郭安紅 李 森 何 亮 張 蕾 王純枝 程 路

國家氣象中心，北京 100081

提 要： 近十年來，伴隨農(nóng)業(yè)氣象災(zāi)害監(jiān)測評估理論的發(fā)展，數(shù)值模擬技術(shù)、遙感監(jiān)測技術(shù)和現(xiàn)代信息技術(shù)的綜合應(yīng)用，以及智能網(wǎng)格氣象要素預(yù)報在農(nóng)業(yè)氣象災(zāi)害監(jiān)測預(yù)報業(yè)務(wù)中的落地，促進了農(nóng)業(yè)氣象災(zāi)害預(yù)報評估業(yè)務(wù)的精細化、動態(tài)化和定量化水平，為農(nóng)業(yè)防災(zāi)減損、穩(wěn)產(chǎn)增產(chǎn)發(fā)揮了重要作用。介紹了近十年來定量化農(nóng)業(yè)氣象災(zāi)害評估技術(shù)以及動態(tài)化、精細化農(nóng)業(yè)氣象災(zāi)害預(yù)報技術(shù)的主要研發(fā)成果以及在業(yè)務(wù)服務(wù)中的應(yīng)用，并展望未來發(fā)展，以期為農(nóng)業(yè)氣象災(zāi)害預(yù)報評估業(yè)務(wù)的進一步發(fā)展提供借鑒和參考。

引 言

農(nóng)業(yè)是我國受氣象災(zāi)害影響最嚴重的行業(yè)之一(張鈦仁等，2011)，農(nóng)業(yè)生產(chǎn)過程中光、溫、水、氣各項氣象因子或兩項及以上因子的時空量分配不合理，都可能直接或間接導(dǎo)致農(nóng)業(yè)生物顯著減產(chǎn)、品質(zhì)下降或設(shè)施嚴重損壞，從而形成農(nóng)業(yè)氣象災(zāi)害。我國農(nóng)業(yè)氣象災(zāi)害種類多、發(fā)生頻率高、區(qū)域性強、季節(jié)性分明、影響對象多、致災(zāi)機理復(fù)雜(張養(yǎng)才等，1991)。據(jù)統(tǒng)計，到21世紀初，中國每年由于農(nóng)業(yè)氣象災(zāi)害造成的農(nóng)業(yè)直接經(jīng)濟損失高達1 000多億元，約占國民生產(chǎn)總值的3%～6%(王春乙等，2005)。

近十年來，為了提升農(nóng)業(yè)氣象災(zāi)害監(jiān)測預(yù)報評估的業(yè)務(wù)服務(wù)能力，通過將現(xiàn)代天氣預(yù)報技術(shù)、數(shù)值模擬技術(shù)、衛(wèi)星遙感技術(shù)以及多源信息融合技術(shù)進行綜合應(yīng)用，精細化農(nóng)業(yè)氣象災(zāi)害監(jiān)測預(yù)報評估業(yè)務(wù)得到較大發(fā)展，農(nóng)業(yè)氣象災(zāi)害監(jiān)測預(yù)報評估的精細化、定量化和自動化能力不斷提升。干旱、霜凍、高溫?zé)岷Φ绒r(nóng)業(yè)氣象災(zāi)害預(yù)報實現(xiàn)提前10 d逐日滾動發(fā)布，監(jiān)測預(yù)報空間尺度由縣級行政區(qū)域為單元發(fā)展到5 km格點；農(nóng)業(yè)氣象災(zāi)害評估的時效性、定量化、精準化能力不斷增強，為科學(xué)、客觀、準確評判全國糧食生產(chǎn)形勢提供了有力支撐，為農(nóng)業(yè)防災(zāi)減損、穩(wěn)產(chǎn)增產(chǎn)發(fā)揮了重要作用。

