1.基于双Logistic模型分析水稻分蘖动态的新方法，其特征在于该方法使用双Logistic模型描述水稻分蘖动态，双Logistic模型的特征在于其表达形式为：双Logistic模型的第一项为分蘖发生模型其中：Ns(Total number of shot tiller)为分蘖总数，一般情况下，会大于或等于观测的最大分蘖数，a1为固有增长率，b1与分蘖发生的时滞相关，为分蘖增速最大的时刻，此时，已经发生的分蘖数量为的分蘖发生总数的一半；

双Logistic模型的第二项为分蘖消亡模型其中：Nd(Total number of dead tillers)为消亡的分蘖总数，小于实际最大分蘖数，a2为固有消亡率，b2为茎蘖消亡最快的时刻，此时，已经消亡的茎蘖数量为的茎蘖消亡总数的一半，正常环境下，茎蘖消亡最快的时刻滞后于茎蘖增速最大的时刻，即b2>b1。

2.基于双Logistic模型分析水稻分蘖动态的新方法，其特征还在于权利要求1所述的双Logistic模型的参数计算有以下特征：参数的确定采用最小二乘法，参数的计算使用Levenberg‑Marquardt算法；参数的变化范围设置为：[观测的最大分蘖数0 0 0 0 15]<[Ns a1 b1 Nd a2 b2]<[1.2×观测的最大分蘖数+∞+∞1.2×观测的最大分蘖数‑最后一次观测的分蘖数+∞65]；参数的初值设置在参数的变化范围内。

3.基于双Logistic模型分析水稻分蘖动态的新方法，其特征还在于该方法根据水稻分蘖动态过程，定义了13个生态学变量描述水稻分蘖动态的动态特征，并基于模型参数，给出了计算这13个生态学变量的方法；13个生态学变量详细定义以及计算公式如下：Ns(Total number of shot tiller)：发生分蘖数，分蘖完成后，发生的分蘖总数；

Nd(Total number of dead tiller)：消亡分蘖数，分蘖死亡结束后，消亡的总分蘖数；

Nr(Remain tiller number)：保持分蘖数，水稻生育后期一直保持的分蘖数，等于发生分蘖数减消亡分蘖数，即Nr＝Ns‑Nd；

Tss(Start time of tiller shot)：分蘖始期，此时发生的分蘖数为0，NC(Tss)＝0，NC(t)为单调函数， 因此，从分蘖动态模型(5)考虑，Tss＝‑∞，这不符合实际情况，为此定义Tss为累计发生的分蘖数达到(1‑p)·Ns所需的时间，NC(Tss)＝(1‑p)·Ns，p为接近1的数值；

Tes(End time of tiller shot)：分蘖终期，此时累计发生的分蘖数达到Ns，NC(Tes)＝Ns，NC(t)为单调函数， 因此，从分蘖动态模型(1)考虑，Tt＝+∞，这不符合实际情况，为此定义Tes为累计发生的分蘖数达到p·Ns所需的时间，NC(Tes)＝p·Ns，p为接近1的数值；

STs(Span time of tiller shot)：分蘖历期，从分蘖始期Tss到分蘖终期Tes经历的总时长，STs＝Tes‑Tss，

Tsd(Start time of  tiller death)：消蘖始期，类似于Tss，ND(Tsd)＝p·Nd，Ted(End time of tiller death)：消蘖终期，类似于Tes，ND(Ted)＝(1‑p)·Nd，STd(Span time of tiller death)：消蘖历期，从分蘖消亡的启动时间Tsd到分蘖消亡的结束时间Ted经历的总时长，STd＝Ted‑Tsd，Tms(Time at maximum rate of tiller shot)：分蘖盛期，由Logistic模型性质知，NC(Tms)＝Ns/2，Tms＝b1；

Rms(Maximum rate of tiller shot)：最大分蘖速率，由Logistic模型性质知，当NC(t)＝Ns/2时，分蘖发生的速率最大，即，

Tmd(Time at maximum rate of tiller death)：消蘖盛期，由Logistic模型性质知，ND(Tmd)＝Nd/2，Tmd＝b2；

Rmd(Maximum rate of tiller death)：最大消蘖速率，由Logistic模型性质知，当时，分蘖消亡的速率最大，即，。

4.基于双Logistic模型分析水稻分蘖动态的新方法，其特征还在于该方法基于权利要求3所述13个生态学变量和双Logistic模型的6个模型参数对试验因子(如密度、播期、品种处理) 的线性、二次、对数、指数回归分析，建立回归方程，以此分析水稻分蘖动态响应试验处理的规律。

5.基于双Logistic模型分析水稻分蘖动态的新方法，其特征还在于该分析方法提供了预测水稻分蘖动态过程的方法，预测水稻分蘖动态过程动态基于权利要求4分析所得的模型参数响应试验因子的回归方程；对于既定条件，预测水稻分蘖动态过程的基本过程为：基于既定条件和模型参数响应试验因子的回归方程，计算的既定条件条件下的模型参数，根据权利要求1的双Logistic模型计算各时间点的分蘖数量，并使用图形化方式描述水稻分蘖动态过程。

6.基于双Logistic模型分析水稻分蘖动态的新方法，其特征还在于该方法分析水稻分蘖动态的过程(见图1)包括如下步骤：

基础数据采集，设置试验处理(如密度、播期、品种处理)，每个处理重复三次，各处理选定10株水稻，移栽后5天后，每隔3天采集一次水稻分蘖的数量直到分蘖数不变化为止；

参数计算，基于步骤采集的分蘖数据和权利要求1的双Logistic模型，使用Matlab 

2006a的Levenberg‑Marquardt算法及权利要求2所述的参数范围和初值，求解双Logistic模型的参数；

生态学变量计算，基于步骤计算的模型参数和权利要求3的计算公式，计算生态学变量；

分蘖动态响应试验处理规律的分析，基于步骤计算的生态学变量和步骤设置试验处理，利用回归方法分析分蘖动态对试验因子的响应，建立回归方程；通过回归曲线的趋势分析分蘖动态响应试验因子的规律；

分蘖动态模拟，基于步骤计算的模型参数和步骤设置试验处理，利用回归方法分析分蘖动态对试验因子的响应，建立回归方程；对于既定条件，基于模型参数响应试验因子的回归方程确定既定条件下水稻分蘖动态的模型参数，进而基于权利要求1的双Logistic模型模拟分蘖动态，并使用Matlab 2006a的画图命令绘制水稻分蘖动态图形。