PhenoFlex框架在苹果开花日期预测中的跨区域验证：一项在德国和西班牙进行的研究

《Agricultural and Forest Meteorology》：Cross-regional validation of the PhenoFlex framework for flowering date prediction in apple: A study across Germany and Spain

苹果芽期预测模型PhenoFlex的校准方法与性能研究。比较了德国和西班牙16个苹果品种在两种校准策略（地点特定与物种特定）及两种优化算法（全局与增强全局）下的模型精度。结果显示物种特定校准在西班牙品种中RMSE降低4.6-5.4天，而地点特定校准对德国品种更优。增强全局优化使最大误差从12天降至7.5天。研究揭示了气候与品种交互作用对模型性能的影响，指出整合多地点数据可提升物种级参数可靠性，为气候变化下的 orchard 管理提供依据。

　　在温带果树中，休眠期的建模对于评估气候变化对树体物候期和春季霜冻事件的影响至关重要。这种建模不仅有助于理解植物如何适应环境变化，还能够为农业生产提供科学依据，帮助制定应对策略。然而，目前的物候模型通常需要针对特定品种进行参数校准，这种做法虽然在个别品种的预测上表现良好，但对整个物种层面的理解和预测能力却有限。因此，本文研究了PhenoFlex模型在德国和西班牙苹果品种中的表现，探讨了使用共享参数和品种特定参数相结合的方法是否能够提升模型的准确性，并为未来气候变化下的温带果园管理提供更可靠的预测工具。

研究中，我们使用了德国5个品种和西班牙11个品种的历史物候和气象数据，分别进行了位置特定（location-specific）和物种特定（species-specific）的校准。两种校准方法均采用了全局优化（global optimization）和增强全局优化（enhanced global optimization）两种拟合流程。结果显示，物种特定校准方法在整体上提高了PhenoFlex模型的准确性，尤其是在西班牙品种中，如‘Clara’的RMSE从5.4天降低到了4.6天。而在德国品种中，位置特定校准方法表现更优。此外，增强全局优化方法显著降低了最大误差，例如‘Collaos’在物种特定校准下的最大误差从12.0天降至7.5天，表现出更高的拟合效率和稳定性。

在物候模型中，温度是影响休眠解除和开花的关键因素。PhenoFlex模型结合了两个子模型：一个用于计算休眠期间的冷积累（chill accumulation），另一个用于计算休眠解除后的热积累（heat accumulation）。通过40年的苹果和梨物候观测数据进行校准，Luedeling等人（2021）已经证明了PhenoFlex模型的高准确性。然而，该模型也存在一定的局限性，尤其是在短期数据和不同气候条件下预测性能不佳的问题。此外，PhenoFlex模型的参数优化过程较为复杂，特别是在处理大规模数据集时，由于参数范围广泛且单位差异较大，算法难以快速找到最优解，导致模型拟合过程耗时且效率较低。

为了克服这些问题，研究团队引入了增强全局优化方法，结合了新的优化工具和策略。例如，通过使用MEIGO优化工具箱，增加了可选的求解器类型，并引入了元启发式算法，如增强的散射搜索（enhanced scatter search），以提高优化效率。此外，还对参数空间进行了调整，包括对激活能（activation energy）和过渡温度等关键参数设置合理的上下限，以减少模型拟合过程中的不确定性。通过这种方法，研究人员在不同的校准方法下，获得了更加稳定和可靠的模型参数。

在参数拟合过程中，我们发现某些参数如y_c和z_c（冷和热需求）在不同校准方法下表现出显著差异。这些参数并非独立存在，而是受到动态模型和生长度日模型（GDD）的影响。因此，在比较这些参数的绝对值时，需要考虑模型结构和校准数据集的组成。此外，通过引入Q10指标，即温度升高10°C时反应速率的变化，研究人员排除了不符合生物学意义的参数组合，从而提高了模型的可靠性。

对于不同的校准方法，模型的参数估计也有所不同。例如，在德国，位置特定校准方法得到的y_c和z_c值高于物种特定校准方法，这可能与德国气候条件的差异有关。而在西班牙，尽管物种特定校准方法在整体上提高了模型的准确性，但某些品种如‘Collaos’在位置特定校准下的表现优于物种特定校准。这种差异可能源于西班牙地区与德国相比，其气候条件更为温和，导致某些参数在物种特定校准中未能准确反映实际的冷热积累过程。

此外，研究还分析了不同校准方法下的冷热响应曲线。结果显示，物种特定校准方法在冷响应方面表现出较为平衡的效果，而位置特定校准方法在某些情况下则提供了更高的冷积累效率。例如，在西班牙位置特定校准下，冷积累的有效温度较低，表明即使在较低温度下也能实现有效的冷积累。然而，增强全局优化方法在热响应方面表现出更大的波动，某些参数甚至超出了已知的生理阈值，这引发了对模型生物学合理性的讨论。

总体而言，PhenoFlex模型在德国品种中的表现优于西班牙品种，这可能与德国长期的物候数据和西班牙较短的数据集有关。尽管增强全局优化方法在某些情况下提高了模型的准确性，但其带来的参数波动性也需要注意。研究还指出，参数估计过程中可能会受到数据噪声和模型结构的影响，因此需要进一步的验证方法，如交叉验证和生理学标准，以确保模型参数的可靠性和生物学意义。

在研究中，我们还探讨了如何通过整合多地点的物候数据来提高物种层面的参数可靠性。例如，对于同一品种在不同地区的数据进行综合分析，可以更全面地反映其在不同气候条件下的适应性。此外，考虑到苹果树在不同地区可能受到不同环境因素的影响，如土壤类型、降雨量和日照时间，研究建议在未来的模型校准中，应尽可能标准化这些变量，以提高模型的通用性和预测能力。

综上所述，本研究通过对比位置特定和物种特定的校准方法，以及全局优化和增强全局优化的拟合流程，揭示了在不同气候条件下PhenoFlex模型的表现差异。研究结果表明，虽然物种特定校准方法在整体上提高了模型的准确性，但位置特定校准在某些情况下仍然具有优势。因此，在未来的温带果园管理中，需要根据具体气候条件选择合适的校准方法，并结合增强的优化策略，以确保模型在不同环境下的稳定性和可靠性。同时，通过整合多地点数据，可以进一步提高模型的适用性，为应对气候变化提供更科学的决策支持。