基于Python的Climate Indices库计算SPEI(标准化降水蒸散发指数)02—站点SPEI计算

无论外界怎样，请平心静气地努力！

---

前言

  此系列博文的目的是基于Python的Climate Indices库计算标准化降水蒸散发（SPEI）指数。

1. 概述

  此篇博文的目的是基于Climate Indices库中计算SPEI的函数，在一个站点上展开某一时间尺度的SPEI的计算。

2. 版本

2.1 山东青岛，2021年3月29日，Version1

2.2 山东青岛，2021年5月3日，Version2

   （1）原始程序的第38行pet_mm=tas_data修改为pet_mm=pet_data。

3. 微信公众号GISRSGeography

• 公众号 GISRSGeography的内容涉及GIS，遥感和作物模型等的内容，会坚持更新，
  欢迎大家关注，谢谢！。
  

---

一、climte indices库中的indices.spei()的输入和输出

1. 关于climate indices库的用法介绍，可以参考climate_indices 1.08 Documents中的介绍。该文档对该库中各个气象指数调用时的基本参数进行了说明。
   
2. 对于如何利用climate_indices库中的spei函数计算spei，我们可以打开下载的此包的源码，查看里面对于spei函数这一部分的定义。
   
3. 以下是源码中对于spei函数的定义语句，通过其定义语句，我们可以知道在调用此库计算SPEI时需要输入的参数信息，关于这些参数的介绍，可以参考源码中的说明或者1中给出链接中的说明。以下对其进行简要说明：
   

• 输入参数简要说明

参数	含义	输入格式
precips_mm	降水(毫米)	numpy数组
pet_mm	潜在蒸散发(毫米)	numpy数组
scale	时间尺度	整型
distribution	用于拟合时间序列的分布函数	字符串
periodicity	计算的时间单元	字符串，‘monthly’或’daily’
data_start_year	计算开始年	整型
calibration_year_initial	校准期最初年份	整型
calibration_year_final	校准期最后年份	整型
param fitting_params	预先计算的分布拟合参数的可选字典	字典，通常使用默认值

• 输出数据
    计算完成之后，函数的输出数据是就是特定时间尺度的SPEI，以浮点型的np.array的格式输出。

二、基于climate_indices库计算站点SPEI

1. 数据准备

  计算spei的测试数据，我们选择SPEI提出者给出的测试数据tampa.txt，选择此数据的另一个好处是我们可以将基于climate indices库计算的spei和基于官方的spei.exe计算的spei进行对比。需要注意的是tampa.txt的存储格式是按照spei.exe计算时需要的格式存储的，所以下载完成之后，可以先将其进行预处理，转存到.csv文件中。

2. 站点特定尺度的spei的计算

  在了解climate indices库中spei函数的基本用法之后，我们可以利用该库计算spei，由于我们利用的数据的内容是温度和降水，这里我们需要先依据桑斯维特方法计算潜在蒸散发(pet)，可以再climate indices库中调用计算pet的函数直接计算pet。整个基于climate indices库计算特定时间尺度的spei的程序如下：

# -*- coding: utf-8 -*-
"""
1. 程序目的
    (1) 基于climate indices库计算spei
   
2. 版本
    2.1 山东青岛  2021年3月29日 Version 1
"""

# 相关包的导入
import numpy as np
import pandas as pd

from climate_indices import indices
from climate_indices import compute  # 计算SPEI的包

# 路径处理和基本变量定义
rootdir = r'D:\SPEI_Cal\\';
tampa_file = rootdir + '01_Data\\tampa.csv'
outpath = rootdir + '03_Result\\'

lat = 27.96
styr = 1900
edyr = 2007

# 气象数据读取
tampa_data = pd.read_csv(tampa_file)
pre_data = np.asarray(tampa_data['Pre']) # 降水数据转换为np.array
tas_data = np.asarray(tampa_data['Tas']) # 温度数据转换为np.array

# 潜在蒸散发计算-桑斯维特方法
pet_data = indices.pet(temperature_celsius=tas_data,
                      latitude_degrees=lat,
                      data_start_year=styr)

# 计算SPEI
spei = indices.spei(precips_mm=pre_data,
                    pet_mm=pet_data, # pet_mm=tas_data是不正确的,
                    scale=3, # 3个月尺度
                    distribution=indices.Distribution.gamma,
                    periodicity=compute.Periodicity.monthly,
                    data_start_year=styr,
                    calibration_year_initial=styr,
                    calibration_year_final=edyr,
                    )

spei[np.isnan(spei)] = -99 # nan转换为-99
spei_df = pd.DataFrame(data=spei,columns=['SPEI_3']) # 计算结果转换为DataFrame

# 计算结果写出
spei_df.to_csv(outpath+'SPEI3.csv',index=False)

print('Finished.')

3. 和spei.exe计算结果的比较

  通过比较基于spei.exe和基于climate indices库计算的spei可以看出两者存在着一定的差别，这可能是由于分布拟合参数上有一些区别导致的。