基于關(guān)鍵氣象要素的拉薩市霉變指數(shù)研究

高貝貝 魯同所 衛(wèi)東

摘 要：霉變每年都會給國家造成巨大經(jīng)濟(jì)損失，由于客觀原因，對拉薩市相關(guān)領(lǐng)域的研究尚處于起步階段，有待進(jìn)一步深入完善，文章通過歷史反查法、經(jīng)驗公式等方法確定了霉變因子；分析了拉薩市近31年霉變因子的變化趨勢；設(shè)立了霉變函數(shù)，并對拉薩市2018年全年進(jìn)行了霉變指數(shù)的計算、等級劃分；最后嘗試給出霉變預(yù)報方程和預(yù)測模型，以此基于未來拉薩市天氣狀況來進(jìn)行霉變預(yù)警。結(jié)果顯示：拉薩市霉變事件少有發(fā)生，其對農(nóng)業(yè)的影響較小。

關(guān)鍵詞：農(nóng)作物；霉變；經(jīng)驗公式；氣象要素；拉薩

中圖分類號：S166文獻(xiàn)標(biāo)識碼：A文章編號：1001-2443（2023）01-0035-05

引 言

國內(nèi)對農(nóng)作物病蟲害與氣象條件間的關(guān)系研究較多，對農(nóng)作物霉變防治所需氣象條件的報道更是屈指可數(shù)，其中有關(guān)拉薩地區(qū)霉變指數(shù)研究更是寥若晨星［1］。西藏自治區(qū)氣象局德慶卓嘎分析了西藏東南部特殊的氣象條件（日最高氣溫、相對濕度、水汽壓）與農(nóng)作物發(fā)生霉變的特征關(guān)系并研制了霉變指數(shù)預(yù)測模型［1］；西藏自治區(qū)農(nóng)牧科學(xué)院農(nóng)業(yè)研究所達(dá)娃卓瑪對西藏拉孜縣近10年降雨量與2018年降雨量進(jìn)行對比，闡述持續(xù)降雨給農(nóng)作物帶來的危害［2］。以上均側(cè)重于西藏地區(qū)氣象條件與霉變之間的聯(lián)系，并未涉及霉變防護(hù)知識。拉薩屬高原溫帶半干旱季風(fēng)氣候區(qū)，年降水量為200-510 mm，集中在6—9月份，多夜雨，稱為雨季。雨期空氣濕度大、日照時間短、地面風(fēng)力較小，影響農(nóng)作物的生長發(fā)育和正常收獲，常導(dǎo)致作物發(fā)育不良和籽粒發(fā)芽霉變，易減產(chǎn)，從而造成巨大經(jīng)濟(jì)損失。

每年農(nóng)作物在儲存、運(yùn)輸、銷售的過程中因霉變而造成的損失高達(dá)180億～240億元，霉變會損壞農(nóng)作物的品質(zhì)，霉變食物會對人體健康產(chǎn)生不良影響［3］。國內(nèi)現(xiàn)有的霉變研究大多是以霉變后的農(nóng)作物為研究對象，這并不能減少因霉變而產(chǎn)生的損失，故此應(yīng)建立一種精準(zhǔn)的信息采集系統(tǒng)、預(yù)報系統(tǒng)，即對可能會發(fā)生霉變的農(nóng)作物進(jìn)行處理，最大可能的避免損失［3］。分析拉薩地區(qū)霉變?yōu)暮μ卣鳌⒆鞒雒棺儦庀笾笖?shù)預(yù)報并提出具有可行性的災(zāi)害防御措施，從而降低因霉變?yōu)暮υ斐傻膿p失，對推動當(dāng)?shù)剞r(nóng)業(yè)健康發(fā)展及社會和諧穩(wěn)定，具有十分重要的意義［4］。

1 霉 變

霉變，又被稱之為發(fā)霉，是一種常見的自然現(xiàn)象，多出現(xiàn)在含有淀粉、蛋白質(zhì)和水份的食物中。霉變指數(shù)是氣象部門根據(jù)易霉變的氣象環(huán)境條件制定的參數(shù)。霉菌喜溫喜濕，而且還耗氧。對大部分農(nóng)作物而言，考慮成本，不可能將其存放在密封的無氧環(huán)境中，所以解決農(nóng)作物因發(fā)育不良、籽粒發(fā)芽霉變和儲存不當(dāng)所帶來損失的有效途徑就是改變其環(huán)境溫濕度狀況。因此，研究農(nóng)作物所存在空間的霉變氣象指數(shù)并做出預(yù)報，顯得尤為重要。

