鄔定榮 霍治國2)* 王培娟 王景紅 姜會(huì)飛 柏秦鳳 楊建瑩

1)(中國氣象科學(xué)研究院， 北京 100081)2)(南京信息工程大學(xué)氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心， 南京 210044)3)(陜西省經(jīng)濟(jì)作物氣象服務(wù)臺(tái)， 西安 710015)4)(中國農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院， 北京 100193)

引 言

蘋果是中國最重要的作物之一，種植面積和產(chǎn)量均居世界首位[1]。然而蘋果種植區(qū)的氣候波動(dòng)劇烈，種植區(qū)地形地貌復(fù)雜，未來氣候變化背景下蘋果遭遇氣象災(zāi)害的風(fēng)險(xiǎn)較大[2-7]。氣象災(zāi)害對(duì)作物產(chǎn)量和品質(zhì)的影響，普遍存在關(guān)鍵影響時(shí)段和敏感期[8-12]，加之氣候變化背景下蘋果物候期具有逐漸提前且年際波動(dòng)較大的特點(diǎn)[13-14]，因此利用固定時(shí)段分析災(zāi)害影響，得到的結(jié)果誤差較大。建立一個(gè)適用于蘋果主要種植區(qū)的物候模型，預(yù)測未來蘋果物候期的變化，對(duì)于評(píng)估氣候變化背景下氣象災(zāi)害對(duì)蘋果產(chǎn)量和品質(zhì)的影響具有重要意義。

蘋果物候模型可分為統(tǒng)計(jì)模型和機(jī)理模型。統(tǒng)計(jì)模型主要是基于物候事件發(fā)生時(shí)間與氣候因子的相關(guān)性而建立。機(jī)理模型是通過數(shù)學(xué)方法再現(xiàn)生物過程與氣候要素的關(guān)系，試圖從機(jī)制上探討物候期發(fā)生條件的模型[15]。在影響樹木發(fā)育的機(jī)制上，目前普遍認(rèn)為存在冷驅(qū)動(dòng)和暖驅(qū)動(dòng)兩種機(jī)制。根據(jù)對(duì)這兩種機(jī)制不同描述，機(jī)理模型主要分為以下3種類型：順序模型(Sequential Model, 簡稱SM)[16-17]、平行模型(Parallel Model, 簡稱PM)[16-17]和深度休息模型(Deepening Rest Model,簡稱DRM)[16-20]。此外，不考慮冷驅(qū)動(dòng)作用的熱時(shí)模型(Thermal Time Model, 簡稱TTM)[21]因參數(shù)較少便于應(yīng)用也備受關(guān)注。許多研究表明：上述機(jī)理模型具有較好的適用性，并被廣泛用于模擬氣候變化背景下樹木的物候期[22-25]。

在國內(nèi)，主要利用統(tǒng)計(jì)模型研究蘋果物候期對(duì)氣候變化的響應(yīng)，其中最主要的研究對(duì)象是花期。如蒲金涌等[26]分析了1971年以來甘肅黃土高原溫度變化與花期的關(guān)系，指出受氣候變暖影響，花期提前了14 d左右；孟秀美等[27]計(jì)算了3個(gè)蘋果品種開花期與旬積溫之間的相關(guān)性，建立的預(yù)報(bào)模型檢驗(yàn)效果良好；毛明策等[28]利用蘋果物候觀測和氣象數(shù)據(jù)分析了溫度對(duì)蘋果初花期的影響；李美榮等[29]應(yīng)用統(tǒng)計(jì)學(xué)方法建立了基于氣象因子的始花期預(yù)測模型，得到的預(yù)測結(jié)果與實(shí)際較為吻合；柏秦鳳等[30]利用統(tǒng)計(jì)模型建立了陜西不同區(qū)域花期對(duì)氣溫的響應(yīng)模型，模型模擬效果良好，準(zhǔn)確率在70%左右；張艷艷等[31]采用偏最小二乘回歸法對(duì)甘肅西峰蘋果始花期與光、熱、水氣象因子進(jìn)行分析，在此基礎(chǔ)上預(yù)測始花期。這些研究得到的花期與氣象要素的相關(guān)關(guān)系，為防御氣象災(zāi)害提供了必要的科學(xué)依據(jù)。

