基于隨機森林算法和氣象因子的碭山酥梨始花期預報

李 德，陳文濤，樂章燕，范孝玲，孫 義，孟雅婷，楊 健

（1. 安徽省宿州市氣象局，宿州 234000；2. 河北省廊坊市氣象局，廊坊 065000；3. 安徽省碭山縣氣象局，碭山 235300）

0 引 言

碭山酥梨（Pyrusbretshneidericv. Dangshansu pear）原產(chǎn)安徽省碭山縣，是目前中國栽培面積最大的梨品種和最重要的梨樹資源之一[1-2]。截至2018年，碭山縣境內(nèi)碭山酥梨栽培面積已超過50 000 hm2。開花是梨樹最關鍵的物候期，花期的早晚和長短及開花的質(zhì)量直接影響生產(chǎn)和觀賞的效果。碭山酥梨花期一般在早春氣溫波動較大的3月底到4月上、中旬，始花期的早遲受氣溫影響顯著，且期間有時會發(fā)生霜凍害，既影響人工授粉、疏花等管理活動，也影響梨花觀賞活動的制定與準備[3]。為此，準確預測梨花開始日期，是梨花觀賞活動舉辦和花期霜凍防范等活動的重要前提，已成為氣象服務重要內(nèi)容。目前，國內(nèi)外關于樹木花期等植物重要物候期的預報方法，除少數(shù)學者利用其他指示植物的物候期[4]和依據(jù)芽生長量[5]預報目標植物花期外，多數(shù)是基于一個或多個氣象因子與物候期之間的相關關系建立統(tǒng)計回歸模型，開展迎春花[6]、蘋果[7]、梨[8-9]和桂花[10]花期預測并取得一定成效。然而，統(tǒng)計回歸模型由于存在經(jīng)驗特征強、易出現(xiàn)過擬合以及因子之間共線性等問題，限制了預報精度的提高。同時，植物的始花期與氣象因子之間是一非線性問題[11-12]，由線性回歸模型量化具有較大的局限性。因此，尋找新的預報方法尤為重要。

近年來，隨著計算機技術的發(fā)展，機器學習方法被應用到預測研究中，特別是隨機森林算法（Random Forest,RF）在城市需水量[13]、空氣質(zhì)量[14]、森林火災[15]、大氣降水量[16]和小麥產(chǎn)量預測[17]以及強對流天氣分類預報[18]、小麥葉片SPAD值估算[19]等不同領域已取得較好應用效果。白琳等[20]和Zhang等[21]研究均揭示RF比傳統(tǒng)的多元線性回歸的結果更為理想，處理非線性和分級關系更具優(yōu)勢。Fernandez-delgado等[22]評估了179 種機器學習算法在121個數(shù)據(jù)集上的性能后認為，RF性能最好等。

然而，目前，應用隨機森林算法進行植物物候期預測的研究相對較少。為此，本文篩選影響碭山酥梨花期早遲的關鍵氣象因子作為特征變量，以始花期為目標變量，根據(jù)不同的起報時間，利用RF訓練構建碭山酥梨始花期預報模型進行花期氣象預報，以期提升始花期預報時效和精度，為梨花花期管理活動實施和觀光產(chǎn)業(yè)發(fā)展等提供技術支撐。

1 材料與方法

1.1 研究區(qū)概況

安徽省碭山縣位于蘇魯豫皖 7縣交界處，境內(nèi)年平均氣溫 14.4 ℃，年日照時數(shù) 2 120.0 h，年降水量746.7 mm，全年≥10 ℃的有效積溫4 864.4 ℃·d。土壤為近代黃泛沉積物發(fā)育而成的潮土，土層深厚，通透性好，pH值8.2左右，適宜酥梨栽培。在中國梨樹氣候區(qū)劃中，碭山縣屬于碭山酥梨種植的適宜和較適宜氣候區(qū)[23]。

