花期预测是农业气象指标体系建设过程中的重要一环,也是气象服务系统的重要一部分。花期预测不仅是回归预测问题,同样也是时间序列预测问题。目前关于花期的预测模型以建立回归模型为主。在回归预测模型的研究过程中,大部分学者的研究都只是在算法阶段来提高预测模型的准确性,很少在数据部分通过对数据质量的优化来提高模型的准确性。其次,在回归预测过程中,由于实际结果是以天为单位的整数形式,而预测的结果是小数形式,就不可避免的会出现小数取整的问题。最后,回归模型为实现提前预测会存在长空白期,在此期间的低温冷害等气象灾害会影响预测结果。本文以山西省临汾市吉县当地“红富士”苹果生长过程为研究材料,借助机器学习和深度学习算法,提出了适合吉县当地的静态与动态花期预测模型。静态预测模型,是对现有模型的改进,是将多元线性回归模型为数据质量的筛选器,通过集成学习思想来优化回归模型。静态预测模型可以实现至少提前21天的花期预测。动态预测模型,是将多变量LSTM网络与集成学习二分类任务相结合,完成对对每年3月25日至4月30日每一天的未来三天花期的预测。研究结果如下:1、时间间隔与气象因子的皮尔逊相关系数对9至12月的上中下三旬共12个不同时段内的气象因子分别与时间间隔进行皮尔逊相关性分析,发现:各个气象因子与时间间隔的相关性,没有存在高度相关的,只有中低度相关的。在9月1日至10月1日相关性排名第一的是10cm地温,10月11日至12月11日相关性排名第一的是降水量,而在12月21日相关性排名第一的是日照时数。2、静态预测模型对12个不同时间段的数据分别建立四特征向量与五特征向量多元线性回归模型,从而确定最佳预测时间段和最优特征向量个数。之后通过PCA降维和集成学习的思想改进模型。多元线性回归模型确定最佳预测时间段是以10月1日为起始以次年3月15日为终点,最优特征向量个数为4个,其模型的决定系数为-1.1583、均方根误差为6.3473、解释方差分数为-1.0022。而使用PCA降维后的集成学习思想的RFR、SGD加权平均模型和RFR、SVR的加权平均模型,其决定系数分别为0.3651和0.3763,均方根误差为3.4425和3.4121,解释方差分数为0.3763和0.3763。3、动态预测模型首先是特征工程,通过对气象因子进行周期性分析,找到周期性明显的气象因子并新增了气温和、地温和两个特征,新增特征同样满足周期性。然后,采用多变量LSTM网络以加窗的方法,使用前30天的数据预测未来3天的数据。经过100次迭代后模型的损失低于0.05,实际值与预测值的均方根误差值小于0.6。最后,采用组合策略的思想对RF和Ada Boost两个分类任务学习器的预测结果进行算术平均判断是否为花期,其模型的AUC值为0.82,而单个学习器的AUC值分别为0.81、0.80。