統(tǒng)計(jì)模型在歷史氣候條件下雖能較好地?cái)M合花期，但在外推應(yīng)用時(shí)易產(chǎn)生較大偏差。而氣候變化背景下氣候波動(dòng)劇烈，極端氣候事件頻發(fā)，統(tǒng)計(jì)模型可能難以滿足業(yè)務(wù)需要，建立機(jī)理性蘋果花期模型勢在必行。

本研究擬以蘋果傳統(tǒng)種植區(qū)陜西省為研究區(qū)域，利用觀測站花期觀測數(shù)據(jù)，以模型參數(shù)校正中常用的均方根誤差最小為原則確定上述4個(gè)模型的參數(shù)，并對(duì)模型進(jìn)行內(nèi)部檢驗(yàn)、交叉驗(yàn)證和外推驗(yàn)證。在此基礎(chǔ)上，篩選適合模擬蘋果花期的機(jī)理模型，以期為防御花期災(zāi)害提供科學(xué)參考。

1 數(shù)據(jù)和方法

1.1 數(shù) 據(jù)

陜西蘋果種植區(qū)域可分為關(guān)中果區(qū)、渭北西部果區(qū)、渭北東部果區(qū)和延安果區(qū)[32](圖1)。每個(gè)果區(qū)內(nèi)均有2個(gè)花期物候觀測站，區(qū)域內(nèi)共8個(gè)觀測站。機(jī)理性花期模型參數(shù)較多，觀測序列越長越有利于參數(shù)的校正。因此，在每個(gè)果區(qū)內(nèi)，選擇具有較長花期觀測序列的觀測站作為模型參數(shù)校正的站點(diǎn)，簡稱校正站，較短觀測序列的觀測站為模型參數(shù)外推驗(yàn)證的站點(diǎn)，簡稱外推站。校正站包括禮泉(關(guān)中果區(qū))、旬邑(渭北西部果區(qū))、白水(渭北東部果區(qū))和洛川(延安果區(qū))，這些站分別有21，21，13年和17年的花期觀測。外推站包括鳳翔(關(guān)中果區(qū))、長武(渭北西部果區(qū))、銅川(渭北東部果區(qū))和寶塔(延安果區(qū))，這些站分別有9，8，8年和6年的花期觀測。各站點(diǎn)具體觀測年份如表1所示。

圖1 研究區(qū)域和觀測站分布(蘋果分區(qū)參照文獻(xiàn)[32])Fig.1 The target area and location of sites(regional division of apple planting from Reference [32])

表1 各站的觀測年份和年數(shù)Table 1 Years and number of observations at each site

校正站中，除禮泉2008年前數(shù)據(jù)來源于果農(nóng)記錄外，其他站和其他年份的數(shù)據(jù)均來源于陜西省經(jīng)濟(jì)作物氣象服務(wù)臺(tái)[30]。外推站的數(shù)據(jù)來源于文獻(xiàn)[33-35]。上述8個(gè)站的逐日平均氣溫?cái)?shù)據(jù)來源于國家氣象信息中心。

1.2 研究方法

1.2.1 模型簡介

4個(gè)模型均采用相同的假設(shè)模擬花期，即認(rèn)為花期受冷驅(qū)動(dòng)(Rc)和熱驅(qū)動(dòng)(Rf)兩個(gè)過程的影響，且兩個(gè)過程都是逐日氣溫的函數(shù)。冷驅(qū)動(dòng)和熱驅(qū)動(dòng)的狀態(tài)由累加各日的冷、熱驅(qū)動(dòng)速率得到，

(1)

(2)

其中，Sc和Sf分別是第D日冷、熱驅(qū)動(dòng)的狀態(tài),T是日平均氣溫，Rc和Rf分別是溫度T下冷驅(qū)動(dòng)和熱驅(qū)動(dòng)的速率，t1c和t1f分別是開始計(jì)算冷驅(qū)動(dòng)和熱驅(qū)動(dòng)的日期(以日序表示)，研究表明：多數(shù)樹木的t1c均可設(shè)為11月1日[16]，D是一年中的日序。

