基于物候模型研究未來氣候情景下陜西蘋果花期的可能變化*

王潤紅，茹曉雅，蔣騰聰，王景紅，王 釗，蘇寶峰，張 東，于 強，馮 浩2,，何建強**

（1.西北農林科技大學旱區農業水土工程教育部重點實驗室，楊凌 712100；2.西北農林科技大學中國旱區節水農業研究院，楊凌 712100；3.陜西省氣象局秦嶺和黃土高原生態環境氣象重點實驗室，西安 710015；4.陜西省農業遙感與經濟作物氣象服務中心，西安 710015；5.西北農林科技大學農業農村部農業物聯網重點實驗室，楊凌 712100；6.西北農林科技大學園藝學院，楊凌 712100；7.中國科學院水利部水土保持研究所黃土高原土壤侵蝕與旱地農業國家重點實驗室，楊凌 712100）

近年來，中國蘋果（Malus domesicaBorkh.）果園面積穩定在190 萬hm2左右，2019年蘋果產量超過4200 萬t，面積和產量均居世界首位，而陜西蘋果產量約占中國的1/4 和世界的1/7[1?2]。蘋果種植業已成為陜西省提升農業、富裕農民的支柱型產業。然而，陜西蘋果產區基本每年都會遭受不同程度的花期凍害，且是否發生凍害與蘋果花期和晚霜凍發生時間密切相關。如果開花日期早于晚霜凍發生的時間，則發生凍害，反之則不發生凍害[3]。

為了減少晚霜凍造成的蘋果產量損失，就需要明確花期變化規律，以便采取相應的預防措施。目前已有學者進行了相關研究，李美榮等[4]利用陜西省蘋果產區2000?2008年氣象資料和6 個蘋果物候觀測站始花期資料，應用統計學方法建立了基于平均氣溫和日照時數的蘋果始花期預測模型；柏秦鳳等[5]利用SPSS 統計軟件，分析和篩選影響蘋果花期的氣象要素，構建富士系蘋果的花期模擬模型，并研究中國富士系蘋果主產區花期的時空分布；劉璐等[6]利用偏最小二乘法研究了中國北方主產地氣象因子和始花期的關系，表明隨著溫度升高，始花期提前。相關統計方法雖然也能較為準確地預測蘋果花期，但沒有考慮蘋果樹的生理生態過程。

物候模型則通過假設生物過程和環境因子之間的因果關系來推測物候期，能在一定程度上反映物候變化的生理生態學機制。最初學者只考慮外休眠過程，建立了春暖模型[7?8]，之后同時考慮內休眠和外休眠過程，建立了連續模型[9?10]、重疊模型[11?12]和平行模型[13?14]。由于物候模型機理性較強的優點，使其具有廣泛的適用性。如鄔定榮等[15]基于陜西各果區代表站的始花期數據及同期氣象數據修正了4種物候模型的參數，利用內部檢驗和交叉驗證方法，評價模型在模擬始花期時的適用性；王明昌等[16]利用物候模型中的熱時模型模擬禮泉和旬邑的花期，并進行了凍害等級評價。現有研究都是針對始花期進行的，然而末花期對于花期凍害具有同等重要的意義，但目前還未見研究證明適用于始花期模擬的模型是否同樣適用于末花期模擬，也無研究報道未來氣候變化條件下陜西蘋果花期（包括始花期和末花期）的變化。

本研究利用物候模型探尋氣候變化背景下陜西蘋果產區蘋果花期的變化規律。主要包括：（1）利用已有物候觀測數據估計模型參數，選擇適于模擬陜西蘋果花期的最佳模型；（2）利用所選最佳模型模擬陜西蘋果產區各代表站（洛川、白水、鳳翔和長武）1980?2019年的蘋果花期，研究陜西蘋果花期的歷史變化規律；（3）基于33個全球氣候模式（Global Climate Models；GCMs）生成的未來氣象數據，利用所選最佳模型研究未來氣候條件下陜西蘋果花期變化規律，以期為陜西蘋果產業花期凍害防災減災和應對氣候變化提供一定的科學依據。

