李艷玲，楊曉晗，司海平，孫昌霞，F(xiàn)ERNANDO Bacao

（1.河南農(nóng)業(yè)大學(xué)信息與管理科學(xué)學(xué)院，河南 鄭州 450003；2.新里斯本大學(xué)信息管理學(xué)院，里斯本 1070-312，葡萄牙）

0 引言

小麥作為我國重要的糧食產(chǎn)物之一，其發(fā)展態(tài)勢關(guān)系國家的經(jīng)濟(jì)平穩(wěn)發(fā)展。河南省地處我國中原，以冬小麥為主。據(jù)國家統(tǒng)計局?jǐn)?shù)據(jù)，河南省2021 年小麥種植面積569.069 萬hm2，糧食總產(chǎn)量3 802.8 萬t，占全國糧食總產(chǎn)量的25%。有相關(guān)方面的調(diào)查顯示，最近幾年晚霜凍害、干熱風(fēng)、干旱等多種農(nóng)業(yè)氣候?yàn)?zāi)害對我國的小麥生產(chǎn)造成了嚴(yán)重的不利后果[1]。冬小麥的生長周期較長，而且由于華北地區(qū)氣候較為多變，農(nóng)業(yè)氣象災(zāi)害發(fā)生頻繁，特別是干熱風(fēng)災(zāi)害，小麥干熱風(fēng)農(nóng)業(yè)氣象災(zāi)害的發(fā)生主要在小麥灌漿前期20～30 d[2]。當(dāng)小麥?zhǔn)艿礁蔁犸L(fēng)危害后，在小麥外部形態(tài)上會表現(xiàn)為穎殼灰白無光，芒尖干枯變白，麥芒張開的角度由小到大，旗葉褪綠、凋萎，莖稈青枯，重者焦頭炸芒，莖葉灰暗無光；而小麥內(nèi)部會因?yàn)楦邷厝彼斐晒酀{期減短，從而造成麥粒不飽滿、小麥減產(chǎn)的情況。一般情況下可對小麥造成減產(chǎn)10%，如果是發(fā)生嚴(yán)重的干熱風(fēng)，甚至可以對小麥造成減產(chǎn)20%的巨大影響[3]。盡管黃淮地區(qū)的干熱風(fēng)災(zāi)害強(qiáng)度和頻率較20 世紀(jì)六七十年代總體呈下降趨勢，但是干熱風(fēng)災(zāi)害在河套平原、西北地區(qū)和其他小麥產(chǎn)區(qū)隨著氣候干暖化而危機(jī)加重，進(jìn)入21 世紀(jì)以來，北方干熱風(fēng)的頻率、天數(shù)和范圍都有所增加[4-5]。近年來，現(xiàn)代化科技的迅速發(fā)展對智能診斷、預(yù)測和預(yù)警的發(fā)展起到促進(jìn)作用。如果可以在災(zāi)害發(fā)生之前對其做出較為準(zhǔn)確的預(yù)測，提醒農(nóng)戶及時做出對應(yīng)的預(yù)防措施，可以在一定程度上減輕災(zāi)害對小麥帶來的巨大影響，起到防災(zāi)抗災(zāi)的作用，對小麥產(chǎn)量的穩(wěn)定增長有重要意義[6]。

