APP下载

基于随机森林算法和气象因子的砀山酥梨始花期预报

2020-07-25陈文涛乐章燕范孝玲孟雅婷

农业工程学报 2020年12期
关键词:砀山酥梨气象预报

李 德,陈文涛,乐章燕,范孝玲,孙 义,孟雅婷,杨 健

(1. 安徽省宿州市气象局,宿州 234000;2. 河北省廊坊市气象局,廊坊 065000;3. 安徽省砀山县气象局,砀山 235300)

0 引 言

砀山酥梨(Pyrusbretshneidericv. Dangshansu pear)原产安徽省砀山县,是目前中国栽培面积最大的梨品种和最重要的梨树资源之一[1-2]。截至2018年,砀山县境内砀山酥梨栽培面积已超过50 000 hm2。开花是梨树最关键的物候期,花期的早晚和长短及开花的质量直接影响生产和观赏的效果。砀山酥梨花期一般在早春气温波动较大的3月底到4月上、中旬,始花期的早迟受气温影响显著,且期间有时会发生霜冻害,既影响人工授粉、疏花等管理活动,也影响梨花观赏活动的制定与准备[3]。为此,准确预测梨花开始日期,是梨花观赏活动举办和花期霜冻防范等活动的重要前提,已成为气象服务重要内容。目前,国内外关于树木花期等植物重要物候期的预报方法,除少数学者利用其他指示植物的物候期[4]和依据芽生长量[5]预报目标植物花期外,多数是基于一个或多个气象因子与物候期之间的相关关系建立统计回归模型,开展迎春花[6]、苹果[7]、梨[8-9]和桂花[10]花期预测并取得一定成效。然而,统计回归模型由于存在经验特征强、易出现过拟合以及因子之间共线性等问题,限制了预报精度的提高。同时,植物的始花期与气象因子之间是一非线性问题[11-12],由线性回归模型量化具有较大的局限性。因此,寻找新的预报方法尤为重要。

近年来,随着计算机技术的发展,机器学习方法被应用到预测研究中,特别是随机森林算法(Random Forest,RF)在城市需水量[13]、空气质量[14]、森林火灾[15]、大气降水量[16]和小麦产量预测[17]以及强对流天气分类预报[18]、小麦叶片SPAD值估算[19]等不同领域已取得较好应用效果。白琳等[20]和Zhang等[21]研究均揭示RF比传统的多元线性回归的结果更为理想,处理非线性和分级关系更具优势。Fernandez-delgado等[22]评估了179 种机器学习算法在121个数据集上的性能后认为,RF性能最好等。

然而,目前,应用随机森林算法进行植物物候期预测的研究相对较少。为此,本文筛选影响砀山酥梨花期早迟的关键气象因子作为特征变量,以始花期为目标变量,根据不同的起报时间,利用RF训练构建砀山酥梨始花期预报模型进行花期气象预报,以期提升始花期预报时效和精度,为梨花花期管理活动实施和观光产业发展等提供技术支撑。

1 材料与方法

1.1 研究区概况

安徽省砀山县位于苏鲁豫皖 7县交界处,境内年平均气温 14.4 ℃,年日照时数 2 120.0 h,年降水量746.7 mm,全年≥10 ℃的有效积温4 864.4 ℃·d。土壤为近代黄泛沉积物发育而成的潮土,土层深厚,通透性好,pH值8.2左右,适宜酥梨栽培。在中国梨树气候区划中,砀山县属于砀山酥梨种植的适宜和较适宜气候区[23]。

1.2 数据来源

1983-2018年砀山酥梨逐年始花期资料、逐年梨树越冬期即上年 12月到当年梨树始花期间的逐日日照时数、日平均气温、日最高气温、日最低气温和降水量等气象数据,均来自安徽省砀山县国家气象观测站。其中,始花期数据为砀山县气象观测站的砀山酥梨长期定位观测地段资料;观测地段位于砀山县国家气象站观测场东南方向2.5 km处的安徽省砀山县园艺场果园内,果园土壤肥力中等。观测植株为1966年定植,梨树栽植密度为241株/hm2。观测地段与观测植株选择标准和梨树始花期观测方法按照《农业气象观测规范(下卷)》[24]执行,其中始花期的判定标准是花序上第一批花朵开放。

