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。
本次，将讲授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。
| 安排 |
内容 |
| 第一部分 模式讲解 |
Biome-BGC介绍
|
| 第二部分 课程基础 |
Linux应用 l 实现批量创建文件、删除文件及文件夹 l 并行化执行程序 CDO工具应用 l 使用cdo工具对netCDF文件进行合并 l 筛选时间和变量，裁剪为小区域 Python应用 l Python的循环语句，逻辑语句， l 创建Numpy数组，并统计计算； l 使用Matplotlib制作散点图、等值线图； l 利用零散数据Pandas创建数，制作时间 l 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： l 地形数据：GTOPO30S 1km l 土地利用数据：GLCC 1km l 土壤数据：FAO l GPP数据：MODIS数据
2驱动数据制备： l CN05.1数据处理 l 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 l 从空间格点数据（netCDF格式）插值到站点 l 配置Biome-BGC运行文件 l 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 l 调整生长季开始和结束
4后处理 l 读取Biome-BGC的ascii文件和二进制文件 l 结果统计计算 结果可视化 |
| 第五部分 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： l 静态地理数据准备 l 气象驱动数据制备 l 分配数据 l 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。 l 对气象数据降尺度，获得气温、湿度、降水和向下短波辐射。 l 土壤数据、植被数据库查询 l 准备气象数据和静态数据 l 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： l 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 l 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） 在课程前，将协助部署配置VirtualBox虚拟机（Python的运行环境） |
