基于日气温特征值与冷/热积量模型耦合的苹果始花期预报模型*

刘 淼，邱春霞，杨贵军，杨 浩，蔡淑红，朱耀辉

基于日气温特征值与冷/热积量模型耦合的苹果始花期预报模型*

刘 淼1,2，邱春霞1，杨贵军2**，杨 浩2，蔡淑红3，朱耀辉2

（1. 西安科技大学测绘科学与技术学院，西安 710054；2. 农业农村部农业遥感机理与定量遥感重点实验室，北京市农林科学院信息技术研究中心，北京 100097；3.河北省耕地质量监测保护中心，石家庄 050056）

以临猗、洛川和栖霞3个富士系苹果主产区为研究区，基于2019−2020年各地调查样点的1km格网气象数据、实际始花期数据以及冷小时模型（Chilling Hour Model，CHM）和生长度小时（Growing Degree Hour，GDH）模型，利用网格搜索法得到苹果始花期最优冷/热需求量；然后将日气温特征值（日最高温Tmax、日最低温Tmin和日平均温Tavg）划分为单因子、双因子和三因子7种日气温特征因子组合方式，利用随机森林算法（Random Forest，RF）构建3个地区不同日气温特征因子组合下的日冷/热积量模型，以筛选最优日气温特征因子；在此基础上，基于最优日气温特征因子，利用RF构建苹果始花期预报模型，并通过独立实际始花期数据对预报模型进行精度评价。结果表明：（1）临猗地区的苹果始花期最优冷/热需求量分别为730CH和7350GDH，洛川地区分别为345CH和4950GDH，栖霞地区分别为520CH和4450GDH；（2）7种日气温特征因子组合中，Tmax、Tmin和Tavg三因子组合下的3个地区日冷/热积量模型在估算日冷/热积量时均具有较高的准确性，日冷积量估算值与基于CHM模型得到的日冷积量间的RMSE为0.97～2.50CH，日热积量估算值与基于GDH模型得到的日热积量间的RMSE为1.73～15.76GDH；（3）利用苹果始花期预报模型估算日冷/热积量，日冷/热积量估算值与基于CHM/GDH模型得到的日冷/热积量间的RMSE分别为1.08～1.14CH和2.03～3.74GDH；当利用该模型进行苹果始花期预报时，预报值与实际值R2为0.92，RMSE为3.44d，其精度与基于真实逐小时气温数据的精度整体一致，表明本研究构建的苹果始花期预报模型可以有效将输入气温数据从逐小时尺度转换为日尺度，这在后续苹果始花期预报工作中具有较好的应用价值和潜力。

苹果；始花期；随机森林；预报模型；冷/热积量

苹果是中国重要的经济作物之一，其种植面积、消费量[1]和产量目前均居世界首位[2−3]。始花期是苹果生长发育的重要物候期[4]，准确预报始花期是疏花疏果管理及提高果树产量和品质的重要基础[5−6]。果树在休眠期内积累的冷/热积量是顺利完成内、外休眠，进入开花萌芽阶段的基础条件[7]，而气温是影响冷/热积量的主要因素之一，因此，基于果树生长机理特性，建立基于日气温特征值与冷/热积量的苹果始花期预报模型，可对现有基于逐小时气温数据的花期物候机理模型预报苹果始花期方法进行补充，通过准确高效地预报苹果始花期可为后续果园管理和生产提供参考。

