基于日氣溫特征值與冷/熱積量模型耦合的蘋果始花期預報模型*

劉 淼，邱春霞，楊貴軍，楊 浩，蔡淑紅，朱耀輝

基于日氣溫特征值與冷/熱積量模型耦合的蘋果始花期預報模型*

劉 淼1,2，邱春霞1，楊貴軍2**，楊 浩2，蔡淑紅3，朱耀輝2

（1. 西安科技大學測繪科學與技術學院，西安 710054；2. 農業農村部農業遙感機理與定量遙感重點實驗室，北京市農林科學院信息技術研究中心，北京 100097；3.河北省耕地質量監測保護中心，石家莊 050056）

以臨猗、洛川和棲霞3個富士系蘋果主產區為研究區，基于2019?2020年各地調查樣點的1km格網氣象數據、實際始花期數據以及冷小時模型（Chilling Hour Model，CHM）和生長度小時（Growing Degree Hour，GDH）模型，利用網格搜索法得到蘋果始花期最優冷/熱需求量；然后將日氣溫特征值（日最高溫Tmax、日最低溫Tmin和日平均溫Tavg）劃分為單因子、雙因子和三因子7種日氣溫特征因子組合方式，利用隨機森林算法（Random Forest，RF）構建3個地區不同日氣溫特征因子組合下的日冷/熱積量模型，以篩選最優日氣溫特征因子；在此基礎上，基于最優日氣溫特征因子，利用RF構建蘋果始花期預報模型，并通過獨立實際始花期數據對預報模型進行精度評價。結果表明：（1）臨猗地區的蘋果始花期最優冷/熱需求量分別為730CH和7350GDH，洛川地區分別為345CH和4950GDH，棲霞地區分別為520CH和4450GDH；（2）7種日氣溫特征因子組合中，Tmax、Tmin和Tavg三因子組合下的3個地區日冷/熱積量模型在估算日冷/熱積量時均具有較高的準確性，日冷積量估算值與基于CHM模型得到的日冷積量間的RMSE為0.97～2.50CH，日熱積量估算值與基于GDH模型得到的日熱積量間的RMSE為1.73～15.76GDH；（3）利用蘋果始花期預報模型估算日冷/熱積量，日冷/熱積量估算值與基于CHM/GDH模型得到的日冷/熱積量間的RMSE分別為1.08～1.14CH和2.03～3.74GDH；當利用該模型進行蘋果始花期預報時，預報值與實際值R2為0.92，RMSE為3.44d，其精度與基于真實逐小時氣溫數據的精度整體一致，表明本研究構建的蘋果始花期預報模型可以有效將輸入氣溫數據從逐小時尺度轉換為日尺度，這在后續蘋果始花期預報工作中具有較好的應用價值和潛力。

蘋果；始花期；隨機森林；預報模型；冷/熱積量

蘋果是中國重要的經濟作物之一，其種植面積、消費量[1]和產量目前均居世界首位[2?3]。始花期是蘋果生長發育的重要物候期[4]，準確預報始花期是疏花疏果管理及提高果樹產量和品質的重要基礎[5?6]。果樹在休眠期內積累的冷/熱積量是順利完成內、外休眠，進入開花萌芽階段的基礎條件[7]，而氣溫是影響冷/熱積量的主要因素之一，因此，基于果樹生長機理特性，建立基于日氣溫特征值與冷/熱積量的蘋果始花期預報模型，可對現有基于逐小時氣溫數據的花期物候機理模型預報蘋果始花期方法進行補充，通過準確高效地預報蘋果始花期可為后續果園管理和生產提供參考。

目前考慮到果樹生長機理特性進行始花期預報的方法主要是通過數學模擬，從果樹生長機理特性出發重現果樹物候期與氣溫要素之間關系[8]，構建逐小時氣溫驅動的花期物候機理模型，實現果樹始花期預報。常用的花期物候機理模型主要包括序列模型[9]、冷重疊模型[10]、熱時模型[10]和平行模型[11]，序列模型和熱時模型因參數較少[3]，常用于花期預報研究中。邱美娟等[8]和王明昌等[12]基于氣象站點數據，利用熱時模型構建中國不同蘋果主產地蘋果始花期模型，并分析了各地區蘋果始花期的時空變化以及評估花期凍害影響。然而，果樹的生長受氣候影響較大，因此，在不同氣候條件下模型的適用性可能存在差異。Darbyshire等[13]以蘋果和梨為研究對象，研究熱時模型和序列模型在不同氣候條件下對花期預報結果的差異，結果表明序列模型優于熱時模型。序列模型作為綜合物候機理模型，一般由冷、熱子模型構成，冷子模型包括冷小時模型[14]、猶他模型[15]和動態模型[16]，熱子模型主要是生長度小時模型[17]。Baldocchi等[18]和Luedeling等[19]分別利用冷小時模型和動態模型計算落葉果樹的冷積量，但相比于冷小時模型，動態模型參數較為復雜[20]。Funes等[21]利用序列模型計算Fluvià河下游小流域蘋果的日冷/熱積量，基于氣象站點的逐小時氣溫數據和物候站點數據得到的冷/熱需求量預測開花日期，并分析氣候變化對開花期的影響。

