CMIP6数据处理及在气候变化、水文、生态等领域技术教程

详情点击链接：最新CMIP6数据处理及在气候变化、水文、生态等领域技术教程

一，CMIP6中的模式比较计划

1.1 GCM

全球气候模型（Global Climate Model, GCM），也被称为全球环流模型或全球大气模型，是一种用于模拟地球的气候系统的数值模型。这种模型使用一系列的数学公式来描述气候系统的主要组成部分，包括大气、海洋、冰冻土壤以及地表和海洋表面的生物地理过程。GCM在空间和时间上的精度可以根据需求进行调整，通常的分辨率可以从几百公里到几公里，时间步长可以从几分钟到几小时。

1.2 CMIP

CMIP，全称为气候模型比较计划（Climate Model Intercomparison Project），是由世界气候研究计划（World Climate Research Programme，WCRP）发起的一个国际合作项目。其目的是通过收集和比较各种全球气候模型（GCMs）的模拟结果，以理解过去的、现在的和未来的气候变化。

 1.3相关比较计划 

二，数据下载

2.1方法一：手动人工

利用官方网站

2.2 方法二：自动

利用Python的命令行工具

2.3方法三：半自动购物车

利用官方网站

2.4 裁剪netCDF文件

基于QGIS和CDO实现对netCDF格式裁剪

QGIS中的操作

裁剪效果

2.5 处理日期非365天的GCM

以BCC为例处理

三，基础

3.1 Python基础

Python 是一种高级的、解释型的编程语言，其语法简洁明了，适合快速开发。在大气科学中，Python 以其丰富的科学计算和数据分析库备受青睐。这些库如 Numpy，Scipy，Pandas 和 Xarray 等，为处理大气科学数据提供了强大的支持。

lNumpy：Numpy 是 Python 中用于科学计算的核心库，提供了高性能的多维数组对象及相关工具。对于大气科学数据的处理，例如温度、压力、风速等通常都会使用到多维数组。Numpy 提供了丰富的函数库来处理这些数组，包括数学运算、逻辑运算、形状操作、排序、选择等操作。

lScipy：Scipy 是基于 Python 的开源软件，用于科学计算中的数值积分和微分方程数值求解，线性代数，优化，信号处理等。在大气科学中，例如对气温、气压等数据进行傅立叶分析，求解大气动力学中的偏微分方程等，都可以使用 Scipy 来实现。

lPandas：Pandas 是基于 Numpy 构建的，使数据清洗和分析工作变得更快更简单。Pandas 是专门为处理表格和混杂数据设计的，而 Numpy 更适合处理统一的数值数组数据。在大气科学中，例如对气象站的观测数据进行时间序列分析，处理混合类型的气象数据，以及对数据进行清洗、筛选和统计等操作，Pandas 都是非常有用的工具。

3.2 CDO基本

CDO（Climate Data Operator）是大气科学领域常用的一款气候和气象数据处理工具。它是一个功能强大的命令行工具，可以处理和分析格网和无格网数据，支持多种数据格式，包括netCDF、GRIB、SERVICE, EXTRA和IEG。

CDO提供了一套丰富的函数库，可以用来进行各种常见的数据操作，包括：

基础操作：如选择、提取和修改变量、维度、属性等。

数值操作：如四则运算、统计运算、函数运算等。例如，可以计算数据的平均值、最大值、最小值、标准差等。

空间操作：如重新格网、插值、汇总、选择和提取地理区域等。

时间操作：如选择和提取时间周期、计算时间平均或累积等。

3.3 Xarray的基本

Xarray 是一个用于处理多维数组数据的 Python 库，它在 numpy 的基础上提供了一系列用于数据操作和分析的高级接口，并能很好地支持 netCDF 这类基于网络的自描述数据格式，因此在大气科学和气候科学中被广泛使用。

Xarray 的主要特点包括：

基于标签的数据操作：Xarray 使用维度名称而不是轴编号进行数据选择和操作，极大地增强了代码的可读性和可维护性。

自动对齐数据：在进行运算时，Xarray 可以自动对齐不同数据集的变量（variables）和坐标（coordinates）。

分组运算和数据透视：Xarray 支持类似于 pandas 的分组运算（group-by）和数据透视（pivot）功能。

/O操作：Xarray 对多种数据格式提供了非常好的支持，尤其是对 netCDF 数据的读取和写入。

四，单点降尺度

4.1 Delta方法

 