1.2 數(shù)據(jù)來源

1983－2018年碭山酥梨逐年始花期資料、逐年梨樹越冬期即上年 12月到當年梨樹始花期間的逐日日照時數(shù)、日平均氣溫、日最高氣溫、日最低氣溫和降水量等氣象數(shù)據(jù)，均來自安徽省碭山縣國家氣象觀測站。其中，始花期數(shù)據(jù)為碭山縣氣象觀測站的碭山酥梨長期定位觀測地段資料；觀測地段位于碭山縣國家氣象站觀測場東南方向2.5 km處的安徽省碭山縣園藝場果園內(nèi)，果園土壤肥力中等。觀測植株為1966年定植，梨樹栽植密度為241株/hm2。觀測地段與觀測植株選擇標準和梨樹始花期觀測方法按照《農(nóng)業(yè)氣象觀測規(guī)范（下卷）》[24]執(zhí)行，其中始花期的判定標準是花序上第一批花朵開放。

1.3 研究方法

1.3.1 隨機森林回歸模型構建

1）特征集及目標變量：開花是果樹生長發(fā)育進程中重要的物候期，果樹的開花早遲與前期氣象條件關系十分密切，特別是多數(shù)果樹在盛花期前40 d左右的平均氣溫或平均最高氣溫與開花期早遲有較好的相關性[12,25-31]。為此，首先采用Pearson相關系數(shù)法，篩選梨樹上年度越冬期間（開始期為12月上旬）至開花之前（3月下旬）逐旬及其跨旬氣象要素與始花期相關程度較高（即通過信度水平P＜0.050檢驗）的氣象因子，作為基本特征因子。逐年的始花期數(shù)據(jù)，采用日序法（即儒略日序數(shù)）轉(zhuǎn)換為數(shù)值型數(shù)據(jù)，即1月1日、1月2日、1月3日……分別為1、2、3……，其余類推，并作為目標集。

其次，為反映不同界限溫度的積溫效應對碭山酥梨花芽分化進程的影響，本文依據(jù)碭山酥梨的生物學特性[32-34]、結合環(huán)境氣候特點和生產(chǎn)服務經(jīng)驗，參考相關研究成果[25-26,35-37]，選取≥0 、≥3 ℃、≥5 ℃、≥7.2 ℃4個界限溫度指標，分別對應梨樹越冬結束后樹液開始流動、花芽萌動、打破休眠的最佳溫度和生理休眠終止的上限溫度指標[28-30,32-33]。同時，兼顧所選預報因子距離實際始花日期應有一定提前量，以提升預報結論的實際應用價值，選擇各界限溫度指標計算的終止日期為較常年始花期早6 d的3月25日。即從2月11日開始，每個指標分別計算逐日平均氣溫累積到3月10日、3月11日、…、3月25日，計16個不同終止日期的統(tǒng)計量；其中，≥0、≥3 ℃、≥5 ℃、≥7.2 ℃ 4個指標分別統(tǒng)計其到16個終止日期的活動積溫及其累積日數(shù)，計 8個特征指標；≥3 ℃、≥5 ℃、≥7.2 ℃ 3個溫度指標分別統(tǒng)計其到16個終止日的有效積溫，計3個特征指標，共計11×16組變量，作為積溫效應因子。然后，采用Pearson相關系數(shù)法，篩選出與始花期相關程度較高的特征變量作為積溫效應特征變量。

2）逐日滾動氣象預報模型構建：為建立逐日氣象預報模型，實現(xiàn)始花期滾動預報，滿足實際氣象服務需求。本文將開始預報日期確定在3月10日、終止預報日期選擇在3月25日，自3月10日開始至3月25日，期間每增加1 d、分別選取不同的特征變量進入特征集進行模型訓練，累計訓練構建16個逐日始花期預報模型，實現(xiàn)始花期逐日滾動氣象預報。

