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
行者-全栈开发5 小时前
【供应链攻击】CVE-2026-45321:TanStack供应链攻击漏洞深度解析与修复指南
arcgis
培培说证6 小时前
大专商务数据分析与应用可以报考哪些职业证书?
人工智能·数据挖掘·数据分析
Aloudata8 小时前
服饰零售数据治理如何统一款色码与库存口径,支撑门店售罄率和补货分析?
大数据·数据分析·零售
躺柒8 小时前
读数据分析思维通识课07数据思维图
大数据·数据挖掘·数据分析·大数据分析·数据思维图
databook15 小时前
时间序列特征,哪些当时就能算出来
python·数据分析
wang_yb15 小时前
时间序列特征,哪些当时就能算出来
数据分析·databook
kaixin_啊啊1 天前
鱼类跨物种 DNA 序列预测:AQUA-FAANG 数据下载与操作指南
数据分析
GrowingIO技术社区1 天前
事件与属性怎么设计?一份埋点需求表的填写示例
数据分析
思特奇时空智能2 天前
大规模点要素地图渲染性能优化实践
vue.js·arcgis·性能优化·node.js·html·gis·webgl
benchmark_cc2 天前
个人开发者接入五档盘口:用 QuantDash 读取单只股票的验收清单与易错点
python·数据分析·pandas·量化交易·股票数据·quantdash