1 國家級農(nóng)業(yè)氣象災(zāi)害監(jiān)測預(yù)報評估業(yè)務(wù)發(fā)展概述

21世紀開始，國家級農(nóng)業(yè)氣象災(zāi)害監(jiān)測預(yù)報評估業(yè)務(wù)服務(wù)在農(nóng)業(yè)防災(zāi)減災(zāi)中發(fā)揮著越來越重要的作用。前十年，業(yè)務(wù)技術(shù)的主要手段是對已有的農(nóng)業(yè)氣象災(zāi)害監(jiān)測預(yù)報技術(shù)和方法(王春乙等，2005；王春乙，2007；張養(yǎng)才等，1991；王石立，2003)進行業(yè)務(wù)適用性分析和改進，基于農(nóng)業(yè)氣象觀測站網(wǎng)的地面監(jiān)測信息(國家氣象局，1993)，結(jié)合地理信息系統(tǒng)進行農(nóng)業(yè)氣象災(zāi)害實況的監(jiān)測，并根據(jù)天氣氣候預(yù)測進行農(nóng)業(yè)氣象災(zāi)害預(yù)估(毛留喜和呂厚荃，2010；宋迎波等，2006)。例如針對農(nóng)業(yè)干旱，主要是圍繞多種農(nóng)業(yè)干旱監(jiān)測指標(biāo)進行業(yè)務(wù)化應(yīng)用和集成改進(王密俠等，1998；朱自璽等，2003；蘇永秀等，2008；張艷紅等，2008)，開展逐旬的農(nóng)業(yè)干旱綜合監(jiān)測預(yù)報業(yè)務(wù)服務(wù)。2007—2008年，干熱風(fēng)、寒露風(fēng)、高溫?zé)岷Φ榷鄠€農(nóng)業(yè)氣象災(zāi)害指標(biāo)(霍治國等，2007；2009；王保生等，2008；馬樹慶等，2008；馮明等，2008)被陸續(xù)應(yīng)用到農(nóng)業(yè)氣象災(zāi)害監(jiān)測評估業(yè)務(wù)服務(wù)工作中。2008—2009年，針對小麥、玉米和水稻重大病蟲害，研發(fā)了病蟲害發(fā)生發(fā)展氣象等級預(yù)報技術(shù)、業(yè)務(wù)系統(tǒng)并開展業(yè)務(wù)服務(wù)(張旭暉等，2008；何永坤等，2008；李軒等，2012)。

2010年開始，農(nóng)業(yè)氣象觀測站網(wǎng)多個要素開始實現(xiàn)自動化觀測或者加密觀測上傳(張雪芬等，2012)；現(xiàn)代天氣預(yù)報技術(shù)、數(shù)值模擬技術(shù)、衛(wèi)星遙感技術(shù)以及多源信息融合技術(shù)等也逐漸應(yīng)用到農(nóng)業(yè)氣象災(zāi)害監(jiān)測評估預(yù)報業(yè)務(wù)中，國家級和省級上下一體的農(nóng)業(yè)氣象災(zāi)害監(jiān)測預(yù)報業(yè)務(wù)流程逐步形成。進而，傳統(tǒng)的農(nóng)業(yè)氣象災(zāi)害預(yù)報評估業(yè)務(wù)實時化、定量化以及精細化程度不足等問題凸顯出來。

