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(píng)果始花期預(yù)報(bào)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(xué)測(cè)繪科學(xué)與技術(shù)學(xué)院，西安 710054；2. 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感機(jī)理與定量遙感重點(diǎn)實(shí)驗(yàn)室，北京市農(nóng)林科學(xué)院信息技術(shù)研究中心，北京 100097；3.河北省耕地質(zhì)量監(jiān)測(cè)保護(hù)中心，石家莊 050056）

以臨猗、洛川和棲霞3個(gè)富士系蘋(píng)果主產(chǎn)區(qū)為研究區(qū)，基于2019?2020年各地調(diào)查樣點(diǎn)的1km格網(wǎng)氣象數(shù)據(jù)、實(shí)際始花期數(shù)據(jù)以及冷小時(shí)模型（Chilling Hour Model，CHM）和生長(zhǎng)度小時(shí)（Growing Degree Hour，GDH）模型，利用網(wǎng)格搜索法得到蘋(píng)果始花期最優(yōu)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(jī)森林算法（Random Forest，RF）構(gòu)建3個(gè)地區(qū)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(yōu)日氣溫特征因子；在此基礎(chǔ)上，基于最優(yōu)日氣溫特征因子，利用RF構(gòu)建蘋(píng)果始花期預(yù)報(bào)模型，并通過(guò)獨(dú)立實(shí)際始花期數(shù)據(jù)對(duì)預(yù)報(bào)模型進(jìn)行精度評(píng)價(jià)。結(jié)果表明：（1）臨猗地區(qū)的蘋(píng)果始花期最優(yōu)冷/熱需求量分別為730CH和7350GDH，洛川地區(qū)分別為345CH和4950GDH，棲霞地區(qū)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(gè)地區(qū)日冷/熱積量模型在估算日冷/熱積量時(shí)均具有較高的準(zhǔn)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(píng)果始花期預(yù)報(bào)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(dāng)利用該模型進(jìn)行蘋(píng)果始花期預(yù)報(bào)時(shí)，預(yù)報(bào)值與實(shí)際值R2為0.92，RMSE為3.44d，其精度與基于真實(shí)逐小時(shí)氣溫?cái)?shù)據(jù)的精度整體一致，表明本研究構(gòu)建的蘋(píng)果始花期預(yù)報(bào)模型可以有效將輸入氣溫?cái)?shù)據(jù)從逐小時(shí)尺度轉(zhuǎn)換為日尺度，這在后續(xù)蘋(píng)果始花期預(yù)報(bào)工作中具有較好的應(yīng)用價(jià)值和潛力。

蘋(píng)果；始花期；隨機(jī)森林；預(yù)報(bào)模型；冷/熱積量

蘋(píng)果是中國(guó)重要的經(jīng)濟(jì)作物之一，其種植面積、消費(fèi)量[1]和產(chǎn)量目前均居世界首位[2?3]。始花期是蘋(píng)果生長(zhǎng)發(fā)育的重要物候期[4]，準(zhǔn)確預(yù)報(bào)始花期是疏花疏果管理及提高果樹(shù)產(chǎn)量和品質(zhì)的重要基礎(chǔ)[5?6]。果樹(shù)在休眠期內(nèi)積累的冷/熱積量是順利完成內(nèi)、外休眠，進(jìn)入開(kāi)花萌芽階段的基礎(chǔ)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(shù)生長(zhǎng)機(jī)理特性，建立基于日氣溫特征值與冷/熱積量的蘋(píng)果始花期預(yù)報(bào)模型，可對(duì)現(xiàn)有基于逐小時(shí)氣溫?cái)?shù)據(jù)的花期物候機(jī)理模型預(yù)報(bào)蘋(píng)果始花期方法進(jìn)行補(bǔ)充，通過(guò)準(zhǔn)確高效地預(yù)報(bào)蘋(píng)果始花期可為后續(xù)果園管理和生產(chǎn)提供參考。