1 材料與方法

1.1 研究區域和數據來源

研究區域為陜西蘋果產區，根據氣候特點將整個區域劃分為四個亞區，即延安、渭北東部、關中西部和渭北西部[17]，每個亞區各包含2 個物候觀測點（圖1 和表1）。研究對象為富士系蘋果（全文簡稱蘋果）。蘋果花期觀測數據（表1）和1980?2019年氣象相關資料分別來源于陜西省農業遙感和經濟作物中心和陜西省氣象局，將每個物候或氣溫觀測值對應的時間轉換為年日序（Ordinal day from Jan.1，DOY），即距當年1月1日的累計天數。

表1 各區代表性站點蘋果花期觀測記錄年份Table 1 Observations years of apple flowering date at the representative stations in each sub-region

圖1 陜西蘋果產區亞區劃分及其代表性站點分布Fig.1 Sub-region division of apple producing areas in Shaanxi province and distribution of representative stations

RCP4.5 和RCP8.5 兩種排放情景下2021?2060年和2061?2100年的未來氣象數據來源于CMIP5 數據集（https://esgf-data.dkrz.de/search/cmip5-dkrz）。采用NWAI-WG 統計降尺度方法實現33 個GCMs 下月尺度格點氣象數據的空間降尺度和時間降尺度[18]，獲得站點日尺度的氣象數據，該方法已在全世界范圍內廣泛應用[19?21]。

模型需要每小時的溫度輸入，利用Linvill[22]提出的正弦對數方程計算每小時溫度，其計算式為

式中，T(t)在式（1）和式（2）中分別為日出后和日落后t 時刻的溫度（℃）；Tmax是一日內最高溫度（℃），Tmin是一日內最低溫度（℃）；DL 是晝長（h），使用Almorox 等[23]描述的算法計算；Ts是日落溫度（℃）。

1.2 蘋果花期預測模型

1.2.1 冷卻和強迫子模型

蘋果花期預測模型（物候模型可以預測果樹物候的各個階段，蘋果花期預測模型特指用物候模型預測蘋果花期）建立在冷卻量和強迫量計算基礎上，因此，首先需要確定冷卻量和強迫量的計算模型。冷卻和強迫子模型是將溫度轉換為打破休眠的冷卻量和強迫量的計算模型，用于反映樹木的休眠打破機制。冷卻量計算模型選取動態模型[24?25]，強迫量計算模型選取GDH 模型[26]。

（1）動態模型（Dynamic model）

動態模型是一種應用廣泛的冷卻子模型，其假定冬季寒冷的積累是一個兩步過程，最初低溫會形成一種中間產物，當中間產物積累到一定數量，就需要相對較高的溫度將它轉化為冷卻量，其計算式為

式中，slp、tetmlt、a0、a1、e0和1e 均為常數，分別取值1.6、277、139500、2.576×1018、12888.8和4153.5；inters為中間產物；delt 為冷卻部分；chill portionst為冷卻部分的積累（CP）；Tk為每小時的開氏溫度，Tk=T(t)+273；t0為冷卻積累的起始時間；t為時間（h）。

（2）GDH 模型（GDH model）

GDH 模型是一種常用的強迫子模型，形狀是不對稱的曲線，能較準確地計算每日的強迫積累。

當Tb＜Th＜Tu時

當Tu＜Th＜Tc時

式中，Th為每小時溫度（℃）；Tu為積溫的最適溫度，即25℃；Tb為積溫的基礎溫度，即4℃；Tc為極限溫度，即36℃。

1.2.2 總體模型（Overarching models）

以9月1日為起點計算多日冷卻量的積累，直到滿足冷卻和強迫要求時打破休眠。由于對休眠打破機制的理解不同，蘋果花期模型有多種，選擇有代表性的4 種包括春暖模型[7?8]、連續模型[9?10]、重疊模型[11?12]和平行模型[13?14]進行對比，以篩選出適宜陜西蘋果主產區各亞區的花期預測模型。

（1）春暖模型（Spring warming model）

春暖模型只考慮果樹休眠的強迫階段，當強迫量積累到滿足始花期強迫要求時，蘋果樹開花，強迫積累繼續增加到滿足末花期強迫要求時，蘋果樹開花結束。

式中，FD 為蘋果樹始花期（末花期）的年日序（DOY）；HM 為利用GDH 模型計算的每日強迫量（GDH）；HR 為蘋果樹需要的強迫要求（GDH）；i為時間步長（d）；j 為強迫階段開始的年日序（DOY）。