在農(nóng)業(yè)氣象災(zāi)害評估方面，既有的農(nóng)業(yè)氣象災(zāi)害指標(biāo)只有災(zāi)害的輕、中、重等級，相應(yīng)的監(jiān)測評估業(yè)務(wù)服務(wù)產(chǎn)品也只能給出災(zāi)害的輕、中、重等級及落區(qū)，而農(nóng)業(yè)氣象災(zāi)害的極端性、歷史同期相似性等分析在災(zāi)害影響評估、災(zāi)害防御預(yù)案的制定以及在防災(zāi)救災(zāi)措施的實效操作中的需求十分迫切，亟需開展技術(shù)研發(fā)和形成業(yè)務(wù)服務(wù)能力?；诖?，2015年開始，通過逐步構(gòu)建16種農(nóng)業(yè)氣象災(zāi)害的長序列指數(shù)集，研發(fā)基于過程、月、年的多時間尺度災(zāi)害強度評估方法，解決了農(nóng)業(yè)氣象災(zāi)害強度歷史對比、極端性分析等關(guān)鍵業(yè)務(wù)技術(shù)(李森等，2018；郭安紅等，2018；2020)，推進了定量化農(nóng)業(yè)氣象災(zāi)害評估業(yè)務(wù)服務(wù)的發(fā)展。此外，作物模型模擬技術(shù)以其機理性、解釋性、動態(tài)性和綜合性強等特點，為農(nóng)業(yè)氣象災(zāi)害的評估提供了有效工具(王石立和馬玉平，2008；馬玉平等，2005；劉布春等，2006；侯英雨等，2007；2018a；2018b；王鵬新等，2003；余衛(wèi)東等，2009)。2013年通過推動作物模型參數(shù)敏感性分析、模型的適應(yīng)性評估和業(yè)務(wù)化應(yīng)用，以逐步提高農(nóng)業(yè)氣象災(zāi)害評估的定量化、精細化水平；至2018年，作物模型區(qū)域化應(yīng)用、業(yè)務(wù)應(yīng)用平臺研發(fā)以及模擬干旱、高溫?zé)岷?、低溫霜凍等?zāi)害對作物影響評估的業(yè)務(wù)服務(wù)等均取得了較大進展。

在農(nóng)業(yè)氣象災(zāi)害預(yù)報預(yù)警方面，針對實時化、動態(tài)化農(nóng)業(yè)氣象災(zāi)害中短期預(yù)報預(yù)警的業(yè)務(wù)需求，2014年嘗試利用精細化、數(shù)值化的EC模式預(yù)報資料、NWFD預(yù)報資料和NCEP預(yù)報資料，初步形成了基于現(xiàn)代天氣預(yù)報業(yè)務(wù)的農(nóng)業(yè)氣象災(zāi)害中短期預(yù)估技術(shù)，實現(xiàn)了未來1～7 d農(nóng)業(yè)氣象災(zāi)害落區(qū)和災(zāi)害程度預(yù)估的業(yè)務(wù)能力(郭安紅等，2014)。隨后，伴隨智能網(wǎng)格氣象要素預(yù)報業(yè)務(wù)的實現(xiàn)，通過將智能網(wǎng)格氣象要素預(yù)報與農(nóng)業(yè)氣象災(zāi)害指標(biāo)相結(jié)合，形成了目前5 km格點的、逐日滾動發(fā)布的未來1～10 d 的精細化、動態(tài)化農(nóng)業(yè)氣象災(zāi)害預(yù)報預(yù)警業(yè)務(wù)。此外，2015—2019年，在已有的病蟲害發(fā)生發(fā)展氣象等級預(yù)報技術(shù)和業(yè)務(wù)服務(wù)工作的基礎(chǔ)上，通過將精細化的作物發(fā)育期信息、病蟲害宿主信息與智能網(wǎng)格氣象要素監(jiān)測預(yù)報數(shù)據(jù)相結(jié)合，以及構(gòu)建12種病蟲害促病指數(shù)庫和氣象適宜度綜合指數(shù)庫，推進了病蟲害氣象等級預(yù)報及氣象風(fēng)險評估工作向精細化、定量化方向發(fā)展。

2 定量化農(nóng)業(yè)氣象災(zāi)害評估技術(shù)

2.1 農(nóng)業(yè)氣象災(zāi)害強度定量評估技術(shù)

針對農(nóng)業(yè)干旱、高溫?zé)岷?、低溫冷害、干熱風(fēng)等16種農(nóng)業(yè)氣象災(zāi)害，對各個災(zāi)害指標(biāo)致災(zāi)的區(qū)域適用性進行再梳理(馬樹慶等，2015；許瑩等，2020)，參照相應(yīng)國家標(biāo)準或氣象行業(yè)標(biāo)準以及歷年作物發(fā)育期觀測數(shù)據(jù)，構(gòu)建了逐日尺度的災(zāi)害達標(biāo)判斷、災(zāi)害強度和過程頻次等農(nóng)業(yè)氣象災(zāi)害指數(shù)集。該指數(shù)集將災(zāi)害的逐日過程表達出來，通過對日過程定量化描述分析，實現(xiàn)災(zāi)害開始時間、結(jié)束時間、災(zāi)害強度計算、災(zāi)害強度歷史對比、災(zāi)害強度極值等分析和判斷，滿足了業(yè)務(wù)服務(wù)過程中災(zāi)害強度歷史極端性分析、排位以及時空對比等需求，并為進一步分析災(zāi)害強度與災(zāi)害損失之間的對應(yīng)關(guān)系奠定了基礎(chǔ)。