此外，模型使用C*和F*兩個(gè)遺傳參數(shù)分別表示完成冷驅(qū)動(dòng)和熱驅(qū)動(dòng)過程所需的閾值。在SM和PM中，當(dāng)Sc累積到閾值C*時(shí)，就中止休眠，進(jìn)入熱驅(qū)動(dòng)期，開始累積Sf。Sf累積到閾值F*的日序就是花期的日序。

1.2.1.1 順序模型

順序模型(SM)假設(shè)在冷驅(qū)動(dòng)累積到C*后才開始累積熱驅(qū)動(dòng)。SM中Rc的計(jì)算如下：

(3)

式(3)中，Tmin,Topt和Tmax分別是計(jì)算冷驅(qū)動(dòng)時(shí)的最低、最適和最高氣溫。Rf由以下公式計(jì)算：

(4)

式(4)中,a，b，c是模型參數(shù)。

1.2.1.2 平行模型

平行模型(PM)假設(shè)即使在冷驅(qū)動(dòng)階段，溫度對(duì)物候也有熱驅(qū)動(dòng)作用。PM對(duì)Rc的計(jì)算和SM一樣，但由下式計(jì)算Rf：

(5)

式(5)中，T0是開始計(jì)算熱驅(qū)動(dòng)的下限溫度,K的計(jì)算如下：

(6)

式(6)中，Km是模型參數(shù)。

1.2.1.3 深度休息模型

深度休息模型(DRM)將SM中的冷驅(qū)動(dòng)階段細(xì)分為深度休息階段和休息解除階段[36]。休息解除后，進(jìn)入熱驅(qū)動(dòng)階段。模型對(duì)冷驅(qū)動(dòng)的計(jì)算與SM相同。在計(jì)算熱驅(qū)動(dòng)時(shí)，與PM相同，但K值由下述公式計(jì)算：

(7)

式(7)中，K是競爭函數(shù)，即花芽對(duì)熱驅(qū)動(dòng)的響應(yīng)，取值為0～1；Kmin是未經(jīng)歷冷驅(qū)動(dòng)的花芽對(duì)熱驅(qū)動(dòng)的最小響應(yīng)速率；Cdr是冷驅(qū)動(dòng)狀態(tài)的閾值，高于這個(gè)值，樹木的狀態(tài)就從深度休息階段轉(zhuǎn)為休息解除階段。

1.2.1.4 熱時(shí)模型

熱時(shí)模型(TTM)是另一種普適性的模型，在多種作物中均得到了廣泛應(yīng)用[21,37]。模型假定冷驅(qū)動(dòng)的閾值C*為0，即不考慮冷驅(qū)動(dòng)，而直接從熱驅(qū)動(dòng)開始計(jì)算。在指定日期之后就開始計(jì)算并累積熱驅(qū)動(dòng)。TTM實(shí)質(zhì)上是從固定日期(t2)開始計(jì)算的高于下限溫度的有效積溫。具體公式如下：

(8)

Rc=1。

(9)

(10)

其中，Rfrc是熱驅(qū)動(dòng)的速率；K是競爭函數(shù)，即花芽對(duì)溫度驅(qū)動(dòng)作用的響應(yīng)，取值為0或1；Tb_f是計(jì)算熱驅(qū)動(dòng)的下限溫度；T是日平均氣溫；t2是靜止期的始期；t是時(shí)間。

1.2.2 參數(shù)估計(jì)

以模擬值均方根誤差最小化為原則對(duì)4個(gè)模型進(jìn)行參數(shù)優(yōu)化。SM，PM和DRM參數(shù)較多，且響應(yīng)關(guān)系多為非線性，難以推導(dǎo)出解析解，因此運(yùn)用遺傳算法(Genetic Algorithm, GA)進(jìn)行最優(yōu)參數(shù)的估計(jì)[38]。TTM參數(shù)較少，在較寬的參數(shù)取值范圍內(nèi)以較小的步長直接全局尋優(yōu)。

