媲美Nature的模型技术:LPJ*Python*CMIP6,打造气候变化响应预测系统

培训时间：2月4日-7日

每日上课时间：上午9:30-12:00  下午14:00-17:30

参加培训的学员可以获得《LPJ模型应用技术》专业技能培训证书及学时证明，网上可查。此证书可作为个人学习和知识更新、单位在职人员专业技能素质培养及单位人才聘用重要参考依据。证书查询网址：www.aishangyanxiu.com

注：办理证书需提供电子版2寸照片及姓名、身份证号信息，开课前发给会务组人员。

非会员费用：3680元   Ai尚研修会员费用：会员政策参会

【优惠活动】：1：学生凭学生证有效证件参会可享受85折优惠。2：分享朋友圈设置公开集赞20枚立减100元。

专题一  课程导论

1.建立从 GPP/NPP 到 NEP/NEE、植被碳库/土壤碳库（SOC）的整体框架。

2.关键量识别：GPP、NPP、Ra、Rh、NEP、NEE。

3.常用模型及特点：统计/气候生产力模型、光能利用率模型（CASA/VPM…）、过程模型（LPJ/LPJ-GUESS、Biome-BGC）。

专题二  Python入门与地学工具

1.Python环境配置与常用编辑器。

2.遥感与生态建模工具库（rasterio、gdal）简介。

3.Python栅格/矢量预处理：投影、裁剪、掩膜、格式转换。

专题三  LPJ 模型原理

1.掌握 LPJ 的模块化结构与时空分辨率（逐日/逐月、栅格）、必需驱动数据与核心参数。

2.气候驱动：气温、降水、辐射（日照百分率）与 CO₂ 路径；潜在蒸散、土壤含水、光合有效辐射。

3.植被功能型（PFT）与关键参数（如最大光合效率、根系分配等）的作用路径。

4.碳汇入库（凋落物—土壤库）、Q10 温度敏感性、土壤分解与异养呼吸。

专题四  LPJ-GUESS 与扩展：动态植被与情景预测

1.了解 LPJ-GUESS 的群落/年龄级结构、干扰（火、冻融）、氮循环/冻土扩展等对碳储量预测的价值。

2.LPJ vs LPJ-GUESS 的差异：个体/群落、年龄结构、扰动与迁移。

3.参数敏感性与本地化思路（例如 emax、rootbeta、lambdamax、alphar 等对 GPP/NPP/NEE 的影响）。

4.情景数据（SSP/RCP）驱动的长期生产力预测路径

专题五  数据与预处理：从原始驱动到“可跑的数据包”

1.数据获取：气象驱动、大气 CO₂、土壤、 土地覆盖类型、DEM

2.数据质量检查：一致性与范围、缺测与异常值处理、单位换算、物理闭合。

3.数据预处理： 标准化、空间重采样与投影、缺测插补（Temporal/Spatial）、偏差订正（Bias-Correction）、掩膜与域裁剪（Mask/ROI）

专题六  参数敏感性分析与区域化设置

1.利用Morris 与EFAST敏感性分析识别敏感参数

2.评估敏感参数对 NPP、NEE的影响弹性（弹性系数/蜘蛛图）。

3.引入“气候扰动”试验：+1℃、–10% 降水、–5% 辐射的 NPP 响应对比。

专题七  植被NPP时空变化及其对气候变化的响应

1.基于 LPJ-GUESS 模拟流域植被NPP 2010-2020变化。

2.NPP 的时空变异：时间序列、空间分布、热点/冷点检测。

3.二阶偏相关（NPP~T/P/SW/CO₂）与共线性诊断（相关矩阵/VIF）

专题八  未来气候变化情景下的流域植被净初级生产力预估

1.CMIP6情景（SSP2-4.5、SSP5-8.5）降尺度与偏差订正

2.基于 LPJ-GUESS 模型，利用降尺度后的 CMIP6 气候情景数据，预估流域未来不同气候情景下植被 NPP 时空变化。

专题九  结果验证与评估：精度、偏差与可解释性

1.指标：R²、RMSE、偏差；物理一致性清单（能量/水分/碳收支）

2.多尺度验证：站点—流域—区域；时间（季节/年际/年代际）。

3.结构化误差 vs 随机误差、气候—参数—结构三类不确定性。

专题十  科学写作：从图表到论点 1.引言：研究动机与问题清晰化

2.方法：模型、数据、参数与实验设计

3.结果：图 4–6 幅，文字“先总后分”讲规律

4.讨论：不确定性、对比文献、情景含义

5.结论：回答引言里的问题，落在“可操作洞见”