1961–2015年中巴经济走廊SPEI干旱指数数据集

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2022-01-02

摘要&关键词
摘要：干旱指数数据集是干旱研究的基础。中巴经济走廊干旱灾害发生频繁，制作该区域干旱指数数据集对干旱监测及其风险评估具有重要的科学意义。本数据集基于中巴经济走廊1961–2015年逐日降水和气温栅格数据，计算得到不同时间尺度（1–24个月）标准化降水蒸散发指数（SPEI）。验证表明本数据集具有较高的精度，能够较好地反映中巴经济走廊真实的干旱时空分布特征，可为中巴经济走廊气候变化研究和干旱灾害风险评估提供数据支撑。
关键词：干旱；SPEI；指数；中巴经济走廊；数据评估

Abstract & Keywords
Abstract:?The drought research is based on drought index datasets. Drought disasters occur frequently in the China Pakistan Economic Corridor. The compilation of this drought index dataset is of great scientific significance for drought monitoring and risk assessment. On the basis of daily precipitation and temperature gridded data of the China-Pakistan Economic Corridor from 1961 to 2015, we calculated standardized precipitation evapotranspiration index (SPEI) for different time scales (1– 24 months). Data verification indicate that this dataset is of high accuracy and can better reflect the real temporal and spatial distribution characteristics of drought in the China-Pakistan Economic Corridor. The dataset can provide substantial support for climate change research and assessment of drought disaster risk in the China-Pakistan Economic Corridor.
Keywords:?drought;?SPEI;?index;?China-Pakistan Economic Corridor (CPEC);?data assessment

数据库（集）基本信息简介

数据库（集）名称	1961–2015年中巴经济走廊SPEI干旱指数数据集
数据作者	方泽华、陶辉、陈金雨
数据通信作者	陶辉（taohui@ms.xjb.ac.cn）
数据时间范围	1961–2015年
地理区域	中巴经济走廊地区，地理范围包括24°N–40°N，60°E–80°E。
空间分辨率	0.25°×0.25°
数据量	161.67 MB
数据格式	*.mat
数据服务系统网址	http://www.doi.org/10.11922/sciencedb.01174
基金项目	科技基础资源调查专项（2018FY100501）
数据库（集）组成	本数据集共包括1个数据文件：CPEC_SPEI_1961_2015.mat，数据文件包括了时间TIME，纬度LAT，经度LON以及1–24个月时间尺度逐月SPEI。

Dataset Profile

Title	A dataset of SPEI in the China-Pakistan Economic Corridor from 1961 to 2015
Data corresponding author	TAO Hui (taohui@ms.xjb.ac.cn)
Data authors	FANG Zehua, TAO Hui, CHEN Jinyu
Time range	1961–2015
Geographical scope	China-Pakistan Economic Corridor (24°N–40°N, 60°E–80°E)
Spatial resolution	0.25°×0.25°
Data volume	161.67 MB
Data format	*.mat
Data service system	<http://www.doi.org/10.11922/sciencedb.01174>
Source of funding	National Key Research and Development Program of China MOST (2018FY100501)
Dataset composition	The dataset consists of one data file, namely “CPEC_SPEI_1961_2015.mat”, containing the data of TIME, LAT, LON and monthly SPEI for different time scales (1– 24 months).

