早稻是江西省主要粮食作物，其产量占江西省粮食总产的38%左右^[1]，在江西全省种植业发展及国家粮食安全中占有重要地位。江西省早稻抽穗扬花期一般出现在6月中下旬^[2]，也是江西省降水集中期的主要时段^[3]，期间降水过程频繁，雨量集中，常有不同程度降雨发生，即使未形成洪涝灾害，也易使处在抽穗扬花期早稻遭受拍打危害，造成“雨打禾花，花而不实”，俗称雨洗花。雨洗花灾害指在早稻抽穗扬花期，因降水过多，造成水稻花粉吸水过多过快而膨胀破裂，失去生活力，同时柱头上分泌的液体被雨水冲洗稀释，不适宜花粉粒萌发，从而使结实率降低，导致减产的一种灾害^[4]。如2006年6月27日，江西北部的婺源县出现日降水量109.3 mm的强降水天气，观测表明：观测田块未形成洪涝灾害，但该地段早稻正处抽穗扬花普遍期，强降水天气使50%以上早稻遭受暴雨洗花，最终导致地段实际产量仅为455.6 g·m^-2，减产18%。在气候变化背景下，全球大部分陆地区域降水强度和频率有所增加^[5]，我国也不例外，1961—2015年我国平均暴雨日数增加8.2%^[6]，且降水时空差异加剧，南方区域性洪涝事件呈增多趋势，大雨、暴雨频次增加^[7-8]。江西省降水也随之发生变化，表现为降水不均匀性更加明显，强降水事件增加^[9-11]。雨洗花灾害已成为江西省早稻生产的主要农业气象灾害之一。

对于抽穗扬花期的水稻而言，降水对水稻的危害主要有洪涝灾害和雨洗花。目前，国内外学者对水稻洪涝灾害研究取得了重要进展，主要有淹涝胁迫对水稻生长发育、产量、生理指标^[12-14]等的影响，水稻洪涝灾害指标及时空变化特征^[15-17]、水稻洪涝灾害风险和灾损评估^[18-19]、水稻洪涝受灾面积遥感监测^[20-21]等。但针对雨洗花灾害的研究明显偏少，张玉烛等^[22]利用人工模拟阴雨条件分析抽穗扬花期降水对早稻开花和受精的影响，得出降水是对早稻开花和受精影响最大的因素；伍智文等^[23]通过简单求算个别代表站早稻抽穗开花期气象条件与空秕率的相关性，得到降水量、降水日数、日平均相对湿度与早稻空秕率成正相关。上述相关研究仅限于定性描述，涉及到雨洗花灾害指标以及灾损预测模型的研究匮乏，导致在现代农业气象服务中，缺乏明确、有针对性的雨洗花灾害判定及灾损评估依据。因此，开展雨洗花灾害指标和灾损评估模型研究，对提升气象为农服务水平具有重要作用。

鉴于此，本文以江西省早稻雨洗花灾害为研究对象，基于长年代逐站逐年早稻全生育期气象条件分析，结合农业气象灾害和病虫害调查史料，筛选雨洗花灾害种类清晰的典型年样本，通过典型年样本减产率与降水过程相结合的方法，反演早稻抽穗扬花期雨洗花灾害的降水量、降水日数及最大降水量，以此为基础，构建江西地区早稻雨洗花灾害指标和灾损评估模型，以期为开展区域早稻雨洗花灾害监测、损失评估、灾害保险等提供支撑依据。

