浙江水蜜桃成熟期集合預(yù)報模型*

楊 棟，丁燁毅，金志鳳，黃鶴樓，鄭 健，李清斌

（1. 寧波市氣象局，寧波 315012；2. 浙江省氣候中心，杭州 310017；3. 奉化區(qū)氣象局，寧波 315500；4. 慈溪市氣象局，寧波 315300）

作物物候期不但是農(nóng)業(yè)生產(chǎn)、管理和決策的重要依據(jù)[1]，而且因其對氣候變化的快速響應(yīng)特性被選作氣候變化的“診斷指紋”[2-3]。目前對物候期的觀測和模擬主要集中于大宗作物和常見喬灌木[4-5]，特色經(jīng)濟(jì)作物的物候期研究報道仍較少，僅針對少數(shù)賞花作物花期[6-7]和茶葉開采期[8]等開展了預(yù)報服務(wù)。水蜜桃是浙江名優(yōu)農(nóng)產(chǎn)品，開展成熟期預(yù)報對生產(chǎn)、采購、旅游及市場真?zhèn)伪鎰e意義重大。

物候期預(yù)報模型主要可分為生理模型和統(tǒng)計模型。生理模型主要基于作物器官形態(tài)和內(nèi)源激素等因子[9-10]，觀測復(fù)雜，業(yè)務(wù)應(yīng)用難度大；統(tǒng)計模型相對簡便易行，被廣泛應(yīng)用。目前統(tǒng)計模型構(gòu)建主要依據(jù)不同物候期之間內(nèi)在關(guān)系[11-12]或氣象因子對物候期影響[13-14]，前者一定程度考慮了作物的生長特性，但特色作物的物候期觀測少且人為誤差較大；氣象部門高精度的自動化氣象觀測網(wǎng)，為基于氣象要素的物候期模型構(gòu)建和應(yīng)用奠定了基礎(chǔ)。

作物生長發(fā)育是光溫水等因子共同作用的結(jié)果，目前基于氣象因子的物候期模型較單一，多以積溫為輸入因子[6,13-14]，且人為設(shè)定積溫時段，下限溫度固定[15]。不同時間尺度資料能反映不同的背景影響信號[16-17]，而目前物候期模型構(gòu)建所用的氣象資料時間尺度也較單一。單一的資料和模型均會影響預(yù)報結(jié)果的精度和穩(wěn)定性，阻礙業(yè)務(wù)推廣應(yīng)用[18]。

集合模型可將不同資料、不同模型有效融合，實現(xiàn)優(yōu)勢互補(bǔ)，提高預(yù)報精度和穩(wěn)定度[18]。目前集合模型在天氣和氣候預(yù)報中得到廣泛應(yīng)用，但在農(nóng)業(yè)氣象服務(wù)中的應(yīng)用仍較少，僅少數(shù)學(xué)者針對大宗作物產(chǎn)量集合預(yù)報進(jìn)行了初步探究。宋迎波等[19-20]構(gòu)建美國玉米和小麥產(chǎn)量的地面模型、海溫模型和環(huán)流模型，并基于各模型的預(yù)報穩(wěn)定性，利用加權(quán)求和法構(gòu)建產(chǎn)量預(yù)報的集合模型，預(yù)報穩(wěn)定性明顯提升；邱美娟等[18,21]基于氣象指數(shù)模型和作物生長模型對冬小麥和早稻的預(yù)報準(zhǔn)確率，采用加權(quán)法構(gòu)建動態(tài)集成預(yù)報模型，預(yù)報準(zhǔn)確率和穩(wěn)定性均有所提高。集合模型中權(quán)重系數(shù)確定對預(yù)報準(zhǔn)確性至關(guān)重要，邱美娟等[22]對常見權(quán)重系數(shù)確定方法進(jìn)行比較，結(jié)果顯示利用相關(guān)系數(shù)法構(gòu)建的山東省小麥產(chǎn)量集合預(yù)報模型效果最佳。

本研究擬利用寧波水蜜桃主產(chǎn)區(qū)近 13a物候期和氣象觀測資料，基于相關(guān)系數(shù)篩選多時間尺度、多統(tǒng)計時段、多氣象要素的成熟期預(yù)報因子，并利用逐步回歸法構(gòu)建篩選不同預(yù)報時效的集合成員，通過不同集合成員組合對比，構(gòu)建不同預(yù)報時效的成熟期最佳集合預(yù)報模型，以評估集合預(yù)報在浙江地區(qū)水蜜桃成熟期預(yù)報服務(wù)中的效果。

