1. MATLAB SPEI干旱指数计算全流程解析
作为一名长期从事气候数据分析的研究员，我经常需要处理各种干旱监测指标的计算。SPEI（标准化降水蒸散指数）因其综合考虑降水和蒸散发的影响，成为当前干旱研究中最常用的指标之一。本文将详细分享我基于MATLAB开发的SPEI计算工具集，这套代码已经过多年实际项目验证，支持从数据预处理到灾害事件提取的全流程分析。
1.1 工具集整体架构
这套MATLAB代码集主要包含两大核心模块：
- SPEI指数计算模块：处理降水(P)和潜在蒸散发(PET)数据，生成多时间尺度的SPEI指数
- 灾害事件提取模块：基于游程理论识别干旱事件并统计其特征
两个模块既可独立使用，也能串联工作。代码支持NC和TIF两种主流地理数据格式，时间范围覆盖2000-2023年，可计算1/3/6/12个月等多种时间尺度的SPEI指数。
提示：使用前请确保已安装MATLAB的Mapping Toolbox和NetCDF工具箱，这是处理地理空间数据和NC文件的基础依赖。
2. SPEI指数计算模块详解
2.1 数据预处理关键步骤
2.1.1 数据读取与格式检查
对于NC格式数据，我通常使用ncread函数读取关键变量：
matlab复制pre = ncread('input.nc', 'tp'); % 降水数据
pet = ncread('input.nc', 'pev'); % 潜在蒸散发数据
lon = ncread('input.nc', 'longitude');
lat = ncread('input.nc', 'latitude');
time = ncread('input.nc', 'time');
常见问题排查：
- 变量名不匹配：不同数据集可能使用不同命名（如降水可能是'tp'、'pre'或'precipitation'）
- 单位不一致：检查是否为mm/month或需要转换（如从m/s转为mm/month）
- 维度顺序：确保是经度×纬度×时间，否则需要用permute调整
2.1.2 闰年处理技巧
精确的每月天数计算对累积降水至关重要。我的处理方法是：
matlab复制years = 2000:2023;
for y = years
if (mod(y,4)==0 & mod(y,100)~=0) | mod(y,400)==0
c = [31 29 31 30 31 30 31 31 30 31 30 31]; % 闰年
else
c = [31 28 31 30 31 30 31 31 30 31 30 31]; % 平年
end
% 应用每月天数进行数据转换
end
2.1.3 区域掩膜实现
当只需要分析特定区域时，空间掩膜能显著提高效率：
matlab复制% 读取shp文件
S = shaperead('region_boundary.shp');
% 生成网格坐标
[LON, LAT] = meshgrid(lon, lat);
% 创建逻辑掩膜
mask = inpolygon(LON, LAT, S.X, S.Y);
% 应用掩膜
pre_masked = pre;
pre_masked(~mask) = NaN;
2.2 SPEI核心算法实现
2.2.1 水分平衡计算
基本公式很简单：
matlab复制wb = pre - pet; % 水分平衡=降水-潜在蒸散发
但实际处理中要注意：
- 确保pre和pet时空分辨率一致
- 处理缺失值（通常设为NaN）
- 单位统一（建议都用mm/month）
2.2.2 多时间尺度累积
这是SPEI计算的关键步骤，以3个月尺度为例：
matlab复制scale = 3;
n = size(wb, 3);
wb_cum = zeros(size(wb,1), size(wb,2), n-scale+1);
for i = scale:n
wb_cum(:,:,i-scale+1) = sum(wb(:,:,i-scale+1:i), 3);
end
2.2.3 概率分布拟合
采用Gamma分布拟合累积水分平衡序列：
matlab复制% 排序数据
sorted_wb = sort(wb_cum(:));
sorted_wb(isnan(sorted_wb)) = []; % 移除NaN
% 计算累积概率
n = length(sorted_wb);
Fi = (1:n)' / (n + 1);
% Gamma分布拟合
parm = gamfit(sorted_wb);
a = parm(1); % 形状参数
b = parm(2); % 尺度参数
2.2.4 标准化转换
将Gamma分布转换为标准正态分布：
matlab复制spei = zeros(size(wb_cum));
for i = 1:numel(wb_cum)
if ~isnan(wb_cum(i))
F = gamcdf(wb_cum(i), a, b);
if F >= 0.5
spei(i) = -sqrt(2) * erfcinv(2 * (1 - F));
else
spei(i) = sqrt(2) * erfcinv(2 * F);
end
else
spei(i) = NaN;
end
end
2.3 结果输出与可视化
2.3.1 输出为GeoTIFF
保存带有地理参考的TIF文件：
matlab复制R = georasterref('RasterSize', size(spei(:,:,1)), ...
'LatitudeLimits', [min(lat) max(lat)], ...
'LongitudeLimits', [min(lon) max(lon)]);
for t = 1:size(spei, 3)
fname = sprintf('SPEI_%04d_%02d.tif', year(t), month(t));
geotiffwrite(fname, spei(:,:,t), R);
end
2.3.2 输出为NetCDF
创建NC文件保存多维数据：
matlab复制nccreate('spei_output.nc', 'spei', ...
'Dimensions', {'lon', length(lon), 'lat', length(lat), 'time', Inf}, ...