隨機森林是由多棵分類回歸樹（Classification And Regression Tree， CART）構成的組合分類模型[38]，選定的特征變量作為特征數(shù)據(jù)與始花期數(shù)據(jù)進行集成共同構成隨機森林的樣本數(shù)據(jù)集，采用隨機抽樣的方法，抽取16%的樣本構成測試集，剩余的84%的樣本構成訓練集。本文所用資料為1983－2018年、共計36個樣本，隨機抽取1988、1990、1994、2003、2016年5 a作為測試集，剩余的31 a作為訓練集。然后，通過自助法（bootstrap）從原始樣本集采樣得到構建N棵樹所需的N個子集，每次未被抽到的數(shù)據(jù)稱為袋外數(shù)據(jù)（Out-of-Bag，OOB），用來進行內(nèi)部誤差估計和特征變量重要性評價；生成每棵樹時，從規(guī)模為M的特征變量集中隨機選擇m個變量（m＜M），對于回歸，采用均方差作為節(jié)點分裂標準，遞歸執(zhí)行選取最優(yōu)分枝的操作。由于隨機森林采用樣本和特征的雙重隨機抽樣構建決策樹，因此即使不對決策樹進行剪枝操作也不會出現(xiàn)傳統(tǒng) CART決策樹過擬合的現(xiàn)象[39]。最后將這些樹的預報結果取平均值，作為目標變量的預測值。本文在逐日始花期的RF算法中，最大節(jié)點數(shù)、最大樹深度、最小子節(jié)點數(shù)、模型數(shù)量分別選取為1 000、10、5、100。

3）各特征變量重要性量化評價方法：本文采用精度下降率來表征各特征變量的重要性，即對所有訓練樣本來說，隨機打亂某一特征變量取值，采用訓練成的模型對測試樣本進行再次預報，并計算其預報誤差率；若這一特征變量的袋外數(shù)據(jù)（OOB）的擬合誤差越大，說明該特征變量越重要[38-39]。本文使用 R語言中的程序包來計算分析各特征變量的重要性。

1.3.2 模型精度評價與驗證

采用 3個指標作為評價模型擬合程度優(yōu)劣，即決定系數(shù)（Coefficient of Determination，R2）、均方根誤差（Root Mean Square Error，RMSE）和預報準確率/預報誤差率（Nd）。

式中n為樣本數(shù)量，ymi表示實際值，ysi表示模擬值，和分別為實際和模擬樣本的平均值，Nr表示采用訓練集和測試集數(shù)據(jù)利用預報模型進行預報的始花日期與實際觀測始花日期相差在±1 d和±2 d（不包含±1 d）及其誤差在±3 d以上的年份數(shù)，Nf為采用訓練集和測試集數(shù)據(jù)進行預報的總年份數(shù)；當誤差日數(shù)為±1 d和±2 d（不包含±1 d）時，計算得到的Nd稱為預報準確率（單位：%）；當計算得到的誤差為±3 d以上時，Nd稱為預報誤差率（單位：%）。

2 結果與分析

2.1 碭山酥梨始花期的變化特征

1983－2018年，碭山酥梨始花期平均出現(xiàn)在4月2日，最早出現(xiàn)在3月24日（2004年）、最遲出現(xiàn)在4月12日（1988年），最早與最遲日期最大相差19 d。采用峰度和偏度檢驗法[40]，對歷年始花期出現(xiàn)的時間序列進行正態(tài)分布性檢驗。結果表明，始花期時間序列的峰度和偏度絕對值分別為 0.695、0.068，均小于理論峰度（2.450）和理論偏度（1.225），表明，1983－2018年碭山酥梨始花期序列呈正態(tài)分布（圖 1a），可以采用線性趨勢法進行演變趨勢分析[40]。

線性趨勢分析結果表明，1983－2018年，碭山縣碭山酥梨始花期呈極顯著（P＜0.001）提早發(fā)生趨勢（圖1b），每10 a約提早2.750 d。

2.2 影響始花期的氣象因子篩選及其評價

2.2.1 影響始花期的旬尺度氣象要素

經(jīng)過相關性分析，在所計算的旬以及不同旬組合的氣象因子與始花期之間相關性中，通過P＜0.050信度水平檢驗的特征變量有14個。其中，平均氣溫5個、最高氣溫4個、最低氣溫3個、日照時數(shù)2個。各特征變量的物理意義見表1。

圖1 1983—2018年碭山酥梨始花期分布特征與演變趨勢Fig.1 Distribution characteristics and evolution trend of Dangshansu pear in its first flowering dates from 1983 to 2018

表1 旬及跨旬尺度氣象要素與始花期相關系數(shù)Table 1 Correlation coefficients between meteorological elements and first flowering dates at ten-day scale and interten-day scale

