基于深度学习的植物功能性状数据整合及长时间序列分析

Plant functional traits are measurable and quantitative ecophysiological characters of plants. The functional traits could reflect the structure and function of vegetation, indicate the response of vegetation to environmental change, and have strong effect on ecosystem functioning. Previous large-scale studies on trait-environment relationship mainly put emphasis on spatial patterns, which reflected a relatively stable state that evolved due to long-term evolution and adaptation of plants. However, in regarding to the plants response to global environmental change within the last decades, the spatial pattern itself is unconvincing. This project will apply the up-to-date deep learning technology to extract data from historical literature in past 70 years, including traits data and the related information (time, place, etc.). The graph database will be used to integrate the extracted traits data, historical climate data, soil census data and other data sets previously collected by the applicant. Based on the integrated historical database, this project will further analyze the time series of plant functional traits, in order to find the traits that are sensitive to the environmental changes, and interprete the mechanism of their change trends over time. This research will establish a technical pipeline of automatic data extraction and integration in the field of ecology, and explore the response of plant traits in relation to global change, which is beneficial to the construction and improvement of dynamic global vegetation models.

植物功能性状可以定量反映植被的结构与功能，指示植被对环境变化的响应, 并且能够影响生态系统功能。此前功能性状与环境关系的宏观研究多基于空间格局，反映了植物在长期进化与适应过程中形成的相对稳定状态；而不能准确反映全球变化背景下，几十年的时间尺度内，植物对环境变化的响应。本项目将利用当前最新的深度学习技术进行文本挖掘，从过去七十年的历史文献资料中，提取出植物功能性状数据及时间、地点等相关信息。结合申请人先前整理的实测植物功能性状、历史气候、土壤普查等数据集，进一步利用图数据库技术，整合不同来源的数据，建立综合性的植物功能性状历史数据库。基于此数据库，分析植物功能性状随时间的变化趋势，旨在发现可能的对环境变化响应敏感的性状，并尝试回答其时间变化趋势的形成机制。本项目的研究将建立起适用于生态学领域的数据自动提取与整合技术体系，探讨性状对全球环境变化的指示作用，有利于全球植被动态模型的构建和改进。

植物功能性状可以定量反映植被的结构与功能，指示植被对环境变化的响应，并且能够影响生态系统功能。历史文献中的植物功能性状数据，能够反映全球变化背景下，几十年的时间尺度内，植物对环境变化的响应。本项目利用自然语言处理技术进行文本挖掘，建立了生态学领域的数据自动提取方法，包括对文本进行标注，训练命名实体识别模型，能够有效识别并提取文本中的数据信息。模型提取的数据主要用于分析植物功能性状历史数据随时间的变化趋势，及其与环境变化的关系，此外扩展引入了空间数据与系统进化因素，分析植物功能性状与植物系统发育、物种分布范围的关系。本项目中采用的技术方法同样适用于其它学术研究领域，应用该方法提取了统计年鉴数据，并结合土地覆盖数据，进行时序分析。