Delta方法（Delta Change Method），也称为增量方法或差值方法，是气候模型降尺度的一种简单而常用的方法。该方法假设气候变化的幅度在未来相对于历史期间将保持恒定。因此，对于某一具体的未来时段，可以通过计算过去和现在气候的差值（即 delta），并将其应用到未来的气候预测上，来预估未来的气候状态。该方法可以应用于温度和降水等气候变量的预测。

4.2 统计订正

概率分布函数（Probability Density Function, PDF）的订正。这种方法的基本思想是：通过修改大尺度模型输出的PDF，使其更符合观测数据的PDF，从而获得更准确的小尺度气候变量。

4.3 机器学习方法

降尺度是将粗尺度的全球气候模型（GCM）输出数据转换为地面更精细尺度的过程。机器学习方法因其在处理复杂模式识别和高维数据问题的强大能力，已经被成功应用于降尺度技术。在气候学领域，机器学习已被成功用于将粗尺度的气候模型输出（例如，温度和降水）与其他环境变量（例如，地形和土壤类型）关联，以获得更高分辨率的气候预测。

建立特征

建立模型

模型评估

4.4 多算法集成方法

多算法的集成

贝叶斯模型平均 (Bayesian Model Averaging, BMA)

贝叶斯模型平均是一种统计方法，用于根据观察数据确定各种模型的后验概率。与选择一个最好的模型相反，贝叶斯模型平均考虑了所有可能的模型，然后根据每个模型的后验概率进行加权平均。

Python+pymc3实现

五，统计方法的区域降尺度

5.1 Delta方法

5.2 基于概率订正方法的

六，基于WRF模式的动力降尺度

动态降尺度通常使用更高分辨率的区域气候模型（RCM），这些模型在更大尺度的全球气候模型驱动下运行。其中，WRF（Weather Research and Forecasting）模型是目前使用最广泛的区域气候模型之一。

WRF模型是一个灵活的、大气环流模型，适合用于各种尺度的气候和气象研究。它的主要特点是具有高分辨率（可达到几公里），并且可以考虑到许多重要的地球物理过程，如云的形成、降水、陆面过程、海洋过程、边界层过程、辐射、化学过程等。

6.1制备CMIP6的WRF驱动数据

利用cdo工具对gcm的输出文件进行重新编码制备wrf的驱动数据

6.1.1针对压力坐标系的数据制备

6.1.2针对sigma坐标系GCM数据制备

6.1.3 WPS处理

6.2 WRF模式运行

6.3 模式的后处理

l提取变量

l变量的统计

l变量的可视化

七，典型应用-气候变化1

7.1针对风速进行降尺度

7.2针对短波辐射降尺度

八，典型应用-气候变化2

ECA极端气候指数计算

ECA (European Climate Assessment) 是欧洲的一个气候评估项目，其在全球范围内发布了一系列的极端气候事件指数。这些指数被广泛用于气候变化研究，特别是在研究极端天气和气候事件方面。

ECA 的极端气候指数主要包括以下几类：

温度指数：这些指数主要用于度量温度的极端情况，例如热日数（TX90p，年中最高气温超过90百分位数的天数）、冷日数（TN10p，年中最低气温低于10百分位数的天数）、热夜数（TN90p，年中最低气温超过90百分位数的天数）、冷夜数（TN10p，年中最低气温低于10百分位数的天数）等。

降水指数：这些指数主要用于度量降水的极端情况，例如最大连续5日降水量（RX5day）、大于或等于10mm的降水日数（R10mm）、大于或等于20mm的降水日数（R20mm）、降水强度（SDII）等。

这些指数对于理解和预测极端气候事件的影响非常重要，因为极端气候事件（如热浪、干旱、洪水等）往往比平均气候变化带来更大的影响。因此，对这些指数的研究有助于我们更好地理解和适应气候变化。

lConsecutive dry days index

lConsecutive frost days index per time period

lConsecutive summer days index per time period

lConsecutive wet days index per time period

九，典型应用-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

十，典型应用-水文、生态模式数据

lSWAT数据制备

lBiome-BGC数据

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。

案例中以单点模拟方式制备CMIP6的气象数据。