基于最优选择指标的长江中下游地区短周期旱涝突变交替的时空演变

《Journal of Hydrology: Regional Studies》：Spatiotemporal evolution of short-cycle drought-flood abrupt alternation based on the optimally selected index in the middle and lower reaches of the Yangtze River

　　 Xiao Zijian|Shanshui Yuan|Yi Liu|Liujun Zhu
中国河海大学国家水灾防治重点实验室，南京210098

**摘要**
研究区域：长江中下游（MLRYR，106°54′E–124°25′E, 24°30′N–34°45′N），面积达800,000平方公里。
研究重点：通过误判/遗漏分析、历史事件验证和降水量差异比较，系统评估了三种短周期旱涝突变交替（DFAA）指数（SDFAI、SDWAI、R-SDFAI）。利用最优指数，分析了1970–2019年间75个站点的DFAA时空特征。

**对该区域的新的水文见解**：
R-SDFAI表现最佳（错误率为零，而SDFAI为3.01%；与降水量差异的相关系数r = 0.757），能够有效捕捉快速的水文状况变化。DFAA事件主要集中在5月至8月的季风过渡期，且频率呈弱增长趋势。虽然频率在空间上的变化最小，但强度存在显著异质性：极端事件集中在洞庭湖西南部和鄱阳湖东北部流域。北部地区强度呈下降趋势，而南部地区强度上升。西部地区趋势持续，东部地区则可能发生逆转。因此，有效的DFAA评估需要对突发水文变化敏感的指数，并为长江中下游制定差异化的管理策略。

**1. 引言**
在气候变化的背景下，温度升高加速了水循环，导致干旱和洪水等极端事件的频率和强度增加（Tellman等，2021；Walsh等，2020；Wang等，2025；Zittis等，2022）。像旱涝突变交替（DFAA）这样的复合极端事件也变得越来越常见（Bi等，2023；Ren等，2023）。DFAA造成的破坏通常比单一的干旱或洪水更为严重（Bai等，2023；Shi等，2021；Xiong等，2018；Zhang等，2023），给应急管理和灾害应对带来了巨大压力和挑战（Bai等，2023；Ji等，2018）。目前尚无被广泛认可的DFAA定义。DFAA通常理解为短期内干旱和洪水的交替，包括干旱到洪水（DTF）和洪水到干旱（FTD）（Bai等，2023；Tu等，2022；Zhang等，2023）。识别DFAA事件涉及三个关键方面：首先，区分前后状态，要求这两种状态分别符合干旱和洪水的标准；其次，确定前后状态之间的交替周期阈值；第三，计算DFAA事件的强度。为了识别DFAA事件，最常用的方法是使用旱涝突变交替指数（DFAIs），这些指数旨在识别事件并量化其强度（Bai等，2023；Shi等，2021；Song等，2023；Tu等，2022；Wu等，2006a）。

吴等（2006a）首次提出了长周期旱涝突变交替指数（LDFAI）。随后，张等（2012）开发了短周期旱涝突变交替指数（SDFAI），将时间尺度缩短为一个月，同时保留了LDFAI的计算框架。为了解决传统DFAIs需要手动选择参数且存在误判和遗漏问题的缺陷，Tu等（2022）提出了标准化旱湿突变交替指数（SDWAI），并采用了优化的计算框架和条件判断。Song等（2023）进一步提出了改进分级标准的修订版短周期旱涝突变交替指数（R-SDFAI）。尽管在开发各种DFAI方面取得了进展，但仍存在三个关键研究空白：首先，缺乏客观、系统的评估方法来比较不同DFAI在识别DFAA事件方面的有效性。虽然提出了多种指数并进行了应用，但比较研究有限（Bai等，2023），现有比较往往缺乏独立的验证基准，主要依赖于主观评估或内部一致性检查。哪些指数表现更好及其原因这一根本问题尚未得到充分解答。其次，这些指数在不同地理区域的适用性尚未得到充分验证。大多数DFAI研究仅关注单一区域，未进行跨不同水文气候条件的指数性能比较。特别是在DFAA频率和强度较高的热点地区，其时空演变特征及其与气候变化的关联尚不清楚。例如，长江中下游（MLRYR）是中国主要的平原之一，面积达800,000平方公里，由于季风驱动的降水量分布不均，经常发生严重的DFAA事件（Fang等，2018；Jia等，2022；Wu等，2006b）。然而，使用经过验证的最优指数对DFAA的时空模式进行全面分析尚缺乏。

