Biome-BGC生态系统模型与Python融合技术实践应用

Biome-BGC是利用站点描述数据、气象数据和植被生理生态参数，模拟日尺度碳、水和氮通量的有效模型，其研究的空间尺度可以从点尺度扩展到陆地生态系统。

在Biome-BGC模型中，对于碳的生物量积累，采用光合酶促反应机理模型计算出每天的初级生产力(GPP)，将生长呼吸和维持呼吸减去后的产物分配给叶、枝条、干和根。生物体的碳每天都按一定比例以凋落方式进入凋落物碳库；对于水份输运过程，该模型模拟的水循环过程包括降雨、降雪、冠层截留、穿透降水、树干径流、 冠层蒸发、融雪、雪升华、冠层蒸腾、土壤蒸发、蒸散、地表径流和土壤水分变化以及植物对水分的利用；对于土壤过程，模型考虑了凋落物分解进入土壤有机碳库过程、土壤有机物矿化过程和基于木桶模型的水在土层间的输送关系；对于能量平衡，该模型还考虑了净辐射、感热通量和潜热通量等过程。

本内容将利用中国区域地面气象要素驱动数据集（CMFD）和CN05.1气候数据格点化气象数据驱动Biome-BGC在区域上进行模拟。在模拟过程中，需要综合的使用Linux、Python等一些小工具，完成模式的前处理和后处理的工作。

【内容简介】 ：

第一部分:模式讲解

Biome-BGC介绍

第二部分:课程基础

Linux应用

1. 实现批量创建文件、删除文件及文件夹
2. 并行化执行程序 

CDO工具应用

1. 使用cdo工具对netCDF文件进行合并
2. 筛选时间和变量，裁剪为小区域

Python应用

1. Python的循环语句，逻辑语句，
2. 创建Numpy数组，并统计计算；
3. 使用Matplotlib制作散点图、等值线图；
4. 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：

1. 地形数据：GTOPO30S 1km 
2. 土地利用数据：GLCC 1km
3. 土壤数据：FAO
4. GPP数据：MODIS数据

2、驱动数据制备：

1. CN05.1数据处理
2. 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

• 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

1. 4、后处理
2. 读取Biome-BGC的ascii文件和二进制文件
3. 结果统计计算

• 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。

1. 对气象数据降尺度，获得气温、湿度、降水和向下短波辐射。
2. 土壤数据、植被数据库查询
3. 准备气象数据和静态数据
4. 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：

1. 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

1. 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