針對農(nóng)業(yè)干旱，依據(jù)農(nóng)業(yè)干旱等級國家標(biāo)準(呂厚荃等，2016)計算逐日作物水分虧缺距平指數(shù)(CWDIa，單位：%)：

(1)

圖1 2018年5月1日至8月14日遼寧省開原、彰武、康平和錦州逐日干旱指數(shù)演變Fig.1 Daily drought index in Kaiyuan, Zhangwu, Kangping and Jinzhou in Liaoning Province from 1 May to 14 August 2018

小麥干熱風(fēng)綜合強度指數(shù)(CID，無量綱)計算公式如下：

(2)

式中，i為日序(成熟前30 d內(nèi)，或與小麥發(fā)育期結(jié)合)。Ti、Ri、Vi分別為第i日的最高氣溫(單位：℃)、14時相對濕度(單位：%)、14時風(fēng)速(單位：m·s-1)；a、b、c分別為雨后青枯型干熱風(fēng)要素閾值修訂到高溫低濕型干熱風(fēng)要素閾值的修訂系數(shù)(李森等，2018)。當(dāng)Ti、Ri、Vi達到輕干熱風(fēng)日閾值時，CIDi成立，否則CIDi=0。2017年5月中下旬，華北黃淮地區(qū)出現(xiàn)不同程度干熱風(fēng)天氣，其中河南部分地區(qū)干熱風(fēng)天氣強度較強?；贑ID，對此次干熱風(fēng)過程的綜合強度進行了評估，結(jié)果表明山東東南部和半島西部、河南中大部達到輕干熱風(fēng)年型等級，其中河南西北部達到重年型等級(圖2)。

圖2 2017年5月中下旬黃淮海地區(qū) 干熱風(fēng)綜合強度指數(shù)分布Fig.2 Distribution of comprehensive dry-hot wind intensity index in Huang-Huai-Hai Region in mid-late May 2017

水稻高溫?zé)岷虻蜏乩浜姸戎笖?shù)(Hd，無量綱)計算公式如下：

Hd=∑WiDiNii=1,2,3

(3)

式中，Di為逐日達標(biāo)值，D1輕度達標(biāo)日為1，D2中度達標(biāo)日為2，D3重度達標(biāo)日為3；Ni為任意時段內(nèi)輕度、中度和重度高溫?zé)岷虻蜏乩浜_標(biāo)值的累計天數(shù)，N1為輕度達標(biāo)日累計天數(shù)，N2為中度達標(biāo)日累計天數(shù)，N3為重度達標(biāo)日累計天數(shù)；Wi為權(quán)重系數(shù)，針對輕度、中度、重度達標(biāo)日Wi取值分別為0.2、0.3和0.5(郭安紅等, 2018)。高溫?zé)岷虻蜏乩浜姸戎笖?shù)考慮了特定時段內(nèi)可能出現(xiàn)多次不同程度的高溫?zé)岷虻蜏乩浜^程及其累積效應(yīng)，能夠?qū)θ我鈺r段或旬、年和過程高溫?zé)岷虻蜏乩浜M行較好的定量化時空對比分析評估。圖3為2013年6月中旬至7月中旬江南華南早稻區(qū)逐旬高溫?zé)岷姸戎笖?shù)分布，可以十分清楚地看出高溫?zé)岷Φ陌l(fā)展過程和空間分布。

圖3 2013年6月中旬至7月中旬江南、華南早稻高溫?zé)岷姸戎笖?shù)空間分布 (a)6月中旬,(b)6月下旬,(c)7月上旬,(d)7月中旬Fig.3 Spatial changes of heat damage intensity index of early rice in south of the Yangtze River and South China in 2013 (a) middle June, (b) late June, (c) early July, (d) middle July

