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
你是一个铁憨憨3 天前
ArcGIS定向影像(1)——非传统影像轻量级解决方案
arcgis·gis·影像·定向影像
QQ3596773453 天前
ArcGIS Pro实现基于 Excel 表格批量创建标准地理数据库(GDB)——高效数据库建库解决方案
数据库·arcgis·excel
IT毕设梦工厂3 天前
大数据毕业设计选题推荐-基于大数据的客户购物订单数据分析与可视化系统-Hadoop-Spark-数据可视化-BigData
大数据·hadoop·数据分析·spark·毕业设计·源码·bigdata
大数据CLUB3 天前
基于spark的澳洲光伏发电站选址预测
大数据·hadoop·分布式·数据分析·spark·数据开发
智数研析社3 天前
9120 部 TMDb 高分电影数据集 | 7 列全维度指标 (评分 / 热度 / 剧情)+API 权威源 | 电影趋势分析 / 推荐系统 / NLP 建模用
大数据·人工智能·python·深度学习·数据分析·数据集·数据清洗
qingyunliushuiyu3 天前
BI数据可视化:驱动数据价值释放的关键引擎
数据挖掘·数据分析·数据分析系统·数据分析平台·bi数据可视化
折翼的恶魔3 天前
数据分析:排序
python·数据分析·pandas
数据牧羊人的成长笔记4 天前
数据分析需要掌握的数学知识(易理解)
数学建模·数据分析
折翼的恶魔4 天前
数据分析:合并二
python·数据分析·pandas