由表1可見，不同旬及跨旬尺度溫度要素與始花期之間均呈極顯著（P＜0.001）負相關關系，各溫度要素的開始時間為2月中旬，此時正值梨樹越冬中后期，表明越冬中后期及之后的溫度條件與梨樹花芽完成休眠并開始萌芽、開花密切相關，其中以2月中旬—3月中旬、2月中旬—2月下旬、2月中旬—3月上旬、3月下旬的平均氣溫和3月下旬平均最高氣溫與始花期相關程度最高，相關系數(shù)在?0.750～?0.650之間；3月中旬的平均最低氣溫及其他時段溫度要素的相關程度次之、相關系數(shù)在?0.600～?0.550之間。旬及跨旬尺度降水量與始花期早遲之間未有通過顯著性檢驗的因子，表明在碭山縣梨樹自越冬以后到萌芽開花期間，降水量的多少對梨樹開花早遲無顯著性影響。光照條件有2個時段，即3月中旬和3月下旬的日照時數(shù)與始花期之間呈弱相關關系，相關系數(shù)分別為?0.343和?0.444?？紤]到梨樹始花期預報工作的實際應用價值，和實際預報時所選的預報因子應為實況值以降低采用預報值或估測值進行預報所產(chǎn)生的誤差，為此，本文篩選始花期預報模型所需特征變量的原則，一是應為實況值，二是距離實際始花期要有一定的提前量，以利于提前部署花期低溫霜凍害防御工作和開展授粉、疏花等管理活動，同時，也可為梨花觀賞活動的適時開展提供一定的籌備時間；因此，對于部分相關程度較高的3月下旬氣象因子，不作為特征變量入選；同時，優(yōu)先選擇通過較高信度水平（P＜0.001）檢驗的因子作為預報特征變量，共計9個，分別為 Tav-1、Tav-2、Tav-3、Tav-4、Tmin-1、Tmin-2、Tmax-1、Tmax-2、Tmax-3。

2.2.2 不同界限溫度積溫與始花期相關性

Pearson相關系數(shù)分析表明，不同積溫量和累積日數(shù)與梨樹始花期相關性，僅有6個特征指標通過P＜0.010信度水平的顯著性檢驗，分別為逐日平均氣溫≥0與≥3 ℃活動積溫、逐日平均氣溫≥3 ℃、≥5 ℃和≥7.2 ℃有效積溫和逐日平均氣溫≥7.2 ℃的累積日數(shù)；每個指標自2月11日累計到3月10日為1個變量，即3月10日為 6個特征變量，參于訓練每日始花期氣象預報模型；自3月10日開始，向后每增加1 d，6個特征指標即增加1組，至3月25日，共計6×16組變量。各個特征指標的表示符號及其意義見表2。

圖2為不同日期6個特征變量與碭山酥梨始花期之間的相關系數(shù)。

表2 積溫效應特征變量Table 2 Characteristic variable of accumulated temperature effect

圖2 不同界限溫度的積溫及累積日數(shù)與始花期之間相關系數(shù)Fig.2 The correlation coefficient between accumulated temperature ,cumulative days and first flowering dates

由圖2可見，6個特征變量總體上呈現(xiàn)3大特征，1）各特征變量自3月10日開始至3月25日的逐日相關程度越接近梨樹始花期相關程度越高。2）ΣTa1i、ΣTa2i、ΣTa3i三組特征變量與始花期的相關程度普遍高于 ΣTa5i、ΣTa6i、ΣTni三組特征變量；同時，ΣTa1i、ΣTa2i、ΣTa3i和 ΣTa5i四組特征變量的16個時段與始花期之間的相關程度均通過P＜0.001的顯著性檢驗，表明，越冬后到始花前之間≥0與≥3 ℃活動積溫及其3 ℃以上有效積溫 3個變量，相較于其他 3個變量，對碭山酥梨始花期早遲的有著重要影響。3）每個特征變量與始花期之間的相關程度均呈波動性變化的，且自3月15日開始到3月25日隨著距離實際花期日期的臨近其相關程度亦逐漸增強。為此，選擇 3月 10日－3月25日之內(nèi)，5個積溫量和1個累計日數(shù)，計6個變量，累計 16日共計96個特征變量，分別按照逐日預報模型的預報的時間先后順序，作為特征變量入選預報模型。

