基于长时间序列的模拟数据集（1990-2022年）利用 Python实现长时序逐月标准化降水指数 SPI（SPI-1）计算与绘图

import numpy as np  # 数值计算（数组操作、随机数生成）
import pandas as pd  # 数据处理（时间序列、DataFrame管理）
import matplotlib.pyplot as plt  # 绘图可视化
import scipy.stats as stats  # 统计分析（分布拟合、分位数计算）
import os  # 文件路径与目录管理

各库核心作用：

**NumPy：**处理降水数据数组、替换无效值；
**Pandas：**生成时间序列、组织 SPI 结果为表格格式；
**Matplotlib：**绘制 SPI 趋势图、阈值线、图例等；
**SciPy.stats：**拟合 Gamma 分布、计算累积概率（CDF）、转换正态分布分位数；
**os：**创建保存目录、处理文件路径。

（二）中文字体配置

python 复制代码

plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文显示乱码（Windows系统）
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示异常

注：不同系统需适配字体（如 macOS 用'Arial Unicode MS'，Linux 用'WenQuanYi Zen Hei'）。

二、SPI 计算核心函数解析

（一）函数定义与逻辑框架

python 复制代码

def calculate_spi(data):
    """
    简易SPI计算逻辑（核心三步）：
    1. 处理无效降水数据（0值替换）
    2. 拟合Gamma分布（描述降水数据统计特征）
    3. 转换为标准正态分布Z分数（即SPI值）
    """
    # 步骤1：处理0值（降水为0时无法拟合Gamma分布，替换为极小值）
    data = np.where(data <= 0, 0.01, data)
    
    # 步骤2：拟合Gamma分布参数（shape=形状参数，loc=位置参数，scale=尺度参数）
    shape, loc, scale = stats.gamma.fit(data, floc=0)  # 固定位置参数为0（降水非负）
    
    # 步骤3：计算累积概率（CDF）并转换为SPI
    cdf = stats.gamma.cdf(data, shape, loc, scale)  # 每个数据点的累积概率（0-1）
    spi = stats.norm.ppf(cdf)  # 概率转换为标准正态分布分位数（Z分数）
    return spi

（二）关键算法说明

Gamma 分布拟合： 降水数据（非零）通常服从 Gamma 分布，通过stats.gamma.fit估计分布参数，是 SPI 计算的核心前提；
**累积概率（CDF）：**表示某一降水量小于等于当前值的概率，反映降水在历史序列中的相对位置；
正态转换： 通过stats.norm.ppf（分位数函数）将 [0,1] 区间的概率转换为标准正态分布的 Z 分数，即 SPI 值（SPI=0 为平均水平，正值为湿润，负值为干旱）。

三、数据生成与 SPI 计算流程

（一）生成时间序列与模拟降水数据

python 复制代码

# 生成1990-2022年逐月时间索引（freq='ME'表示月末频率，修复Pandas兼容性警告）
dates = pd.date_range(start='1990-01-01', end='2022-12-31', freq='ME')

# 设置随机种子（保证结果可重复）
np.random.seed(42)

# 模拟月降水量（Gamma分布：shape=2.0，scale=50.0，均值≈shape×scale=100mm）
precip = np.random.gamma(shape=2.0, scale=50.0, size=len(dates))

**时间序列：**共 33 年（1990-2022），每月 1 个数据点，总计 396 个数据；
**降水模拟：**Gamma 分布的 shape 和 scale 参数决定降水分布特征，此处模拟均值约 100mm 的月降水（符合温带地区平均水平）。

（二）计算 SPI-1 并组织数据

python 复制代码

# 计算1个月尺度SPI（SPI-1）
spi_values = calculate_spi(precip)

# 构建DataFrame（便于后续绘图与数据管理）
df = pd.DataFrame({'Date': dates, 'SPI1': spi_values})

DataFrame 结构： 两列（Date为时间，SPI1为对应月份的 SPI 值），行索引为数据序号。

四、可视化模块详细解析

（一）绘图基础设置

python 复制代码

# 创建画布（figsize=宽×高，单位英寸；dpi=显示分辨率）
plt.figure(figsize=(16, 6), dpi=100)

# 绘制SPI-1时间序列折线
plt.plot(df['Date'], df['SPI1'], color='darkblue', linewidth=1.2, label='SPI-1')

**画布尺寸：**16×6 英寸（宽屏适合时间序列展示）；
**折线样式：**深蓝色、线宽 1.2，标注图例为 "SPI-1"。

（二）干旱 / 湿润等级阈值线绘制

python 复制代码

# 定义阈值参数：(SPI值, 颜色, 线型, 标签)
thresholds = [
    (2.0, 'navy', '--', '极端湿润 (SPI ≥ 2.0)'),
    (1.5, 'royalblue', '--', '严重湿润 (SPI ≥ 1.5)'),
    (1.0, 'lightblue', '--', '中等湿润 (SPI ≥ 1.0)'),
    (-1.0, 'orange', '--', '中等干旱 (SPI ≤ -1.0)'),
    (-1.5, 'red', '--', '严重干旱 (SPI ≤ -1.5)'),
    (-2.0, 'brown', '--', '极端干旱 (SPI ≤ -2.0)'),
]