對(duì)于SM，PM和DRM，依據(jù)文獻(xiàn)[22-24]報(bào)道，采用如表2所示的參數(shù)空間進(jìn)行尋優(yōu)，TTM的參數(shù)空間和尋優(yōu)步長設(shè)置如下：Tb-f取值范圍為0～5℃，步長為0.1℃;t2取值范圍為1～120，步長為1。4個(gè)模型的參數(shù)空間基本覆蓋了現(xiàn)有報(bào)道中各參數(shù)的主要取值范圍。

1.2.3 模型檢驗(yàn)

采用內(nèi)部檢驗(yàn)、交叉驗(yàn)證和外推驗(yàn)證相結(jié)合的方式對(duì)模型參數(shù)進(jìn)行檢驗(yàn)。內(nèi)部檢驗(yàn)和交叉驗(yàn)證只在校正站進(jìn)行，內(nèi)部檢驗(yàn)是用全部觀測年份擬合出的參數(shù)模擬物候序列，交叉驗(yàn)證是利用大部分年份數(shù)據(jù)擬合模型參數(shù)，并留小部分?jǐn)?shù)據(jù)對(duì)模型參數(shù)進(jìn)行檢驗(yàn)。本文采用交叉驗(yàn)證中的留一驗(yàn)證(Leave One Out Cross Validation, LOOCV)，即將某年份數(shù)據(jù)剔除后，利用其他年份的數(shù)據(jù)擬合參數(shù)，模擬出被剔除年的物候期；將每一年份的觀測值逐一剔除后，即得到用于交叉驗(yàn)證的序列。外推驗(yàn)證是將在校正站獲得的參數(shù)，用于模擬外推站的花期。本文采用兩種方法進(jìn)行外推驗(yàn)證。第1種是單站外推，即將校正后的參數(shù)外推至屬于同一果區(qū)的外推站，檢驗(yàn)參數(shù)在果區(qū)的適用性。第2種是求平均后外推，即將4個(gè)站參數(shù)的平均值外推至4個(gè)外推站，檢驗(yàn)一套參數(shù)模擬陜西省整個(gè)種植區(qū)花期的能力。

表2 SM，PM和DRM的參數(shù)尋優(yōu)空間Table 2 Parametric optimization spaces of SM, PM and DRM

將模擬花期序列與物候觀測序列作對(duì)比，計(jì)算均方根誤差和方差解釋率(R2)，評(píng)估各模型的適用性。

2 結(jié)果及分析

2.1 內(nèi)部檢驗(yàn)

表 3是內(nèi)部檢驗(yàn)時(shí)4個(gè)機(jī)理性模型在4個(gè)站模擬蘋果花期的均方根誤差和R2。由表3可見，各站最適模型各不相同。旬邑站的最低均方根誤差來自于TTM，為3.63 d，其他3個(gè)模型的均方根誤差均在4.0 d以上。洛川站的最低均方根誤差來自于DRM，為2.78 d。禮泉站的最低均方根誤差由SM給出，為2.86 d，然而TTM給出的均方根誤差也很接近(2.88 d)。白水站的最低均方根誤差由SM給出，為3.50 d。模型在4個(gè)站的平均均方根誤差分別是3.30，4.20，3.62 d和3.30 d，可見TTM和SM的模擬精度相同。

此外，由表3還可以看到，各站最高解釋率的模型各不相同。對(duì)旬邑、洛川、禮泉和白水解釋率最高的模型分別為PM(0.446)、SM(0.618)、TTM(0.836)和SM(0.638)。模型在4個(gè)站的平均解釋率分別是0.63，0.50，0.59和0.58。

由觀測值與模擬值的時(shí)間序列曲線(圖 2)可見，除個(gè)別年份外，4個(gè)模型均能較好地模擬各站的變化特征，其中對(duì)禮泉的模擬整體最好，基本反映了觀測值的年際波動(dòng)。對(duì)旬邑的模擬次之，多數(shù)年份的年際波動(dòng)均得到了良好反映，個(gè)別模型在個(gè)別年份均方根誤差較大。對(duì)洛川和白水的模擬稍差，有些年份所有模型的均方根誤差均較大，如洛川站的2000年和2002年以及白水站的2013年和2014年。