2.3 逐日始花期氣象預報模型及其特征變量重要性分析

2.3.1 逐日始花期氣象預報模型

以3月10日為始花期開始預報日，進行首個氣象預報模型構建，之后，每增加1 d訓練構建1個始花期氣象預報模型的方法，累計構建16個預報模型。

由表1和圖2，分別選取預報日之前的氣象因子作為特征變量進行模型訓練，其中，Tav-3、Tav-4、Tmin-2、Tmax-3四個氣象因子的計算終止日期是3月20日，雖然其相關性強，但在訓練構建3月10日—3月19日的10個逐日氣象預報模型時，為避免氣象因子為估算值或預報值，故未選擇這4個氣象因子，僅選用計算終止日在3月20日前的11個特征變量；而訓練構建3月20日—3月25日的6個逐日氣象預報模型時，則選擇所有通過顯著性檢驗的15個特征變量。各逐日氣象預報模型入選的具體特征變量情況見表3。

根據(jù)參加各日始花期預報模型訓練構建的氣象因子，結合表1和圖2中的各氣象因子的相關系數(shù)，比較后發(fā)現(xiàn)，16個逐日氣象預報模型中，共計200個氣象因子，其中相關系數(shù)最小的為0.469（即因子ΣTa61）、最大的為0.789（即因子ΣTa216）。

2.3.2 逐日氣象預報模型中各特征變量的重要性評價

經(jīng)計算，得到3月10日、3月11日、…、3月25日16個預報日氣象預報模型中各特征變量的重要性排序。比較發(fā)現(xiàn)：

表3 不同模型所選特征變量Table 3 Characteristic variables from different models

1）不同預報模型的特征變量重要性排在前2位和最后2位的并不相同。3月10日－3月17日的8個預報日預報模型的特征變量重要性排在前 2位的是 Tav-2和ΣTa2i（i=1，2，…，8）；3月18日－3月25日8個預報日預報模型的特征變量重要性，除3月22日與3月23日 2個預報日預報模型排在重要性首位和次位的分別為ΣTa313、ΣTa314和Tav-2、ΣTa214外，其他日期預報模型排在前 2 位的分別是 ΣTa19、ΣTa110、ΣTa111、ΣTa112、ΣTa115、ΣTa116、Tav-2和ΣTa316。各預報日預報模型特征變量重要性排在最后2位的2個特征變量中，出現(xiàn)次數(shù)最多的是Tmax-i和ΣTni，分別出現(xiàn)12和11次；其次是ΣTa3i和Tav-i，各出現(xiàn)3次；而ΣTa5i、和Tmin-i出現(xiàn)次數(shù)最少，分別為2次和1次。

2）不同預報模型中重要性所占比例較大的特征變量個數(shù)存在差異，且臨近預報終止日、占比較大的特征變量個數(shù)趨于增多。3月15日前6個預報日預報模型中，各特征變量重要性排在前 2位的所占比例較大，自第 3位特征變量開始其重要性快速下降；而3月16日及之后的10個預報模型中，占比例較大的特征變量個數(shù)逐漸增多，如第16預報日的預報模型各特征變量重要性在第8個特征變量才開始迅速下降。

另外，比較各特征變量與始花期的相關系數(shù)及其在各預報模型中的重要性（表1和圖2）可以發(fā)現(xiàn)，a）各預報模型中特征變量重要性排在前 2位的氣象因子，并非是其相關性最強的。如3月10日－3月17日8個預報模型中，特征變量排在前2位的氣象因子Tav-2和ΣTa2i（i=1，2，…，8），其與始花期的相關系數(shù)分別為?0.667和在?0.640～?0.704之間，相關性明顯弱于重要性排在后面的特征變量ΣTa1i和ΣTa3i；而與始花期相關性最強的特征變量ΣTa3i，僅在3月22日、23日的預報模型中排在特征變量重要性首位。b）各預報模型中特征變量重要性排在最后2位的氣象因子，并非是相關系最弱的，如模型16中的ΣTn16的相關系數(shù)為?0.691。說明不同時期的氣象條件對梨樹花芽發(fā)育的影響有明顯差異性和復雜性。

