安徽省稻米品质综合评价方法研究

为定量化评价稻米品质综合性状,利用安徽省2008—2021年中籼和中粳水稻区域性试验稻米品质资料,根据食用稻品种品质行业标准,以整精米率、垩白度、透明度、碱消值、胶稠度、直链淀粉含量作为稻米品质评价指标,采用分级赋值、线性加权求和等方法以及计算机数值模拟技术,确定中籼和中粳稻米品质各项评价指标权重系数,并构建稻米品质指数(rice quality index,I_(RQ),中籼和中粳稻米品质指数分别用I_(RQ1)和I_(RQ2)表示)以及中籼和中粳稻米品质综合评价方法。结果表明,中籼稻米品质评价指标中整精米率、垩白度、透明度、碱消值、胶稠度、直链淀粉含量权重系数分别为0.20、0.26、0.06、0.22、0.10、0.16,中粳稻米中分别为0.23、0.28、0.10、0.08、0.15、0.16,其中垩白度是影响中籼和中粳稻米品质的主要因素。中籼优质稻米一至三等和普通稻米对应的稻米品质指数阈值分别为:I_(RQ1)≥3.94、3.94>I_(RQ1)≥3.47、3.47>I_(RQ1)≥3.17、I_(RQ1)<3.17,中粳优质稻米一至三等和普通稻米对应的品质指数阈值分别为:I_(RQ2)≥3.82、3.82>I_(RQ2)≥3.33、3.33>I_(RQ2)≥3.04、I_(RQ2)<3.04。经验证,构建的中籼和中粳稻米品质综合评价方法对于安徽省多品种样本检验的准确率分别为81.4%和80.0%,单品种样本检验的准确率分别为85.7%和92.9%;对于其他部分省份多品种样本检验的准确率均在80%以上,该方法可用于不同区域中籼和中粳稻米综合品质的定量化评价。

安徽省农业气象灾害定量监测评估研究

介绍了利用遥感和GIS技术定量监测安徽省主要农业气象灾害的方法 ,并对灾害的发生分布规律进行了分析 ,提出了主要农作物灾损率评估方法 。

安徽省冬小麦春霜冻害气象指标的研究

本文根据安徽省12个农业气象观测站冬小麦春霜冻害观测调查数据,针对不同品种(春性和半冬性)冬小麦,全面分析了拔节期前15 d至拔节后20 d的最低气温变化规律,以日最低气温为指标,将春霜冻害等级划分为轻度和重度2个级别,并分时段确定等级。验证结果表明,虽然春霜冻害的发生受地形、土壤等多种因素的影响,但最低气温指标基本能够反映出冬小麦拔节前后不同品种春霜冻害的发生规律,可以在霜冻监测预警业务中应用。用该指标进行霜冻发生风险分析的结果表明,安徽省冬小麦主产区为轻度霜冻频发区、重度霜冻基本不发区,冬小麦春性品种春霜冻高发区比半冬性品种明显偏南,可用于指导冬小麦品种合理布局,减轻春霜冻危害风险。

安徽省霾污染的季节变化特征及其主导气象因子研究

基于1980~2010年期间63个国家级气象站的地面观测资料,对安徽省霾污染的季节变化特征及其相对湿度和风速等主导气象因子进行了研究.结果表明:(1)1995年前,安徽省的霾频次呈现出冬季>春季>秋季>夏季的季节变化特征;其后季节差异减小,霾天气趋于常年化.(2)近30年来,夏秋季霾频次逐年明显上升(1995年前后增加最明显),春冬季则表现出微弱的增长趋势.(3)霾发生时,四季的风向均表现出高东北风频次、多静风、低偏南风频次的分布特征;夏秋季霾发生时的风速明显减小,48.5%和54.5%的霾发生时的风速(14时)小于2m/s.(4)安徽省大部分区域的霾易生成于高相对湿度(>70%)环境下,但高污染的合肥和蚌埠,约71.2%和68.9%的霾生成于低相对湿度(<70%)下.(5)夏秋季,生成于不同相对湿度下的霾频次逐年显著增加(置信度95%),且发现小风日数(日均风速≤2m/s)显著增加也可能是夏秋霾增加趋势的原因之一.