國內外有關于蘋果始花期預報的花期物候機理模型多以逐小時氣溫數據驅動，目前從日氣溫特征值與果樹冷/熱積量角度開展始花期預報的研究相對較少。因此，在已有逐小時花期物候機理模型的基礎上，本研究從果樹本身物候機理角度出發，將氣溫的時間尺度進行擴展，通過探索日氣溫特征值與果樹日冷/熱積量的關系，利用隨機森林算法構建基于日氣溫特征值的蘋果始花期預報模型，以日氣溫特征值代替逐小時氣象數據，估算果樹日冷/熱積量，并基于估算結果對3個蘋果主產區進行始花期預報試驗和評價，以期為蘋果始花期預報和果園精細化生產管理提供技術支持和服務。

1 資料與方法

1.1 研究區概況

研究區包括陜西省洛川縣（圖1a）、山西省臨猗縣（圖1b）和山東省棲霞市（圖1c）。其中，洛川縣位于陜西省中部（35°26′N?36°04′N，109°13′E? 109°45′E），地處黃土高原溝壑區，地勢起伏差異明顯，總體上呈東高西低趨勢，屬北溫帶大陸性氣候，年平均氣溫9.2℃，年平均降水量622mm。臨猗縣位于山西省西南部（34°58′N?35°18′N，110°17′E? 110°54′E），該區域地勢呈北高南低，屬暖溫帶大陸性氣候，年平均氣溫13.5℃，年平均降水量508.7mm。棲霞市位于山東省膠東半島腹地（37°05′N?37°29′N，120°32′E?121°15′E），地處丘陵山區，屬暖溫帶大陸性氣候，年平均氣溫11.4℃，年平均降水量為743mm。臨猗縣、洛川縣和棲霞市分別作為全國蘋果優勢主產區之一，由于地形地勢和氣候條件的不同，在蘋果始花期上也呈現出不同的時空差異特征。

1.2 數據獲取

1.2.1氣象數據

氣象數據時段為2019年10月1日（收獲后）? 2020 年4月30日（始花期后）共213d，數據來源為HR?CLDAS（High Resolution China Meteorological Administration Land Data Assimilation System）生產的1km空間分辨率、逐小時時間分辨率的格網氣象數據產品。該產品基于ECMWF預報場數據與國家氣象站點數據，采用多重網格變分技術和地形校正算法生成，利用2380個國家級氣象站點小時觀測數據對該產品的質量評估結果表明，該產品數據與93%氣象站點觀測數據之間的偏差小于0.5℃[22]。基于該逐小時格網氣象數據產品，利用MATLAB R2014b編程統計提取各調查樣點（圖1）處同期日最高溫Tmax、日最低溫Tmin和日平均氣溫Tavg數據，并將其作為日氣溫特征值。

圖1 研究區概況及調查樣點分布示意圖

1.2.2 實際始花期數據

在2020年3?4月，分別在臨猗、洛川和棲霞進行實地調查，獲取實際始花期數據，同時利用差分GPS獲取調查樣點的地理位置信息（主要包括經緯度信息），3個地區共收集283個調查樣點始花期數據（表1），具體調查樣點分布如圖1所示。由表1可知，2020年臨猗、洛川和棲霞3個地區始花期出現在3月17日?4月18日。其中，臨猗地區始花期時間最早，洛川地區次之，棲霞地區最晚。

訓練樣點和驗證樣點的選擇方法為：將3個地區的實際始花期樣點數值（臨猗110個、洛川75個、棲霞98個）均按照海拔從低到高梯度排列，每個地區分別選擇25%（臨猗27個、洛川19個、棲霞25個）具有始花期差異且在空間上均勻分布的樣點作為驗證樣點，剩下的75%（臨猗83個、洛川56個、棲霞73個）樣點作為訓練樣點。

1.3 研究方法

1.3.1 研究思路

具體研究思路及技術流程圖見圖2。（1）確定蘋果始花期最優冷/熱需求量。利用逐小時氣溫數據和小時冷/熱積量模型（CHM和GDH）得到逐日冷/熱積量，并基于逐日冷/熱積量得到冷/熱需求量初始閾值范圍，最后以實際始花期數據為標準，利用網格搜索法得到3個研究區富士系蘋果始花期最優冷/熱需求量。（2）篩選最優日氣溫特征因子。分別對3個地區的日氣溫特征值進行單因子、雙因子和三因子組合，利用隨機森林算法分別構建3個地區在不同日氣溫特征因子下的日冷/熱積量估算模型，最后，基于模型的驗證結果得出預報蘋果始花期的最優日氣溫特征因子。（3）蘋果始花期預報模型構建及評價。基于最優日氣溫特征因子，利用隨機森林算法構建蘋果始花期預報模型，并基于最優冷/熱需求量，通過獨立樣本集驗證模型的預報精度。

1.3.2 確定蘋果始花期最優冷/熱需求量

（1）逐小時冷積量計算

冷小時模型（Chilling Hour Model，CHM）是花期物候序列模型的冷子模型之一[9]，主要以果樹積累的低溫時數作為冷積量（Chill Accumulation，CA），該模型假設如果當前小時溫度處于0～7.2℃，則積累一個冷小時數，即

式中，CAsum表示總冷積量（CH），SHT表示開始小時數，EHT表示結束小時數，Ti表示第i個小時的氣溫值，CAi表示第i個小時所得冷積量。

（2）逐小時熱積量計算

生長度小時（Growing Degree Hour，GDH）模型作為花期物候序列模型的熱子模型之一，以3個特定溫度（基本溫度、最適溫度和臨界溫度）作為閾值條件[23]，根據當前小時溫度所處閾值范圍累積一定的熱積量（Heat Accumulation，HA），即

表1 3個地區調查樣點實際始花期統計結果

圖2 技術流程圖

注：步驟3中合并訓練集的目標變量為日冷/熱積量，特征變量為步驟2中所確定的最優日氣溫特征因子。

Note:The target variables of the merging training set in step 3 are the daily chill/heat accumulation, and the characteristic variables are the optimal daily air temperature characteristic factor determined in step 2.

