课程安排 | 学习内容 |
第一部分 模式讲解 | Biome-BGC介绍 |
第二部分 课程基础 | Linux应用 l 实现批量创建文件、删除文件及文件夹 l 并行化执行程序 CDO工具应用 l 使用cdo工具对netCDF文件进行合并 l 筛选时间和变量，裁剪为小区域 Python应用 l Python的循环语句，逻辑语句， l 创建Numpy数组，并统计计算； l 使用Matplotlib制作散点图、等值线图； l 利用零散数据Pandas创建数，制作时间 l 利用Xarray读取netCDF文件，写入netCDF文件；实现插值工作 |
第三部分 数据处理 | 在linux上综合使用cdo和xarray数据制备所需数据。 1静态数据制备： l 地形数据：GTOPO30S 1km l 土地利用数据：GLCC 1km l 土壤数据：FAO l GPP数据：MODIS数据 2驱动数据制备： l CN05.1数据处理 l CMFD数据处理 3生态数据 MODIS GPP |
第四部分 单点的模拟 | 1前处理 l 从空间格点数据（netCDF格式）插值到站点 l 配置Biome-BGC运行文件 l 制备用于驱动Biome-BGC的气象数据 2运行BGC模型 3调参 以MODIS的GPP产品为观测值，使用Python库并行化调整Biome-BGC模型的参数 l 调整生长季开始和结束 4后处理 l 读取Biome-BGC的ascii文件和二进制文件 l 结果统计计算 结果可视化 |
第五部分 区域模拟-1 | 区域模拟是将区域上每个格点分别进行计算进行的。在本节案例中，将以一个较小的省份进行高分辨率模拟和在中国进行粗分辨率模拟。模拟过程中涉及以下步骤： l 静态地理数据准备 l 气象驱动数据制备 l 分配数据 l 并行运行 合并单点结果为空间数据 |
第六部分 长时间序列模拟案例 | 使用ERA5作为观测数据的降尺度后的CMIP6未来气候变化降尺度数据。 l 对气象数据降尺度，获得气温、湿度、降水和向下短波辐射。 l 土壤数据、植被数据库查询 l 准备气象数据和静态数据 l 后处理模拟结果数据 |
第七部分 分析 | 在单点和空间模拟数据的基础上，进行以下分析： l 敏感性分析： 使用敏感性分析方法（SALib库），分析主要模拟参数对GPP的影响 l 归因分析： 使用通径分析方法（semopy库），结合气象要素，分析对GPP和ET的影响过程 |
需要硬件基础要求 | CPU：8核心16线程及以上（空间模拟需要计算资源） 内存：16G及以上 硬盘：计算机本地硬盘100GB及以上（虚拟机+数据的存储） 在课程前，将协助部署配置VirtualBox虚拟机（Python的运行环境） |
10个月宝宝每天需要喝多少奶粉？
