Biome-BGC生态系统模型与Python融合技术教程

详情点击链接:Biome-BGC生态系统模型与Python融合技术教程

前言

 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。

第一模式

Biome-BGC

Biome-BGC生态系统模型与Python融合技术教程_第1张图片

第二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

图片

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

Biome-BGC生态系统模型与Python融合技术教程_第2张图片

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

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。

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

Biome-BGC生态系统模型与Python融合技术教程_第3张图片

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

你可能感兴趣的:(生态遥感,大气科学,人工智能,python,cmip,气象数据,大气科学,土地利用,Biome-BGC,生态系统模型)