引言
干旱灾害是全球最为常见的自然灾害，其发生频率最高、持续时间最长、影响面最广，对农业生产、生态环境和社会经济影响最为深远^[1]。最新发布的 IPCC第六次评估报告指出：气候变化正在加剧水循环，会带来更强的降雨和洪水，但在许多地区则意味着更严重的干旱^[2-4]。事实上，1984–2017年全球每年因干旱造成直接经济损失超过了人民币1155亿元人民币，约占气象灾害总损失的13%。2008–2017的10年间，全球干旱年均损失显著增加，达到了1666亿元^[5]。2000–2006年期间，欧洲发生的干旱灾害影响了15%的地区和17%的人口，造成的经济损失约为3700万欧元，接近过去30年欧洲干旱灾害所造成损失的40%^[6-7]。因此，如何对干旱灾害进行风险评估，降低农业生产、生态环境和社会经济的损失至关重要。而干旱指数是研究干旱的基础，也是衡量干旱严重程度的关键指标，选择合适的干旱指数对气候变化研究和干旱灾害风险评估具有重要意义。
目前国内外研究者发展了多种干旱指数，但是没有一种指数能够适用于不同区域干旱特征的表征及其对环境和社会影响的评估，即使对同一个研究区域，不同干旱指数所得的结果亦存在明显差异^[8-10]。较早出现的Palmer干旱指数（Palmer Drought Severity Index，PDSI）是干旱指数发展的里程碑，其综合考虑了地表前期降水量、土壤含水量、径流和潜在蒸散量^[11]。但在PDSI计算中使用了多个取值依赖研究区域的经验参数。针对这一问题，有研究者提出了自校正PDSI（sc_PDSI）^[12]。20世纪90年代McKee等人将干旱指数同特定的时间尺度相关联，推出了标准化降水指数（Standardized Precipitation Index，SPI）^[13]，并在功能上区分了气象、农业、水文和其他干旱，其定义相对简单，得到了广泛的应用。但SPI未考虑气温对干旱的影响，在全球变暖的气候变化背景下适用性较差。为了克服SPI的不足，Vicente-Serrano等提出了标准化降水蒸散发指数（Standardized Precipitation Evapotranspiration Index，SPEI）^[14]，其综合考虑了降水和蒸发作用，且继承了SPI的多尺度特征。在全球变暖的气候变化背景下，能够解释温度变化和极端温度可能的影响，有较好的适用性^[8-10,15-16]。利用SPEI不仅可以直观反映区域干湿分布与变化趋势，而且能够反映不同尺度的干旱变化情况，从而反映不同类型的干旱状况。与SPI类似，6个月时间尺度的SPEI可以反映气象干旱，9个月时间尺度可以反映农业干旱，而12个月时间尺度则反映水文干旱。国际上通用的基于SPEI的干旱等级划分见表1。
表1 ? SPEI干旱等级的划分表

SPEI值	-0.5＜SPEI	-1.0＜SPEI≤-0.5	-1.5＜SPEI≤-1.0	-2.0＜SPEI≤-1.5	SPEI≤-2.0
干旱程度	无旱	轻旱	中旱	重旱	特旱

中巴经济走廊（China-Pakistan Economic Corridor，CPEC）地处南亚次大陆西北部，介于24°N–40°N和60°E–80°E；北起中国喀什地区，南至巴基斯坦的瓜达尔港，是“一带一路”的重要组成部分^[17]，其大部分地区位于巴基斯坦境内。在 2013年受气候变化影响最严重的国家名单中，巴基斯坦排名第五，而德国观察将巴基斯坦排在受影响最严重国家的第三位^[18]。在20世纪，干旱是巴基斯坦最为常见的极端现象，根据国家农业研究中心和水资源研究所的数据，巴基斯坦较为严重的干旱出现在1902、1920、1931、1935、1947、1951、1971、1998–2001年和2014年^[17-24]。
目前国内外****采用各种研究方法制作了多种干旱指数数据集，但空间分辨率多在0.5°×0.5°以上。鉴于此，本数据集基于《1961–2015年中巴经济走廊逐日气象数据集》^[25]的0.25°×0.25°分辨率逐日降水和气温栅格数据，按照《气象干旱等级》（GB/T20481—2017）^[26]中的SPEI计算方法计算生成中巴经济走廊地区0.25°×0.25°空间分辨率的1–24个月时间尺度SPEI，得到的结果可为中巴经济走廊地区气候干旱研究提供参考。

