编辑推荐：
为解决现有物候指数局限性问题，研究人员开发春季发育指数（SDI），其性能良好，有助于研究气候变化影响。
# 新型春季发育指数：解锁美国本土植物物候变化的密码
在大自然的舞台上，植物的生长变化遵循着神秘的节奏。每到春季，树木抽芽、花朵绽放，这些季节性的变化不仅装点了世界，还在生态系统中扮演着重要角色。植物物候（Phenology），即植物和动物受环境因素驱动的季节性发育阶段的时间安排，影响着养分循环、物种间的相互作用以及生态系统服务的提供，对生物的生长、生存和繁衍也至关重要。
随着气候变化，精准预测植物物候变化变得越来越重要。现有的物候模型大多只能预测单个物种的单个季节性事件，而广泛应用的春季指数（SI-x）虽能预测群落或生态系统层面的现象，但它基于克隆植物观测，无法反映自然物种因遗传变异对环境变量的不同响应，且仅代表春季早期的两个离散时刻，无法全面描绘春季后期其他物种的物候变化。为了更全面地了解植物在春季的活动，以及气候变化对春季植物生长的影响，研究人员开启了一项重要研究。
美国的研究人员开展了一项针对美国本土（CONUS）木本植物的研究，旨在开发一套新的物候指数，以更准确地预测植物在春季的活动。该研究成果发表在《Agricultural and Forest Meteorology》上。
研究人员利用美国国家物候网络（USA National Phenology Network）的 “Nature's Notebook” 平台上收集的植物叶片和开花活动观测数据，这些数据由专业人员和志愿者按照严格的科学观测协议收集。同时，研究人员还获取了 PRISM（Parameter-elevation Regressions on Independent Slopes Model）网格化每日气象数据集，包括气温、气压、降水等气象变量，以及日长数据。
在模型开发过程中，研究人员首先将数据随机分为训练集（60%）和验证集（40%），然后选择了 4 种简单的模型类型，包括热时间（TT）、顺序（SQ）、光热时间（PTT）和 M1 光热时间（M1）模型，利用 “phenor” 包对数据进行拟合，确定每个物种 - 物候期的最佳模型和最优参数。为了考虑地理因素对模型准确性的影响，研究人员还创建了 “split” 模型和 “spatially adjusted” 模型。最终，研究人员从众多模型中筛选出 24 个叶片模型和 27 个开花模型用于指数构建。
研究人员通过分区围绕中心点（PAM）聚类和 “elbow” 方法，将物种 - 物候期模型分为 4 个时间簇，构建了 4 个叶片指数和 4 个开花指数，命名为春季发育指数（Spring Development Indices，SDI）。
在评估 SDI 性能时，研究人员将其与组成它的物种 - 物候期模型预测结果以及 SI-x 指数进行比较。结果显示，单个物种 - 物候期模型的表现优于所有 SDI，但 SDI 在某些情况下表现优于 SI-x。具体来说，在整个美国本土，物种 - 物候期模型的平均误差（MAE）为 8.55 天，SDI 的误差范围为 7.39 - 10.02 天，这表明 SDI 在反映其组成物种的活动时间方面与单个物种模型表现相近。同时，SDI 的预测平均比 SI-x 好两天以上，证明其在代表更广泛物种的物候响应方面更精确。
研究人员还对所有指数进行了相关性分析、主成分分析（PCA）和方差分析（ANOVA），以确定哪些指数差异最大。结果发现，所有指数之间高度相关，但 SI-x 的叶片指数（SIL）、开花指数（SIB）和 SDI 中的晚花指数（LB）、早叶指数（EL）相关性较低。在区域层面，极早花指数（VEB）也表现出与其他 SDI 的显著差异。
通过 Mann-Kendall 趋势检验，研究人员发现 1991 - 2022 年期间，所有指数以及美国本土 1 月 - 6 月和 3 月 - 5 月的平均气温均无显著趋势，仅东南部地区 3 月 - 5 月气温有微弱的显著趋势。
在讨论与结论部分，研究人员指出，新开发的 SDI 补充了现有的 SI-x 指数，能够更全面地评估春季不同时刻的物候变化以及气候变化对其的影响。这些指数基于自然植物观测，考虑了遗传多样性和空间变化，在预测植物和相关动物的活动方面具有重要价值。虽然研究存在数据时间跨度短和物种观测范围有限的局限性，但 SDI 并非用于精确预测单个物种的物候，而是用于表征更广泛的植物群体。此外，SDI 在实时监测春季进展、评估春季变化以及预测个别物种的叶芽萌发或开花时间方面具有强大潜力，部分 SDI 已被纳入美国国家物候网络的实时地图和短期预测产品中，未来还将用于美国本土的长期预测。
总的来说，这项研究开发的新型春季发育指数为研究植物物候变化提供了更有力的工具，有助于我们更好地理解气候变化对生态系统的影响，在生态保护、农业规划、旅游业等多个领域具有重要的应用价值。