目前考慮到果樹(shù)生長(zhǎng)機(jī)理特性進(jìn)行始花期預(yù)報(bào)的方法主要是通過(guò)數(shù)學(xué)模擬，從果樹(shù)生長(zhǎng)機(jī)理特性出發(fā)重現(xiàn)果樹(shù)物候期與氣溫要素之間關(guān)系[8]，構(gòu)建逐小時(shí)氣溫驅(qū)動(dòng)的花期物候機(jī)理模型，實(shí)現(xiàn)果樹(shù)始花期預(yù)報(bào)。常用的花期物候機(jī)理模型主要包括序列模型[9]、冷重疊模型[10]、熱時(shí)模型[10]和平行模型[11]，序列模型和熱時(shí)模型因參數(shù)較少[3]，常用于花期預(yù)報(bào)研究中。邱美娟等[8]和王明昌等[12]基于氣象站點(diǎn)數(shù)據(jù)，利用熱時(shí)模型構(gòu)建中國(guó)不同蘋(píng)果主產(chǎn)地蘋(píng)果始花期模型，并分析了各地區(qū)蘋(píng)果始花期的時(shí)空變化以及評(píng)估花期凍害影響。然而，果樹(shù)的生長(zhǎng)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(píng)果和梨為研究對(duì)象，研究熱時(shí)模型和序列模型在不同氣候條件下對(duì)花期預(yù)報(bào)結(jié)果的差異，結(jié)果表明序列模型優(yōu)于熱時(shí)模型。序列模型作為綜合物候機(jī)理模型，一般由冷、熱子模型構(gòu)成，冷子模型包括冷小時(shí)模型[14]、猶他模型[15]和動(dòng)態(tài)模型[16]，熱子模型主要是生長(zhǎng)度小時(shí)模型[17]。Baldocchi等[18]和Luedeling等[19]分別利用冷小時(shí)模型和動(dòng)態(tài)模型計(jì)算落葉果樹(shù)的冷積量，但相比于冷小時(shí)模型，動(dòng)態(tài)模型參數(shù)較為復(fù)雜[20]。Funes等[21]利用序列模型計(jì)算Fluvià河下游小流域蘋(píng)果的日冷/熱積量，基于氣象站點(diǎn)的逐小時(shí)氣溫?cái)?shù)據(jù)和物候站點(diǎn)數(shù)據(jù)得到的冷/熱需求量預(yù)測(cè)開(kāi)花日期，并分析氣候變化對(duì)開(kāi)花期的影響。

國(guó)內(nèi)外有關(guān)于蘋(píng)果始花期預(yù)報(bào)的花期物候機(jī)理模型多以逐小時(shí)氣溫?cái)?shù)據(jù)驅(qū)動(dòng)，目前從日氣溫特征值與果樹(shù)冷/熱積量角度開(kāi)展始花期預(yù)報(bào)的研究相對(duì)較少。因此，在已有逐小時(shí)花期物候機(jī)理模型的基礎(chǔ)上，本研究從果樹(shù)本身物候機(jī)理角度出發(fā)，將氣溫的時(shí)間尺度進(jìn)行擴(kuò)展，通過(guò)探索日氣溫特征值與果樹(shù)日冷/熱積量的關(guān)系，利用隨機(jī)森林算法構(gòu)建基于日氣溫特征值的蘋(píng)果始花期預(yù)報(bào)模型，以日氣溫特征值代替逐小時(shí)氣象數(shù)據(jù)，估算果樹(shù)日冷/熱積量，并基于估算結(jié)果對(duì)3個(gè)蘋(píng)果主產(chǎn)區(qū)進(jìn)行始花期預(yù)報(bào)試驗(yàn)和評(píng)價(jià)，以期為蘋(píng)果始花期預(yù)報(bào)和果園精細(xì)化生產(chǎn)管理提供技術(shù)支持和服務(wù)。

1 資料與方法

1.1 研究區(qū)概況

研究區(qū)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(xiāo)?36°04′N(xiāo)，109°13′E? 109°45′E），地處黃土高原溝壑區(qū)，地勢(shì)起伏差異明顯，總體上呈東高西低趨勢(shì)，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(xiāo)?35°18′N(xiāo)，110°17′E? 110°54′E），該區(qū)域地勢(shì)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(xiāo)?37°29′N(xiāo)，120°32′E?121°15′E），地處丘陵山區(qū)，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(guó)蘋(píng)果優(yōu)勢(shì)主產(chǎn)區(qū)之一，由于地形地勢(shì)和氣候條件的不同，在蘋(píng)果始花期上也呈現(xiàn)出不同的時(shí)空差異特征。

1.2 數(shù)據(jù)獲取

1.2.1氣象數(shù)據(jù)

氣象數(shù)據(jù)時(shí)段為2019年10月1日（收獲后）? 2020 年4月30日（始花期后）共213d，數(shù)據(jù)來(lái)源為HR?CLDAS（High Resolution China Meteorological Administration Land Data Assimilation System）生產(chǎn)的1km空間分辨率、逐小時(shí)時(shí)間分辨率的格網(wǎng)氣象數(shù)據(jù)產(chǎn)品。該產(chǎn)品基于ECMWF預(yù)報(bào)場(chǎng)數(shù)據(jù)與國(guó)家氣象站點(diǎn)數(shù)據(jù)，采用多重網(wǎng)格變分技術(shù)和地形校正算法生成，利用2380個(gè)國(guó)家級(jí)氣象站點(diǎn)小時(shí)觀測(cè)數(shù)據(jù)對(duì)該產(chǎn)品的質(zhì)量評(píng)估結(jié)果表明，該產(chǎn)品數(shù)據(jù)與93%氣象站點(diǎn)觀測(cè)數(shù)據(jù)之間的偏差小于0.5℃[22]?；谠撝鹦r(shí)格網(wǎng)氣象數(shù)據(jù)產(chǎn)品，利用MATLAB R2014b編程統(tǒng)計(jì)提取各調(diào)查樣點(diǎn)（圖1）處同期日最高溫Tmax、日最低溫Tmin和日平均氣溫Tavg數(shù)據(jù)，并將其作為日氣溫特征值。