1.3 研究方法

1.3.1 随机森林回归模型构建

1)特征集及目标变量:开花是果树生长发育进程中重要的物候期,果树的开花早迟与前期气象条件关系十分密切,特别是多数果树在盛花期前40 d左右的平均气温或平均最高气温与开花期早迟有较好的相关性[12,25-31]。为此,首先采用Pearson相关系数法,筛选梨树上年度越冬期间(开始期为12月上旬)至开花之前(3月下旬)逐旬及其跨旬气象要素与始花期相关程度较高(即通过信度水平P<0.050检验)的气象因子,作为基本特征因子。逐年的始花期数据,采用日序法(即儒略日序数)转换为数值型数据,即1月1日、1月2日、1月3日……分别为1、2、3……,其余类推,并作为目标集。

其次,为反映不同界限温度的积温效应对砀山酥梨花芽分化进程的影响,本文依据砀山酥梨的生物学特性[32-34]、结合环境气候特点和生产服务经验,参考相关研究成果[25-26,35-37],选取≥0 、≥3 ℃、≥5 ℃、≥7.2 ℃4个界限温度指标,分别对应梨树越冬结束后树液开始流动、花芽萌动、打破休眠的最佳温度和生理休眠终止的上限温度指标[28-30,32-33]。同时,兼顾所选预报因子距离实际始花日期应有一定提前量,以提升预报结论的实际应用价值,选择各界限温度指标计算的终止日期为较常年始花期早6 d的3月25日。即从2月11日开始,每个指标分别计算逐日平均气温累积到3月10日、3月11日、…、3月25日,计16个不同终止日期的统计量;其中,≥0、≥3 ℃、≥5 ℃、≥7.2 ℃ 4个指标分别统计其到16个终止日期的活动积温及其累积日数,计 8个特征指标;≥3 ℃、≥5 ℃、≥7.2 ℃ 3个温度指标分别统计其到16个终止日的有效积温,计3个特征指标,共计11×16组变量,作为积温效应因子。然后,采用Pearson相关系数法,筛选出与始花期相关程度较高的特征变量作为积温效应特征变量。

2)逐日滚动气象预报模型构建:为建立逐日气象预报模型,实现始花期滚动预报,满足实际气象服务需求。本文将开始预报日期确定在3月10日、终止预报日期选择在3月25日,自3月10日开始至3月25日,期间每增加1 d、分别选取不同的特征变量进入特征集进行模型训练,累计训练构建16个逐日始花期预报模型,实现始花期逐日滚动气象预报。

随机森林是由多棵分类回归树(Classification And Regression Tree, CART)构成的组合分类模型[38],选定的特征变量作为特征数据与始花期数据进行集成共同构成随机森林的样本数据集,采用随机抽样的方法,抽取16%的样本构成测试集,剩余的84%的样本构成训练集。本文所用资料为1983-2018年、共计36个样本,随机抽取1988、1990、1994、2003、2016年5 a作为测试集,剩余的31 a作为训练集。然后,通过自助法(bootstrap)从原始样本集采样得到构建N棵树所需的N个子集,每次未被抽到的数据称为袋外数据(Out-of-Bag,OOB),用来进行内部误差估计和特征变量重要性评价;生成每棵树时,从规模为M的特征变量集中随机选择m个变量(m<M),对于回归,采用均方差作为节点分裂标准,递归执行选取最优分枝的操作。由于随机森林采用样本和特征的双重随机抽样构建决策树,因此即使不对决策树进行剪枝操作也不会出现传统 CART决策树过拟合的现象[39]。最后将这些树的预报结果取平均值,作为目标变量的预测值。本文在逐日始花期的RF算法中,最大节点数、最大树深度、最小子节点数、模型数量分别选取为1 000、10、5、100。

3)各特征变量重要性量化评价方法:本文采用精度下降率来表征各特征变量的重要性,即对所有训练样本来说,随机打乱某一特征变量取值,采用训练成的模型对测试样本进行再次预报,并计算其预报误差率;若这一特征变量的袋外数据(OOB)的拟合误差越大,说明该特征变量越重要[38-39]。本文使用 R语言中的程序包来计算分析各特征变量的重要性。

1.3.2 模型精度评价与验证

采用 3个指标作为评价模型拟合程度优劣,即决定系数(Coefficient of Determination,R²)、均方根误差(Root Mean Square Error,RMSE)和预报准确率/预报误差率(Nd)。