小麥干熱風(fēng)是一種地域性很強(qiáng)的氣象災(zāi)害，準(zhǔn)確的年型預(yù)測可以降低干熱風(fēng)對小麥產(chǎn)量的影響，如澆好灌漿水、適當(dāng)使用化學(xué)藥劑進(jìn)行預(yù)防等，這些手段都可有效減低干熱風(fēng)對小麥的影響。因此，對于干熱風(fēng)年型的預(yù)測有重要意義。目前，在小麥干熱風(fēng)氣象災(zāi)害預(yù)測模型方面存在一些問題，如缺乏具有針對性的地域性模型，而且使用計算機(jī)技術(shù)對小麥干熱風(fēng)氣象災(zāi)害的預(yù)測也具有相對的滯后性。結(jié)合多年災(zāi)害數(shù)據(jù)和物聯(lián)網(wǎng)采集數(shù)據(jù)對小麥干熱風(fēng)氣象災(zāi)害年型進(jìn)行預(yù)測預(yù)警的模型相對較少。本研究根據(jù)干熱風(fēng)災(zāi)害具有的無序性和隨機(jī)性特點(diǎn)，利用馬爾科夫過程的隨機(jī)性和無后效性的特點(diǎn)，嘗試對小麥干熱風(fēng)氣象災(zāi)害構(gòu)建一種全新的預(yù)測模型，以達(dá)到更加有效地對小麥干熱風(fēng)進(jìn)行預(yù)測預(yù)警的效果。研究以對小麥干熱風(fēng)農(nóng)業(yè)天氣災(zāi)害的年型預(yù)報為主要內(nèi)容，根據(jù)當(dāng)前對小麥干熱風(fēng)年型預(yù)報所面臨的若干問題，經(jīng)過對大量歷史數(shù)據(jù)資料的采集與整合，采用馬爾科夫算法構(gòu)建一種能夠?qū)π←湼蔁犸L(fēng)天氣災(zāi)害做出預(yù)報的馬爾科夫模型，并對模型的正確性加以檢驗(yàn)，以便對小麥干熱風(fēng)災(zāi)害年型做出正確預(yù)報，并且與目前的預(yù)測方法進(jìn)行仿真比較，從而使模型更具有說服力。

1 干熱風(fēng)研究現(xiàn)狀

關(guān)于干熱風(fēng)的預(yù)測研究重點(diǎn)一直都是預(yù)測明日是否會發(fā)生干熱風(fēng)，而年型很少被研究者關(guān)注。但是準(zhǔn)確的年型預(yù)測對干熱風(fēng)的預(yù)防也有非常重要的意義。目前的預(yù)報方式主要有兩類。一類是通過天氣理論進(jìn)行預(yù)計，或者說是通過天氣預(yù)報的數(shù)據(jù)產(chǎn)品進(jìn)行預(yù)報，其基本原理是依據(jù)所預(yù)報的天氣數(shù)據(jù)，對干熱風(fēng)災(zāi)害做出定性或定量的天氣預(yù)報，所以預(yù)報的精度主要是依據(jù)天氣預(yù)報的準(zhǔn)確度而決定。另一類是通過統(tǒng)計方式或數(shù)據(jù)挖掘方式，獲取與預(yù)報對象有關(guān)的影響因子和特征變量間的聯(lián)系，從而形成一定的預(yù)測過程。在某些特殊環(huán)境下，還可用于定性和定量的預(yù)報，如干熱風(fēng)的產(chǎn)生狀況、干熱風(fēng)的發(fā)生種類和程度、干熱風(fēng)年型情況等[7]。

刁平[8]使用會對小麥造成干熱風(fēng)的16 個氣象因素進(jìn)行了3 個干熱風(fēng)預(yù)報方程的搭建，利用這3 個方程對后一天是否會有干熱風(fēng)的出現(xiàn)和干熱風(fēng)的強(qiáng)度進(jìn)行預(yù)測。王春乙等[9]提出了與干熱風(fēng)相關(guān)的綜合指數(shù)DHW，并提供了關(guān)于干熱風(fēng)的年型預(yù)測。李超等[10]通過BP 神經(jīng)網(wǎng)絡(luò)技術(shù)設(shè)計干熱風(fēng)等級預(yù)測模型，用以預(yù)測小麥干熱風(fēng)的等級。張翠英等[11]對山東西南部出現(xiàn)小麥干熱風(fēng)的天數(shù)進(jìn)行統(tǒng)計整理和分析，形成了對小麥干熱風(fēng)的旬預(yù)報模型，可分別預(yù)報在各個階段中出現(xiàn)小麥干熱風(fēng)的日數(shù)。王珊珊[12]利用BP 神經(jīng)網(wǎng)絡(luò)，以及采用有動量的梯度下降法構(gòu)建了小麥干熱風(fēng)災(zāi)害年型預(yù)報模型，而且實(shí)測結(jié)果能夠合理地證實(shí)該預(yù)報模型能夠?qū)π←湼蔁犸L(fēng)年型進(jìn)行較為精確的預(yù)報。楊濤[13]采用區(qū)域氣候模式WRF（Weather Research and Forecasting）研究新疆塔里木盆地灌溉的區(qū)域氣候效應(yīng)及它對干熱風(fēng)的影響，結(jié)果顯示，WRF 模式能夠模擬出干熱風(fēng)天數(shù)的空間分布情況，但表現(xiàn)出較大的誤差。