綜合上面分析可發(fā)現(xiàn)，3月10日－3月17日，決定梨樹始花早遲的最重要氣象條件是2月中旬－3月上旬平均氣溫；3月18日－3月25日則是日平均氣溫≥0 活動積溫。在具體預報實踐中，應對重要性排在前面的特征變量給予特別關注，以避免其較小變化而引起預報精度的顯著下降。

2.4 預報模型評價及其2019年預報試驗

2.4.1 預報模型預報準確率和誤差率評價

按照公式（3）分別計算 16個預報日預報模型的訓練集和測試集誤差范圍在±1 d、±2 d（不包含±1 d）的準確率及其誤差在±3 d以上的誤差率。

從圖 3可以發(fā)現(xiàn)，各預報模型的預報準確率（即誤差在2 d以內(nèi)的頻率）訓練集為92.9%、測試集為75.5%；同時，各預報模型的訓練集與測試集誤差±2 d之內(nèi)的準確頻率，呈現(xiàn)隨著預報時間距離實際開花日期的臨近、其準確率逐漸增加的特征；尤其是模型15和模型16，即預報日期在3月24日和3月25日時，測試集未出現(xiàn)±3 d以上的誤差，可見各氣象預報模型的預報精度較高。

圖 4給出了各預報模型的訓練集與測試集的均方根誤差（RMSE）和決定系數(shù)（R2）。

由圖4a可見發(fā)現(xiàn)，各預報模型的RMSE，訓練集在1.693～2.870之間，且呈逐漸減少趨勢；測試集的RMSE在2.240～7.237之間，除模型7、模型8和模型9三個預報模型的RMSE有所增大外，其余13個預報模型，特別是自模型8開始，測試集的RMSE逐漸減小趨勢明顯。

圖3 逐日預報模型訓練集與測試集誤差分布Fig.3 Error distribution of the training set and test set of the daily forecast model

圖4 各預報模型訓練集與測試集的均方根誤差（RMSE）和決定系數(shù)（R2）Fig.4 Root mean square error (RMSE)and determination coefficient (R2) of training set and test set of each forecast model

16個預報模型訓練集與測試集的決定系數(shù)（圖4b）平均值分別為0.891和0.701且呈現(xiàn)相似特征，除測試集在模型7、模型8和模型9時的決定系數(shù)（R2）減小外，其他時間的預報模型，訓練集和測試集的預報結果的決定系數(shù)均呈增大趨勢，表明越接近實際開花日期，預報模型的預報精度越高。

2.4.2 2019年預報試驗準確率

利用2019年安徽省碭山縣國家氣象站觀測到的實際氣象數(shù)據(jù)，計算得到入選各預報模型的特征變量值，驅(qū)動各時期的預報模型，即得到2019年碭山酥梨始花期的預報日期，并與2019年碭山縣國家氣象站實際觀測的碭山酥梨始花日期相比較，得到始花期預報值與實際值的誤差（圖5）。

圖5 2019年碭山酥梨始花期各預報模型的預報值與實際值Fig.5 Predicted value and the observed value of each forecast model of Dangshansu pear at the first flowering date in 2019

由圖5發(fā)現(xiàn)，各預報模型對2019年碭山酥梨始花期的預報精度均較高，其中，模型1～模型5的預報誤差在?2 d之內(nèi)，模型6和模型7的誤差在?1 d之內(nèi)，然而自3月17日開始（模型8）及以后8個預報模型的預報值與實況值完全一致，即在15 d前準確預報出當年始花期，可見，本文建立的氣象預報方法具有較高預報精度。這樣的預報結論對指導梨花低溫霜凍防御準備工作和賞花節(jié)活動安排等具有很高的實用價值。

