基于1961—2100年SPI和SPEI的云南省干旱特征评估

刘小刚 冷险险 孙光照 彭有亮 黄一峰 杨启良

(昆明理工大学现代农业工程学院， 昆明 650500)

0 引言

干旱是一个缓慢发展且持续时间长的极端气候事件，目前预测的可能性较低。在不断变化的气候中，干旱已成为全球性问题。云南省是中国和世界少有的“气候王国”，形成云南省干旱灾害的主要原因是季风气候的影响[1]。近年来，在全球气候变化大背景下，特殊的地理环境以及地形使得云南省气候与生态环境的演变存在特殊性，表现出气温升高、降雨日数减少、极端气候事件增多等气候响应[2]，而干旱尤为突出。特别是在2009—2012年间，云南省出现史无前例的连年干旱，对农业生产、生态环境和经济社会造成巨大影响。因此，研究干旱的发生规律和变化特征，对于云南省适应气候变化以及防灾减灾决策具有重要的意义[3]。彭贵芬等[4]分析了云南地区干旱气候特征，认为云南地区春末夏初最易发生干旱，且干旱持续时间和强度均呈加重趋势。由于干旱成因复杂，易受人类活动影响，目前普遍使用干旱指数来描述干旱现象[5]。其中，常用于干旱预测、预报的干旱指数有PALMER[6]提出的帕尔默干旱强度指数，MCKEE等[7]提出的标准化降水指数(SPI)，曹永强等[8]、李树岩等[9]和张调风等[10]提出的综合气象干旱指数(CI)，以及VICENTE-SERRANO等[11]提出的标准化降水蒸发指数(SPEI)等。目前干旱指数研究基本集中在利用历史气象资料进行预报、预测，如赵平伟等[12]基于SPEI和SPI指数对滇西南地区1961—2013年的气象数据进行季节连旱分析，黄中艳等[13]基于若干干旱指标对云南省2009—2010年进行农业干旱监测评估适用性分析，张雷等[3]基于1961—2010年气象资料对云南省的干旱变化特征进行分析。其中，也有利用国际耦合模式比较计划第 5 阶段(CMIP5)全球气候模式输出的气象数据对干旱变化的模拟分析，如WANG等[14]基于CMIP5模式对西南地区进行干旱评估，张冰等[15]利用CMIP5输出的未来气象数据对中国地区干旱变化模拟能力评估。少有研究将政府间气候变化专门委员会(IPCC)上公布的CMIP5模式输出的未来气象预测数据[16]结合SPI和SPEI指数进行系统研究。

考虑代表性浓度路径(RCPs)情景，使用一般循环模型(GCM)模拟未来气候数据，在最近研究中得到大量应用。RCPs可分为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)，这些数字(单位：W/m2)表示到2100年辐射强迫的水平。其中RCP 4.5是由美国太平洋西北国家实验室开发，发现2100年后，辐射强迫开始稳定，与未来温室气体排放量相一致，比较符合未来较低的能源强度、减少农田和草地使用、严格的气候政策、稳定的甲烷排放，以及符合在2040年预期排放量下降之前CO2排放量略有增加[17]。IPCC公布的一般循环模型(GCM)下包括多个气候模型，其中张武龙等[18]研究了在RCP 4.5情景下各模型(CMIP5模式)对我国西南地区干湿季降水的模拟和预估，发现无论是在干季或湿季，其中HadGEM2-ES模型下对西南地区降水的模拟效果较优。

本研究将运用GCM中HadGEM2-ES模型在中等代表性浓度路径(RCP 4.5)情景下输出的2011—2100年气象数据(即CMIP5模式输出的未来气象数据)，结合SPI和SPEI指数评估未来气候变化对云南省短期和中长期干旱的影响。计算多个时间尺度(1、3、6、12、24个月)的SPI和SPEI，分析季节性SPI和SPEI的统计值，利用条件概率分析SPI和SPEI之间的关系，运用非超越概率分析季节性SPI和SPEI，以及应用游程理论分析研究区域内的干旱烈度、干旱历时和干旱强度，以评估未来气候变化对云南省干旱特征的影响，旨在为云南省未来干旱演变预测提供一定的科学参考。