为了解决这些空白，本研究旨在回答以下具体研究问题：
（i）哪种短周期DFAI在准确识别DFAA事件方面表现最佳？
（ii）现有DFAI之间性能差异的潜在机制是什么？
（iii）使用最优DFAI分析时，MLRYR中DFAA事件的时空演变特征是什么？
（iv）MLRYR中DFAA强度趋势在空间上如何变化，这对未来事件模式有何影响？为回答这些问题，我们开发了一个新的评估框架，系统评估三种短周期DFAI（SDFAI、SDWAI和R-SDFAI）。基于选定的最优指数，我们使用75个气象站分析了1970至2019年间MLRYR的DFAA时空特征。本研究有助于：
（1）建立首个具有独立验证方法的DFAI综合评估框架；
（2）为DFAI研究提供基于证据的指数选择指导；
（3）增强对受季风影响的关键流域中DFAA演变模式的理解，支持水资源管理和气候适应策略。

**2. 材料与方法**
2.1. 研究区域和数据
2.1.1. 研究区域
MLRYR是中国三大平原之一，面积达800,000平方公里，位于东经106°54′至124°25′、北纬24°30′至34°45′之间。年平均气温在14至18°C之间，年平均降水量在1000至1400毫米之间，主要集中在春季和夏季（Jiang等，2007；Liu等，2019；Wu等，2021）。得益于有利的气候条件，该地区为社会生产和经济发展提供了坚实基础。然而，受季风影响，MLRYR的降水量在空间和时间上分布不均，使其成为DFAA最严重的地区之一，造成了巨大的经济损失（Fang等，2018；Jia等，2022；Wu等，2006b）。2011年，MLRYR发生了一次高强度的DFAA事件。6月之前，该地区经历了近60年来最严重的冬春干旱。然而，6月连续四轮暴雨袭击了该地区，导致了严重的暴雨和洪水灾害，影响了数千万人，造成数十亿美元的经济损失。全面分析MLRYR中DFAA事件的演变模式和灾害特征是目前的重要任务，也是加强极端事件和风险管理理解的紧迫需求。

2.1.2. 数据
本研究使用的数据是1970至2019年间MLRYR 75个气象站的月平均降水量数据，来源于中国国家地面气象站（V3.0）的每日气象要素数据集（国家气象信息中心，2019）。75个气象站的分布如图1所示。此外，MLRYR发生的典型历史DFAA事件摘自《中国洪水和干旱灾害防治公报》（国家防汛抗旱指挥部，2020）。

**2.2. DFAIs**
本研究基于月尺度SPI计算DFAIs。月尺度SPI的计算方法如下（Guttman，1999；Svoboda等，2012）：将每个站点同月的历史数据拟合到Gamma分布，得到相应的累积概率函数，进一步转换为标准正态分布，最终得到SPI值。
2.2.1. SDFAI
SDFAI由张等（2012）基于LDFAI提出。SDFAI将时间尺度缩短为一个月，同时保留了LDFAI的计算框架。计算公式如下：
(1) SDFAI = (Zi+1 ? Zi) × (|Zi| + |Zi+1|) × 3.2 ? |Zi+Zi+1|
其中Zi表示第i个月的SPI值，Zi+1表示第(i+1)个月的SPI值，Zi+1 - Zi表示交替的强度，|Zi| + |Zi+1|表示干旱和洪水事件的强度之和，3.2 ? |Zi+Zi+1|是权重系数。

2.2.2. SDWAI
SDWAI采用条件判断，将非DFAA事件赋值为0（Tu等，2022）。只有当相邻值分别代表干旱和洪水时才进行进一步计算。计算公式如下：
(2) SDWAI = {
0 (Zi < 0.5 ∩ Zi+1 < 0.5) ∪ (Zi > ?0.5 ∩ Zi+1 > ?0.5)
Zi+1 ? Zi
(1 + |Zi+1+Zi|Sa)
}
(3) Sa = max(Zi, i=1,2,…,n) ? min(Zi, i=1,2,…,n)
其中(Zi|i=1,2,…,n)表示SPI序列，n是序列长度，Sa是SPI序列的绝对距离。