圖1 研究區(qū)概況及調(diào)查樣點(diǎn)分布示意圖

1.2.2 實(shí)際始花期數(shù)據(jù)

在2020年3?4月，分別在臨猗、洛川和棲霞進(jìn)行實(shí)地調(diào)查，獲取實(shí)際始花期數(shù)據(jù)，同時(shí)利用差分GPS獲取調(diào)查樣點(diǎn)的地理位置信息（主要包括經(jīng)緯度信息），3個(gè)地區(qū)共收集283個(gè)調(diào)查樣點(diǎn)始花期數(shù)據(jù)（表1），具體調(diào)查樣點(diǎn)分布如圖1所示。由表1可知，2020年臨猗、洛川和棲霞3個(gè)地區(qū)始花期出現(xiàn)在3月17日?4月18日。其中，臨猗地區(qū)始花期時(shí)間最早，洛川地區(qū)次之，棲霞地區(qū)最晚。

訓(xùn)練樣點(diǎn)和驗(yàn)證樣點(diǎn)的選擇方法為：將3個(gè)地區(qū)的實(shí)際始花期樣點(diǎn)數(shù)值（臨猗110個(gè)、洛川75個(gè)、棲霞98個(gè)）均按照海拔從低到高梯度排列，每個(gè)地區(qū)分別選擇25%（臨猗27個(gè)、洛川19個(gè)、棲霞25個(gè)）具有始花期差異且在空間上均勻分布的樣點(diǎn)作為驗(yàn)證樣點(diǎn)，剩下的75%（臨猗83個(gè)、洛川56個(gè)、棲霞73個(gè)）樣點(diǎn)作為訓(xùn)練樣點(diǎn)。

1.3 研究方法

1.3.1 研究思路

具體研究思路及技術(shù)流程圖見(jiàn)圖2。（1）確定蘋(píng)果始花期最優(yōu)冷/熱需求量。利用逐小時(shí)氣溫?cái)?shù)據(jù)和小時(shí)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(shí)際始花期數(shù)據(jù)為標(biāo)準(zhǔn)，利用網(wǎng)格搜索法得到3個(gè)研究區(qū)富士系蘋(píng)果始花期最優(yōu)冷/熱需求量。（2）篩選最優(yōu)日氣溫特征因子。分別對(duì)3個(gè)地區(qū)的日氣溫特征值進(jìn)行單因子、雙因子和三因子組合，利用隨機(jī)森林算法分別構(gòu)建3個(gè)地區(qū)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(yàn)證結(jié)果得出預(yù)報(bào)蘋(píng)果始花期的最優(yōu)日氣溫特征因子。（3）蘋(píng)果始花期預(yù)報(bào)模型構(gòu)建及評(píng)價(jià)?；谧顑?yōu)日氣溫特征因子，利用隨機(jī)森林算法構(gòu)建蘋(píng)果始花期預(yù)報(bào)模型，并基于最優(yōu)冷/熱需求量，通過(guò)獨(dú)立樣本集驗(yàn)證模型的預(yù)報(bào)精度。

1.3.2 確定蘋(píng)果始花期最優(yōu)冷/熱需求量

（1）逐小時(shí)冷積量計(jì)算

冷小時(shí)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(shù)積累的低溫時(shí)數(shù)作為冷積量（Chill Accumulation，CA），該模型假設(shè)如果當(dāng)前小時(shí)溫度處于0～7.2℃，則積累一個(gè)冷小時(shí)數(shù)，即

式中，CAsum表示總冷積量（CH），SHT表示開(kāi)始小時(shí)數(shù)，EHT表示結(jié)束小時(shí)數(shù)，Ti表示第i個(gè)小時(shí)的氣溫值，CAi表示第i個(gè)小時(shí)所得冷積量。

（2）逐小時(shí)熱積量計(jì)算

生長(zhǎng)度小時(shí)（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(gè)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(jù)當(dāng)前小時(shí)溫度所處閾值范圍累積一定的熱積量（Heat Accumulation，HA），即