目前考虑到果树生长机理特性进行始花期预报的方法主要是通过数学模拟，从果树生长机理特性出发重现果树物候期与气温要素之间关系[8]，构建逐小时气温驱动的花期物候机理模型，实现果树始花期预报。常用的花期物候机理模型主要包括序列模型[9]、冷重叠模型[10]、热时模型[10]和平行模型[11]，序列模型和热时模型因参数较少[3]，常用于花期预报研究中。邱美娟等[8]和王明昌等[12]基于气象站点数据，利用热时模型构建中国不同苹果主产地苹果始花期模型，并分析了各地区苹果始花期的时空变化以及评估花期冻害影响。然而，果树的生长受气候影响较大，因此，在不同气候条件下模型的适用性可能存在差异。Darbyshire等[13]以苹果和梨为研究对象，研究热时模型和序列模型在不同气候条件下对花期预报结果的差异，结果表明序列模型优于热时模型。序列模型作为综合物候机理模型，一般由冷、热子模型构成，冷子模型包括冷小时模型[14]、犹他模型[15]和动态模型[16]，热子模型主要是生长度小时模型[17]。Baldocchi等[18]和Luedeling等[19]分别利用冷小时模型和动态模型计算落叶果树的冷积量，但相比于冷小时模型，动态模型参数较为复杂[20]。Funes等[21]利用序列模型计算Fluvià河下游小流域苹果的日冷/热积量，基于气象站点的逐小时气温数据和物候站点数据得到的冷/热需求量预测开花日期，并分析气候变化对开花期的影响。

国内外有关于苹果始花期预报的花期物候机理模型多以逐小时气温数据驱动，目前从日气温特征值与果树冷/热积量角度开展始花期预报的研究相对较少。因此，在已有逐小时花期物候机理模型的基础上，本研究从果树本身物候机理角度出发，将气温的时间尺度进行扩展，通过探索日气温特征值与果树日冷/热积量的关系，利用随机森林算法构建基于日气温特征值的苹果始花期预报模型，以日气温特征值代替逐小时气象数据，估算果树日冷/热积量，并基于估算结果对3个苹果主产区进行始花期预报试验和评价，以期为苹果始花期预报和果园精细化生产管理提供技术支持和服务。

1 资料与方法

1.1 研究区概况

研究区包括陕西省洛川县（图1a）、山西省临猗县（图1b）和山东省栖霞市（图1c）。其中，洛川县位于陕西省中部（35°26′N−36°04′N，109°13′E− 109°45′E），地处黄土高原沟壑区，地势起伏差异明显，总体上呈东高西低趋势，属北温带大陆性气候，年平均气温9.2℃，年平均降水量622mm。临猗县位于山西省西南部（34°58′N−35°18′N，110°17′E− 110°54′E），该区域地势呈北高南低，属暖温带大陆性气候，年平均气温13.5℃，年平均降水量508.7mm。栖霞市位于山东省胶东半岛腹地（37°05′N−37°29′N，120°32′E−121°15′E），地处丘陵山区，属暖温带大陆性气候，年平均气温11.4℃，年平均降水量为743mm。临猗县、洛川县和栖霞市分别作为全国苹果优势主产区之一，由于地形地势和气候条件的不同，在苹果始花期上也呈现出不同的时空差异特征。

1.2 数据获取

1.2.1气象数据

气象数据时段为2019年10月1日（收获后）− 2020 年4月30日（始花期后）共213d，数据来源为HR−CLDAS（High Resolution China Meteorological Administration Land Data Assimilation System）生产的1km空间分辨率、逐小时时间分辨率的格网气象数据产品。该产品基于ECMWF预报场数据与国家气象站点数据，采用多重网格变分技术和地形校正算法生成，利用2380个国家级气象站点小时观测数据对该产品的质量评估结果表明，该产品数据与93%气象站点观测数据之间的偏差小于0.5℃[22]。基于该逐小时格网气象数据产品，利用MATLAB R2014b编程统计提取各调查样点（图1）处同期日最高温Tmax、日最低温Tmin和日平均气温Tavg数据，并将其作为日气温特征值。

图1 研究区概况及调查样点分布示意图

1.2.2 实际始花期数据

在2020年3−4月，分别在临猗、洛川和栖霞进行实地调查，获取实际始花期数据，同时利用差分GPS获取调查样点的地理位置信息（主要包括经纬度信息），3个地区共收集283个调查样点始花期数据（表1），具体调查样点分布如图1所示。由表1可知，2020年临猗、洛川和栖霞3个地区始花期出现在3月17日−4月18日。其中，临猗地区始花期时间最早，洛川地区次之，栖霞地区最晚。