1 資料與方法

1.1 數(shù)據(jù)來源

挑選寧波水蜜桃主要產(chǎn)區(qū)[23]作為研究區(qū)域，對主產(chǎn)區(qū)“湖景蜜露”水蜜桃成熟期及其它關(guān)鍵物候期進(jìn)行觀測。其中奉化水蜜桃研究所 2005?2017年對奉化地區(qū)水蜜桃多個關(guān)鍵物候期進(jìn)行了觀測，慈溪地區(qū)對 2015?2017年水蜜桃多個關(guān)鍵物候期進(jìn)行觀測，鄞州和寧海地區(qū)收集了1～2a成熟期觀測資料。選取資料較豐富的奉化水蜜桃研究所2006?2016年觀測數(shù)據(jù)，結(jié)合研究時段內(nèi)相關(guān)氣象要素進(jìn)行成熟期模型構(gòu)建，奉化水蜜桃研究所2005年和2017年觀測資料及其它地區(qū)觀測資料用于模型預(yù)測結(jié)果檢驗。觀測站點信息、觀測因子、模型建立和檢驗時樣本分配等具體信息見表1。

為確保氣象資料的準(zhǔn)確性和完整性，相關(guān)資料均來自對應(yīng)區(qū)縣的國家基本站，站點信息如下：奉化（站號 58565），121.43°E，29.68°N；慈溪（站號58467），121.27°E，30.20°N；鄞州（站號 58562），121.55°E，29.78°N；寧海（站號 58567），121.43°E，29.32°N。水蜜桃觀測站點與氣象站點海拔高度差異較小。氣象數(shù)據(jù)時間尺度包括小時、日、候、旬、月尺度；氣象要素包括熱量因子（平均氣溫、最高氣溫、最低氣溫、活動積溫）、水分因子（平均相對濕度、累積降水量）、光照因子（日照時數(shù)）。此外還構(gòu)建了反映光照和熱量條件的綜合因子——日輻熱積指數(shù)（PTEP），計算方法為

表1 實驗站點及樣本說明Table 1 Information about experiment sites and data samples

式中，Qs為太陽輻射日總量（MJ·m?2·d?1），主要參考左大康法[24]，具體參數(shù)選取及修訂參考相關(guān)文獻(xiàn)[25]；T為日平均氣溫（℃）。

1.2 集合預(yù)報模型

1.2.1 預(yù)報因子篩選

第一步，基于成熟歷期（各物候期起始時間?成熟期經(jīng)歷的日數(shù)，即成熟期相對于起點日的日序）與各氣象要素之間的相關(guān)關(guān)系，選擇與成熟期相關(guān)系數(shù)（R）絕對值＞0.7的因子作為成熟期預(yù)報的關(guān)鍵氣象因子。水蜜桃生育期氣象要素統(tǒng)計的時間尺度分別為小時、日、候、旬、月。起始時間按兩種方式分別統(tǒng)計：一類是基于試驗站統(tǒng)計的物候期，如落葉、葉芽萌動、始花、末花、硬核期；另一類是選擇與各物候期接近的固定日期，近13a（2005?2017年）研究區(qū)域水蜜桃關(guān)鍵物候期的平均日期分別為：落葉（11月10日）、葉芽萌動（3月15日）、始花（3月20日）、末花（3月30日）、硬核期（5月25日），為計算便捷，分別選取11月1日、3月1日、4月1日、6月1日對應(yīng)各物候期，此外還增加1月1日作為起始時期的固定日期。

計算積溫時還需考慮最佳下限溫度和積溫時段，利用氣溫觀測資料（精度0.1℃），0.1℃為步幅，以上述起始時間為積溫起點，分別計算不同下限溫度的積溫，通過對某時段內(nèi)不同下限溫度的積溫與成熟歷期之間的相關(guān)性分析，篩選最佳積溫下限溫度和積溫時段，具體可參考相關(guān)文獻(xiàn)[6]。圖1為自落葉期算起不同時段（以日為步長）內(nèi)不同下限溫度（以 0.1℃為步長）下的小時積溫與成熟歷期的相關(guān)系數(shù)（R）分布，篩選正相關(guān)和負(fù)相關(guān)時相關(guān)系數(shù)絕對值最大值對應(yīng)的因子作為成熟期的預(yù)報因子。由圖可見，225d內(nèi)≥14.6℃小時活動積溫與成熟期之間相關(guān)系數(shù)達(dá)?0.81，64d內(nèi)≥8.4℃小時活動積溫與成熟期之間相關(guān)系數(shù)為0.83，絕對值均大于0.7，故將兩者篩選為成熟期的預(yù)報因子。

圖1 自落葉期算起不同時段（以日為步長）內(nèi)不同下限溫度（以0.1℃為步長）下的小時積溫與成熟期日序（落葉期為1）的相關(guān)系數(shù)（R）分布Fig. 1 Distrbution of correlation coefficient (R) between the ordinaly day of maturity（defoliation is 1） and hourly accumulated temperature with different base temperature (in steps of 0.1℃ ) and time period (in daily steps) from the defoliation