表1 3個(gè)地區(qū)調(diào)查樣點(diǎn)實(shí)際始花期統(tǒng)計(jì)結(jié)果

圖2 技術(shù)流程圖

注：步驟3中合并訓(xùn)練集的目標(biāo)變量為日冷/熱積量，特征變量為步驟2中所確定的最優(yōu)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(kāi)始小時(shí)數(shù)，EHT表示結(jié)束小時(shí)數(shù)，Ti表示第i個(gè)小時(shí)的氣溫（℃）；F為植物應(yīng)力因子，默認(rèn)為1；Tb表示基本溫度，默認(rèn)為4℃；Tu表示為最適溫度，默認(rèn)為25℃；Tc表示臨界溫度，默認(rèn)為36℃；HAi表示第i個(gè)小時(shí)所得熱積量。

（3）最優(yōu)冷/熱需求量確定

果樹(shù)物候變化取決于內(nèi)、外休眠期間的溫度變化[24?26]，目前常以果樹(shù)的冷/熱需求量作為衡量果樹(shù)打破內(nèi)外休眠的指標(biāo)[7]，即當(dāng)積累的冷/熱量（CAsum/HAsum）滿足果樹(shù)的冷需求量（Chill requirement，Cr）和熱需求量（Heat requirement，Hr）時(shí)[27? 28]，果樹(shù)將完成休眠進(jìn)入開(kāi)花物候階段。冷/熱積量計(jì)算的起止時(shí)間為10月1日?翌年4月30日[29]，當(dāng)總冷積量達(dá)到果樹(shù)冷需求量時(shí)，即CAsum=Cr，假設(shè)此時(shí)i=x，則x所對(duì)應(yīng)的日期為冷量停止日期。在生長(zhǎng)度小時(shí)模型中，i從冷量積累停止后的第2天開(kāi)始，當(dāng)總熱積量達(dá)到果樹(shù)熱需求量時(shí)，即HAsum=Hr，假設(shè)此時(shí)i=y，則y所對(duì)應(yīng)的日期為蘋(píng)果始花期。

因此，基于實(shí)際始花期數(shù)據(jù)、逐小時(shí)氣溫?cái)?shù)據(jù)、CHM和GDH模型，利用網(wǎng)格搜索法對(duì)3個(gè)地區(qū)的蘋(píng)果冷/熱需求量進(jìn)行標(biāo)定，確定最優(yōu)冷/熱需求量。首先，獲取3個(gè)地區(qū)建模樣點(diǎn)的逐小時(shí)冷/熱積量，基于逐小時(shí)冷/熱積量得到逐日冷/熱積量，然后計(jì)算各地區(qū)每個(gè)建模樣點(diǎn)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(qū)建模樣點(diǎn)中日冷/熱積量總和的最大值作為該區(qū)域冷/熱需求量的上限值，得到蘋(píng)果始花期冷/熱需求量的初始閾值范圍。然后，利用網(wǎng)格搜索法遍歷初始閾值范圍，同時(shí)基于逐小時(shí)氣溫?cái)?shù)據(jù)、CHM和GDH模型模擬不同閾值組合下建模樣點(diǎn)的始花期，通過(guò)與實(shí)際始花期進(jìn)行對(duì)比，得到模擬始花期與實(shí)際始花期一致時(shí)所對(duì)應(yīng)的冷/熱需求量閾值范圍，即縮小初始閾值范圍。最后，對(duì)縮小后的初始閾值范圍進(jìn)行網(wǎng)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(biāo)，選擇模擬始花期與實(shí)際始花期間RMSE最小時(shí)的閾值組合作為最優(yōu)組合，得到蘋(píng)果始花期的最優(yōu)冷/熱需求量。

1.3.3 確定最優(yōu)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(jī)森林算法構(gòu)建3個(gè)地區(qū)日冷/熱積量模型，通過(guò)與基于CHM和GDH模型得到的日冷/熱積量進(jìn)行驗(yàn)證對(duì)比，得到最優(yōu)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(shí)氣溫?cái)?shù)據(jù)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(biāo)變量，利用隨機(jī)森林算法分別構(gòu)建3個(gè)地區(qū)在不同日氣溫特征因子下的日冷/熱積量模型。最后，基于獨(dú)立驗(yàn)證樣本對(duì)構(gòu)建的日冷/熱積量模型進(jìn)行驗(yàn)證，以RMSE和R2作為誤差衡量標(biāo)準(zhǔn)，確定誤差最小的日冷/熱積量模型所對(duì)應(yīng)的日氣溫特征因子，得到最終構(gòu)建蘋(píng)果始花期預(yù)報(bào)模型的最優(yōu)日氣溫特征因子。