2 數(shù)據(jù)與方法

2.1 研究數(shù)據(jù)

本文主要采用的是拉薩市國家級基本氣象站1988—2018年日最高氣溫、相對濕度和水汽壓數(shù)據(jù)，該數(shù)據(jù)由拉薩市氣象局提供。為了便于資料的共享和使用，拉薩市氣象局依據(jù)國標(biāo)對自動氣象站實時數(shù)據(jù)進(jìn)行了嚴(yán)格的檢驗，提高了研究結(jié)果的可信度［5，6］。

經(jīng)過大量研究表明，霉變與日14時氣溫、相對濕度以及水汽壓有關(guān)。氣象學(xué)中的最高溫度一般是指一定時段內(nèi)溫度的最高值。日最高溫度，指的是測量地點當(dāng)天地表所達(dá)到的最高溫度，一日內(nèi)最高溫度，一般出現(xiàn)在14-15時［7］。也就是說日最高氣溫約等于每天的14時氣溫，故本文采用日最高氣溫作為日14時氣溫。

2.2 研究方法

由拉薩市氣象局提供的1988—2018年間的氣象數(shù)據(jù)中包含日最高氣溫等6種氣象要素；我們通過單要素氣候統(tǒng)計分析、查閱文獻(xiàn)以及環(huán)境氣象指數(shù)的設(shè)計方法［8］，最終確定霉變氣象影響因子為：日最高氣溫、相對濕度、水汽壓［9］；對上述3種霉變影響因子進(jìn)行分析，得出其變化特征，確定各氣象因素與霉變之間的聯(lián)系；然后依據(jù)環(huán)境氣象指數(shù)的設(shè)計方法設(shè)立霉變函數(shù)、劃分霉變等級，分析其變化特征［10］；最后建立拉薩市霉變指數(shù)預(yù)報系統(tǒng)［11］。具體詳見圖1。

3 結(jié)果分析

農(nóng)作物發(fā)生霉變不僅與環(huán)境溫度有關(guān)，而且與自身含水量及空氣中水汽含水量密切相關(guān)［12］。因此，本研究將從日最高氣溫、相對濕度和水汽壓這3大氣象要素著手，研究它們之間的聯(lián)系。

3.1 拉薩霉變主要氣候要素特征

1988—2018年拉薩市日最高氣溫、相對濕度和水汽壓月變化峰值、谷值出現(xiàn)時間一致，一年一周期（圖2）。根據(jù)圖2可知，2009—2010年日最高氣溫月均值出現(xiàn)最大峰值，約為26 ℃；1993年出現(xiàn)最小值為2 ℃。1988—1989、1998—2001年月均相對濕度有最大峰，且值約為70 %；2007年有最小值出現(xiàn)，為10 %；且與日最高氣溫以及水汽壓相比，相對濕度的波動較大，2015年最為明顯。1998—1999年水汽壓有最大月均值，為12 hPa；相較于日最高氣溫、相對濕度，水汽壓的曲線最光滑，周期性最顯著。

3.2 設(shè)立霉變函數(shù)

沈樹勤等人［13］提出，氣象指數(shù)的設(shè)計是依據(jù)氣象要素的敏感性和依從性，將各種氣象要素進(jìn)行綜合的結(jié)果，是以不同的數(shù)學(xué)或統(tǒng)計函數(shù)來表征的。故此我們選取拉薩市1988-2018年日最高氣溫t、相對濕度f和水汽壓e數(shù)據(jù)，取值見表1。其中假定T、F、E分別作為自變量t、f、e的分段函數(shù)值，取值依據(jù)公式（2）、（3）、（4），以此設(shè)計霉變函數(shù)，則具體計算形式表示如下：

Mi=T+F+E （1）

該式Mi原意Mildew index，是因變量，代表霉變指數(shù)。

而Mi中3個變量的計算方法：

采取拉薩市1988—2018年日最高氣溫、相對濕度和水汽壓的數(shù)據(jù)，依據(jù)公式（1）-（4）進(jìn)行每日霉變指數(shù)的計算，結(jié)果表明，Mi的取值范圍為14～48。

通過統(tǒng)計拉薩市2017—2018年霉變指數(shù)年均分布頻率（表2），可知拉薩市2017-2018年霉變等級為1、2，指數(shù)較小，不易發(fā)生霉變。由此推測拉薩市發(fā)生霉變的可能性幾乎為0。