气象资料来源于江西省气象信息中心，包括江西省早稻种植区域内14个农业气象观测站(见图 1)1981—2015年早稻生长发育期间逐日气象资料，包括平均气温、最高气温、最低气温、降水量、日照时数等，其中南昌县农业气象观测站1988—1998年逐日气象数据缺测，缺测值由南昌市气象观测站历史同期逐日气象数据代替。早稻生育期、地段产量以及农业气象灾害和病虫害等农业气象观测资料来自上述14个农业气象观测站，生育期资料为早稻实际观测的各生育期出现日期，包括播种、出苗、移栽、返青、分蘖、拔节、孕穗、抽穗、乳熟和成熟期；地段产量为地段早稻成熟后单独收获称重的产量资料，各农业气象观测站观测地段均选择在早稻成片种植区，观测地段面积一般不低于0.1 hm²；农业气象灾害和病虫害观测资料为地段早稻生长发育期间灾害发生时不定期观测，其中瑞昌站、婺源站农业气象观测资料年限为1981—2009年，湖口县、樟树县为1990—2015年，其他10个站为1981—2015年。

图1

图1 江西省14个农业气象观测站分布 Fig.1 Distribution of 14 agricultural meteorological observation stations in Jiangxi Province

江西省早稻生长期间，干旱、暴雨洪涝、高温、低温等气象事件发生频繁，导致早稻生产不稳定性较大，出现不同程度的减产^[24-25]。减产可能是一种或者多种灾害综合影响的结果，因此，在雨洗花灾害指标的研究过程中，如何确定典型雨洗花年，即确定产量损失主要由雨洗花灾害影响的年份，是本文研究基础。首先对长年代逐站、逐年早稻全生育期气象条件进行分析，结合农业气象灾害和病虫害观测史料，厘清逐站、逐年观测地段早稻生产过程中遭遇到的主要农业气象灾害种类，筛选出产量损失主要由雨洗花灾害引起的年份，尤其要注意剔除这些年份中有洪涝灾害记录的年份，最终得到雨洗花灾害种类清晰的典型年样本。基于雨洗花年早稻产量和抽穗扬花期间逐日降水量资料，构建本文研究样本78组，其中随机留出10组样本进行雨洗花灾害等级指标验证。

在不考虑其他因素影响的情况下，农作物实际产量可以分解为趋势产量和气象产量^[26]。气象产量是一个非平稳序列，则引入相对气象产量：

(1)

式(1)中，y_u为相对气象产量，y_s为实际产量，y_t为趋势产量。本文采用线性、正交多项式、5年滑动平均等多种方式对江西省14个农业气象观测站1981—2015年趋势产量进行模拟，并对分解的趋势产量进行正态性检验，若符合正态分布，则认为分解合理。以相对气象产量的负值定义为减产率。

通过对早稻减产率与雨洗花年降水因子的相关分析，筛选出对早稻产量影响相关的降水因子，并统计雨洗花年早稻抽穗扬花期间日降水量通过不同界限值(0~80 mm，5 mm为1个等级)的日数、累积降水量与对应年份减产率的相关关系，得到雨洗花灾害临界指标，并运用正态分布置信区间方法对指标进行验证。

利用减产率累积距平法对雨洗花灾害等级指标进行划分。具体计算方法如下：在雨洗花灾害样本中，早稻抽穗扬花期累积降水量序列与对应年份的减产率序列一一对应，据此将减产率序列按照累积降水量序列从小到大的顺序排列，得到新的减产率序列y₁，y₂，……，y_n和从小到大排序的累积降水量序列t₁，t₂，……，t_n。对于减产率序列y₁，y₂，……，y_n，在某一累积降水量t处对应的累积减产率距平值表示为

(2)

式(2)中，，n为雨洗花灾害样本量，y为雨洗花减产率序列平均值。

点绘出D_t-t曲线，即为减产率累积距平曲线，以累积距平曲线明显转折点为界，划分雨洗花灾害等级指标，并运用历史个例进行检验。

对雨洗花灾害主要影响因子进行多重共线性诊断，多重共线性是指自变量之间存在线性相关关系^[27]，造成的主要后果是自变量对预测变量的估计不可靠，因此，在进行多重回归分析时有必要进行多重共线性诊断^[28]。对共线性的度量，通常是将条件指数和方差比结合起来，若最大条件指数不小于10且相应的最大方差比大于0.5，可认为自变量间存在共线性^[28-29]。如果因子间存在多重共线性，则采用主成分回归方法建立模型，否则选择线性回归方法^[29-30]，并与实际产量比较对模型进行验证。利用SPSS(statistical product and service solutions)进行主成分回归分析，方法见文献[31]。

