基于关键气象要素的拉萨市霉变指数研究

高贝贝 鲁同所 卫东

摘 要：霉变每年都会给国家造成巨大经济损失，由于客观原因，对拉萨市相关领域的研究尚处于起步阶段，有待进一步深入完善，文章通过历史反查法、经验公式等方法确定了霉变因子；分析了拉萨市近31年霉变因子的变化趋势；设立了霉变函数，并对拉萨市2018年全年进行了霉变指数的计算、等级划分；最后尝试给出霉变预报方程和预测模型，以此基于未来拉萨市天气状况来进行霉变预警。结果显示：拉萨市霉变事件少有发生，其对农业的影响较小。

关键词：农作物；霉变；经验公式；气象要素；拉萨

中图分类号：S166文献标识码：A文章编号：1001-2443（2023）01-0035-05

引 言

国内对农作物病虫害与气象条件间的关系研究较多，对农作物霉变防治所需气象条件的报道更是屈指可数，其中有关拉萨地区霉变指数研究更是寥若晨星［1］。西藏自治区气象局德庆卓嘎分析了西藏东南部特殊的气象条件（日最高气温、相对湿度、水汽压）与农作物发生霉变的特征关系并研制了霉变指数预测模型［1］；西藏自治区农牧科学院农业研究所达娃卓玛对西藏拉孜县近10年降雨量与2018年降雨量进行对比，阐述持续降雨给农作物带来的危害［2］。以上均侧重于西藏地区气象条件与霉变之间的联系，并未涉及霉变防护知识。拉萨属高原温带半干旱季风气候区，年降水量为200-510 mm，集中在6—9月份，多夜雨，称为雨季。雨期空气湿度大、日照时间短、地面风力较小，影响农作物的生长发育和正常收获，常导致作物发育不良和籽粒发芽霉变，易减产，从而造成巨大经济损失。

每年农作物在储存、运输、销售的过程中因霉变而造成的损失高达180亿～240亿元，霉变会损坏农作物的品质，霉变食物会对人体健康产生不良影响［3］。国内现有的霉变研究大多是以霉变后的农作物为研究对象，这并不能减少因霉变而产生的损失，故此应建立一种精准的信息采集系统、预报系统，即对可能会发生霉变的农作物进行处理，最大可能的避免损失［3］。分析拉萨地区霉变灾害特征、作出霉变气象指數预报并提出具有可行性的灾害防御措施，从而降低因霉变灾害造成的损失，对推动当地农业健康发展及社会和谐稳定，具有十分重要的意义［4］。

1 霉 变

霉变，又被称之为发霉，是一种常见的自然现象，多出现在含有淀粉、蛋白质和水份的食物中。霉变指数是气象部门根据易霉变的气象环境条件制定的参数。霉菌喜温喜湿，而且还耗氧。对大部分农作物而言，考虑成本，不可能将其存放在密封的无氧环境中，所以解决农作物因发育不良、籽粒发芽霉变和储存不当所带来损失的有效途径就是改变其环境温湿度状况。因此，研究农作物所存在空间的霉变气象指数并做出预报，显得尤为重要。

2 数据与方法

2.1 研究数据

本文主要采用的是拉萨市国家级基本气象站1988—2018年日最高气温、相对湿度和水汽压数据，该数据由拉萨市气象局提供。为了便于资料的共享和使用，拉萨市气象局依据国标对自动气象站实时数据进行了严格的检验，提高了研究结果的可信度［5，6］。

经过大量研究表明，霉变与日14时气温、相对湿度以及水汽压有关。气象学中的最高温度一般是指一定时段内温度的最高值。日最高温度，指的是测量地点当天地表所达到的最高温度，一日内最高温度，一般出现在14-15时［7］。也就是说日最高气温约等于每天的14时气温，故本文采用日最高气温作为日14时气温。