2.2.3. R-SDFAI
Song等（2023）完全改变了传统DFAI的计算框架，并设计了R-SDFAI。计算公式如下：
(4) F1 = Si+1 ? Si
(5) F2 = |Si+1| + |Si|
(6) F = |F1F2| / |Si+1+Si|
(7) I = F × min(|Si+1|, |Si|)
(8) I′ = (I ≤ 0.5) × max(|Si+1|, |Si|)
(9) R-SDFAI = F1|F1| × (I′ ≤ 0.5) × (I ≤ 0.5)[max(|Si+1|, |Si|) / (F1| + F2)]
(10) R?SDFAI = F1|F1| × (I′ ≤ 0.5) × [max(|Si+1|, |Si|) / (F1| + F2)]
其中Si表示第i个月的SPI值，F1表示交替的强度；F2表示干旱和洪水的绝对强度；F表示权重系数（范围为0到1），I和I'是计算过程中的重要参数，I′0.5表示I = 0.5时的I'值。

2.3. 分级标准
为保持一致性和客观性，三种DFAI的分级标准根据SPI框架进行了标准化，计算使用第2.2节中概述的公式。SPI和DFAI的详细分级标准见表1。

**表1. SPI和DFAI的分级标准**
| SPI等级 | SDFAI等级 | SDWAI等级 | R-SDFAI等级 |
| --- | --- | --- | --- |
| 极端洪水/干旱到洪水 | [2.0, +∞] | [16, +∞] | [2.0, +∞] | [2.36, +∞) |
| 严重洪水/干旱到洪水 | [1.5, 2.0] | [9, 16] | [1.5, 2.0] | [1.88, 2.36) |
| 中度洪水/干旱到洪水 | [1.0, 1.5] | [4, 9] | [1.0, 1.5] | [1.44, 1.88) |
| 轻度洪水/干旱到洪水 | [0.5, 1.0] | [1, 4] | [0.5, 1.0] | [1, 1.44) |
| 正常 | (?0.5, 0.5) | (?1, 1) | (?0.5, 0.5) | (?1, 1) |
| 轻度干旱/洪水到干旱 | [?0.5, ?1.0] | [?1, ?4] | [?0.5, ?1.0] | [?1, ?1.44) |
| 中度干旱/洪水到干旱 | [?1.0, ?1.5] | [?4, ?9] | [?1.0, ?1.5] | [?1.44, ?1.88) |
| 严重干旱/洪水到干旱 | [?1.5, ?2.0] | [?9, ?16] | [?1.5, ?2.0] | [?1.88, ?2.36) |
| 极端干旱/洪水到干旱 | [?2.0, ?∞] | [?16, ?∞] | [?2.0, ?∞] | [?2.36, ?∞] |

2.4. 误判和遗漏率
为了评估识别准确性，我们使用基于SPI的基准评估了误判和遗漏率。真实的DFAA事件定义为相邻月份的SPI值满足条件：一个月的SPI ≥ 0.5（洪水），下一个月的SPI ≤ ?0.5（干旱），反之亦然。所有其他月份对均被分类为非DFAA事件。
误判（假阳性）是指DFAI错误地将非DFAA月份对识别为DFAA事件；遗漏（假阴性）是指DFAI未能识别真实的DFAA事件（Song等，2023；Tu等，2022）。对于SDFAI，当|SDFAI| ≥ 1时视为检测到；对于SDWAI和R-SDFAI，任何非零值都表示检测到。
误判率等于假阳性总数除以检查的月份对总数。遗漏率等于假阴性总数除以月份对总数。这两者的总和代表综合误判和遗漏率。