分析表3，結(jié)果表明：在2017—2018年，拉薩市1級霉變?nèi)甓伎赡馨l(fā)生，總體概率變化范圍為5 %～9 %，整體上呈以7月為中心，向兩邊遞增的趨勢；2級霉變集中在6-8月，這與拉薩市東南部的結(jié)論［1］有很高的契合，與江蘇等［14］內(nèi)地城市區(qū)別不大。7月份為最小概率發(fā)生月，概率5.07 %；1、3、5、10、12月為最大概率發(fā)生月，概率高達(dá)8.50 %。

拉薩市之所以霉變發(fā)生率低，是因為拉薩市地處喜馬拉雅山脈北側(cè)，受下沉氣流的影響，全年多晴朗天氣，降雨稀少，冬無嚴(yán)寒，夏無酷暑，屬于高原季風(fēng)半干旱氣候［15］；氣溫適宜，多為18～25 ℃；相對濕度較小，一般不超過50 %；水汽壓穩(wěn)定，多為17.0 hPa。而霉變的發(fā)生條件與日最高氣溫、相對濕度、水汽壓有關(guān)，因此拉薩市霉變發(fā)生率低。

3.3 預(yù)測系統(tǒng)的建立

3.3.1 預(yù)測模型的建立

本研究以F為x坐標(biāo)軸，E為y坐標(biāo)軸，Mi為z坐標(biāo)軸，T為圖像顏色深淺（深色表示溫度較高；反之，淺色代表溫度較低。）繪制出霉變指數(shù)與其3要素間的模型關(guān)系圖（圖3）。

基于圖3中4個模型得到的和方差SSE和確定系數(shù)R-square來選出最優(yōu)擬合結(jié)果、最佳預(yù)測模型。圖3中（a）為Custom Equation模型，SSE為5269，R-square為0.3084；（b）是Interpolant模型，其中SSE為0.5，R-square為0.9807；（c）為Lowess模型，SSE和R-square的值分別為10.0894，0.6097；而（d）是Polynomial模型，其中SSE=5564，R-square=0.2697［6］。相較于其它模型，Interpolant模型的SSE約等于0，與原始數(shù)據(jù)的擬合度更高；其R-square近似為1，表明F、E、T與霉變函數(shù)值Mi間的關(guān)系極度密切，從側(cè)面驗證用Interpolant模型來預(yù)測未來拉薩市霉變指數(shù)發(fā)展的可靠性和準(zhǔn)確度。

圖3（b）Interpolant模型表明：1級霉變發(fā)生的可能性最高；隨著溫度的增加，相對濕度越大、水汽壓越高，霉變發(fā)生的可能性越大且等級越高；也可以以此推測拉薩市其它年份霉變情況。

3.3.2 預(yù)報方程的建立

采用因子加權(quán)法、逐步回歸法、經(jīng)驗?zāi)Ｊ椒āv史資料反查法對1988-2018年6—8月拉薩市逐日氣象6要素數(shù)據(jù)進(jìn)行分析，建立霉變函數(shù)分因子預(yù)報方程［7，13］：

t1=10.2151+0.1855x1+0.4900x2－0.0855x3 （5）

f1=25.1760+0.6715x3+0.3041x4－0.4608x5+0.387x6 （6）

e1=1.5467+0.668x5+0.4072x7 （7）

f1、e1、t1分別代表日相對濕度、水汽壓、日14時氣溫的預(yù)測值，x1為前天08時水汽壓、x2為前天14時氣溫、x3為前天14時總云量、x4為前天08時總云量、x5為前天14時水汽壓、x6為前天14時相對濕度、x7為前天08時氣溫。（5）、（6）、（7）的復(fù)相關(guān)系數(shù)分別為0.7403、0.5660、0.8590，求出f1、e1、t1，再利用（1）-（4）求出Mi值，并進(jìn)行等級劃分。

4 結(jié) 論

根據(jù)拉薩市1988-2018年間氣象6要素的數(shù)據(jù)，通過單要素氣候統(tǒng)計分析，確定影響霉變的3個因子，設(shè)立霉變方程、構(gòu)建霉變模型，最終得出以下幾個結(jié)論：

1） 霉變與日最高氣溫、相對濕度、水汽壓有直接聯(lián)系；

2） 拉薩市Mi的取值范圍為14-48，霉變較少發(fā)生，1級霉變?nèi)甓加锌赡馨l(fā)生，2級霉變只在6—8月份出現(xiàn)。拉薩市之所以霉變發(fā)生率低，是因為拉薩市氣溫適宜、濕度較小、水汽壓穩(wěn)定；

3） 結(jié)合Interpolant模型與霉變預(yù)報方程，可以準(zhǔn)確地預(yù)測拉薩市未來霉變變化趨勢。

總之，近31年拉薩市霉變事件少有發(fā)生，其對農(nóng)業(yè)的影響較小，在農(nóng)作物的儲存、運(yùn)輸過程中也不必多加防范；同時也可以為政府在作物品種分配決策時提供可靠的科學(xué)依據(jù)。

參考文獻(xiàn)：

［1］ 德慶卓嘎，格央，列杰班宗，等.西藏東南部地區(qū)農(nóng)作物霉變氣象指數(shù)研究［J］.高原科學(xué)研究，2019，3（2）：1-5+23.