式中n为样本数量,ymi表示实际值,ysi表示模拟值,和分别为实际和模拟样本的平均值,Nr表示采用训练集和测试集数据利用预报模型进行预报的始花日期与实际观测始花日期相差在±1 d和±2 d(不包含±1 d)及其误差在±3 d以上的年份数,Nf为采用训练集和测试集数据进行预报的总年份数;当误差日数为±1 d和±2 d(不包含±1 d)时,计算得到的Nd称为预报准确率(单位:%);当计算得到的误差为±3 d以上时,Nd称为预报误差率(单位:%)。

2 结果与分析

2.1 砀山酥梨始花期的变化特征

1983-2018年,砀山酥梨始花期平均出现在4月2日,最早出现在3月24日(2004年)、最迟出现在4月12日(1988年),最早与最迟日期最大相差19 d。采用峰度和偏度检验法[40],对历年始花期出现的时间序列进行正态分布性检验。结果表明,始花期时间序列的峰度和偏度绝对值分别为 0.695、0.068,均小于理论峰度(2.450)和理论偏度(1.225),表明,1983-2018年砀山酥梨始花期序列呈正态分布(图 1a),可以采用线性趋势法进行演变趋势分析[40]。

线性趋势分析结果表明,1983-2018年,砀山县砀山酥梨始花期呈极显著(P<0.001)提早发生趋势(图1b),每10 a约提早2.750 d。

2.2 影响始花期的气象因子筛选及其评价

2.2.1 影响始花期的旬尺度气象要素

经过相关性分析,在所计算的旬以及不同旬组合的气象因子与始花期之间相关性中,通过P<0.050信度水平检验的特征变量有14个。其中,平均气温5个、最高气温4个、最低气温3个、日照时数2个。各特征变量的物理意义见表1。

图1 1983—2018年砀山酥梨始花期分布特征与演变趋势Fig.1 Distribution characteristics and evolution trend of Dangshansu pear in its first flowering dates from 1983 to 2018

表1 旬及跨旬尺度气象要素与始花期相关系数Table 1 Correlation coefficients between meteorological elements and first flowering dates at ten-day scale and interten-day scale

由表1可见,不同旬及跨旬尺度温度要素与始花期之间均呈极显著(P<0.001)负相关关系,各温度要素的开始时间为2月中旬,此时正值梨树越冬中后期,表明越冬中后期及之后的温度条件与梨树花芽完成休眠并开始萌芽、开花密切相关,其中以2月中旬—3月中旬、2月中旬—2月下旬、2月中旬—3月上旬、3月下旬的平均气温和3月下旬平均最高气温与始花期相关程度最高,相关系数在−0.750~−0.650之间;3月中旬的平均最低气温及其他时段温度要素的相关程度次之、相关系数在−0.600~−0.550之间。旬及跨旬尺度降水量与始花期早迟之间未有通过显著性检验的因子,表明在砀山县梨树自越冬以后到萌芽开花期间,降水量的多少对梨树开花早迟无显著性影响。光照条件有2个时段,即3月中旬和3月下旬的日照时数与始花期之间呈弱相关关系,相关系数分别为−0.343和−0.444。考虑到梨树始花期预报工作的实际应用价值,和实际预报时所选的预报因子应为实况值以降低采用预报值或估测值进行预报所产生的误差,为此,本文筛选始花期预报模型所需特征变量的原则,一是应为实况值,二是距离实际始花期要有一定的提前量,以利于提前部署花期低温霜冻害防御工作和开展授粉、疏花等管理活动,同时,也可为梨花观赏活动的适时开展提供一定的筹备时间;因此,对于部分相关程度较高的3月下旬气象因子,不作为特征变量入选;同时,优先选择通过较高信度水平(P<0.001)检验的因子作为预报特征变量,共计9个,分别为 Tav-1、Tav-2、Tav-3、Tav-4、Tmin-1、Tmin-2、Tmax-1、Tmax-2、Tmax-3。

2.2.2 不同界限温度积温与始花期相关性

Pearson相关系数分析表明,不同积温量和累积日数与梨树始花期相关性,仅有6个特征指标通过P<0.010信度水平的显著性检验,分别为逐日平均气温≥0与≥3 ℃活动积温、逐日平均气温≥3 ℃、≥5 ℃和≥7.2 ℃有效积温和逐日平均气温≥7.2 ℃的累积日数;每个指标自2月11日累计到3月10日为1个变量,即3月10日为 6个特征变量,参于训练每日始花期气象预报模型;自3月10日开始,向后每增加1 d,6个特征指标即增加1组,至3月25日,共计6×16组变量。各个特征指标的表示符号及其意义见表2。

