王曉東，陳金華※，陳 曦，岳 偉，魏忠光

（1. 安徽省農業(yè)氣象中心，合肥 230031；2. 安徽海峰分析測試科技有限公司，合肥 230031）

0 引 言

由于地表水分收支不平衡導致的旱澇災害是主要的農業(yè)氣象災害之一，由其造成的糧食損失約占中國糧食生產總損失的80%以上[1]?；春恿饔蛴捎跉夂蜻^渡性和不穩(wěn)定性特征，形成了“無降水旱、有降水澇、強降水洪”典型區(qū)域旱澇特征，加之流域生態(tài)環(huán)境脆弱性導致旱澇頻發(fā)[2]。旱澇災害對淮河流域糧食作物產量影響顯著，大澇年冬小麥產量損失可占平均糧食產量的6%～12%，大旱年占到10%～20%[3]。而夏玉米和一季稻等秋收作物受旱澇災害影響的減產幅度普遍大于冬小麥，如淮河流域1994、1997、2002 年的干旱，1982、1991、2003、2007年的夏季洪澇導致夏玉米等秋收作物受災減產，減產率最高達30%以上[4]。氣候變化導致該區(qū)旱澇災害明顯增多，加上區(qū)域經濟發(fā)展水平不高，制約了對災害的管理能力，旱澇災害已成為影響該區(qū)農業(yè)和國民經濟可持續(xù)發(fā)展的重要障礙因素[5]。因此選擇合理的農田旱澇監(jiān)測指標，研究淮河流域農田旱澇時空特征并開展實時旱澇監(jiān)測業(yè)務服務工作，對流域防災減災、保障糧食安全和社會經濟可持續(xù)發(fā)展具有實際意義。

旱澇指標是研究農業(yè)旱澇的基礎，目前常用的主要指標有綜合氣象干旱指數（Comprehensive Meteorological Drought Index，CI）、作物水分虧缺指數（Crop Water Deficit Index，CWDI）、帕默爾干旱指數（Palmer Drought Severity Index，PDSI）、標準化降水指數（Standardized Precipitation Index，SPI）、標準化降水蒸發(fā)指數（Standardized Precipitation Evapotranspiration Index，SPEI）等，眾多學者利用旱澇指標對中國不同地區(qū)旱澇特征進行了系統(tǒng)的研究，在旱澇時空分布特征[6-7]、強度發(fā)生頻率[8-9]、災害評估和風險區(qū)劃[10-11]以及遙感應用[12]等方面取得眾多研究成果。此外，紀昌明等[13-15]學者也利用SPI 和SPEI 等旱澇指標在淮河流域旱澇特征和產量影響等方面開展了研究。其中，SPEI 指數融合了SPI 與PDSI 指數的優(yōu)點，綜合考慮農田水分平衡且同時能在多時間尺度上合理評估旱澇，能夠更客觀地描述地表干濕變化，具有適合多尺度、多空間比較的優(yōu)點，并且在大部分地區(qū)都有很好的適用性[16-17]。

目前大部分旱澇指標多以旬、月、季尺度作為統(tǒng)計時段，且容易忽視降水發(fā)生時間對當前旱澇的影響，不能完全反映旱澇逐日變化[18-19]。為滿足現代農業(yè)旱澇監(jiān)測的要求，提升監(jiān)測的時效性與精細化水平，本文基于SPEI，針對淮河流域三大主要糧食作物（冬小麥、夏玉米和一季稻）農田旱澇監(jiān)測，在充分考慮土壤水分變化特征的基礎上，優(yōu)化了農田水分收支項中有效降水量和作物需水量計算，并采用三參數log-Logistic 概率分布擬合了日尺度前期累積降水蒸散差，通過正態(tài)標準化得到日尺度標準化前期降水蒸散指數（Standardized Antecedent Precipitation Evapotranspiration Index ，SAPEI），通過典型實例及一致性檢驗指標Kappa 系數等探討了其在淮河流域農田旱澇監(jiān)測中的適用性，最后計算分析了優(yōu)化后的SAPEI 時空變化特征。將SAPEI 應用于農田旱澇逐日動態(tài)監(jiān)測業(yè)務服務中，可及時預防并減輕農田旱澇對作物影響，同時為防災減災措施的制定提供決策依據。

