王春玲，葉彩華，姜 江

（北京市氣象服務(wù)中心，北京 100089）

0 引言

花粉是有花植物的雄性生殖細(xì)胞，按照傳播方式可以分為蟲媒花粉和氣傳花粉。氣傳花粉相比蟲媒花粉具有數(shù)量大、體積小、質(zhì)量輕、外壁光滑易于被風(fēng)吹散的特點(diǎn)，易進(jìn)入人類呼吸器官，造成過敏等一系列疾病[1-3]。每年春季，北京地區(qū)各類木本植物先后進(jìn)入開花期，并且大部分屬于氣傳花粉[4-6]。在全球氣候變暖的背景下，由于每年氣候的差異性增大，導(dǎo)致各類植物花粉期年際變化較大，部分年份能相差20天以上，這給開展花粉觀測研究以及公眾氣象服務(wù)帶來了困難。

以積溫為基礎(chǔ)的各類物候模型是開展植物花期預(yù)報(bào)的主要手段，國內(nèi)外很多學(xué)者開展了相關(guān)研究。Chuin等[7]基于法國南部城市蒙彼利埃1974—1992年的花粉觀測數(shù)據(jù)，對比了4種主要物候模型對不同花粉植物花粉期的模擬效果，認(rèn)為需要根據(jù)不同植物的特點(diǎn)選擇適合的物候模型。Chung等[8]基于改進(jìn)的積溫模型，利用美國華盛頓地區(qū)1991—2010年的櫻花始花期歷史數(shù)據(jù)建立積溫物候模型，模擬了2020—2080年IPCC 2種排放模式下(A1B、A2)櫻花始花期的變化。國內(nèi)方面，仲舒穎等[9]利用中國42個(gè)站點(diǎn)4種觀賞植物1962—2013年的始花期數(shù)據(jù)建立積溫物候模型，所建模型能夠準(zhǔn)確模擬多個(gè)站點(diǎn)和年份的始花期、末花期變化，均方根誤差為4～6天。陸佩玲[10]利用北京地區(qū)1950—2001年4種木本植物（山桃、杏樹、紫丁香、刺槐）的物候觀測數(shù)據(jù)，建立了基于溫度的非線性植物開花期預(yù)報(bào)模型，模擬結(jié)果較好，均方根誤差為3～6天。

北京市全年氣傳花粉含量呈現(xiàn)出春季、秋季2個(gè)高峰期，其中春季主要是木本植物花粉。筆者以北京市春季4類主要花粉植物（柏科、楊柳科、松科、榆科）為研究對象，利用5個(gè)站點(diǎn)的花粉濃度觀測數(shù)據(jù)確定每種植物的開花期，基于4種主流物候模型（Spring Warming模型、Alternating模型、Sequential模型、Parallel模型），對不同植物種類的花粉起始期進(jìn)行模擬研究，確定每種植物的最適物候模型以及最佳模型參數(shù)組合，以期實(shí)現(xiàn)對主要植物花粉起始期的精確預(yù)報(bào)，為花粉觀測研究、花粉公眾氣象服務(wù)等提供依據(jù)。

1 資料與方法

1.1 研究區(qū)概況和數(shù)據(jù)來源

1.1.1 研究區(qū)概況 北京市位于中國華北地區(qū)北部，地形復(fù)雜，三面環(huán)山，東南部為平原，屬于典型的北溫帶半濕潤大陸性季風(fēng)氣候，夏季高溫多雨，冬季寒冷干燥。得益于良好的氣候條件以及植樹造林等城市綠化工作，北京植物資源豐富，截至2018年底，北京市城市綠化覆蓋率達(dá)到48.44%，人均公共綠地面積達(dá)到16.3 m2。豐富的植被資源也帶來了種類多樣的花粉，歐陽志云等[4]研究認(rèn)為，北京城區(qū)（五環(huán)內(nèi)）共有19科32屬99種植物會(huì)產(chǎn)生致敏性花粉。其中春季花粉主要來源于柏科、松屬、楊柳科、榆科等木本植物[5-6]。