（2）連續模型（Sequential model）

連續模型包括果樹休眠的冷卻階段和強迫階段，當冷卻積累滿足冷卻要求后進入強迫階段，強迫積累滿足始花期強迫要求時，蘋果樹開花，強迫積累繼續增加到滿足末花期強迫要求時，蘋果樹開花結束。

式中，CD 為達到冷卻要求的年日序（DOY）；CM 為動態模型計算的每日冷卻量（CP）；CR 為蘋果樹需要的冷卻要求（CP）；FD 為蘋果樹始花期（末花期）的年日序（DOY）；HM 為GDH 模型計算的每日強迫量（GDH）；HR 是蘋果樹需要的強迫要求（GDH）；i 為時間步長（d）；j 為強迫積累開始的年日序（DOY）。

（3）重疊模型（Overlap model）

重疊模型中果樹休眠的冷卻階段和強迫階段有一定比例的重疊，其重疊率可以取1%～100%，本研究中重疊率取25%、50%和75%，當冷卻積累達到最小冷卻要求時，隨后積累的冷卻量可以降低強迫要求，當強迫積累滿足這種最低始花期強迫要求時蘋果樹開花，強迫積累繼續增加到滿足末花期強迫要求時開花結束。

式中，CD 為達到冷卻要求的年日序（DOY）；CM 為動態模型計算的每日冷卻量（CP）；CRo為最小冷卻要求，其值為連續模型中冷卻要求的75%、50%和25%；HR 為蘋果樹需要的強迫要求（GDH）；Ca 為最小冷卻要求達到之后的冷卻積累（CP）；β1為最小強迫要求（GDH）；β2為最大強迫要求（GDH）；β3為品種參數；FD 為蘋果樹始花期（末花期）的年日序（DOY）；HM 為GDH 模型計算的每日強迫量（GDH）；i 為時間步長（d）；j 為強迫積累開始的年日序（DOY）。

（4）平行模型（Parallel model）

平行模型表示冷卻階段和強迫階段同時開始，當同時達到冷卻和始花期強迫要求時蘋果樹開花，強迫積累繼續增加到滿足末花期強迫要求時開花結束。

式中，CD*為冷卻積累量（CP）；CM 為動態模型計算的每日冷卻量（CP）；K 為未滿足冷卻要求時強迫積累的潛力；Kmin為未滿足冷卻要求時強迫積累的最小潛力；CR 為蘋果樹需要的冷卻要求（CP）；FD 為蘋果樹始花期（末花期）的年日序（DOY）；HM 為GDH 模型計算的每日強迫量（GDH）；HR 為蘋果樹需要的強迫要求（GDH）；i 為時間步長（d）。

1.3 蘋果花期模型參數率定和模型驗證

利用R 語言編寫模型程序，并采用模擬退火算法[27]進行春暖模型（j 和HR）、連續模型（CR 和HR）和平行模型（CR、HR 和K）的參數估算。而重疊模型的冷卻要求分別取連續模型冷卻要求的75%、50%和25%，然后用模擬退火算法估算參數β1、β2和β3，并確定強迫要求（式17）。采用模擬和觀測花期之間的均方根誤差（RMSE）進行模型模擬精度評價。

式中，Xi為花期實測值的年日序（DOY）；Yi為花期模擬值的年日序（DOY）；n 為樣本的個數；RMSE 值越小，說明模擬值與實測值之間偏差越小，模擬效果越好。

在陜西蘋果產區，每個站點的蘋果始花期觀測年份均長于末花期觀測年份（表1），因此選用蘋果始花期數據進行模型參數估計。將蘋果始花期觀測數據較長的站點作為模型校準站點（洛川、白水、鳳翔和旬邑），校準站點50%的數據進行模型參數估算，參數估算結果如表2 所示。50%的數據用于驗證模型在該站點的模擬效果；始花期觀測數據較短的站點作為模型驗證站點（寶塔、耀州、禮泉和長武），進一步驗證模型在整個亞區模擬蘋果始花期的可靠性，將整個亞區模擬與觀測始花期之間的均方根誤差作為模型選擇的依據。