1.2.2 集合成員構(gòu)建及劃分

第二步，利用關(guān)鍵氣象因子，構(gòu)建不同時間尺度和時間起點的預(yù)報模型，作為構(gòu)建集合預(yù)報模型的成員庫，并對各成員的預(yù)報時效進(jìn)行劃分。依據(jù)時間尺度和時間起點將篩選的成熟期關(guān)鍵氣象因子進(jìn)行分類，將相同時間尺度和時間起點下的氣象因子構(gòu)建一個成熟期逐步回歸模型，進(jìn)而構(gòu)建集合預(yù)報成員庫。

模型預(yù)報效果評價主要依據(jù)成熟期預(yù)報值與觀測值的絕對誤差A(yù)E、均方根誤差RMSE和相關(guān)系數(shù)R，計算方法為

式中，ys指模型模擬的成熟期，yo指成熟期的實際觀測值。

初步挑選 AE和 RMSE＜2d，R＞0.7的模型，利用泰勒圖法[26]對所選模型優(yōu)劣進(jìn)行綜合評價，挑選優(yōu)秀的集合預(yù)報成員。按模型構(gòu)建的氣象因子距離成熟期的時間長短，將模型劃分為長期（預(yù)報提前量＞15d）和中短期（預(yù)報提前量≤15d），劃分時遵循“木桶原則”，即模型預(yù)報時效由與成熟期相隔最近的預(yù)報因子決定。例如，模型Y由Xi和Xj兩個因子組成，其中因子Xi和Xj統(tǒng)計時段的結(jié)束日期距離成熟期的日數(shù)分別為di和dj，則以di和dj中較小的值作為模型的預(yù)報時效。

1.2.3 集合預(yù)報模型的構(gòu)建和評價

第三步，構(gòu)建集合預(yù)報模型，并評價和篩選不同預(yù)報時效下最佳集合預(yù)報模型。將同一預(yù)報時效的逐步回歸模型相互組合，構(gòu)建基于加權(quán)求和法的成熟期集合預(yù)報模型，各集合成員的權(quán)重系數(shù)主要依據(jù)算術(shù)平均法、回歸系數(shù)法、相關(guān)系數(shù)法和絕對誤差法確定[22]，不同情況下的計算值分別為

式中，λi為第i個集合成員的權(quán)重；n為集合成員數(shù)目；ai為第i個集合模型成員對成熟期的預(yù)報值與觀測值的線性回歸系數(shù)；Ri為第i個集合模型成員對成熟期的預(yù)報值與觀測值的相關(guān)系數(shù)；AEi為第 i個集合成員對成熟期預(yù)報的絕對誤差，1/AEi為預(yù)報準(zhǔn)確性參數(shù)，其數(shù)值越大表明預(yù)報越準(zhǔn)確；Me為集合預(yù)報模型對水蜜桃成熟期的預(yù)報結(jié)果；Mi為第 i個集合成員對成熟期的預(yù)報結(jié)果。

利用AE、RMSE和R對構(gòu)建的集合預(yù)報模型進(jìn)行評價和篩選，進(jìn)而篩選各預(yù)報時效下的最佳集合方案。預(yù)報精度評價因子AE和R權(quán)重分別設(shè)定為0.4和0.3；預(yù)報穩(wěn)定性評價因子RMSE權(quán)重為0.3。故綜合評價因子S的計算方法為

式中，Sj為第j個初選集合模型的綜合評價值，其值越大表明第j個初選集合模型的效果越佳；指第j個集合模型預(yù)報的絕對誤差的倒數(shù)，其值越小表征預(yù)報準(zhǔn)確性越高；為全部初步入選的集合模型的絕對誤差倒數(shù)的平均值；Rj和RMSEj分別為第j個集合模型的相關(guān)系數(shù)和均方根誤差；和為全部初步入選的集合模型的相關(guān)系數(shù)和均方根誤差的平均值。挑選不同預(yù)報時效下，綜合評價因子S最高的模型作為該預(yù)報時效下的最佳集合預(yù)報模型。

2 結(jié)果與分析

2.1 關(guān)鍵氣象因子庫的構(gòu)建

利用奉化水蜜桃研究所 2006?2016年物候期和相應(yīng)氣象站點的觀測資料，構(gòu)建水蜜桃生育期氣象要素時間序列。分別按小時、日、候、旬、月 5種時間尺度，基于物候期（包括落葉、葉芽萌動、始花、末花、硬核期）和固定日期（包括11月1日、1月1日、4月1日、6月1日），統(tǒng)計從起始時間至某時（小時、日、候、旬、月）的氣溫日較差、輻熱積、降水量、相對濕度和積溫等，輸入MATLAB程序，計算所有氣象要素與成熟期的相關(guān)系數(shù)，并篩選相關(guān)系數(shù)的絕對值＞0.7的因子，形成建立成熟期預(yù)報模型的關(guān)鍵氣象因子庫，結(jié)果見表2。

