重庆时时彩注册送: 中国木本植物春季物候期的预测方法和系统.pdf

(10)申请公布号 CN 103927587 A (43)申请公布日 2014.07.16 CN 103927587 A (21)申请号 201310008173.3 (22)申请日 2013.01.10 G06Q 10/04(2012.01) (71)申请人 中国科学院地理科学与资源研究所 地址 100101 北京市朝阳区大屯路甲 11 号 (72)发明人 葛全胜 戴君虎 郑景云 王焕炯 徐琼瑶 仲舒颖 (54) 发明名称 中国木本植物春季物候期的预测方法和系统 (57) 摘要 本发明涉及一种中国木本植物春季物候期的 预测方法和系统。所述方法包括以下步骤 ： 将历 史木本植物的物候观测数据及对应地理位置的逐 日平均气温导入到初始建立的物候模型中 ； 对所 述物候模型进行参数拟合， 以得到使物候模型的 预测结果与物候观测数据误差最小的最优参数组 合 ； 将待预测地理位置的任意逐日气温导入到以 最优参数组合建立的物候模型中 ； 根据所述最优 参数组合建立的物候模型预测得到所述待预测地 理位置在所述导入的气温下的木本植物物候期。 上述中国木本植物春季物候期的预测方法和系 统， 通过参数化的物候模型对待预测地理位置的 木本植物物候期进行预测， 得到的结果较为准确， 提高了预测的准确性。 (51)Int.Cl. 权利要求书 3 页 说明书 9 页 附图 3 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书3页 说明书9页 附图3页 (10)申请公布号 CN 103927587 A CN 103927587 A 1/3 页 2 1. 一种中国木本植物春季物候期的预测方法， 包括以下步骤 ： 将历史木本植物的物候观测数据及对应地理位置的逐日平均气温导入到初始建立的 物候模型中 ； 对所述物候模型进行参数拟合， 以得到使物候模型的预测结果与物候观测数据误差最 小的最优参数组合 ； 将待预测地理位置的任意逐日气温导入到以最优参数组合建立的物候模型中 ； 根据所述最优参数组合建立的物候模型预测得到所述待预测地理位置在所述导入的 气温下的木本植物物候期。 2. 根据权利要求 1 所述的中国木本植物春季物候期的预测方法， 其特征在于， 所述初 始建立的初始物候模型公式为 ： 其中， xt为逐日的平均气温 ； t0设定为前一年的 9 月 1 日 ； Rc(xt) 表示在低温促使休眠 期打破的过程中， 冷激速度对日平均气温的响应函数， 由参数 a， b 和 c 确定 ； Sc表示当前的 冷激进度， 由 Rc(xt) 的累积和得到 ； C* 表示冷激进度阈值， 当冷激进度 Sc达到阈值 C* 时的 日期 t1即为休眠期被打破的日期 ； Rf(xt) 表示静止期发育速度对日平均气温的响应函数， 由参数 d， e 确定 ； Sf表示当前的驱动进度， 由 Rf(xt) 的累积和得到 ； F* 表示驱动进度阈值， 当驱动进度 Sf达到阈值 F* 时的日期 tb就是模型预测出的展叶始期。 3. 根据权利要求 1 所述的中国木本植物春季物候期的预测方法， 其特征在于， 所述对 所述物候模型进行参数拟合， 得到以使物候模型的预测结果与物候观测数据误差最小的最 优参数组合的步骤为 ： 采用模拟退火算法对所述物候模型进行参数拟合， 得到以使物候模型的预测结果与物 候观测数据误差最小的最优参数组合。 4. 根据权利要求 3 所述的中国木本植物春季物候期的预测方法， 其特征在于， 所述采 用模拟退火算法对所述物候模型进行参数拟合， 得到以使物候模型的预测结果与物候观测 数据误差最小的最优参数组合的步骤包括 ： 初始化退火算法参数， 设定初始温度、 当前温度、 终止温度、 物候模型的参数组合初始 值、 退火速率及每个温度值的迭代次数 ； 将参数组合初始值增加一个随机量， 计算参数组合初始值时建立的物候模型预测出的 物候期与历史物候观测数据的均方根误差， 计算参数组合初始值增加随机量后形成的新参 数组合时建立的物候模型预测出的物候期与历史物候观测数据的均方根误差， 以及计算新 参数组合时得到的均方根误差减去参数组合初始值得到的均方根误差得到增量 ； 当增量小于零时， 以新参数组合作为当前参数组合， 当增量大于或等于零时， 以 e 的负 权 利 要 求 书 CN 103927587 A 2 2/3 页 3 的所述增量与当前温度比值的次方将新参数组合作为当前参数组合， e 为自然对数 ； 通过迭代直到当前温度小于终止温度， 将当前参数组合作为以使物候模型的预测结果 与物候观测数据误差最小的最优的参数组合 ； 然后将当前温度乘以退火速率得到新的当前温度， 进行新的当前温度的迭代计算。 