训练样点和验证样点的选择方法为：将3个地区的实际始花期样点数值（临猗110个、洛川75个、栖霞98个）均按照海拔从低到高梯度排列，每个地区分别选择25%（临猗27个、洛川19个、栖霞25个）具有始花期差异且在空间上均匀分布的样点作为验证样点，剩下的75%（临猗83个、洛川56个、栖霞73个）样点作为训练样点。

1.3 研究方法

1.3.1 研究思路

具体研究思路及技术流程图见图2。（1）确定苹果始花期最优冷/热需求量。利用逐小时气温数据和小时冷/热积量模型（CHM和GDH）得到逐日冷/热积量，并基于逐日冷/热积量得到冷/热需求量初始阈值范围，最后以实际始花期数据为标准，利用网格搜索法得到3个研究区富士系苹果始花期最优冷/热需求量。（2）筛选最优日气温特征因子。分别对3个地区的日气温特征值进行单因子、双因子和三因子组合，利用随机森林算法分别构建3个地区在不同日气温特征因子下的日冷/热积量估算模型，最后，基于模型的验证结果得出预报苹果始花期的最优日气温特征因子。（3）苹果始花期预报模型构建及评价。基于最优日气温特征因子，利用随机森林算法构建苹果始花期预报模型，并基于最优冷/热需求量，通过独立样本集验证模型的预报精度。

1.3.2 确定苹果始花期最优冷/热需求量

（1）逐小时冷积量计算

冷小时模型（Chilling Hour Model，CHM）是花期物候序列模型的冷子模型之一[9]，主要以果树积累的低温时数作为冷积量（Chill Accumulation，CA），该模型假设如果当前小时温度处于0～7.2℃，则积累一个冷小时数，即

式中，CAsum表示总冷积量（CH），SHT表示开始小时数，EHT表示结束小时数，Ti表示第i个小时的气温值，CAi表示第i个小时所得冷积量。

（2）逐小时热积量计算

生长度小时（Growing Degree Hour，GDH）模型作为花期物候序列模型的热子模型之一，以3个特定温度（基本温度、最适温度和临界温度）作为阈值条件[23]，根据当前小时温度所处阈值范围累积一定的热积量（Heat Accumulation，HA），即

表1 3个地区调查样点实际始花期统计结果

图2 技术流程图

注：步骤3中合并训练集的目标变量为日冷/热积量，特征变量为步骤2中所确定的最优日气温特征因子。

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表示总热积量（GDH），SHT表示开始小时数，EHT表示结束小时数，Ti表示第i个小时的气温（℃）；F为植物应力因子，默认为1；Tb表示基本温度，默认为4℃；Tu表示为最适温度，默认为25℃；Tc表示临界温度，默认为36℃；HAi表示第i个小时所得热积量。

（3）最优冷/热需求量确定

果树物候变化取决于内、外休眠期间的温度变化[24−26]，目前常以果树的冷/热需求量作为衡量果树打破内外休眠的指标[7]，即当积累的冷/热量（CAsum/HAsum）满足果树的冷需求量（Chill requirement，Cr）和热需求量（Heat requirement，Hr）时[27− 28]，果树将完成休眠进入开花物候阶段。冷/热积量计算的起止时间为10月1日−翌年4月30日[29]，当总冷积量达到果树冷需求量时，即CAsum=Cr，假设此时i=x，则x所对应的日期为冷量停止日期。在生长度小时模型中，i从冷量积累停止后的第2天开始，当总热积量达到果树热需求量时，即HAsum=Hr，假设此时i=y，则y所对应的日期为苹果始花期。

因此，基于实际始花期数据、逐小时气温数据、CHM和GDH模型，利用网格搜索法对3个地区的苹果冷/热需求量进行标定，确定最优冷/热需求量。首先，获取3个地区建模样点的逐小时冷/热积量，基于逐小时冷/热积量得到逐日冷/热积量，然后计算各地区每个建模样点在10月1日−翌年4月30日期间的日冷/热积量总和，分别将各地区建模样点中日冷/热积量总和的最大值作为该区域冷/热需求量的上限值，得到苹果始花期冷/热需求量的初始阈值范围。然后，利用网格搜索法遍历初始阈值范围，同时基于逐小时气温数据、CHM和GDH模型模拟不同阈值组合下建模样点的始花期，通过与实际始花期进行对比，得到模拟始花期与实际始花期一致时所对应的冷/热需求量阈值范围，即缩小初始阈值范围。最后，对缩小后的初始阈值范围进行网格遍历，得到不同阈值组合下的模拟始花期，以均方根误差（RMSE）作为误差衡量指标，选择模拟始花期与实际始花期间RMSE最小时的阈值组合作为最优组合，得到苹果始花期的最优冷/热需求量。