由表2可見，在小時尺度上，滿足條件的關(guān)鍵氣象因子共有7個，均為積溫因子，說明小時尺度熱量因子是決定成熟期的關(guān)鍵氣象因子。日尺度有12個關(guān)鍵氣象因子滿足條件，以熱量因子為主。小時和日尺度氣象因子中，休眠期積溫與成熟期呈正相關(guān)，打破休眠后成熟期與積溫呈負(fù)相關(guān)，主要由于水蜜桃打破休眠需要一定的需冷量積累，前期過多的熱量資源會推遲成熟期，而休眠期后熱量資源的積累有利于水蜜桃成熟[27]。在候尺度上有7個關(guān)鍵氣象因子滿足條件，光、溫、水因子共同影響水蜜桃成熟期。在旬尺度上有4個關(guān)鍵因子，主要為光、溫因子。月尺度因子較少，僅3月平均降水量滿足篩選條件?？梢?，不同時間尺度氣象因子對成熟期的指示性存在一定差異，將不同時間尺度、不同氣象資料合理搭配可反應(yīng)不同的背景信號對成熟期的影響。

表2 與成熟期相關(guān)顯著的氣象因子篩選結(jié)果Table 2 Selecting results of meteorological factors significantly correlated with maturation

2.2 模型庫的構(gòu)建

將表2中篩選的氣象因子按時間尺度和時間起點進(jìn)行分類，基于同一時間尺度相同時間起點的氣象因子，利用逐步回歸法構(gòu)建成熟期預(yù)報模型，初步挑選AE＜2d，RMSE＜2d，R＞0.7的模型，構(gòu)建成熟期預(yù)報模型庫，并利用泰勒圖對所選預(yù)報模型優(yōu)劣進(jìn)行綜合評價。由圖2可見，日尺度模型整體效果最佳，共6個模型入選模型庫，其R值基本保持在0.8以上，其中3個模型R值大于0.85；AE平均值較模型庫成員平均值低0.1d，RMSE低0.05d。旬尺度模型精度相對偏差，除11月1日為起點的模型外，其余模型AE和RMSE較平均值偏高0.2～0.3d。小時和日尺度模型中以固定日期為起點的模型入選模型庫的數(shù)量為8個，而以物候期為起點的模型入選數(shù)量僅2個。以物候期為起點的模型精度整體低于以對應(yīng)固定日期為起點的模型精度，但以硬核期為起點的模型精度較對應(yīng)固定日期（6月1日）為起點的模型明顯偏高，以日尺度為例，其AE和RMSE值均縮小0.2d，R值提高約0.2。

由于業(yè)務(wù)應(yīng)用中涉及服務(wù)時效性，按預(yù)報時效將所篩選的成熟期逐步回歸模型庫進(jìn)行分類，模型預(yù)報時效主要由模型的構(gòu)成因子中預(yù)報時效最短的因子決定。長期模型庫成員庫AE、RMSE和R平均值分別為1.1d、1.4d和0.82；中短期模型庫成員庫分別為1.3d、1.5d和0.84。模型構(gòu)成、精度及分類的具體信息見表3。

圖2 水蜜桃成熟期預(yù)報模型精度評估的泰勒圖Fig. 2 Taylor diagram of the peach maturity forecasting models’ accuracy

表3 水蜜桃成熟始期模型預(yù)報時效性分類Table 3 Classification of mature models based on period of validity

2.3 集合模型的構(gòu)建與檢驗

2.3.1 模型構(gòu)建

將表3中同一預(yù)報時效下的模型相互組合，利用加權(quán)求和法構(gòu)建基于多模型預(yù)報結(jié)果的成熟期集合預(yù)報模型，權(quán)重系數(shù)確定主要基于模型預(yù)報值與觀測值的回歸系數(shù)、相關(guān)系數(shù)和絕對誤差，篩選最優(yōu)的集合模型方案如表4?？紤]各地可獲取資料差異及預(yù)報精度需求，構(gòu)建含物候期觀測（成熟期除外）和不含物候期觀測的集合預(yù)報模型。

由表4可見，長期和中短期集合預(yù)報模型的精度和穩(wěn)定度較單一的預(yù)報模型（表3）明顯提升，長期集合模型AE和RMSE的平均值較非集合模型分別縮小0.4d和0.47d，R值提高0.15；不含物候期的中短期集合預(yù)報模型AE和RMSE均縮小了0.44d，R值提高0.08，含物候期資料的集合預(yù)報模型AE和RMSE分別縮小0.68d和0.79d，R值提高0.12。中短期集合預(yù)報模型中，融合硬核期觀測資料能將模型AE縮小30%左右。