统计样本序列减产率与对应年份早稻抽穗扬花期间累积降水量(X₁)、降水日数(X₂)、最大降水量(X₃)的相关系数可知，减产率与累积降水量、最大降水量的相关性较强，相关系数分别为0.69和0.48，均达到0.01显著性水平；与降水日数的相关系数为0.23，达到0.05显著性水平。由此说明抽穗扬花期降水对早稻产量具有显著影响，日降水量越多、持续时间越长，对早稻产量的影响越明显。相比累积降水量、最大降水量，减产率与降水日数的相关性明显偏小，表明雨洗花灾害具有一定的界限指标，当日降水量超过一定界限值时，才造成雨洗花灾害；当日降水量未超过雨洗花灾害指标时，对早稻产量影响不明显，此时的降水日数对于雨洗花灾害来说，是无效降水日数，所以导致降水日数与减产率的相关系数偏小。

以当日降水量超过一定界限值时的降水日数为雨洗花灾害的有效降水日数。将各样本逐日降水量序列按照5 mm为1个等级给予不同的界线值，即各界限值分别为0，5 mm，10 mm，……，80 mm，分别统计样本序列即雨洗花年早稻抽穗扬花期间逐日降水量超过不同界限值的日数(图 2a)、累积降水量(图 2b)与对应减产率的相关关系。由图 2a可以看到，当日降水量界限值为40 mm时，雨洗花年早稻抽穗扬花期日降水量不小于40 mm的日数与对应减产率的相关关系最显著，在该界限值两侧，相关系数下降较快，说明日降水量40 mm为雨洗花灾害的门限状态；由图 2b亦可以看到，日降水量界限值40 mm处曲线拐点位置，当日降水量为0~40 mm时，超过各界限值的累积降水量与对应减产率的相关关系变化不大，且均维持在一个较高的水平上，这是因为不小于0，5 mm，……，35 mm等各界限值的累积降水量包括了不小于40 mm的累积降水量，其对减产率的贡献主要来自于不小于40 mm的累积降水量；但当日降水量大于40 mm时，超过各界限值的累积降水量与减产率的相关系数开始下降，越往后下降越明显，这是因为在计算日降水量不小于45 mm的累积降水量时，没有将对减产率有明显影响的40~45 mm的日降水量计算在内，依次类推，在计算日降水量不小于80 mm累积降水量时，没有将对减产率有明显影响的40~80 mm的日降水量计算在内，导致最终与减产率的相关系数越来越小，由此说明日降水量40 mm可以作为雨洗花灾害的临界指标。

图2

图2 日降水量超过不同界限值的日数(a)、累积降水量(b)与对应减产率的相关关系 Fig.2 Correlation of yield reduction rate to the number of days(a), accumulative precipitation(b) of daily precipitation above different boundary values

为了进一步确定雨洗花灾害指标，统计各站雨洗花灾害年早稻抽穗扬花期间日降水量不小于40 mm的累积降水量，并绘制其频率分布(如图 3所示)。由图 3a可以看到，样本集合呈正偏态分布，需要进行某种正态化的变换。对数变化是一种很常用的正态化变换方法，且计算简便^[32]，因此，选择对数转换。经对数变换后雨洗花灾害样本集合累积降水量频率和概率检验如图 3b所示。由图 3b可以看到，通过变换后样本符合正态分布。以样本集合的累积降水量序列的正态分布置信水平在95%或以上的降水量作为雨洗花灾害指标的阈值，则落在阈值外的累积降水量值仅有5%或者以下的概率属于考察的早稻雨洗花灾害范围。因为当累积降水量大于一定的界限值时，则为异常，所以只需计算服从正态分布总体的雨洗花灾害样本累积降水量序列在95%置信水平的左侧临界值。对转换后的样本序列进行正态分布运算，结果表明：在95%置信水平下雨洗花灾害样本累积降水量序列对数变换之后的左侧临界值为3.70，再转回对应的实际值为41 mm，该值与上述确定的雨洗花灾害临界值相吻合。由此说明，日降水量40 mm可以作为雨洗花灾害的临界指标。

