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
用户Taobaoapi201411 小时前
京东店铺所有商品API技术开发文档
大数据·数据挖掘·数据分析
wanzhong233317 小时前
ArcGIS学习-18 实战-降雨量空间分布插值分析
学习·arcgis
华科云商xiao徐17 小时前
告别IP被封!分布式爬虫的“隐身”与“分身”术
爬虫·数据挖掘·数据分析
没有梦想的咸鱼185-1037-16631 天前
【高分论文密码】大尺度空间模拟预测与数字制图
信息可视化·数据分析·r语言
m0_575046341 天前
FPGA数据流分析
数据分析·fpga·数据流分析
思辨共悟1 天前
Python的价值:突出在数据分析与挖掘
python·数据分析
GIS工具-gistools20212 天前
ArcGIS Excalibur 的新功能
人工智能·arcgis
2301_794333912 天前
React入门 | React 新手入门与常用库和工具
arcgis
用户Taobaoapi20142 天前
京东图片搜索相似商品API开发指南
大数据·数据挖掘·数据分析
带娃的IT创业者2 天前
《AI大模型应知应会100篇》第69篇:大模型辅助的数据分析应用开发
人工智能·数据挖掘·数据分析