基于不同權(quán)重系數(shù)分配方法構(gòu)建的加權(quán)集合模型對成熟期預(yù)報精度均有不同程度的提升，但不同集合方法在不同預(yù)報時效的集合模型構(gòu)建中的表現(xiàn)仍存在一定差異。不含物候期的長期模型中絕對誤差法構(gòu)建的集合模型精度最高，AE和RMSE較其它方法均最低，相關(guān)系數(shù)法和回歸系數(shù)法精度次之，算術(shù)平均法構(gòu)建的集合模型精度最低，其 AE和RMSE較絕對誤差法分別偏高了13%和7%；不含物候期的中短期模型，絕對誤差法和回歸系數(shù)法構(gòu)建的集合模型精度相當(dāng)，相關(guān)系數(shù)法次之，算術(shù)平均法效果最差；四種方法構(gòu)建的含物候期觀測數(shù)據(jù)的中短期集合模型，整體差異較小。綜上可知，基于絕對誤差法分配的權(quán)重系數(shù)所構(gòu)建的加權(quán)集合模型整體效果最佳。

2.3.2 模型檢驗

利用絕對誤差法構(gòu)建的不同時效加權(quán)集合模型對寧波水蜜桃主產(chǎn)區(qū)的“湖景蜜露”成熟期進(jìn)行預(yù)報，其預(yù)報與觀測結(jié)果的比較見表5。由表可知，長期模型對寧海地區(qū)水蜜桃成熟期預(yù)報結(jié)果略偏早，其余地區(qū)略偏晚；中短期模型對慈溪地區(qū)預(yù)報結(jié)果略偏晚，其它地區(qū)偏早2～3d。長期和中短期預(yù)報模型對主產(chǎn)區(qū)水蜜桃成熟期均保持了較高的預(yù)報精度，預(yù)報誤差基本控制在1～2d?？梢?，將長期和中短期集合模型相結(jié)合，能進(jìn)一步提高精度，整體誤差基本控制在2d以內(nèi)。

表4 水蜜桃成熟期集合預(yù)報模型Table 4 Collection models of peach maturity forecasting

表5 水蜜桃成熟期集合模型的預(yù)報誤差（d）Table 5 Prediction error of the collection models on peach maturity（d）

3 結(jié)論與討論

3.1 結(jié)論

（1）基于不同時間尺度和起點模型構(gòu)建的加權(quán)集合模型，對水蜜桃成熟期預(yù)報的精度和穩(wěn)定度較單一模型均有不同程度的提升，回代檢驗絕對誤差平均僅0.69（0.56～0.87）d，均方根誤差平均為0.90（0.69～1.14）d，R 值平均達(dá) 0.95（0.92～0.98），滿足業(yè)務(wù)應(yīng)用需求。

（2）加權(quán)模型構(gòu)建時，不同模型權(quán)重系數(shù)的 4種分配方法（算術(shù)平均法、回歸系數(shù)法、相關(guān)系數(shù)法、絕對誤差法）均取得較好效果，其中絕對誤差法構(gòu)建的加權(quán)集合模型最佳，回代檢驗的絕對誤差和均方根誤差平均值分別為0.66d和0.88d，對寧波水蜜桃主產(chǎn)區(qū)成熟期預(yù)報的絕對誤差≤2d。

3.2 討論

集合預(yù)報模型具有較高的精度和穩(wěn)定度，為作物物候期模擬提供了有效方法。本研究構(gòu)建了不同預(yù)報時效和不同融入信息的集合預(yù)報模型，滿足了不同服務(wù)時效和精度需求的業(yè)務(wù)開展。所構(gòu)建的集合預(yù)報模型通過了寧波不同主產(chǎn)區(qū)的驗證和修訂，保證了其普適性。

依據(jù)生產(chǎn)服務(wù)的時效性需求，將集合模型初步分為長期和中短期，為水蜜桃生產(chǎn)、采購、旅游、市場真假鑒別等不同服務(wù)需求提供了選擇。中短期集合模型精度較長期集合預(yù)報模型并未顯示出明顯的優(yōu)勢，但對水蜜桃成熟期進(jìn)行中短期預(yù)報時，可將長期模型與中短期模型相集合，對寧波主產(chǎn)區(qū)水蜜桃成熟期的預(yù)報結(jié)果亦表明兩種預(yù)報時效的集合模型相結(jié)合能提高預(yù)報精度和穩(wěn)定度。綜上可見，隨著預(yù)報時效的縮短，集合模型能實現(xiàn)預(yù)報精度的提升。目前對水蜜桃物候期觀測較少，并且觀測的誤差仍較大，但在集合模型中適當(dāng)融合觀測難度及誤差相對較小、且受氣象要素影響較大的硬核期信息，能進(jìn)一步優(yōu)化集合模型，故針對高精度服務(wù)的需求，可適當(dāng)增加關(guān)鍵物候期的精細(xì)化觀測。此外，本研究提煉了大量不同預(yù)報時效的成熟期預(yù)報因子，為不同預(yù)報時效進(jìn)行進(jìn)一步細(xì)分及集合成員庫的豐富提供了保障。