式中，HAsum表示總熱積量（GDH），SHT表示開始小時數，EHT表示結束小時數，Ti表示第i個小時的氣溫（℃）；F為植物應力因子，默認為1；Tb表示基本溫度，默認為4℃；Tu表示為最適溫度，默認為25℃；Tc表示臨界溫度，默認為36℃；HAi表示第i個小時所得熱積量。

（3）最優冷/熱需求量確定

果樹物候變化取決于內、外休眠期間的溫度變化[24?26]，目前常以果樹的冷/熱需求量作為衡量果樹打破內外休眠的指標[7]，即當積累的冷/熱量（CAsum/HAsum）滿足果樹的冷需求量（Chill requirement，Cr）和熱需求量（Heat requirement，Hr）時[27? 28]，果樹將完成休眠進入開花物候階段。冷/熱積量計算的起止時間為10月1日?翌年4月30日[29]，當總冷積量達到果樹冷需求量時，即CAsum=Cr，假設此時i=x，則x所對應的日期為冷量停止日期。在生長度小時模型中，i從冷量積累停止后的第2天開始，當總熱積量達到果樹熱需求量時，即HAsum=Hr，假設此時i=y，則y所對應的日期為蘋果始花期。

因此，基于實際始花期數據、逐小時氣溫數據、CHM和GDH模型，利用網格搜索法對3個地區的蘋果冷/熱需求量進行標定，確定最優冷/熱需求量。首先，獲取3個地區建模樣點的逐小時冷/熱積量，基于逐小時冷/熱積量得到逐日冷/熱積量，然后計算各地區每個建模樣點在10月1日?翌年4月30日期間的日冷/熱積量總和，分別將各地區建模樣點中日冷/熱積量總和的最大值作為該區域冷/熱需求量的上限值，得到蘋果始花期冷/熱需求量的初始閾值范圍。然后，利用網格搜索法遍歷初始閾值范圍，同時基于逐小時氣溫數據、CHM和GDH模型模擬不同閾值組合下建模樣點的始花期，通過與實際始花期進行對比，得到模擬始花期與實際始花期一致時所對應的冷/熱需求量閾值范圍，即縮小初始閾值范圍。最后，對縮小后的初始閾值范圍進行網格遍歷，得到不同閾值組合下的模擬始花期，以均方根誤差（RMSE）作為誤差衡量指標，選擇模擬始花期與實際始花期間RMSE最小時的閾值組合作為最優組合，得到蘋果始花期的最優冷/熱需求量。

1.3.3 確定最優日氣溫特征因子

基于日冷/熱積量與不同日氣溫特征值組合的日氣溫特征因子，利用隨機森林算法構建3個地區日冷/熱積量模型，通過與基于CHM和GDH模型得到的日冷/熱積量進行驗證對比，得到最優日氣溫特征因子。考慮到不同日氣溫特征值之間的相互影響，將基于逐小時氣溫數據獲取的日氣溫特征值（Tmax、Tmin、Tavg）分為不同組合下的日氣溫特征因子，如Tavg（單因子）、Tmin+Tavg（雙因子）、Tmax+Tmin+Tavg（三因子）。然后，分別以不同日氣溫特征因子作為特征變量，以基于CHM和GDH模型得到的日冷/熱積量作為目標變量，利用隨機森林算法分別構建3個地區在不同日氣溫特征因子下的日冷/熱積量模型。最后，基于獨立驗證樣本對構建的日冷/熱積量模型進行驗證，以RMSE和R2作為誤差衡量標準，確定誤差最小的日冷/熱積量模型所對應的日氣溫特征因子，得到最終構建蘋果始花期預報模型的最優日氣溫特征因子。

1.3.4 建立蘋果始花期預報模型

隨機森林算法是基于決策樹構建的一種集成學習方法[30]，該方法利用bootstrap重抽樣方法對原始訓練樣本集進行隨機抽樣，并將多次抽樣結果作為多個獨立訓練樣本子集，同時對每個訓練子集分別訓練決策樹模型，最后通過組合多棵決策樹預測值的均值確定最終的預測結果[31?32]。首先，將3個分區建模樣點（圖1）進行合并，得到構建蘋果始花期預報模型的建模樣本集。然后，基于建模樣本集處的最優日氣溫特征因子及基于CHM和GDH模型得到的日冷/熱積量，利用隨機森林算法構建蘋果始花期預報模型。最后，將3個地區驗證樣點處的最優日氣溫特征因子輸入蘋果始花期預報模型，基于確定的蘋果始花期最優冷/熱需求量，得到驗證樣點處的始花期預報值。使用隨機森林算法構建蘋果始花期預報模型時，對決策樹個數進行調參，當決策樹個數達到100時，模型誤差趨于平穩；最大特征數采用算法內部的“auto”方法，即等于輸入的特征變量總數[33]。因此，將模型決策樹個數設置為100，每棵樹的最大特征數為3。

