gma 教程 | 气候气象 | 计算标准化降水蒸散指数（SPEI）
目标
【基于 Excel 降水和蒸散数据计算 SPEI】
【基于 GTiff 栅格降水和蒸散数据计算 SPEI】
环境
系统： Window 10+ (X64)
Python 版本： 3.8.8 +
gma 版本： 1.0.10 +
gma 安装和详细功能帮助见：地理与气象分析库
函数
gma.climet.SPEI(PRE, PET, Axis = None, Scale = 1, Periodicity = 12)
功能：【标准化降水蒸散指数】。基于 Log-Logistic 分布计算标准化降水蒸散指数。
参数：
PRE: array。降水量（mm）。
PET: array。潜在蒸散量（mm）。
可选参数：
Axis = int。计算轴。如果不设置（None），多维数据会将所有数据展开到一维计算。
Scale = int。时间尺度。默认为 1。例如：1月、3月或其他。
Periodicity = int。周期。默认为 12。例如：月数据可以以 12 为周期。
*注意：Scale、Periodicity 基于计算轴！
返回：array。
参考文献：
Vicente-Serrano S M , S Beguería, JI López-Moreno. A Multiscalar Drought Index Sensitive to Global Warming: The Standardized Precipitation Evapotranspiration Index[J]. Journal of Climate, 2010, 23(7):1696-1718.
示例
数据
- 洛阳市辖区内某点 1981-2020 年月降水和蒸散数据（共 480 个月）
- 洛阳市辖区1981-2020 年月降水和蒸散空间栅格数据（GTiff 格式）（降水和蒸散各一个文件，每个文件含 1981-2020 对应月数据，共 480 个波段），由全国数据裁剪合并获取。全国范围蒸散（ET0）（基于彭曼 Penman-Monteith 法）获取地址：https://download.csdn.net/download/weixin_42155937/85575273
基于 Excel 表数据的 SPEI 计算
import gma
import pandas as pd
# 读取数据
Data = pd.read_excel('PRE_ET0.xlsx')
# 看一下 Excel 文件前 5 行内容
Data.head()
| PRE | ET0 |
|---|---|
| 15.2 | 53.4 |
| 7.2 | 66.9 |
| 34.5 | 114.4 |
| 22.8 | 144.1 |
| 3.7 | 208.5 |
# 提取 PRE 和 ET0 用于 SPEI 运算
PRE = Data['PRE'].values
ET0 = Data['ET0'].values
# 分别计算1个月、3个月、6个月、12个月、24个月、60个月尺度的 SPEI 数据
SPEI1 = gma.climet.SPEI(PRE, ET0)
SPEI3 = gma.climet.SPEI(PRE, ET0, Scale = 3)
SPEI6 = gma.climet.SPEI(PRE, ET0, Scale = 6)
SPEI12 = gma.climet.SPEI(PRE, ET0, Scale = 12)
SPEI24 = gma.climet.SPEI(PRE, ET0, Scale = 24)
SPEI60 = gma.climet.SPEI(PRE, ET0, Scale = 60)
绘制计算结果
import matplotlib.pyplot as plt
PAR = {'font.sans-serif': 'Times New Roman',
'axes.unicode_minus': False,
}
plt.rcParams.update(PAR)
## 标记一下不同时间尺度结果变量的不同
S = [1,3,6,12,24,60]
## 准备横坐标（年份）的标签
X = range(len(PRE))
Date = gma.osf.DateSeries('198101','202101',DateDelta='M', Format='%Y%m').strftime('%Y-%m')
## 循环绘制 6 个尺度的 SPEI 结果
plt.figure(figsize = (18, 14), dpi = 300)
for i in range(6):
ax = plt.subplot(4, 2, i + 1)
### 绘制数据
ax.plot(X, eval(f'SPEI{S[i]}'), linewidth = 0.8, c = 'gray')
### 添加图例
ax.legend([f'SPEI{S[i]}'],frameon = False)
### 添加横坐标标签
ax.set_xticks(X[::72], Date[::72], rotation = 0)
### 定义横纵坐标显示范围
ax.set_xlim(-12)
ax.set_ylim(-3.8, 3.8)
### 绘制干（-1）湿（1）分界线
plt.axhline(y = -1,ls=(0,(6,6)), c="r", linewidth = 0.4)
plt.axhline(y = 1,ls=(0,(6,6)), c="b", linewidth = 0.4)
### 绘制其他网格
ax.grid(True, linestyle = (0,(6,6)), linewidth = 0.3)
### 修改子图边距
plt.subplots_adjust(wspace = 0.04, hspace = 0.18)
plt.show()
绘图结果如下：
将结果保存到文件
OUT = pd.DataFrame([SPEI1, SPEI3, SPEI6, SPEI12, SPEI24, SPEI60],
index = ['SPEI1','SPEI3','SPEI6','SPEI12','SPEI24','SPEI60']).T
OUT.to_excel('SPEI.xlsx', index = False)
基于 GTiff 栅格数据的 SPEI 计算
import gma
## 读取数据集
PERSet = gma.Open(r'D:\BaiduNetdiskDownload\PRE_Luoyang_1981-2020.tif')
ET0Set = gma.Open(r'D:\BaiduNetdiskDownload\ET0_Luoyang_1981-2020.tif')
PRE = PERSet.ToArray()
ET0 = ET0Set.ToArray()
### 读取的数据为三维数据（波段，行，列），第一维为时间序列（月数据）。因此按照轴 0 来计算
SPEI1 = gma.climet.SPEI(PRE, ET0, Axis = 0)
SPEI3 = gma.climet.SPEI(PRE, ET0, Axis = 0, Scale = 3)
SPEI6 = gma.climet.SPEI(PRE, ET0, Axis = 0, Scale = 6)
SPEI12 = gma.climet.SPEI(PRE, ET0, Axis = 0, Scale = 12)
SPEI24 = gma.climet.SPEI(PRE, ET0, Axis = 0, Scale = 24)
SPEI60 = gma.climet.SPEI(PRE, ET0, Axis = 0, Scale = 60)
绘制最后一个月（2020年12月）计算结果
绘图方法请参考：基于 Python 的地理空间绘图指南
存储计算结果
for i in S:
# 保存所有结果中的非全 nan 波段。即：去除时间尺度累积时序列前无效的波段。
gma.rasp.WriteRaster(fr'.\1981-2020_SPEI{i}.tif',
eval(f'SPEI{i}[i-1:]'),
Projection = PRESet.Projection,
Transform = PRESet.GeoTransform,
DataType = 'Float32',
NoData = np.nan)
反馈与讨论
微信号：Luo_Suppe
相关链接
地理与气象分析库