Biome-BGC生态系统模型与Python融合技术教程

原文链接：Biome-BGC生态系统模型与Python融合技术教程https://mp.weixin.qq.com/s?__biz=MzUzNTczMDMxMg==&mid=2247598169&idx=8&sn=51413b9bfd565e93bbd962a7ef3fa226&chksm=fa8201becdf588a8fd121c91f8ff742ba3c2454da30c45c0f75b94e9cc5342be3a55e8cbf290&token=1444690340&lang=zh_CN#rd

第一模式

Biome-BGC

第二基础

Linux应用

实现批量创建文件、删除文件及文件夹

并行化执行程序 

CDO工具应用

使用cdo工具对netCDF文件进行合并

筛选时间和变量，裁剪为小区域

Python应用

Python的循环语句，逻辑语句，

创建Numpy数组，并统计计算；

使用Matplotlib制作散点图、等值线图；

利用零散数据Pandas创建数，制作时间

利用Xarray读取netCDF文件，写入netCDF文件；实现插值工作

第三数据处理

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：

地形数据：GTOPO30S 1km 

土地利用数据：GLCC 1km

土壤数据：FAO

GPP数据：MODIS数据

2驱动数据制备：

CN05.1数据处理

CMFD数据处理

3生态数据

MODIS GPP

第四单点的模拟

1前处理

从空间格点数据（netCDF格式）插值到站点

配置Biome-BGC运行文件

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

调整生长季开始和结束

4后处理

读取Biome-BGC的ascii文件和二进制文件

结果统计计算

结果可视化

第五区域模拟-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：

静态地理数据准备

气象驱动数据制备

分配数据

并行运行

合并单点结果为空间数据

第六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。

土壤数据、植被数据库查询

准备气象数据和静态数据

后处理模拟结果数据

第七分析

在单点和空间模拟数据的基础上，进行以下分析：

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

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）