1 ? 数据采集和处理方法
逐日降水和气温栅格数据来源于《1961–2015年中巴经济走廊逐日气象数据集》^[25]，该数据集为站点观测数据经过数据重采样和空间插值，生成的中巴经济走廊地区0.25°×0.25°空间分辨率气象数据集。站点观测数据主要来源于巴基斯坦气象局、中国气象局和美国国家环境预报中心65个气象站。对逐日降水按月进行求和获得逐月降水数据。气温数据为逐日最高气温TMAX和最低气温TMIN，逐日气温通过T = （TMAX+TMIN）/2计算得到，再对逐日气温按月进行平均得到逐月平均气温数据。整理计算后得到0.25°×0.25°空间分辨率的1–24个月时间尺度逐月标准化降水蒸散发指数，然后选取其中覆盖研究区域和时间的格点数据。作为对比的SPEI数据集来自西班牙比例牛斯生态研究所（IPE-CSIC）^[27]，该数据集为基于东英吉利大学气候研究中心（Climatic Research Unit，CRU）数据计算得到的1901–2015年0.5°×0.5°分辨率逐月栅格SPEI数据，使用FAO Penman-Monteith方法计算潜在蒸散发量（Potential Evapotranspiration，PET），一般情况该方法由于使用较多的气象要素，精确度相对较高（以下简称SPEI_PM）。土壤水分数据来自（http: //clime-xp.knmi.nl，以下简称SM），该数据集为ERA-interim1979–2016年逐月0–1 m土壤水分栅格数据，分辨率为1.25°×0.94°。SPEI_PM和SM使用邻近插值法插值为0.25°×0.25°分辨率后与本研究计算所得SPEI数据进行对比验证分析。
1.1 ? SPEI计算方法
1.1.1 ? 计算潜在蒸散发量
本文使用Thornthwaite方法计算PET，单位为毫米每月（mm/M）。该方法计算简便，需要的气象要素少，考虑了温度的变化，可以反映地表潜在蒸散。具体如式（1）：
\(PET=?\left\{\begin{array}{c}0????????????????????????????????????????????????????????????????????????????????????????????T<0?\\ {16.0\left(\frac{N}{12}\right)\left(\frac{NDM}{30}\right)\left(\frac{10T}{H}\right)}^{A}?????????????????????????????????0\le T＜26.5\\ {-415.85+32.24T-0.343T}^{2}?????????????????????????????????26.5\le T\end{array}\right\\) （1）
其中T为逐月平均温度，单位为摄氏度（℃）。N为最大日照时数，单位为小时（h），可通过纬度计算得到。NDM为逐月的日数，单位为天（d）。H为年热量指数，用每年12个月的月热量指数求和得到，如式（2）：
\(H=\sum _{1}^{12}{\left(\frac{T}{5}\right)}^{1.514}??????????T>0\) （2）
A 为常数，与H有关，计算方法如式（3）：
\(A=6.75×{10}^{-7}{H}^{3}-7.71×{10}^{-5}{H}^{2}+1.792×{10}^{-2}H+0.49\) （3）