1.1.2 數(shù)據(jù)來源 本研究的花粉濃度數(shù)據(jù)來源于北京市氣象局與北京同仁醫(yī)院2012年聯(lián)合開展的花粉監(jiān)測項(xiàng)目，在全市總共設(shè)立了12個(gè)花粉觀測點(diǎn)。根據(jù)每年的氣候情況（通常通過2月平均氣溫確定）確定當(dāng)年的花粉觀測開始日期，一般比當(dāng)年的花粉季起始日早7～10天左右。開始觀測后，在每天的20:00在觀測裝置內(nèi)放置花粉采樣片，通過重力沉降法，即利用空氣中花粉顆粒本身的重力自然沉降到載玻片上進(jìn)行觀測取樣，載玻片每24 h更換一次，經(jīng)堿性復(fù)紅液染色后在顯微鏡下由專業(yè)人員根據(jù)花粉顆粒的形態(tài)特征進(jìn)行人工分類和計(jì)數(shù)，計(jì)數(shù)結(jié)果換算成單位截面積(1000 mm2)下的花粉數(shù)量。在開展花粉讀數(shù)時(shí)，由于需要通過人工開展花粉分類和讀數(shù)，受限于觀測人員的經(jīng)驗(yàn)和精力等原因，無法實(shí)現(xiàn)精確分類，只能將花粉種類精確到科。

筆者選取北京地區(qū)5個(gè)花粉觀測站點(diǎn)作為研究站點(diǎn)，分別屬于昌平、海淀、豐臺(tái)、石景山、朝陽5個(gè)行政區(qū)（圖1），這5個(gè)站點(diǎn)均位于北京平原人口稠密區(qū)域，具備較好的地理、氣候一致性。根據(jù)文獻(xiàn)[11-12]，當(dāng)某種花粉累計(jì)量達(dá)到其全年總量的2.5%時(shí)，該植物花粉期開始，到達(dá)全年花粉含量的97.5%時(shí)，該植物花粉期結(jié)束。筆者依據(jù)此方法統(tǒng)計(jì)了2012—2019年花粉濃度觀測數(shù)據(jù)，確定了每年各科植物的花粉期起始日期，并得到一共140個(gè)有效花粉期數(shù)據(jù)（榆科32個(gè)、柏科33個(gè)、楊柳科35個(gè)、松科40個(gè)），筆者選取距離花粉觀測站點(diǎn)最近的5個(gè)氣象觀測站2011年秋季—2019年的日平均氣溫資料，用于計(jì)算相應(yīng)的積溫?cái)?shù)據(jù)（表1）。以上數(shù)據(jù)經(jīng)過北京市氣象局信息中心初步質(zhì)量控制，部分缺測數(shù)據(jù)采用插值方法補(bǔ)齊。

表1 北京花粉監(jiān)測站點(diǎn)資料說明（2012—2019）

圖1 北京地區(qū)花粉監(jiān)測站分布圖

1.2 研究方法

采用積溫物候模型的方法研究模擬植物花粉期。1735年，法國學(xué)者德列奧米爾最早發(fā)現(xiàn)積溫對于植物生命周期的影響，1928年，前蘇聯(lián)科學(xué)家李森科發(fā)現(xiàn)冬季低溫刺激可以促進(jìn)部分作物開花。此后積溫逐漸成為植物物候預(yù)測的主要方式，并逐漸發(fā)展為2類模型。一類模型只考慮春季積溫，例如Spring Warming模型[13-14]，另一類則同時(shí)考慮積溫和前一年冬天低溫刺激對植物開花期的促進(jìn)作用（春化作用）[15-17]，例如Alternating 模型[18]、Sequential模 型[19]、Parallel模型[20-21]。筆者用4種模型分別對北京地區(qū)春季主要花粉的起始期進(jìn)行模擬。

針對每一科植物，通過計(jì)算其從前一年9月1日直至花粉期開始期間經(jīng)歷的低溫刺激日數(shù)和積溫總量，分別用4種模型建模，并通過機(jī)器學(xué)習(xí)的方法對積溫閾值(Tb)、低溫刺激閾值(To)等參數(shù)進(jìn)行調(diào)參優(yōu)化，使計(jì)算值達(dá)到最優(yōu)。

1.2.1 Spring Warming模型 Spring Warming模型認(rèn)為植物的生長發(fā)育與能量累積（積溫）呈線性關(guān)系[22]，當(dāng)積溫達(dá)到一定的量，植物即進(jìn)入某一發(fā)育期，模型計(jì)算如式(1)～(2)。

式中，y為開花期，t0為積溫計(jì)算開始日期，GDDforc為到達(dá)開花期需要的積溫閾值，xt為日平均氣溫，Tb為植物發(fā)育臨界溫度，F(xiàn)(xt)為當(dāng)日有效積溫。

1.2.2 Alternating模型 Alternating模型通過累積日數(shù)計(jì)算植物經(jīng)歷的低溫刺激量[22]，當(dāng)累積低溫刺激日數(shù)達(dá)到一定閾值后植物才能進(jìn)入下一個(gè)發(fā)育周期，模型計(jì)算如式(3)～(7)。