2.5. 数学统计分析
2.5.1. Kolmogorov-Smirnov检验
Kolmogorov-Smirnov检验（K-S检验）是一种非参数假设检验方法，常用于检验样本是否遵循某种概率分布，或检验两个样本的概率分布是否相同（Berger和Zhou，2014）。对于单样本K-S检验，原假设是样本遵循某种概率分布F，待检验的统计量为：
(10) Z = n × max_i(|Fn(xi?1) ? F(xi)| / |Fn(xi) ? F(xi)|
其中n是样本量。
如果统计量Z小于预设值Z1?α/2，则接受原假设，即样本遵循概率分布F。此外，统计量KS用于表征样本分布与预期分布F的差异程度。计算公式如下：
(11) KS = n × max_i(|Fn(xi) ? F(xi)|
2.5.2. Pearson相关系数
Pearson相关系数常用于衡量两个变量之间的相关程度，其值范围为?1–1（Cohen等，2009）。绝对值越大，表示相关性越强。当相关系数大于或等于0.6时，通常认为两个变量之间存在强相关性；当系数为负时也是如此。根据定义，皮尔逊相关系数等于两个变量之间的协方差与标准差的商，公式如下：(12)ρX,Y = cov(X,Y) / (σX?σY)，其中cov(X, Y)表示变量X和Y之间的协方差，σ表示标准差。2.5.3. 欧几里得距离相似性欧几里得距离是用于测量空间中两点之间绝对距离的最常见距离度量之一（Dokmanic等人，2015年；Elmore和Richman，2001年）。二维情况下的公式为：(13)d = (x1?x2)2 + (y1?y2)2，其中x1、y1和x2、y2对应于空间中两个点的坐标，d是两点之间的欧几里得距离。基于欧几里得距离，相似性可以进一步定义为：(14)sim = 1 / (1 + d)。由于欧几里得距离的值范围在0到1之间，因此从上述方程可以得出相似性值 tak?e在0到1之间，且当距离较小时相似性增加。2.5.4. 曼-肯德尔检验曼-肯德尔检验（MK检验）是一种常用的非参数统计方法，用于检测时间序列数据中的趋势（Hamed和Rao，1998年；Yue和Wang，2002年）。其计算原理和方法如下：(15)St = ∑(i=1n?1) ∑(j=i+1) [sign(Xj?Xi)]，(16)sign(Xj?Xi) = {+1 if Xj > Xi; 0 if Xj = Xi; -1 if Xj < Xi}，(17)Var(St) = 1 / (1 + 18[n(n?1)(2n+5) ? ∑(i=1n ti(ti?1)(2ti+5)]，(18)Z = {1 if St > 0; 0 if St = 0; 1 if St < 0}，其中St是一个统计变量，Xi和Xj分别是时间点i和j的值，n是时间序列的长度。在本研究中，选择了α = 0.05的显著性水平，即当|Z|≥Z1?α/2=1.96时，原假设被拒绝，并认为时间序列具有显著趋势。2.5.5. 赫斯特指数赫斯特指数由英国水文研究者Harold Edwin Hurst提出，可用于衡量时间序列的长期记忆能力。重标度范围分析（R/S）是最常用的赫斯特指数估计方法（Alvarez-Ramirez等人，2008年；Mielniczuk和Wojdy??o，2007年），其计算过程如下：对于时间序列X，根据赫斯特指数的定义，当时间序列长度n趋向于无穷大时，可以得到以下公式：(19)C?nH = E(R(n)) / S(n)，其中n是时间序列的长度，R(n)是前n个值的范围；S(n)是前n个值的标准差；C是一个常数；H是赫斯特指数。根据R/S分析，将长度为N的时间序列划分为长度为n的短序列{N, N/2, N/4, …}，并计算每个n的重标度范围R(n)/S(n)。由于数据的赫斯特指数满足公式(19)，可以拟合一条直线，其斜率即为H的值。3. 结果3.1. DFAIs的比较在独立评估之前，我们系统地分析了三种DFAIs在时空分布、事件分级和极端值识别方面的差异。这种比较分析为后续验证建立了观察基础。3.1.1. 时空分布基于MLRYR 75个站点的月平均降水量数据，计算了月尺度SPI，从中得出了三种DFAIs。(a-c)展示了DFAIs的年际变异性，而月度时间变化则呈现于补充材料（图S1至S3）中。从75个MLRYR站点的降水量数据计算了月尺度SPI，从而得出了三种DFAIs。图2(a-c)显示了年际变异性，而详细的月度变化则出现在补充材料（图S1至S3）中。各指数之间存在显著差异。SDFAI的平均值处于“轻微”范围内，SDWAI集中在“中等”范围内，而R-SDFAI分布在±1.44附近（轻微-中等边界）。对于极端值，SDWAI和R-SDFAI表现出更大的相似性，大多数超过“严重”阈值，而少数SDFAI极端值达到了这一水平。下载：下载高分辨率图像（706KB）下载：下载全尺寸图像图2. 三种DFAIs的时空分布：(a-c) 年度时间变化；(d-f) MLRYR 75个站点的平均强度空间分布。从空间上看（图2d-f），DFAIs显示出类似的模式，南部值较低，中部和北部值较高。定量上，SDFAI显示出最高的强度值，而SDWAI显示出最低的值。3.1.2. 事件分级图3展示了等级频率分布，显示出明显的差异。SDFAI很少识别极端事件，主要是将事件分类为轻微级别。SDWAI在各级别之间的分布较为均匀，中等类别的频率最高。R-SDFAI呈现出从轻微到极端的层次性变化。关于总事件频率，SDWAI和R-SDFAI的值相同，而SDFAI的值较高。下载：下载高分辨率图像（143KB）下载：下载全尺寸图像图3. 三种DFAI在每个级别识别出的DFAA事件频率的直方图：(a) DTF事件；(b) FTD事件。3.1.3. 极端值表2列出了每种DFAI的前十个极端事件。三种DFAI之间没有完全对应。SDWAI和R-SDFAI有五个共同事件（1979年9月至10月；2001年8月至10月最为频繁）。SDFAI显示出显著差异：它的前十名对应于其他指数的极端事件，但没有一个SDWAI的前十名被归类为极端事件（其中三个是非DFAA事件）。对于R-SDFAI的前十名，所有都符合SDWAI的极端事件标准，而SDFAI大多数被评定为轻微/中等。这些模式表明在极端事件识别方面存在可观察到的差异，SDWAI和R-SDFAI表现出更大的一致性。表2. 每种DFAI识别出的前十个极端DFAA事件及其交叉指数比较。粗体值代表每种DFAI的前十名事件。百分位数表示所有DFAA事件中的相对排名。星号(*)表示非DFAA事件。