5. 根据权利要求 1 所述的中国木本植物春季物候期的预测方法， 其特征在于， 在所述 对所述物候模型进行参数拟合， 得到以使物候模型的预测结果与物候观测数据误差最小的 最优参数组合的步骤之后， 还包括步骤 ： 对物候模型的参数组合进行检验， 且以物候模型预测值与物候观测值的均方根误差进 行检验。 6. 一种中国木本植物春季物候期的预测系统， 其特征在于， 包括 ： 调用?？?， 用于将历史木本植物的物候观测数据及对应地理位置的逐日平均气温导入 到初始建立的物候模型中 ； 参数拟合?？?， 用于对所述物候模型进行参数拟合， 以得到使物候模型的预测结果与 物候观测数据误差最小的最优参数组合 ； 所述调用?？榛褂糜诮げ獾乩砦恢玫娜我庵鹑掌碌既氲揭宰钣挪问楹辖?的物候模型中 ； 预测?？?， 用于根据所述最优参数组合建立的物候模型预测得到所述待预测地理位置 在所述导入的气温下的木本植物物候期。 7. 根据权利要求 6 所述的中国木本植物春季物候期的预测系统， 其特征在于， 所述初 始建立的初始物候模型公式为 ： 其中， xt为逐日的平均气温 ； t0设定为前一年的 9 月 1 日 ； Rc(xt) 表示在低温促使休 眠期打破的过程中， 冷激速度对日平均气温的响应函数， 由参数 a， b 和 c 确定 ； Sc表示芽目 前的冷激进度， 由 Rc(xt) 的累积和得到 ； C* 表示冷激进度阈值， 当冷激进度 Sc达到阈值 C* 时的日期 t1即为休眠期被打破的日期 ； Rf(xt) 表示静止期发育速度对日平均气温的响应函 数， 由参数 d， e 确定 ； Sf表示当前的驱动进度， 由 Rf(xt) 的累积和得到 ； F* 表示驱动进度阈 值， 当驱动进度 Sf达到阈值 F* 时的日期 tb就是模型预测出的展叶始期。 8. 根据权利要求 6 所述的中国木本植物春季物候期的预测系统， 其特征在于， 所述参 数拟合?？榛褂糜诓捎媚Ｄ馔嘶鹚惴ǘ运鑫锖蚰Ｐ徒胁问夂?， 以得到使物候模型的 预测结果与物候观测数据误差最小的最优参数组合。 9. 根据权利要求 8 所述的中国木本植物春季物候期的预测系统， 其特征在于， 所述参 数拟合?？榘?： 权 利 要 求 书 CN 103927587 A 3 3/3 页 4 初始化?？?， 用于初始化退火算法参数， 设定初始温度、 当前温度、 终止温度、 物候模型 的参数组合初始值、 退火速率及每个温度值的迭代次数 ； 增量计算?？?， 用于将参数组合初始值增加一个随机量， 计算参数组合初始值时建立 的物候模型预测出的物候期与历史物候观测数据的均方根误差， 计算参数组合初始值增加 随机量后形成的新参数组合时建立的物候模型预测出的物候期与历史物候观测数据的均 方根误差， 以及计算新参数组合时得到的均方根误差减去参数组合初始值得到的均方根误 差得到增量 ； 赋值?？?， 用于当增量小于零时， 以新参数组合作为当前参数组合， 当增量大于或等于 零时， 以 e 的负的所述增量与当前温度比值的次方将新参数组合作为当前参数组合， e 为自 然对数 ； 参数输出?？?， 用于通过迭代直到当前温度小于终止温度， 将当前参数组合作为以使 物候模型的预测结果与物候观测数据误差最小的最优参数组合 ； 迭代?？?， 用于将当前温度乘以退火速率得到新的当前温度， 进行新的当前温度的迭 代计算。 10. 根据权利要求 6 所述的中国木本植物春季物候期的预测系统， 其特征在于， 所述系 统还包括 ： 参数检验?？?， 用于对物候模型的参数组合进行检验， 且以物候模型预测值与物候观 测值的均方根误差进行检验。 权 利 要 求 书 CN 103927587 A 4 1/9 页 5 中国木本植物春季物候期的预测方法和系统 技术领域 [0001] 本发明涉及物候学领域， 特别是涉及中国木本植物春季物候期的预测方法和系 统。 背景技术 [0002] 物候学是研究自然界的植物(包括农作物)、 动物和环境条件(气候、 水文、 土壤条 件 ) 的周期变化之间相互关系的科学。它的目的是认识自然季节现象变化的规律， 以服务 于农业生产和科学研究。 