1.3.4 建立蘋(píng)果始花期預(yù)報(bào)模型

隨機(jī)森林算法是基于決策樹(shù)構(gòu)建的一種集成學(xué)習(xí)方法[30]，該方法利用bootstrap重抽樣方法對(duì)原始訓(xùn)練樣本集進(jìn)行隨機(jī)抽樣，并將多次抽樣結(jié)果作為多個(gè)獨(dú)立訓(xùn)練樣本子集，同時(shí)對(duì)每個(gè)訓(xùn)練子集分別訓(xùn)練決策樹(shù)模型，最后通過(guò)組合多棵決策樹(shù)預(yù)測(cè)值的均值確定最終的預(yù)測(cè)結(jié)果[31?32]。首先，將3個(gè)分區(qū)建模樣點(diǎn)（圖1）進(jìn)行合并，得到構(gòu)建蘋(píng)果始花期預(yù)報(bào)模型的建模樣本集。然后，基于建模樣本集處的最優(yōu)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(jī)森林算法構(gòu)建蘋(píng)果始花期預(yù)報(bào)模型。最后，將3個(gè)地區(qū)驗(yàn)證樣點(diǎn)處的最優(yōu)日氣溫特征因子輸入蘋(píng)果始花期預(yù)報(bào)模型，基于確定的蘋(píng)果始花期最優(yōu)冷/熱需求量，得到驗(yàn)證樣點(diǎn)處的始花期預(yù)報(bào)值。使用隨機(jī)森林算法構(gòu)建蘋(píng)果始花期預(yù)報(bào)模型時(shí)，對(duì)決策樹(shù)個(gè)數(shù)進(jìn)行調(diào)參，當(dāng)決策樹(shù)個(gè)數(shù)達(dá)到100時(shí)，模型誤差趨于平穩(wěn)；最大特征數(shù)采用算法內(nèi)部的“auto”方法，即等于輸入的特征變量總數(shù)[33]。因此，將模型決策樹(shù)個(gè)數(shù)設(shè)置為100，每棵樹(shù)的最大特征數(shù)為3。

1.4 蘋(píng)果始花期預(yù)報(bào)模型精度評(píng)價(jià)

以實(shí)際始花期數(shù)據(jù)作為最終的精度驗(yàn)證數(shù)據(jù)，采用決定系數(shù)（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(gè)評(píng)價(jià)指標(biāo)，對(duì)蘋(píng)果始花期預(yù)報(bào)模型進(jìn)行精度評(píng)價(jià)和誤差分析。

2 結(jié)果與分析

2.1 蘋(píng)果始花期最優(yōu)冷/熱需求量

基于實(shí)際始花期數(shù)據(jù)、逐小時(shí)氣溫?cái)?shù)據(jù)、CHM和GDH模型，得到臨猗、洛川和棲霞3個(gè)地區(qū)的蘋(píng)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(chǔ)上，經(jīng)過(guò)兩次網(wǎng)格搜索，分別選擇滿足3個(gè)地區(qū)模擬始花期與實(shí)際始花期間RMSE最小的冷/熱需求量閾值組合，得到3個(gè)地區(qū)最優(yōu)冷/熱需求量，結(jié)果見(jiàn)表2?？傮w上，臨猗地區(qū)模擬始花期與實(shí)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(qū)為345CH和4950GDH（RMSE=2.60d），棲霞地區(qū)為520CH和4450GDH（RMSE=2.09d）。

表2 3個(gè)地區(qū)的蘋(píng)果始花期最優(yōu)冷/熱需求量

2.2 最優(yōu)日氣溫特征因子篩選

通過(guò)對(duì)3個(gè)日氣溫特征值（Tmax、Tmin和Tavg）進(jìn)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(biāo)變量，利用隨機(jī)森林算法分別構(gòu)建3個(gè)地區(qū)在不同日氣溫特征因子組合下的日冷/熱積量模型。將3個(gè)地區(qū)的獨(dú)立驗(yàn)證樣本數(shù)據(jù)分別輸入到日冷/熱積量模型，計(jì)算輸入不同氣溫因子組合時(shí)模型估算的日冷/熱積量。基于不同日氣溫特征因子組合構(gòu)建的日冷/熱積量模型驗(yàn)證結(jié)果如圖3所示。由圖可知，通過(guò)對(duì)3個(gè)地區(qū)多因子組合（C4?C7）與單因子（C1?C3）構(gòu)建的日冷/熱積量模型進(jìn)行驗(yàn)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(duì)日冷/熱積量估算誤差較低，表明日平均氣溫對(duì)模型的貢獻(xiàn)率較高，這與平均氣溫對(duì)冷/熱積量影響的研究結(jié)論一致[34]。同時(shí)，3個(gè)地區(qū)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(shí)，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(shí)，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(gòu)建的日冷/熱積量模型具有較高的R2和較低的RMSE，結(jié)果見(jiàn)表4。