2.2 基于作物模擬模型的災(zāi)害影響定量評估技術(shù)

目前業(yè)務(wù)上使用的作物模型主要包括WOFOST、ORYZA2000、WheatSM模型，其中WOFOST模型主要用來模擬冬小麥和玉米生長發(fā)育，WheatSM主要用于模擬冬小麥生長發(fā)育，ORYZA2000主要用于模擬水稻生長發(fā)育。利用作物模擬模型進行農(nóng)業(yè)氣象災(zāi)害影響評估的主要思路是將氣候平均態(tài)驅(qū)動下的模擬結(jié)果與實際氣象要素驅(qū)動下的模擬結(jié)果對比，通過對比兩者之間的差異，確定高溫?zé)岷?、低溫冷害等農(nóng)業(yè)氣象災(zāi)害對作物生長影響的程度；也可以將災(zāi)害發(fā)生年的模擬結(jié)果與正常年、典型年模擬結(jié)果進行比較，確定災(zāi)害對作物生長的影響程度(侯英雨等，2018a)。

例如，模擬高溫?zé)岷λ旧L發(fā)育的可能影響，首先確定水稻是否處于對高溫敏感的發(fā)育期，也就是水稻的抽穗揚花期和灌漿期，可以根據(jù)實際氣象條件驅(qū)動作物模型模擬水稻發(fā)育進程(DVS)，當(dāng)達到高溫影響關(guān)鍵時期的DVS即可進行高溫?zé)岷?zāi)害影響評估。ORYZA2000模型對灌漿期高溫?zé)岷Φ捻憫?yīng)主要體現(xiàn)在發(fā)育速率加快導(dǎo)致的灌漿期縮短和高溫導(dǎo)致光合速率的下降，對抽穗開花期高溫?zé)岷Φ捻憫?yīng)則主要是通過對開花授粉的影響來模擬對最終產(chǎn)量的影響，計算公式如下:

(4)

式中：SF2為水稻穎花結(jié)實率(單位：%)，Tm為抽穗開花期間(0.96≤DVS≤1.2)日最高溫度的平均值(單位：℃)，36.6℃為穎花不育的臨界溫度，可根據(jù)品種特性進行更改。具體模擬時，需要設(shè)計兩個情景：一是預(yù)報情景驅(qū)動ORYZA2000模型，將高溫敏感時段精細化溫度氣象要素預(yù)報值代入作物模型，模擬該時段高溫影響下水稻穗干重或產(chǎn)量；二是平均態(tài)情景，即模擬時段氣溫要素采用近30年平均值，代入模型后模擬水稻穗干重或產(chǎn)量；然后將兩個情景下模擬的水稻穗干重或產(chǎn)量進行對比分析。如利用ORYZA2000模型模擬2016年6月22日至7月1日高溫對早稻產(chǎn)量的影響，可以定量模擬并分析出高溫對南方早稻區(qū)以及不同早稻主產(chǎn)省(自治區(qū))產(chǎn)量的可能影響(圖4)。

圖4 利用ORYZA2000作物模型模擬的2016年6月 22日至7月1日高溫?zé)岷δ戏皆绲井a(chǎn)量的影響 (a)早稻受高溫?zé)岷τ绊憸p產(chǎn)率空間分布, (b)早稻主產(chǎn)省(自治區(qū))受高溫?zé)岷τ绊懫骄鶞p產(chǎn)率Fig.4 Simulation of heat damage from 22 June to 1 July 2016 to early rice yield in Southern China by ORYZA2000 Crop Model (a) spatial distribution of yield reduction rate affected by high temperature heat, (b) average yield reduction rate in main yield provinces affected by high temperature heat