站点时间SDFAI/百分位数SDWAI/百分位数R-SDFAI/百分位数SDFAI：利川1979年9月至10月3-17.98-2.59/1.45%-3.05/0.51%向阳1979年9月至10月-27.38-2.97/0.38%-3.55/0.16%英山1986年5月至6月19.482.39/2.59%2.78/1.03%镇安1998年8月至9月-22.85-2.40/2.53%-2.79/1.00%石门1999年12月至2000年1月21.682.60/1.40%3.04/0.54%佛坪2002年6月至7月-27.45-2.67/1.07%-3.11/0.44%龙南2007年6月至7月-19.33-2.76/0.83%-3.28/0.30%向阳2018年5月至6月-23.73-2.80/0.76%-3.31/0.29%永丰2019年7月至8月-28.07-2.77/0.79%-3.25/0.33%光昌2019年7月至8月-18.96-2.60/1.42%-3.06/0.50%SDWAI：钟祥1979年9月至10月-2.05/46.53%-3.65-4.46/0.03%宜昌1979年9月至10月-0.95/*-3.39-2.84/0.92%元陵1979年9月至10月-0.41/*-3.36-1.25/62.72%凯里1981年11月至12月-4.69/12.26%-3.43-4.49/0.01%石门1986年5月至6月3.00/27.36%3.404.10/0.05%房县1997年7月至8月-1.01/99.19%-3.63-3.59/0.15%房县1998年11月至12月0.53/*3.541.94/11.82%桑枝1901年9月至10月1.08/93.36%3.773.71/0.10%博阳2001年8月至9月-4.76/11.93%-3.40-4.24/0.04%连华2005年4月至5月1.36/74.42%3.443.42/0.24%R-SDFAI：桑枝1973年9月至10月-3.49/21.07%-3.07%-3.63钟祥1979年9月至10月-2.05/46.53%-3.65/0.03%-4.46大悟1979年9月至10月-3.18/24.81%-3.30/0.15%-3.88凯里1981年11月至12月-4.69/12.26%-3.43/0.08%-4.49石门1986年5月至6月3.00/27.36%3.40/0.10%4.10宁国1995年10月至11月-2.33/39.41%-3.30/0.14%-3.84建市1996年11月至12月-14.47/0.28%-3.01/0.34%-3.70博阳2001年8月至9月-4.76/11.93%-3.40/0.09%-3.44迪兴2001年8月至9月-6.18/6.64%-3.16/0.19%-3.88桑枝2001年9月至10月1.08/93.36%3.773.713.2. DFAIs的评估我们现在使用独立验证来评估这些指数：这些指数能否准确区分DFAA和非DFAA事件？它们能否捕捉到现实世界中的灾难？为了回答这些问题，我们采用误判率和遗漏率分析来评估基本识别准确性，并通过历史事件反转来验证与记录的灾难是否一致。3.2.1. 误判率和遗漏率检查了三种DFAIs的误判率和遗漏率，如表3所示。SDFAI显示出3.01%的综合错误率（2.84%的误判率，0.17%的遗漏率），这解释了其较高的总事件计数（第3.1.2节）。由于加权参数α的影响，传统的DFAIs无法消除这些错误：较高的α会增加遗漏率，较低的α会增加误判率。先前的研究通过优化实现了至少2.0%的错误率（Tu等人，2022年）。SDWAI和R-SDFAI通过改进的框架实现了0%的错误率。表3. 三种DFAIs的误判率和遗漏率。DFAIs误判率/%遗漏率/%误判率和遗漏率/%SDFAI 2.840.173.01SDWAI 000R-SDFAI 0003.2.2. 历史事件通过两个记录的DFAA事件（2011年，2019年）验证了DFAI的有效性（国家防洪抗旱指挥部，2012年；国家防洪抗旱指挥部，2020年）。受持续的拉尼娜现象影响，MLRYR地区从1981年1月至5月经历了长期低于平均水平的降水，导致严重干旱（Lu等人，2014年；Yu等人，2011年）。然而，在6月初，暴雨迅速将该地区从干旱转变为洪水（Yang等人，2013年）。对于1981年5月至6月的情况，图4(a-c)展示了DFAA的空间分布。所有三种DFAI都识别出相似的覆盖区域，包括三个高强度中心（洞庭湖盆地中部、鄱阳湖盆地北部、宜昌-湖口段中部）。SDWAI和R-SDFAI显示出更高的相似性和强度。下载：下载高分辨率图像（291KB）下载：下载全尺寸图像图4. 三种DFAI识别的历史DFAA事件的空间分布：(a-c) 2011年5月至6月事件；(d-f) 2019年7月至8月事件。2019年7月，长江发生了第一次洪水，7月7日至14日的两次暴雨导致MLRYR多个站点的水位超过了警戒水平。从8月至12月初，MLRYR的降水量比同期正常水平低50%以上，导致干旱从夏季延续到秋季和冬季（Tang和Luo，2025年；Yuan等人，2021年）。从2019年7月至8月，图4(d-f)展示了DFAA强度的空间分布。与2011年类似，所有DFAI显示出相似的空间分布，其中SDWAI和R-SDFAI的一致性更高，强度也更高。3.3. 与降水量差异序列的比较本节通过将DFAIs与降水量差异进行比较来提供独立的物理验证，这些降水量差异是DFAA事件的实际气象驱动因素。这种方法测试了DFAI的变化是否与实际水文驱动因素一致，评估了指数值与气象变化的一致性以及分级阈值是否合适。3.3.1. 降水量差异序列的分布拟合对于每个站点，计算了月降水量差异，并将其拟合到七个概率分布中：Gamma、GEV、Lognormal、Weibull、Normal、Rayleigh和Pearson-III。Kolmogorov-Smirnov检验（图5）确定Pearson-III为最优分布，其p值最高，KS统计量最低。这种分布将降水量差异转换为百分位数以供后续分析。下载：下载高分辨率图像（244KB）下载：下载全尺寸图像图5. 75个站点降水量差异数据拟合到七个概率分布的Kolmogorov-Smirnov检验结果：(a) KS统计量；(b) p值。3.3.2. 一致性比较皮尔逊相关性分析（图6）显示R-SDFAI的相关性最强（平均r = 0.757），其次是SDFAI（r = 0.715）和SDWAI（r = 0.603）。R-SDFAI的结果表明，许多站点的相关系数不低于0.8，表明与降水量变化高度一致。SDWAI的相关性较低是因为它将非DFAA事件分配为0。下载：下载高分辨率图像（511KB）下载：下载全尺寸图像图6. MLRYR 75个气象站点的DFAI与降水量差异序列百分位数之间的皮尔逊相关系数：(a) SDFAI；(b) SDWAI；(c) R-SDFAI。星号(*)表示相关系数≥0.8，表示强相关性。进一步使用欧几里得距离相似性来衡量DFAIs与百分位数之间的差异。为了避免不同DFAI的数值范围对欧几里得距离相似性结果的影响，将三种DFAI提前归一化到0–1的范围，结果显示在图7中。虽然SDFAI和SDWAI的平均相似值接近，但在SDFAI样本之间的相似性结果存在显著差异，而SDWAI的结果显示出更大的均匀性。下载：下载高分辨率图像（452KB）下载：下载全尺寸图像图7. MLRYR 75个站点DFAI与降水量差异序列百分位数之间的欧几里得距离相似性：(a) SDFAI；(b) SDWAI；(c) R-SDFAI。这两个指标都显示R-SDFAI与实际气象变化的一致性更好。3.3.3. 分级标准的比较图8绘制了对应于DFAA等级的降水量百分位数。结果表明，SDFAI识别的不同等级的DFAA事件之间存在明显的分歧。相反，SDWAI显示出相反的特点，不同等级的事件之间的区分度较低，特别是在极端FTD和严重FTD事件之间。这表明SDWAI在识别极端事件时更为敏感。这种敏感性主要来源于SDW年份中DTF和FTD事件发生频率最高的是不同的，分别发生在1988年和1996年。然而，1999年记录了极端DTF事件的最高频率。值得注意的是，即使在DFAA事件频率较低的一年，极端事件仍然会发生。这些高强度的DFAA事件往往在时间和空间上更加集中。此外，线性回归分析表明DFAA事件的频率有轻微的上升趋势，DTF和FTD事件的增幅相似。

