Estimating and Forecasting Grapevine Phenology using Deep Learning and Mechanistic models: A comparative study

方法

用7年5品种4站点数据，对比机理模型、RNN与GDD法。

发现

RNN整体最优，MAE略低于5天，可提前两周预报且误差小于6天。

机会点

可探索将次季节天气预报与深度学习耦合，构建多作物通用物候预报与灌溉决策系统。

准确监测葡萄藤的关键物候期（如萌芽、开花、转色和浆果成熟）对于优化葡萄园管理至关重要，尤其是在气候变化背景下。葡萄物候主要由温度驱动，已有大量研究，其中最常用的预测方法基于生长度日（growing-degree-days，GDD）方法。本文提出并比较了两种新方法，分别基于机理方法和深度学习方法，用于检测和预测关键物候期。机理模型模拟气温和水分有效性对驱动年物候周期的主要植物代谢过程（营养生长与生殖生长以及浆果中糖分积累）的影响，而深度学习模型基于循环神经网络，直接以每日气象站观测数据的时间序列为输入推断物候周期。利用从意大利、西班牙和葡萄牙四个地中海站点五个葡萄品种（‘Aglianico’、‘Greco’、‘Syrah’、‘Touriga Franca’和‘Touriga Nacional’）采集的七年物候数据，我们评估了这些模型相对于传统基于GDD方法的性能。交叉验证结果表明，机理模型在预测萌芽方面表现优异，平均绝对误差（MAE）为4.9天，而基于GDD的模型和深度学习模型分别为5.7天和5.6天；但深度学习模型在跨不同阶段的预测精度方面是一种全面最优的方法，总体MAE略低于5天，相对于所测试的两个基于GDD的模型，平均误差降低0.6至1.6天。此外，我们展示了这些模型如何利用次季节天气预报提前预测物候事件，为葡萄园管理者提供实用工具。这一点在深度学习模型上尤为明显，该模型能够提前两周预测葡萄物候期，平均误差低于6天。这些发现凸显了这些新方法在自动化物候监测和改善气候变化条件下葡萄栽培决策方面的潜力。