1 材料與方法

1.1 研究區(qū)域與數據來源

淮河流域地處中國東部，地跨湖北、河南、安徽、江蘇和山東5 ?。?11°55′～121°20′E，30°55′～36°20′N），其西部、南部和東北部為山地丘陵區(qū)，其余為平原（含湖泊和洼地），是黃淮海平原的重要組成部分。耕地面積約占全國耕地面積12%，糧食產量占全國總產量近15%，其中小麥產量接近全國總產量的一半，是中國糧食主產區(qū)和重要的農產品基地[20-21]。該區(qū)域屬于一年兩熟作物種植區(qū)，夏糧以小麥為主；秋糧中北部地區(qū)主要以夏玉米為主，南部及沿淮地區(qū)多為一季稻[22]。本文綜合考慮氣候地理、作物種植等因素，將淮河流域分為4 個區(qū)[4]。Ⅰ區(qū)：東北部山地丘陵區(qū)（冬小麥/夏玉米）；Ⅱ區(qū)：北部平原區(qū)（冬小麥/夏玉米）；Ⅲ區(qū)：中部平原區(qū)（冬小麥/夏玉米）；Ⅳ區(qū)：西部及沿淮區(qū)（冬小麥/一季稻）。

淮河流域173 個氣象觀測站1971—2020 年逐日平均氣溫、最高氣溫、最低氣溫、降水量、日照時數、水汽壓、平均風速、相對濕度等氣象數據，16 個自動土壤水分代表站2011—2020 年0～50 cm 逐時自動土壤水分數據（土壤體積含水率），36 個農業(yè)氣象觀測站1981—2010年0～50 cm 歷史人工土壤水分數據（土壤相對濕度）和作物發(fā)育期觀測數據，資料均來源于國家氣象信息中心；相關農田旱澇災情數據來源于1995—2018 年《治淮匯刊（年鑒）》。為確保逐日氣象數據質量及其連續(xù)性，缺測序列≤5 d 的數據采用三次樣條函數內插補齊，個別缺測序列＞5 d 的使用相鄰站點數據進行插補訂正。另外由于日降水資料統(tǒng)計時段為前一日20 時至當日20 時，因此使用20 時自動土壤水分數據進行研究分析。研究區(qū)域種植分區(qū)及各站點分布見圖1。

1.2 研究方法

1.2.1 有效降水量

有效降水量是指旱地作物用于滿足作物蒸發(fā)蒸騰需要的那部分降水量，其中不包括地表徑流和滲漏至作物根區(qū)以下的部分，也不包括淋洗鹽分所需要的降水深層滲漏部分。降水的有效性與降水量級直接相關，同時也與作物生長狀況、地表覆蓋情況、土壤的質地結構和當前土壤的實際含水率有關[23]，常用的經驗方法有FAO 推薦的參考作物蒸散量和降水量比率法[24]、美國農業(yè)部土壤保持局推薦的有效降水量分析方法[25]等，但影響有效降水量的因素較多，精確計算比較困難，針對具體地區(qū)的適用性還有待進一步驗證。

本文采用有效降水系數法，為消除固定有效降水系數存在的局限性問題，選擇淮河流域2011—2020 年運行較為穩(wěn)定且具有分區(qū)代表性的自動土壤水分觀測站數據，分析不同降水過程0～50 cm 土壤貯水量增量與過程累積降水量的關系。其中大雨量級以上的降水過程，0～50 cm 土層的土壤水分變化量普遍可占到整個土層的90%以上，50 cm 以下土層含水率總體較為穩(wěn)定，而冬小麥、夏玉米和一季稻的主要根系分布于0～50 cm 表土層中[26-27]，因此本研究選擇0～50 cm 土層平均土壤水分變化作為研究對象。另外剔除土壤貯水量增量大于過程累積降水量的樣本，在此基礎上建立各分區(qū)不同量級降水量和有效降水系數的關系，4 個分區(qū)相關系數均在0.68以上，通過了極顯著檢驗（P＜0.001）。該方法既考慮了不同降水等級有效性存在差異的特點，同時充分考慮土壤特性，具有較好的區(qū)域適用性，另外農田環(huán)境小于5 mm 的降水量一般視為無效降水，因此區(qū)域有效降水可表示為