1.3.3 确定最优日气温特征因子

基于日冷/热积量与不同日气温特征值组合的日气温特征因子，利用随机森林算法构建3个地区日冷/热积量模型，通过与基于CHM和GDH模型得到的日冷/热积量进行验证对比，得到最优日气温特征因子。考虑到不同日气温特征值之间的相互影响，将基于逐小时气温数据获取的日气温特征值（Tmax、Tmin、Tavg）分为不同组合下的日气温特征因子，如Tavg（单因子）、Tmin+Tavg（双因子）、Tmax+Tmin+Tavg（三因子）。然后，分别以不同日气温特征因子作为特征变量，以基于CHM和GDH模型得到的日冷/热积量作为目标变量，利用随机森林算法分别构建3个地区在不同日气温特征因子下的日冷/热积量模型。最后，基于独立验证样本对构建的日冷/热积量模型进行验证，以RMSE和R2作为误差衡量标准，确定误差最小的日冷/热积量模型所对应的日气温特征因子，得到最终构建苹果始花期预报模型的最优日气温特征因子。

1.3.4 建立苹果始花期预报模型

随机森林算法是基于决策树构建的一种集成学习方法[30]，该方法利用bootstrap重抽样方法对原始训练样本集进行随机抽样，并将多次抽样结果作为多个独立训练样本子集，同时对每个训练子集分别训练决策树模型，最后通过组合多棵决策树预测值的均值确定最终的预测结果[31−32]。首先，将3个分区建模样点（图1）进行合并，得到构建苹果始花期预报模型的建模样本集。然后，基于建模样本集处的最优日气温特征因子及基于CHM和GDH模型得到的日冷/热积量，利用随机森林算法构建苹果始花期预报模型。最后，将3个地区验证样点处的最优日气温特征因子输入苹果始花期预报模型，基于确定的苹果始花期最优冷/热需求量，得到验证样点处的始花期预报值。使用随机森林算法构建苹果始花期预报模型时，对决策树个数进行调参，当决策树个数达到100时，模型误差趋于平稳；最大特征数采用算法内部的“auto”方法，即等于输入的特征变量总数[33]。因此，将模型决策树个数设置为100，每棵树的最大特征数为3。

1.4 苹果始花期预报模型精度评价

以实际始花期数据作为最终的精度验证数据，采用决定系数（Coefficient of Determination，R2）、均方根误差（Root Mean Square Error，RMSE）和归一化均方根误差（Normalized Root Mean Square Error，NRMSE）3个评价指标，对苹果始花期预报模型进行精度评价和误差分析。

2 结果与分析

2.1 苹果始花期最优冷/热需求量

基于实际始花期数据、逐小时气温数据、CHM和GDH模型，得到临猗、洛川和栖霞3个地区的苹果始花期冷/热需求量的初始阈值范围，临猗冷需求量为0～1900CH，热需求量为0～52000GDH；洛川冷需求量为0～1900CH，热需求量为0～20000GDH；栖霞冷需求量为0～1900CH，热需求量为0～20000GDH。在初始阈值范围的基础上，经过两次网格搜索，分别选择满足3个地区模拟始花期与实际始花期间RMSE最小的冷/热需求量阈值组合，得到3个地区最优冷/热需求量，结果见表2。总体上，临猗地区模拟始花期与实际始花期间RMSE最小的冷/热需求量阈值组合为730CH和7350GDH（RMSE=4.68d），洛川地区为345CH和4950GDH（RMSE=2.60d），栖霞地区为520CH和4450GDH（RMSE=2.09d）。