表3 4個(gè)模型在校正站的內(nèi)部檢驗(yàn)結(jié)果Table 3 Internal validation results of 4 models at 4 parameter-calibration sites

注：*，**和***分別表示達(dá)到0.05, 0.01和0.001顯著性水平。

圖2 4個(gè)校正站開花期觀測值和內(nèi)部檢驗(yàn)的模擬值Fig.2 Observed flowering date at 4 parameter-calibration sites and values given by 4 models in internal validation

2.2 交叉驗(yàn)證

表4是交叉驗(yàn)證時(shí)模擬值的均方根誤差和R2。與內(nèi)部檢驗(yàn)一樣，各站點(diǎn)的最適模型各不相同。旬邑的最低均方根誤差來自于PM，為4.75 d。洛川的最低均方根誤差來自于DRM(3.48 d)，TTM次之(3.79 d)。禮泉的最低均方根誤差由TTM給出，為3.53 d。白水的均方根誤差由DRM最低(4.21 d)，TTM次之(5.19 d)。模型在4個(gè)站的平均均方根誤差分別是4.39，4.45，4.52 d和4.73 d，因此，模型精度差異不大。在解釋率上，模型在4個(gè)站的平均值分別是0.39，0.44，0.47和0.41，因此，DRM略占優(yōu)勢。

由觀測值與模擬值的時(shí)間序列曲線(圖3)可見，與內(nèi)部檢驗(yàn)相比，各站的模擬偏差都有所增大。其中模擬最好的仍是禮泉，模擬值基本反映了觀測值的年際波動(dòng)。洛川和白水的模擬均方根誤差較大。

表4 4個(gè)模型在校正站的交叉驗(yàn)證結(jié)果Table 4 Cross validation results of 4 models at 4 parameter-calibration sites

注：*，**和***分別表示達(dá)到0.05,0.01和0.001顯著性水平。

圖3 4個(gè)校正站開花期的觀測值與交叉驗(yàn)證的模擬值Fig.3 Observed flowering date at 4 parameter-calibration sites and values given by 4 models in cross validation

交叉驗(yàn)證結(jié)果表明4個(gè)模型各有優(yōu)勢，沒有表現(xiàn)特別突出的模型。考慮到TTM原理簡單，僅需3個(gè)參數(shù)，參數(shù)訂正過程簡單，方便應(yīng)用，而其他3個(gè)模型需要7～9個(gè)參數(shù)，且參數(shù)化過程復(fù)雜，計(jì)算工作量大，因而在應(yīng)用上TTM具有明顯優(yōu)勢。從另一方面看，其他3個(gè)模型采用了更復(fù)雜的機(jī)理，計(jì)算耗時(shí)更大，但模擬結(jié)果未獲得明顯提升，表明在實(shí)際應(yīng)用中可以不考慮更復(fù)雜的機(jī)理。已有研究表明：在模擬北方溫帶地區(qū)植物花期時(shí)，TTM的模擬效果更優(yōu)[39]，本研究結(jié)果與此一致。

2.3 外推驗(yàn)證

基于模型內(nèi)部檢驗(yàn)和交叉驗(yàn)證結(jié)果，綜合考慮準(zhǔn)確率和模型復(fù)雜程度，推薦使用TTM模擬陜西蘋果花期。該模型內(nèi)部驗(yàn)證獲得的參數(shù)取值如表 5所示。在這些取值的基礎(chǔ)上，采用2種方法對(duì)TTM進(jìn)行外推驗(yàn)證。

表5 TTM內(nèi)部檢驗(yàn)時(shí)4個(gè)校正站的參數(shù)取值、熱驅(qū)動(dòng)閾值F*和準(zhǔn)確率Table 5 Parameter values, thermal threshold(F*) and simulation accuracy in internal validation of TTM at 4 parameter-calibration sites