2.2 研究方法

由拉萨市气象局提供的1988—2018年间的气象数据中包含日最高气温等6种气象要素；我们通过单要素气候统计分析、查阅文献以及环境气象指数的设计方法［8］，最终确定霉变气象影响因子为：日最高气温、相对湿度、水汽压［9］；对上述3种霉变影响因子进行分析，得出其变化特征，确定各气象因素与霉变之间的联系；然后依据环境气象指数的设计方法设立霉变函数、划分霉变等级，分析其变化特征［10］；最后建立拉萨市霉变指数预报系统［11］。具体详见图1。

3 结果分析

农作物发生霉变不仅与环境温度有关，而且与自身含水量及空气中水汽含水量密切相关［12］。因此，本研究将从日最高气温、相对湿度和水汽压这3大气象要素着手，研究它们之间的联系。

3.1 拉萨霉变主要气候要素特征

1988—2018年拉萨市日最高气温、相对湿度和水汽压月变化峰值、谷值出现时间一致，一年一周期（图2）。根据图2可知，2009—2010年日最高气温月均值出现最大峰值，约为26 ℃；1993年出现最小值为2 ℃。1988—1989、1998—2001年月均相对湿度有最大峰，且值约为70 %；2007年有最小值出现，为10 %；且与日最高气温以及水汽压相比，相对湿度的波动较大，2015年最为明显。1998—1999年水汽压有最大月均值，为12 hPa；相较于日最高气温、相对湿度，水汽压的曲线最光滑，周期性最显著。

3.2 设立霉变函数

沈树勤等人［13］提出，气象指数的设计是依据气象要素的敏感性和依从性，将各种气象要素进行综合的结果，是以不同的数学或统计函数来表征的。故此我们选取拉萨市1988-2018年日最高气温t、相对湿度f和水汽压e数据，取值见表1。其中假定T、F、E分别作为自变量t、f、e的分段函数值，取值依据公式（2）、（3）、（4），以此设计霉变函数，则具体计算形式表示如下：

Mi=T+F+E （1）

该式Mi原意Mildew index，是因变量，代表霉变指数。

而Mi中3个变量的计算方法：

采取拉萨市1988—2018年日最高气温、相对湿度和水汽压的数据，依据公式（1）-（4）进行每日霉变指数的计算，结果表明，Mi的取值范围为14～48。

通过统计拉萨市2017—2018年霉变指数年均分布频率（表2），可知拉萨市2017-2018年霉变等级为1、2，指数较小，不易发生霉变。由此推测拉萨市发生霉变的可能性几乎为0。

分析表3，结果表明：在2017—2018年，拉萨市1级霉变全年都可能发生，总体概率变化范围为5 %～9 %，整体上呈以7月为中心，向两边递增的趋势；2级霉变集中在6-8月，这与拉萨市东南部的结论［1］有很高的契合，与江苏等［14］内地城市区别不大。7月份为最小概率发生月，概率5.07 %；1、3、5、10、12月为最大概率发生月，概率高达8.50 %。

拉萨市之所以霉变发生率低，是因为拉萨市地处喜马拉雅山脉北侧，受下沉气流的影响，全年多晴朗天气，降雨稀少，冬无严寒，夏无酷暑，属于高原季风半干旱气候［15］；气温适宜，多为18～25 ℃；相对湿度较小，一般不超过50 %；水汽压稳定，多为17.0 hPa。而霉变的发生条件与日最高气温、相对湿度、水汽压有关，因此拉萨市霉变发生率低。

3.3 预测系统的建立

3.3.1 预测模型的建立

本研究以F为x坐标轴，E为y坐标轴，Mi为z坐标轴，T为图像颜色深浅（深色表示温度较高；反之，浅色代表温度较低。）绘制出霉变指数与其3要素间的模型关系图（图3）。

基于图3中4个模型得到的和方差SSE和确定系数R-square来选出最优拟合结果、最佳预测模型。图3中（a）为Custom Equation模型，SSE为5269，R-square为0.3084；（b）是Interpolant模型，其中SSE为0.5，R-square为0.9807；（c）为Lowess模型，SSE和R-square的值分别为10.0894，0.6097；而（d）是Polynomial模型，其中SSE=5564，R-square=0.2697［6］。相较于其它模型，Interpolant模型的SSE约等于0，与原始数据的拟合度更高；其R-square近似为1，表明F、E、T与霉变函数值Mi间的关系极度密切，从側面验证用Interpolant模型来预测未来拉萨市霉变指数发展的可靠性和准确度。