1 材料与方法

1.1 研究区域

云南省(20°8′32″～29°15′8″N，97°31′39″～106°11′47″E)地处中国西南边疆，是一个高原山区省份，北回归线横贯南部，属低纬度的内陆地区。全省总面积3.94×105km2，占全国陆地面积的4.1%。云南省气候基本属于亚热带高原季风型，立体气候特点显著，类型众多、年温差小、日温差大、干湿季节分明。各地年平均降水量560～2 300 mm，年平均气温6.9～27.1℃，湿季在5—10月，降水量约占全年85%，干季在11月—次年4月，降水量约占全年15%。其中，云南省气象站点分布及干旱预测选取气象站点(根据《中国气象灾害大典》(云南卷)[1]中的轻旱灾区、中等旱灾区和重旱灾区3个干旱灾区，其中轻旱灾区主要有潞西、临沧、思茅和景洪，中等旱灾区主要有昆明、玉溪、曲靖、文山和保山，重旱灾区主要有蒙自、楚雄、丽江、昭通和中甸)。由于部分站点历史气象数据有所缺失，因此本研究对每个干旱灾区选取两个气象站点进行数据处理，以代表云南省分析其干旱特征，选取气象站点空间分布见图1，选取气象站点信息见表1。

图1 云南省内气象站点分布Fig.1 Distribution of meteorological stations in Yunnan Province

1.2 数据来源与处理

本研究所用的数据主要有气象站数据与GCM数据。

表1 气象站点信息Tab.1 Meteorological stations information

实测气象站数据。选取了研究区内6个气象站点(楚雄、昆明、临沧、蒙自、思茅和玉溪站)1961—2010年的逐日气象观测数据，数据由中国气象资料共享服务网提供。

GCM数据。来源于PCMDI提供的IPCC AR5(CMIP5)中HadGEM2-ES模型RCP 4.5情景下输出的1961—2010年和2011—2100年逐月平均降水数据和气温数据，将数据统一双线性插值至对应站点输出气象数据，并对得到的数据进行修正，得到各站点修正后的气象数据，修正公式[19]为

(1)

μ0——观测数据均值

μm——模拟数据均值

σ0——观测数据标准差

σm——模拟数据标准差

1.3 研究方法

1.3.1SPI指数计算方法

SPI指数是MCKEE等[7]在评估美国科罗拉多州干旱状况时提出的，是表征某时段降水量出现概率的指标之一。假定降水量变化服从Gamma分布，在计算出某一时段的Γ分布概率后，进行正态标准化处理，最终以标准化降水累积频率分布来划分干旱等级[20]，可对不同时段内降水量缺乏程度进行定量化表征。SPI指数的构建过程如下：

假定某一时段降水量为x，其Γ分布的概率密度函数为

(2)

式中β——尺度参数γ——形状参数

其中β和γ可用极大似然估计法求得，即

(3)

(4)

(5)

式中xi——降水资料样本

n——计算序列长度

确定相关参数后，对于某一年降水量x0，可以求出随机变量x小于x0事件的概率

(6)

F(x=0)=m/n′

(7)

式中m——降水量为0的样本

n′——总样本数

对Γ分布概率进行正态标准化处理，式(6)和式(7)求得概率值代入标准化正态分布函数中，可得

(8)

将式(8)近似求解得

(9)

(10)

式中F——与Γ函数相关的降水分布概率

S——概率密度正负系数

c0、c1、c2、d1、d2、d3——分布函数转换为累积频率简化近似求解公式的计算参数

SPI——SPI指数

当F>0.5时，S=1；F≤0.5时，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指数计算方法

SPEI指数是VICENTE-SERRANO等[11,21]提出的计算方法，在SPI的基础上，以简单水循环为支撑，考虑蒸散发对水分通量的影响。SPEI计算原理是用水分亏缺量(月降水量与月潜在蒸散发量之差)取代SPI计算中的月降水量[22]，且SPEI基于log-logistic分布的频率值。SPEI指数计算方法为

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——月水分亏缺量，mm

i——月数K——修正系数

PETi——月潜在蒸散发量，mm

T——月平均气温，℃

I——年热量指数λ——常数

N——最大日照时数，h

NDM——一个月的天数，d

根据log-logistic概率分布函数计算水分亏缺量的概率分布

(16)

(17)

(18)

(19)

(20)

式中α——位置参数

ω0、ω1、ω2——概率权重

Xl——累计水分亏缺量，l取1,2,…,n

log-logistic概率分布函数为

(21)

对F(x)进行正态标准化处理。令f=1-F(x)，则

(22)

式中SPEI——SPEI指数

SPI和SPEI具有多时间尺度的特征，计算1、3、6、12、24个月5个时间尺度的SPI值和SPEI值，分别用SPI(1)、SPI(3)、SPI(6)、SPI(12)、SPI(24)、SPEI(1)、SPEI(3)、SPEI(6)、SPEI(12)和SPEI(24)表示。

