利用古植物重建古气候已有很久的历史。目前，国际上通过植物材料定量研究古气候的常用的方法可以分为两类，即：利用植物分类和植物形态的方法。其中，气候与叶片多变量分析程序（Climate Leaf Analysis Multivariate Program，CLAMP）是通过植物叶片形态重建古气候的常用模型之一。该模型利用排序变量的方法来减少参数，并建立多个变量的二次函数来重建气候因子。但是由于环境变量和植物形态之间的关系的复杂性，很可能是非线性的关系，如果对全球不同区域的气候—叶相进行分析，利用常规的线性数学模型预测气候参数的误差会比较大。 

　　版纳植物园热带森林生态学重点实验室古生态研究组与英国开放大学等单位合作，基于广义回归神经网络模型（General Regression Neural Network , GRNN）提出一个新的非线性的数学模型（Climate Leaf Analysis with Neural Networks，CLANN），并利用CLANN对两个数据库进行了分析研究：CLAMP 全球气候-叶相数据库和数字叶相分析（Digital Leaf Physiognomy, DLP）数据库。利用新的数学方法预测的决定系数（R²）更高，标准差（the standard deviation，SD）更小。对于所有的气候因子，无论去掉单独去掉哪一类叶相特征与通过全部的叶相特征模拟的决定系数（R²）比较，变化都不明显。同时，无论单独挑选哪一类叶相特征，也可以获得相对可靠的气候参数。结果表明：新的数学方法显著提高了利用叶相数据预测气候模型的精确性，另外该方法也是可重复的，同时也是稳健的。通过分析新方法对北美82个化石数据的预测，结果表明：CLANN对化石点的预测值与CLAMP是有明显的区别，尤其是在水分相关的气候因子上，CLANN预测的气候范围值较大。 

　　该研究是数学模型在古生物、古气候研究领域的一个重要的创新，该数学模型还可以推广应用到古气候、古环境重建的其他研究领域。相关成果以Artificial neural networks reveal a high-resolution climatic signal in leaf physiognomy为题在古生态学杂志 Palaeogeography, Palaeoclimatology, Palaeoecology在线发表。该研究得到了国家973项目（2012CB821901），国家自然科学基金（41372035）支持。

　　CLANN方法流程图