3.4.2 空间分布
选取了50年来每个站点的DFAA事件的最高和最低值，并在图10（a-b）中展示了它们的空间分布。结果表明，少数站点的值相对较高，而其他站点的差异并不显著。洞庭湖盆地的西南部经历了极高强度的DTF事件。高强度的FTD事件则发生在洞庭湖盆地的西南部、鄱阳湖盆地的东北部以及汉江盆地的东南部。此外，还计算了50年来每个站点的DFAA事件频率，并在图10（c-d）中描绘了其空间分布。总体而言，MLRYR地区DFAA事件频率的空间分布变化不大，中心地区的频率略高于其他区域。而且，DTF和FTD事件的频率在空间上也有相当一致的分布。

3.4.3 时空演变特征
为了分析MLRYR地区DFAA事件的趋势，首先计算了每个监测站的年均DFAA强度。随后，我们对年均时间序列应用了5年移动平均值以平滑短期波动并突出长期趋势。然后对处理后的时间序列进行了MK检验，以评估DFAA浓度的显著时间趋势。结果如图11（a）所示。不同地区的趋势存在空间差异：西北地区呈现出明显的下降趋势，而东南和东北地区则呈现上升趋势。此外，还计算了每个站点DFAA强度时间序列的Hurst指数，结果如图11（b）所示。总体而言，在西部（中游）地区，Hurst指数大多大于0.5，表明DFAA强度的未来趋势将继续当前的模式；而在东部（下游）地区，Hurst指数大多小于0.5，提示DFAA强度的未来趋势将会逆转。