图2为不同日期6个特征变量与砀山酥梨始花期之间的相关系数。

表2 积温效应特征变量Table 2 Characteristic variable of accumulated temperature effect

图2 不同界限温度的积温及累积日数与始花期之间相关系数Fig.2 The correlation coefficient between accumulated temperature ,cumulative days and first flowering dates

由图2可见,6个特征变量总体上呈现3大特征,1)各特征变量自3月10日开始至3月25日的逐日相关程度越接近梨树始花期相关程度越高。2)ΣTa1i、ΣTa2i、ΣTa3i三组特征变量与始花期的相关程度普遍高于 ΣTa5i、ΣTa6i、ΣTni三组特征变量;同时,ΣTa1i、ΣTa2i、ΣTa3i和 ΣTa5i四组特征变量的16个时段与始花期之间的相关程度均通过P<0.001的显著性检验,表明,越冬后到始花前之间≥0与≥3 ℃活动积温及其3 ℃以上有效积温 3个变量,相较于其他 3个变量,对砀山酥梨始花期早迟的有着重要影响。3)每个特征变量与始花期之间的相关程度均呈波动性变化的,且自3月15日开始到3月25日随着距离实际花期日期的临近其相关程度亦逐渐增强。为此,选择 3月 10日-3月25日之内,5个积温量和1个累计日数,计6个变量,累计 16日共计96个特征变量,分别按照逐日预报模型的预报的时间先后顺序,作为特征变量入选预报模型。

2.3 逐日始花期气象预报模型及其特征变量重要性分析

2.3.1 逐日始花期气象预报模型

以3月10日为始花期开始预报日,进行首个气象预报模型构建,之后,每增加1 d训练构建1个始花期气象预报模型的方法,累计构建16个预报模型。

由表1和图2,分别选取预报日之前的气象因子作为特征变量进行模型训练,其中,Tav-3、Tav-4、Tmin-2、Tmax-3四个气象因子的计算终止日期是3月20日,虽然其相关性强,但在训练构建3月10日—3月19日的10个逐日气象预报模型时,为避免气象因子为估算值或预报值,故未选择这4个气象因子,仅选用计算终止日在3月20日前的11个特征变量;而训练构建3月20日—3月25日的6个逐日气象预报模型时,则选择所有通过显著性检验的15个特征变量。各逐日气象预报模型入选的具体特征变量情况见表3。

根据参加各日始花期预报模型训练构建的气象因子,结合表1和图2中的各气象因子的相关系数,比较后发现,16个逐日气象预报模型中,共计200个气象因子,其中相关系数最小的为0.469(即因子ΣTa61)、最大的为0.789(即因子ΣTa216)。

2.3.2 逐日气象预报模型中各特征变量的重要性评价

经计算,得到3月10日、3月11日、…、3月25日16个预报日气象预报模型中各特征变量的重要性排序。比较发现:

表3 不同模型所选特征变量Table 3 Characteristic variables from different models

1)不同预报模型的特征变量重要性排在前2位和最后2位的并不相同。3月10日-3月17日的8个预报日预报模型的特征变量重要性排在前 2位的是 Tav-2和ΣTa2i(i=1,2,…,8);3月18日-3月25日8个预报日预报模型的特征变量重要性,除3月22日与3月23日 2个预报日预报模型排在重要性首位和次位的分别为ΣTa313、ΣTa314和Tav-2、ΣTa214外,其他日期预报模型排在前 2 位的分别是 ΣTa19、ΣTa110、ΣTa111、ΣTa112、ΣTa115、ΣTa116、Tav-2和ΣTa316。各预报日预报模型特征变量重要性排在最后2位的2个特征变量中,出现次数最多的是Tmax-i和ΣTni,分别出现12和11次;其次是ΣTa3i和Tav-i,各出现3次;而ΣTa5i、和Tmin-i出现次数最少,分别为2次和1次。