表2 3个地区的苹果始花期最优冷/热需求量

2.2 最优日气温特征因子筛选

通过对3个日气温特征值（Tmax、Tmin和Tavg）进行单因子、双因子和三因子组合，得到7种组合方式（表3）。以表3中不同日气温特征因子作为特征变量，以基于CHM和GDH模型得到的日冷/热积量作为目标变量，利用随机森林算法分别构建3个地区在不同日气温特征因子组合下的日冷/热积量模型。将3个地区的独立验证样本数据分别输入到日冷/热积量模型，计算输入不同气温因子组合时模型估算的日冷/热积量。基于不同日气温特征因子组合构建的日冷/热积量模型验证结果如图3所示。由图可知，通过对3个地区多因子组合（C4−C7）与单因子（C1−C3）构建的日冷/热积量模型进行验证分析，基于多因子组合的日冷/热积量模型估算的日冷/热积量与基于CHM和GDH模型得到的日冷/热积量之间的R2均高于单因子，RMSE均低于单因子。整体上，包含日平均气温的日气温特征因子组合对日冷/热积量估算误差较低，表明日平均气温对模型的贡献率较高，这与平均气温对冷/热积量影响的研究结论一致[34]。同时，3个地区基于多因子组合（C4−C7）的日冷/热积量模型分别估算日冷积量时，估算值与基于CHM模型得到的日冷积量之间的R2为0.53～0.98，RMSE为0.99～3.87CH；估算日热积量时，估算值与基于GDH模型得到的日热积量之间的R2为0.93～0.99，RMSE为1.73～28.82GDH。相比于C4−C6，以C7作为日气温特征因子构建的日冷/热积量模型具有较高的R2和较低的RMSE，结果见表4。

表3 不同组合所对应的日气温特征因子

由表4可知，当将C7所对应的日气温特征值 Tmax、Tmin和Tavg作为最优日气温特征因子时，3种日冷/热积量模型分区估算日冷积量时模型R2均高于0.80，估算日热积量时模型R2均高于0.98。其中，表4中LY_A评估了基于临猗地区构建的日冷/热积量模型对3个地区日冷/热积量的估算能力（A代表临猗、洛川和栖霞），对于日热积量，3个地区估算精度体现出较好的一致性，NRMSE均低于5%，临猗地区估算误差最低（R2=0.99，RMSE=3.39GDH）；对于日冷积量，洛川地区估算误差（R2=0.86，RMSE=2.07CH）和栖霞地区估算误差（R2=0.94，RMSE=1.83CH）相对较高。同时，当利用表4中LC_A和QX_A两种模型估算临猗日热积量时，模型估算值与基于GDH模型的日热积量间的RMSE分别为15.39GDH和15.76GDH，相比于LY_A，LC_A和QX_A的估算误差较大。综上，从日冷/热积量综合估算角度来说，3个地区的日冷/热积量模型中，临猗地区模型的估算能力高于洛川和栖霞地区模型。

2.3 苹果始花期预报试验及结果评价

当对3个地区日冷/热积量模型进行评价时，针对建模地区估算精度较高，对于其他地区估算精度均有所降低。这是因为随机森林回归估算精度会受到训练样本数据特征变量最大值和最小值的约束，当预测样本的气温特征变量范围不处于约束条件下或者分布不同时，模型的估算精度会明显降低。为进一步提高日冷/热积量估算精度，解决上述3种日冷/热积量模型存在的本地化问题，将3个地区的训练样本集进行合并，以基于CHM和GDH模型得到的日冷/热积量值和C7代表的日气温特征因子分别作为建模的目标变量和特征变量，利用随机森林算法构建苹果始花期预报模型，并基于3个地区的独立验证样本集分区进行模型验证评价，结果如图4所示。

图3 基于不同日气温特征因子组合构建的日冷/热积量模型验证结果

注：C1−C7代表表3中7组日气温特征因子组合；横坐标A_B代表基于A地区建模B地区验证，A、B取值为LY、LC和QX；LY代表临猗，LC代表洛川，QX代表栖霞。

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日气温特征因子的日冷/热积量模型评价

注：建模_验证一列表示基于前者建模，基于后者验证，如LY_LC表示基于临猗建模，基于洛川验证。

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.