表3 不同組合所對(duì)應(yīng)的日氣溫特征因子

由表4可知，當(dāng)將C7所對(duì)應(yīng)的日氣溫特征值 Tmax、Tmin和Tavg作為最優(yōu)日氣溫特征因子時(shí)，3種日冷/熱積量模型分區(qū)估算日冷積量時(shí)模型R2均高于0.80，估算日熱積量時(shí)模型R2均高于0.98。其中，表4中LY_A評(píng)估了基于臨猗地區(qū)構(gòu)建的日冷/熱積量模型對(duì)3個(gè)地區(qū)日冷/熱積量的估算能力（A代表臨猗、洛川和棲霞），對(duì)于日熱積量，3個(gè)地區(qū)估算精度體現(xiàn)出較好的一致性，NRMSE均低于5%，臨猗地區(qū)估算誤差最低（R2=0.99，RMSE=3.39GDH）；對(duì)于日冷積量，洛川地區(qū)估算誤差（R2=0.86，RMSE=2.07CH）和棲霞地區(qū)估算誤差（R2=0.94，RMSE=1.83CH）相對(duì)較高。同時(shí)，當(dāng)利用表4中LC_A和QX_A兩種模型估算臨猗日熱積量時(shí)，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(lái)說(shuō)，3個(gè)地區(qū)的日冷/熱積量模型中，臨猗地區(qū)模型的估算能力高于洛川和棲霞地區(qū)模型。

2.3 蘋(píng)果始花期預(yù)報(bào)試驗(yàn)及結(jié)果評(píng)價(jià)

當(dāng)對(duì)3個(gè)地區(qū)日冷/熱積量模型進(jìn)行評(píng)價(jià)時(shí)，針對(duì)建模地區(qū)估算精度較高，對(duì)于其他地區(qū)估算精度均有所降低。這是因?yàn)殡S機(jī)森林回歸估算精度會(huì)受到訓(xùn)練樣本數(shù)據(jù)特征變量最大值和最小值的約束，當(dāng)預(yù)測(cè)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(shí)，模型的估算精度會(huì)明顯降低。為進(jìn)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(wèn)題，將3個(gè)地區(qū)的訓(xùn)練樣本集進(jìn)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(biāo)變量和特征變量，利用隨機(jī)森林算法構(gòu)建蘋(píng)果始花期預(yù)報(bào)模型，并基于3個(gè)地區(qū)的獨(dú)立驗(yàn)證樣本集分區(qū)進(jìn)行模型驗(yàn)證評(píng)價(jià)，結(jié)果如圖4所示。

圖3 基于不同日氣溫特征因子組合構(gòu)建的日冷/熱積量模型驗(yàn)證結(jié)果

注：C1?C7代表表3中7組日氣溫特征因子組合；橫坐標(biāo)A_B代表基于A地區(qū)建模B地區(qū)驗(yàn)證，A、B取值為L(zhǎng)Y、LC和QX；LY代表臨猗，LC代表洛川，QX代表?xiàng)肌?/p>

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(píng)價(jià)

注：建模_驗(yàn)證一列表示基于前者建模，基于后者驗(yàn)證，如LY_LC表示基于臨猗建模，基于洛川驗(yàn)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(diǎn)分布來(lái)看，3個(gè)地區(qū)日冷/熱積量估算值與驗(yàn)證值的擬合線（黑色實(shí)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(diǎn)較為分散，表明日冷積量與氣溫之間關(guān)系的復(fù)雜程度高于日熱積量?？傮w而言，當(dāng)利用蘋(píng)果始花期預(yù)報(bào)模型估算3個(gè)地區(qū)日冷積量時(shí)，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(dāng)利用蘋(píng)果始花期預(yù)報(bào)模型估算3個(gè)地區(qū)日熱積量時(shí)，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(gè)地區(qū)獨(dú)立驗(yàn)證樣本，將蘋(píng)果始花期預(yù)報(bào)模型與基于臨猗地區(qū)構(gòu)建的日冷/熱積量模型進(jìn)行相比，兩個(gè)模型對(duì)日冷/熱積量的估算誤差在臨猗地區(qū)保持一致；洛川地區(qū)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(qū)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(shuō)明，相比于單地區(qū)日冷/熱積量模型，利用蘋(píng)果始花期預(yù)報(bào)模型估算日冷/熱積量的結(jié)果更為準(zhǔn)確。