物候学的研究对象包括各种植物的发芽、 展叶、 开花、 叶变色、 落叶 等 ； 候鸟、 昆虫及其它动物的迁移、 始鸣、 终鸣、 始见、 绝见等 ； 也包括一些周期性发生的自 然现象， 如初雪、 终雪、 初霜、 终霜、 融冰及河湖的封冻、 融化、 流凌等。 [0003] 物候作为指示气候与自然环境变化的综合指标， 不但能直观地指示自然季节的变 化， 而且还能表现出动植物生命现象对自然环境变化的响应和适应过程。这种响应的时间 序列， 对于揭示全球环境变化具有重要意义。它不仅反映了当年、 当地的气候和环境状态， 也反映了气候和环境变化在此前相当长一段时间的累加效应。 在揭示环境变化的状态和反 映环境变化的趋势两方面都具有重要的指示作用。 因此， 无论科学如何发展， 气象仪器如何 改进， 生物物候现象仍然是全球变化最敏感、 最精确的指示体。物候已经成为全球变暖的 “诊断指纹” ， 在气候变化研究中， 将发挥越来越大的作用。 [0004] 物候模型是物候学研究的一个重要方面。 利用物候模型预测植物物候是物候学的 一个基础问题。准确地预测物候有以下作用 ： [0005] (1) 增强对生态系统生产力和气体交换预测的准确性， 因而能更准确的预测未来 的气候变化 ； [0006] (2) 在多个物种相关联的生态群落中更好的掌握不同种群的动态 ； [0007] (3) 帮助农业和林业的管理者选取更适应于未来气候变化的植物种 ； [0008] (4) 掌握不同观赏植物物候期的具体时间， 为季节性的旅游活动， 例如桃花节、 牡 丹节， 芍药节等提供指导。 [0009] 目前， 国内外常见的物候模型分为三种类型 ： 理论模型， 统计模型和过程模型。理 论模型主要是通过权衡叶片生产的成本 - 收益以优化资源的获取。理论模型的设计是用 来说明树木叶寿命策略的进化过程， 而不是植物物候的年际变化。统计模型主要是建立物 候期与气候因子的统计关系， 但是缺少机理性的解释。过程模型通常通过假设生物过程 和环境因子之间的因果关系来推测物候期， 属于一种半机理性的模型， 在一定程度上反映 了植物物候变化的生理生态学机制。过程模型最初只考虑静止期 (quiescence)， 即休眠 期 (dormancy) 打破后， 芽的发育受外界因子 ( 通常是气温 ) 驱动的时期。春暖 (Spring Warming) 模型就是只考虑静止期的典型例子。实验表明， 休眠期是木本植物适应寒冷气候 的一个重要特征， 是植物发育的一个重要阶段， 因而在后来的物候模型构建时， 很多模型均 已考虑到植物休眠过程。 [0010] 目前物候模型研究领域， 尚没有在中国推广使用的物候模型， 并且已有的物候模 说 明 书 CN 103927587 A 5 2/9 页 6 型亦没有评估过预测的准确性， 不一定能准确地预测中国木本植物的物候期。 发明内容 [0011] 基于此， 有必要提供一种能提高预测准确性的中国木本植物春季物候期的预测方 法。 [0012] 此外， 还有必要提供一种能提高预测准确性的中国木本植物春季物候期的预测系 统。 [0013] 一种中国木本植物春季物候期的预测方法， 包括以下步骤 ： [0014] 将历史木本植物的物候观测数据及对应地理位置的逐日平均气温导入到初始建 立的物候模型中 ； [0015] 对所述物候模型进行参数拟合， 以得到使物候模型的预测结果与物候观测数据误 差最小的最优参数组合 ； [0016] 将待预测地理位置的任意逐日气温导入到以最优参数组合建立的物候模型中 ； [0017] 根据所述最优参数组合建立的物候模型预测得到所述待预测地理位置在所述导 入的气温下的木本植物的物候期。 [0018] 在其中一个实施例中， 所述初始建立的初始物候模型公式为 ： [0019] [0020] [0021] [0022] [0023] 其中， xt为逐日的平均气温 ； t0设定为前一年的 9 月 1 日 ； Rc(xt) 表示在低温促使 休眠期打破的过程中， 冷激速度对日平均气温的响应函数， 由参数 a， b 和 c 确定 ； Sc表示当 前的冷激进度， 由 Rc(xt) 的累积和得到 ； C* 表示冷激进度阈值， 当冷激进度 Sc达到阈值 C* 时的日期 t1即为休眠期被打破的日期 ； Rf(xt) 表示静止期发育速度对日平均气温的响应函 数， 由参数 d， e 确定 ； Sf表示当前的驱动进度， 由 Rf(xt) 的累积和得到 ； F* 表示驱动进度阈 值， 当驱动进度 Sf达到阈值 F* 时的日期 tb就是模型预测出的展叶始期。 [0024] 在其中一个实施例中， 所述对所述物候模型进行参数拟合， 以得到使物候模型的 预测结果与物候观测数据误差最小的最优参数组合的步骤为 ： [0025] 采用模拟退火算法对所述物候模型进行参数拟合， 以得到使物候模型的预测结果 与物候观测数据误差最小的最优参数组合。 [0026] 在其中一个实施例中， 所述采用模拟退火算法对所述物候模型进行参数拟合， 得 到以使物候模型的预测结果与物候观测数据误差最小的最优参数组合的步骤包括 ： [0027] 初始化退火算法参数， 设定初始温度、 当前温度、 终止温度、 物候模型的参数组合 初始值、 退火速率及每个温度值的迭代次数 ； [0028] 将参数组合初始值增加一个随机量， 计算参数组合初始值时建立的物候模型预测 说 明 书 CN 103927587 A 6 3/9 页 7 出的物候期与历史物候观测数据的均方根误差， 计算参数组合初始值增加随机量后形成的 新参数组合时建立的物候模型预测出的物候期与历史物候观测数据的均方根误差， 以及计 算新参数组合时得到的均方根误差减去参数组合初始值得到的均方根误差得到增量 ； [0029] 当增量小于零时， 以新参数组合作为当前参数组合， 当增量大于或等于零时， 以 e 的负的所述增量与当前温度比值的次方将新参数组合作为当前参数组合， e 为自然对数 ； [0030] 通过迭代直到当前温度小于终止温度， 将当前参数组合作为以使物候模型的预测 结果与物候观测数据误差最小的最优参数组合 ； [0031] 然后将当前温度乘以退火速率得到新的当前温度， 进行新的当前温度的迭代计 算。 [0032] 在其中一个实施例中， 在所述对所述物候模型进行参数拟合， 以得到使物候模型 的预测结果与物候观测数据误差最小的最优参数组合的步骤之后， 还包括步骤 ： [0033] 对物候模型的参数组合进行检验， 且以物候模型预测值与物候观测值的均方根误 差进行检验。 [0034] 一种中国木本植物春季物候期的预测系统， 包括 ： [0035] 调用?？?， 用于将历史木本植物的物候观测数据及对应地理位置的逐日平均气温 导入到初始建立的物候模型中 ； [0036] 参数拟合?？?， 用于对所述物候模型进行参数拟合， 以得到使物候模型的预测结 果与物候观测数据误差最小的最优参数组合 ； [0037] 所述调用?？榛褂糜诮げ獾乩砦恢玫娜我庵鹑掌碌既氲揭宰钣挪问楹?建立的物候模型中 ； [0038] 预测?？?， 用于根据所述最优参数组合建立的物候模型预测得到所述待预测地理 位置在所述导入的气温下的木本植物的物候期。 [0039] 在其中一个实施例中， 所述初始建立的初始物候模型公式为 ： [0040] [0041] [0042] [0043] [0044] 其中， xt为逐日的平均气温 ； t0设定为前一年的 9 月 1 日 ； Rc(xt) 表示在低温促使 休眠期打破的过程中， 冷激速度对日平均气温的响应函数， 由参数 a， b 和 c 确定 ； Sc表示芽 目前的冷激进度， 由 Rc(xt) 的累积和得到 ； C* 表示冷激进度阈值， 当冷激进度 Sc达到阈值 C*时的日期t1即为休眠期被打破的日期 ； Rf(xt)表示静止期发育速度对日平均气温的响应 函数， 由参数 d， e 确定 ； Sf表示当前的驱动进度， 由 Rf(xt) 的累积和得到 ； F* 表示驱动进度 阈值， 当驱动进度 Sf达到阈值 F* 时的日期 tb就是模型预测出的展叶始期。 [0045] 在其中一个实施例中， 所述参数拟合?？榛褂糜诓捎媚Ｄ馔嘶鹚惴ǘ运鑫锖蚰?型进行参数拟合， 得到以使物候模型的预测结果与物候观测数据误差最小的最优参数组 说 明 书 CN 103927587 A 7 4/9 页 8 合。 [0046] 在其中一个实施例中， 所述参数拟合?？榘?： [0047] 初始化?？?， 用于初始化退火算法参数， 设定初始温度、 当前温度、 终止温度、 物候 模型的参数组合初始值、 退火速率及每个温度值的迭代次数 ； [0048] 增量计算?？?， 用于将参数组合初始值增加一个随机量， 计算参数组合初始值时 建立的物候模型预测出的物候期与历史物候观测数据的均方根误差， 计算参数组合初始值 增加随机量后形成的新参数组合时建立的物候模型预测出的物候期与历史物候观测数据 的均方根误差， 以及计算新参数组合时得到的均方根误差减去参数组合初始值得到的均方 根误差得到增量 ； [0049] 赋值?？?