根据中国气象局制定的SPI和SPEI干旱等级划分标准[23]，将SPI和SPEI划分为5个等级，分别为无旱、轻微干旱、中等干旱、严重干旱和极端干旱，见表2。

表2 SPI和SPEI干旱等级划分Tab.2 Drought grade classification based on SPI and SPEI

1.3.3游程理论

干旱特征包括各种干旱条件，如持续时间，烈度和强度。YEVJEVICH[24]提出运用游程理论来表征干旱特征，游程理论是指持续出现的同类事件，在其前和其后为另外的事件[25]，本研究基于SPI和SPEI指数运用游程理论分析干旱特征。

图2 给定阈值游程理论的干旱特征Fig.2 Drought characteristics using runs theory for a given threshold level

对于给定阈值运用游程理论来表征干旱特征(+R和-R代表干旱指标值)，见图2。游程被定义为干旱变量时间序列中的一部分，其中所有的值均低于或高于所选择的阈值，也称为负或正游程[26]。不同阈值的干旱历时、干旱烈度和干旱强度的各种统计指标能较好地描述干旱特征。干旱历时是指干旱过程从开始至结束所持续的时间，可用年、月、周或者其他时间段进行表示，且在此期间干旱指标值均低于临界水平[17]；干旱烈度是指干旱过程中干旱指标值与干旱阈值之差的累积和；干旱强度是指干旱指标值低于阈值水平的均值，其值等于干旱烈度除以干旱历时。本研究使用1961—2100年的SPI和SPEI值和游程理论估算干旱历时、干旱烈度和干旱强度。

2 结果与分析

2.1 多时间尺度SPI和SPEI计算

用1961—2010年的观测气象数据和基于RCP 4.5情景下2011—2100年的模拟气象数据，计算得到SPI和SPEI多时间尺度的序列值变化(图3)。不同时间尺度的SPI和SPEI值随时间变化的敏感性明显不同，时间尺度越小，干湿变化越显著。反之，时间尺度越大则干湿交替越平缓。相比于2011年以后，2011年以前多时间尺度的SPI值不断减小；然而，SPEI的最小值却在很远的未来。在同样气候条件下，SPI和SPEI结果却产生了差异。因此，需要分析这种差异来源，以便处理未来干旱状况。本研究运用条件概率来分析SPI和SPEI，条件概率是指给定事件A在另一个事件B已经发生条件下的发生概率，表示为P(A|B)。

由于1961—2010年气象数据采用历史数据，2010年以后采用模拟数据，为更好研究历史数据与模拟数据对干旱特征影响的状况，本研究将1961—2100年共140 a分为4个时段(每个时段为35 a)，并对各时段的1、3、6、12、24个月5个时间尺度的SPI和SPEI值进行条件概率计算，见表3。将-1.0作为SPI和SPEI干旱条件的阈值。因此，假定干旱事件(A和B)的概率为SPI(小于等于-1.0)和SPEI(小于等于-1.0)，同时计算了在SPEI(小于等于-1.0)(或SPI)已经发生条件下SPI(小于等于-1.0)(或SPEI)的条件概率，分析气候变化对SPI和SPEI的影响。

图3 1961—2100年不同时间尺度的SPI和SPEI变化Fig.3 Changes of SPI and SPEI on different timescales from 1961 to 2100

表3 多时间尺度SPI和SPEI的条件概率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条件下，SPI(1) 小于等于-1.0的概率为P(A|B)=0.89；在1961—1995年SPI(1) 小于等于-1.0条件下，SPEI(1) 小于等于-1.0的概率为P(B|A)=0.87。表明在SPEI确定干旱的条件下，SPI的结果与SPEI确定的结果相差较小。同理，在SPI确定干旱的条件下，SPEI的结果与SPI确定的结果也相差较小。表明在相同历史时期，SPI和SPEI能相互确定对方的干旱情况。但在1996—2030年、2031—2065年、2066—2100年，1个月时间尺度的SPI和SPEI的条件概率却发生了变化，P(A|B)随着时间的推移逐渐变小，而P(B|A)随着时间的推移却逐渐增大，即从1996—2030年时间段后，SPEI可以检测出在同一时期内SPI确定的干旱状况。1个月时间尺度SPI和SPEI在2031—2065年的P(A|B)为0.44，在2066—2100年降到了0.30。而P(B|A)在未来却正好相反，对于1个月时间尺度的SPI和SPEI，P(B|A)到2066—2100年增加到了0.97，表明未来的气候变化使SPI和SPEI的关系颠倒。

