盧龍近11年農業(yè)氣象災害特征及氣象服務思考

齊欣 張軍 張佳瑩 賈帥

摘要 利用盧龍縣11年災害數(shù)據(jù)，分析農業(yè)氣象災害類型、時間分布特征及各災種農業(yè)損失。結果表明，盧龍主要農業(yè)氣象災害為暴雨洪澇、冰雹、大風及干旱，每年均受到不同農業(yè)氣象災害的影響，農業(yè)氣象災害主要出現(xiàn)在3—4月、6—9月，以春夏兩季居多；暴雨洪澇造成的災害損失最大，其次為干旱，冰雹和大風。為減少農業(yè)氣象災害的損失，氣象部門需拓展服務渠道，加強防御體系建設，加強預測分析。

關鍵詞 農業(yè)氣象災害；時間分布；氣象服務思考

中圖分類號：S42 文獻標識碼：B 文章編號：2095–3305（2023）09–0-03

農業(yè)氣象災害是農業(yè)生產過程中能夠對農業(yè)生物與設施造成危害和經濟損失的不利天氣或氣候條件的總稱[1]。我國幅員遼闊，氣候和地形復雜，災害易發(fā)。氣象災害及其衍生災害占60%以上，70%的農業(yè)災害損失來自氣象災害[2-3]。因此，分析農業(yè)氣象災害的變化特征、掌握災害發(fā)生規(guī)律，對防范災害性天氣具有科學的指導和實踐意義。

盧龍縣位于河北省東北部，燕山山脈東麓，青龍河東側，地處中緯度地區(qū)，118°45′54″～119°08′06″E，39°43′00″～40°08′42″N，地勢北高南低，屬于暖溫帶半濕潤大陸性季風氣候，氣候特點四季分明，雨熱同季。糧食作物以玉米、甘薯為主，經濟作物有葡萄、果樹等。受地理位置和氣候特點的影響，盧龍氣象災害頻發(fā)，具有種類多、分布廣、頻率高、強度大、損失重等特點。對農作物有明顯影響的氣象災害有暴雨洪澇、冰雹、大風、干旱災害。利用災情資料，分析2012—2022年盧龍縣主要農業(yè)氣象災害分布特征和災情影響，為精確提供農業(yè)氣象服務、提高當?shù)胤罏臏p災能力提供參考依據(jù)。

1 資料與方法

1.1 資料來源

2012—2022年氣象數(shù)據(jù)由縣氣象臺提供，災情數(shù)據(jù)來源于縣民政及應急部門。災情統(tǒng)計以次數(shù)計算，以一次天氣過程或者一段時間持續(xù)性災害的受災面積統(tǒng)計。

1.2 研究方法

采用常規(guī)數(shù)理統(tǒng)計方法進行數(shù)據(jù)處理；利用Excel處理和繪制。季節(jié)的劃分以通用的陽歷法進行，春季（3—5月）、夏季（6—8月）、秋季（9—11月）、冬季（12月—翌年2月）。

2 主要農業(yè)氣象災害的分布特征

2.1 農業(yè)氣象災害類型及發(fā)生頻度特征

通過收集縣民政和應急部門災情數(shù)據(jù)，統(tǒng)計得出2012—2022年盧龍農業(yè)氣象災害主要為暴雨洪澇、冰雹、大風、干旱。其中，暴雨洪澇最多，為28次；冰雹次之，為8次；大風出現(xiàn)3次；干旱最少，為2次。在各類氣象災害中，暴雨洪澇（68%）、冰雹（20%）、大風（7%）、干旱（5%）。盧龍農業(yè)氣象災害類型與當?shù)氐臍夂蛱攸c相關，表現(xiàn)為暴雨洪澇災害次數(shù)占比達到68%，降水時空分布不均，主要集中在夏季，暴雨洪澇是災害最頻繁且造成損失最大的農業(yè)氣象災害（圖1）。

2.2 年季變化

為全面分析每年各類氣象災害的發(fā)生特征，對暴雨洪澇、冰雹、大風、干旱這4種災害在當年總災害所占的比重進行研究。由圖2可見，盧龍地區(qū)農業(yè)氣象災害年度分布不均，除了2014年、2020年沒有發(fā)生暴雨洪澇災害，其余9年均有發(fā)生，2012年次數(shù)最多，為6次；2017年次之，為4次。2012年，出現(xiàn)3次冰雹災害，次數(shù)最多。2016年、2018年、2020年出現(xiàn)大風災害。干旱出現(xiàn)次數(shù)最少，2014年和2015年發(fā)生干旱。從年景來看，2012年農業(yè)氣象災害最多，年景最差，暴雨洪澇、冰雹共達到9次。