1.4 蘋果始花期預報模型精度評價

以實際始花期數據作為最終的精度驗證數據，采用決定系數（Coefficient of Determination，R2）、均方根誤差（Root Mean Square Error，RMSE）和歸一化均方根誤差（Normalized Root Mean Square Error，NRMSE）3個評價指標，對蘋果始花期預報模型進行精度評價和誤差分析。

2 結果與分析

2.1 蘋果始花期最優冷/熱需求量

基于實際始花期數據、逐小時氣溫數據、CHM和GDH模型，得到臨猗、洛川和棲霞3個地區的蘋果始花期冷/熱需求量的初始閾值范圍，臨猗冷需求量為0～1900CH，熱需求量為0～52000GDH；洛川冷需求量為0～1900CH，熱需求量為0～20000GDH；棲霞冷需求量為0～1900CH，熱需求量為0～20000GDH。在初始閾值范圍的基礎上，經過兩次網格搜索，分別選擇滿足3個地區模擬始花期與實際始花期間RMSE最小的冷/熱需求量閾值組合，得到3個地區最優冷/熱需求量，結果見表2。總體上，臨猗地區模擬始花期與實際始花期間RMSE最小的冷/熱需求量閾值組合為730CH和7350GDH（RMSE=4.68d），洛川地區為345CH和4950GDH（RMSE=2.60d），棲霞地區為520CH和4450GDH（RMSE=2.09d）。

表2 3個地區的蘋果始花期最優冷/熱需求量

2.2 最優日氣溫特征因子篩選

通過對3個日氣溫特征值（Tmax、Tmin和Tavg）進行單因子、雙因子和三因子組合，得到7種組合方式（表3）。以表3中不同日氣溫特征因子作為特征變量，以基于CHM和GDH模型得到的日冷/熱積量作為目標變量，利用隨機森林算法分別構建3個地區在不同日氣溫特征因子組合下的日冷/熱積量模型。將3個地區的獨立驗證樣本數據分別輸入到日冷/熱積量模型，計算輸入不同氣溫因子組合時模型估算的日冷/熱積量。基于不同日氣溫特征因子組合構建的日冷/熱積量模型驗證結果如圖3所示。由圖可知，通過對3個地區多因子組合（C4?C7）與單因子（C1?C3）構建的日冷/熱積量模型進行驗證分析，基于多因子組合的日冷/熱積量模型估算的日冷/熱積量與基于CHM和GDH模型得到的日冷/熱積量之間的R2均高于單因子，RMSE均低于單因子。整體上，包含日平均氣溫的日氣溫特征因子組合對日冷/熱積量估算誤差較低，表明日平均氣溫對模型的貢獻率較高，這與平均氣溫對冷/熱積量影響的研究結論一致[34]。同時，3個地區基于多因子組合（C4?C7）的日冷/熱積量模型分別估算日冷積量時，估算值與基于CHM模型得到的日冷積量之間的R2為0.53～0.98，RMSE為0.99～3.87CH；估算日熱積量時，估算值與基于GDH模型得到的日熱積量之間的R2為0.93～0.99，RMSE為1.73～28.82GDH。相比于C4?C6，以C7作為日氣溫特征因子構建的日冷/熱積量模型具有較高的R2和較低的RMSE，結果見表4。

表3 不同組合所對應的日氣溫特征因子

由表4可知，當將C7所對應的日氣溫特征值 Tmax、Tmin和Tavg作為最優日氣溫特征因子時，3種日冷/熱積量模型分區估算日冷積量時模型R2均高于0.80，估算日熱積量時模型R2均高于0.98。其中，表4中LY_A評估了基于臨猗地區構建的日冷/熱積量模型對3個地區日冷/熱積量的估算能力（A代表臨猗、洛川和棲霞），對于日熱積量，3個地區估算精度體現出較好的一致性，NRMSE均低于5%，臨猗地區估算誤差最低（R2=0.99，RMSE=3.39GDH）；對于日冷積量，洛川地區估算誤差（R2=0.86，RMSE=2.07CH）和棲霞地區估算誤差（R2=0.94，RMSE=1.83CH）相對較高。同時，當利用表4中LC_A和QX_A兩種模型估算臨猗日熱積量時，模型估算值與基于GDH模型的日熱積量間的RMSE分別為15.39GDH和15.76GDH，相比于LY_A，LC_A和QX_A的估算誤差較大。綜上，從日冷/熱積量綜合估算角度來說，3個地區的日冷/熱積量模型中，臨猗地區模型的估算能力高于洛川和棲霞地區模型。

2.3 蘋果始花期預報試驗及結果評價

當對3個地區日冷/熱積量模型進行評價時，針對建模地區估算精度較高，對于其他地區估算精度均有所降低。這是因為隨機森林回歸估算精度會受到訓練樣本數據特征變量最大值和最小值的約束，當預測樣本的氣溫特征變量范圍不處于約束條件下或者分布不同時，模型的估算精度會明顯降低。為進一步提高日冷/熱積量估算精度，解決上述3種日冷/熱積量模型存在的本地化問題，將3個地區的訓練樣本集進行合并，以基于CHM和GDH模型得到的日冷/熱積量值和C7代表的日氣溫特征因子分別作為建模的目標變量和特征變量，利用隨機森林算法構建蘋果始花期預報模型，并基于3個地區的獨立驗證樣本集分區進行模型驗證評價，結果如圖4所示。