2.2 季节性SPI和SPEI的短、中期干旱分析

上述将1961—2100年整个时期分为4个时段，对应的时间段为1961—1995年、1996—2030年、2031—2065年和2066—2100年。对每个时段内SPI和SPEI值按月份进行处理，各个月SPI和SPEI值为时段内该月多年平均值(图4和图5)。对于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年从6月到10月有较明显的减小。表明在1996—2030年，由于气候的变化，月降水量在减少，每年从6月到10月期间的干旱情况变得更严峻。与1961—1995年和1996—2030年时段相比，2031—2065年的SPI(1)从6月到10月减小更加显著，但在1月到5月期间及11月和12月，SPI(1)均大于0。在2066—2100年，从5月开始减小，持续到10月停止，其中7月、8月和9月干旱情况非常明显，而其他月份SPI(1)均大于0，2066—2100年年均SPI(1)为0.03，相比于2031—2065年的0.09，小了0.06，表明2066—2100年出现干旱次数比2031—2065年多。根据SPI(1)、SPI(3)和SPI(6)的结果表明，在2031—2065年和2066—2100年，干湿季分明，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)为0.11，SPI(3)最小值出现在8月(-0.76)；在2066—2100年年均SPI(3)为-0.01，SPI(3)最小值出现在10月(-0.78)。此外，在2031—2065年年均SPI(6)减小到0.09，在1月和9—12月各月值均小于0，最小值出现在11月(-0.75)；2066—2100年年均SPI(6)为-0.11，SPI(6)为负值主要出现在1月和7—12月，相比2031—2065年的9—12月提前了两个月。表明与短期干旱相比，气候变化对中期干旱影响更显著。

图4 多时间尺度SPI各时段均值Fig.4 Mean SPI on multiple timescales for each period

图5 多时间尺度SPEI各时段均值Fig.5 Mean SPEI on multiple timescales for each period

SPEI与SPI在各个时段内所反映的值有所不同。从1961—1995年时段到1996—2030年时段年均SPEI(1)明显减小，如1961—1995年11月平均SPEI(1)为0.22，到了1996—2030年11月平均SPEI(1)减小到-0.31。减小趋势最大出现在晚秋和冬季。气候变化导致的干旱对秋冬季作物会有一定的影响。此外，SPEI(1)减小最大出现在2066—2100年7—12月，表明在未来几乎整个夏、秋和初冬季干旱均较为严重。对于SPEI(3)和SPEI(6)的中期干旱，表明平均SPEI减小趋势较SPEI(1)更明显，如1996—2030年SPEI(1)的年均值为-0.16，而SPEI(3)和SPEI(6)在1996—2030年年均值分别为-0.19和-0.21。2066—2100年平均SPEI(6)减小到-0.65，是SPEI(1)、SPEI(3)和SPEI(6)中最小的，且最小的SPI值和SPEI值均出现在2066—2100年秋季。两个干旱指数表明，在未来中期干旱情况比短期干旱情况更加严重。

2.3 季节性SPI与SPEI的非超越概率分析

计算各季节的SPI、SPEI和1、3、6、12、24个月的SPI与SPEI累积值，由此计算各季节干旱指数小于等于-1.0的非超越概率，见表4。当SPI小于等于-1.0时，在1961—1995年冬季SPI(1)的非超越概率为7.1%，SPI(6)非超越概率减小到3.4%，而SPI(12)和SPI(24)分别增加到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非超越概率为9.5%，2031—2065年增加至13.8%，到2066—2100年(11.4%)稍有减少。1961—1995年秋季SPI(6) 小于等于-1.0的非超越概率为5.7%，至2031—2065年增大到15.7%，2066—2100年较2031—2065年则下降了0.5个百分点。对于长期干旱指数SPI(12)和SPI(24)，1961年至2030年间各季节干旱情况在增加，1996年到2065年间各季节的非超越概率均减小，至2100年各季节SPI(12) 小于等于-1.0与SPI(24) 小于等于-1.0均在增加。结果表明，气候变化在夏、秋和冬季3个季节对中长期干旱的影响大于对短期干旱的影响；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，意味着气候变化使春季短期干旱的影响较中长期干旱更显著。