2)不同预报模型中重要性所占比例较大的特征变量个数存在差异,且临近预报终止日、占比较大的特征变量个数趋于增多。3月15日前6个预报日预报模型中,各特征变量重要性排在前 2位的所占比例较大,自第 3位特征变量开始其重要性快速下降;而3月16日及之后的10个预报模型中,占比例较大的特征变量个数逐渐增多,如第16预报日的预报模型各特征变量重要性在第8个特征变量才开始迅速下降。

另外,比较各特征变量与始花期的相关系数及其在各预报模型中的重要性(表1和图2)可以发现,a)各预报模型中特征变量重要性排在前 2位的气象因子,并非是其相关性最强的。如3月10日-3月17日8个预报模型中,特征变量排在前2位的气象因子Tav-2和ΣTa2i(i=1,2,…,8),其与始花期的相关系数分别为−0.667和在−0.640~−0.704之间,相关性明显弱于重要性排在后面的特征变量ΣTa1i和ΣTa3i;而与始花期相关性最强的特征变量ΣTa3i,仅在3月22日、23日的预报模型中排在特征变量重要性首位。b)各预报模型中特征变量重要性排在最后2位的气象因子,并非是相关系最弱的,如模型16中的ΣTn16的相关系数为−0.691。说明不同时期的气象条件对梨树花芽发育的影响有明显差异性和复杂性。

综合上面分析可发现,3月10日-3月17日,决定梨树始花早迟的最重要气象条件是2月中旬-3月上旬平均气温;3月18日-3月25日则是日平均气温≥0 活动积温。在具体预报实践中,应对重要性排在前面的特征变量给予特别关注,以避免其较小变化而引起预报精度的显著下降。

2.4 预报模型评价及其2019年预报试验

2.4.1 预报模型预报准确率和误差率评价

按照公式(3)分别计算 16个预报日预报模型的训练集和测试集误差范围在±1 d、±2 d(不包含±1 d)的准确率及其误差在±3 d以上的误差率。

从图 3可以发现,各预报模型的预报准确率(即误差在2 d以内的频率)训练集为92.9%、测试集为75.5%;同时,各预报模型的训练集与测试集误差±2 d之内的准确频率,呈现随着预报时间距离实际开花日期的临近、其准确率逐渐增加的特征;尤其是模型15和模型16,即预报日期在3月24日和3月25日时,测试集未出现±3 d以上的误差,可见各气象预报模型的预报精度较高。

图 4给出了各预报模型的训练集与测试集的均方根误差(RMSE)和决定系数(R2)。

由图4a可见发现,各预报模型的RMSE,训练集在1.693~2.870之间,且呈逐渐减少趋势;测试集的RMSE在2.240~7.237之间,除模型7、模型8和模型9三个预报模型的RMSE有所增大外,其余13个预报模型,特别是自模型8开始,测试集的RMSE逐渐减小趋势明显。

图3 逐日预报模型训练集与测试集误差分布Fig.3 Error distribution of the training set and test set of the daily forecast model

图4 各预报模型训练集与测试集的均方根误差(RMSE)和决定系数(R2)Fig.4 Root mean square error (RMSE)and determination coefficient (R2) of training set and test set of each forecast model

16个预报模型训练集与测试集的决定系数(图4b)平均值分别为0.891和0.701且呈现相似特征,除测试集在模型7、模型8和模型9时的决定系数(R2)减小外,其他时间的预报模型,训练集和测试集的预报结果的决定系数均呈增大趋势,表明越接近实际开花日期,预报模型的预报精度越高。

2.4.2 2019年预报试验准确率

利用2019年安徽省砀山县国家气象站观测到的实际气象数据,计算得到入选各预报模型的特征变量值,驱动各时期的预报模型,即得到2019年砀山酥梨始花期的预报日期,并与2019年砀山县国家气象站实际观测的砀山酥梨始花日期相比较,得到始花期预报值与实际值的误差(图5)。

图5 2019年砀山酥梨始花期各预报模型的预报值与实际值Fig.5 Predicted value and the observed value of each forecast model of Dangshansu pear at the first flowering date in 2019

由图5发现,各预报模型对2019年砀山酥梨始花期的预报精度均较高,其中,模型1~模型5的预报误差在−2 d之内,模型6和模型7的误差在−1 d之内,然而自3月17日开始(模型8)及以后8个预报模型的预报值与实况值完全一致,即在15 d前准确预报出当年始花期,可见,本文建立的气象预报方法具有较高预报精度。这样的预报结论对指导梨花低温霜冻防御准备工作和赏花节活动安排等具有很高的实用价值。

