPI(24)小于等于-1.0的結果卻恰好相反，SPI(6)干旱歷時從55月增加到66月，SPI(24)干旱歷時從59月增加到了109月，而各個時間尺度SPEI小于等于-1.0干旱歷時從1961—1995年時段至2066—2100年時段逐漸增加。結果表明，中長期干旱特征比短期干旱特征更顯著，但SPI和SPEI得到的結果在某些方面并不一致，可能原因是影響干旱特征本身的氣象因素較多，SPI僅考慮了降水來確定干旱狀況，而SPEI考慮了降水和氣溫因素來確定干旱狀況，其結果精確性較SPI更高，且氣候變化是多氣象因素的變化，因此導致SPI與SPEI輸出的結果出現差異。

表5 多時間尺度SPI與SPEI的干旱烈度、歷時和強度Tab.5 Drought severity, duration and intensity of multiple-timescales SPI and SPEI

基于干旱烈度、干旱歷時和干旱強度對云南省干旱特征分析，再結合上述結果可知SPEI更具代表性，SPEI表明從1961—1995年到2066—2100年云南省干旱狀況在逐漸增加，且未來氣候變化將導致更加嚴重的干旱。其中，短期干旱對于氣候變化更加敏感。與干旱強度相比，SPEI(12)在1961—1995年的干旱強度與2066—2100年的僅相差0.02，SPI(12)之間僅相差0.01，再綜合SPI和SPEI干旱強度數據表明，中長期干旱與短期干旱均受氣候變化影響。

3 討論

氣候變化可認定為嚴重影響未來干旱的因素。因作物易受到干旱的影響，干旱特征變化可能是災難性的。由于SPI和SPEI可消除降水的時空差異，對干旱變化反應敏感，能很好地反映不同區域和時段的干旱狀況[27]。因此，本研究用標準化降水指數(SPI)和標準化降水蒸散指數(SPEI)進行分析。目前大部分研究都是基于歷史氣象數據利用SPI和SPEI等干旱指數進行干旱評估及預測，也有部分研究是基于CMIP5模式輸出的降水和氣溫數據對未來干旱評估及預測，其中少有研究將CMIP5模式輸出的未來氣象預測數據結合SPI和SPEI指數進行系統研究。本研究利用CMIP5模式輸出的未來氣象數據計算多個時間尺度的SPI和SPEI。分析季節性SPI和SPEI的統計值，運用條件概率分析SPI和SPEI之間的關系和非超越概率分析季節性SPI和SPEI，并運用游程理論分析研究區域內的干旱烈度、干旱歷時和干旱強度，以評估未來氣候變化對云南省干旱特征的影響。

經SPI指數的非超越概率分析，夏季、秋季和冬季的中長期干旱將比氣候變化導致的短期干旱更嚴重，春季期間的中長期干旱受氣候變化的影響要小于短期干旱；經SPEI非超越概率分析，氣候變化可能導致從1961—1995年和2066—2100年夏季和冬季出現嚴重干旱，1996—2030年所有時期的春季和冬季的中期嚴重干旱可能會惡化，這與趙平偉等[12]研究的SPEI及SPI指數在滇西南地區干旱演變中的時空變化趨勢基本一致。采用游程理論分析干旱特征，由于1961—1995年時段到2066—2100年時段的氣候變化，SPI表明1個月的干旱烈度基本優于其他月份的干旱烈度；SPEI則是3個月的干旱烈度基本優于其他月份的干旱烈度，SPEI(24)的干旱烈度約為1961—1995年干旱烈度的4.91倍，長期干旱嚴重程度在加劇，氣候變化引起更嚴重、更頻繁和更長持續時間的干旱。

云南省干濕變化表現為5a左右的振蕩周期，且未來幾年云南省地區仍表現為干周期[3]，并有長達4—6月的跨季節性嚴重持續干旱[13]。在全球變暖背景下，云南省雨季有氣候變干的趨勢，干季多區域呈干旱略加強趨勢[28]，本研究發現氣候變化引起嚴重和長歷時的干旱，這與左冬冬等[29]運用游程理論分析中國西南地區歷史數據干旱特征變化趨勢的結果基本一致。云南省干旱災害出現頻繁、持續時間長，其分布具有一致性的特點，干旱出現的時段主要出現在冬、春及初夏季，嚴重時則會出現冬春初夏連旱，而近年來秋季干旱呈頻發之勢[30]，這是由于當每年10月以后干季到來時，中緯度的西風帶天氣系統逐漸南伸擴展，青藏高原南部的南支西風氣流建立并開始影響與控制云南省上空，強勁的西風氣流切斷了南部水汽的來源，形成了少雨、干旱的大氣環流背景[1, 30-35]，與上述季節性干旱結果基本一致。

本研究結果對云南省干旱預測、評估及其風險管理和應用決策具有指導性和實用性，可為未來旱作農業生態管理提供一定的依據。但由于SPI和SPEI僅是氣象干旱指標，研究區域的SPI和SPEI值是各氣象站點SPI和SPEI值的平均，可能會降低氣象站點之間的空間差異性，同時未來氣象數據也是由模型模擬得到，致使數據本身具有一定的誤差，因此用它們評估及預測干旱可能發生時間和嚴重程度上存在一定差距，故需要考慮空間的差異性和提高未來氣象數據模型模擬精度以進一步對干旱事件提供更加精確的預測，為今后研究的重要內容。

4 結論

(1)SPI和SPEI指數表明，未來云南省中期干旱狀況將比短期干旱更加嚴重。根據SPI小于等于-1.0的非超越概率，夏季、秋季和冬季的中長期干旱將比氣候變化導致的短期干旱更嚴重。但春季期間的中長期干旱受氣候變化的影響要小于短期干旱；根據SPEI小于等于-1.0的非超越概率，1961—1995年時段冬季SPEI(1)的非超越概率為5.2%，但在2066—2100年時段增加到18.4%；SPEI(6)的非超越概率從4.4%增加到21.4%，SPEI(24)的從7.0%增加到25.7%。這說明由于氣候變化，未來有可能發生嚴重干旱，且中長期干旱比短期干旱更嚴重。結合夏季SPEI的非超越概率分析可知，氣候變化可能導致1961—1995年和2066—2100年夏季和冬季出現嚴重干旱。

(2)2066—2100年時段SPEI(24)的干旱烈度約為1961—1995年時段干旱烈度的4.91倍，長期干旱嚴重程度在加劇。此外，氣候變化除了引起更嚴重和更頻繁的干旱外，還將帶來更長歷時的干旱。SPI在1961—1995年的干旱比2066—2100年預測的要多，而SPEI(1)在1961—1995年的干旱烈度為28.3，到2066—2100年達到60.9，表明氣候變化使未來干旱加劇。SPEI綜合考慮了氣溫和降水因素，其預測干旱狀況更精確；SPI和SPEI結果表明，短期干旱對氣候變化更為敏感，而短期和中期干旱的強度都將受到氣候變化的強烈影響。