式中，y為開花期，t1為低溫刺激起始日期，t2為低溫刺激完成日期，GDDchill為低溫刺激完成的閾值，a、b為無量綱參數(shù)，Sc為累積低溫刺激日數(shù)，R(xt)表示當(dāng)日低溫刺激，xt為日平均氣溫，F(xiàn)(xt)為當(dāng)日有效積溫，Tb為植物發(fā)育臨界溫度。

1.2.3 Sequential模型 Sequential模型認(rèn)為植物只有經(jīng)過一定量的低溫刺激后才能進(jìn)入下一個(gè)發(fā)育周期[22]，模型計(jì)算如式(8)～(11)。

式中，y為開花期，t1為低溫刺激起始日期，t2為低溫刺激完成日期，GDDchill為低溫刺激完成的閾值，GDDforc為到達(dá)開花期需要的積溫閾值，R(xt)表示當(dāng)日低溫刺激，To為最優(yōu)低溫刺激閾值(-3.4～10.4℃)，xt為日平均氣溫，F(xiàn)(xt)為當(dāng)日有效積溫，Tb為植物發(fā)育臨界溫度。

1.2.4 Parallel模型 Parallel模型假定植物的低溫刺激和積溫促進(jìn)可以獨(dú)立運(yùn)行[22]，當(dāng)?shù)蜏卮碳ら撝禌]有達(dá)到時(shí)，積溫對植物發(fā)育的促進(jìn)效率受到負(fù)面的影響，模型計(jì)算如式(12)～(15)。式中，y為開花期，t1為低溫刺激起始日期，GDDforc為到達(dá)開花期需要的積溫閾值，R(xt)表示當(dāng)日低溫刺激，To為最優(yōu)低溫刺激閾值，GDDchill為低溫刺激完成的閾值，Km為模型調(diào)節(jié)參數(shù)(0.1～0.001)，xt為日平均氣溫，Tb為植物發(fā)育臨界溫度，F(xiàn)(xt)為當(dāng)日有效積溫。

1.2.5 參數(shù)率定及模型檢驗(yàn)方法 使用偶數(shù)年資料進(jìn)行模型參數(shù)率定，通過最小二乘法尋找最佳匹配參數(shù)，即當(dāng)觀測值和模擬值誤差的平方和最小時(shí)，判斷參數(shù)為最優(yōu)。由于使用的4組模型中，參數(shù)最多達(dá)到4個(gè)，在限定區(qū)間后，參數(shù)組合仍然超過4.5億組，如果通過遍歷試參法，運(yùn)算耗時(shí)巨大，因此使用同類研究常用的模擬退火算法進(jìn)行調(diào)參[23-25]。其原理是模擬物理學(xué)中固體物質(zhì)退火過程的隨機(jī)尋優(yōu)算法，可以以一定概率接受非最優(yōu)解，從而避免陷入局部最優(yōu)解，并最終達(dá)到全局最優(yōu)解。當(dāng)獲得最優(yōu)參數(shù)組合后，采用偶數(shù)年資料進(jìn)行模型內(nèi)部檢驗(yàn)，采用奇數(shù)年的資料對模型進(jìn)行外部檢驗(yàn)，模型檢驗(yàn)選擇均方根誤差(RMSE)和決定系數(shù)(R2)，均方根誤差表示模擬值與實(shí)際值的偏離程度，值越小表示模擬結(jié)果越好。R2表示模擬值與實(shí)際值的擬合優(yōu)度，介于0～1之間，值越大表示模擬結(jié)果越優(yōu)，計(jì)算如式(16)～(17)。式中，n為樣本量，xi為模擬值，yi為實(shí)測值，為實(shí)測值的平均值。

2 結(jié)果與分析

2.1 模型參數(shù)率定

為了提高運(yùn)算效率，在參照前人研究的基礎(chǔ)上[22,26]，對部分參數(shù)進(jìn)行了簡化，假定Spring Warming模型中積溫起始計(jì)算日期為每年的1月1日，假定Alternating、Sequential、Parallel模型低溫刺激起始計(jì)算日期為前一年的9月1日。同時(shí)對參數(shù)范圍進(jìn)行了限定，參數(shù)范圍及率定結(jié)果見表2。

表2 參數(shù)率定結(jié)果

2.2 模型模擬結(jié)果評價(jià)