4. 讨论
4.1 R-SDFAI优异性能的机制
R-SDFAI的卓越性能源于三个根本性的设计改进。首先，其条件框架通过数学约束而非参数加权消除了误判。传统的DFAI（如SDFAI）使用加权系数来人为放大DFAA信号同时抑制非DFAA信号（Bai等人，2023；Tu等人，2022；Wu等人，2006a；Zhou等人，2023），这在误判和遗漏之间造成了不可避免的权衡。R-SDFAI的（4）、（5）、（6）、（7）、（8）、（9）建立了逻辑阈值，从而防止了非DFAA事件的识别。其次，R-SDFAI通过同时考虑转变速度和绝对旱涝幅度实现了强度的平衡量化。这种设计与水文现实相一致，因为严重的DFAA事件需要快速的水分状态转变和显著的变化幅度。降水差异分析验证了这一点：R-SDFAI显示出最强的相关性（r=0.757），因为实际的气象转变同时包含了这两个特征，而基于权重的SDFAI方法（r=0.715）和条件零值的SDWAI（r=0.603）则无法准确对应。第三，R-SDFAI的分级边界是通过SPI框架内的统计优化得出的，而不是主观分配，这在保持对极端事件的敏感性的同时确保了事件之间的清晰区分。这解释了为什么R-SDFAI能够正确识别所有被SDWAI识别的极端事件，而SDFAI却未能检测到其中70%的事件。