有關(guān)小麥干熱風(fēng)災(zāi)害預(yù)測的探討重點(diǎn)都集中在小麥干熱風(fēng)發(fā)生天數(shù)、小麥干熱風(fēng)等級及種類和小麥干熱風(fēng)日的預(yù)報，對干熱風(fēng)年型研究較少，而在這較少的研究中關(guān)于干熱風(fēng)年型的預(yù)測概率也較低。目前，除了統(tǒng)計分析技術(shù)外，也有一些新的方法用做類似的研究，數(shù)據(jù)挖掘算法用于干熱風(fēng)年型預(yù)測研究是一種新的嘗試，而這種新的預(yù)測技術(shù)對于干熱風(fēng)年型的預(yù)報研究也有重要作用。

2 材料與方法

2.1 數(shù)據(jù)獲取

河南省地處我國華北平原地帶，以冬小麥為重要糧食作物，而小麥干熱風(fēng)天氣災(zāi)害會在小麥灌漿前期的20～30 d 對小麥生長帶來較大的危害[14]。依據(jù)河南省滑縣地理位置特點(diǎn)和小麥?zhǔn)艿礁蔁犸L(fēng)危害嚴(yán)重的時期，選用5 月13 日—6 月10 日的氣象數(shù)據(jù)作為后續(xù)研究小麥干熱風(fēng)是否會發(fā)生的重要?dú)庀髷?shù)據(jù)。試驗(yàn)數(shù)據(jù)主要來自于河南省氣象局、安陽市氣象預(yù)報網(wǎng)、中國氣象數(shù)據(jù)網(wǎng)和物聯(lián)網(wǎng)系統(tǒng)。試驗(yàn)數(shù)據(jù)包含河南省安陽市滑縣2001—2021 年每年5 月13 日—6 月10 日的天氣統(tǒng)計數(shù)據(jù)，內(nèi)容主要涉及氣溫、相對濕度及風(fēng)速等。根據(jù)國家氣象局有關(guān)人員介紹，由于2011 年以前數(shù)據(jù)的采集都是由人工進(jìn)行記錄，所以一天中只記錄2 時、8 時、14 時、20 時的數(shù)據(jù)信息，而2011 年以后開始采用站點(diǎn)內(nèi)自行記錄數(shù)據(jù)的方法進(jìn)行數(shù)據(jù)統(tǒng)計[15]。本文選用河南省安陽市滑縣2001—2021 年的日最高溫度、14 時相對溫度、14 時相對濕度和14 時風(fēng)速數(shù)據(jù)信息。

2.2 干熱風(fēng)等級狀態(tài)劃分

QX/T 82—2007《小麥干熱風(fēng)災(zāi)害等級》中北方冬小麥干熱風(fēng)等級指標(biāo)如表1 所示[16]。干熱風(fēng)的等級劃分是由日到過程到年逐級進(jìn)行劃分的。首先依據(jù)劃分標(biāo)準(zhǔn)對干熱風(fēng)日進(jìn)行等級劃分，其次是依據(jù)劃分好的干熱風(fēng)日的結(jié)果對干熱風(fēng)過程進(jìn)行劃分等級，最后是依據(jù)干熱風(fēng)天氣過程對干熱風(fēng)年型進(jìn)行等級劃分。干熱風(fēng)天氣過程等級指標(biāo)如表2 所示。干熱風(fēng)年型等級指標(biāo)如表3 所示。

表1 北方冬小麥干熱風(fēng)等級指標(biāo)Tab.1 Dry-hot wind grade index of northern winter wheat

表3 干熱風(fēng)年型等級指標(biāo)Tab.3 Yearly grade index of dry-hot wind

由以上劃分標(biāo)準(zhǔn)，可將2001—2021 年的數(shù)據(jù)進(jìn)行年型劃分，用0、1 和2 來表示發(fā)生或不發(fā)生干熱風(fēng)，其中0 表示未發(fā)生小麥干熱風(fēng)，1 表示小麥發(fā)生輕干熱風(fēng)，2 表示小麥發(fā)生重干熱風(fēng)，劃分結(jié)果如圖1 所示。

