库尔勒香梨物候期特征及花期预测

doi:10.11924/j.issn.1000-6850.casb2024-0526

摘要/Abstract

摘要：

为精准掌握库尔勒香梨生长周期，优化栽培管理，开展了库尔勒香梨物候期研究和预测。利用库尔勒市1981—2023年气象观测数据和库尔勒香梨物候观测资料，通过趋势分析、相关性分析、显著性检验等方法，研究库尔勒香梨物候期的演变趋势和主要气象因子对物候期的影响，并采用机器学习中随机森林(Random Forest, RF)和长短期记忆网络(Long Short-Term Memory, LSTM) 两种算法对开花期进行预测。结果表明，春季物候期中展叶盛期以0.29 d/a的速率推后，其余表现为提前趋势，提前速率为0.12~0.37 d/a，其中花芽开放期提前量最大，开花盛期最小。秋季物候期中果实成熟期以0.14 d/a的速率提前，叶变色期和落叶期以0.03~0.15 d/a的速率推后。生长季整体以0.14 d/a的速率延长，2012年以后延长较为明显。温度是影响物候期的主要气象因子，对春季物候期影响程度大于秋季物候期，日照时数、降水量也会对物候期有影响。RF预测始花期优于LSTM，LSTM预测盛花期好于RF，两种方法预测末花期表现一般。研究以期为库尔勒香梨的优化栽培管理、农产品提质增效、防灾减灾等提供科学依据。

关键词: 库尔勒香梨, 物候期, 相关分析, 随机森林, 长短期记忆网络, 花期预测

Abstract:

It is of great significance to study and forecast the phenological period of Korla fragrant pear in order to accurately grasp its growth cycle, optimize cultivation management, and improve yield and quality. The phenological evolution trend of Korla fragrant pear and the influence of main meteorological factors on the phenological period were analyzed by means of trend analysis, correlation analysis and significance test. Two machine learning algorithms, random forest (RF) and long short-term memory (LSTM), were used to predict the flowering period. The results showed that, in spring phenology, the peak stage of leaf development was delayed at a rate of 0.29 d/a, and the rest showed an advance trend, with an advance rate of 0.12-0.37 d/a, in which the advance of flower bud opening stage was the largest, and that of flowering peak stage was the least. In the autumn phenophase, the fruit ripening stage was advanced by 0.14 d/a, and the leaf discoloration stage and defoliation stage were delayed by 0.03-0.15 d/a. The growing season extended at a rate of 0.14 d/a, and the elongation was more obvious after 2012. Temperature is the main meteorological factor affecting the phenological period, and its influence on the spring phenological period is greater than that on the autumn phenological period. Sunshine hours and precipitation will also affect the phenological period. RF is better than LSTM in predicting the initial flowering period, and LSTM is better than RF in predicting the full flowering period. The research is expected to provide scientific basis for the optimization of cultivation management, quality and efficiency improvement, disaster prevention and mitigation of Korla fragrant pear.

Key words: Korla fragrant pear, phenophase, correlation analysis, random forest, long short-term memory, prediction of flowering period

霍锦, 昝永黎, 刁鹏, 吴新国, 魏艳英, 龚美玲. 库尔勒香梨物候期特征及花期预测[J]. 中国农学通报, 2025, 41(14): 111-119.

HUO Jin, ZAN Yongli, DIAO Peng, WU Xinguo, WEI Yanying, GONG Meiling. Characteristics of Phenological Period and Prediction of Flowering Period in Korla Fragrant Pear[J]. Chinese Agricultural Science Bulletin, 2025, 41(14): 111-119.