農(nóng)業(yè)氣象災(zāi)害機理復(fù)雜，有些災(zāi)害過程難以在模型中被描述。以干旱災(zāi)害影響模擬為例，現(xiàn)有作物模型中多未考慮干旱對作物物候期的影響；此外，不同階段或者不同程度的干旱對作物的影響并非全都為負作用，在某些階段輕微干旱對作物生長是一個正效應(yīng)，這在模型中難以用數(shù)量化的過程進行描述(余衛(wèi)東等，2009)。再有，對于某些累積型農(nóng)業(yè)氣象災(zāi)害，或危害持續(xù)時間小于1天，甚至只有幾個小時的農(nóng)業(yè)氣象災(zāi)害的評估，作物模型的識別或者模擬往往達不到理想效果(侯英雨等，2018a)。

3 動態(tài)化、精細化農(nóng)業(yè)氣象災(zāi)害預(yù)報技術(shù)

3.1 基于智能網(wǎng)格氣象要素預(yù)報的農(nóng)業(yè)氣象災(zāi)害預(yù)報技術(shù)

近年來，隨著智能網(wǎng)格氣象要素預(yù)報技術(shù)的發(fā)展，氣象要素預(yù)報的時空分辨率已能夠達到千米級和小時級，精細化程度不斷提高，為農(nóng)業(yè)氣象災(zāi)害預(yù)報提供了大量精細化的基礎(chǔ)信息。在智能網(wǎng)格氣象要素預(yù)報的基礎(chǔ)上，可以十分便捷地判斷災(zāi)害性天氣或氣候異常出現(xiàn)和持續(xù)的時間、氣象因子偏離作物正常生長發(fā)育所需的幅度，并根據(jù)農(nóng)業(yè)氣象災(zāi)害指標(biāo)判斷是否能達到致災(zāi)標(biāo)準、致災(zāi)等級(郭安紅等，2014)。此外，隨著作物發(fā)育期預(yù)報業(yè)務(wù)技術(shù)的發(fā)展，其預(yù)報準確性、空間化能力不斷提升，某一個空間格點上作物是否處在對災(zāi)害天氣敏感的階段也可以十分便捷地診斷出來，進而結(jié)合作物長勢的監(jiān)測判斷，可以綜合判斷作物受災(zāi)害影響的程度。運用地理信息系統(tǒng)和現(xiàn)代信息處理技術(shù)，將上述業(yè)務(wù)流程進行梳理和實現(xiàn)，就能將農(nóng)業(yè)氣象災(zāi)害等級、區(qū)域范圍進行精細化空間上的描述和表達(圖5)。

圖5 基于智能網(wǎng)格氣象要素預(yù)報的農(nóng)業(yè)氣象災(zāi)害預(yù)報技術(shù)流程Fig.5 Flow chart of refinement agricultural meteorological disaster forecast based on intelligent grid meteorological element prediction

基于智能網(wǎng)格氣象要素預(yù)報的精細化農(nóng)業(yè)氣象災(zāi)害預(yù)報業(yè)務(wù)包括高溫?zé)岷?、干熱風(fēng)、霜凍害、寒露風(fēng)等主要農(nóng)業(yè)氣象災(zāi)害，實現(xiàn)了未來1～10 d發(fā)生區(qū)域、程度的逐日滾動預(yù)報和發(fā)布，空間精細化能力為5 km格點。例如，圖6為2021年5月25日起報的未來1～10 d北方冬小麥區(qū)干熱風(fēng)精細化預(yù)報，可以十分直觀地看出未來1～10 d逐日出現(xiàn)干熱風(fēng)的空間分布。

圖6 2021年5月25日起報的未來1～10 d北方冬小麥區(qū)干熱風(fēng)精細化預(yù)報 (a)24 h,(b)48 h,(c)72 h,(d)96 h,(e)120 h,(f)144 h,(g)168 h,(h)192 h,(i)216 h,(j)240 hFig.6 Refinement hot-dry wind forecast in winter wheat region in North China for future 1-10 d issued on May 25 2021 (a) 24 h, (b) 48 h, (c) 72 h, (d) 96 h, (e) 120 h, (f) 144 h, (g) 168 h, (h) 192 h, (i) 216 h, (j) 240 h