基于Sentinel-1A的安徽省2020年梅雨期洪水淹没监测

2020年超长梅雨期内的持续强降雨,导致安徽省发生全域性洪涝灾害,为了快速、准确地提取洪涝淹没范围,为防汛救灾提供科学支撑,选取安徽境内巢湖流域和淮河流域的灾前和灾中Sentinel-1A数据,首先,在快速预处理基础上,采用双极化水体指数(Sentinel-1A dual-polarized water index,SDWI)法,并结合地形因子对平原和山区分别提取水体信息,建立一套洪水淹没区监测流程;然后通过该流程利用灾前、灾中两期合成孔径雷达数据提取2020年7月27日巢湖流域、淮河流域行蓄洪区洪水淹没范围。结果显示:SDWI比直接用后向散射系数提取水体具有优势;7月27日巢湖流域洪水淹没区面积为524.8 km^(2),其中受洪灾较重的是白石天河子流域,西河子流域次之;淮河流域安徽境内行蓄洪区,沿淮的4个地市淹没面积从大到小依次为淮南市、阜阳市、六安市、蚌埠市。研究表明,基于Sentinel-1A数据,采用SDWI和地形因子建立的洪水淹没区监测流程对平原和山区都具有较好的准确性、适用性,且具有较高的时效性,便于及时开展洪水灾害监测。

ENSO对安徽省旱涝灾害和粮食产量的影响

为防御旱涝灾害,保障粮食安全,利用1971—2018年ENSO的特征量、不同位相及安徽省78个站点的气象数据和全省灾情、作物产量数据,采用比较法、x^(2)拟合检验法,分析ENSO的特征量、不同位相与安徽省典型干旱和涝渍年的关系及ENSO对安徽省主要粮食作物产量的影响。结果表明:(1)厄尔尼诺和拉尼娜事件均发生在春季到秋季(4—10月),结束在初夏之前(1—6月),其峰值大部分出现在冬季(1月和11—12月)。(2)典型干旱和涝渍年各发生11年,平均2~3年出现1次,大多集中在20世纪80年代初到90年代中期。(3)安徽省典型干旱年出现在厄尔尼诺事件对涝渍的当年或拉尼娜事件的次年的概率大,厄尔尼诺、拉尼娜事件对安徽省旱灾的影响相当;典型涝渍年出现在厄尔尼诺事件对涝渍的次年或拉尼娜事件的当年的概率大,且厄尔尼诺事件对涝渍的影响远大于拉尼娜事件的影响。(4)ENSO持续时间越长、强度越大,越易发生干旱和涝渍灾害,干旱和涝渍灾害易发生在ENSO的衰减年或波峰后。(5)厄尔尼诺事件的衰减年,主要粮食作物以减产为主;拉尼娜事件的衰减年,小麦增减产年份相当,而一季稻、玉米则以增产为主。

基于GIS的低温冷冻灾害风险区划研究——以安徽省为例

以安徽省为例,基于自然灾害风险形成原理,利用气象、基础地理信息、农业和社会经济等方面数据,从致灾因子危险性、孕灾环境敏感性、承灾体易损性以及抗灾能力等4个方面来综合评估安徽省低温冷冻灾害风险程度的地区差异,最终建立综合的灾害风险指数,并将该指数应用于安徽省低温冷冻灾害进行风险区划及结果验证。结果表明,安徽省低温灾害风险评估模型比较客观,较全面地反映出安徽省的低温冷冻灾害风险水平。

安徽省冬小麦渍涝灾害损失评估模型研究

将安徽省冬小麦种植区划分为淮北、沿淮、江淮3个区域,采用根据大面积多种农作物平均单产求算小面积作物趋势产量的方法,计算了各区域冬小麦的减产率。分析了各区渍涝对冬小麦产量影响的最大时段,确定了主要危害因子和指标,探讨用主要因子法和Q值法构造减产率和危害因子间的相关函数,建立了安徽省各区域冬小麦渍涝灾害损失模型和综合评估模型。

基于GIS的安徽省干旱遥感监测与评估研究

总结了在地理信息系统(GIS)支持下,以NOAA/AHVRR资料为主要信息,结合下垫面资料,对安徽省区域内干旱发生的动态变化、空间分布、危害程度等进行监测与评估的技术思路与方法。