圖3 基于不同日氣溫特征因子組合構建的日冷/熱積量模型驗證結果

注：C1?C7代表表3中7組日氣溫特征因子組合；橫坐標A_B代表基于A地區建模B地區驗證，A、B取值為LY、LC和QX；LY代表臨猗，LC代表洛川，QX代表棲霞。

Note: C1?C7 represent the combination of 7 sets of daily air temperature characteristic factor in Table 3; the horizontal coordinate A_B represents the construction of the daily chill/heat accumulation model based on the data in region A, which is validated in region B, and the values of A and B are LY, LC and QX; LY represents Linyi, LC represents Luochuan and QX represents Qixia.

表4 基于C7日氣溫特征因子的日冷/熱積量模型評價

注：建模_驗證一列表示基于前者建模，基于后者驗證，如LY_LC表示基于臨猗建模，基于洛川驗證。

Note: The column modeling_validation means modeling based on the former and validation based on the latter. For example, LY_LC means modeling based on Linyi and validation based on Luochuan.

從圖4的散點分布來看，3個地區日冷/熱積量估算值與驗證值的擬合線（黑色實線）均接近于1:1線（黑色虛線）。但是，相比于日熱積量擬合效果，日冷積量的散點較為分散，表明日冷積量與氣溫之間關系的復雜程度高于日熱積量。總體而言，當利用蘋果始花期預報模型估算3個地區日冷積量時，估算值與基于CHM模型得到的日冷積量間的R2為0.96～0.98，RMSE為1.08～1.14CH，NRMSE為4.50%～4.70%；當利用蘋果始花期預報模型估算3個地區日熱積量時，估算值與基于GDH模型得到的日熱積量間的R2接近于1，RMSE為2.03～3.74GDH，NRMSE為0.52%～0.77%。

基于3個地區獨立驗證樣本，將蘋果始花期預報模型與基于臨猗地區構建的日冷/熱積量模型進行相比，兩個模型對日冷/熱積量的估算誤差在臨猗地區保持一致；洛川地區日冷/熱積量估算值與基于CHM和GDH模型的日冷/熱積量間的RMSE分別降低0.93CH、6.88GDH；棲霞地區日冷/熱積量估算值與基于CHM和GDH模型的日冷/熱積量間的RMSE分別降低0.75CH、2.34GDH。由此說明，相比于單地區日冷/熱積量模型，利用蘋果始花期預報模型估算日冷/熱積量的結果更為準確。

以蘋果始花期最優冷/熱需求量作為閾值條件，基于獨立驗證樣點的日氣溫特征因子，利用蘋果始花期預報模型得到2020年臨猗、洛川和棲霞3個地區的蘋果始花期預報結果，由圖5a可見，始花期實際值與預測值關系為y=0.81x+19.32，R2為0.92，RMSE為3.44d。為評價模型對蘋果始花期的預報能力，利用傳統逐小時氣溫數據驅動CHM和GDH模型的方法進行蘋果始花期預報，并基于實際始花期對預報結果進行驗證，由圖5b可見，始花期實際值與預測值關系為y=0.82x+18.17，R2為0.91，RMSE為3.38d。對比可知，兩種蘋果始花期預報方法的預報結果高度一致，預報誤差均在可接受范圍內，表明本研究構建的蘋果始花期預報模型可以有效地將輸入氣溫數據從逐小時尺度轉換為日尺度。

圖4 利用蘋果始花期預報模型估算日冷/熱積量的驗證結果

圖5 基于蘋果始花期預報模型（a）和基于CHM和GDH模型（b）的始花期預報精度評價

注：DOY表示日序。

Note: DOY means the ordinal day from January 1.

3 結論與討論

3.1 討論

與前人構建蘋果始花期預報模型的方法不同，本研究從日氣溫特征值與果樹冷/熱積量角度開展始花期預報研究。從模型預報試驗結果可知，始花期預測值與實際值間的RMSE為3.44d，與Legave等[35]對西歐地區蘋果始花期的預報誤差（4～6d）、Drepper等[23]對比利時地區蘋果始花期的預報誤差（4.15～6.36d）以及邱美娟等[8]對中國北方主產地蘋果始花期預報誤差（3.4～6.6d）、劉璐等[36]對中國蘋果主產地的始花期誤差（5d）相比，基于日氣溫特征值與果樹日冷/熱積量的關系所構建的蘋果始花期預報模型在始花期預報中具有較高的準確性。果樹的冷/熱需求量是果樹打破內外休眠，達到始花期開花物候的關鍵指標。然而，本研究所選3個地區雖同屬富士系品種，但冷/熱需求量取值均有所差異，這是因為3個地區存在明顯地形和氣溫上的差異，這與莊維兵等[20]提出的同一品種果樹在不同地區間需求量存在顯著差異的觀點相同。因此，建議后續對果樹冷/熱需求量與地形、氣候因子之間的關系進一步研究，以期更準確地預報蘋果始花期。