集合模型可為寧波水蜜桃主產(chǎn)區(qū)應(yīng)對氣候變化提供科學(xué)依據(jù)。受全球氣候變化影響，多種作物的物候期發(fā)生了顯著變化[1-3]，而物候期變化與作物安全高效生產(chǎn)密切相關(guān)。利用集合模型對近 65a寧波“湖景蜜露”水蜜桃成熟期進(jìn)行模擬，結(jié)果顯示成熟期呈提早趨勢，進(jìn)入21世紀(jì)后，水蜜桃成熟期年際波動顯著增大，年際差異平均值約為21世紀(jì)前的2倍，這與氣象要素年際波動增大密切相關(guān)。受氣候變化影響，近年來寧波地區(qū)高溫干旱、極端低溫、連陰雨等極端氣象災(zāi)害頻發(fā)，對水蜜桃產(chǎn)量、品質(zhì)和生產(chǎn)安全影響顯著[28-30]。成熟期波動增大，使種植戶對關(guān)鍵物候期的把握能力下降，調(diào)整種植管理制度的難度加大。

受特色作物機(jī)理性模型偏少限制，本研究集合成員均為統(tǒng)計模型，機(jī)理性相對偏弱，并且對氣象之外的環(huán)境要素及人工管理等因素考慮較少。多種類型模型相互結(jié)合能有效融合不同信息，實現(xiàn)優(yōu)勢互補(bǔ)。邱美娟等[18,21]將氣象指數(shù)類模型與作物生長模型（WOFOST，ORYZA2000）相結(jié)合，構(gòu)建的冬小麥和水稻動態(tài)集合預(yù)報，能實現(xiàn)統(tǒng)計模型和機(jī)理性模型的優(yōu)勢互補(bǔ)；遙感數(shù)據(jù)和作物模型集成在農(nóng)業(yè)領(lǐng)域也廣泛應(yīng)用[31]。未來可繼續(xù)開展多要素、多類型模型融合技術(shù)的研究。此外，對構(gòu)建的集合預(yù)報模型綜合評價篩選時，不同評價因子權(quán)重系數(shù)的分配仍存在一定的主觀性，實際應(yīng)用時可依據(jù)需求適當(dāng)調(diào)整。

參考文獻(xiàn)References

[1]肖國舉,張強(qiáng),王靜.全球氣候變化對農(nóng)業(yè)生態(tài)系統(tǒng)的影響研究進(jìn)展[J].應(yīng)用生態(tài)學(xué)報,2007,18(8):1877-1885.Xiao G J,Zhang Q,Wang J.Impact of global climate change on agroecosystem:a review[J].Chinese Journal of Applied Ecology,2007,18(8):1877-1885.(in Chinese)

[2]Parmesan C.Influences of species,latitudes and methodologies on estimates of phenological response to global warming[J].Global Change Biology, 2007,13(9):1860-1872.

[3]Root T,Price J,Hall K,et al.Fingerprints of global warming on wild animals and plants[J].Nature,2003,421:57-60.

[4]張利華,孟錦,張永強(qiáng),等.徐州地區(qū)冬小麥成熟期預(yù)報[J]江蘇農(nóng)業(yè)科學(xué),2011,39(6):157-159.Zhang L H,Meng J,Zhang Y Q,et al.Prediction of winter wheat maturity in Xuzhou[J].Jiangsu Agricultural Sciences,2011,39(6):157-159.(in Chinese)

[5]朱媛君,郝琦,清華,等.呼和浩特自然歷主要物候期和物候季節(jié)變化特征及歸因[J].中國農(nóng)業(yè)氣象,2017,38(1): 9-20.Zhu Y J,Hao Q,Qing H,et al.Changes of main phenophases of natural calendar and phenological seasons in Hohhot[J].Chinese Journal of Agrometeorology,2017,38(1):9-20.(in Chinese)

[6]姚日升,涂小萍,丁燁毅,等.寧波桃樹花期預(yù)報方法[J].氣象科技,2014,42(1):180-186.Yao R S,Tu X P,Ding Y Y,et al.A method for forecasting peach flowering in Ningbo[J].Meteorological Science and Technology,2014,42(1):180-186.(in Chinese)

[7]孔凡忠,劉繼敏,孔莉,等.菏澤牡丹初花期的中長期預(yù)報模型[J].中國農(nóng)業(yè)氣象,2011,32(1):115-121.Kong F Z,Liu J M,Kong L,et al.Mid and long term forecast model for early florescence of Heze peony[J].Chinese Journal of Agrometeorology,2011,32(1):115-121.(in Chinese)