圖1 2001—2021 年小麥干熱風(fēng)年型Fig.1 2001—2021 wheat dry-hot wind year

2.3 馬爾科夫原理

馬爾科夫（Markov）理論研究表明，整個系統(tǒng)到達(dá)每一狀況的幾率僅與近期狀況相關(guān)，在特定時間后馬爾科夫程序逐步趨于穩(wěn)定狀況而與原有前提條件不符，這一特點(diǎn)稱之為“無后效性”，正是這種無后效性的特征使馬爾可夫預(yù)測模式不會因?yàn)闅v史數(shù)據(jù)的非有效性而影響估計的準(zhǔn)確性[17]。即第n次的試驗(yàn)結(jié)果只由第n-1 次試驗(yàn)的結(jié)論決定，第n-1 次試驗(yàn)結(jié)果僅依賴于第n-2 次試驗(yàn)結(jié)論，如此一一類推。這一連串的轉(zhuǎn)移過程的集合叫做“馬爾科夫鏈”，或稱為“時間和狀態(tài)均離散的馬爾科夫過程”。馬爾科夫鏈?zhǔn)侵赶到y(tǒng)的未來狀態(tài)僅與現(xiàn)狀相關(guān)，而與過去的狀態(tài)沒關(guān)系的隨機(jī)過程，即無后效性的特點(diǎn)[18]。對馬爾科夫過程和馬爾科夫鏈加以剖析，并對未來的狀態(tài)發(fā)展進(jìn)行預(yù)測稱之為馬爾科夫分析。馬爾科夫預(yù)測方式主要優(yōu)點(diǎn)：不需要使用大量的統(tǒng)計數(shù)據(jù)信息，只要有限的近期數(shù)據(jù)信息就可以完成定量性預(yù)測，同時馬爾科夫預(yù)測方法適用于短期預(yù)測的基礎(chǔ)上，只要狀態(tài)轉(zhuǎn)移矩陣滾動頻次比需要的多，同時也可以運(yùn)用于中長期預(yù)測。馬爾科夫預(yù)測作為一種預(yù)測隨機(jī)過程變化規(guī)律的技術(shù)，是利用其中一種變量的現(xiàn)狀和變動趨勢來預(yù)測該變量的未來狀態(tài)與變動趨勢的技術(shù)[19]。

3 試驗(yàn)與分析

3.1 數(shù)據(jù)處理

依據(jù)所獲取的數(shù)據(jù)資料，對河南省安陽市滑縣區(qū)域在2001—2021 年每年5 月13 日—6 月10 日，當(dāng)日最高氣溫、14 時相對氣溫、14 時相對濕度、14 時風(fēng)速，均使用氣象行業(yè)標(biāo)準(zhǔn)QX/T 82—2007《小麥干熱風(fēng)災(zāi)害等級》中的判定指標(biāo)，對滑縣區(qū)域內(nèi)當(dāng)日是否發(fā)生干熱風(fēng)作出判定，當(dāng)日發(fā)生干熱風(fēng)的被記為1，當(dāng)日不發(fā)生干熱風(fēng)的被記為0。通過獲取的所有數(shù)據(jù)資料進(jìn)行標(biāo)注后發(fā)現(xiàn)，在滑縣區(qū)域所出現(xiàn)的干熱風(fēng)大部分都是高溫低濕型，但是在小麥灌漿期階段雨后青枯型干熱風(fēng)也是有一定比例存在的，降雨過后突然云開日出、溫度大幅度上升、濕度大幅度下降的情況對小麥灌漿也存在很大的影響，所以本研究也將雨后青枯型干熱風(fēng)加入研究內(nèi)容中[20-21]。本研究在對干熱風(fēng)數(shù)據(jù)資料進(jìn)行標(biāo)注時，也對雨后青枯型干熱風(fēng)進(jìn)行標(biāo)注。干熱風(fēng)發(fā)生情況標(biāo)注結(jié)果如圖2 所示。

圖2 干熱風(fēng)天數(shù)分布情況Fig.2 Distribution of hot and dry wind days

3.2 模型建立

3.2.1 劃分狀態(tài)

根據(jù)小麥干熱風(fēng)等級劃分標(biāo)準(zhǔn)對2001—2021 年滑縣小麥進(jìn)行干熱風(fēng)年型狀態(tài)劃分，結(jié)果如表4 所示，其中1 表示未發(fā)生小麥干熱風(fēng)，2 表示小麥發(fā)生輕干熱風(fēng)，3 表示小麥發(fā)生重干熱風(fēng)。