从图4的散点分布来看，3个地区日冷/热积量估算值与验证值的拟合线（黑色实线）均接近于1:1线（黑色虚线）。但是，相比于日热积量拟合效果，日冷积量的散点较为分散，表明日冷积量与气温之间关系的复杂程度高于日热积量。总体而言，当利用苹果始花期预报模型估算3个地区日冷积量时，估算值与基于CHM模型得到的日冷积量间的R2为0.96～0.98，RMSE为1.08～1.14CH，NRMSE为4.50%～4.70%；当利用苹果始花期预报模型估算3个地区日热积量时，估算值与基于GDH模型得到的日热积量间的R2接近于1，RMSE为2.03～3.74GDH，NRMSE为0.52%～0.77%。

基于3个地区独立验证样本，将苹果始花期预报模型与基于临猗地区构建的日冷/热积量模型进行相比，两个模型对日冷/热积量的估算误差在临猗地区保持一致；洛川地区日冷/热积量估算值与基于CHM和GDH模型的日冷/热积量间的RMSE分别降低0.93CH、6.88GDH；栖霞地区日冷/热积量估算值与基于CHM和GDH模型的日冷/热积量间的RMSE分别降低0.75CH、2.34GDH。由此说明，相比于单地区日冷/热积量模型，利用苹果始花期预报模型估算日冷/热积量的结果更为准确。

以苹果始花期最优冷/热需求量作为阈值条件，基于独立验证样点的日气温特征因子，利用苹果始花期预报模型得到2020年临猗、洛川和栖霞3个地区的苹果始花期预报结果，由图5a可见，始花期实际值与预测值关系为y=0.81x+19.32，R2为0.92，RMSE为3.44d。为评价模型对苹果始花期的预报能力，利用传统逐小时气温数据驱动CHM和GDH模型的方法进行苹果始花期预报，并基于实际始花期对预报结果进行验证，由图5b可见，始花期实际值与预测值关系为y=0.82x+18.17，R2为0.91，RMSE为3.38d。对比可知，两种苹果始花期预报方法的预报结果高度一致，预报误差均在可接受范围内，表明本研究构建的苹果始花期预报模型可以有效地将输入气温数据从逐小时尺度转换为日尺度。

图4 利用苹果始花期预报模型估算日冷/热积量的验证结果

图5 基于苹果始花期预报模型（a）和基于CHM和GDH模型（b）的始花期预报精度评价

注：DOY表示日序。

Note: DOY means the ordinal day from January 1.

3 结论与讨论

3.1 讨论

与前人构建苹果始花期预报模型的方法不同，本研究从日气温特征值与果树冷/热积量角度开展始花期预报研究。从模型预报试验结果可知，始花期预测值与实际值间的RMSE为3.44d，与Legave等[35]对西欧地区苹果始花期的预报误差（4～6d）、Drepper等[23]对比利时地区苹果始花期的预报误差（4.15～6.36d）以及邱美娟等[8]对中国北方主产地苹果始花期预报误差（3.4～6.6d）、刘璐等[36]对中国苹果主产地的始花期误差（5d）相比，基于日气温特征值与果树日冷/热积量的关系所构建的苹果始花期预报模型在始花期预报中具有较高的准确性。果树的冷/热需求量是果树打破内外休眠，达到始花期开花物候的关键指标。然而，本研究所选3个地区虽同属富士系品种，但冷/热需求量取值均有所差异，这是因为3个地区存在明显地形和气温上的差异，这与庄维兵等[20]提出的同一品种果树在不同地区间需求量存在显著差异的观点相同。因此，建议后续对果树冷/热需求量与地形、气候因子之间的关系进一步研究，以期更准确地预报苹果始花期。