[8]姜燕敏,金志鳳,李松平,等.浙南春茶開采前后氣象條件分析及開采期預(yù)報[J].中國農(nóng)業(yè)氣象,2015,36(2):212-219.Jiang Y M,Jin Z F,Li S P,et al.Meteorological conditions analysis and prediction model establishment on springtea first plucking date in south Zhejiang[J].Chinese Journal of Agrometeorology,2015,36(2):212-219.(in Chinese)

[9]張明慶,楊國棟,許曉波.樹木花期預(yù)報的花芽形態(tài)測量法研究:以大山櫻花期預(yù)報為例[J].植物生態(tài)學(xué)報,2005,29(4):610-614.Zhang M Q,Yang G D,Xu X B.The use of flower bud measurements for forecasting florescence in Prunus sargentii[J].Acta Phytoecologica Sinica,2005,29(4):610-614.(in Chinese)

[10]柴振林,華錫奇,王琦.雷竹花期激素動態(tài)及其與開花相關(guān)性研究[J].浙江林業(yè)科技,2005,25(1):28-30.Chai Z L,Hua X Q,Wang Q.Study on relationship between dynamic hormones and flowering of Phyllostachys praecox cv.pervernalis[J].Jour. Of Zhejiang For. SCI. & TEXH,2005,25(1):28-30.(in Chinese)

[11]孫凡雅,沈向,康鸞,等.觀賞海棠雜交后代萌芽期觀察及花期預(yù)測的灰色關(guān)聯(lián)度分析[J].植物資源與環(huán)境學(xué)報, 2008,17(4):51-54.Sun F Y,Shen X,Kang L,et al.Observation of sprouting stage and grey relational degree analysis on flowering stage forecast of hybrid progenies of crabapple(Malus spp)[J].Journal of Plant Resources Environment,2008,17(4):51-54.(in Chinese)

[12]張明慶,蔡霞.北京地區(qū)春季主要園林樹木的花期預(yù)測研究[J].首都師范大學(xué)學(xué)報:自然科學(xué)版,2005,26(2):85-90.Zhang M Q,Cai X.Research on the forecast of the gardening plants bloomingin spring time in Beijing area[J].Journal of Capital Normal University(Natural Science Edition),2005,26(2):85-90.(in Chinese)

[13]郁珍艷,高大偉,吳利紅,等.氣象條件對浙江省泡桐物候期的影響研究[J].氣象科學(xué),2014,34(6):666-671.Yu Z Y,Gao D W,Wu L H,et al.Influence of weather conditions on paulownia phenological period in Zhejiang province[J].Journal of the Meteorological Sciences,2014,34(6):666-671.(in Chinese)

[14]張增信,王言鑫,楊艷蓉,等.南京地區(qū) 8種常見觀賞樹木花期可預(yù)報研究[J].生態(tài)科學(xué),2014,33(4):642-648.Zhang Z X,Wang Y X,Yang Y R,et al.Changes and prediction of florescence of ligneous plants in Nanjing[J].Ecological Science,2014,33(4):642-648.(in Chinese)

[15]葉彩華,周孝煌,姜會飛,等.下限溫度對北京櫻花盛花始期模擬效果的影響[J].中國農(nóng)業(yè)氣象,2018,39(1):1-8.Ye C H,Zhou X H,Jiang H F,et al.Impacts of different base temperature on simulation effect of beginning flowering date of Prunus discoidea in Beijing[J].Chinese Journal of Agrometeorology,2018,39(1):1-8.(in Chinese)

[16]張雪松,閆藝蘭,胡正華.不同時間尺度農(nóng)田蒸散影響因子的通徑分析[J].中國農(nóng)業(yè)氣象,2017,38(4):201-210.Zhang X S,Yan Y L,Hu Z H.Using path analysis to identify impacting factors of evapotranspiration at different time scales in farmland[J].Chinese Journal of Agrometeorology,2017,38(4):201-210.(in Chinese)

[17]Wu W,Fan L,Li M F,et al.Sensitivity analysis of crop growth models to multi-temporal scale solar radiation[J].Transactions of the CSAE,2012,28(3):123-128.

[18]邱美娟,宋迎波,王建林,等.山東省冬小麥產(chǎn)量動態(tài)集成預(yù)報方法[J].應(yīng)用氣象學(xué)報,2016,27(2):191-200.Qiu M J,Song Y B,Wang J L,et al.Integrated technology of yield dynamic prediction of winter wheat in Shandong province[J].Journal of Applied Meteorological Science,2016,27(2):191-200.(in Chinese)

[19]宋迎波,楊霏云,鄭昌玲,等.美國玉米產(chǎn)量業(yè)務(wù)預(yù)報方法研究[J].中國農(nóng)業(yè)氣象,2008,29(4):446-449.Song Y B,Yang F Y,Zheng C L,et al.Research on operational forecast methods of corn yields in the United States of America(USA)[J].Chinese Journal of Agrometeorology,2008,29(4):446-449.(in Chinese)