表4 多时间尺度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的非超越概率从4.4%增加到21.4%，而SPI仅增加到8.7%。在1961—1995年春季，SPEI(1) 小于等于-1.0的非超越概率为9.0%，1996—2030年以后趋势为先增加后减小再增加的过程，至2066—2100年时段达到14.8%。1961—1995年和2066—2100年夏季，SPEI(1)小于等于-1.0的非超越概率分别为8.1%和15.2%。夏季的SPEI(1)和SPEI(6)的非超越概率与SPI(1)和SPI(6)的具有一定差异，SPEI在1961—1995年有更小的非超越概率，SPI则在2066—2100年达到最小值。当SPEI(12)和SPEI(24) 小于等于-1.0，1978—2083年的非超越概率变化趋势为先增大后减小再增大的过程。SPEI小于等于-1.0的最大非超越概率为26.2%(SPEI(12)，2066—2100年冬季)，比SPEI(1)和SPEI(6)都大。表明气候变化在1978—2083年冬季和夏季造成严重干旱，且中长期干旱严重程度在整个冬季和夏季尤为明显。

2.4 游程理论干旱特征分析

在气候变化情况下，运用游程理论分析多时间尺度的SPI和SPEI的干旱烈度、历时和强度(表5)。干旱特征阈值选用SPI等于-1.0和SPEI等于-1.0(据表2确定)。随着气候变化SPI(1)、SPI(3)和SPI(6)的干旱烈度在1961—2100年逐渐减小，而SPEI(1)、SPEI(3)和SPEI(6)的干旱烈度却在增加；对于SPI(12)和SPI(24)的干旱烈度随时间变化趋势为先增大后减小再增大，SPEI(12)干旱烈度随时间变化趋势为逐渐增大，而SPEI(24)的干旱烈度随时间变化为先增大后减小再增大。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个月干旱烈度的表现基本优于其他月份的干旱烈度，SPEI则是3个月干旱烈度的表现基本优于其他月份的干旱烈度。在2066—2100年SPEI(1)的干旱烈度约为1961—1995年干旱烈度的2.15倍，而SPEI(24)的干旱烈度约为1961—1995年干旱烈度的4.91倍。因此在未来气候变化会造成更严重和更频繁的干旱状况。SPI干旱强度基本在减小，而SPEI干旱强度基本在增大。1961—1995年SPI(1) 小于等于-1.0的干旱历时为67月，到2066—2100年减小至39月，而SPI(6) 小于等于-1.0和SPI(24)小于等于-1.0的结果却恰好相反，SPI(6)干旱历时从55月增加到66月，SPI(24)干旱历时从59月增加到了109月，而各个时间尺度SPEI小于等于-1.0干旱历时从1961—1995年时段至2066—2100年时段逐渐增加。结果表明，中长期干旱特征比短期干旱特征更显著，但SPI和SPEI得到的结果在某些方面并不一致，可能原因是影响干旱特征本身的气象因素较多，SPI仅考虑了降水来确定干旱状况，而SPEI考虑了降水和气温因素来确定干旱状况，其结果精确性较SPI更高，且气候变化是多气象因素的变化，因此导致SPI与SPEI输出的结果出现差异。

表5 多时间尺度SPI与SPEI的干旱烈度、历时和强度Tab.5 Drought severity, duration and intensity of multiple-timescales SPI and SPEI

基于干旱烈度、干旱历时和干旱强度对云南省干旱特征分析，再结合上述结果可知SPEI更具代表性，SPEI表明从1961—1995年到2066—2100年云南省干旱状况在逐渐增加，且未来气候变化将导致更加严重的干旱。其中，短期干旱对于气候变化更加敏感。与干旱强度相比，SPEI(12)在1961—1995年的干旱强度与2066—2100年的仅相差0.02，SPI(12)之间仅相差0.01，再综合SPI和SPEI干旱强度数据表明，中长期干旱与短期干旱均受气候变化影响。

3 讨论

气候变化可认定为严重影响未来干旱的因素。因作物易受到干旱的影响，干旱特征变化可能是灾难性的。由于SPI和SPEI可消除降水的时空差异，对干旱变化反应敏感，能很好地反映不同区域和时段的干旱状况[27]。因此，本研究用标准化降水指数(SPI)和标准化降水蒸散指数(SPEI)进行分析。目前大部分研究都是基于历史气象数据利用SPI和SPEI等干旱指数进行干旱评估及预测，也有部分研究是基于CMIP5模式输出的降水和气温数据对未来干旱评估及预测，其中少有研究将CMIP5模式输出的未来气象预测数据结合SPI和SPEI指数进行系统研究。本研究利用CMIP5模式输出的未来气象数据计算多个时间尺度的SPI和SPEI。分析季节性SPI和SPEI的统计值，运用条件概率分析SPI和SPEI之间的关系和非超越概率分析季节性SPI和SPEI，并运用游程理论分析研究区域内的干旱烈度、干旱历时和干旱强度，以评估未来气候变化对云南省干旱特征的影响。