式中Pe為有效降水量，mm；Pd為日總降水量，mm；P0為有效降水量達到極大值時所對應的日降水量值，mm；Pemax為有效降水量極大值，mm；a和b為計算有效降水系數的參數。圖2 是以淮河流域中部平原區(qū)為例，實際降水量與有效降水系數、有效降水量的關系。

基于分區(qū)自動土壤水分代表站點分析，獲取了淮河流域4 個主要農業(yè)種植分區(qū)有效降水的估算結果及相關特征量，計算結果見表1。

表1 淮河流域分區(qū)有效降水量估算參數和特征值Table 1 Estimated parameters and eigenvalues of regional effective precipitation in Huaihe River Basin

1.2.2 作物需水量

某日大田作物的需水量（ETc）一般由作物系數（Kc）和參考作物蒸散量（ET0）計算得到。

其中Kc反映了作物蒸騰、土壤蒸發(fā)的綜合效應，受作物類型、氣候條件、土壤蒸發(fā)、作物生長狀況等多種因素影響，本文為獲取淮河流域三大主要糧食作物逐日Kc值，首先基于FAO 推薦的作物生育期Kc變化模型[28]（圖3a），將作物發(fā)育期分為發(fā)育初期、中期和后期，然后根據淮河流域已有的Kc觀測試驗資料[29]，確定冬小麥、夏玉米和一季稻分區(qū)的初期作物系數（Kcini）、中期作物系數（Kcmid）和后期作物系數（Kcend）3 個標準作物系數，最后計算得到逐日Kc。以中部平原區(qū)的宿州站（夏糧為冬小麥，秋糧為夏玉米）為例，其年內Kc變化見圖3b。各站點逐日參考作物蒸散量（ET0）計算采用聯合國糧農組織（FAO1998）推薦的Penman-Monteith 模型，其中凈輻射估算的經驗系數由流域輻射站實測資料計算得到，各站點采用最短距離和氣候相似性原理確定[30]，其余參數均采用FAO 推薦值。

1.2.3 旱澇指標模型設計和優(yōu)化

某日農田水分收支量（ΔW）可表示為

從實際農田旱澇出發(fā)，綜合考慮農田旱澇前期累積效應，借鑒前期降水指數（Antecedent Precipitation Index，API）的設計理念，當日農田水分供應能力與前期農田水分收支量有關，且離當日越久，影響越小，據此構建前期累積降水與蒸散差值指數（Antecedent Precipitation Evapotranspiration Index，APEI）[31]。本文根據淮河流域農田旱澇特征，對ΔW和K進行本地化訂正，并優(yōu)化了APEI 計算，其公式如下：

式中m為前期農田旱澇累積影響的天數，取值99；i為前推日序數（當日記為0），統(tǒng)計時段共計100 d；ΔWi為第i日農田水分收支量；K為衰減系數，通過對淮河流域分區(qū)土壤水分的衰減規(guī)律進行研究，以獲取前期每日土壤水分影響權重系數，并對權重系數進行歸一化處理，其中每個分區(qū)土壤水分站點選取4～6 個無降水的長時間序列樣本進行研究分析，通過擬合獲得Ⅰ～Ⅳ區(qū)衰減系數，分別為0.891、0.908、0.921 和0.915。

仿照標準化降水指數SPI 的計算方法，采用三參數log-Logistic 概率密度函數對所建立的逐日APEI 數據序列進行擬合，再經正態(tài)標準化求得SAPEI 值，旱澇等級分類標準主要參考SPI 和SPEI 指數研究的相關文獻[6,8]，通過SAPEI 理論累積概率來確定，并結合土壤相對濕度分類等級[31]確定一一對應關系。具體旱澇等級分類見表2。其概率密度函數如下：

表2 標準化前期降水蒸散指數（SAPEI）旱澇等級標準Table 2 Drought and flood grade standard of Standardized Antecedent Precipitation Evapotranspiration Index (SAPEI)

式中w為概率加權矩；常數項c0=2.515 517，c1=0.802 853，c2=0.010 328，d1=1.432 788，d2=0.189 269，d3=0.001 308，均為對累積概率密度進行正態(tài)標準化后計算SAPEI 所需的參數。當P≤0.5 時，P=1-F(x)；當P＞0.5 時，P=1-P。