2.3 月、季變化

盧龍農業(yè)氣象災害主要出現(xiàn)在3—4月、6—9月，災害集中出現(xiàn)在春、夏兩季。由于盧龍地區(qū)屬于半濕潤大陸性季風氣候，春季大風沙塵天氣多發(fā)，夏秋季易發(fā)生冰雹、暴雨洪澇，春季至秋初是農業(yè)生產的關鍵階段，氣象條件的變化對農業(yè)的影響較大，極端天氣易造成農業(yè)損失（圖3）。

3 農業(yè)災害的損失特征

3.1 總災害損失

盧龍2012—2022年氣象災害造成的農業(yè)經濟損失為120 335.50萬元，農業(yè)受災面積為171 283.10 hm2，農業(yè)成災面積為104 341.00 hm2。農業(yè)受災糧食作物主要有玉米、甘薯、花生、大豆、水稻、谷子，經濟作物有各類蔬菜瓜果，如油桃，食用葡萄，蘋果及棚栽黃瓜、西紅柿、草莓等，受災最多的是玉米、甘薯和花生。

由圖4可以看出，近11年來盧龍災害損失呈現(xiàn)逐漸下降趨勢，最近5年下降趨勢明顯，2020損失最小。分析原因，隨著新一代天氣雷達、風廓線雷達等先進氣象設備的深入應用，大幅度提高了短臨預警能力，預報服務及時、精準，減少了氣象災害造成的損失。

3.2 各災害損失變化

盧龍每年都有不同程度的農業(yè)氣象災害發(fā)生，但不是每種氣象災害均會發(fā)生。按照受災次數(shù)分析暴雨洪澇、冰雹、干旱和大風的年際變化特征。

暴雨洪澇災害的發(fā)生一般由連續(xù)性、區(qū)域性的暴雨強降水引發(fā)，并伴有山體滑坡、泥石流等次生災害，會出現(xiàn)低洼地區(qū)淹沒、漬水的現(xiàn)象，造成農作物倒伏，影響其生長，減產嚴重時絕收[4]。

盧龍暴雨洪澇災害是第一農業(yè)氣象災害，主要發(fā)生在主汛期6—8月，7—8月最集中，2012—2022年暴雨洪澇災害造成農業(yè)受災面積為112 743.94 hm2，成災面積為64 074.71 hm2，經濟損失76 435.07萬元，最嚴重災害損失出現(xiàn)在2012年，損失達到42 503.24萬元，2012年暴雨次數(shù)頻繁，強降水集中，河道漲水，淹沒農田，農作物長時間泡水，災害損失明顯大于其他年份（圖5a）。

冰雹災害是在溫暖季節(jié)發(fā)生的短時強烈的局部性災害，具有突發(fā)性、局部性、歷時短和影響大的特征，常伴隨短時大風，短時強降水、雷暴等現(xiàn)象，常出現(xiàn)在夏秋季[5]。盧龍冰雹災害主要發(fā)生在6—9月，6月份次數(shù)最多。近11年來，冰雹災害造成的農業(yè)受災面積10 224.857 hm2，成災面積7 305.947 hm2，經濟損失6 574.415萬元。2016年農業(yè)受災面積最大，為4092.070 hm2，2012年農業(yè)經濟損失最大，為1 856.840萬元（圖5b）。

大風災害和干旱災害盧龍地區(qū)最近11年出現(xiàn)次數(shù)較少，大風氣象災害出現(xiàn)在2016年8月25日、2018年4月27日和2020年3月18日。受盧龍氣候影響，以春季大風為主，總受災面積1 951.982 hm2，經濟損失651.4萬元。干旱近11年出現(xiàn)2次，均出現(xiàn)在汛期，高溫、長時間無有效降水，嚴重影響了農作物生長，造成全縣農業(yè)受災面積達到46 362.3 hm2，農業(yè)經濟損失達36 674.6萬元。

4 氣象服務思考

4.1 多渠道提供農業(yè)氣象服務

當前，氣象部門信息化水平大幅度提高，專業(yè)農業(yè)服務平臺越來越完善，能更快速、更科學地為農業(yè)生產提供科學指導。氣象部門積極利用專業(yè)平臺數(shù)據(jù)，在氣象災害發(fā)生前科學預判，通過村大喇叭、短信、顯示屏、傳真、政府公文等方式提前通知，將農業(yè)災害損失降至最低。切實做好氣象服務的精細化管理，針對不同氣象災害危害特點，提前預防，科學應對，相關部門應保證氣象服務渠道的暢通，確保在災前每個農戶都能及時、精確地獲取信息，將災害損失降至最小。