1.1.2 ? 计算标准化降水蒸散发指数
首先使用式（4）计算逐月降水量\({P}_{i}\)与潜在蒸散发\({PET}_{i}\)之差\({D}_{i}\)。\({P}_{i}\)单位为毫米（mm），
\({D}_{i}={P}_{i}-{PET}_{i}\) （4）
其次建立不同时间尺度的降水量与潜在蒸散发累积序列，如式（4）：
\({D}_{n}^{k}=\sum _{i=0}^{k-1}{D}_{n-i}????????????????n\ge k\) （5）
其中k为时间尺度，n为计算次数。
然后采用log-logistic 概率密度函数拟合建立数据序列，并得到给定时间尺度的累积概率为：
\(F\left(x\right)={\left[1+{\left(\frac{\alpha }{\mathrm{x}-\gamma }\right)}^{\beta }\right]}^{-1}\) （6）
式中α为尺度系数，β为形状系数，γ为origin参数。
\(\alpha =?\frac{\left({W}_{0}-{2W}_{1}\right)\beta }{\Gamma \left(1+\frac{1}{\beta }\right)\Gamma \left(1-\frac{1}{\beta }\right)}\) （7）
\(\beta =?\frac{\left({2W}_{1}-{W}_{0}\right)}{\left({6W}_{1}-{2W}_{0}-{6W}_{2}\right)}\) （8）
\(\gamma ={W}_{0}-\alpha \Gamma \left(1+\frac{1}{\beta }\right)\Gamma \left(1-\frac{1}{\beta }\right)?\) （9）
其中\(\Gamma \)为阶乘函数，\({W}_{0}、{W}_{1}{、W}_{2}\)为\({D}_{i}\)概率加权距，计算方法如下：
\({W}_{s}=\frac{1}{N}\sum _{i=1}^{N}{\left(1-\frac{i-0.35}{N}\right)}^{s}{D}_{i}???????????????s=0,1,2\) （10）
N为参与计算月份数。
最后对累积概率密度进行标准正态分布转换得到SPEI时间变化序列：
\(SPEI=?W-\left(\frac{{c}_{0}+{c}_{1}W+{c}_{2}{W}^{2}}{{1+d}_{1}+{d}_{2}{W}^{2}+{d}_{3}{W}^{3}}\right)\) （11）
其中，\(W=\sqrt{-2\mathrm{l}\mathrm{n}\left(p\right)}\) ，p是超过确定水分盈亏的概率。当p≤0.5时，\(p=1-F\left(x\right)\) ；当p＞0.5时，p=1-p。\({c}_{0}\)=2.515517，\({c}_{1}\)=0.802853，\({c}_{2}\)=0.010328，\({d}_{1}\)=1.432788，\({d}_{2}\)=0.189269，\({d}_{3}\)=0.001308。

1.2 ? 数据处理流程
数据处理分3个部分：数据预处理、SPEI计算、数据整理输出。输入的数据为1961–2015年中巴经济走廊逐日降水和逐日最高气温、逐日最低气温栅格数据，分辨率为0.25°×0.25°。整理为逐月降水和逐月气温数据后导入计算程序进行计算SPEI。计算完成后插入时间、经纬度信息，整合为CPEC_SPEI_1961_2015.mat文件输出，并对数据产品进行评估（图1）。

图1 ? 数据处理过程

2 ? 数据样本描述
1961–2015年中巴经济走廊区域SPEI干旱指数数据集包含1个数据文件，命名为CPEC_SPEI_1961_2015.mat。数据文件包括时间变量TIME，纬度LAT，经度LON以及1–24个月时间尺度逐月SPEI数据CPEC_SPEI_MM，其中“MM”依次为01、02至24，代表1–24月不同时间尺度。TIME变量储存了1961–2015年年月格式的日期序列。覆盖中巴经济走廊1419个格点的纬度存于LAT变量，经度存于LON变量。

3 ? 数据质量控制和评估
为验证本数据集的精度和可靠性，使用本研究所制作的数据集（以下简称CPEC_SPEI）与SPEI_PM干旱指数数据集和土壤水分数据集进行对比分析。从中巴经济走廊1961–2015年SPEI干旱指数变化可看出在短时间尺度上，干湿转换频率较快，而随着时间尺度的增加，转换频率减少，干旱持续期增长（图2）。不同时间尺度的SPEI可反映研究区的干湿演变状况，SPEI-1更多的是受到每月温度和水分变化的影响，可更为准确地反映土壤含水量的高低。SPEI-3和SPEI-12则受到季度、年际气温和降水的影响，对于土壤下层含水量有较好的反映。图2（b）识别出了1969–1971年、2000–2002年间中巴经济走廊地区的较为严重的干旱事件^{[18,20,22,24]}和2010年的洪灾^[18]。但SPEI_PM低估了1971年前后中巴经济走廊地区的干旱强度，如图2（a），未识别出这一区间内的干旱。其中发生于1997–2003年间的干旱被认为是过去100年间发生在巴基斯坦最严重的干旱^[18]。这对巴基斯坦经济造成了严重的影响。据估计，1997–2003年发生的干旱灾害使得超过350万人受到影响，数千人流离失所，数百人死亡，大部分受严重干旱影响的社区迁移。除此之外，超过3000万头牲畜受到影响，约200万头死亡。另外SPEI_PM也未识别出2010年的洪涝灾害，2010年发生的洪涝灾害是巴基斯坦近一个世纪以来最严重的洪灾，20?484?550人受到洪涝灾害影响，1744?471人无家可归，1984人死亡，2946人受伤（图3）^[18]。