1.2.4 分布擬合檢驗

檢驗某個樣本是否符合正態(tài)分布的檢驗方法有T檢驗、z檢驗、偏度和峰度檢驗等，本文構建的APEI 數據序列是假設其符合三參數log-Logistic 概率分布，并不適合直接采用正態(tài)分布檢驗法。經常采用擬合優(yōu)度（χ2）檢驗和Kolmogorov-Smirnov（k-s）檢驗來驗證樣本是否符合某一理論分布，雖然k-s 檢驗的靈敏度沒有T檢驗等正態(tài)分布檢驗方法高，但相比于χ2檢驗，其適用范圍廣，且更具穩(wěn)定性，能較好地驗證樣本數據是否服從某一特定分布[32-33]，因此本文采用k-s檢驗法進行分布擬合效果檢驗。

1.2.5 Kappa 系數

Kappa 系數是由Cohen 在1960 年提出并用于衡量分類精度的一致性檢驗指標[34-35]。所謂一致性就是模型預測結果和實際分類結果是否一致。基于混淆矩陣計算的Kappa 系數取值在?1 到1 之間，通常大于0。一致性分類標準：無一致性（＜0）、極低的一致性（0.0～0.20）、一般的一致性（0.21～0.40）、中等的一致性（0.41～0.60）、高度的一致性（0.61～0.80）和幾乎完全一致（0.81～1）。Kappa 系數詳細計算見文獻[34]。

1.2.6 氣候傾向率和Mann-Kendall 趨勢檢驗

氣候傾向率可由某一氣候變量X與所對應的時間t之間建立的一元線性回歸方程得到。

式中a0為截距，b0為回歸系數，a0和b0通過最小二乘法或經驗正交多項式來確定，b0乘以10 即為氣候變量X的氣候傾向率。

Mann-Kendall 趨勢檢驗是一種非參數統(tǒng)計檢驗，不需要樣本服從一定的分布，同時也不受少數異常值的干擾，更適用于類型變量和順序變量[36]。因此適合本文中旱澇時間變化突變特征的分析。

2 結果與分析

2.1 APEI 分布擬合檢驗

SAPEI 是基于假設APEI 序列服從log-Logistic 概率分布，當APEI 序列的經驗概率分布與理論概率分布近似一致時，則認為SAPEI 分析適用于該序列。為檢驗分布的擬合效果，分別計算了1971—2020 年APEI 序列的經驗概率和理論概率，分別在淮河流域4 個分區(qū)選擇臨沂、商丘、宿州和淮南作為代表站（圖4），可以看出兩曲線的重合度都比較高，其中流域南部站點擬合效果總體好于北部。另外為更準確驗證擬合效果，本文采用了k-s檢驗方法，對月尺度的APEI 序列進行擬合效果檢驗，k-s檢驗的臨界值Dn=0.056，而淮河流域各站點的Dn值為0.038～0.057，其中有97%的站點Dn值小于臨界值，通過檢驗，個別未通過檢驗的站點主要是因為出現了歷史罕見的極端降水，但就整個淮河流域來說發(fā)生的總體概率較低。因此可認為構建的 APEI 序列符合三參數1og-Logistic 概率分布，應用SAPEI 表征淮河流域由降水蒸散盈虧引發(fā)的農田旱澇是可行的。

2.2 SAPEI 在淮河流域農業(yè)旱澇監(jiān)測中的適用性評價

每個分區(qū)分別選擇1 個代表站點，同時選擇全年及三大作物生育期作為分析時段，通過4 個實例檢驗SAPEI在淮河流域農業(yè)旱澇監(jiān)測中的適用性。圖5a 給出了臨沂站2020 年全年SAPEI 逐日變化及其對降水的響應。年內4 月至5 月上旬SAPEI 普遍小于?1.0（中旱及以上），7月中旬至8 月SAPEI 普遍大于1.0（中澇及以上），其余時段介于兩者之間，并且年內SAPEI 的日變化能較好地響應降水變化，如5 月9 日日降水量62.9 mm，SAPEI從前日的?2.03（特旱）變?yōu)?.15（中澇），與實際田間土壤墑情比較，監(jiān)測結果與實際情況基本相符。另外SAPEI 年內變化曲線能較好地反映農田失水特征，在無降水情況下，由于夏季農田蒸散大，SAPEI 曲線的下降幅度明顯大于其他季節(jié)。SAPEI 能較真實地體現年內有無降水情況下的實際逐日農田旱澇變化。