# 循环绘制各阈值线（水平虚线）
for val, color, style, label in thresholds:
    plt.axhline(y=val, color=color, linestyle=style, linewidth=1, label=label)

# 绘制SPI=0基准线（黑色实线，区分湿润与干旱）
plt.axhline(y=0, color='black', linewidth=0.8)

阈值标准说明（国际通用 SPI 等级）：

SPI 范围	等级	颜色
≥2.0	极端湿润	藏青色
1.5-2.0	严重湿润	宝蓝色
1.0-1.5	中等湿润	浅蓝色
-1.0-1.0	正常	-
-1.5--1.0	中等干旱	橙色
-2.0--1.5	严重干旱	红色
≤-2.0	极端干旱	棕色

（三）坐标轴与图表样式优化

python 复制代码

# 设置Y轴范围（聚焦主要异常区间，避免极端值拉伸图表）
plt.ylim(-2.8, 2.8)
# 设置X轴范围（覆盖完整时间序列）
plt.xlim(df['Date'].min(), df['Date'].max())

# 坐标轴标签与标题
plt.ylabel('SPI-1', fontsize=12)
plt.title('1990 - 2022年逐月标准化降水指数（SPI-1）', fontsize=14, pad=20)

# X轴刻度优化（每2年显示一次，旋转45°避免重叠）
xtick_dates = pd.date_range(start='1990-12-31', end='2022-12-31', freq='2YE')
plt.xticks(xtick_dates, [d.strftime('%Y-%m-%d') for d in xtick_dates], rotation=45)

# 网格线（细点线，透明度0.6，不干扰主线）
plt.grid(True, linestyle=':', alpha=0.6)

（四）图例与布局调整

python 复制代码

# 图例设置（顶部居中，4列分布，带阴影边框）
plt.legend(loc='upper center', bbox_to_anchor=(0.5, 1.05),
           ncol=4, frameon=True, shadow=True, fontsize=9)

# 自动调整布局（避免标题、图例被截断）
plt.tight_layout()

**图例优化逻辑：**因阈值线较多（6 条），采用 4 列布局避免纵向占用过多空间，提升图表整洁度。

五、高清晰度图片保存功能

（一）目录创建与路径处理

python 复制代码

# 定义保存目录（统一管理图片文件）
save_dir = 'SPI_figures'
# 若目录不存在则创建（避免保存失败）
if not os.path.exists(save_dir):
    os.makedirs(save_dir)

# 构建保存路径（目录+文件名，支持png/jpg/svg格式）
save_path = os.path.join(save_dir, '1990-2022_SPI-1_600dpi.png')

（二）图片保存参数详解

python 复制代码

plt.savefig(
    save_path,
    dpi=600,        # 核心参数：600DPI（高清晰度，满足论文/报告使用）
    bbox_inches='tight',  # 自动裁剪多余空白，避免图例/标题被截断
    facecolor='white',    # 背景色设为白色（默认透明，适配多数文档场景）
    edgecolor='none'      # 去除图片边框
)

# 打印保存路径（方便用户查找文件）
print(f"图片已保存至：{os.path.abspath(save_path)}")

# 显示图片（保存后再显示，不影响图片质量）
plt.show()

**DPI 设置：**600DPI 为学术图表常用分辨率，高于 300DPI 的 "印刷级" 标准；
**背景色：**白色背景避免插入文档时出现透明区域与正文冲突；
**bbox_inches='tight'：**解决 Matplotlib 默认布局下图例 / 标题超出画布的问题。

六、总结

优点：

**流程完整：**从数据生成、SPI 计算到可视化、保存一站式实现；
兼容性强： 修复 Pandas 频率字符串警告（M→ME、Y→YE），适配新版本库；
**可视化专业：**阈值线颜色与等级对应清晰，图例、刻度优化提升可读性；
**实用性高：**支持高清晰度图片保存，满足学术与业务场景需求。

局限性与改进方向：

**数据处理简化：**将 0 降水替换为 0.01 仅为简易处理，实际应分离 "无降水" 与 "有降水" 数据分别计算；
**分布拟合：**未进行 Gamma 分布拟合优度检验（如 KS 检验），需验证数据是否符合 Gamma 分布；
**实际应用：**模拟数据需替换为真实站点 / 格点降水数据，且需考虑数据缺失值填补。

七、运行结果

1990-2022 年逐月 SPI-1 计算与可视化结果

若觉得代码对您的研究 / 项目有帮助，欢迎点击打赏支持！需要完整代码的朋友，打赏后可在后台私信（复制文章标题发给我），我会尽快发您完整可运行代码，感谢支持！