'Datatype', 'single');
ncwrite('spei_output.nc', 'spei', spei);
ncwriteatt('spei_output.nc', 'spei', 'units', 'standardized index');
ncwriteatt('spei_output.nc', 'spei', 'long_name', 'SPEI drought index');
3. 干旱灾害事件提取模块
3.1 游程理论基本原理
游程理论通过定义阈值来识别干旱事件：
- 连续低于阈值的时期为一个干旱事件
- 事件持续时间：连续低于阈值的月数
- 事件强度：期间SPEI的平均值
- 事件严重性：期间SPEI的累积值
3.2 MATLAB实现细节
3.2.1 干旱事件识别
matlab复制function events = identify_droughts(spei_series, threshold)
below = spei_series < threshold;
starts = strfind([0 below'], [0 1]);
ends = strfind([below' 0], [1 0]);
durations = ends - starts + 1;
events = struct();
for i = 1:length(starts)
events(i).start = starts(i);
events(i).end = ends(i);
events(i).duration = durations(i);
events(i).severity = sum(spei_series(starts(i):ends(i)));
events(i).intensity = mean(spei_series(starts(i):ends(i)));
end
end
3.2.2 事件合并算法
对于间隔仅1个月的非干旱期，可合并相邻干旱事件：
matlab复制function merged = merge_events(events, spei_series)
merged = events;
i = 1;
while i < length(merged)
if merged(i+1).start - merged(i).end == 2 % 间隔1个月
% 合并事件
merged(i).end = merged(i+1).end;
merged(i).duration = merged(i).end - merged(i).start + 1;
merged(i).severity = sum(spei_series(merged(i).start:merged(i).end));
merged(i).intensity = merged(i).severity / merged(i).duration;
merged(i+1) = []; % 删除被合并的事件
else
i = i + 1;
end
end
end
3.3 结果统计与输出
生成详细的干旱事件特征表：
matlab复制function event_table = create_event_table(events, years, months)
n = length(events);
EventCount = (1:n)';
StIndex = [events.start]';
EdIndex = [events.end]';
StYr = years([events.start])';
StMt = months([events.start])';
EdYr = years([events.end])';
EdMt = months([events.end])';
Duration = [events.duration]';
Severity = [events.severity]';
Intensity = [events.intensity]';
event_table = table(EventCount, StIndex, EdIndex, StYr, StMt, EdYr, EdMt,...
Duration, Severity, Intensity);
end
4. 实际应用案例
4.1 中国区域干旱监测
以2000-2023年中国区域为例：
- 输入数据：CMFD降水数据和GLDAS PET数据
- 参数设置：
- 时间尺度：1/3/6/12个月
- 干旱阈值：-0.5（中等干旱）
- 主要结果：
- 年际干旱频率分布
- 典型干旱事件时空特征
- 不同区域干旱趋势分析
4.2 全球干旱格局分析
处理全球0.5°分辨率数据时需注意：
- 内存优化：
- 分块处理数据
- 使用单精度而非双精度
- 并行计算：
matlab复制parpool(4); % 开启4个工作进程
parfor i = 1:numChunks
% 处理数据块
end
5. 常见问题解决方案
5.1 数据读取问题
问题：NC文件读取失败，提示变量不存在
解决：
- 使用ncdisp查看文件结构：
matlab复制ncdisp('input.nc');
- 确认变量名拼写
- 检查文件是否完整（有时下载中断会导致文件损坏）
5.2 计算结果异常
问题：SPEI值全为NaN或异常大/小
排查步骤：
- 检查输入数据范围（降水/PET是否合理）
- 验证单位转换是否正确
- 检查Gamma分布拟合是否收敛
- 查看中间变量wb_cum的统计特征
5.3 性能优化技巧
对于大区域长时间序列计算：
- 预先分配数组内存
- 避免在循环中动态增长数组
- 使用单精度而非双精度
- 启用并行计算：
matlab复制if isempty(gcp('nocreate'))
parpool; % 开启并行池
end
6. 工具集扩展与定制
6.1 添加新数据源支持
以ERA5数据为例：
- 变量名映射：
- 降水：'tp'
- PET：需计算（可用FAO Penman-Monteith公式）
- 时间维度处理：
- ERA5使用UTC时间，注意时区转换
- 单位转换：
- 降水：从m到mm
6.2 与其他指标集成
可扩展计算其他干旱指数：
- SPI（仅用降水）
- PDSI（帕默尔干旱指数）
- scPDSI（自校正帕默尔指数）
代码结构建议：
code复制drought_indices/
├── spei/
├── spi/
├── pdsi/
└── utils/ % 公共函数
6.3 可视化增强
添加更多绘图功能：
- 时空动态图
- 干旱事件演变过程
- 多指标对比图
示例绘图函数：
matlab复制function plot_drought_events(events, spei_series)
plot(spei_series);
hold on;
for i = 1:length(events)
x = events(i).start:events(i).end;
y = spei_series(x);
area(x, y, 'FaceColor', 'r', 'FaceAlpha', 0.3);
end
line([1 length(spei_series)], [-0.5 -0.5], 'Color', 'k', 'LineStyle', '--');
xlabel('Time (months)');
ylabel('SPEI');
end
这套MATLAB工具集经过多年实际项目验证，能够满足大多数干旱监测研究的需求。通过参数调整和适度扩展，可以适应不同区域、不同时间尺度的分析需求。对于希望深入研究干旱动态的同行，我建议从1个月和12个月尺度的SPEI对比分析开始，这能同时捕捉短期干旱和长期干旱演变特征。