图3

图3 雨洗花灾害样本集合累积降水量(a)及其对数转换(b)频率分布 Fig.3 Frequency charts about accumulative precipitation(a) and its log transformation(b) of rain washing damage to pollen sample sets

根据雨洗花灾害指标，计算得雨洗花灾害样本平均减产率为15%。根据1.2.3节介绍的减产率累积距平法，将减产率序列按照累积降水量序列从小到大的顺序排列，以从小到大排序的累积降水量序列为自变量，绘制对应的减产率累积距平曲线图(图 4)。由图 4可知，减产率累积距平曲线呈V字型，最小值对应的累积降水量为164 mm。反查其减产率可知，当累积降水量为40~170 mm时，平均减产率为10%，其中83%的样本减产率小于15%，17%的样本减产率为15%~20%；当累积降水量超过170 mm时，83%的样本减产率不小于15%，17%的样本减产率为10%~14%，平均减产率为22%。以170 mm为界，将序列分成前后两部分，对前后两部分样本对应的减产率进行独立样本t检验，检验结果表明：前后两部分减产率差异达到0.001显著性水平，据此划分雨洗花灾害等级指标(如表 1所示)。

图4

图4 样本累积降水量序列对应的减产率累积距平曲线 Fig.4 Accumulative anomaly of yield reduction rate based on accumulative precipitation

表 1

表 1 雨洗花灾害等级指标 Table 1 Level indicators of rain washing damage to pollen 灾害等级 累积降水量(日降水量不小于40 mm) 减产率 平均 83%样本 17%样本 轻度 [40 mm，170 mm) 10% 小于15% 15%~20% 重度 不小于170 mm 22% 不小于15% 10%~14%

表 1 雨洗花灾害等级指标 Table 1 Level indicators of rain washing damage to pollen

统计验证样本抽穗扬花期间日降水量不小于40 mm的累积降水量，根据表 1对验证样本雨洗花灾害发生程度进行判定：当累积降水量为[40 mm, 170 mm)时，为轻度雨洗花灾害；当累积降水量不小于170 mm时，为重度雨洗花灾害。根据表 1中统计的各等级雨洗花灾害实际减产率情况，对雨洗花灾害指标进行验证。具体验证方法如下：根据雨洗花灾害指标，当验证样本被判定为轻(重)度雨洗花灾害时，若该样本减产率小于15%(不小于15%)，则表明判定的雨洗花灾害发生程度与减产率相符合；若该样本减产率大于20%(小于10%)，则表明判定的雨洗花灾害发生程度与减产率不符合；若该样本减产率为15%~20%(10%~14%)，则表明判定的雨洗花灾害发生程度与减产率基本符合。

表 2给出了江西省早稻雨洗花灾害等级指标的验证情况。在10个样本中，由雨洗花灾害等级指标所得的发生程度与早稻减产率相符合的有7个，基本符合的2个，不符合的仅1个。完全符合的7个样本与表 1中83%样本减产率一致，基本符合的2个样本与表 1中17%样本的减产率一致，完全不符合的仅占10%，表明构建的雨洗花灾害等级指标所得的灾害发生程度与减产率的吻合度较高，能较好地反映早稻雨洗花灾害的实际发生情况。