由對始花期的實際調查數據可知，同一地區不同果園間蘋果始花期存在明顯差異，這表明傳統以氣象站點處氣溫數據代替整個研究區域的氣候特征缺乏代表性，這與鄔定榮等[3]指出蘋果始花期會受到果園小氣候影響的觀點一致。傳統利用氣象站點數據進行蘋果始花期預報的局限性在于難以為區域化果園精細生產管理提供服務，而目前利用高時空遙感地表溫度估算氣溫的研究表明，基于遙感地溫轉換后的高空間分辨率氣溫數據可以解決實際應用中以點代面的問題[37?39]。因此，為提高蘋果始花期在空間上的預報精度，減小因果園小氣候而產生的預報誤差，今后研究可嘗試結合高時空遙感地表溫度數據預報蘋果始花期，以克服傳統以點代面的問題，為果園精細化生產管理提供參考依據。

3.2 結論

（1）7種日氣溫特征因子組合中，基于多因子組合的單地區日冷/熱積量模型估算日冷/熱積量時，日冷/熱積量估算值與基于CHM和GDH模型得到的日冷/熱積量間的R2均高于單因子，RMSE均低于單因子；3個日氣溫特征值中，日平均氣溫Tavg對提高模型估算精度的貢獻率最高，日最高氣溫Tmax次之，日最低氣溫Tmin最低。

（2）基于最優日氣溫特征因子C7（Tmax+Tmin+ Tavg）構建的蘋果始花期預報模型能獲得臨猗、洛川和棲霞3個地區最優日冷/熱積量估算精度，日冷/熱積量估算值與基于CHM和GDH模型得到的日冷/熱積量間的R2均高于0.96，日冷積量RMSE均小于1.14CH，日熱積量RMSE均小于3.74GDH。

（3）利用蘋果始花期預報模型對3個地區進行蘋果始花期預報試驗，模型決定系數R2為0.92，RMSE為3.44d，NRMSE為3.57%，其預報結果與真實逐小時氣溫數據驅動CHM和GDH模型的始花期預報結果表現出較高的一致性，表明該模型可有效地將輸入氣溫數據從逐小時尺度轉換為日尺度，這在后續蘋果始花期預報的工作中具有較好的應用價值和潛力。

[1] 劉天軍,范英.中國蘋果主產區生產布局變遷及影響因素分析[J].農業經濟問題,2012,33(10):36-42.

Liu T J,Fan Y.Analysis of the influencing factor and layout of major apple production in China[J].Issues in Agricultural Economy,2012,33(10):36-42.(in Chinese)

[2] 程存剛,趙德英.新形勢下我國蘋果產業的發展定位與趨勢[J].中國果樹,2019(1):1-7.

Cheng C G,Zhao D Y.Development orientation and trend of the apple industry under the new situation[J].China Fruits,2019(1):1-7.(in Chinese)

[3] 鄔定榮,霍治國,王培娟,等.陜西蘋果花期機理性預報模型的適用性評價[J].應用氣象學報,2019,30(5):555-564.

Wu D R,Huo Z G,Wang P J,et al.The applicability of mechanism phenology models to simulating apple flowering date in Shaanxi province[J].Journal of Applied Meteorological Science,2019,30(5):555-564.(in Chinese)

[4] 張興偉,陳超,田姍,等.基于機器學習的蘋果始花期預測[J].中國農業科技導報,2020,22(10):93-100.

Zhang X W,Chen C,Tian S,et al.Prediction of apple initial flowering period based on machine learning[J].Journal of Agricultural Science and Technology,2020,22(10):93-100. (in Chinese)

[5] 楊小利,江廣勝.隴東黃土高原典型站蘋果生長對氣候變化的響應[J].中國農業氣象,2010,31(1):74-77.

Yang X L,Jiang G S.Responses of apple trees growth to climate change in typical stations of longdong loess plateau[J].Chinese Journal of Agrometeorology,2010,31(1): 74-77.(in Chinese)

[6] 柏秦鳳,霍治國,王景紅,等.中國富士系蘋果主產區花期模擬與分布[J].中國農業氣象,2020,41(7):423-435.

Bai Q F,Huo Z G,Wang J H,et al.Simulation and distribution of flower stage in main production areas of Fuji apple in China[J].Chinese Journal of Agrometeorology, 2020,41(7):423-435.(in Chinese)

[7] 趙海亮,趙文東,高東升,等.落葉果樹需冷量及其估算模型研究進展[J].北方果樹,2007(6):1-3.

Zhao H L,Zhao W D,Gao D S,et al.Advance in research of chilling requirement and estimating model on deciduous fruit trees[J].Northern Fruits,2007(6):1-3.(in Chinese)

[8] 邱美娟,劉布春,劉園,等.中國北方主產地蘋果始花期模擬及晚霜凍風險評估[J].農業工程學報,2020,36(21): 154-163.

Qiu M J,Liu B C,Liu Y,et al.Simulation of first flowering date for apple and risk assessment for late frost in main producing areas of northern China[J].Transactions of the Chinese Society of Agricultural Engineering,2020,36(21): 154-163.(in Chinese)

[9] Ashcroft G L,Richardson E A,Seeley S D.A statistical method of determining chill unit and growing degree hour requirements for deciduous fruit trees[J].HortScience:a publication of the American Society for Horticultural Science,1977,12(4):347-348.

