气候变率对多年生果树产量的影响：来自意大利北部特伦蒂诺-上阿迪杰的机器学习洞察

《Agricultural and Forest Meteorology》：Climate variability and perennial fruit crop yields: insights from Trentino-Alto Adige, Northern Italy

本研究针对山区气候敏感农业生态系统中多年生作物适应规划的需求，探讨了意大利北部阿尔卑斯山区苹果和葡萄产量对年际气候变率的响应。结合线性回归与随机森林（RF）机器学习技术，研究发现苹果产量比葡萄产量更易受气候变率影响，霜冻发生和热量相关指数是关键预测因子。机器学习方法揭示了产量对关键气候阈值的非线性响应，为维持长期作物生产力提供了数据驱动的决策支持。

　　

在全球气候变化背景下，温度上升、降水模式改变以及极端天气事件频发对全球农业构成了重大威胁。农业系统对气候变率和变化高度敏感，这会影响作物的产量、品质和整体生产力。这对于果园和葡萄等多年生作物尤为关键，因为它们的整个生长周期都依赖于特定的气候条件。像特伦蒂诺-上阿迪杰这样的山区环境，其气候梯度、地形异质性和当地管理实践可能调节作物的响应，但人们对年际气候变率如何历史性地影响这些特定区域背景下的产量模式，仍然缺乏实证理解。

为了填补这一知识空白，一项发表在《Agricultural and Forest Meteorology》上的研究，以意大利北部阿尔卑斯山区的特伦蒂诺-上阿迪杰为案例，深入探讨了年际农业气候指数变率对苹果和葡萄产量的影响。该地区是欧洲生产力最高的水果种植区之一，专门生产苹果和葡萄，对意大利的农业产出贡献显著。其独特的地形创造了多样化的微气候，为不同类型的农业提供了适宜条件。这项研究旨在通过结合长期产量记录和一套基于温度和降水的指数，探索年际气候异常对作物表现的影响，特别关注极端事件（如霜冻、热浪、干旱期等）在该地区不同地点的作用。

为了回答这些问题，研究人员开展了一项综合性的分析。研究首先对1981年至2016年期间特伦蒂诺-上阿迪杰（包括特伦托和博尔扎诺两个自治省）的苹果和葡萄单产进行了长期趋势分析。为了专注于年际变率，研究人员对产量和农业气候时间序列进行了去趋势处理，通过计算观测值与线性趋势拟合线预测值之间的残差来实现。随后，研究采用了两种主要的分析方法：一是基于皮尔逊相关系数的简单线性回归分析，用于初步识别与产量变率线性关系最强的农业气候指数；二是随机森林（Random Forest, RF）回归模型，这是一种集成学习方法，能够捕捉变量间的非线性相互作用和复杂依赖关系，而无需事先假设关系形式。研究人员为每个作物和气象站分别训练了RF模型，主要将其作为探索性工具，用于评估农业气候变量在解释年际产量变率中的相对重要性。通过变量重要性度量（基于排列的R2平均减少量）和个体条件期望（Individual Conditional Expectation, ICE）图，研究深入揭示了产量对关键气候阈值的非线性响应。

研究的关键技术方法主要包括：利用来自区域监测网络的均一化日气象数据（1981-2016年）计算一系列农业气候指数；应用曼-肯德尔（Mann-Kendall）趋势检验和泰尔-森（Theil-Sen）斜率估计器分析指数趋势；对产量和气候数据进行去趋势处理以聚焦年际变率；使用皮尔逊相关进行线性关系评估；构建随机森林（RF）回归模型以探索非线性关系，并通过变量重要性分析和ICE图进行模型解释。

3.1. 苹果和葡萄产量的趋势

分析显示，苹果产量在特伦托和博尔扎诺两省均呈现明显的上升轨迹，这主要归因于过去几十年该地区实施的结构性改进，如高密度果园、克隆砧木、增强的害虫防控和采后创新。相反，葡萄产量在博尔扎诺省呈现微弱的负趋势，而在特伦托省则有轻微的正趋势。这反映了不同的品种组合和市场驱动转变：博尔扎诺省转向强调优质、低产量的葡萄酒模式，而特伦托省则有更大比例的葡萄园用于起泡酒基酒生产，适度高产仍具有经济优势。