[20]宋迎波,王建林,鄭昌玲,等.美國小麥產(chǎn)量業(yè)務(wù)預(yù)報方法研究[J].氣象科技,2009,37(2):186-189.Song Y B,Wang J L,Zheng C L,et al.Research on operational forecast of wheat yields for America[J].Meteorological Science and Technology,2009,37(2):186-189.(in Chinese)

[21]易雪,王建林,宋迎波,等.早稻產(chǎn)量動態(tài)繼承預(yù)報方法研究[J].中國水稻科學(xué),2011,25(3):307-313.Yi X,Wang J L,Song Y B,et al.Study on dynamic integrated prediction of early rice yield[J].Chin J Rice Sci,2011,25(3):307-313.(in Chinese)

[22]邱美娟,宋迎波,王建林,等.農(nóng)業(yè)氣象產(chǎn)量預(yù)報方法中權(quán)重系數(shù)的確定[J].氣象與環(huán)境學(xué)報,2016,32(2):106-111.Qiu M J,Song Y B,Wang J L,et al.Determination of weight coefficient in agro-meteorological yield prediction[J].Journal of Meteorology and Environment,2016,32(2):106-111.(in Chinese)

[23]朱麟,凌建剛,陳曙穎,等.“湖景蜜露”水蜜桃品質(zhì)分析方法的研究[J].包裝與食品機(jī)械,2015,33(6):1-5.Zhu L,Ling J G,Chen S Y,et al.Study on quality analysis methods of " Hujingmilu " peach[J].Packaging and Food Machinery, 2015, 33(6):1-5.(in Chinese)

[24]左大康,王懿賢,陳建綏.中國地區(qū)太陽總輻射的空間分布特征[J].氣象學(xué)報,1963,33(1):78-95.Zuo D K,Wang Y X,Chen J S.Characteristics of distribution of total radiation in China[J].Acta Meteorologica Sinica,1963,33(1):78-95.(in Chinese)

[25]金志鳳,楊棟,姚益平,等.浙江省茶葉氣候生產(chǎn)潛力評估[J].生態(tài)學(xué)雜志,2016,35(7):1791-1798.Jin Z F,Yang D,Yao Y P,et al.Assessment on climatic potential productivity of tea in Zhejiang Province[J].Chinese Journal of Ecology,2016,35(7):1791-1798.(in Chinese)

[26]Taylor K E.Summarizing multiple aspects of model performance in a single diagram[J].Journal of Geophysical Research Atmospheres, 2001,106(D7):7183-7192.

[27]王海波,劉鳳之,王寶亮,等.落葉果樹的需冷量和需熱量[J].中國果樹,2009,(2):50-53.Wang H B,Liu F Z,Wang B L,et al.Cold and heat requirement of deciduous fruit tree[J].China Fruits,2009,(2):50-53.(in Chinese)

[28]許彥平,姚曉紅,劉曉強(qiáng),等.氣象災(zāi)害對天水市蜜桃生產(chǎn)影響的評估[J].西北農(nóng)林科技大學(xué)學(xué)報(自然科學(xué)版),2016,44(1):149-154.Xu Y P,Yao X H,Liu X Q,et al.Evaluation on influence of meteorological disasters to peach production in Tianshui city[J].Journal of Northwest A&F University(Nat. Sci. Ed.),2016,44(1):149-154.(in Chinese)

[29]許彥平,姚曉紅,萬信,等.天水蜜桃開花坐果期霜凍災(zāi)害氣象風(fēng)險評估[J].中國農(nóng)業(yè)氣象,2013,34(5):606- 610.Xu Y P,Yao X H,Wan X,et al.Risk assessment of meteorological frost disaster during flowering and fruit bearingperiod of Tianshui peach[J].Chinese Journal of Agrometeorology,2013,34(5):606-610.(in Chinese)

[30]姚曉紅,許彥平,劉曉強(qiáng),等.天水春夏季連陰雨天氣對蜜桃生產(chǎn)影響的評估技術(shù)研究[J].中國農(nóng)學(xué)通報,2014,30(31):181-185.Yao X H,Xu Y P,Liu X Q,et al.Influence evaluation of continuous rain to peach production in spring and summer in Tianshui[J].Chinese Agricultural Science Bulletin,2014,30(31):181-185.(in Chinese)

[31]李存軍,王紀(jì)華,王嫻,等.遙感數(shù)據(jù)和作物模型集成方法與應(yīng)用前景[J].農(nóng)業(yè)工程學(xué)報,2008,24(11):295-301.Li C J,Wang J H,Wang X,et al.Methods for integration of remote sensing data and crop model and their prospects in agricultural application[J].Transactions of CSAE,2008,24(11):295-301.(in Chinese)