表4 2001—2021 年滑縣小麥干熱風(fēng)年型狀態(tài)統(tǒng)計Tab.4 Statistics on annual state of wheat dry-hot wind in Hua County from 2001 to 2021

3.2.2 狀態(tài)轉(zhuǎn)移概率矩陣

根據(jù)劃分后的2001—2021 年小麥干熱風(fēng)年型狀態(tài)，計算出各步狀態(tài)轉(zhuǎn)移概率矩陣。

運(yùn)用馬爾科夫鏈的特點(diǎn)及劃分后的小麥干熱風(fēng)狀態(tài)，使用馬爾科夫轉(zhuǎn)移概率表達(dá)式進(jìn)行轉(zhuǎn)移概率計算，如式（1）所示。

狀態(tài)轉(zhuǎn)移概率矩陣R（m）反映了干熱風(fēng)狀態(tài)之間的轉(zhuǎn)移矩陣，它是干熱風(fēng)狀態(tài)預(yù)測的基礎(chǔ)。根據(jù)式（2）及表4，可得出2001—2021 年小麥干熱風(fēng)年型的狀態(tài)轉(zhuǎn)移矩陣R（1）～R（3），如式（3）、式（4）和式（5）所示。

3.2.3 計算預(yù)測結(jié)果

依據(jù)小麥干熱風(fēng)年型狀態(tài)轉(zhuǎn)移概率矩陣R（1）～R（3），每一年對小麥干熱風(fēng)年型進(jìn)行預(yù)報時，只要根據(jù)前3 年的起始狀態(tài)，反查R（1）～R（3）的相關(guān)數(shù)據(jù)信息，對數(shù)據(jù)進(jìn)行統(tǒng)計和分析，就可以對下一年的小麥干熱風(fēng)年型做出預(yù)報。如對2017 年的小麥干熱風(fēng)氣象災(zāi)害狀態(tài)進(jìn)行預(yù)測，選用2017 年以前3 年的歷史數(shù)據(jù)，也就是2014 年、2015 年和2016 年分別對應(yīng)的數(shù)據(jù)信息，每年的起始狀態(tài)依次為3、2、1，所對應(yīng)的概率轉(zhuǎn)移步數(shù)依次為3、2、1，在每個概率轉(zhuǎn)移步數(shù)所對應(yīng)的轉(zhuǎn)移矩陣中，分別取起始狀態(tài)所對應(yīng)的行向量，即為各起始狀態(tài)出現(xiàn)的概率，然后按表5 形式進(jìn)行資料統(tǒng)計計算，合計中最大概率所對應(yīng)的狀態(tài)，即為小麥干熱風(fēng)年型預(yù)測模型的預(yù)報狀態(tài)。

表5 滑縣2017 年小麥干熱風(fēng)年型預(yù)報Tab.5 Forecast of dry-hot wind pattern of wheat in Hua County in 2017

由表5 可知，滑縣2017 年小麥干熱風(fēng)年型狀態(tài)為3 級即為重干熱風(fēng)年。2017 年滑縣小麥干熱風(fēng)等級的實(shí)況：2017 年滑縣發(fā)生干熱風(fēng)總計7 d，其中包含3 d輕干熱風(fēng)和4 d 重干熱風(fēng)，存在一個重干熱風(fēng)過程，并且連續(xù)4 d 存在重干熱風(fēng)，所以滑縣2017 年小麥干熱風(fēng)年型為重干熱風(fēng)年，即干熱風(fēng)年型狀態(tài)等級為3 級。預(yù)報結(jié)果與實(shí)況一致。

3.3 回代檢測

運(yùn)用馬爾科夫鏈方法建立的R（1）～R（3）轉(zhuǎn)移概率預(yù)測模型，對滑縣2004—2021 年小麥干熱風(fēng)年型狀態(tài)進(jìn)行預(yù)測回代檢驗(yàn)，結(jié)果如表6 和圖3 所示。

由表6 和圖3 可知，滑縣2004—2021 年共18 年的數(shù)據(jù)中，在馬爾科夫模型預(yù)測結(jié)果中，小麥干熱風(fēng)狀態(tài)預(yù)報中有14 年與實(shí)況相符，4 年預(yù)報錯誤，預(yù)報準(zhǔn)確率達(dá)77.78%。

圖3 2004—2021 年小麥干熱風(fēng)年型回代檢驗(yàn)結(jié)果Fig.3 Results of annual pattern of wheat dry-hot wind from 2004 to 2021