图2 ? 1961–2015年中巴经济走廊不同时间尺度SPEI_PM(a)和CPEC_SPEI(b)干旱指数变化

图3 ? 2010年洪涝损失空间分布（单位：人）
土壤湿度是衡量气候干湿变化，监测农业干旱最主要指标，9个月时间尺度的SPEI能够较好地反映农业生态干旱，因此使用9个月时间尺度的CPEC_SPEI和SPEI_PM分别计算逐年平均后同SM逐年平均值进行相关性分析（图4）。

图4 ? SPEI_PM(a)和CPEC_SPEI(b)验证散点图
从图4看出CPEC_SPEI与SM的线性拟合程度更好，落在95%预测区间的点比较集中于拟合直线附近，相关系数为0.82。而SPEI_PM的拟合效果稍逊于CPEC_SPEI，数据点分散，95%预测区间较宽，相关系数为0.72。空间上（图5），在低海拔地区，两者相差不大。在4–7月1800米海拔以下地区CPEC_SPEI与SPEI_PM同SM的相关系数较为接近；在8–12月期间海拔高度低于1800米的地区，CPEC_SPEI与SM的相关性更高。因数据有限，本研究使用Thornthwaite 方法计算PET，未考虑海拔、风速等因素的影响，在高海拔地区，SPEI_PM同SM的相关性要高于CPEC_SPEI。

图5 ? 不同海拔上SPEI_PM(a)和CPEC_SPEI(b)与土壤湿度相关系数
总体来看，本研究所制作的CPEC_SPEI识别出了1961–2015年间发生的数次干旱和洪涝灾害，在低海拔地区准确性较高，可以较为准确地反映中巴经济走廊的干旱时空变化。此外CPEC_SPEI的计算简便，且相对SPEI_PM分辨率更高，在表征中巴经济走廊干旱分布和变化趋势上更具优势。

4 ? 数据使用方法和建议
本数据集为mat文件格式，可使用Matlab软件或Python打开、显示、查看、统计分析等。本数据集包含1–24个月时间尺度的SPEI，使用数据时应依据所研究的干旱类型等因素选择不同尺度的SPEI。应注意，数据起始时间为1961年1月，结束时间为2015年12月，共660个月，N个月时间尺度SPEI前N-1个月数值为Nan。各个时间尺度SPEI数据为1419×660矩阵，研究区域经纬度信息已存入变量LAT和LON，共1419个格点。另外，由于该地区缺乏高精度的观测资料，因此计算所得数据存在一定的缺陷，未能准确识别出2014年的旱灾和1976、1992年的洪涝。数据计算过程中未考虑海拔，在高海拔地区的精度有待进一步提高。

致谢
感谢巴基斯坦气象局（PMD），全球历史气候网（GHCN）提供的数据。

[1]
姚玉璧, 张强, 李耀辉, 等. 干旱灾害风险评估技术及其科学问题与展望[J]. 资源科学, 2013, 35: 1884–1897.

+?CSCD?·?Baidu Scholar

[2]
姜大膀, 王晓欣. 对IPCC第六次评估报告中有关干旱变化的解读 [J/OL]. 大气科学学报, 2021: 1–4. DOI: 10.13878/j.cnki.dqkxxb.20210810007

+?CSCD?·?Baidu Scholar

[3]
ZHONGMING Z, LINONG L, WANGQIANG Z, et al. AR6 Climate Change 2021: The Physical Science Basis [J]. 2021.