表 2

表 2 雨洗花灾害等级指标验证 Table 2 Verification about level indicators of rain washing damage to pollen 观测站 年份 降水(不小于40 mm)出现时期 累积降水量/mm 发生程度 减产率/% 符合程度 南康 1992 抽穗扬花普遍期当日 49.1 轻度 5 符合 南丰 2015 抽穗扬花普遍期后第2日 56.8 轻度 2 符合 广丰 2015 抽穗扬花普遍期前第2日 71.9 轻度 7 符合 宜丰 2015 抽穗扬花普遍期当日及其后第4日 108.9 轻度 14 符合 婺源 2006 抽穗扬花普遍期后第1日 109.3 轻度 18 基本符合 南昌市 1981 抽穗扬花普遍期后第2日和第3日 119.9 轻度 8 符合 南昌县 1999 抽穗扬花普遍期当日及其后第1日 146.3 轻度 20 基本符合 湖口 1991 抽穗扬花普遍期后第1日和第4日 157.9 轻度 15 符合 莲花 1983 抽穗扬花普遍期后第2日和第3日 204.9 重度 36 符合 樟树 2014 抽穗扬花普遍期前2日 204.9 重度 5 不符合

表 2 雨洗花灾害等级指标验证 Table 2 Verification about level indicators of rain washing damage to pollen

由表 2还可以看到，雨洗花灾害程度还与降水出现的时间有关，降水越接近抽穗扬花普遍期，对早稻产量的影响越明显，如南康县1992年、南丰县2015年早稻抽穗扬花期降水量分别为49.1 mm，56.8 mm，但南康县降水出现在抽穗扬花普遍期当日，而南丰县降水出现在抽穗扬花普遍期后第2日，导致南康县当年减产率5%，南丰县只减产2%。表 2中基本符合的2个样本，婺源县2006年和南昌县1999年也是这种情况。婺源县2006年降水出现在抽穗扬花普遍期后第1日，南昌县1999年降水出现在抽穗扬花普遍期当日及其后第1日，导致减产率比降水仅出现在抽穗扬花始期或末期偏高。婺源县2008年早稻抽穗扬花期降水为143.8 mm，比2006年的109.3 mm偏多，但降水出现在抽穗扬花始期，全田只有约10%的植株处抽穗扬花期，导致减产率低于2006年，仅减产6%；南昌县1986年早稻抽穗扬花期降水为145.2 mm，与1999年相差不多，但降水出现时，田间早稻已接近抽穗扬花末期，因此，减产率低于1999年，仅减产10%。

为了分析上述情况是否具有普遍性，本文对所有样本降水出现的时间段进行普查。由普查结果可知，当雨洗花灾害发生时，降水一般出现在抽穗扬花普遍期前后5 d内，72%的样本降水出现在抽穗扬花普遍期前后3 d内，在抽穗扬花普遍期当日或者前后1~2 d内时出现降水，对早稻产量影响最明显，在抽穗扬花始期或者末期发生降水，对早稻产量的影响相对减小。即雨洗花灾害影响时段为抽穗扬花普遍期前后5 d内，关键时段为抽穗扬花普遍期前后3 d内。雨洗花灾害程度与降水出现时全田水稻进入抽穗扬花的植株所占的百分率密切相关，降水越接近抽穗扬花普遍期，影响越严重，在抽穗扬花始期或末期遭遇雨洗花，影响相对减小。因此，在利用雨洗花灾害等级指标(表 1)对雨洗花灾害进行判别时，需要结合田间早稻抽穗扬花所处的不同阶段，利用历史雨洗花灾害情况对当前雨洗花灾害进行类比辅助判断。

基于上述雨洗花灾害指标，利用主成分回归分析法建立雨洗花灾害影响因子X₁，X₂，X₃对减产率影响的回归模型，以定量评价不同降水强度、降水日数对早稻产量造成的综合影响。