以蘋(píng)果始花期最優(yōu)冷/熱需求量作為閾值條件，基于獨(dú)立驗(yàn)證樣點(diǎn)的日氣溫特征因子，利用蘋(píng)果始花期預(yù)報(bào)模型得到2020年臨猗、洛川和棲霞3個(gè)地區(qū)的蘋(píng)果始花期預(yù)報(bào)結(jié)果，由圖5a可見(jiàn)，始花期實(shí)際值與預(yù)測(cè)值關(guān)系為y=0.81x+19.32，R2為0.92，RMSE為3.44d。為評(píng)價(jià)模型對(duì)蘋(píng)果始花期的預(yù)報(bào)能力，利用傳統(tǒng)逐小時(shí)氣溫?cái)?shù)據(jù)驅(qū)動(dòng)CHM和GDH模型的方法進(jìn)行蘋(píng)果始花期預(yù)報(bào)，并基于實(shí)際始花期對(duì)預(yù)報(bào)結(jié)果進(jìn)行驗(yàn)證，由圖5b可見(jiàn)，始花期實(shí)際值與預(yù)測(cè)值關(guān)系為y=0.82x+18.17，R2為0.91，RMSE為3.38d。對(duì)比可知，兩種蘋(píng)果始花期預(yù)報(bào)方法的預(yù)報(bào)結(jié)果高度一致，預(yù)報(bào)誤差均在可接受范圍內(nèi)，表明本研究構(gòu)建的蘋(píng)果始花期預(yù)報(bào)模型可以有效地將輸入氣溫?cái)?shù)據(jù)從逐小時(shí)尺度轉(zhuǎn)換為日尺度。

圖4 利用蘋(píng)果始花期預(yù)報(bào)模型估算日冷/熱積量的驗(yàn)證結(jié)果

圖5 基于蘋(píng)果始花期預(yù)報(bào)模型（a）和基于CHM和GDH模型（b）的始花期預(yù)報(bào)精度評(píng)價(jià)

注：DOY表示日序。

Note: DOY means the ordinal day from January 1.

3 結(jié)論與討論

3.1 討論

與前人構(gòu)建蘋(píng)果始花期預(yù)報(bào)模型的方法不同，本研究從日氣溫特征值與果樹(shù)冷/熱積量角度開(kāi)展始花期預(yù)報(bào)研究。從模型預(yù)報(bào)試驗(yàn)結(jié)果可知，始花期預(yù)測(cè)值與實(shí)際值間的RMSE為3.44d，與Legave等[35]對(duì)西歐地區(qū)蘋(píng)果始花期的預(yù)報(bào)誤差（4～6d）、Drepper等[23]對(duì)比利時(shí)地區(qū)蘋(píng)果始花期的預(yù)報(bào)誤差（4.15～6.36d）以及邱美娟等[8]對(duì)中國(guó)北方主產(chǎn)地蘋(píng)果始花期預(yù)報(bào)誤差（3.4～6.6d）、劉璐等[36]對(duì)中國(guó)蘋(píng)果主產(chǎn)地的始花期誤差（5d）相比，基于日氣溫特征值與果樹(shù)日冷/熱積量的關(guān)系所構(gòu)建的蘋(píng)果始花期預(yù)報(bào)模型在始花期預(yù)報(bào)中具有較高的準(zhǔn)確性。果樹(shù)的冷/熱需求量是果樹(shù)打破內(nèi)外休眠，達(dá)到始花期開(kāi)花物候的關(guān)鍵指標(biāo)。然而，本研究所選3個(gè)地區(qū)雖同屬富士系品種，但冷/熱需求量取值均有所差異，這是因?yàn)?個(gè)地區(qū)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(shù)在不同地區(qū)間需求量存在顯著差異的觀點(diǎn)相同。因此，建議后續(xù)對(duì)果樹(shù)冷/熱需求量與地形、氣候因子之間的關(guān)系進(jìn)一步研究，以期更準(zhǔn)確地預(yù)報(bào)蘋(píng)果始花期。

由對(duì)始花期的實(shí)際調(diào)查數(shù)據(jù)可知，同一地區(qū)不同果園間蘋(píng)果始花期存在明顯差異，這表明傳統(tǒng)以氣象站點(diǎn)處氣溫?cái)?shù)據(jù)代替整個(gè)研究區(qū)域的氣候特征缺乏代表性，這與鄔定榮等[3]指出蘋(píng)果始花期會(huì)受到果園小氣候影響的觀點(diǎn)一致。傳統(tǒng)利用氣象站點(diǎn)數(shù)據(jù)進(jìn)行蘋(píng)果始花期預(yù)報(bào)的局限性在于難以為區(qū)域化果園精細(xì)生產(chǎn)管理提供服務(wù)，而目前利用高時(shí)空遙感地表溫度估算氣溫的研究表明，基于遙感地溫轉(zhuǎn)換后的高空間分辨率氣溫?cái)?shù)據(jù)可以解決實(shí)際應(yīng)用中以點(diǎn)代面的問(wèn)題[37?39]。因此，為提高蘋(píng)果始花期在空間上的預(yù)報(bào)精度，減小因果園小氣候而產(chǎn)生的預(yù)報(bào)誤差，今后研究可嘗試結(jié)合高時(shí)空遙感地表溫度數(shù)據(jù)預(yù)報(bào)蘋(píng)果始花期，以克服傳統(tǒng)以點(diǎn)代面的問(wèn)題，為果園精細(xì)化生產(chǎn)管理提供參考依據(jù)。