+?CSCD?·?Baidu Scholar

[4]
POKHREL Y, FELFELANI F, SATOH Y, et al. Global terrestrial water storage and drought severity under climate change[J]. Nature Climate Change, 2021, 11(3): 226–233. DOI:10.1038/s41558-020-00972-w.

+?CSCD?·?Baidu Scholar

[5]
SU B D, HUANG J L, FISCHER T, et al. Drought losses in China might double between the 1.5 °C and 2.0 °C warming[J]. PNAS, 2018, 115(42): 10600–10605. DOI:10.1073/pnas.1802129115.

+?CSCD?·?Baidu Scholar

[6]
KAMPRAGOU E, APOSTOLAKI S, MANOLI E, et al. Towards the harmonization of water-related policies for managing drought risks across the EU[J]. Environmental Science & Policy, 2011, 14(7): 815–824. DOI:10.1016/j.envsci.2011.04.001.

+?CSCD?·?Baidu Scholar

[7]
HE B, LIU J J, GUO L L, et al. Recovery of ecosystem carbon and energy fluxes from the 2003 drought in Europe and the 2012 drought in the United States[J]. Geophysical Research Letters, 2018, 45(10): 4879–4888. DOI:10.1029/2018gl077518.

+?CSCD?·?Baidu Scholar

[8]
杨庆, 李明星, 郑子彦, 等. 7种气象干旱指数的中国区域适应性[J]. 中国科学(地球科学), 2017, 47(3): 337–353. DOI:10.1360/N072016-00133.

+?CSCD?·?Baidu Scholar

[9]
黎小燕, 吴志勇, 陆桂华. 三种干旱指数在西南地区的应用及相关性分析[J]. 水电能源科学, 2014, 32(5): 1–5.

+?CSCD?·?Baidu Scholar

[10]
王素萍, 王劲松, 张强, 等. 多种干旱指数在中国北方的适用性及其差异原因初探[J]. 高原气象, 2020, 39(3): 628–640. DOI:10.7522/j.issn.1000-0534.2019.00049.

+?CSCD?·?Baidu Scholar

[11]
PALMER W C. Meteorological Drought [J]. usdepartment of commerce weather bureau research paper, 1965.

+?CSCD?·?Baidu Scholar

[12]
WELLS N, GODDARD S, HAYES M J. A self-calibrating palmer drought severity index[J]. Journal of Climate, 2004, 17(12): 2335–2351. DOI:10.1175/1520-0442(2004)017<2335: aspdsi>2.0.co;2.

+?CSCD?·?Baidu Scholar

[13]
MCKEE T B, DOESKEN N J, KLEIST J. The relationship of drought frequency and duration of time scales. Eight Conference on Apllied Climatology, American Meteorological Society, Jan 17-23[EB/OL]. 1993

+?CSCD?·?Baidu Scholar

[14]
VICENTE-SERRANO S M, BEGUERíA S, LóPEZ-MORENO J I. A multiscalar drought index sensitive to global warming: the standardized precipitation evapotranspiration index[J]. Journal of Climate, 2010, 23(7): 1696–1718. DOI:10.1175/2009jcli2909.1.

+?CSCD?·?Baidu Scholar

[15]
王东, 张勃, 安美玲, 等. 基于SPEI的西南地区近53 a干旱时空特征分析[J]. 自然资源学报, 2014, 29(6): 1003–1016. DOI:10.11849/zrzyxb.2014.06.009.

+?CSCD?·?Baidu Scholar

[16]
朱新玉. 基于SPEI的豫东地区近50年干旱演变特征[J]. 自然灾害学报, 2015, 24(4): 128–137. DOI:10.13577/j.jnd.2015.0416.

+?CSCD?·?Baidu Scholar

[17]
ULLAH S, YOU Q L, ULLAH W, et al. Observed changes in precipitation in China-Pakistan economic corridor during 1980-2016[J]. Atmospheric Research, 2018, 210: 1–14. DOI:10.1016/j.atmosres.2018.04.007.