图/表 9

参考文献 31

[1]	孙华, 何茂萍, 胡明成. 全球变化背景下气候变暖对中国农业生产的影响[J]. 中国农业资源与区划, 2015, 36(7):51-57.
[2]	彭颖姝, 高捍东, 苑兆和. 全球气候变化对温带果树的影响[J]. 中国农业科技导报, 2018, 20(7):1-10. doi: 10.13304/j.nykjdb.2017.0463
[3]	李红英, 王啸天, 郑晓倩, 等. 新疆农八师垦区木本植物物候期对气候变暖的响应[J]. 中国农学通报, 2021, 37(12):58-63. doi: 10.11924/j.issn.1000-6850.casb20200100019
[4]	白宇轩, 杜军, 王挺, 等. 2001—2020年藏东南苹果物候期变化特征分析[J]. 中国农学通报, 2022, 38(20):89-96. doi: 10.11924/j.issn.1000-6850.casb2022-0088
[5]	王传耀. 近五十年中国木本植物春季物候变化及其温度敏感性研究[D]. 杨凌: 西北农林科技大学, 2023.
[6]	吴立周. 气候变化对中亚干旱区植被物候的影响[D]. 南京: 南京信息工程大学, 2023.
[7]	王玺, 李亮, 李敏生, 等. 基于ArcGIS的临汾市西山果树区划生态适宜性评价[J]. 果树资源学报, 2020, 1(3):47-52.
[8]	黄金颖, 卢姝, 袁淑杰, 等. 蓟州区核桃树主要物候期农业气象灾害区划研究[J]. 中国农学通报, 2020, 36(26):93-105. doi: 10.11924/j.issn.1000-6850.casb20190700487
[9]	吕润, 梁彩红, 邹海平, 等. 海南妃子笑荔枝精细化农业气候区划研究[J]. 热带农业科学, 2021, 41(12):117-122.
[10]	袁嘉玮, 梁宇卿, 梁哲军, 等. 运城市主要果树花期冻害指标研究[J]. 干旱区资源与环境, 2021, 35(2):143-148.
[11]	李晓川, 陶辉, 张仕明, 等. 气候变化对库尔勒香梨花期的影响及其预测模型[J]. 中国农业气象, 2012, 33(1):119-123.
[12]	张山清, 普宗朝, 尹仔锋, 等. 1979—2012年库尔勒市气温变化对香梨产量的影响[J]. 沙漠与绿洲气象, 2014, 8(4):69-74.
[13]	刘兆旭, 刘晶. 库尔勒香梨生态气候适宜性分析及种植气候区划效益分析[J]. 江西农业学报, 2022, 34(4):160-171.
[14]	李德, 陈文涛, 乐章燕, 等. 基于随机森林算法和气象因子的砀山酥梨始花期预报[J]. 农业工程学报, 2020, 36(12):143-151.
[15]	李德, 乐章燕, 陈文涛, 等. 基于等距拆分和随机森林算法的皖北小麦始花期气象预报[J]. 麦类作物学报, 2023, 43(6):784-797.
[16]	林滢, 邵怀勇. 基于随机森林算法的河南省冬小麦产量预测最佳时间窗和影响因子研究[J]. 麦类作物学报, 2020, 40(7):874-880.
[17]	魏萌秀. 基于机器学习的运城市小麦产量预测[D]. 太原: 山西农业大学, 2022.
[18]	刘丹秀. 基于随机森林和长短期记忆神经网络的气温预测研究[D]. 合肥: 安徽建筑大学, 2022.
[19]	竺可桢, 宛敏渭. 物候学(增订版)[M]. 北京: 科学出版社, 1980.
[20]	BREIMAN L. Random Forests[J]. Machine learning, 2001, 45(1):5-32.
[21]	HOCHREITER S, SCHMIDHUBER J. Long Short-Term Memory[J]. Neural computation, 1997, 9(8):1735-1780. doi: 10.1162/neco.1997.9.8.1735 pmid: 9377276
[22]	郑景云, 葛全胜, 郝志新. 气候增暖对我国近40年植物物候变化的影响[J]. 科学通报, 2002(20):1582-1587.
[23]	陈彬彬, 郑有飞, 赵国强, 等. 河南林州植物物候变化特征及其原因分析[J]. 植物资源与环境学报, 2007(1):12-17.
[24]	刘鑫, 李文辉, 赵恒和. 高寒草原草地植被物候期及其与气象因子的关系模式[J]. 中国农学通报, 2019, 35(22):117-122. doi: 10.11924/j.issn.1000-6850.casb18100027
[25]	克日木·阿巴司, 努尔帕提曼·买买提热依木, 孟凡雪, 等. 喀什地区杏树开花始期与气象因子的相关性及预报方法研究[J]. 中国农学通报, 2021, 37(1):121-131. doi: 10.11924/j.issn.1000-6850.casb20200200099
[26]	高祺, 缪启龙, 赵世林. 气候变暖对石家庄春季物候的影响[J]. 气象与环境学报, 2010, 26(1):21-26.
[27]	霍锦, 冯浩, 仇会民. 荒漠绿洲区木本植物物候研究——以且末地区木本植物为例[J]. 中国农学通报, 2019, 35(2):86-92. doi: 10.11924/j.issn.1000-6850.casb16080038
[28]	付永硕, 张晶, 吴兆飞, 等. 中国植被物候研究进展及展望[J]. 北京师范大学学报(自然科学版), 2022, 58(3):424-433.
[29]	张福春. 气候变化对中国木本植物物候的可能影响[J]. 地理学报, 1995(5):402-410. doi: 10.11821/xb199505003
[30]	郑奕, 刘艳, 吉春容. 环塔里木盆地非对称性增温变化及其对特色林果物候期的影响[J]. 中国农学通报, 2017, 33(31):92-97. doi: 10.11924/j.issn.1000-6850.casb16120096
[31]	杜军, 蒲桂娟, 索朗旺堆, 等. 气候变暖背景下西藏中南部苹果物候期变化及其气候影响因子分析[J]. 中国农业气象, 2023, 44(3):171-181.