， 用于当增量小于零时， 以新参数组合作为当前参数组合， 当增量大于或 等于零时， 以 e 的负的所述增量与当前温度比值的次方将新参数组合作为当前参数组合， e 为自然对数 ； [0050] 参数输出?？?， 用于通过迭代直到当前温度小于终止温度， 将当前参数组合作为 以使物候模型的预测结果与物候观测数据误差最小的最优参数组合 ； [0051] 迭代?？?， 用于将当前温度乘以退火速率得到新的当前温度， 进行新的当前温度 的迭代计算。 [0052] 在其中一个实施例中， 所述系统还包括 ： [0053] 参数检验?？?， 用于对物候模型的参数组合进行检验， 且以物候模型预测值与物 候观测值的均方根误差进行检验。 [0054] 上述中国木本植物春季物候期的预测方法和系统， 通过将历史物候观测数据导入 初始建立的物候模型中， 再通过参数拟合的方式确定得到预测结果与观测数据误差最小的 最优参数组合， 根据该最优参数组合构建新的物候模型， 通过新的物候模型对待预测地理 位置的木本植物物候期进行预测， 得到的结果较为准确， 提高了预测的准确性。 附图说明 [0055] 图 1 为一个实施例中的中国木本植物春季物候期的预测方法的流程示意图 ； [0056] 图 2 为物候模型原理示意图 ； [0057] 图 3 为一个实施例中的中国木本植物春季物候期的预测系统的结构示意图 ； [0058] 图 4 为图 3 中参数拟合?？榈哪诓拷峁故疽馔?； [0059] 图 5 为另一个实施例中的中国木本植物春季物候期的预测系统的结构示意图 ； [0060] 图 6 为物候模型检验的示意图 ； [0061] 图 7 为在物候模型中输入逐日平均气温的示意图。 具体实施方式 [0062] 下面结合具体的实施例及附图对中国木本植物春季物候期的预测方法和系统的 技术方案进行详细的描述， 以使其更加清楚。 [0063] 如图 1 所示， 在一个实施例中， 一种中国木本植物春季物候期的预测方法包括以 下步骤 ： [0064] 步骤 S110， 将历史木本植物的物候观测数据及对应地理位置的逐日平均气温导入 说 明 书 CN 103927587 A 8 5/9 页 9 到初始建立的物候模型中。 [0065] 具体的， 初始建立的初始物候模型公式为 ： [0066] [0067] [0068] [0069] [0070] 其中， xt为逐日的平均气温 ； t0设定为前一年的 9 月 1 日 ； Rc(xt) 表示在低温促使 休眠期打破的过程中， 冷激速度对日平均气温的响应函数， 即冷激单元 (Chilling Units)， 由参数 a， b 和 c 确定 ； Sc表示当前的冷激进度， 由 Rc(xt) 的累积和得到 ； C* 表示冷激进度阈 值， 当冷激进度 Sc达到阈值 C* 时的日期 t1即为休眠期被打破的日期 ； Rf(xt) 表示静止期发 育速度对日平均气温的响应函数， 即驱动单元 (Forcing Units)， 由参数 d， e 确定 ； Sf表示 当前的驱动进度， 由 Rf(xt) 的累积和得到 ； F* 表示驱动进度阈值， 当驱动进度 Sf达到阈值 F* 时的日期 tb就是模型预测出的展叶始期。 [0071] 如图 2 所示为物候模型原理示意图， 图 2 中 T0为前一年的 9 月 1 日， T1为休眠期 被打破的日期， Tb为模型预测出的展叶始期， 图 2 中物候期转化为序日， 如 1 月 5 日用 5 表 示。 [0072] 步骤 S120， 对物候模型进行参数拟合， 以得到使物候模型的预测结果与物候观测 数据之间误差最小的最优参数组合。 [0073] 可采用模拟退火算法对所述物候模型进行参数拟合， 得到以使物候模型的预测结 果与物候观测数据之间误差最小的最优参数组合 S ＝ [a， b， c， d， e， C*F*]。 [0074] 采用模拟退火算法对所述物候模型进行参数拟合， 得到以使物候模型的预测结果 与物候观测数据误差最小的最优参数组合的具体包括 ： [0075] (1) 初始化退火算法参数， 设定初始温度、 当前温度、 终止温度、 物候模型的参数组 合初始值、 退火速率及每个温度值的迭代次数。 [0076] 具体的， 初始温度 T ＝ 100， 终止温度 Tmin＝ 0.01， 初始解状态 S ＝ [a0， b0， c0， d0， e0， C0， F0] ＝ [0.0787， 3.34， 15.0， -0.190， 23.50， 50.00， 10.60]。每个 T 值的迭代次数 L ＝ 100， 退火速率 r ＝ 0.95。初始时当前温度等于初始温度。 [0077] 并设置迭代变量参数 k ＝ 1， 2， 3，……， L 循环执行步骤 (2)(3)(4)。 [0078] (2) 将参数组合初始值增加一个随机量， 计算参数组合初始值时建立的物候模型 预测出的物候期与历史物候观测物候期数据的均方根误差， 计算参数组合初始值增加随机 量后形成的新参数组合时建立的物候模型预测出的物候期与历史物候观测物候期数据的 均方根误差， 以及计算新参数组合时得到的均方根误差减去参数组合初始值得到的均方根 误差得到增量。 [0079] 具体的， 将参数组合S的初始值增加一个随机量， 得到新参数组合S′＝S+δS ； 计 算增量 Δt′＝ C(S′ )-C(S)， 其中 C(S) 是以 S 为参数预测出的物候期与历史观测物候期 说 明 书 CN 103927587 A 9 6/9 页 10 的均方根误差， C(S′ ) 是以 S′为参数预测出的物候期与历史观测物候期的均方根误差。 [0080] (3) 当增量小于零时， 以新参数组合作为当前参数组合， 当增量大于或等于零时， 以 e 的负的所述增量与当前温度比值的次方将新参数组合作为当前参数组合， e 为自然对 数。 [0081] 若增量 Δt′＜ 0 则将 S′作为新的当前参数组合 S， 即 S ＝ S’ ； 否则以概率 exp(-Δt′ /T) 将 S′作为新的当前参数组合。 [0082] (4) 通过迭代直到当前温度小于终止温度， 将当前参数组合 S 作为以使物候模型 的预测结果与物候观测数据误差最小的最优参数组合。 [0083] 具体的， 当当前温度 T ＜ Tmin时， 输出当前参数组合 S 作为物候模型的最优参数组 合， 即以使物候模型的预测结果与物候观测数据误差最小的最优参数组合， 然后退出迭代 循环。 [0084] (5) 然后将当前温度乘以退火速率得到新的当前温度， 进行新的当前温度的迭代 计算， 重新进行迭代计算步骤 (2)(3)(4)。 [0085] 具体的， 某一当前温度迭代计算得到对应的最终的参数组合后， 再计算新的当前 温度， 即 T ＝ T*r， 重新进行迭代计算步骤 (2)(3)(4)。 [0086] 进一步的， 在步骤S120之后， 步骤S130之前， 还包括步骤 ： 对物候模型的参数组合 进行检验， 且以物候模型预测值与物候观测值的均方根误差进行检验。 [0087] 具体的， 将均方根误差 (root mean square error， RMSE)， 作为物候模型不确定性 的度量， 即物候模型预测的可能误差为 ±RMSE。 [0088] 步骤 S130， 将待预测地理位置的任意逐日气温导入到以参数组合建立的物候模型 中。 [0089] 具体的， 将采集的需要预测的地理位置 ( 即某地 ) 的气温逐日输入到构成的物候 模型中， 从而预测出在对应气温下的木本植物的物候期。 [0090] 步骤 S140， 根据参数组合建立的物候模型预测得到所述待预测地理位置在导入的 气温下的木本植物的物候期。 [0091] 上述中国木本植物春季物候期的预测方法， 通过将历史物候观测数据导入初始建 立的物候模型中， 再通过参数拟合的方式确定得到预测结果与观测数据一致的最佳的物候 模型的参数组合， 根据该参数组合构建新的物候模型， 通过新的物候模型对待预测地理位 置的木本植物物候期进行预测， 得到的结果较为准确， 从而提高了预测的准确性。 [0092] 如图 3 所示， 在一个实施例中， 一种中国木本植物春季物候期的预测系统， 包括调 用?？?110、 参数拟合?？?120 和预测?？?130。其中 ： [0093] 调用?？?110 用于将历史木本植物的物候观测数据及对应地理位置的逐日平均 气温导入到初始建立的物候模型中。 [0094] 具体的， 初始建立的初始物候模型公式为 ： [0095] [0096] 说 明 书 CN 103927587 A 10 7/9 页 11 [0097] [0098] [0099] 其中， xt为逐日的平均气温 ； t0设定为前一年的 9 月 1 日 ； Rc(xt) 表示在低温促使 休眠期打破的过程中， 冷激速度对日平均气温的响应函数， 即冷激单元 (Chilling Units)， 由参数 a， b 和 c 确定 ； Sc表示当前的冷激进度， 由 Rc(xt) 的累积和得到 ； C* 表示冷激进度阈 值， 当冷激进度 Sc达到阈值 C* 时的日期 t1即为休眠期被打破的日期 ； Rf(xt) 表示静止期发 育速度对日平均气温的响应函数， 即驱动单元 (Forcing Units)， 由参数 d， e 确定 ； Sf表示 当前的驱动进度， 由 Rf(xt) 的累积和得到 ； F* 表示驱动进度阈值， 当驱动进度 Sf达到阈值 F* 时的日期 tb就是模型预测出的展叶始期。 [0100] 如图 2 所示为物候模型原理示意图， 图 2 中 T0为前一年的 9 月 1 日， T1为休眠期 被打破的日期， Tb为模型预测出的展叶始期， 图 2 中物候期转化为序日， 如 1 月 5 日用 5 表 示。 [0101] 参数拟合?？?120 用于对所述物候模型进行参数拟合， 以得到使物候模型的预测 结果与物候观测数据误差最小的最优参数组合。 [0102] 可采用模拟退火算法对所述物候模型进行参数拟合， 得到以使物候模型的预测结 果与物候观测数据误差最小的最优参数组合 S ＝ [a， b， c， d， e， C*F*]。 [0103] 如图 4 所示， 参数拟合?？?120 包括初始化?？?121、 增量计算?？?123、 赋值?？?125、 参数输出?？?127 和迭代?？?129。其中 ： [0104] 初始化?？?121 初始化退火算法参数， 设定初始温度、 当前温度、 终止温度、 物候 模型的参数组合初始值、 退火速率及每个温度值的迭代次数。 [0105] 具体的， 初始温度 T ＝ 100， 终止温度 Tmin＝ 0.01， 初始解状态 S ＝ [a0， b0， c0， d0， e0， C0， F0] ＝ [0.0787， 3.34， 15.0， -0.190， 23.50， 50.00， 10.60]。每个 T 值的迭代次数 L ＝ 100， 退火速率 r ＝ 0.95。初始时当前温度等于初始温度。 [0106] 并设置迭代变量参数 k ＝ 1， 2， 3，……， L 循环执行步骤 (2) 和 (3)。 [0107] 增量计算?？?123 用于将参数组合初始值增加一个随机量， 计算参数组合初始值 时建立的物候模型预测出的物候期与历史物候观测物候期数据的均方根误差， 计算参数组 合初始值增加随机量后形成的新参数组合时建立的物候模型预测出的物候期与历史物候 观测物候期数据的均方根误差， 以及计算新参数组合时得到的均方根误差减去参数组合初 始值得到的均方根误差得到增量。 [0108] 赋值?？?125 用于当增量小于零时， 以新参数组合作为当前参数组合， 当增量大 于等于零时， 以 e 的负的所述增量与当前温度比值的次方将新参数组合作为当前参数组 合， e 为自然对数。 [0109] 具体的， 将参数组合S的初始值增加一个随机量， 得到新参数组合S′＝S+δS ； 计 算增量 Δt′＝ C(S′ )-C(S)， 其中 C(S) 是以 S 为参数预测出的物候期与历史观测物候期 的均方根误差， C(S′ ) 是以 S′为参数预测出的物候期与历史观测物候期的均方根误差 ； 若增量 Δt′＜ 0 则将 S′作为新的当前参数组合 S， 即 S ＝ S’ ； 否则以概率 exp(-Δt′ / T) 将 S′作为新的当前参数组合。 说 明 书 CN 103927587 A 11 8/9 页 12 [0110] 参数输出?？?127 用于通过迭代直到当前温度小于终止温度， 将当前参数组合作 为以使物候模型的预测结果与物候观测数据误差最小的最优参数组合。 [0111] 具体的， 当当前温度 T ＜ Tmin时， 输出当前参数组合 S 作为物候模型的最优参数组 合， 即以使物候模型的预测结果与物候观测数据误差最小的最优参数组合， 然后退出迭代 循环。 [0112] 迭代?？?129 用于将当前温度乘以退火速率得到新的当前温度， 进行新的当前温 度的迭代计算， 即重新执行增量计算?？?123、 赋值?？?125、 参数输出?？?127 相应的操 作。 [0113] 具体的， 某一当前温度迭代计算得到对应的最终的参数组合后， 再计算新的当前 温度， 即 T ＝ T*r， 重新执行增量计算?？?123、 赋值?？?125、 参数输出?？?127 的操作。 [0114] 调用?？?110 还用于将待预测地理位置的任意逐日气温导入到以参数组合建立 的物候模型中。 [0115] 具体的， 将采集的需要预测的地理位置 ( 即某地 ) 的气温逐日输入到构成的物候 模型中， 从而预测出在对应气温下的木本植物的物候期。 [0116] 预测?？?130 用于根据所述参数组合建立的物候模型预测得到所述待预测地理 位置在所述导入的气温下的木本植物的物候期。 [0117] 如图 5 所示， 在一个实施例中， 上述中国木本植物春季物候期的预测系统， 除了包 括调用?？?110、 参数拟合?？?120 和预测?？?130， 还包括参数检验?？?140。其中 ： [0118] 参数检验?？?140 用于对物候模型的参数组合进行检验， 且以物候模型预测值与 物候观测值的均方根误差进行检验。 [0119] 具体的， 将均方根误差 (root mean square error， RMSE) 作为物候模型不确定性 的度量。 [0120] 上述中国木本植物春季物候期的预测系统， 通过将历史物候观测数据导入初始建 立的物候模型中， 再通过参数拟合的方式确定得到预测结果与观测数据误差最小的最优参 数组合， 根据该最优参数组合构建新的物候模型， 通过新的物候模型对待预测地理位置的 木本植物物候期进行预测， 得到的结果较为准确， 提高了预测的准确性。 [0121] 上述中国木本植物春季物候期的预测方法和系统应用于预测白蜡树的展叶始期， 其中， 白蜡树是一种广泛分布的木本植物， 主要经济用途为放养白蜡虫生产白蜡。 预测出它 的展叶始期， 对于白蜡生产有重要的意义。 [0122] (1) 利用中国物候观测网的观测数据， 收集了白蜡树的展叶始期在 12 个地点共计 144 条观测记录， 如表 1 所示。同时提供了相应地点的逐日气温记录。 [0123] 表 1 说 明 书 CN 103927587 A 12 9/9 页 13 [0124] [0125] [0126] (2) 对物候模型进行参数拟合， 即找到使物候模型的预测结果和步骤 (1) 中的实 际物候观测数据的误差的平方和最小的参数组合。物候模型参数拟合采用模拟退火算法。 通过模拟退火算法得出预测白蜡树展叶始期的物候模型参数组合为 a ＝ 0.081083， b ＝ 4.3421， c ＝ 18.645， d ＝ -0.17665， e ＝ 19.001， C* ＝ 84.413 和 F* ＝ 9.0455。 [0127] (3)物候模型的检验， 利用步骤(2)确定的参数组合计算表1中实际物候记录所对 应的预测值， 对比物候模型的预测值对观测值的方差解释量和均方根误差， 可作为物候模 型不确定性的度量， 如图6所示， 图6中预测值和观测值均用序日表示， 结果表明， 物候模型 的方差解释量高达 0.87， 且预测值和观测值相当接近， 均方根误差 RMSE 为 6.0 天。这说明 建立的模型有较高的准确性。 [0128] (4) 假设根据气象局的预报， 已知北京市某年 9 月 1 日至次年 5 月 31 日的逐日气 温数据如图 7 所示， 欲预测该气象条件下白蜡树的展叶始期， 可将该气象资料作为根据参 数组合 a ＝ 0.081083， b ＝ 4.3421， c ＝ 18.645， d ＝ -0.17665， e ＝ 19.001， C* ＝ 84.413 和 F* ＝ 9.0455 建立的物候模型的输入。图 7 中， 温度为摄氏度 (℃ )， 日期为月日， 如 9/1 为 9 月 1 日。 [0129] (5) 物候模型预测出在图 6 的气温状况下白蜡树的展叶始期为 4 月 15 日。 [0130] 以上所述实施例仅表达了本发明的几种实施方式， 其描述较为具体和详细， 但并 不能因此而理解为对本发明专利范围的限制。应当指出的是， 对于本领域的普通技术人员 来说， 在不脱离本发明构思的前提下， 还可以做出若干变形和改进， 这些都属于本发明的保 护范围。因此， 本发明专利的?；し段вσ运饺ɡ笪?。 说 明 书 CN 103927587 A 13 1/3 页 14 图 1 图 2 说 明 书 附 图 CN 103927587 A 14 2/3 页 15 图 3 图 4 图 5 说 明 书 附 图 CN 103927587 A 15 3/3 页 16 图 6 图 7 说 明 书 附 图 CN 103927587 A 16