兩種外推方法得到的結(jié)果如圖 4和表 6所示。在單站外推中，旬邑的參數(shù)外推至長武時(shí)，擬合效果較好，模擬值基本反映了花期隨時(shí)間變化趨勢 (圖4a)，但個(gè)別年份模擬均方根誤差較大(6.24 d)，在2000年的均方根誤差達(dá)到了11 d；洛川的參數(shù)外推至寶塔時(shí)，模擬效果最好，均方根誤差僅為5.08 d (表 6)；禮泉的參數(shù)外推至鳳翔時(shí)，雖均方根誤差也較低(5.34 d)，但模擬值普遍高于觀測值，這可能是氣象站觀測到的氣象要素與果園所處的小氣候存在系統(tǒng)偏差所致；白水的參數(shù)外推至銅川時(shí)的均方根誤差也較低(5.34 d)，且存在模擬值普遍低于觀測值的情況。除鳳翔外，求取平均后外推的精度均有不同程度的降低，長武降低得尤其明顯。4個(gè)站合計(jì)，單站外推的均方根誤差為5.90 d，求平均后的外推為7.21 d，精度下降幅度較大，因此，建議分果區(qū)進(jìn)行模擬。

圖4 TTM參數(shù)在4個(gè)外推站應(yīng)用的模擬結(jié)果 (a)單站外推，(b)參數(shù)求平均值后外推至4個(gè)站Fig.4 Simulated flowering date applied by TTM at 4 parameter-validation sites(a)based on values of a single site，(b)based on average values of 4 sites

表6 TTM參數(shù)在4個(gè)外推站應(yīng)用時(shí)的均方根誤差(單位：d)Table 6 Root mean square errors of simulated flowering date applied by TTM at 4 parameter-validation sites(unit:d)

3 結(jié)論與討論

本文基于陜西4個(gè)主要蘋果種植區(qū)共8個(gè)花期觀測站的花期數(shù)據(jù)及同期的逐日氣象數(shù)據(jù)，以均方根誤差最小化為原則，優(yōu)化4個(gè)物候模型(SW,PM,DRM和TTM)的參數(shù)，并通過內(nèi)部檢驗(yàn)、交叉驗(yàn)證和外推驗(yàn)證評(píng)估對(duì)蘋果花期模擬的適用性。得到以下主要結(jié)論：

1) 在內(nèi)部檢驗(yàn)中，4個(gè)校正站的最適模型各不相同，總體上SM和TTM略優(yōu)。旬邑、洛川、禮泉和白水的最適模型分別是TTM，SM，DRM和SM。4個(gè)模型在4個(gè)站的平均均方根誤差分別是3.30，4.20，3.62 d和3.30 d，模擬結(jié)果對(duì)觀測數(shù)據(jù)的平均解釋率分別是0.63，0.50，0.59和0.58。

2) 交叉驗(yàn)證時(shí)，沒有在4個(gè)校正站表現(xiàn)均突出的模型。在旬邑、洛川、禮泉和白水的最適模型分別是PM，TTM，DRM和DRM。4個(gè)模型在4個(gè)站的平均均方根誤差分別是4.39，4.45，4.52 d和4.73 d，平均解釋率分別是0.39，0.44，0.47和0.41?？紤]到模型的復(fù)雜性與模擬精度，本研究認(rèn)為TTM更適合模擬陜西蘋果的花期。

3) TTM在外推站應(yīng)用的結(jié)果表明：與求平均后外推相比，單站外推可獲得更高的模擬精度。在單站外推中，延安果區(qū)的外推均方根誤差最小(5.08 d)，關(guān)中和渭北東部果區(qū)的參數(shù)雖然均能較好地外推，但模擬值普遍高于觀測值。渭北西部果區(qū)的參數(shù)外推的均方根誤差最大，個(gè)別年份的均方根誤差高達(dá)11 d。