采用偶數(shù)年資料率定模型參數(shù)并進(jìn)行內(nèi)部驗(yàn)證，采用奇數(shù)年資料對模型進(jìn)行外部驗(yàn)證。從模擬結(jié)果（表3）可以看到，榆科植物在內(nèi)部檢驗(yàn)階段，4個(gè)模型的模擬結(jié)果相差不大，RMSE均在1.7～1.9天之間，R2介于89%～93%之間，沒有明顯的差別；但是在外部檢驗(yàn)階段，Alternating模型表現(xiàn)出明顯的優(yōu)異性，其RMSE只有1.6天，R2為83.1%，而其他模型RMSE均大于3天，R2小于60%。對于柏科植物，在內(nèi)部驗(yàn)證階段，Spring Warming模型結(jié)果較差，RMSE為2.8天，R2為69.7%。其他3個(gè)模型RMSE相差不大，介于2.2～2.3天，但是Alternating模型R2明顯較優(yōu)，為84.2%，在外部檢驗(yàn)中，Alternating、Sequential模型明顯優(yōu)于其他2個(gè)模型，RMSE為2.3～2.4天，R2均為89.4%。對于楊柳科植物，在內(nèi)部驗(yàn)證階段，4個(gè)模型表現(xiàn)相差不多，RMSE介于1.8～1.9天之間，R2介于85%～87%；在外部驗(yàn)證階段，Sequential模型明顯優(yōu)于其他3個(gè)模型，RMSE只有1.7天，R2為83.7%。對于松科植物，在內(nèi)部檢驗(yàn)階段，Alternating模型表現(xiàn)較好，RMSE為1.3天，R2為90.6%；在外部驗(yàn)證階段，Alternating、Sequential、Parallel模型表現(xiàn)相差不大，RMSE介于1.3～1.4天，R2介于95%～96.1%。

表3 模型結(jié)果檢驗(yàn)

圖2～5分別是榆科、柏科、楊柳科和松科植物所有年份的花粉起始期觀測值與模擬值散點(diǎn)圖。從擬合結(jié)果和表3的檢驗(yàn)結(jié)果看，認(rèn)為榆科、柏科、松科植物擬合最優(yōu)模型為Alternating模型，R2分別為92.1%、91.2%、95.0%；楊柳科擬合最優(yōu)模型為Sequential模型，R2為92.8%。

圖2 榆科植物花粉起始期模擬值與實(shí)測值散點(diǎn)圖(2012—2019)

圖3 柏科植物花粉起始期模擬值與實(shí)測值散點(diǎn)圖(2012—2019)

圖4 楊柳科植物花粉起始期模擬值與實(shí)測值散點(diǎn)圖(2012—2019)

圖5 松科植物花粉起始期模擬值與實(shí)測值散點(diǎn)圖(2012—2019)

3 結(jié)論與討論

筆者以北京城區(qū)榆科、柏科、楊柳科以及松科4類春季主要木本花粉植物為研究對象，利用2012—2019年的花粉濃度觀測數(shù)據(jù)計(jì)算出每種植物的花粉起始期。進(jìn)一步建立了每種植物的花粉期起始日預(yù)報(bào)模型，并對模型進(jìn)行了橫向?qū)Ρ龋玫揭韵陆Y(jié)論：（1）總體來看，本研究4類木本植物花粉期起始日均受到前一年冬季低溫刺激的影響，即前一年冬季溫度越低，當(dāng)年開花期所需要的積溫越少，同等氣候條件下花粉期起始日會(huì)提前。（2）經(jīng)過對Spring Warming、Alternating、Sequential、Parallel 4種模型進(jìn)行橫向?qū)Ρ劝l(fā)現(xiàn)，榆科、柏科、松科植物的最適模型為Alternating模型，RMSE介于1～3天，R2超過91%。楊柳科植物的最適模型為Sequential模型，RMSE小于2天，R2為92.8%，說明基于積溫原理的物候模型，對北京地區(qū)春季木本植物的花粉期起始日有較好的模擬預(yù)測能力，具備應(yīng)用于業(yè)務(wù)保障的潛力，同時(shí)對同類研究具備參考價(jià)值。（3）由于北京市氣象局的花粉濃度觀測項(xiàng)目起始于2012年，目前積累的數(shù)據(jù)樣本偏少，會(huì)對模型結(jié)果產(chǎn)生不可避免的影響，未來待資料積累較多后，可對模型進(jìn)行再次率定和檢驗(yàn)。另外，由于花粉期結(jié)束日不僅受積溫影響，同時(shí)受到風(fēng)、降水等要素的影響，影響過程較為復(fù)雜，本研究中暫未涉及花粉結(jié)束期，未來可以考慮將其他氣象要素如降水、日照等引入模型，從而實(shí)現(xiàn)對花粉期結(jié)束日期的模擬預(yù)報(bào)。