3.2. 农业气候指数的趋势

温度相关指数显示出比降水相关指数更一致和空间连贯的变化模式。整个地区生长季明显变暖，温克勒（Wi）和于日朗（Hu）指数（捕捉葡萄发育和成熟所需的关键热量积累）在几乎所有站点都显示出显著增加的趋势。与极端高温事件相关的指数，如年最高温度超过30°C的天数（ndTXy>30）和生长季最高温度超过20°C的天数（ndTXgs>20），也表现出广泛且显著的增加。生长季平均温度（Tmgs）和夏季平均最高温度（TXsum）在几乎所有站点都呈上升趋势。年霜冻日数（ndTNy<0）明显减少，但关键早春时期（3月至5月）的霜冻发生和最低气温（ndTNmm<0和TNmm）趋势较弱且空间不一致。生长季总降水量（Pgs）和雨日数（ndPgs）变化非常有限，只有干旱期指数（DrSp）显示出更一致的模式，部分站点显著减少。

3.3. 农业气候指数与作物产量的关系

3.3.1. 简单线性回归

线性相关分析结果表明，苹果产量比葡萄产量更一致地受到温度指标的影响。年霜冻日数（ndTNy<0）与苹果产量在大多数站点呈强负相关，突显了霜冻事件作为苹果生产限制因素的作用。热量积累指数（Wi, Hu）和生长季平均温度（Tmgs）在南部部分站点显示出正相关。与高温胁迫相关的指标通常与苹果产量相关性较弱或不显著。降水相关指数与苹果产量的相关性普遍较弱，仅在特定站点有显著关系。葡萄产量未表现出对霜冻指标的清晰或广泛的敏感性。热量积累指数和Tmgs显示出正相关（尽管通常不显著）。极端高温指标显示出弱且混合的模式。降水相关性也普遍较弱，仅生长季雨日数（ndPgs）在个别站点显示出一些显著的负相关。

3.3.2. 随机森林回归和变量重要性分析

RF模型显示出对苹果和葡萄产量变率的高解释力（R2值分别介于0.86-0.94和0.81-0.89）。变量重要性分析证实，对于苹果，霜冻相关变量（尤其是ndTNy<0）是多数站点产量变率的主要预测因子。ICE图揭示了超过约每年100个霜冻日的阈值后，产量急剧下降的阶梯式负相关关系。热量积累指数（Hu, Wi, TXsum）也扮演关键角色，其ICE图通常显示对产量的积极影响，常呈现阶梯式或饱和趋势。降水相关指数对苹果产量的解释作用普遍较小。对于葡萄，产量表现出更大的空间异质性和对特定气候变量的较低敏感性，没有单一的预测因子在所有站点中清晰且一致地突出。热指标（TXsum, Tmgs, ndTXy>30等）是RF模型最常选择的预测因子，其ICE图显示超出特定阈值值后产量减少的渐近行为，这与葡萄藤的生理胁迫一致。降水相关指数通常作用边际，仅在一个站点（罗韦雷托），生长季雨日数（ndPgs）成为最重要的预测因子，ICE图显示在85-90个雨日左右产量急剧下降。

研究结论指出，苹果产量比葡萄产量更紧密且一致地受到气候变率的影响，霜冻指数和暖相关变量是主要预测因子。RF模型的可解释性输出允许识别产量与农业气候指数之间的不同关系，例如苹果产量在关键霜冻日数以上急剧下降，或在热量积累高水平时收益递减，指出了非线性的生理限制。相比之下，葡萄产量表现出更空间异质性和缓冲的响应，可能反映了更大的品种多样性、气候敏感性以及适应性管理实践。

这项研究的意义在于强调了基于机器学习的数据驱动建模策略与物理解释性相结合的重要性。在日益受气候变率影响的水果种植区，此类方法可以增强农业气候评估的稳健性，并为旨在确保长期作物可持续性的循证决策提供支持。通过揭示产量对关键气候阈值的非线性响应，该研究为制定针对性的适应策略以维持山区农业生态系统的生产力提供了宝贵的见解。