中山杏梅的介绍与花期预报

中山杏梅的介绍与花期预报

三月二十一日， 中山公园内由中科院院士陈俊愉命名的“中山杏梅”开放。中山公园梅园共有梅树近100株，有江梅等品种近70个，其中“中山杏梅”为公园的特有品种。

至于花期预报，你可以参考下面的榆叶梅花期预报，利用形态测量法进行物候观测。

利用形态测量法进行榆叶梅花期预报的研究

摘要：本文采用形态测量法，以芽长、芽宽作为形态测量指标，在2008年2月27日～2008年4月1日对3株榆叶梅进行了观测，分别根据芽长、芽宽、芽长×芽宽与距始花日期建立了相应花期预报模型，把3日滑动平均值带入模型，对模型进行检验。检验结果表明，部分模型满分率较高，应用价值较大。
关键词：榆叶梅 形态测量法 花期 预报
1、引言
榆叶梅（Prunus triloba Lindl） ，蔷薇科，李属。因叶似榆叶而得名，是我国北方地区普遍栽培的观花树种。原产中国北部，现今各地几乎都有分布。落叶灌木，高3～5米，小枝细，无毛或幼时稍有柔毛。叶椭圆形至倒卵形。是我国北方地区园林、庭院中常见的一种花木。
榆叶梅呈半球形的植株全部布满色彩艳丽的花朵，十分美丽且壮观。并且，榆叶梅仲春开放，有一定季节指示作用，因此研究其花期预报就具有一定的理论和实践意义。
2、材料和方法
2.1观测材料的选择
本文作者居住于首都师范大学学生公寓6，根据方便取样的原则，选取距离学生公寓6最近的3株榆叶梅。3株榆叶梅分别被命名为1号，2号，3号。如图所示。
2.2观测数据的采集与处理
采用形态测量法，即我们用网格纸测量榆叶梅花芽的长（a）、宽（b），单位为毫米，估算到小数点后一位。每株榆叶梅随机选取10枚发育正常花芽，共计30枚，每天测量或隔天测量。这样做的好处是直接在树体上进行花芽长、短轴的测量,不会损坏研究对象,方法简便易行。与以往依据生态条件(主要是气温)进行花期预报,或在不同树木花期之间进行预报,都需要多年的观测数据才能够建模相比,具有建模周期短的特点,这样可以大大地减小研究开发的周期。
由于研究小组成员的疏忽，使得3月22日和3月23日的数据丢失，造成了一定损失。这在研究中应该杜绝。但我们依然可以应用现有数据进行数据统计，进而得出结论。
采用Microsoft Excel2003进行数据统计分析。
2.3预报模型的建立
每次观测后分别计算每株10枚花芽长、短轴的均值,取小数点后两位,一起填入记录表中。将各株花芽观测值,按照距始花日期天数的多少进行排序,然后对距始花日期天数相同的各株观测数据进行平均,这样做的目的,是为了减小由于观测和株间以及年度间自然和人为原因产生的随机性误差和波动,从而得到更具代表性的花芽观测值和距始花天数相对应的数据。为了反映芽连续生长的情况,对观测值进行3日滑动平均处理, 所谓3日滑动平均,就是将连续观测3日的数据进行平均,然后逐日向后推移可以更好地反映其生长的趋势性变化,于是便形成了距始花天数与相应于这一天的花芽观测值3日滑动平均值的变量对。从而，用Microsoft Excel2003建立了相应模型。
2.4预报模型的检验
采用分级加权百分数计分评判法,进行了预报准确性评定。用花芽观测值3日滑动平均值逐日代入预报方程,得到当日距始花日的理论天数。根据理论天数和实际天数的误差（Yi-^Yi）进行分级，即: |Yi-^Yi|≤1d为Ⅰ级；1 d<|Yi-^Yi|≤3 d为Ⅱ级；3 d<|Yi-^Yi|≤5 d为Ⅲ级；|Yi-^Yi|>5 d为Ⅳ级。然后,统计各级预报的次数,并计算它们在一个预报序列中各自所占的百分率。再后,按照Ⅰ级得4分,Ⅱ级得3分,Ⅲ级得2分,Ⅳ级得1分的权重计算各级得分。最后,将每一个预报序列中的各级得分加和在一起,除以400，计算其满分率。满分率高则预测效果好。

3、预报模型的建立
3.1根据芽长建立模型
在直角坐标中绘制散点图。由此可以发现,花芽长度与距始花天数之间具有良好的相关趋势,于是进一步对它们进行相关、回归分析,并建立预报模型。不论线性模型,还是多项式曲线模型,其相关系数均通过了α=0.001的显著性检验(n=32),这说明预报模型的建立具有统计学意义。因此,可以将这两个回归方程,作为榆叶梅始花日期的测报工具。
3.2根据芽宽建立模型
建立方法同上，分别建立了线性模型和对数模型。
3.3根据芽长×芽宽建立模型
建立方法同上，分别建立了线性模型和对数模型。

4、预报模型的检验
4.1对芽长模型的检验
4.1.1对线性模型的检验
满分率=（4*34.375+3*40.625+2*18.75+1*6.25）/400=75.78%
4.1.2对多项式模型的检验
满分率=（4*68.75+3*31.25）/400=92.19%
4.2对芽宽模型的检验
4.2.1对线性模型的检验
满分率=（4*34.375+3*50+2*9.375+1*6.25）/400=78.125%
4.2.2对对数模型的检验
满分率=（4*53.125+3*43.75+2*3.125）/400=87.5%
4.3对芽长×芽宽模型的检验
4.3.1对线性模型的检验
满分率=（4*15.625+3*34.375+2*34.375+1*15.625）/400=62.5%
4.3.2对对数模型的检验
满分率=（4*81.25+3*18.75）/400=95.3125%
5、小结
在观测中遇到的误差会影响预报模型的准确程度。比如，小组成员的测量标准或者方法要一致，特别是测量芽长时；每天测量的时间段要大体一致；尽量每天监测，认真保管好数据，避免数据流失等等。
以上检验表明，线性模型的满分率普遍较低，我认为这是因为榆叶梅花芽生长速度并不是一成不变的，萌动初期花芽变化发展缓慢，而随着时间的推移，花芽生长速度加快。这就导致了线性模型并不是理想中的模型。尤其是芽长×芽宽模型，叠加了芽长和芽宽两个因素，模型的满分率就更低了。多项式、对数模型满分率较高，较好地反映了榆叶梅生长变化情况，尤其是根据芽长建立的多项式模型和根据芽长×芽宽建立的对数模型满分率分别高达92.19%和95.3125%，应用价值较高，可以作为榆叶梅花期预报的模型。
参考文献：
[1]杨国栋，张明庆.物候学讲义〔M〕.首都师范大学资源环境与旅游学院，2004.
[2]贺士元，邢其华，伊祖棠，等. 北京植物志〔M〕.北京：北京出版社，1992.
[3]张明庆，杨国栋，许晓波. 树木花期预报的花芽形态测量法研究——以大山樱花期预报为例〔J〕首都师范大学学报

差不多是在三月20号左右开的。品种间有差异，中山杏梅和江梅比丰后、淡丰后开的要稍晚一些，美人梅是最后开的，现在还处于盛花期。