广西快十重庆时时彩: 中国木本植物春季物候期的预测方法和系统.pdf

权利要求书
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：
Sc=Σt=t0t1Rc(xt)=C*]]>
Sf=Σt=t1tbRf(xt)=F*]]>
Rc(xt)=11+ea(xt-c)2+b(xt-c)]]>
Rf(xt)=11+ed(xt-e)]]>
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⒌奈锖蚰Ｐ椭?；
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：
Sc=Σt=t0t1Rc(xt)=C*]]>
Sf=Σt=t1tbRf(xt)=F*]]>
Rc(xt)=11+ea(xt-c)2+b(xt-c)]]>
Rf(xt)=11+ed(xt-e)]]>
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ǎ?BR>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。

说明书中国木本植物春季物候期的预测方法和系统
技术领域
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
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。
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。
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：
(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；
(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；
(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；
(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。
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。
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
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。
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。
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的物候期。
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：
Sc=Σt=t0t1Rc(xt)=C*]]>
Sf=Σt=t1tbRf(xt)=F*]]>
Rc(xt)=11+ea(xt-c)2+b(xt-c)]]>
Rf(xt)=11+ed(xt-e)]]>
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。
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：
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。
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：
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。
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：
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。
一种中国木本植物春季物候期的预测系统，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⒌奈锖蚰Ｐ椭?；
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。
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：
Sc=Σt=t0t1Rc(xt)=C*]]>
Sf=Σt=t1tbRf(xt)=F*]]>
Rc(xt)=11+ea(xt-c)2+b(xt-c)]]>
Rf(xt)=11+ed(xt-e)]]>
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。
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Ｐ徒胁问夂?，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。
在其中一个实施例中，所述参数拟合?？榘ǎ?
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。
在其中一个实施例中，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。
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
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；
图2为物候模型原理示意图；
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；
图4为图3中参数拟合?？榈哪诓拷峁故疽馔?；
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；
图6为物候模型检验的示意图；
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
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。
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：
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到初始建立的物候模型中。
具体的，初始建立的初始物候模型公式为：
Sc=Σt=t0t1Rc(xt)=C*]]>
Sf=Σt=t1tbRf(xt)=F*]]>
Rc(xt)=11+ea(xt-c)2+b(xt-c)]]>
Rf(xt)=11+ed(xt-e)]]>
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。
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。
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。
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*]。
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：
(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。
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。
并设置迭代变量参数k＝1，2，3，……，L循环执行步骤(2)(3)(4)。
(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。
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。
(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。
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。
(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。
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。
(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)。
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)。
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。
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。
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。
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。
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。
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。
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?？?10、参数拟合?？?20和预测?？?30。其中：
调用?？?10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。
具体的，初始建立的初始物候模型公式为：
Sc=Σt=t0t1Rc(xt)=C*]]>
Sf=Σt=t1tbRf(xt)=F*]]>
Rc(xt)=11+ea(xt-c)2+b(xt-c)]]>
Rf(xt)=11+ed(xt-e)]]>
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。
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。
参数拟合?？?20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。
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*]。
如图4所示，参数拟合?？?20包括初始化?？?21、增量计算?？?23、赋值?？?25、参数输出?？?27和迭代?？?29。其中：
初始化?？?21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。
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。
并设置迭代变量参数k＝1，2，3，……，L循环执行步骤(2)和(3)。
增量计算?？?23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。
赋值?？?25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。
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。
参数输出?？?27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。
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。
迭代?？?29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?？?23、赋值?？?25、参数输出?？?27相应的操作。
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?？?23、赋值?？?25、参数输出?？?27的操作。
调用?？?10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。
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。
预测?？?30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。
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?？?10、参数拟合?？?20和预测?？?30，还包括参数检验?？?40。其中：
参数检验?？?40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。
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。
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。
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。
(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。
表1


(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。
(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。
(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。
(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。
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?；し段?。因此，本发明专利的?；し段вσ运饺ɡ笪??！　　∧谌堇醋宰ɡ鴚ww.www.4mum.com.cn转载请标明出处