4.2 構建完善的氣象災害防御體系

利用氣象部門先進的觀測手段，建立完善的防御體系，從而減少災害損失。根據(jù)不同農作物的類型，制定科學、有針對性、完善的防御措施，結合氣象部門綜合觀測能力，開展防災減災工作。由省局氣候中心牽頭，制作當?shù)氐臍庀鬄暮︼L險區(qū)劃，明確氣象災害類型，科學、有針對性地開展農業(yè)氣象服務。加大與農業(yè)、林業(yè)、應急等部門的合作力度，發(fā)揮各自職能，優(yōu)勢互補，提高防災減災能力，完善防御體系。注重對風險災害的評估工作，針對受災較嚴重的農作物后期加強管理，及時更換品種或者種植抵抗力較強的農作物。培養(yǎng)一支強有力的農業(yè)災害防御隊伍，定期對各村信息員和政府相關人員開展培訓，提高他們的防御能力，優(yōu)化年齡結構，建立一支現(xiàn)代化、信息化水平高的農業(yè)災害防御隊伍。

4.3 增強中長期氣候預測分析能力

在當前氣候變暖的大背景下，盧龍地區(qū)氣象災害呈現(xiàn)出越來越復雜、極端的特點。近年來，短時暴雨、冰雹、風沙等現(xiàn)象越來越突出，農業(yè)生產受到嚴重影響，農作物產量減少。為減少災害造成的損失，應不斷加強研究災害天氣預報預測技術。氣象災害的結果是多種因素造成的，涉及多個學科，應加強對各學科的綜合研判，部門聯(lián)動，實現(xiàn)信息共享。目前，盧龍縣政府、氣象、水務、國土、應急等部門已經建立部門信息共享體系，在重大天氣時數(shù)據(jù)互通，全面掌握各項信息，為科學部署奠定基礎。

氣象部門需增強自身中長期氣候預測能力，利用先進平臺手段，專業(yè)業(yè)務知識，提前進行謀劃和預防，減輕氣象災害對農業(yè)生產的影響，保證農業(yè)生產的持續(xù)穩(wěn)定發(fā)展。

5 結論

第一，從農業(yè)氣象災害次數(shù)占比來看，盧龍農業(yè)氣象災害出現(xiàn)次數(shù)表現(xiàn)為暴雨洪澇>冰雹>大風>干旱，大風和干旱出現(xiàn)次數(shù)較少，暴雨洪澇災害是盧龍農業(yè)氣象災害的第一災害。

第二，從年度來看，2012年是氣象

災害多發(fā)年，農業(yè)災害損失最大，近年來呈現(xiàn)逐漸下降趨勢，最近3年下降明顯。從農業(yè)氣象災害時間分布來看，每年均不同程度受氣象災害的影響，農作物受災面積波動較大。從頻次分析，除了2014年和2020年，每年都有不同程度的暴雨洪澇災害發(fā)生。冰雹災害比較嚴重的年份有2012年、2016年和2017年，大風災害2016年損失較大，旱災出現(xiàn)2次。從災害損失分析，暴雨洪澇>干旱>冰雹>大風，干旱災害面積大，持續(xù)時間長，災害造成的損失嚴重，超過冰雹和大風災害造成的損失。災害發(fā)生季節(jié)以春夏發(fā)生氣象災害次數(shù)多，秋冬次數(shù)少，暴雨洪澇、冰雹主要集中在6—8月。

第三，為減輕氣象災害對農業(yè)生產的影響，氣象部門需拓展服務渠道，完善防御體系，加強預測分析，增強防災減災能力，提高氣象為農服務水平，為農業(yè)生產保駕護航。

參考文獻

[1] 程純樞.中國的氣候與農業(yè)[M].北京：氣象出版社，1991．

[2] 王道龍，鐘秀麗，李茂松，等.20世紀90年代以來主要氣象災害對我國糧食生產的影響與減災對策[J].災害學，2006 （1）：18-22.

[3] 霍治國，李世奎，王素艷，等.主要農業(yè)氣象災害風險評估技術及其應用研究[J].自然資源學報，2003（6）：692-703.

[4] 陳暉.江西凌云山氣候資源合理開發(fā)利用研究[D].南昌：江西農業(yè)大學，2014.

[5] 田國珍，米曉楠，王志偉，等.山西省近10 a來農業(yè)氣象災害及其特征分析[J].山西農業(yè)科學，2018，46（11）：1887-1892.

Analysis of the Characteristics of Agricultural Meteorological Disasters in Lulong in the

Last 10 Years and Reflections on Meteorological Services

Qi Xin et al（Lulong Meteorological Bureau， Lulong， Hebei 066400）

Abstract Based on 11 years of disaster data in Lulong County， the types， temporal distribution characteristics， and agricultural losses of agricultural meteorological disasters were analyzed. The results show that the main agrometeorological disasters in Lulong were rainstorm flood， hail， gale and drought， which were affected by different agrometeorological disasters every year. Agrometeorological disasters mainly occur in March to April and June to September， most of which were in spring and summer. The disaster losses caused by rainstorm flood were the largest， followed by drought， hail and gale. To reduce the losses caused by agricultural meteorological disasters， meteorological departments need to strengthen and improve their service channels， defense systems， and prediction analysis.

Key words Agricultural meteorological disasters; Time distribution; Reflections on Meteorological Services