3.2 農(nóng)業(yè)病蟲害發(fā)生發(fā)展氣象等級預(yù)報技術(shù)

病蟲害發(fā)生發(fā)展氣象等級預(yù)報已逐漸發(fā)展成為現(xiàn)代農(nóng)業(yè)防災(zāi)減災(zāi)業(yè)務(wù)服務(wù)的一個重要組成部分。其針對病蟲害發(fā)生發(fā)展和危害的不同特點，分別建立了促病指數(shù)預(yù)報模型和氣象適宜度綜合指數(shù)預(yù)報模型(張旭暉等，2008；何永坤等，2008；郭安紅等，2009；王純枝等，2020)。以小麥赤霉病和水稻稻瘟病氣象等級預(yù)報為例，其主要采用的是促病指數(shù)預(yù)報模型。首先分析時段內(nèi)實際光、溫、濕等氣象條件與病原物適宜的氣象條件指標(biāo)的匹配程度，判斷是否能夠出現(xiàn)促病暖濕日；當(dāng)達到促病暖濕日的條件時，根據(jù)促病暖濕日出現(xiàn)時間是否為作物對該病原物敏感的時段，以及促病暖濕日連續(xù)出現(xiàn)長短兩個影響系數(shù)來綜合計算判定促病指數(shù)；最后通過氣象等級分級指標(biāo)來確定小麥赤霉病和水稻稻瘟病氣象等級預(yù)報的等級。

促病指數(shù)(Z)預(yù)報模型如下：

(5)

式中：Z為病害關(guān)鍵時段內(nèi)促病暖濕日(Di)及其出現(xiàn)時間影響系數(shù)(Ai)和連續(xù)出現(xiàn)時長影響系數(shù)(Ci)的函數(shù)。其中，Di為判斷第i日是否為促病暖濕日，若是則取Di=1，否則Di=0；Ai為第i個暖濕日出現(xiàn)時間對促病指數(shù)的影響系數(shù)，可以認為時段內(nèi)每個暖濕日出現(xiàn)都具有相同的作用和影響，取值為1，也可以根據(jù)暖濕日在病害危害關(guān)鍵時段內(nèi)出現(xiàn)時間不同、作用和影響不同而率定影響系數(shù)(張旭暉等，2008)；Ci為第i個暖濕日持續(xù)出現(xiàn)對促病指數(shù)的影響系數(shù)，一般情況下持續(xù)時間越長影響越大。

基于病蟲害發(fā)生發(fā)展氣象等級預(yù)報技術(shù)，通過配套的業(yè)務(wù)平臺建設(shè)、業(yè)務(wù)流程的梳理以及產(chǎn)品發(fā)布平臺，在病蟲害防治關(guān)鍵期或猖獗期之前，開展病蟲害發(fā)生發(fā)展氣象條件預(yù)報業(yè)務(wù)服務(wù)。此外，每年4—9月，與農(nóng)業(yè)部門實時會商，根據(jù)病蟲情監(jiān)測實況和氣象條件監(jiān)測預(yù)報，分析未來10 d可能大發(fā)生或偏重發(fā)生的病蟲害及其可能成災(zāi)或危害加重的區(qū)域分布，在中央電視臺新聞聯(lián)播的天氣預(yù)報欄目聯(lián)合發(fā)布農(nóng)業(yè)病蟲害預(yù)報預(yù)警信息(圖7)，提醒有關(guān)部門和農(nóng)業(yè)生產(chǎn)者及時防控病蟲害。

圖7 2019年4月3日小麥赤霉病預(yù)警 (a)業(yè)務(wù)產(chǎn)品，(b)電視播報Fig.7 Wheat scab warning on 3 April 2019 (a) operational product, (b) television broadcast

