智慧林草创新团队研发森林凋落物参数智能预测新方法

图1多模态数据融合与可解释性分析技术框架

图2 多模态融合模型在不同森林生态系统中的预测结果

图3 多模态融合模型的预测因子重要性排序

森林凋落物是连接植被与土壤的“桥梁”，其精准的月动态预测对于研究生态系统碳、氮循环至关重要。然而，现有模型往往忽略极端气候事件（如强风、低温等）与关键定性生态系统特征（如林分起源、土壤类型等）的共同影响，缺乏对不同森林生态系统凋落物复杂驱动机制的全面认知，难以实现森林凋落物量的精准预测。

针对这一问题，中国林业科学研究院资源信息研究所智慧林草创新团队研发了一种多模态数据融合的森林凋落物智能预测方法。该方法引入预训练大语言模型（PLMs）技术，将样地描述文档与文献中的生态系统定性描述文本转化为高维语义特征向量，并与数值型环境因子融合；同时结合自动化机器学习（AutoML）技术，实现了从特征提取到模型优化的全流程自动化处理，有效解决了多源异构数据融合建模的技术瓶颈。

经全国不同森林生态站长期观测数据验证，构建的多模态融合模型预测精度较单模态模型最高提升了15.31%，有效解决森林凋落物量高值低估问题。可解释性分析进一步揭示，除季节性节律外，月尺度的极端气候因子与定性生态系统特征也是驱动森林凋落物动态变化的关键变量。该方法不仅提升了生态关键参数智能挖掘效率和精度，也进一步推动AI for Forest Science的创新发展。

研究论文“Beyond seasonality: A data-fusion approach reveals extreme climate and qualitative ecosystem traits as key litterfall drivers across diverse forests”发表在《Ecological Indicators》（中科院1区TOP，IF=7.4），资源信息研究所博士研究生陈思晗为第一作者，张怀清研究员为通讯作者。该项研究得到国家重点研发计划项目（2023YFF1303701）的资助。