特邀综述丨GLOBAL CHANGE BIOL：知识引导的机器学习在全球变化生态学研究中的应用

本文综述了知识引导机器学习（KGML）在全球变化生态学研究中的应用。研究背景是全球变化生态学需要结合数据驱动与机制理论的预测模型，以应对复杂的生态系统挑战，传统方法在参数化和外推性方面存在局限。研究目的是展示KGML通过整合生态学原理（如物理基本规律、过程认知）于模型设计、训练与调整中，如何增强对碳-水-养分循环等生态过程的预测能力，并为生态基础模型奠定基础，同时探讨其在决策支持和符号回归等新兴应用中的潜力。结论指出，KGML范式为推进全球变化研究提供了巨大机遇，未来应聚焦于数据与知识的自适应整合、不确定性量化、因果嵌入及跨学科协作，以融合生态理论与人工智能进展，推动科学发现和可持续发展解决方案。