圖5b 給出了商丘站1999—2000 年冬小麥生育期SAPEI 逐日變化及其對降水的響應，當年遭遇了流域性的干旱，干旱成災面積在400 萬hm2以上，從商丘站的變化曲線可以看出2000 年初開始持續(xù)降水偏少，SAPEI呈明顯的下降趨勢，3 月底至6 月初持續(xù)中旱及以上旱情，其中特旱天數超過了20 d；圖5c 給出了宿州站2007 年夏玉米生育期SAPEI 逐日變化及其對降水的響應，當年出現了流域性大洪水，全流域農作物受災面積200 萬 hm2以上，從宿州站的變化曲線可以看出2007 年7 月至9 月農田處于中等及以上澇漬；圖5d 給出了淮南站1978 年一季稻生育期SAPEI 逐日變化及其對降水的響應，當年淮河流域出現了春夏秋三季連旱，全流域作物受旱面積達600 萬hm2以上，從淮南站的變化曲線可以看出2007年8 月中旬至9 月底，農田持續(xù)中旱及以上。結合歷史土壤墑情監(jiān)測資料及《治淮匯刊》年鑒中對作物旱澇具體災情的描述，基于SAPEI 的農田旱澇監(jiān)測結果能較客觀和準確地反映當時農田實際旱澇特征。

為更加直觀對比降水前后SAPEI 的空間變化，選擇2013 年5 月21 日、5 月26 日旱情明顯緩解和解除前后SPAEI 旱澇監(jiān)測空間分布（圖6a 和6b）。期間大部分站點出現明顯降水，其中成武、寶豐和魯山等10 多個站點累積雨量達100 mm 以上，旱情基本解除，空間分布圖與實際農田旱澇分布特征吻合程度較高（圖6c 和6d），SPAEI 可以較真實地反映面上農田旱澇變化。同時引入Kappa 系數用于更加定量化評價SPAEI 面上農田旱澇監(jiān)測和分類精度，按照旱澇等級標準，將歷史上站點墑情觀測日0～50 cm 土壤相對濕度平均等級與基于SAPEI的旱澇監(jiān)測等級進行比較，計算兩者的Kappa 系數。其中，由于2010 年前土壤墑情以人工取土為主，每旬僅2組觀測數據且80 年代后數據相對比較完整，最終參與Kappa 系數計算的樣本數582 個。Kappa 系數計算結果為0.56～0.97，其中有93%的樣本Kappa 系數超過0.60，一致性程度達到高度一致或者幾乎完全一致，另有7%為中等一致性程度，如2013 年5 月21 日和5 月26 日Kappa系數分別為0.69 和0.74，與實際土壤墑情監(jiān)測結果高度一致；另外基于分析的樣本比較其旱澇等級差，大部分監(jiān)測結果一致或者相差一個等級的比例達到90%以上?？傮w來說，基于逐日SAPEI 農田旱澇監(jiān)測空間分布結果能較準確地反映實際面上農田旱澇特征。

2.3 基于SAPEI 的淮河流域農田旱澇時間變化特征

1971－2020 年淮河流域SAPEI 年際變化總體呈緩慢上升趨勢（圖7a），沒有明顯的突變發(fā)生，指數正負交替，尤其是2000 年以來指數正負波動小，以正常年份為主。冬小麥全生育期SAPEI 年際變化總體呈緩慢下降趨勢（圖7b），其中UF 和UB 曲線相交于1992 年，之后SAPEI普遍為負，表明SAPEI 在1992 年發(fā)生突變，由正常逐漸轉變?yōu)槠?。一季稻（Ⅳ區(qū)）全生育期SAPEI 年際變化趨勢不明顯（圖7c），但年際間波動幅度大，正負交替旱澇特征明顯，如1978 年SAPEI 達到最小值?0.921，當年淮河流域南部一季稻種植區(qū)出現春夏秋三季連旱，降水量普遍只有需水量的一半，旱情十分嚴重，水稻減產明顯。夏玉米（Ⅰ、Ⅱ、Ⅲ區(qū)）全生育期SAPEI 年際變化總體呈上升趨勢（圖7d），2000 年前主要以旱澇交替的特征為主，2001—2010 年指數持續(xù)大于0，處于明顯的偏濕時段，2011 年后指數又趨于平穩(wěn)。