［2］ 達(dá)娃卓瑪，侯亞紅，李雪.2018年持續(xù)降雨對西藏拉孜縣農(nóng)作物的影響［J］.西藏農(nóng)業(yè)科技，2019，41（S1）：78-80.

［3］ 楊樹果. 產(chǎn)業(yè)鏈視角下的中國大豆產(chǎn)業(yè)經(jīng)濟(jì)研究［D］.北京：中國農(nóng)業(yè)大學(xué)，2014.

［4］ 次仁曲珍.西藏主要氣象災(zāi)害特征及防御措施［J］.農(nóng)業(yè)災(zāi)害研究，2019，9（6）：99-100.

［5］ AVA Kiai. To protect credibility in science， banish “publish or perish” ［J］. Nature Human Behaviour，2019，3 （10）：1017-1018.

［6］ 楊興，廖偲含，魯同所，等.拉薩市低層大氣中氧氣含量的變化特征分析［J］.綿陽師范學(xué)院學(xué)報，2021，40（2）：16-21.

［7］ 李國平. 地基GPS遙感大氣可降水量及其在氣象中的應(yīng)用研究［D］.重慶：西南交通大學(xué)，2007.

［8］ 嚴(yán)明良，沈樹勤.環(huán)境氣象指數(shù)的設(shè)計方法探討［J］.氣象科技，2005，33（6）：583-588.

［9］ 葉彩華，欒慶祖，胡寶昆，等.北京農(nóng)業(yè)氣候資源變化特征及其對不同種植模式玉米各生育期的影響［J］.自然資源學(xué)報，2010，25（8）：1350-1364.

［10］ 任義方，趙艷霞，張旭暉，等.江蘇水稻高溫?zé)岷庀笾笖?shù)保險風(fēng)險綜合區(qū)劃［J］.中國農(nóng)業(yè)氣象，2019，40（6）：391-401.

［11］ 曾明劍，張備，吳海英，等.基于接近度概念的強(qiáng)對流天氣預(yù)報方法研究［J］.高原氣象，2015，34（5）：1357-1368.

［12］ 劉秋桃，孔維軍，楊美華，等.儲藏過程中易霉變中藥材的科學(xué)養(yǎng)護(hù)技術(shù)評述［J］.中國中藥雜志，2015，40（7）：1223-1229.

［13］ 沈樹勤，嚴(yán)明良，尹東屏，等.江蘇環(huán)境氣象指數(shù)開發(fā)技術(shù)初探［J］.氣象，2003（2）：17-20.

［14］ 沈興建，朱筱英，顧永順，等.鎮(zhèn)江市霉變指數(shù)預(yù)報［J］.氣象，20012，7（12）：50-53.

［15］ 王寧.高原季風(fēng)區(qū)與熱帶季風(fēng)區(qū)氣候變化特征分析［D］.成都：四川師范大學(xué)，2019.

Study on Mildew Index of Lhasa Based on Key Meteorological Elements

GAO Bei-bei1， LU Tong-suo1，2， WEI Dong3

（1. Department of Physics ，Tibet University， Lhasa 850000，China； 2. Shanghai Institute of Applied Physics， Chinese Academy of Sciences， Jiading 201800，China； 3. Lhasa Meteorological Bureau， Lhasa 850000，China）

Abstract： Mildew may cause huge economic losses every year in our country.Due to objective reasons， the research on the relevant fields of Lhasa is still at the initial stage and needs to be further improved. The paper determined the mildew factor through historical back-check methods， empirical formulas and other methods， and analyzed the variation trend of mildew factors in the recent 31 years in Lhasa. Next， the mildew function was established， and then the mildew index was calculated and graded for the whole year of 2018. Finally， this research attempts to give the mildew prediction equation and prediction model， so as to carry out the mildew warning based on the future weather conditions in Lhasa. The results showed that the mildew events are rare in Lhasa， and their impact on agriculture is small.

Key words： crops; mildew; experiential formulas; meteorological factors; Lhasa

（責(zé)任編輯：馬乃玉）