[10] Cannell M G R,Smith R I.Thermal time,chill days and prediction of budburst in picea sitchensis[J].Journal of Applied Ecology,1983,20(3):951-963.

[11] Landsberg J J.Apple fruit bud development and growth:analysis and an empirical model[J].Annals of Botany,1974,38(158):1013-1023.

[12] 王明昌,劉布春,劉園,等.陜西蘋果主產縣花期凍害風險評估[J].中國農業氣象,2020,41(6):381-392.

Wang M C,Liu B C,Liu Y,et al.Assessment in the freezing injury risk during apple flowering in Liquan and Xunyi[J].Chinese Journal of Agrometeorology,2020,41(6): 381-392.(in Chinese)

[13] Darbyshire R,Webb L,Goodwin L,et al.Challenges in predicting climate change impacts on pome fruit phenology[J].International Journal of Biometeorology,2014, 58(6):1119-1133.

[14] Weinberger J H.Chilling requirements of peach varieties[J]. Proc Am Soc Hortic Sci,1950,56:122-128.

[15] Richardson E A,Seeley S D,Walker D R.A model for estimating the completion of rest for "Redhaven" and "Elberta" peach trees[J].HortScience,1974(1):331-332.

[16] Erez A,Fishman S,Linsley-noakes G C,et al.The dynamic model for rest completion in peach buds[J].Acta Hortic, 1990,276:165-174.

[17] Anderson J L,Richardson E A,Kesner C D.Validation of chill unit and flower bud phenology models for 'Montmorency' sour cherry[J].Acta Hortic,1986,184:71-78.

[18] Baldocchi D,Wong S.Accumulated winter chill is decreasing in the fruit growing regions of California[J]. Climatic Change,2008,87(1):153-166.

[19] Luedeling E,Guo L,Junhu D,et al.Differential responses of trees to temperature variation during the chilling and forcing phases[J].Agricultural & Forest Meteorology, 2013,181:33-42.

[20] 莊維兵,章鎮,侍婷,等.落葉果樹需冷量及其估算模型研究進展[J].果樹學報,2012,29(3):447-453.

Zhuang W B,Zhang Z,Shi T,et al.Advance on chilling requirement and its chilling models in deciduous fruit crops[J].Journal of Fruit Science,2012,29(3):447-453.(in Chinese)

[21] Funes I,Aranda X,Biel C,et al.Future climate change impacts on apple flowering date in a Mediterranean subbasin[J].Agricultural Water Management,2016,164:19-27.

[22] 韓帥,師春香,姜志偉,等.CMA高分辨率陸面數據同化系統(HRCLDAS-V1.0)研發及進展[J].氣象科技進展,2018, 8(1):102-108.

Han S,Shi C X,Jiang Z W,et al.Development and progress of high resolution CMA land surface data assimilation system[J].Advances in Meteorological Science and Technology,2018,8(1):102-108.(in Chinese)

[23] Drepper B,Gobin A,Remy S,et al.Comparing apple and pear phenology and model performance:what seven decades of observations reveal[J].Agronomy,2020,10(1):73.

[24] Benmoussa H,Gharb M,Mimoun B M,et al.Chilling and heat requirements for local and foreign almond(Prunus dulcis Mill.) cultivars in a warm Mediterranean location based on 30 years of phenology records[J].Agricultural and Forest Meteorology,2017,239:34-46.

[25] Cooke J E K,Eriksson M E,Junttila O.The dynamic nature of bud dormancy in trees:environmental control and molecular mechanisms[J].Plant,Cell & Environment,2012, 35(10):1707-1728.

[26] Craparo G A.Advance of apple and pear tree full bloom dates in response to climate change in the southwestern Cape,South Africa:1973-2009[J].Agricultural and Forest Meteorology,2010,151(3):406-413.

[27] Campoy J A,Ruiz D,Egea J.Dormancy in temperate fruit trees in a global warming context:a review[J].Scientia Horticulturae,2011,130(2):357-372.

[28] Luedeling E.Climate change impacts on winter chill for temperate fruit and nut production:a review[J].Scientia Horticulturae,2012,144:218-229.

[29] Jarvis-shean K,Silva D,Willits N,et al.Using non-parametric regression to model dormancy requirements in almonds[J].Acta Horticulturae,2015,1068: 133-140.

[30] Breiman L.Random forests[J].Machine Learning,2001, 45(1):5-32.

[31] Rastgou M,Bayat H,Mansoorizadeh M,et al.Estimating the soil water retention curve:comparison of multiple nonlinear regression approach and random forest data mining technique[J].Computers and Electronics in Agriculture, 2020,174.

[32] 方匡南,吳見彬,朱建平,等.隨機森林方法研究綜述[J].統計與信息論壇,2011,26(3):32-38.

Fang K N,Wu J B,Zhu J P,et al.A review of random forest method research[J].Statistics and Information Forum, 2011,26(3):32-38.(in Chinese)

[33] Geurts P,Ernst D,Wehenkel L.Extremely randomized trees[J].Machine Learning,2006,63(1):3-42.

[34] 劉璐,郭梁,李曼華,等.中國北方主產地蘋果冷熱積累變化及其對始花期的影響[J].應用生態學報,2020,31(7): 2457-2463.