3.2 結(jié)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(qū)日冷/熱積量模型估算日冷/熱積量時(shí)，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(gè)日氣溫特征值中，日平均氣溫Tavg對(duì)提高模型估算精度的貢獻(xiàn)率最高，日最高氣溫Tmax次之，日最低氣溫Tmin最低。

（2）基于最優(yōu)日氣溫特征因子C7（Tmax+Tmin+ Tavg）構(gòu)建的蘋(píng)果始花期預(yù)報(bào)模型能獲得臨猗、洛川和棲霞3個(gè)地區(qū)最優(yōu)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(píng)果始花期預(yù)報(bào)模型對(duì)3個(gè)地區(qū)進(jìn)行蘋(píng)果始花期預(yù)報(bào)試驗(yàn)，模型決定系數(shù)R2為0.92，RMSE為3.44d，NRMSE為3.57%，其預(yù)報(bào)結(jié)果與真實(shí)逐小時(shí)氣溫?cái)?shù)據(jù)驅(qū)動(dòng)CHM和GDH模型的始花期預(yù)報(bào)結(jié)果表現(xiàn)出較高的一致性，表明該模型可有效地將輸入氣溫?cái)?shù)據(jù)從逐小時(shí)尺度轉(zhuǎn)換為日尺度，這在后續(xù)蘋(píng)果始花期預(yù)報(bào)的工作中具有較好的應(yīng)用價(jià)值和潛力。

[1] 劉天軍,范英.中國(guó)蘋(píng)果主產(chǎn)區(qū)生產(chǎn)布局變遷及影響因素分析[J].農(nóng)業(yè)經(jīng)濟(jì)問(wèn)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(shì)下我國(guó)蘋(píng)果產(chǎn)業(yè)的發(fā)展定位與趨勢(shì)[J].中國(guó)果樹(shù),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(guó),王培娟,等.陜西蘋(píng)果花期機(jī)理性預(yù)報(bào)模型的適用性評(píng)價(jià)[J].應(yīng)用氣象學(xué)報(bào),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(jī)器學(xué)習(xí)的蘋(píng)果始花期預(yù)測(cè)[J].中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào),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(píng)果生長(zhǎng)對(duì)氣候變化的響應(yīng)[J].中國(guó)農(nóng)業(yè)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(guó),王景紅,等.中國(guó)富士系蘋(píng)果主產(chǎn)區(qū)花期模擬與分布[J].中國(guó)農(nóng)業(yè)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(shù)需冷量及其估算模型研究進(jìn)展[J].北方果樹(shù),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(guó)北方主產(chǎn)地蘋(píng)果始花期模擬及晚霜凍風(fēng)險(xiǎn)評(píng)估[J].農(nóng)業(yè)工程學(xué)報(bào),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(píng)果主產(chǎn)縣花期凍害風(fēng)險(xiǎn)評(píng)估[J].中國(guó)農(nóng)業(yè)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(zhèn),侍婷,等.落葉果樹(shù)需冷量及其估算模型研究進(jìn)展[J].果樹(shù)學(xué)報(bào),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(shù)據(jù)同化系統(tǒng)(HRCLDAS-V1.0)研發(fā)及進(jìn)展[J].氣象科技進(jìn)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(jiàn)彬,朱建平,等.隨機(jī)森林方法研究綜述[J].統(tǒng)計(jì)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(guó)北方主產(chǎn)地蘋(píng)果冷熱積累變化及其對(duì)始花期的影響[J].應(yīng)用生態(tài)學(xué)報(bào),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(guó)北方主產(chǎn)地蘋(píng)果始花期與氣候要素的關(guān)系[J].中國(guó)農(nóng)業(yè)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(píng)果始花期預(yù)報(bào)模型[J].中國(guó)農(nóng)業(yè)氣象,2022,43(4):295-307

2021?07?09

國(guó)家自然科學(xué)基金（42171303）；國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2017YFE0122500）；廣東省科技計(jì)劃項(xiàng)目（2019B090905006）；廣東省重點(diǎn)領(lǐng)域研發(fā)計(jì)劃（2019B020214002）

楊貴軍，研究員，主要從事農(nóng)業(yè)定量遙感機(jī)理及精準(zhǔn)農(nóng)業(yè)應(yīng)用研究，E-mail：yanggj@nercita.org.cn

劉淼，E-mail：liumiao80125@163.com