4.2 MLRYR地区DFAA时空模式的物理解释
5月至8月期间DFAA事件的集中反映了东亚季风的转变动态。在此期间，西太平洋副热带高压带快速南北移动，导致降水制度发生突变（Jiang等人，2007；Liu等人，2019；Luo等人，2024）。洞庭湖盆地的西南部和鄱阳湖盆地的东北部经历了最强烈的事件，因为这些地区处于季风环流产生最陡峭降水梯度和最不稳定水分通量的区域。北部MLRYR地区的强度下降趋势与南部地区的上升趋势形成对比，这可能反映了气候变化影响的差异。北部强度的下降可能与东亚夏季季风强度减弱有关（Wu等人，2021），而南部的强度上升可能表明来自暖化的南海的水分输送增加（Luo等人，2024）。Hurst指数的东西部对比表明了气候强迫机制的根本差异：西部地区表现出更强的地形影响和大陆持续性，而东部地区则受海洋影响更显著。

4.3 当前DFAI方法的局限性
尽管有所改进，但短周期DFAI方法仍存在根本性局限。所有方法都将时间周期固定为自然月份，从而固定了相邻月份之间的转换点（Shan等人，2018；Shi等人，2024）。这影响了识别的准确性，因为干旱和洪水的持续时间很少与日历月份对齐。虽然运行理论方法解决了时间上的灵活性问题（Qiu等人，2024；Zhao等人，2020），但它们通常使用主观的转换阈值（例如5天），而没有区分DTF（通常是快速的）和FTD（通常是逐渐的）事件（Barendrecht等人，2024；DeFlorio等人，2024）。现有的DFAI依赖于单一的标准化指数（如SPI、SPEI），这些指数无法充分反映洪水过程（Mishra和Singh，2010；Zargar等人，2011）。这些指数仅反映了降水量或湿度，无法捕捉径流生成、洪水峰值或复杂的水文变化。使用SRI可以在一定程度上解决这一问题（Liu等人，2023），但引入了从气象到水文干旱传播的时间滞后（Barker等人，2016；Huang等人，2017），使得DFAA的识别变得更加复杂。

4.4 评估框架的局限性和未来方向
我们的误判基准使用了SPI阈值，与评估的DFAI方法具有相同的数学基础。虽然这遵循了既定的方法（Song等人，2023；Tu等人，2022），并符合水文标准，但仍存在一定的循环性。我们通过使用独立的基准（历史灾害、降水差异）和敏感性分析进行了补充验证，结果显示跨阈值的排名是一致的。然而，目前尚缺乏涵盖75个站点50年全面历史数据的DFAA记录，因此需要系统的解决方法。未来的研究应该：（1）开发基于物理的DFAA识别方法，整合降水、土壤湿度和径流，以捕捉气象强迫和水文响应；（2）根据旱涝转变机制建立客观的转换期阈值，而不是主观分配；（3）对DTF和FTD事件进行不同的处理，以反映它们不同的物理过程；（4）探索基于子月份或事件的时间框架，避免使用固定的日历周期。

5. 结论
本研究建立了一个系统评估框架，用于评估三种短周期DFAI（SDFAI、SDWAI和R-SDFAI），并分析了1970至2019年MLRYR地区的DFAA时空特征。主要发现和水文洞察包括：
（1）R-SDFAI通过消除误判和遗漏表现出最佳性能，与降水差异的相关性最强，并保持了事件等级的平衡区分。其优越性源于对转变速度和绝对幅度的双重量化，有效捕捉了快速的水分状态转变。
（2）DFAA事件集中在5月至8月的季风转换期间，频率呈轻微上升趋势。强度具有显著的空间异质性，极端事件集中在季风环流产生急剧降水梯度的区域，反映了水文对大气强迫变化的敏感性。
（3）MLRYR北部地区的强度呈下降趋势，而南部地区则上升，西部地区显示趋势持续性，东部地区表明可能存在逆转。这些不同的模式需要差异化的水资源管理策略。
（4）有效的DFAA评估需要能够捕捉突发性水文变化的指标，而不仅仅是渐进性变化。结合误判分析、历史验证和降水比较的评估框架为受季风影响的流域提供了可复制的极端事件评估方法。