基于性状的方法在预测植被变化以及将大尺度生态系统结构与功能联系起来方面越来越受到关注。然而，这类方法面临的一个关键挑战是获取空间连续的植物功能性状图。本文选择了六种关键的植物功能性状，包括比叶面积（SLA）、叶干物质含量（LDMC）、叶氮浓度（LNC）、叶磷浓度（LPC）、叶面积（LA）和木质密度（WD），因为它们可以反映植物资源获取策略和生态系统功能。在中国的 1430 个采样点共采集了 3447 种种子植物的 34589 个原位性状测量值，并利用两种机器学习模型（随机森林和提升回归树）生成了空间植物功能性状图（1 km）以及环境变量和植被指数。为获得最佳估计值，进一步应用加权平均算法合并两个模型的预测结果，得出最终的空间植物功能性状图。这些模型在估计 WD、LPC 和 SLA 方面表现出良好的准确性，平均R2值在 0.48 到 0.68 之间。相比之下，这两个模型在估计 LDMC 方面表现较弱，平均R2值小于 0.30。同时，LA 在某些地区显示出两种模型之间的巨大差异。在预测植物功能性状的空间分布方面，气候影响比土壤因素的影响更重要。由于取样稀少，中国东北和青藏高原植物功能性状的估计值具有相对较高的不确定性，这意味着未来需要在这些地区进行更多的观测。我们的空间性状图可为基于性状的植被模型提供重要支持，并可在大尺度上探索植被特征与生态系统功能之间的关系。
植物性状数据主要通过两个来源获得和收集。第一个来源是公共性状数据库，包括 TRY 数据库和中国植物性状数据库。第二个来源是文献。
该数据集包括两个方面。一个是本研究收集的用于机器学习模型的原始植物功能性状数据集，命名为Data file used for machine learning models.csv。另一个是中国的功能性状图。八张功能性状图的空间分辨率为 1 公里，格式为 GeoTIFF。这些性状数据集是结合实地观测、环境变量和植被指数数据生成的，用于基于两种机器学习方法（即随机森林和提升回归树）的集合建模方法。
数据质量良好。
本作品采用
知识共享署名
4.0 国际许可协议进行许可。