首先利用SPSS对X₁，X₂，X₃进行共线性诊断。由共线性诊断结果可知，最大条件指数为30，大于10，且对应的方差比均大于0.5，说明所选的3个因子间存在多重共线性。若直接采用线性回归方法建立模型，会影响模型的可靠性，因此，采用主成分回归模型建立早稻减产率模拟模型。

表 3为雨洗花灾害影响因子主成分分析结果。根据主成分数量提取原则为主成分对应的特征值大于1的前m个主成分。由表 3可见，第1主成分方差贡献率达82.50%，说明该主成分已经能充分说明数据间的波动原因，故只需提取第1主成分。将第1主成分载荷向量A=[0.994，0.889，0.834]除以对应特征值λ₁=2.475的算术平方根，得到特征向量U=[0.632，0.571，0.530]。根据第1主成分特征向量值，得第1主成分表达式

(3)

表 3

表 3 主成分分析结果 Table 3 Results of principal component analysis 分量 特征值 累积贡献率/% 因子载荷矩阵 X1 X2 X3 1 2.475 82.50 0.994 0.889 0.834 2 0.511 99.53 -0.057 -0.453 0.550 3 0.014 100.00 -0.092 0.063 0.042

表 3 主成分分析结果 Table 3 Results of principal component analysis

式(3)中，X₁，X₂，X₃分别代表早稻抽穗扬花期日降水量不小于40 mm的累积降水量、降水日数、最大降水量经过数据标准化处理后的结果，量纲为1。

将上述主成分与减产率Y建立回归方程，得到

(4)

对于式(4)，R²为0.805，说明模型对数据的拟合程度较好。对上述回归方程和回归系数进行显著性检验，检验结果均达到0.001显著性水平。将式(3)代入式(4)，得到以降水因子为自变量的标准化回归模型

(5)

由式(5)可知，标准化回归模型中各项因子系数相差不大，表明在雨洗花降水过程中，日降水量不小于40 mm的累积降水量、降水日数、最大降水量对早稻减产率有同等重要的作用，降水日数越多、累积降水量越大或者最大降水量越大、累积降水量越大均可以造成重度雨洗花灾害。

为了应用方便，将式(5)中标准化变量还原为原始变量

(6)

式(6)中，Y，X₁，X₂，X₃分别为Y，X₁，X₂，X₃的平均值，S_Y，S₁，S₂，S₃分别为Y，X₁，X₂，X₃的标准差。将各变量平均值和标准差代入式(6)，整理得最终回归方程

(7)

为验证建立的灾损评估模型，首先将各样本3个降水因子值分别代入式(7)计算减产率，再将其与趋势产量一并通过式(1)实现对早稻产量的模拟，将模拟产量与实际产量进行对比(图 5)。由图 5可知，模拟产量与实际产量的回归系数为0.85，相关系数为0.96，达到了0.01显著性水平。对模拟产量资料进行相对误差分析表明，其相对误差在0.1%~18.0%，平均为4.3%，其中78.0%的资料其相对误差在5%以内，7%的资料相关误差超过10%，表明建立的模型能够有效模拟早稻减产率，可以利用该模型对实际生产中发生的雨洗花年早稻减产率进行模拟和预测。

图5

图5 模拟产量与观测地段实际产量比较 (黑点代表模拟产量相对误差超过5%) Fig.5 Comparison between simulated yield and actual yield of observation section (black dots denote simulated yields with relative error above 5%)

本文根据1981—2015年江西省14个农业气象观测站逐日气象和农业气象观测资料，对雨洗花灾害样本进行了筛选，系统分析了典型雨洗花年早稻抽穗扬花期间降水因子与减产率的相互关系，并在此基础上建立了江西省雨洗花灾害指标和灾损评估模型。研究表明：

1) 抽穗扬花期降水对雨洗花灾害形成有显著影响，降水强度越强、持续时间越长，雨洗花灾害越严重。其主要影响时段为抽穗扬花普遍期前后5 d内，关键时段为抽穗扬花普遍期前后3 d内。在主要影响时段内，降水越接近抽穗扬花普遍期，影响越严重；在抽穗扬花始期或者末期，影响相对减小。