4 未來展望

現(xiàn)代天氣預(yù)報技術(shù)、農(nóng)業(yè)氣象觀測技術(shù)和信息化技術(shù)的迅猛發(fā)展，給農(nóng)業(yè)氣象災(zāi)害監(jiān)測預(yù)報評估技術(shù)的發(fā)展帶來了前所未有的機遇，但是氣候變化背景下農(nóng)業(yè)氣象災(zāi)害發(fā)生頻率增加、強度增強、危害加重也給災(zāi)害預(yù)報預(yù)警帶來了嚴峻的挑戰(zhàn)。在保障糧食安全、防災(zāi)減災(zāi)決策層面上，需要了解一定區(qū)域范圍內(nèi)或糧食主產(chǎn)區(qū)農(nóng)業(yè)氣象災(zāi)害的現(xiàn)狀、未來發(fā)展趨勢，以便采取防災(zāi)減災(zāi)政策上或資源配置上的調(diào)整；另一方面，對于廣大農(nóng)村個體或者農(nóng)戶來說，更需要了解地塊尺度上農(nóng)業(yè)經(jīng)濟作物會不會有災(zāi)害發(fā)生、如何減免損失，所以在時間上和空間上都要求有更加精細化的農(nóng)業(yè)氣象災(zāi)害監(jiān)測評估和預(yù)報預(yù)警信息服務(wù)。因而，面向我國糧食生產(chǎn)提質(zhì)增效以及鄉(xiāng)村振興的需求，迫切需要借鑒國際先進技術(shù)，盡快發(fā)展自動化觀測和信息采集識別技術(shù)，獲取規(guī)范、精細和準確的災(zāi)害監(jiān)測信息；充分挖掘大數(shù)據(jù)應(yīng)用分析評估技術(shù)，開展精細化農(nóng)業(yè)氣象災(zāi)害損失快速評估技術(shù)研發(fā)；利用現(xiàn)代天氣預(yù)報技術(shù)、信息技術(shù)、數(shù)值模擬技術(shù)以及人工智能學(xué)習(xí)技術(shù)，開展短期、中長期精細化農(nóng)業(yè)氣象災(zāi)害影響預(yù)報與風(fēng)險預(yù)警技術(shù)研發(fā)；另外，開展多時效、全覆蓋農(nóng)作物重大病蟲害氣象風(fēng)險監(jiān)測評估和預(yù)測預(yù)警業(yè)務(wù)服務(wù)，為保障國家糧食安全、農(nóng)業(yè)高質(zhì)量發(fā)展和精準、高效防災(zāi)減災(zāi)提供技術(shù)支撐。

其中，農(nóng)業(yè)氣象災(zāi)害風(fēng)險評估是未來農(nóng)業(yè)氣象災(zāi)害監(jiān)測預(yù)報評估業(yè)務(wù)服務(wù)亟需發(fā)展的主要內(nèi)容之一(鄧國等，2001；黃崇福，2005；李世奎等，2004；王春乙等，2010；2015；張繼權(quán)和李寧，2007；蔡菁菁等，2013)。如何構(gòu)建動態(tài)的災(zāi)害風(fēng)險評估指標(biāo)和模型，如何將客觀的致災(zāi)因子風(fēng)險與災(zāi)害風(fēng)險評估中其他因子的自然屬性和社會屬性進行綜合集成，并用精細化、定量化的業(yè)務(wù)技術(shù)方法表達出來，是農(nóng)業(yè)氣象災(zāi)害風(fēng)險動態(tài)評估業(yè)務(wù)技術(shù)需要解決的關(guān)鍵問題；同時，多災(zāi)種農(nóng)業(yè)氣象災(zāi)害風(fēng)險綜合評估也是亟需突破的關(guān)鍵業(yè)務(wù)技術(shù)問題，其中多災(zāi)種致災(zāi)因子的集成效應(yīng)以及承災(zāi)體的綜合脆弱性、區(qū)域防災(zāi)減災(zāi)能力的綜合有效性都是需要定量化描述的關(guān)鍵問題。需要注意的是，在氣候變化背景下，農(nóng)業(yè)氣象災(zāi)害的風(fēng)險也是有變化的，動態(tài)化農(nóng)業(yè)氣象災(zāi)害風(fēng)險評估業(yè)務(wù)需要在充分認識這一背景的前提下，結(jié)合農(nóng)業(yè)氣象災(zāi)害風(fēng)險的時空新變化和新規(guī)律而開展。