先比较，再决定用哪个。
开源 BioAnalyst 比方案一的 API 路线预测更准，就采用方案二。
TWO ROUTES · ONE PREDICTION TASK
❄ 原模型参数冻结·LoRA 只训练少量新增参数
01
开源大模型 + 科学模型
OBSERVATIONS
输入
气温 · 降雨遥感 · 植被物种观测土地信息
LATENT STATE
z
中间变量
供科学 API 使用
z₁z₂z₃
FIXED SCIENTIFIC MODEL
科学模型
API 调用 · 参数固定
ECOLOGICAL PREDICTION等待预测
预测结果
生态状态与真实观测比对
模型给出的本轮预测
用于检查的正确结果真实观测
比对差异
误差反馈 → 更新开源大模型的 LoRA / 适配参数 → 再预测
↳
点击播放，红框会逐步展示“预测—比对—更新—再预测”。
流程示意，非实验结果02
比 API 路线更好，就采用直接用开源 BioAnalyst
OBSERVATIONS
输入
过去两期的
生态与环境资料
OPEN-SOURCE BIODIVERSITY MODEL查看模型结构
BioAnalyst
❄ 主干参数冻结编码→
时空预测
→输出LoRA 微调可选
Large ≈ 0.710B · Small ≈ 0.195B
Ecological Informatics · 2026
PREDICTION
预测结果
下一期生态状态
使用匹配任务的权重；也可微调后与方案一比较。省去外部 API 调用费，仍有本地算力成本。
可探索的方向利用现有 GPU 训练更大的生态模型，检验能否更准、更稳定。待数据验证
同一批未参与训练的测试数据→比较两方案的预测误差→方案二更准，就采用方案二
比较预测效果、速度与成本等待数据 · 暂不跑实验
真实公开数据 · 可直接点击查询
风场、风机、鸟类，每个点都有来源。
选一座风场，用绿点和红点查看开工或启用前后的鸟类观测。
5 座风场 · 155 处对应风机 · 1,823 条鸟类记录 · 2,376 个分析网格下载真实 GIS 数据 ↓