信息学院（人工智能学院）科研团队在林业外来入侵物种扩散分布预测方面取得进展

近日，信息学院（人工智能学院）陈志泊教授课题组在林业外来入侵物种扩散分布预测研究方面取得关键突破，研究成果以“PSTH-CDPM: A Physics-Guided SpatioTemporal Hypergraph Conditional Denoising Diffusion Probabilistic Model for Invasive Alien Species Distribution Prediction”为题，发表于地球科学与遥感领域TOP期刊 《IEEE Transactions on Geoscience and Remote Sensing》（中国科学院一区TOP，IF=8.6）。

外来入侵物种的快速扩散对森林生态系统稳定性和树木健康造成严重威胁，因此准确预测其时空分布及扩散趋势，对于生态风险评估和有害生物防控具有重要意义。针对传统模型在刻画复杂时空动态关系、融合多源环境信息以及反映生态物理机制方面的不足，该研究提出了基于去噪扩散概率模型的全新建模框架。

在方法设计方面，研究团队将生态过程机理与人工智能建模方法相结合，提出了一种物理引导的时空超图条件去噪扩散概率模型（PSTH-CDPM）。在模型中引入基于热传导的温度驱动模块（TCTDM），通过热扩散卷积对温度等关键环境因子的空间传播过程进行建模，使环境变量的变化过程能够以更符合生态物理规律的方式融入模型，从而提升模型对生态环境动态变化的刻画能力。同时，构建时空感知融合模块（STAFM），对物种历史分布序列与多源环境变量序列进行联合建模，实现物种历史扩散信息与环境驱动因素的协同表征，从而更准确地捕捉物种分布随环境变化产生的时空演化规律。此外，在扩散模型的去噪网络中引入卷积块注意力模块（CBAM）与分层超图注意力机制（HyperGAT），前者用于增强模型对关键通道与显著空间区域特征的选择性关注能力，后者用于刻画跨区域、多尺度的高阶空间关联关系，从而进一步提升复杂生态环境中特征的建模能力。

实验结果表明，该模型在多个数据集上均取得优于现有主流方法的预测性能，其中 F1 分数最高达到 95.5%，Kappa 系数达到 95.46%，在复杂生态环境条件下仍表现出良好的鲁棒性与泛化能力。相关研究不仅为外来入侵物种分布预测提供了新的技术手段，也为复杂生态环境中的时空数据建模提供了新的研究思路。

近年来，陈志泊教授团队持续推进人工智能方法在林业生态研究中的应用，聚焦外来入侵物种监测与生态风险评估，开展跨学科研究并取得阶段性成果，为生态安全防控提供了新技术与新方法。此次研究成果为外来入侵物种分布预测提供了新的技术思路，也为生态风险评估、森林有害生物监测等林业应用场景提供了可推广的技术方法，对提升我国生态安全监测与生物入侵防控能力具有积极意义。

论文第一作者为信息学院（人工智能学院）2023级博士研究生穆莉平，通讯作者为霍光煜老师和陈志泊教授，北京林业大学为唯一完成单位。该研究得到了国家重点研发计划（2023YFC2605200）的资助。

论文链接：https://doi.org/10.1109/TGRS.2026.3667617。

                                             撰稿人：霍光煜、陈志泊

                                                                   审稿人：许福、罗传文