基于GIS的安徽省重大农业气象灾害测评系统

以安徽省重大农业气象灾害的气候规律分析及遥感监测方法为基础，利用地理信息系统（ＧＩＳ）技术，设计并建立了省级农业气象灾害测评系统。该系统运用结构化设计原理，根据用户需求及系统建设的基本目标，确定了系统结构及主要功能，以（ＡＲＣ／ＩＮＦＯ）为主要支撑软件，建立了安徽省干旱、洪涝及低温冷害的基本数据库、灾害监测评估模型和应急反应及决策服务系统。

安徽省MODIS干旱监测技术研究

为了更有效地监测安徽省农业干旱,以安徽省半湿润区、过渡区为研究对象,利用MODIS资料,在对比分析了基于植被供水指数和温度植被干旱指数两种干旱监测方法基础上,结合已业务应用的农业干旱指标累积湿润指数,开展安徽省分时段的晴空遥感干旱监测研究,建立并确定了部分时段半湿润区、过渡区的MODIS植被供水指数和温度植被干旱等级标准,同时结合当地台站监测土壤墒情对干旱监测进行检验。结果表明,作物生长季节VSWI、TVDI与累积湿润指数存在相关性,两种方法建立指标和模型可以用来分时段进行区域干旱监测,得出了初夏旱TVDI更适合于研究区域的干旱监测。

安徽省干旱灾害监测及预警服务系统研究

介绍了利用NOAA/AVHRR卫星资料与土壤水分人工观测资料,进行干旱灾害监测的方法、指标。详述了安徽省干旱灾害预警服务系统的组成、功能和运用统计学方法,建立土壤干旱预测模型,结合干旱指标确定干旱等级,开展安徽省干旱预警服务的情况。

安徽省不同等级雾和重度霾时空分布特征及地面气象条件比较

雾和霾都是低能见度天气,生成条件相似。利用安徽78个地面站逐时观测资料,基于雾、霾发生物理条件,建立了不同等级雾日和重度霾日的观测诊断方法,重建了不同等级雾和重度霾的时序资料。根据各站强浓雾发生的同步性,将安徽分为5个雾、霾分布特征不同的区域,探讨了各区域不同等级雾及重度霾出现时地面气象条件的异同。结果表明:(1)安徽省强浓雾主要是辐射雾。强浓雾、浓雾和大雾空间分布形势大体一致,淮河以北东、西部和江南都属于强浓雾高发区,但各地强浓雾的时、空分布特征和影响系统不同;重度霾有明显的北多、南少、山区最少的分布特征。(2)强浓雾年变化呈双峰型分布,峰值在1月和4月,日变化为单峰型,峰值在06时;而重度霾年变化为单峰型,峰值在1月,日变化为双峰型。(3)在强浓雾的高发时段(02—08时),强浓雾时降温幅度最大,比重度霾平均高1℃,风速显著偏低,超过75%的样本风速低于1.5 m/s,且无明显主导风向;而重度霾时,风速比雾时明显要大,个别区域有超过75%的样本风速大于1.5 m/s,且以西北风到东北风为主。说明重度霾能否演变为强浓雾的关键地面气象因子是风速、风向和降温幅度。

安徽省雾、霾、晴空天气的气象条件对比分析

使用2008~2012年逐日地面观测资料,揭示了安徽不同地区雾、霾、晴空天气气象条件的差异,指出不同地区要根据本地特点建立雾、霾预报指标和预报方法。3类天气差异最大的地面气象要素是能见度和相对湿度。根据3种天气前一日和当日能见度和相对湿度分布特征,全省站点可以分为3类:1)从雾、霾到晴空,能见度递增、相对湿度递减,且差异显著,如合肥站;2)雾、霾天的能见度和相对湿度均很接近,但与晴空天差别较大,如阜阳站;3)能见度在雾、霾天无明显差别,但相对湿度在雾、霾天差异显著,如安庆站。地级市测站雾后即霾的可能性较大(大于50%),县城测站雾后即霾的可能性较低(低于25%)。垂直方向,雾时相对湿度随高度下降很快,850 h Pa中位值已降到20%(安庆)和45%(阜阳)以下,霾时相对湿度随高度下降缓慢,850 h Pa中位值仍在60%左右;另外,霾天边界层中上部风切变较小,雾天和晴空天边界层中上部都存在较大的风切变。