表2 模型參數估算結果Table 2 Estimation results of model parameters

由于重疊模型的重疊率不同，其結果也不同，首先對比重疊率分別為25%、50%和75%的重疊模型在陜西蘋果產區的始花期模擬結果，選擇其中最優重疊率的模型和其它3 種模型的模擬結果進行對比，選擇適合模擬陜西蘋果產區蘋果始花期的模型。然后，依據末花期觀測數據估計所選模型中與末花期相關的模型參數（強迫要求），并驗證所選模型模擬末花期的精度。

1.4 線性傾向率

采用一元線性回歸方法[28]對陜西蘋果花期進行趨勢分析，用斜率（Slope）反映花期的變化趨勢，計算式為

式中，Slope 為趨勢線的斜率；n 為觀測時段的年數（n=40）；i 為觀測的年份（a）；fci為蘋果始花期（末花期）第i年的年日序（DOY）。

1.5 蘋果花期歷史和未來變化規律分析

在歷史氣候條件下，首先選擇洛川（延安）、白水（渭北東部）、鳳翔（關中西部）和長武（渭北西部）為陜西蘋果產區各亞區的代表站，基于最佳模型模擬1980?2019年各代表站蘋果花期；然后，通過一元線性回歸方法分析花期時間變化規律；最后，分別計算每個站點的平均花期，并研究花期的空間分布規律。

在未來氣候變化條件下，利用所選的最佳蘋果花期預測模型和33 個GCMs 生成的未來氣象數據，模擬RCP4.5 和RCP8.5 兩種排放情景下2021?2060年和2061?2100年各代表站蘋果花期；然后，計算不同GCMs 下各代表站2021?2060年和2061?2100年的平均花期，研究其相對于1980?2019年平均花期的變化規律，并利用ArcGIS 繪制花期空間分布圖，研究花期的空間分布規律；最后，以33 個GCMs 計算的平均值為每年的花期，通過一元線性回歸方法分析花期的時間變化規律。

1.6 數據處理

用R 語言編寫花期預測模型和模擬退火算法程序，估算花期預測模型參數；用excel 進行一元線性回歸，計算花期線性傾向率；用sigmaplot 和ArcGIS繪圖，展示計算結果。

2 結果與分析

2.1 蘋果花期預測模型篩選

2.1.1 重疊模型中重疊率的確定

對不同重疊率（25%、50%和75%）的重疊模型模擬始花期的結果進行比較分析。由圖2 可見，在渭北東部，25%重疊模型表現最好（RMSE 為3.57）；在延安和關中西部，50%重疊模型表現最好（RMSE 分別為6.65 和5.24）；在渭北西部，75%重疊模型表現最好（RMSE 為3.95）。總體而言，由于50%重疊模型在兩個亞區的模擬結果較好，因此選擇50%重疊模型與其它3 種蘋果花期預測模型進行比較（圖2）。

圖2 各代表站冷卻和強迫重疊率分別為25%（a）、50%（b）和75%（c）時重疊模型對始花期模擬值與觀測值的對比Fig.2 Observed apple first flowering date of each representative station vs.simulated values by Overlap models when chilling and forced overlap rates are set to 25%（a）,50%（b）and 75%（c）

2.1.2 最佳模型確定

對比分析春暖模型、連續模型、50%重疊模型和平行模型對蘋果始花期的模擬值與觀測值，由圖3可知，在延安亞區，平行模型表現最好（RMSE 為6.64d），春暖模型、連續模型和50%重疊模型的RMSE 分別比平行模型高0.74d、1.36d 和0.01d。在渭北東部，連續模型表現最好（RMSE 為3.36d），春暖模型、50%重疊模型和平行模型的RMSE 分別比連續模型高0.19d、0.26d 和0.22d。在關中西部，平行模型表現最好（RMSE 為4.64d），春暖模型、連續模型和50%重疊模型的RMSE 分別比平行模型高1.34d、0.83d 和0.50d。在渭北西部，連續模型表現最好（RMSE 為3.04d），春暖模型、50%重疊模型和平行模型的RMSE 分別比連續模型高0.77d、0.56d和0.41d。總體而言，連續模型適合渭北東部和渭北西部蘋果始花期模擬，平行模型適合延安和關中西部蘋果始花期模擬。