由对始花期的实际调查数据可知，同一地区不同果园间苹果始花期存在明显差异，这表明传统以气象站点处气温数据代替整个研究区域的气候特征缺乏代表性，这与邬定荣等[3]指出苹果始花期会受到果园小气候影响的观点一致。传统利用气象站点数据进行苹果始花期预报的局限性在于难以为区域化果园精细生产管理提供服务，而目前利用高时空遥感地表温度估算气温的研究表明，基于遥感地温转换后的高空间分辨率气温数据可以解决实际应用中以点代面的问题[37−39]。因此，为提高苹果始花期在空间上的预报精度，减小因果园小气候而产生的预报误差，今后研究可尝试结合高时空遥感地表温度数据预报苹果始花期，以克服传统以点代面的问题，为果园精细化生产管理提供参考依据。

3.2 结论

（1）7种日气温特征因子组合中，基于多因子组合的单地区日冷/热积量模型估算日冷/热积量时，日冷/热积量估算值与基于CHM和GDH模型得到的日冷/热积量间的R2均高于单因子，RMSE均低于单因子；3个日气温特征值中，日平均气温Tavg对提高模型估算精度的贡献率最高，日最高气温Tmax次之，日最低气温Tmin最低。

（2）基于最优日气温特征因子C7（Tmax+Tmin+ Tavg）构建的苹果始花期预报模型能获得临猗、洛川和栖霞3个地区最优日冷/热积量估算精度，日冷/热积量估算值与基于CHM和GDH模型得到的日冷/热积量间的R2均高于0.96，日冷积量RMSE均小于1.14CH，日热积量RMSE均小于3.74GDH。

（3）利用苹果始花期预报模型对3个地区进行苹果始花期预报试验，模型决定系数R2为0.92，RMSE为3.44d，NRMSE为3.57%，其预报结果与真实逐小时气温数据驱动CHM和GDH模型的始花期预报结果表现出较高的一致性，表明该模型可有效地将输入气温数据从逐小时尺度转换为日尺度，这在后续苹果始花期预报的工作中具有较好的应用价值和潜力。

[1] 刘天军,范英.中国苹果主产区生产布局变迁及影响因素分析[J].农业经济问题,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] 程存刚,赵德英.新形势下我国苹果产业的发展定位与趋势[J].中国果树,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] 邬定荣,霍治国,王培娟,等.陕西苹果花期机理性预报模型的适用性评价[J].应用气象学报,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] 张兴伟,陈超,田姗,等.基于机器学习的苹果始花期预测[J].中国农业科技导报,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] 杨小利,江广胜.陇东黄土高原典型站苹果生长对气候变化的响应[J].中国农业气象,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] 柏秦凤,霍治国,王景红,等.中国富士系苹果主产区花期模拟与分布[J].中国农业气象,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] 赵海亮,赵文东,高东升,等.落叶果树需冷量及其估算模型研究进展[J].北方果树,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,刘布春,刘园,等.中国北方主产地苹果始花期模拟及晚霜冻风险评估[J].农业工程学报,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,刘布春,刘园,等.陕西苹果主产县花期冻害风险评估[J].中国农业气象,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] 庄维兵,章镇,侍婷,等.落叶果树需冷量及其估算模型研究进展[J].果树学报,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] 韩帅,师春香,姜志伟,等.CMA高分辨率陆面数据同化系统(HRCLDAS-V1.0)研发及进展[J].气象科技进展,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,吴见彬,朱建平,等.随机森林方法研究综述[J].统计与信息论坛,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] 刘璐,郭梁,李曼华,等.中国北方主产地苹果冷热积累变化及其对始花期的影响[J].应用生态学报,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] 刘璐,王景红,傅玮东,等.中国北方主产地苹果始花期与气候要素的关系[J].中国农业气象,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

刘淼,邱春霞,杨贵军,等.基于日气温特征值与冷/热积量模型耦合的苹果始花期预报模型[J].中国农业气象,2022,43(4):295-307

2021−07−09

国家自然科学基金（42171303）；国家重点研发计划项目（2017YFE0122500）；广东省科技计划项目（2019B090905006）；广东省重点领域研发计划（2019B020214002）

杨贵军，研究员，主要从事农业定量遥感机理及精准农业应用研究，E-mail：yanggj@nercita.org.cn

刘淼，E-mail：liumiao80125@163.com