3 討 論

各特征變量的重要性度量表明，16個預報模型排在前2位和最后2位的特征變量在不同預報日不并相同，其中，2月中旬－3月上旬平均氣溫出現(xiàn)最多（14次），其次是≥0活動積溫（11次）、≥3 ℃活動與有效積溫（各10次），出現(xiàn)次數(shù)最少的是≥5 ℃與≥7.2 ℃有效積溫和2月下旬平均最低氣溫（各1次），表明對梨樹花期早遲有著重要影響的氣象條件隨著距離實際花期的臨近是變化的，且是多個氣象條件疊加影響的結果。利用RF算法能夠處理多維特征數(shù)據(jù)并能將多因素的疊加影響綜合反映出來的特點[38-39]，本文基于11～15個氣象因子，實現(xiàn)了梨樹花期逐日滾動氣象預報，經(jīng)2019年預報試驗，表現(xiàn)出一定的預報潛力。這與傳統(tǒng)上建立單個或多個氣象因子回歸方程[4-7,9-10]的預報方法有明顯區(qū)別。

特征變量的篩選是訓練花期預報模型的基礎和提升RF模型輸出精度的有效方法[17,19]。本文依據(jù)相關研究成果、生產(chǎn)服務經(jīng)驗和碭山酥梨生物學特性及環(huán)境氣候特點，確定不同時間段的日平均氣溫、最高氣溫、最低氣溫和部分界限溫度積溫及其累積日數(shù)為初選特征變量，以相關程度高為原則，篩選氣象因子并進行模型訓練；其中，3月10－19日10個模型入選特征變量11個、3月20－25日6個模型入選特征變量15個；這為解決目前對影響碭山酥梨花期的氣象條件研究尚較欠缺的條件下，開展始花期氣象預報提供了思路和方法。

本研究發(fā)現(xiàn)，不同時段的前期氣溫與梨樹始花期早遲密切相關，尤其是2月中旬－3月中旬平均氣溫與始花期呈極顯著負相關，而且影響始花期早遲的溫度與不同界限溫度的積溫及其累積日數(shù)越臨近始花期相關程度越高，這與部分學者揭示蘋果[7]、桃樹[27]花期與前期氣溫相關性的結論相吻合。不同時段的日照時數(shù)中，除 3月下旬與花期呈顯著相關外，其他時間僅與始花期存在弱相關關系，這與一些學者認為的果樹花期早遲與日照條件關系相對較弱[9,35-37]的結論一致。不同時段降水量與花期之間相關性均未通過顯著性檢驗，表明降水量多少對梨樹開花早遲無顯著性影響；分析認為這與碭山縣地處北亞熱帶向暖溫度帶的氣候過渡帶，淺層地下水位較高，年降水量相對豐富[3,23]，碭山酥梨越冬向萌芽開花轉(zhuǎn)變期自身需水量較少的生物學特性有關，也佐證了果樹開花主要受前期溫度條件所支配的結論[25-26,33-37]。本研究中入選16個逐日預報模型的特征變量均為氣溫及其氣溫基礎上的統(tǒng)計量，也印證了一些學者的研究與實驗結論，即溫度是決定植物物候期最重要的氣象因子，且完成某發(fā)育期需要一定數(shù)量的積溫[28,30]。

另外，有研究指出土壤溫度[8]、需冷量[32-33]和時積溫[41]等環(huán)境參量以及樹齡和施肥與灌水等管理措施[42]也與樹木花期有關。本文是從氣象預報服務角度對區(qū)域內(nèi)總體花期進行預報而并非單一果樹或果園，考慮到資料的易取性，并未涉及這些參量，這是本研究未來需要改進之處。

4 結 論

1）在全球氣候變暖影響下，1983－2018年碭山酥梨始花期呈極顯著提前發(fā)生趨勢，每 10 a約提前 2.750 d（P＜0.001）。

2）碭山酥梨始花期早遲與前期平均氣溫、最低氣溫、最高氣溫以及不同界限溫度的積溫量等氣象因子密切相關，相關系數(shù)在 0.469～0.789之間；且距離始花期越近、其相關性越強。

3）從3月10日起報到3月25日終報，由16個氣象預報模型實現(xiàn)逐日滾動氣象預報，各預報模型的預報精度均較高，其訓練集與測試集誤差在±2 d以內(nèi)的平均正確率分別為92.9%、75.5%；在2019年試驗預報中，提前15 d正確預報出當年始花期。