2.4 SAPEI 氣候傾向率空間分布特征

圖8a 給出了1971—2020 年淮河流域173 個站SAPEI氣候傾向率的空間分布。有57 個站點呈下降趨勢，其中有3 個站點下降速率達到了0.03/10 a（P＜0.1），主要分布在流域的西北部；另有116 個站點呈上升趨勢，其中有12 個站點上升速率超過了0.03/10 a（P＜0.1），主要分布在流域的中部偏北地區(qū)，中部的利辛和鳳陽等站點上升速率超過了0.04/10 a?？傮w來說，淮河流域大部分地區(qū)干旱呈現緩和趨勢。

圖8b～8d 給出了1971—2020 年淮河流域3 大主要糧食作物全生育期SAPEI 氣候傾向率的空間分布。冬小麥生育期有40%的站點呈上升趨勢，主要集中在流域的中北部地區(qū)，其中Ⅰ區(qū)的寧陽和寧陵等站點上升速率超過了0.03/10 a（P＜0.1），另外60%的站點呈下降趨勢，主要集中在流域南部和西部等地區(qū)，其中下降趨勢較明顯的站點主要集中在西北部的新鄭、長葛和汝州等地。一季稻生育期有60%的站點呈上升趨勢，主要集中在Ⅳ區(qū)的東部地區(qū)，其中鳳陽SAPEI 上升最為明顯，達到了0.06/10 a（P＜0.1），其余站點呈下降趨勢。夏玉米生育期有76%的站點呈上升趨勢，上升站點明顯多于下降站點，有26 個站點上升速率超過了0.05/10 a（P＜0.1），其中Ⅲ區(qū)的舞鋼和蒙城上升速率達到了0.1/10 a。

3 討 論

本文在旱澇指標SPEI 的基礎上，以優(yōu)化后的SAPEI作為淮河流域農田旱澇監(jiān)測指標，該指標充分考慮了前期農田水分收支影響，并解決了大部分旱澇指標（SPEI或水分虧缺指數等）時效性不高（多以旬、月、季尺度作為統(tǒng)計時段）的問題，實現了旱澇逐日監(jiān)測，時效性與精細化水平得到提升。逐日旱澇監(jiān)測與實際土壤墑情及典型歷史旱澇事件災情信息記載情況比較后，旱澇等級的一致性程度較高，具有很好的區(qū)域適用性。另外利用SAPEI 對某一過程旱澇災害進行評估時，首先能較為準確地獲取站點旱澇災害開始和結束的時間，確定旱澇災害的持續(xù)時長，同時能簡單評估災害過程總體發(fā)生程度以及旱澇災害過程變化趨勢（加重或緩解），尤其在評估跨月或跨年旱澇災害過程時，與月、年等旱澇評估指標相比，在評估效果和準確性方面有明顯的優(yōu)勢?；赟APEI 對淮河流域旱澇時空分布特征進行分析，與前人的研究結論進行比較，如淮河流域干旱重心分布主要從淮河流域中心向四周擴散[5]；流域冬小麥全生育期干旱指數多年呈上升趨勢，且1990 s 后呈明顯的偏干趨勢[14]；流域各區(qū)域夏玉米全生育期水分盈虧指數時間變化均呈增加趨勢，澇災風險增加[29]；姚蕊等[5,14]研究結論與本文的結果基本一致。但也存在不足和有待探討的問題：