圖3 各代表站始花期觀測值與春暖模型（a）、連續模型（b）、50%重疊模型（c），以及平行模型（d）模擬值的對比Fig.3 Observed apple first flowering date of each representative station vs.simulated values by the Spring warming model(a),Sequential model(b),50% Overlap model(c),and Parallel model(d)

分別估算連續模型在渭北東部和渭北西部以及平行模型在延安和關中西部模擬蘋果末花期的強迫要求（其它參數與模擬始花期時一致），其結果分別為6831.86GDH 和7078.01GDH。利用連續模型模擬渭北東部和西部，利用平行模型模擬延安和關中西部的蘋果末花期，并與觀測值進行比較，結果表明，4個亞區75%的蘋果末花期模擬值與觀測值的RMSE小于5d，其中旬邑和白水兩個站點蘋果末花期的RMSE 小于3d。可見連續模型和平行模型可以較為準確地模擬陜西蘋果產區蘋果末花期。因此，連續模型是模擬渭北東部與西部蘋果花期（包括始花期和末花期）的最佳模型，而平行模型則是延安和關中西部蘋果花期（包括始花期和末花期）模擬的最佳模型。

2.2 最佳模型模擬的蘋果花期歷史變化

利用連續模型和平行模型模擬計算1980?2019年各代表站始花期和末花期，結果見圖4。由圖可知，在研究區域內，各代表站蘋果始花期和末花期模擬值存在一定差異。洛川的蘋果始花期和末花期均值分別為108DOY（最早92，最晚119）和119DOY（最早107，最晚129），花期持續時間均值為11d；白水的蘋果始花期和末花期均值分別為101DOY（最早86，最晚114）和111DOY（最早97，最晚122），花期持續時間均值為10d；鳳翔的蘋果始花期和末花期均值分別為102DOY（最早87，最晚114）和113DOY（最早96，最晚124），花期持續時間均值為11d；長武的蘋果始花期和末花期均值分別為109DOY（最早90，最晚122）和120DOY（最早101，最晚133），花期持續時間均值為11d。空間上，北部站點（洛川）的蘋果始花期和末花期均值較南部站點（鳳翔）晚6d，西部站點（長武）的蘋果始花期和末花期均值較東部站點（白水）分別晚8d 和9d。可見，研究區域內，花期持續時間基本相同，在空間上從東南向西北存在較為明顯的推遲趨勢。

圖4 基于連續模型和平行模型模擬值的各代表站1980?2019年蘋果平均始花期（a）和末花期（b）的空間分布Fig.4 Spatial distributions of average apple first flowering date(a)and end flowering date(b)from 1980 to 2019 at each representative station based on simulation values of Sequential model and Parallel model

利用連續模型和平行模型模擬計算1980?2019年各代表站（洛川、白水、鳳翔和長武）蘋果始花期和末花期，其年際變化見表3。由表可見，長武蘋果始花期和末花期提前速率最大，洛川蘋果始花期和末花期提前速率最小，白水和鳳翔蘋果始花期和末花期提前速率相差不大。說明4 個代表性站點蘋果始花期和末花期均提前。

表3 基于連續模型和平行模型模擬值的各代表站1980?2019年蘋果花期線性傾向率Table 3 Linear trend rate of apple flowering date from 1980 to 2019 at each representative station based on the simulation values of Sequential model and Parallel model