研究中8個(gè)站的蘋果均為紅富士系，因此，理論上可以用一套參數(shù)模擬8個(gè)站的花期，但實(shí)際上蘋果花期受多個(gè)環(huán)境因素的影響，用一套參數(shù)模擬不同站的花期時(shí)會(huì)產(chǎn)生較大的均方根誤差。如Darbyshire等[25]基于全球南北半球不同區(qū)域的14個(gè)站同一品種的花期數(shù)據(jù)，評(píng)估了4個(gè)花期模型，結(jié)果顯示：均方根誤差多在10 d左右。在本研究中，TTM在站點(diǎn)尺度的內(nèi)部檢驗(yàn)均方根誤差為3.30 d，將參數(shù)外推至果區(qū)時(shí)均方根誤差為5.90 d，而將參數(shù)求平均后外推至整個(gè)種植區(qū)時(shí)，均方根誤差為7.21 d。雖然本文研究結(jié)果(7.21 d)略優(yōu)于國外同類研究(10.0 d)，但原因之一很可能是本文站點(diǎn)跨越的空間尺度較小，不同站點(diǎn)間的氣候波動(dòng)幅度低于跨越南北半球空間尺度。綜合本研究和國外研究可以發(fā)現(xiàn)，模型參數(shù)所代表的區(qū)域范圍越小，模擬精度越高。

研究還發(fā)現(xiàn)，更復(fù)雜的模型并沒有帶來更高的模擬準(zhǔn)確度。4個(gè)模型中最復(fù)雜的DRM本質(zhì)上是對(duì)SM和PM的進(jìn)一步深化，理論上模擬準(zhǔn)確度應(yīng)該更高，而實(shí)際上卻沒有得到更高的準(zhǔn)確度。但該模型在機(jī)理上考慮得較為全面，若能收集各個(gè)子過程的詳細(xì)觀測數(shù)據(jù)，逐過程地對(duì)模型進(jìn)行參數(shù)化，可能獲得更好的模擬結(jié)果，只是這種方法需要更多物候觀測項(xiàng)目，如現(xiàn)芽期、展葉期等，參數(shù)校正也需要花費(fèi)更長時(shí)間。

與主糧作物如小麥[40]、玉米[41]和水稻[42]的模擬結(jié)果相比，蘋果花期的模擬均方根誤差較大。造成這種現(xiàn)象的主要原因包括：首先，模型機(jī)理可能還存在一定不足，如現(xiàn)有花期模型均只描述了冷熱脅迫對(duì)發(fā)育速率的影響，而其他機(jī)理如光周期和水分脅迫對(duì)樹木的發(fā)育可能也有影響[17]。這可能是導(dǎo)致4個(gè)模型在有些年份的均方根誤差均較大的主因。其次，蘋果是多年生樹木，花期的影響因素較一年或二年生的主糧作物復(fù)雜。再次，在氣象數(shù)據(jù)上，氣象站位置與果園位置不完全一致，氣象站與果園所處的小氣候可能存在差異，且果園多處于山區(qū)，地勢崎嶇不平，這種差異較主糧作物更明顯。避免這種差異的方法之一是使用格點(diǎn)氣象數(shù)據(jù)代替站點(diǎn)數(shù)據(jù)。但蘋果種植區(qū)地形地貌破碎，對(duì)格點(diǎn)數(shù)據(jù)的空間分辨率要求較高。另一種可行的方法是先建立氣象站與果園小氣候的推算關(guān)系，基于這種推算關(guān)系反演果園的歷史氣候，基于歷史氣候校正模型參數(shù)，可能獲得較好的效果，但這要求有1年以上果園小氣候的觀測。為了在以后更好地模擬蘋果花期，建議對(duì)花期開展長期定位觀測，各項(xiàng)觀測均按觀測規(guī)范進(jìn)行，同時(shí)對(duì)果園各項(xiàng)氣象要素以及土壤水分狀況進(jìn)行監(jiān)測，在積累高質(zhì)量觀測數(shù)據(jù)的基礎(chǔ)上，分析蘋果花期的影響機(jī)理機(jī)制，進(jìn)而提出更好的模型。

總體上，本研究推薦使用TTM模擬陜西蘋果花期。在模擬陜西蘋果花期時(shí)，由于單站外推比求平均后外推具有更小的模擬均方根誤差(表6)，因此，建議每一個(gè)蘋果種植分區(qū)采用一套參數(shù)，以便在保證模擬準(zhǔn)確性的同時(shí)減少對(duì)觀測數(shù)據(jù)的要求。