表6 2004—2021 年滑縣小麥干熱風(fēng)年型預(yù)測結(jié)果Tab.6 Forecast results of dry-hot wind pattern of wheat in Hua County from 2004 to 2021

本文采用了21 年的氣象數(shù)據(jù)資料，經(jīng)過篩選后共使用660 d 數(shù)據(jù)，但發(fā)生干熱風(fēng)的天數(shù)只有85 d，數(shù)據(jù)量較少是準(zhǔn)確率不太高的原因之一。在使用馬爾科夫鏈算法進(jìn)行預(yù)測時，預(yù)測結(jié)果的準(zhǔn)確度與前期數(shù)據(jù)處理時狀態(tài)的劃分有很大的關(guān)系。一般要根據(jù)數(shù)據(jù)量及要進(jìn)行解決分析的主要問題進(jìn)行適當(dāng)?shù)姆治雠c調(diào)整。在數(shù)據(jù)量不是很多的時候狀態(tài)的劃分可以進(jìn)行相應(yīng)的減少，以達(dá)到每個狀態(tài)都有足夠多的樣本數(shù)據(jù)，能夠更加客觀地反映出每個狀態(tài)之間的概率轉(zhuǎn)移規(guī)律；當(dāng)數(shù)據(jù)量足夠多時，由于劃分后每個狀態(tài)的樣本數(shù)量都足夠多，就可以適當(dāng)增加劃分的狀態(tài)數(shù)量。

3.4 仿真比較

由于目前對干熱風(fēng)年型的研究中，BP 神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)出較好的準(zhǔn)確率，因此將2001—2021 年滑縣數(shù)據(jù)使用BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了模型預(yù)測概率比較。使用BP 神經(jīng)網(wǎng)絡(luò)模型對滑縣2015—2021 年的小麥干熱風(fēng)年型進(jìn)行預(yù)測，同時使用馬爾科夫模型對2015—2021 年的小麥干熱風(fēng)年型進(jìn)行預(yù)測，對比結(jié)果如圖4 所示。

圖4 馬爾科夫模型和BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果Fig.4 Prediction results of Markov model and BP neural network model

在完全相同的數(shù)據(jù)下對2015—2021 年7 年的小麥干熱風(fēng)年型等級進(jìn)行預(yù)測，結(jié)果顯示，在7 年的預(yù)測結(jié)果中，馬爾科夫模型對小麥干熱風(fēng)年型預(yù)報中有6年與實(shí)際情況相符，預(yù)測概率為85.71%；而BP 神經(jīng)網(wǎng)絡(luò)模型對小麥干熱風(fēng)年型預(yù)報中有5 年與實(shí)際情況相符，預(yù)測概率為71.42%。由此可見，馬爾科夫預(yù)測模型進(jìn)行小麥干熱風(fēng)年型預(yù)測在氣象服務(wù)實(shí)踐中有一定的參考價值，在小麥干熱風(fēng)防御實(shí)踐中具有一定的指導(dǎo)作用。

4 結(jié)束語

根據(jù)我國小麥干熱風(fēng)年型劃分準(zhǔn)則和2001—2021年每年5—6 月的氣象統(tǒng)計資料，采用馬爾科夫鏈轉(zhuǎn)移概率模型構(gòu)建了河南省滑縣區(qū)域的小麥干熱風(fēng)年型預(yù)測模型，經(jīng)過回代檢驗(yàn)，準(zhǔn)確率達(dá)到了77.78%。在數(shù)據(jù)相同的基礎(chǔ)上，馬爾科夫模型比BP 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測概率高，可以證明馬爾科夫模型應(yīng)用在小麥干熱風(fēng)年型上預(yù)測效果較好。較為準(zhǔn)確的年型預(yù)測是做到有效預(yù)防干熱風(fēng)的第1 步，準(zhǔn)確的預(yù)測年型可以適時澆好小麥灌漿水和麥黃水，可以有效降低麥田近地表氣溫、提高田間土壤濕度，保障小麥有充足的水分，滿足灌漿期階段的需求，延長灌漿期時間、增加小麥粒質(zhì)量是降低干熱風(fēng)危害最有效的措施。因此，準(zhǔn)確的小麥干熱風(fēng)年型預(yù)測結(jié)果可以為防災(zāi)減災(zāi)工作爭取一些時間，同時也提供了依據(jù)。