蒸腾作用是植物水循环系统的重要构成部分,植物树干液流能够反映植物蒸腾作用的有效生理特性,在土壤-植物-大气连续体系中具有重要的地位。深入分析植物茎干中液流速率和液流量的变化特征及其对环境因子的响应,对研究植物耗水规律、生态系统水循环以及陆地生态系统水分利用等具有意义。基于经验和物理模型的植物树干液流密度分析方法需要大量的数据支撑,且难以表征环境因子与液流间复杂的非线性关系。基于传统机器学习和神经网络的树干液流预测模型存在梯度消失、易陷入局部最优解等问题。针对以上问题,本文以长白落叶松为对象,分析树干液流主导因子,构建树干液流预测模型,实现长白落叶松树干液流的准确预测。主要研究内容如下:（1）长白落叶松树干液流密度和环境因子数据采集。在黑龙江省佳木斯市孟家岗林场,选择长势良好,外观相似的长白落叶松,利用Grainer探针测量树干液流密度,并在实验样地内搭建环境监测站,采集环境因子数据,为后续研究提供数据支持。（2）长白落叶松树干液流密度主导因子分析。首先,分析相关环境因素和树干液流拟合曲线,验证环境因子与树干液流间的非线性关系,采用滞后曲线探讨环境因子与树干液流密度间的时滞效应。然后,构建基于随机森林的树干液流密度主导因子分析模型,将环境因子作为输入变量,分析环境因子对树干液流密度的影响。最后,将随机森林主导因子和皮尔逊主导因子分别作为输入变量,对比不同输入变量对反向传播网络树干液流密度预测精度的影响程度。结果表明,基于随机森林的主导因子分析模型更适用于长白落叶松液流密度分析,并且考虑时滞的随机森林主导因子作为输入变量时,预测精度最高。（3）长白落叶松树干液流密度预测方法研究。首先,利用长短时记忆网络（LSTM）捕获序列特征,Transformer网络捕获时间步特征,将两个隐特征拼接后,得到最终特征,构建LSTM-Transformer组合的长白落叶松树干液流密度预测模型。然后,采用考虑时滞效应的随机森林主导因子作为数据集,对长白落叶松树干液流密度进行预测,并与反向传播神经网络、深度神经网络、长短时记忆网络和Transformer网络四种单预测模型进行对比。实验结果表明,LSTM-Transformer模型取得最好的预测效果。（4）设计植物树干液流分析系统。基于Py Qt5搭建液流分析系统,实现数据读取与显示、树干液流密度主导因子分析和树干液流密度预测功能。