安徽省热量资源空间分布模型及插值方法研究

【目的】对安徽省热量资源进行栅格化处理，解决无测站地区的热量资源估算问题，为区域农业气候资源评估提供依据。【方法】利用安徽省1971～2000年气象站地面资料，在地理信息系统技术（GIS）支持下，采用多元回归结合空间插值方法，建立安徽省热量资源要素空间分布模型，并比较反距离权重法（IDW）、克里格和样条函数3种空间插值方法的精度。【结果】基于GIS平台，建立了安徽省250m×250m分辨率的温度和积温栅格化数字地图。对空间插值方法的交叉验证结果表明，3种空间插值方法的平均绝对误差、平均误差平方的平方根排序均为IDW克里格法〈样条函数法，IDW法效果最优。【结论】应用GIS空间内插技术，构建高分辨率的栅格化热量资源要素集，可有效提高农业气候资源分析和利用的精细化程度。

基于MODIS气溶胶产品的安徽省颗粒物浓度反演研究

基于MODIS level2的气溶胶产品,分别利用地面气象观测和ECMWF再分析资料进行垂直订正和地面水汽订正,建立MODIS气溶胶光学厚度与地面颗粒物浓度间的关系模型,并分析了颗粒物浓度的时间变化特征。结果表明:(1)MODIS光学厚度与地面PM_(2.5)和PM_(10)浓度相关性较差,经过垂直订正得到的地面消光系数与PM_(2.5)和PM_(10)浓度的相关性增强,水汽订正后的干消光系数与PM_(2.5)和PM_(10)浓度的相关性进一步提高。(2)ECMWF再分析格点数据中边界层厚度和相对湿度产品适用于MODIS光学厚度的垂直订正和水汽订正。(3)利用MODIS光学厚度历史数据反演的合肥市月平均PM_(2.5)浓度自2000年以来呈震荡增长趋势,PM_(2.5)浓度冬季较高,春秋次之,夏季最低。

2008年安徽省雪灾农业影响定量评估研究

分析了安徽省2008年1—2月雪灾的发生特点,和历史上较大雪灾相比,极端最低气温明显高于历次雪灾年。利用实时雪情和灾情资料建立了安徽省单站和全省的农业经济损失定量评估模型,并进行了误差分析和试应用。评估结果表明:单站评估模型的平均相对误差在30%左右,全省评估模型为20%左右,全省评估模型的准确性较高。

基于MODIS数据的安徽省土地覆盖分类研究

利用中分辨率成像光谱仪MODIS(MODerate Resolution Imaging Spectroradiometer)多时相、多光谱及纹理数据,结合安徽省GIS属性数据(2000年1:25万土地利用图),采用多时相分类和分层分类相结合的方法对安徽省土地覆盖进行分类(水田、旱地、林地、水体、城市)。最后,使用安徽土地利用格点数据对分类结果进行精度分析。结果表明:应用MODIS数据可以实时有效的获取安徽省土地覆盖信息,同时对大面积土地覆盖分类具有很好的精度。

安徽省冬小麦和一季稻分时段水分敏感性研究

为了提高干旱灾害损失评估的时效性,更好地适应农业气象业务服务工作需要。根据农作物发育期与月历的对应关系,利用合肥和宿县农气观测站点冬小麦和一季稻1994—2002年的发育期、产量以及土壤水分资料,采用Jensen模型新算法模拟农作物水分的动态变化,得出农作物生长期内逐旬水分亏缺对产量的影响程度,计算作物全生育期内逐旬作物水分敏感系数。并利用安徽省干旱地区、干旱年农作物的实际减产率进行验证。结果表明,作物需水临界期对缺水最敏感,如冬小麦孕穗—抽穗扬花期和一季稻抽穗期均是对缺水最敏感的阶段,而这2个作物的苗期和成熟中后期对缺水反映均不敏感。经验证,敏感性系数计算与减产实况相吻合,因此,计算结果可作为安徽省农作物实时干旱损失评估业务的基础。

安徽省长江以北干旱预警模型研究

从与土壤相对湿度相关的气象因子出发,利用逐步回归分析方法,通过分析1990-2001年干旱时段土壤相对湿度与气象因子之间的关系,尝试建立安徽省长江以北3个气候区的干旱预警模型。对典型干旱时段的应用表明,各模型可以运用到实际的干旱预警中。