3 讨 论

各特征变量的重要性度量表明,16个预报模型排在前2位和最后2位的特征变量在不同预报日不并相同,其中,2月中旬-3月上旬平均气温出现最多(14次),其次是≥0活动积温(11次)、≥3 ℃活动与有效积温(各10次),出现次数最少的是≥5 ℃与≥7.2 ℃有效积温和2月下旬平均最低气温(各1次),表明对梨树花期早迟有着重要影响的气象条件随着距离实际花期的临近是变化的,且是多个气象条件叠加影响的结果。利用RF算法能够处理多维特征数据并能将多因素的叠加影响综合反映出来的特点[38-39],本文基于11~15个气象因子,实现了梨树花期逐日滚动气象预报,经2019年预报试验,表现出一定的预报潜力。这与传统上建立单个或多个气象因子回归方程[4-7,9-10]的预报方法有明显区别。

特征变量的筛选是训练花期预报模型的基础和提升RF模型输出精度的有效方法[17,19]。本文依据相关研究成果、生产服务经验和砀山酥梨生物学特性及环境气候特点,确定不同时间段的日平均气温、最高气温、最低气温和部分界限温度积温及其累积日数为初选特征变量,以相关程度高为原则,筛选气象因子并进行模型训练;其中,3月10-19日10个模型入选特征变量11个、3月20-25日6个模型入选特征变量15个;这为解决目前对影响砀山酥梨花期的气象条件研究尚较欠缺的条件下,开展始花期气象预报提供了思路和方法。

本研究发现,不同时段的前期气温与梨树始花期早迟密切相关,尤其是2月中旬-3月中旬平均气温与始花期呈极显著负相关,而且影响始花期早迟的温度与不同界限温度的积温及其累积日数越临近始花期相关程度越高,这与部分学者揭示苹果[7]、桃树[27]花期与前期气温相关性的结论相吻合。不同时段的日照时数中,除 3月下旬与花期呈显著相关外,其他时间仅与始花期存在弱相关关系,这与一些学者认为的果树花期早迟与日照条件关系相对较弱[9,35-37]的结论一致。不同时段降水量与花期之间相关性均未通过显著性检验,表明降水量多少对梨树开花早迟无显著性影响;分析认为这与砀山县地处北亚热带向暖温度带的气候过渡带,浅层地下水位较高,年降水量相对丰富[3,23],砀山酥梨越冬向萌芽开花转变期自身需水量较少的生物学特性有关,也佐证了果树开花主要受前期温度条件所支配的结论[25-26,33-37]。本研究中入选16个逐日预报模型的特征变量均为气温及其气温基础上的统计量,也印证了一些学者的研究与实验结论,即温度是决定植物物候期最重要的气象因子,且完成某发育期需要一定数量的积温[28,30]。

另外,有研究指出土壤温度[8]、需冷量[32-33]和时积温[41]等环境参量以及树龄和施肥与灌水等管理措施[42]也与树木花期有关。本文是从气象预报服务角度对区域内总体花期进行预报而并非单一果树或果园,考虑到资料的易取性,并未涉及这些参量,这是本研究未来需要改进之处。

4 结 论

1)在全球气候变暖影响下,1983-2018年砀山酥梨始花期呈极显著提前发生趋势,每 10 a约提前 2.750 d(P<0.001)。

2)砀山酥梨始花期早迟与前期平均气温、最低气温、最高气温以及不同界限温度的积温量等气象因子密切相关,相关系数在 0.469~0.789之间;且距离始花期越近、其相关性越强。

3)从3月10日起报到3月25日终报,由16个气象预报模型实现逐日滚动气象预报,各预报模型的预报精度均较高,其训练集与测试集误差在±2 d以内的平均正确率分别为92.9%、75.5%;在2019年试验预报中,提前15 d正确预报出当年始花期。

猜你喜欢

砀山酥梨气象预报
安徽砀山:“互联网+”赋能水果产业
夏季管得好 酥梨更优质
安徽砀山乡村振兴的“数字密码”
干旱荒漠区早酥和红早酥梨夏季光合作用日变化规律研究
我国海洋气象预报业存在的问题及对策
关于影响气象预报准确率的因素分析
砀山选“酥梨王”
浅谈气象预报质量提高的策略
蒲城酥梨