Pollen productivity estimates (PPEs) are a key parameter for quantitative land-cover reconstructions from pollen data. PPEs are commonly estimated using modern pollen-vegetation data sets and the extended R-value (ERV) model. Prominent discrepancies in the existing studies question the reliability of the approach. We here propose an implementation of the ERV model in the R environment for statistical computing, which allows for simplified application and testing. Using simulated pollen-vegetation data sets, we explore sensitivity of ERV application to (1) number of sites, (2) vegetation structure, (3) basin size, (4) noise in the data, and (5) dispersal model selection. The simulations show that noise in the (pollen) data and dispersal model selection are critical factors in ERV application. Pollen count errors imply prominent PPE errors mainly for taxa with low counts, usually low pollen producers. Applied with an unsuited dispersal model, ERV tends to produce wrong PPEs for additional taxa. In a comparison of the still widely applied Prentice model and a Lagrangian stochastic model (LSM), errors are highest for taxa with high and low fall speed of pollen. The errors reflect the too high influence of fall speed in the Prentice model. ERV studies often use local scale pollen data from for example, moss polsters. Describing pollen dispersal on his local scale is particularly complex due to a range of disturbing factors, including differential release height. Considering the importance of the dispersal model in the approach, and the very large uncertainties in dispersal on short distance, we advise to carry out ERV studies with pollen data from open areas or basins that lack local pollen deposition of the taxa of interest.

花粉生产力估计 (PPE) 是根据花粉数据进行定量土地覆盖重建的关键参数。PPE 通常使用现代花粉植被数据集和扩展的R-值（ERV）模型。现有研究中的显着差异质疑该方法的可靠性。我们在此建议在 R 环境中实现 ERV 模型以进行统计计算，从而简化应用程序和测试。使用模拟的花粉植被数据集，我们探索了 ERV 应用对 (1) 站点数量、(2) 植被结构、(3) 盆地大小、(4) 数据中的噪声和 (5) 扩散模型选择的敏感性。模拟表明，（花粉）数据中的噪声和扩散模型选择是 ERV 应用中的关键因素。花粉计数错误意味着显着的 PPE 错误，主要针对计数低的分类群，通常是低花粉生产者。应用不合适的扩散模型，ERV 往往会为额外的分类群产生错误的 PPE。在仍然广泛应用的 Prentice 模型和拉格朗日随机模型 (LSM) 的比较中，具有高和低花粉下降速度的分类群的误差最高。误差反映了 Prentice 模型中下落速度的影响太大。ERV 研究通常使用来自例如苔藓花粉的局部尺度花粉数据。由于一系列干扰因素，包括不同的释放高度，在他的局部范围内描述花粉传播特别复杂。考虑到传播模型在该方法中的重要性，以及短距离传播的非常大的不确定性，我们建议使用来自开放区域或缺乏感兴趣类群局部花粉沉积的盆地的花粉数据进行 ERV 研究。误差反映了 Prentice 模型中下落速度的影响太大。ERV 研究通常使用来自例如苔藓花粉的局部尺度花粉数据。由于一系列干扰因素，包括不同的释放高度，在他的局部范围内描述花粉传播特别复杂。考虑到传播模型在该方法中的重要性，以及短距离传播的非常大的不确定性，我们建议使用来自开放区域或缺乏感兴趣类群局部花粉沉积的盆地的花粉数据进行 ERV 研究。误差反映了 Prentice 模型中下落速度的影响太大。ERV 研究通常使用来自例如苔藓花粉的局部尺度花粉数据。由于一系列干扰因素，包括不同的释放高度，在他的局部范围内描述花粉传播特别复杂。考虑到传播模型在该方法中的重要性，以及短距离传播的非常大的不确定性，我们建议使用来自开放区域或缺乏感兴趣类群局部花粉沉积的盆地的花粉数据进行 ERV 研究。包括差动释放高度。考虑到传播模型在该方法中的重要性，以及短距离传播的非常大的不确定性，我们建议使用来自开放区域或缺乏感兴趣类群局部花粉沉积的盆地的花粉数据进行 ERV 研究。包括差动释放高度。考虑到传播模型在该方法中的重要性，以及短距离传播的非常大的不确定性，我们建议使用来自开放区域或缺乏感兴趣类群局部花粉沉积的盆地的花粉数据进行 ERV 研究。