要素	月份	花芽开放期	展叶始期	展叶盛期	始花期	盛花期	末花期
气温(T)	3月平均	0.526**	0.284	0.021	0.783**	0.714**	0.705**
	3月最高	0.546**	0.350*	0.014	0.677**	0.609**	0.636**
	4月平均	0.256	0.213	0.073	0.258	0.190	0.240
	4月最高	0.141	0.183	0.267	0.044	0.126	0.001
	春季（3—5月）平均	0.412**	0.258	0.007	0.613**	0.560**	0.503**
日照(SS)	3月	0.183	0.049	0.077	0.316*	0.298	0.344*
	4月	0.262	0.070	0.253	0.088	0.003	0.026
	春季（3—5月）	0.323*	0.057	0.204	0.262	0.175	0.146
降水(R)	3月	0.099	0.014	0.117	0.155	0.118	0.039
	4月	0.104	0.068	0.256	0.083	0.004	0.014
	春季（3—5月）	0.058	0.011	0.250	0.136	0.085	0.095

要素	月份	花芽开放期	展叶始期	展叶盛期	始花期	盛花期	末花期
气温(T)	3月平均	0.526**	0.284	0.021	0.783**	0.714**	0.705**
	3月最高	0.546**	0.350*	0.014	0.677**	0.609**	0.636**
	4月平均	0.256	0.213	0.073	0.258	0.190	0.240
	4月最高	0.141	0.183	0.267	0.044	0.126	0.001
	春季（3—5月）平均	0.412**	0.258	0.007	0.613**	0.560**	0.503**
日照(SS)	3月	0.183	0.049	0.077	0.316*	0.298	0.344*
	4月	0.262	0.070	0.253	0.088	0.003	0.026
	春季（3—5月）	0.323*	0.057	0.204	0.262	0.175	0.146
降水(R)	3月	0.099	0.014	0.117	0.155	0.118	0.039
	4月	0.104	0.068	0.256	0.083	0.004	0.014
	春季（3—5月）	0.058	0.011	0.250	0.136	0.085	0.095

要素	月份	果实成熟期	叶变色始期	叶色全变期	落叶始期	落叶末期
气温(T)	9月平均	0.086	0.322	0.107	0.324*	0.035
	9月最低	0.092	0.320*	0.029	0.315*	0.059
	10月平均	-	0.127	0.162	0.117	0.316*
	10月最低	-	0.166	0.093	0.240	0.009
	11月平均	-	0.072	0.158	0.134	0.102
	11月最低	-	0.125	0.220	0.176	0.095
	秋季（9—11月）平均	0.244	0.136	0.036	0.099	0.094
日照(SS)	9月	0.089	0.283	0.278	0.324*	0.099
	10月	-	0.193	0.111	0.253	0.009
	11月	-	0.189	0.216	0.121	0.240
	秋季（9—11月）	0.089	0.092	0.063	0.063	0.109
降水(R)	9月	0.137	0.256	0.042	0.271	0.204
	10月	-	0.156	0.288	0.327*	0.222
	11月	-	0.312*	0.079	0.180	0.031
	秋季（9—11月）	0.234	0.102	0.183	0.057	0.070

要素	月份	果实成熟期	叶变色始期	叶色全变期	落叶始期	落叶末期
气温(T)	9月平均	0.086	0.322	0.107	0.324*	0.035
	9月最低	0.092	0.320*	0.029	0.315*	0.059
	10月平均	-	0.127	0.162	0.117	0.316*
	10月最低	-	0.166	0.093	0.240	0.009
	11月平均	-	0.072	0.158	0.134	0.102
	11月最低	-	0.125	0.220	0.176	0.095
	秋季（9—11月）平均	0.244	0.136	0.036	0.099	0.094
日照(SS)	9月	0.089	0.283	0.278	0.324*	0.099
	10月	-	0.193	0.111	0.253	0.009
	11月	-	0.189	0.216	0.121	0.240
	秋季（9—11月）	0.089	0.092	0.063	0.063	0.109
降水(R)	9月	0.137	0.256	0.042	0.271	0.204
	10月	-	0.156	0.288	0.327*	0.222
	11月	-	0.312*	0.079	0.180	0.031
	秋季（9—11月）	0.234	0.102	0.183	0.057	0.070

物候期	随机年份	预测值	实际值	差值
始花期	2010	98	101	-3
	1986	100	101	-1
	2017	95	90	5
	1981	90	94	-4
	1988	101	103	-2
	1990	94	95	-1
	1989	97	93	4
	2016	91	90	1
	2022	91	91	0
盛花期	1998	102	99	3
	2016	94	94	0
	1982	96	97	-1
	1999	102	98	4
	2012	95	101	-6
	1994	102	96	6
	1989	103	94	9
	1990	95	96	-1
	2019	95	94	1
末花期	1998	112	110	2
	2016	104	100	4
	1982	104	109	-5
	1999	112	109	3
	2012	105	106	-1
	1994	112	109	3
	1989	113	107	6
	1990	105	110	-5
	2019	105	102	3