经SPI指数的非超越概率分析，夏季、秋季和冬季的中长期干旱将比气候变化导致的短期干旱更严重，春季期间的中长期干旱受气候变化的影响要小于短期干旱；经SPEI非超越概率分析，气候变化可能导致从1961—1995年和2066—2100年夏季和冬季出现严重干旱，1996—2030年所有时期的春季和冬季的中期严重干旱可能会恶化，这与赵平伟等[12]研究的SPEI及SPI指数在滇西南地区干旱演变中的时空变化趋势基本一致。采用游程理论分析干旱特征，由于1961—1995年时段到2066—2100年时段的气候变化，SPI表明1个月的干旱烈度基本优于其他月份的干旱烈度；SPEI则是3个月的干旱烈度基本优于其他月份的干旱烈度，SPEI(24)的干旱烈度约为1961—1995年干旱烈度的4.91倍，长期干旱严重程度在加剧，气候变化引起更严重、更频繁和更长持续时间的干旱。

云南省干湿变化表现为5a左右的振荡周期，且未来几年云南省地区仍表现为干周期[3]，并有长达4—6月的跨季节性严重持续干旱[13]。在全球变暖背景下，云南省雨季有气候变干的趋势，干季多区域呈干旱略加强趋势[28]，本研究发现气候变化引起严重和长历时的干旱，这与左冬冬等[29]运用游程理论分析中国西南地区历史数据干旱特征变化趋势的结果基本一致。云南省干旱灾害出现频繁、持续时间长，其分布具有一致性的特点，干旱出现的时段主要出现在冬、春及初夏季，严重时则会出现冬春初夏连旱，而近年来秋季干旱呈频发之势[30]，这是由于当每年10月以后干季到来时，中纬度的西风带天气系统逐渐南伸扩展，青藏高原南部的南支西风气流建立并开始影响与控制云南省上空，强劲的西风气流切断了南部水汽的来源，形成了少雨、干旱的大气环流背景[1, 30-35]，与上述季节性干旱结果基本一致。

本研究结果对云南省干旱预测、评估及其风险管理和应用决策具有指导性和实用性，可为未来旱作农业生态管理提供一定的依据。但由于SPI和SPEI仅是气象干旱指标，研究区域的SPI和SPEI值是各气象站点SPI和SPEI值的平均，可能会降低气象站点之间的空间差异性，同时未来气象数据也是由模型模拟得到，致使数据本身具有一定的误差，因此用它们评估及预测干旱可能发生时间和严重程度上存在一定差距，故需要考虑空间的差异性和提高未来气象数据模型模拟精度以进一步对干旱事件提供更加精确的预测，为今后研究的重要内容。

4 结论

(1)SPI和SPEI指数表明，未来云南省中期干旱状况将比短期干旱更加严重。根据SPI小于等于-1.0的非超越概率，夏季、秋季和冬季的中长期干旱将比气候变化导致的短期干旱更严重。但春季期间的中长期干旱受气候变化的影响要小于短期干旱；根据SPEI小于等于-1.0的非超越概率，1961—1995年时段冬季SPEI(1)的非超越概率为5.2%，但在2066—2100年时段增加到18.4%；SPEI(6)的非超越概率从4.4%增加到21.4%，SPEI(24)的从7.0%增加到25.7%。这说明由于气候变化，未来有可能发生严重干旱，且中长期干旱比短期干旱更严重。结合夏季SPEI的非超越概率分析可知，气候变化可能导致1961—1995年和2066—2100年夏季和冬季出现严重干旱。

(2)2066—2100年时段SPEI(24)的干旱烈度约为1961—1995年时段干旱烈度的4.91倍，长期干旱严重程度在加剧。此外，气候变化除了引起更严重和更频繁的干旱外，还将带来更长历时的干旱。SPI在1961—1995年的干旱比2066—2100年预测的要多，而SPEI(1)在1961—1995年的干旱烈度为28.3，到2066—2100年达到60.9，表明气候变化使未来干旱加剧。SPEI综合考虑了气温和降水因素，其预测干旱状况更精确；SPI和SPEI结果表明，短期干旱对气候变化更为敏感，而短期和中期干旱的强度都将受到气候变化的强烈影响。