+?CSCD?·?Baidu Scholar

[18]
SHAHNAWAZKHAN, AMIRNAWAZKHAN. Drought Risk and Reduction Approaches in Pakistan [J]. 2015.

+?CSCD?·?Baidu Scholar

[19]
朱淑珍, 黄法融, 李兰海. 巴基斯坦干旱特征及其风险评估[J]. 干旱区地理, 2021, 44: 1058–1069.

+?CSCD?·?Baidu Scholar

[20]
XIE H, RINGLER C, ZHU T J, et al. Droughts in Pakistan: a spatiotemporal variability analysis using the Standardized Precipitation Index[J]. Water International, 2013, 38(5): 620–631. DOI:10.1080/02508060.2013.827889.

+?CSCD?·?Baidu Scholar

[21]
SHEIKH M M, MANZOOR N, ADNAN M, et al. Climate profile and past climate changes in Pakistan [J]. Global Change Impact Studies Center -RR-01, 2009.

+?CSCD?·?Baidu Scholar

[22]
ADNAN S, ULLAH K. Development of drought hazard index for vulnerability assessment in Pakistan[J]. Natural Hazards, 2020, 103(3): 2989–3010. DOI:10.1007/s11069-020-04116-3.

+?CSCD?·?Baidu Scholar

[23]
ADNAN S, ULLAH K, GAO S T. Investigations into precipitation and drought climatologies in south central Asia with special focus on Pakistan over the period 1951–2010[J]. Journal of Climate, 2016, 29(16): 6019–6035. DOI:10.1175/jcli-d-15-0735.1.

+?CSCD?·?Baidu Scholar

[24]
ADNAN S, ULLAH K, GAO S T. Characterization of drought and its assessment over Sindh, Pakistan during 1951-2010[J]. Journal of Meteorological Research, 2015, 29(5): 837–857. DOI:10.1007/s13351-015-4113-z.

+?CSCD?·?Baidu Scholar

[25]
陈金雨, 陶辉, 刘金平. 1961–2015 年中巴经济走廊逐日气象数据集[DB/OL]. Science Data Bank, 2020. (2021-02-19). DOI: 10.11922/sciencedb.j00001.00189.

+?CSCD?·?Baidu Scholar

[26]
中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 气象干旱等级: GB/T 20481—2017[S]. 北京: 中国标准出版社, 2017.

+?CSCD?·?Baidu Scholar

[27]
VICENTE-SERRANO S M, BEGUERíA S, LóPEZ-MORENO J I, et al. SPEIbase v.2.6 [Dataset] [EB/OL].(2020-3)[2021-9-14]. https://digital.csic.es.

+?CSCD?·?Baidu Scholar

数据引用格式
方泽华, 陶辉, 陈金雨. 1961–2015年中巴经济走廊SPEI干旱指数数据集[DB/OL]. Science Data Bank, 2021. (2021-11-12). DOI: 10.11922/sciencedb.01174.

稿件与作者信息

论文引用格式
方泽华, 陶辉, 陈金雨. 1961–2015年中巴经济走廊SPEI干旱指数数据集[J/OL]. 中国科学数据, 2021, 6(4). (2021-12-31). DOI: 10.11922/11-6035.csd.2021.0056.zh.
方泽华FANG Zehua

主要承担工作：数据制作，论文撰写，数据质量控制和评估。
(1997—)，男，云南省昆明市人，硕士研究生，研究方向为气象水文灾害风险评估。

陶辉TAO Hui

主要承担工作：数据制作、评估整体思路的设计。
taohui@ms.xjb.ac.cn
(1981—)，男，新疆昌吉市人，副研究员，研究方向为气象水文灾害风险评估。

陈金雨CHEN Jinyu

主要承担工作：数据制作，数据质量控制和评估。
(1998—)，男，河南省信阳市人，硕士研究生，研究方向为气象水文灾害风险评估。

科技基础资源调查专项（2018FY100501）
National Key Research and Development Program of China MOST (2018FY100501)