干旱是极端的自然灾害之一,且极易造成农业以及生态系统不可估计的损失。不同于一般的自然灾害,干旱影响范围较大且影响的后果难以度量。目前为止,干旱还未形成一致的定义。此外,干旱的成因也极其复杂,温度、降水、风速、辐射等各种因素交织使得干旱事件难以量化;干旱的诸多特征变量存在一些复杂的非线性关系,使得干旱评估模型难以搭建。学术界仍然没有找到一种完美的方法来解释干旱事件,干旱的研究依旧处于发展阶段。本文首先基于1978-2017年河南上蔡、重庆潼南以及黑龙江抚远的日降水量和温度数据计算基于月尺度的SPI、SPEI和基于日尺度的EDI指数。对比最近十年的干旱监测发现,EDI指数对干旱事件的识别与SPI、以及SPEI相当;在干旱严重程度方面,EDI相对SPI指数较重,与SPEI指数相当。鉴于EDI自身的优势,最终将EDI作为本文研究的主要干旱指数。其次,根据EDI指数干旱等级的划分,结合游程理论提取干旱历时D和干旱强度S,我们分别拟合D和S的边缘分布函数,得出河南、重庆、黑龙江三地的边缘分布均为对数正态分布。鉴于D和S强相关性,本文建立干旱历时D和干旱强度S的二维Copula函数模型,最终确定了三地的联合分布函数均为为Frank copula函数。通过分析同现重现期和联合重现期,论文发现强度大、历时长的干旱事件发生率极低;干旱历时D和干旱强度S的同等程度增加时,联合重现期相比同现重现期而言增长较快,这与事实相符合。最后,对有效干旱指数EDI进行函数型数据分析,确定了用傅里叶函数作为拟合基底。为防止曲线过拟合,以曲线的线性微分算子做光滑处理,并用交叉验证的方法选择三个地区的最优惩罚项系数。最后利用函数型数据主成分分析和预测的方法提取EDI的变化趋势并预测EDI的值,分析干旱的资料得出干旱的河南、重庆两地的EDI指数预测较好,能够相对准确的识别干旱,而黑龙江地区的干旱识别效果一般。