图3（b）Interpolant模型表明：1级霉变发生的可能性最高；随着温度的增加，相对湿度越大、水汽压越高，霉变发生的可能性越大且等级越高；也可以以此推测拉萨市其它年份霉变情况。

3.3.2 预报方程的建立

采用因子加权法、逐步回归法、经验模式法、历史资料反查法对1988-2018年6—8月拉萨市逐日气象6要素数据进行分析，建立霉变函数分因子预报方程［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分别代表日相对湿度、水汽压、日14时气温的预测值，x1为前天08时水汽压、x2为前天14时气温、x3为前天14时总云量、x4为前天08时总云量、x5为前天14时水汽压、x6为前天14时相对湿度、x7为前天08时气温。（5）、（6）、（7）的复相关系数分别为0.7403、0.5660、0.8590，求出f1、e1、t1，再利用（1）-（4）求出Mi值，并进行等级划分。

4 结 论

根据拉萨市1988-2018年间气象6要素的数据，通过单要素气候统计分析，确定影响霉变的3个因子，设立霉变方程、构建霉变模型，最终得出以下几个结论：

1） 霉变与日最高气温、相对湿度、水汽压有直接联系；

2） 拉萨市Mi的取值范围为14-48，霉变较少发生，1级霉变全年都有可能发生，2级霉变只在6—8月份出现。拉萨市之所以霉变发生率低，是因为拉萨市气温适宜、湿度较小、水汽压稳定；

3） 结合Interpolant模型与霉变预报方程，可以准确地预测拉萨市未来霉变变化趋势。

总之，近31年拉萨市霉变事件少有发生，其对农业的影响较小，在农作物的储存、运输过程中也不必多加防范；同时也可以为政府在作物品种分配决策时提供可靠的科学依据。

参考文献：

［1］ 德庆卓嘎，格央，列杰班宗，等.西藏东南部地区农作物霉变气象指数研究［J］.高原科学研究，2019，3（2）：1-5+23.

［2］ 达娃卓玛，侯亚红，李雪.2018年持续降雨对西藏拉孜县农作物的影响［J］.西藏农业科技，2019，41（S1）：78-80.

［3］ 杨树果. 产业链视角下的中国大豆产业经济研究［D］.北京：中国农业大学，2014.

［4］ 次仁曲珍.西藏主要气象灾害特征及防御措施［J］.农业灾害研究，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］ 杨兴，廖偲含，鲁同所，等.拉萨市低层大气中氧气含量的变化特征分析［J］.绵阳师范学院学报，2021，40（2）：16-21.

［7］ 李国平. 地基GPS遥感大气可降水量及其在气象中的应用研究［D］.重庆：西南交通大学，2007.

［8］ 严明良，沈树勤.环境气象指数的设计方法探讨［J］.气象科技，2005，33（6）：583-588.

［9］ 叶彩华，栾庆祖，胡宝昆，等.北京农业气候资源变化特征及其对不同种植模式玉米各生育期的影响［J］.自然资源学报，2010，25（8）：1350-1364.

［10］ 任义方，赵艳霞，张旭晖，等.江苏水稻高温热害气象指数保险风险综合区划［J］.中国农业气象，2019，40（6）：391-401.

［11］ 曾明剑，张备，吴海英，等.基于接近度概念的强对流天气预报方法研究［J］.高原气象，2015，34（5）：1357-1368.

［12］ 刘秋桃，孔维军，杨美华，等.储藏过程中易霉变中药材的科学养护技术评述［J］.中国中药杂志，2015，40（7）：1223-1229.

［13］ 沈树勤，严明良，尹东屏，等.江苏环境气象指数开发技术初探［J］.气象，2003（2）：17-20.

［14］ 沈兴建，朱筱英，顾永顺，等.镇江市霉变指数预报［J］.气象，20012，7（12）：50-53.

［15］ 王宁.高原季风区与热带季风区气候变化特征分析［D］.成都：四川师范大学，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

（责任編辑：马乃玉）