Liu L,Guo L,Li M H,et al.Changes of chilling and heat accumulation of apple and their effects on the first flowering date in the main planting areas of northern China[J].Chinese Journal of Applied Ecology,2020,31(7): 2457-2463.(in Chinese)

[35] Legave J M,Blanke M,Christen D,et al.A comprehensive overview of the spatial and temporal variability of apple bud dormancy release and blooming phenology in Western Europe[J].International Journal of Biometeorology,2013, 57(2):317-331.

[36] 劉璐,王景紅,傅瑋東,等.中國北方主產地蘋果始花期與氣候要素的關系[J].中國農業氣象,2020,41(1):51-60.

Liu L,Wang J H,Fu W D,et al.Relationship between apple’s first flower and climatic factors in the main producing areas of the Northern China[J].Chinese Journal of Agrometeorology, 2020,41(1):51-60.(in Chinese)

[37] Huang R,Zhang C,Huang J,et al.Mapping of daily mean air temperature in agricultural regions using daytime and nighttime land surface temperatures derived from TERRA and AQUA MODIS Data[J].Remote Sensing,2015,7(7): 8728-8756.

[38] Phan N,Martin K,Jan D,et al.Estimating daily maximum and minimum land air surface temperature using MODIS land surface temperature data and ground truth data in northern Vietnam[J].Remote Sensing,2016,8(12):1002.

[39] Yoo C,Im J,Park S,et al.Estimation of daily maximum and minimum air temperatures in urban landscapes using MODIS time series satellite data[J].ISPRS Journal of Photogrammetry and Remote Sensing, 2018,137:149-162.

Forecast Model of Apple First Flowering Date Based on the Coupling of Daily Air Temperature Characteristic Values and Chill/Heat Accumulation Model

LIU Miao1,2, QIU Chun-xia1, YANG Gui-jun2, YANG Hao2, CAI Shu-hong3, ZHU Yao-hui2

(1. College of Geomatics, Xi’an University of Science and Technology, Xi’an 710054, China; 2. Key Laboratory of Quantitative Remote Sensing in Agriculture of Ministry of Agriculture and Rural Affairs, Information Technology Research Center, Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097; 3.Hebei Farmland Quality Monitoring and Protection Center, Shijiazhuang 050056)

Three major production areas of Fuji apple, Linyi (in Shanxi province), Luochuan (in Shaanxi province) and Qixia (in Shandong province) were selected as the study region, based on 1 km gridded meteorological data, actual first flowering date data, and Chilling Hour Model (CHM) and Growing Degree Hour (GDH) data of the survey sample points in 2019?2020, the optimal chill/heat requirement at the first flowering date of apple was obtained using the gridded search method. Then, the daily air temperature characteristic values (Tmax, Tminand Tavg) were divided into seven daily air temperature characteristic factor combinations, including single factor, double factors and triple factors, and the random forest algorithm (RF) was used to establish three regional daily chill/heat accumulation models with different daily air temperature characteristic factor combinations to select the optimal daily air temperature characteristic factor.On the basis of which, forecasting model of apple first flowering date was established based on the optimal daily air temperature characteristic factor by using RF algorithm, and the accuracy of the forecasting model was evaluated by independent actual first flowering date data.The results showed that: (1) the optimal chill/heat requirement at the first flowering date for apple in three regions were 730CH and 7350GDH in Linyi, 345CH and 4950GDH in Luochuan, and 520CH and 4450GDH in Qixia. (2) Among the seven combinations of daily air temperature characteristics, the three regional daily chill/heat accumulation models with the combination of Tmax, Tminand Tavghad high accuracy in estimating daily chill/heat accumulation, and the RMSE between the estimated daily chill accumulation and the daily chill accumulation obtained from the CHM model was 0.97?2.50CH, and the RMSE between the estimated daily heat accumulation and the daily heat accumulation obtained from the GDH model was 1.73?15.76GDH. (3) When the daily chill/heat accumulation was estimated by forecast model of apple first flowering date, the RMSE between the estimated daily chill accumulation and the daily chill accumulation based on the CHM model ranged from 1.08 to 1.14CH, and the RMSE between the estimated daily heat accumulation and the daily heat accumulation based on the GDH model ranged from 2.03 to 3.74GDH. When the model was used to forecast first flowering date of apple, R2between the predicted and actual first flowering date was 0.92, and RMSE was 3.44d.The accuracy of the predicted first flowering date based on daily air temperature characteristic values was in overall agreement with that based on real hourly air temperature data, it indicated that the forecast model of apple flowering date established in this paper could effectively convert the input air temperature data from hourly scale to daily scale, which will have good application value and potential in the subsequent work on apple first flowering date forecasting.

Apple; First flowering date; Random forest; Forecast model; Chill/heat accumulation

10.3969/j.issn.1000-6362.2022.04.005

劉淼,邱春霞,楊貴軍,等.基于日氣溫特征值與冷/熱積量模型耦合的蘋果始花期預報模型[J].中國農業氣象,2022,43(4):295-307

2021?07?09

國家自然科學基金（42171303）；國家重點研發計劃項目（2017YFE0122500）；廣東省科技計劃項目（2019B090905006）；廣東省重點領域研發計劃（2019B020214002）

楊貴軍，研究員，主要從事農業定量遙感機理及精準農業應用研究，E-mail：yanggj@nercita.org.cn

劉淼，E-mail：liumiao80125@163.com