2) 日降水量40 mm可作为雨洗花灾害的临界指标。以该指标为基础，统计早稻抽穗扬花期日降水量不小于40 mm的降水日数及其对应的累积降水量，当累积降水量为40~170 mm时，为轻度雨洗花灾害，早稻一般减产小于15%，平均减产10%；当累积降水量不小于170 mm时，为重度雨洗花灾害，早稻一般减产不小于15%，平均减产22%。历史资料验证表明：构建的雨洗花灾害等级指标能较好地反映研究区域内早稻雨洗花灾害的实际发生情况，可为农业气象服务提供理论依据。在实际应用该等级指标时，需要根据田间早稻所处的抽穗扬花不同阶段辅助判断。

3) 利用雨洗花灾害主要影响因子所建立的早稻灾损评估模型达到0.01显著性水平，以实际产量对模型进行验证，二者相关系数为0.96，平均相对模拟误差为4.3%，78.0%的资料相对误差在5%以内。由此说明，模型可用于江西省早稻雨洗花灾害年减产率的模拟和预测。

本研究是基于雨洗花灾害典型年的筛选，筛选过程中，虽然对逐年逐站的农业气象灾害种类进行了梳理，但气象条件对早稻产量影响综合且复杂，完全准确界定雨洗花灾害样本还有一定难度，未来需进一步结合田间试验或其他模拟方法，开展短时强降水对早稻抽穗扬花影响的补充研究，以便对雨洗花灾害指标进行深入验证和改进。在模拟雨洗花年早稻减产率时，采用主成分回归方法，以提取的主成分指标与减产率回归建模，可解决线性回归分析中多重共线性问题，且能较好反映原来多个指标的综合信息，使得到的回归方程更为可靠^[33-34]。然而根据本文收集的样本可能存在一些统计偏差。基于作物模型的预报方法研究是农业气象灾害预报的一个发展方向^[35-37]，其缺点是过于复杂，需要确定多个参数变量。因此，如何将经验统计模型、作物模型等多种预报方法相结合，建立综合模型值得进一步研究^[38]。

引起雨洗花灾害最主要的原因是降水，因此，在雨洗花灾害主要影响时段内，尤其是关键影响时段内，降水对早稻产量影响大小主要取决于降水强度和降水持续时间，但还需要考虑水稻开花授粉特性。正常情况下，早稻大多数在09:00(北京时，下同)开始开花，09:00—11:00为开花盛期^[39]，在该时间段内遭遇日降水量不小于40 mm的大雨，会影响颖花授粉受精的正常进行，使受精的子房停止发育而形成秕粒，或不受精而成空粒，对早稻产量影响较大。如果降水发生在傍晚或夜间，且不是连续几日的降水，如阵雨对产量影响不大，因为水稻授粉受精以午前最多，16:00开花少^[39]；但如果是连续的降水，也会造成花药败裂、柱头过湿从而导致授粉不良引起减产，降水持续时间越长，减产越严重。

建立的灾害判定指标和减产率模拟模型仅从降水这个角度出发，未考虑其他不利的气象因素，如相对湿度、温度、大风等，但这些因子大多可同时归结为由降水引起^[23]，如暴雨往往伴随大风，可引起相对湿度增大和温度降低等。因此，以降水作为灾害判定指标和模型因子具有代表性，且相对简单实用，便于农业气象业务服务应用和气象灾害预报预警等相关工作的开展。雨洗花灾害发生时，气象因子之间的相互影响复杂，且除气候因子之外，水稻产量还受农事管理、品种差异等因素的影响。因此，在实际对雨洗花灾害进行判别和影响预测时，需结合田间实际生产状况综合考虑雨洗花灾害的发生情况，开展相关的农业气象业务和服务。