2.3 最佳模型模擬的蘋果花期未來可能變化

2.3.1 空間分布

利用連續模型和平行模型模擬計算2021?2100年各代表站始花期和末花期，結果見圖5 和圖6。在RCP4.5 情境下，2021-2060年洛川的蘋果始花期和末花期平均值分別為104DOY 和115DOY，花期持續時間平均值為11d，2061?2100年分別為101DOY和112DOY，花期持續時間平均值為11d；同理，2021?2060年白水、鳳翔和長武的花期平均值分別為101?111DOY、97?109DOY 和105?115DOY，花期持續時間平均值分別為10d、12d 和10d，2061?2100年3 站花期平均值分別為98?1108DOY、94?107DOY和102?112DOY，花期持續時間平均值分別為11d、13d 和10d。在RCP8.5 情境下，2021?2060年各代表站花期平均值為 103?114DOY、100?110DOY、96?108DOY 和104?114DOY，2021?2060年分別為96?107DOY、94?105DOY、90?103DOY 和98?108DOY，各代表站花期持續時間與RCP4.5 情景一致。空間上，在RCP4.5 情景下，2021?2060年北部站點（洛川）的蘋果始花期和末花期平均值較南部站點（鳳翔）分別晚7d 和6d，西部站點（長武）較東部站點（白水）晚4d；2061?2100年北部站點（洛川）的蘋果始花期和末花期平均值較南部站點（鳳翔）分別晚7d 和5d，西部站點（長武）較東部站點（白水）分別晚5d 和4d。在RCP8.5 情景下，2021?2060年北部站點（洛川）的蘋果始花期和末花期平均值較南部站點（鳳翔）分別晚7d 和6d，西部站點（長武）較東部站點（白水）晚4d；2061?2100年北部站點（洛川）的蘋果始花期和末花期平均值較南部站點（鳳翔）分別晚6d 和4d，西部站點（長武）較東部站點（白水）分別晚4d 和3d。綜上可知，未來洛川和白水的蘋果花期持續時間基本不變，鳳翔站略有延長，長武站略有縮短，花期在空間上從東南向西部逐漸推遲，但空間差距略有縮小。

圖5 RCP4.5(a)和RCP8.5(b)情境下基于連續模型和平行模型模擬值的各代表站未來2021–2060年(1)和2061–2100年(2)蘋果平均始花期的空間分布Fig.5 Spatial distributions of average apple first flowering date at each representative station for 2021–2060(1)and 2061–2100(2)based on the simulation values of Sequential model and Parallel model under RCP4.5(a)and RCP8.5(b)scenarios

圖6 RCP4.5(a)和RCP8.5(b)情境下基于連續模型和平行模型模擬值的各代表站未來2021–2060年(1)和2061–2100年(2)蘋果平均末花期的空間分布Fig.6 Spatial distributions of average apple end flowering date at each representative station for the two future periods of 2021–2060(1)and 2061–2100(2)based on the simulation values of Sequential model and Parallel model under RCP4.5(a)and RCP8.5(b)scenarios

2.3.2 時間變化趨勢

在RCP4.5 和RCP8.5 情景下，基于連續模型和平行模型預測33 個GCMs 下2021?2100年各代表站蘋果始花期和末花期，計算不同GCMs 下2021?2060年和2061?2100年的蘋果始花期和末花期的平均值，結果見圖7 和圖8。由圖可知，在RCP4.5 情景下，2021?2060年洛川、鳳翔和長武蘋果始花期相較于1980?2019年平均分別提前3.6d、4.8d 和4.4d，末花期平均分別提前3.6d、3.7d 和5.0d，而白水蘋果始花期和末花期的均值不變；2061?2100年洛川、白水、鳳翔和長武的蘋果始花期分別平均提前6.6d、3.4d、7.6d 和7.5d，末花期平均分別提前6.7d、6.3d、2.6d 和8.2d。在RCP8.5 情景下，2021?2060年洛川、白水、鳳翔和長武的蘋果始花期相較于1980?2019年平均分別提前5.1d、1.3d、5.9d 和5.4d，末花期平均分別提前5.2d、1.0d、4.6d 和6.1d；2061?2100年洛川、白水、鳳翔和長武的蘋果始花期平均分別提前12.4d、6.7d、12.0d 和11.4d，末花期平均分別提前11.8d、6.2d、9.9d 和12.3d。花期變化主要受溫度影響，未來氣候條件下在各代表站中，白水的平均溫度變化值最小，相應的其蘋果花期的變化也較小。

圖7 基于連續模型和平行模型模擬值的各代表站未來2 個時期（2021?2060年和2061?2100年）蘋果始花期均值較1980?2019年的變化Fig.7 The change of average of apple first flowering date in the next 2 periods(2021?2060 and 2061?2100)at each representative station compared to 1980?2019 based on the simulation values of Sequential model and Parallel model

圖8 基于連續模型和平行模型模擬值的各代表站未來2 個時期（2021?2060年和2061?2100年）蘋果末花期均值較1980?2019年的變化Fig.8 The change of average of apple end flowering date in the next 2 periods(2021?2060 and 2061?2100)at each representative station compared to 1980?2019 based on the simulation values of Sequential model and Parallel model

