兰州大学树木年轮研究团队结合树轮信息、森林模型和机器学习，自主研发了一个可利用树轮信息对森林模型进行合理高效参数化的模拟工具，并准确地模拟了森林的生长动态和树轮稳定同位素变化。

模型需要反映实际。在森林模拟的复杂挑战中，传统方法一般依赖于稀缺且较难获取的植物生理与历史树木生长数据，过程繁琐且成本高昂。如果能利用易于获得的树轮数据来限制森林模型，就可以节省模拟森林所需要的人力物力并提高模拟质量。

该研究把3-PG这一广泛应用的森林模型重构为循环神经网络（RNN）的形式，并基于深度学习框架Pytorch实现。这一新的深度学习工具需要按照森林模型中的植物生理和物理机制进行学习，因此是一种physics-informed machine learning，而不是纯数据驱动的机器学习（data-driven machine learning；例如简单的改变参数把模型运行多次，然后用机器学习来探寻不同参数和模拟结果之间可能联系）。在这个项目中，3PG-RNN实现了从树轮数据中精准提取信息以优化模型参数的目的，其模拟效果媲美了基于大量植物生理观测数据的传统模拟方法。在未来的实验中，如果有很好的长期气象数据支持，一次野外工作便能采集足够的数据和树轮样品用以完成森林模拟。

该研究成果以“Tree-ring Based Forest Model Calibrations with a Deep Learning Algorithm”为题，发表在Forest Ecology and Management期刊 (https://www.sciencedirect.com/science/article/pii/S0378112724004663)。魏亮教授为通讯作者，博士生于茜子与蚂蚁金服的仲力恒为共同一作。本项目得到中国自然基金重大项目“人类世人类活动的影响与适应”（41991254），和面上项目“基于观测与动态植被模拟的中国干旱区森林水碳动态变化研究”（42271048）和“利用树轮数据改进长期气候变化中的森林模拟”（1971492）的资助。模拟工具已获得计算机软件著作权登记(登记号：2024SR0290088；著作权人魏亮、仲力恒、周行、于茜子)，代码在Github已公开（链接见论文），欢迎在学习和科研中免费使用。

图1 模型结构图. 将森林模型3-PG放入神经网络中.