1961-2022年中国大陆多干旱指数数据集(SPI/SPEI/EDDI/PDSI/SC-PDSI/VPD)

DOI: 10.5194/essd-2024-270

干旱指数对于评估和管理缺水和农业风险至关重要;然而,现有数据集中缺乏统一的数据基础,导致不一致,对干旱指数的可比性提出了挑战。本研究致力于创建CHM_Drought,这是一个创新且全面的长期气象干旱数据集,空间分辨率为0.1°,数据收集时间为1961-2022年,中国大陆年。它具有6个关键的气象干旱指数:标准化降水指数(SPI)、标准化降水蒸散指数(SPEI)、蒸发需求干旱指数(EDDI)、帕尔默干旱严重程度指数(PDSI)、自校准帕尔默干旱严重程度指数(SC-PDSI)和蒸气压赤字(VPD),其中SPI、SPEI和EDDI包含2周和1-12个月的多尺度特征。该数据集具有高密度气象站数据的综合应用和从基本气象要素出发的完整框架(中国水文气象数据集,CHM)。该数据集在准确捕捉中国大陆干旱事件方面表现出色,其对2022年长江流域夏季干旱的详细描述就证明了这一点。此外,为了评估CHM_Drought,本文利用气候研究单元(CRU)和CN05.1数据计算的干旱指数进行了一致性检验,发现所有指数总体上具有较高的一致性,且2周尺度SPI、SPEI和EDDI在干旱监测中具有潜在的预警作用。总体而言,我们的数据集弥补了中国在高精度多指标干旱数据方面的差距,完整的基于CHM的框架保证了数据集的一致性和可靠性,有助于提高对中国干旱模式和趋势的理解。

1961-2022年,0.1°,中国大陆,包括SPI SPEI EDDI PDSI SC-PDSI VPD,nc格式,数据可以通过下方链接获取。

复制代码
https://figshare.com/articles/dataset/CHM_Drought/25656951/2
相关推荐
中科GIS地理信息培训23 分钟前
ArcGIS/ArcGIS Pro地震分析:为什么缅甸地震,我国瑞丽震感最强烈?
arcgis·arcgis pro
Z_W_H_25 分钟前
ArcGIS Pro/GeoScene Pro AI 助手 2.1 安装教程
arcgis·ai·geoscene
千鼎数字孪生-可视化1 小时前
3D模型给可视化大屏带来了哪些创新,都涉及到哪些技术栈。
ui·3d·信息可视化·数据分析
Python之栈2 小时前
PandasAI:当数据分析遇上自然语言处理
人工智能·python·数据分析·pandas
Z_W_H_2 小时前
ArcGIS Pro/GeoScene Pro AI 助手 2.1
人工智能·arcgis·geoscene
Start_Present11 小时前
Pytorch 第十二回:循环神经网络——LSTM模型
pytorch·rnn·神经网络·数据分析·lstm
DREAM.ZL12 小时前
基于python的电影数据分析及可视化系统
开发语言·python·数据分析
大美B端工场-B端系统美颜师14 小时前
静态图表 VS 动态可视化,哪种更适合数据故事讲述?
信息可视化·数据挖掘·数据分析
岁月如歌,青春不败15 小时前
MaxEnt模型全解析:从原理到 R 语言实战,开启生态环境研究新视野
arcgis·r语言·生态学·论文写作·生态系统服务·物种分布·maxent模型
青云交18 小时前
Java 大视界 -- Java 大数据在智能电网电力市场交易数据分析与策略制定中的关键作用(162)
java·大数据·数据分析·交易策略·智能电网·java 大数据·电力市场交易