在RCP4.5 和RCP8.5 情景下，基于連續模型和平行模型預測33 個GCMs 下2021?2100年各代表站蘋果始花期和末花期，用33 個GCMs 預測結果的平均值代表每年的蘋果始花期和末花期，以此為依據研究2021?2100年蘋果始花期和末花期的年際變化規律，結果見圖9 和圖10。由圖可知，各代表站蘋果始花期和末花期均提前，但提前速率較1980?2019年小。具體表現為，在RCP4.5 情景下，洛川和鳳翔始花期提前速率最小（0.7d·10a?1），白水始花期提前速率最大（0.9d·10a?1），鳳翔末花期提前速率最小（0.6d·10a?1），洛川長武末花期提前速率最大（0.8d·10a?1）；在RCP8.5 情景下，白水始花期提前速率最小（1.3d·10a?1），洛川始花期提前速率最大（1.8d·10a?1），白水和鳳翔末花期提前速率最小（1.3d·10a?1），洛川末花期提前速率最大（1.6d·10a?1）。總體上，RCP8.5 情景下蘋果始花期和末花期的提前速率均大于RCP4.5 情景。

圖9 基于連續模型和平行模型模擬值的各代表站RCP4.5 和RCP8.5 情景下2021?2100年蘋果始花期年際變化Fig.9 Interannual change of apple first flowering date under RCP4.5 and RCP8.5 scenarios at each representative station based on the simulation values of Sequential model and Parallel model

圖10 基于連續模型和平行模型模擬值的各代表站RCP4.5 和RCP8.5 情景下2021?2100年蘋果末花期年際變化Fig.10 Interannual change of apple end flowering date under RCP4.5 and RCP8.5 scenarios at each representative station based on the simulation values of Sequential model and Parallel model

3 結論與討論

3.1 討論

3.1.1 蘋果花期模擬模型評價

柏秦鳳等[17]依據統計分析原理，對陜西各蘋果產區花期和花期前的各項氣象因子進行詳細的相關性分析，基于分析結果分果區建立了陜西蘋果的始花期預測模型，并通過回代和預測對模型進行檢驗，檢驗結果顯示平均誤差小于3d，但該研究并未考慮蘋果的生理生態學過程。而考慮生理生態學過程的物候模擬模型，并沒有一個單一的模型能夠準確地預測所有樹種的物候期，這一點已經被許多前期研究所證實，因此，必須盡可能多地對每個樹種測試不同的物候模擬模型[27]。鄔定榮等[15]使用遺傳算法以11月1日為冷卻積累起點進行物候模型參數評估，對比了熱時模型、連續模型、平行模型和深度休息模型在陜西蘋果產區的表現。本研究以9月1日為冷卻積累起點模擬陜西不同蘋果產區的花期，使用模擬退火算法進行模型參數估計，同時考慮了子模型不同組合對模擬結果的影響[29]，選擇普適性較強的動態模型和GDH 模型[30?31]，發現連續模型在渭北西部和渭北東部，平行模型在延安和關中西部模擬蘋果花期的結果好于鄔定榮等[15]在陜西蘋果產區的研究結果（RMSE 在3.53～9.08）可以看出，子模型組合的選擇、冷卻積累起點和參數估計方法都會對蘋果花期的模擬結果產生較大影響。

連續模型是模擬渭北東部和西部蘋果花期的最佳模型，而平行模型則是模擬延安和關中西部蘋果花期的最佳模型，而延安和關中西部氣候背景和開花期相距甚遠，這可能是由于平行模型在整個陜西蘋果產區表現較好，連續模型在渭北東部和西部的表現較平行模型好，而在延安和關中西部的表現遠不如平行模型，是因為連續模型在溫暖的冬季模擬結果偏早，在寒冷的冬季結果偏晚[32]。如果想在陜西蘋果產區使用同一種模型預測蘋果花期，推薦使用平行模型。

