冠层高度（H）和冠幅半径（CR）对树木的生态策略至关重要，并与固碳能力密切相关。目前，基于传统的统计模型或机器学习（ML）模型，已有大量研究在区域或站点尺度上预测模拟单株树高。然而，对全球冠层高度和冠幅半径的预测研究仍然很少。因此，本研究系统评估了7种机器学习模型在全球尺度下预测树木高度和冠幅半径的潜力，并对比了其与传统统计方法的性能差异。结果显示，对于H预测而言，与传统模型（逐步线性回归和非线性拟合）相比，梯度提升（GB）和随机森林（RF）模型的预测能力更强，温带针叶林（MN）、温带阔叶林（MB）和热带阔叶林（TB）的R²分别提升至0.81、0.78和0.78，RMSE降低10%-20%，对小个体树木（H<5米）的预测偏差减少50%以上。在CR预测中，机器学习优势减弱，最优R²为0.66-0.71。胸径对H和CR的影响最强，气候因素对H和CR的影响普遍高于土壤，且不同植物功能类型（PFTs）主导因子各异。本研究系统验证机器学习在全球树木形态预测中的优势，明确气候因子的全局主导作用，为森林碳汇评估和植被模型优化提供依据。
 

树高，树冠半径，胸径，机器学习，全球预测