CMIP6数据处理方法、Python语言在地球科学领域

气候变化关系到农业、生态系统、社会经济和人类生存与发展，是当今世界关注的重点问题之一。IPCC（Intergovernmental  Panel  on  Climate  Change）第6次评估报告指出，自 20 世纪 50 年代以来，从全球平均气温和海温升高、大范围积雪和冰川融化，以及全球海平面的上升可知，气候变暖已是不争的事实。

国际耦合模式比较计划进入新的阶段——第六阶段（CMIP6），这将为气候变化研究领域提供更丰富的全球气候模式数据。相比于 CMIP5，CMIP6 模式有两个主要的特点：一是 CMIP6 考虑的过程更为复杂，很多模式实现了大气化学过程的双向耦合；二是大气和海洋模式的分辨率显著提高，其中大气模式的最高水平分辨率可达到全球25km。除此，CMIP5 的 RCP 情景只考虑了未来100年达到稳定CO2浓度以及相应辐射强迫的目标，并没有针对特定的社会发展路径，而CMIP6中的新的共享社会经济路径充分考虑了这一点，提供了更加多样化的排放情景，可以对减缓适应研究以及区域气候预估提供更加合理的模拟结果，因此在很大程度上弥补了CMIP5中RCP情景的不足。

在国际耦合模式比较计划中，GCM 为构建气候变化提供了全球大尺度的信息，但是在针对区域尺度开展气候研究时，相对较低的分辨率信息对区域气候变化预估产生较大偏差.降尺度方法在将大尺度信息转化为区域尺度上发挥着重要作用，包括动力降尺度、统计降尺度以及二者相结合的方法等。

CMIP6数据处理方法与典型案例分析、python地球科学应用

CMIP6中的模式比较计划

GCM介绍

相关比较计划介绍

 

数据下载 

方法一：手动人工利用官方网站

方法二：自动利用Python的命令行工具

方法三：半自动购物车利用官方网站

 

 

单点降尺度

Delta方法

统计订正

机器学习方法

1、建立特征

2、建立模型

3、模型评估

多算法集成方法

 

 

 

 

 

区域降尺度

Delta方法

 

机器学习方法+并行计算

在单点模型的基础上，在大区域建立未来情景气候数据

制备CMIP6的WRF驱动数据

 

典型应用案例-气候变化1

针对风速进行降尺度

针对短波辐射降尺度

典型应用案例-气候变化2

ECA极端气候指数计算

1. Consecutive dry days index
2. Consecutive frost days index per time period
3. Consecutive summer days index per time period
4. Consecutive wet days index per time period

等常见气候指数

典型应用案例-生态领域

预估生长季开始和结束时间

1、建立气象数据与VIPPHEN遥感物候数据中生长季开始和结束

2、在未来气候情景下预估生长季长季开始、结束和长度

典型应用案例-模式数据

SWAT数据制备

Biome-BGC数据

 

Python语言在地球科学领域中的实践技术

Python是功能强大、免费、开源，实现面向对象的编程语言，Python能够运行在Linux、Windows、Macintosh、AIX操作系统上及不同平台（x86和arm），Python简洁的语法和对动态输入的支持，再加上解释性语言的本质，使得它在大多数平台上的许多领域都是一个理想的脚本语言，特别适用于快速的应用程序开发。Python具有丰富和强大的库，能够把用其他语言制作的各种模块（尤其是C/C++）很轻松地联结在一起。除了Python标准库，几乎所有行业领域都有相应的Python软件库，随着NumPy、SciPy、Matplotlib和Pandas等众多Python应用程序库的开发，Python在科学和工程领域地位日益重要，在数据处理、科学计算、数学建模、数据挖掘和数据可视化方面的优异性能使得Python在地球科学中地理、气象、气候变化、水文、生态、传感器等领域的学术研究和工程项目中得到广泛应用并高效解决各种数据分析问题，可以预见未来Python将成为科学和工程领域的主流程序设计语言。 

 Python重点工具讲解

Numpy：科学计算

Scipy：科学计算

Sklearn：机器学习

Matplotlib：可视化

常见地球科学数据讲解

站点数据：

GSOD

GHCN

格点观测数据

CRU

CN05.1

OISST、HadSST

再分析：

ERA5

GLDAS

遥感数据：

GLEAM

Landsat

MODIS

TRMM

 

 

 使用Xarray处理netCDF和Geotiff数据

Xarray

读取&写入 netCDF文件

Groupby & resample 对时间、空间信息进行操作

Rasterio & rioxarray

使用Pandas分析时间序列数据

时间序列填补

极端风速重现期分析

台风个数统计

使用Python处理遥感

数据1     以Landsat数据为例

大数据的可视化

GB级数据可视化

植被指数计算

裁剪区域

使用mask掩膜文件裁剪

使用shapefile文件裁剪

使用Python处理遥感

数据2—   以MODIS数据为例

预备工作：

Python读取HDF4-EOS数据

使用GDAL库预处理

转投影为wgs84+lonlat

拼接多景影像

土地利用分析（MOD12C1）

2000-2020年青藏高原土地利用分析

分析不同土地利用分类上气温和降水的变化

生态系统生产力分析（MOD17A2）

青藏高原草场上土地利用GPP变化

分析草场GPP与降水之间关系（ERA5再分析数据）

分析积雪覆盖时间（MOD10A2）

2000-2020年间青藏高原积雪时间统计

分析祁连山不同高程带积雪时间统计（DEM：GTOP30S）

积雪与生产力之间的关系（MOD10A2和MOD17A2）

分析新疆北疆积雪覆盖时间与春季GPP的变化、

使用Python处理站点数据

以GSOD和气象共享网数据为例

数据的读取

读取美国NOAA的GSOD日值数据

读取气象共享网日值数据

数据清洗：

数据整理

异常值检测

• 阈值法
• 模型法
• 孤立森林

多时间尺度的统计：

年尺度统计

季尺度统计

站点插值：（随机森林树）

利用高程、经纬度插值气温数据

使用Python处理遥感水文数据

以TRMM遥感降水数据和GLEAM数据等为例

空间降尺度

使用NDVI、DEM和机器学习算法对TRMM降水数据降尺度

分析蒸散数据的年际变化

读取GLEAM数据，并分析蒸散发的年际变化

比较MODIS ET产品与GLEAM的差异

 

比较多套土壤湿度产品

比较GLDAS、GLEAM和CCI SM

分析降水~蒸散发-土壤湿度关系

分析降水~蒸散发-土壤湿度的年际变化

使用Python处理气候变化

数据1  观测数据

百年气温趋势：CRU数据

百年海温趋势：HadSST

 

再分析数据处理

ERA5数据气温评估

使用Python处理气候变化

数据2   以CMIP6数据为例

降尺度

Delta方法

百分位校正方法

计算极端气候指数 

未来气候变化背景下中国地区GPP变化（CMIP6+MOD17+机器学习）

未来气候变化背景下中国地区土地利用变化

使用Python对WRF模式数据后处理

空间坐标重采样

风速垂直高度插值

获取风机70和100m高度的风速和风向

使用Python运行生态模型

以CN05.1数据和Biome-BGC MuSo生态模型为例

模型讲解

气象数据的准备

控制文件生成

模式的运行

Muliprocesing 并行运行

模式后处理

结果统计

结果可视化（NPP）