本研究中，4個總體模型都是在動態模型和GDH模型的基礎上進行冷卻量和強迫量的計算，但其對于花期的預測結果卻有所不同，這表明不同的休眠打破模擬機制對蘋果花期的模擬結果有一定的影響，但目前還沒有研究可以證明哪一種模型對休眠打破機制的描述更為準確[33]。本研究的不足之處還表現在4 種花期預測模型都僅考慮了溫度對花期的影響，忽略了影響蘋果花期的其它因素，如光周期[34]、降水量[35]、相對濕度和日照時數[6]等。想更準確地預測蘋果花期，不僅要對休眠打破機制有更進一步的研究，還需要考慮其它因素對蘋果花期的影響。此外，Hanninen 等[36]指出僅利用自然條件下的物候觀測數據建模時，模型模擬樹木的真實生理過程的風險很高，有必要引入實驗研究物候，這為后期研究提供了一種新思路。

3.1.2 陜西蘋果產區花期變化

基于模型分析可知1980?2019年陜西蘋果花期提前，這與前人對陜西蘋果花期的研究結果一致[16,37]，同時與前人對中國鄭州桃子[38]、歐洲的6 種植物[39]和西歐蘋果[40]物候期的研究結果也基本一致，說明模型可以較為準確地模擬蘋果花期的時間變化規律。在研究區域內，各代表站 1980?2019年和2021?2100年的花期都提前，但2021?2100年花期提前速率較1980?2019年小，這可能是由于花期與溫度并不是簡單的線性關系，不同階段的溫度對花期影響不同，冷卻階段高溫會增加滿足冷卻要求的時間，強迫階段高溫會減少滿足強迫要求的時間，隨著溫度的持續升高，強迫階段的強迫要求很容易滿足，但需要更久的時間滿足冷卻要求，使得花期提前的速率變小[3]；而RCP8.5 情境下較RCP4.5 情景下蘋果花期提前值大，可能是由于兩種情景下溫度變化有著相似的規律。空間上，花期從東南向西部逐漸推遲，這可能是由于無論是在 1980?2019年還是2021?2100年，溫度在空間上的變化趨勢都一致。

蘋果是否發生凍害主要跟花期與晚霜凍的相對時間相關，2021?2100年隨著溫度升高，洛川、白水和鳳翔的花期提前了，但晚霜凍提前更多，不會發生凍害，長武的蘋果開花日期較晚霜凍早，容易發生凍害，以后要加強該地以及與其氣候相似地區的花期凍害預防。目前僅進行了定性的判斷，今后的研究中將結合蘋果凍害等級進一步精細化評價陜西地區凍害發生的等級以及造成的損失，以期能通過預測凍害及時提醒果農采取適當的預防措施減少不必要的損失。

本研究相較于陜西地區蘋果花期已有的研究，首次建立了蘋果末花期預測模型，能較準確確定蘋果花期，便于研究花期凍害；首次在該地區借助GCMs 研究未來蘋果花期的變化規律，為預防花期凍害提供理論依據。未來氣候條件下，溫度持續升高還可能導致陜西南部溫暖蘋果產區冷卻階段的冷卻要求不能滿足，從而導致蘋果樹休眠無法打破。為了確保蘋果樹能正常開花，建議蘋果種植區逐漸向溫度更低的高海拔地區以及向北擴張。最后，春季灌水、施肥、種草等措施也會在一定程度上影響蘋果花期，但本研究模擬蘋果花期時忽略了這些因素。因此，后期有必要就果園管理技術對蘋果開花的影響進一步研究。

3.2 結論

（1）在陜西蘋果產區的4 個亞區（延安、渭北東部、關中西部和渭北西部）中，連續模型為渭北東部和西部蘋果花期模擬的最佳模型，平行模型為延安和關中西部花期模擬的最佳模型。如果想在陜西蘋果產區使用同一種模型預測蘋果花期，推薦使用平行模型。

（2）各代表站1980?2019年蘋果花期均提前，其中長武花期提前速率最大，洛川花期提前速率最小。蘋果花期持續時間約為11d，且蘋果花期從東南向西北逐漸推遲。

（3）未來氣候條件下，各代表站2021?2060年和2061?2100年蘋果花期均值相較于1980?2019年提前，其中RCP8.5 較RCP4.5 情景花期提前值大；相同情景下，2061?2100年花期提前值大于2021?2060年。在RCP4.5 和RCP8.5 情景下，各代表站2021?2100年蘋果花期提前，但其提前速率較1980?2019年小。陜西蘋果花期空間變化同歷史時期一致，但花期持續時間略有變化。