1）基于SPEI 的適用性分析在華北[17]、東北[19]和華南[37]等不同地區(qū)以及全國尺度[6]均有相關的研究，適用性總體較好。但研究發(fā)現年均降水量小于200 mm 的干旱地區(qū)，由于冬季氣溫低，蒸發(fā)小且降水稀少，導致序列0值附近概率異常偏高，使用log-logistic 概率分布擬合會存在較大的偏差，降低了SPEI 在干旱地區(qū)旱澇分析中的適用性[38]。而本文在進行SAPEI 擬合分析時也發(fā)現淮河流域北部偏旱地區(qū)的擬合效果比南部偏濕地區(qū)略差，但該指數設計時考慮了前期農田水分收支影響并且淮河流域全年水分收支總體較為均衡，相比在干旱地區(qū)的應用，0 值附近概率異常偏高的問題在很大程度上得到了解決，因此基于三參數log-Logistic 概率分布擬合方法總體上比較適用于淮河流域SAPEI 的計算。

2）雖然在農田旱澇監(jiān)測方面SAPEI 體現了較好區(qū)域適用性，尤其在監(jiān)測時間尺度上得到了提升，但具體到某一農田旱澇災害過程定量評估方面，目前還沒有進行深入的研究。下一步的工作將在充分考慮作物灌溉條件（灌溉、雨養(yǎng)）、地區(qū)抗災能力等因素并結合田間實際受災情況（受災面積、減產率等），確定淮河流域不同作物農田旱澇災害定量評估指標，并在站點旱澇評估的基礎上，建立區(qū)域綜合旱澇災害評估指標。

3）本文在優(yōu)化水分收支項（有效降水量和作物需水量）時，充分考慮了淮河流域不同區(qū)域的土壤特征。其中潮土、砂姜黑土和水稻土占流域總面積的70%以上[4]，分區(qū)土壤水分代表站點選擇時已盡量體現土壤代表性，共選擇了14 個站點。但由于土壤空間分布較為復雜，且土壤水分自動觀測與人工取土觀測相比準確性和穩(wěn)定性略有不足，因此在此基礎上建立的分區(qū)有效降水系數和土壤水分衰減系數等本地化參數與實際情況會存在一定的偏差，需要進一步驗證和完善，使參數更準確。

4）逐日農田SAPEI 監(jiān)測與實際土壤墑情旱澇等級對比分析時，總體一致性較好，但也出現了基于SAPEI 監(jiān)測的結果其旱澇程度普遍重于實際土壤墑情的情況，可能與考慮的前期農田水分收支影響時段（本研究取100 d）有關，因此需要從機理性方面進一步完善SAPEI 指數。另外在農田旱澇監(jiān)測時僅考慮了冬小麥、夏玉米和一季稻3 種主要的糧食作物，而淮河流域大豆、甘薯和棉花等作物也有相當面積的種植，在未來的工作中有必要根據不同作物的作物系數和種植比例計算得到站點逐日綜合作物系數，更加綜合和全面地考慮流域下墊面作物特征，使得農田旱澇的監(jiān)測結果更加符合實際情況。

4 結 論

本文利用1971－2020 年淮河流域173 個氣象站點逐日氣象和土壤水分數據，以SAPEI 作為旱澇動態(tài)監(jiān)測指標，通過典型實例及一致性檢驗指標等探討其在實際旱澇監(jiān)測中的適用性，并分析了農田旱澇時空分布特征。主要結論如下：

1）通過站點概率分布曲線對比及k-s檢驗，基于三參數log-Logistic 概率分布擬合方法適用于淮河流域SAPEI 的計算，應用SAPEI 表征淮河流域由降水蒸散盈虧引發(fā)的農田旱澇是可行的。

2）基于站點實例分析SAPEI 動態(tài)變化結果與農田實際旱澇特征基本一致；另外對比SAPEI 旱澇等級與實際土壤墑情等級，582 個實例計算的Kappa 系數中有93%的樣本Kappa 系數超過0.6，一致性程度達到高度一致或者幾乎完全一致，同時大部分實例旱澇監(jiān)測結果一致或者相差一個等級的比例達到90%以上。

3）淮河流域年SAPEI 呈上升趨勢，總體表現出干旱趨于緩和；冬小麥生育期呈下降趨勢，在1992 年發(fā)生突變；一季稻生育期正負波動明顯；夏玉米生育期呈上升趨勢，其中2001－2010 年指數持續(xù)大于0，處于明顯偏濕時段。從空間分布來看，流域大部分站點干旱呈現緩和趨勢。