Обработка данных CMIP6 и практические технические приложения в области изменения климата, гидрологии, экологии и т. д.

Посмотреть исходный текст> >> Последняя обработка данных CMIP6 и практическое техническое применение в области изменения климата, гидрологии, экологии и т. д.

Изменение климата оказывает глубокое воздействие на сельское хозяйство, экосистемы, социальную экономику, а также на выживание и развитие человека и является одной из основных проблем, вызывающих озабоченность во всем мире. МГЭИК (Межправительственная группа экспертов по изменению климата, Межправительственная группа экспертов по изменению климата) в шестом оценочном отчете четко указала, что с 1950-х годов глобальная средняя температура воздуха и температура моря повышаются, обширный снежный покров и таяние ледников, а также глобальное повышение уровня моря уровне все доказывает, что потепление климата является неоспоримым фактом. Чтобы оценить будущий климат, ученые обычно используют глобальные климатические модели для составления прогнозов.

Модель глобального климата (GCM), также известная как модель глобальной циркуляции или модель глобальной атмосферы, представляет собой численную модель, широко используемую для моделирования климатической системы Земли. МОЦ использует серию математических формул для отображения каждого основного компонента климатической системы, включая атмосферу, океаны, вечную мерзлоту и биогеографические процессы на поверхности суши и океана. Пространственная и временная точность GCM может быть настроена по мере необходимости. Эти модели дают нам возможность понять механизм работы климатической системы и предоставляют ключевые инструменты для прогнозирования тенденций изменения климата, оценки воздействия изменения климата на человеческие общества и экосистемы и формулирования стратегий борьбы с изменением климата.

Чтобы лучше понять изменение климата, Всемирная программа исследований климата (ВПИК) запустила Проект взаимного сравнения климатических моделей (ПССМ). Основная цель CMIP — собрать и сравнить результаты моделирования различных глобальных климатических моделей, чтобы понять и предсказать прошлое, настоящее и будущее изменение климата.

Данные CMIP6 широко используются в исследованиях глобального и регионального изменения климата, исследованиях экстремальных погодных явлений и климатических явлений, оценке воздействия и рисков изменения климата, исследованиях неопределенности изменения климата, исследованиях обратной связи и чувствительности климата, климатической политике и поддержке принятия решений и т. д. Эти данные предоставляют нам ключевую информацию и инструменты для понимания и прогнозирования изменения климата, оценки последствий и рисков изменения климата, а также для разработки эффективной климатической политики и принятия решений.

[Преимущества данных]:

l Бесплатные данные CMIP за июнь (500G+)
включают переменные: температура, давление, влажность, ветер, радиация и осадки.
Включены сценарии: исторические, ssp126, ssp245, ssp370, ssp585.

l Бесплатные данные CMIP за 6 дней (1.8T+)
включают переменные: температура, давление, влажность, ветер, радиация и осадки.
Включены сценарии: исторические, ssp126, ssp245, ssp370, ssp585.

l Текущие глобальные фенологические данные VIPPHEN (40G+)
время: 1981-2014, годовое
пространственное разрешение данных: 5,6 км

l Бесплатные данные реанализа поверхности земли ERA5-LAND (около 5T)
время: 1951.1.1-2021.12.31 временное разрешение: почасовое
пространственное разрешение: 0,1° (конформная долготная проекция + wgs84),
включая 11 переменных: температура, атмосферное давление, радиация, испарение , осадки, влажность [подробности см. в файле описания данных]

【Краткое описание】:

Тема 1 План сравнения моделей в CMIP6

1.1 Введение в МОЦ

Модель глобального климата (GCM) , также известная как модель глобальной циркуляции или модель глобальной атмосферы, представляет собой численную модель, используемую для моделирования климатической системы Земли. В таких моделях используется ряд математических формул для описания основных компонентов климатической системы, включая атмосферу, океаны, мерзлые почвы и биогеографические процессы на суше и на поверхности океана. Точность МОЦ в пространстве и времени можно регулировать в соответствии с потребностями, обычно разрешение может быть от сотен километров до нескольких километров, а шаг по времени может быть от минут до часов.

1.2 Введение в CMIP

CMIP, сокращение от Проект взаимного сравнения климатических моделей (Проект взаимного сравнения климатических моделей), представляет собой проект международного сотрудничества, инициированный Всемирной программой исследований климата (ВПИК). Его цель состоит в том, чтобы понять прошлое, настоящее и будущее изменение климата путем сбора и сравнения результатов моделирования различных глобальных климатических моделей (GCM).

1.3 Введение связанных планов сравнения

Тема 2 Загрузка данных

2.1 Способ 1: Вручную

Используйте официальный сайт

2.2 Метод 2: Автоматический

Используйте инструменты командной строки Python

2.3 Метод 3: Полуавтоматическая корзина для покупок

Используйте официальный сайт

2.4 Обрезка файла netCDF

Обрезать формат netCDF на основе QGIS и CDO

Операции в QGIS

эффект обрезки

2.5 GCM с датами, отличными от 365 дней

Возьмите BCC в качестве примера

Тема 3 Базовые знания 3.1 Основы Python

Python — это высокоуровневый интерпретируемый язык программирования с четким и лаконичным синтаксисом для быстрой разработки. В науке об атмосфере Python популярен за его богатые библиотеки научных вычислений и анализа данных. Эти библиотеки, такие как Numpy, Scipy, Pandas и Xarray, обеспечивают мощную поддержку для обработки данных науки об атмосфере.

● Numpy: Numpy — это основная библиотека для научных вычислений в Python, предоставляющая высокопроизводительные объекты многомерного массива и связанные с ними инструменты. Для обработки данных науки об атмосфере, таких как температура, давление, скорость ветра и т. д., обычно используются многомерные массивы. Numpy предоставляет богатую библиотеку функций для обработки этих массивов, включая математические операции, логические операции, операции с формами, сортировку, выборку и многое другое.

● Scipy: Scipy — это программное обеспечение с открытым исходным кодом на основе Python для численного интегрирования и численного решения дифференциальных уравнений в научных вычислениях, линейной алгебре, оптимизации, обработке сигналов и т. д. В науке об атмосфере, например, выполнение анализа Фурье таких данных, как температура воздуха и атмосферное давление, а также решение дифференциальных уравнений в частных производных в атмосферной динамике и т. Д., Все это может быть реализовано с использованием Scipy.

●Pandas: Pandas построен на Numpy, что ускоряет и упрощает очистку и анализ данных. Pandas специально разработан для обработки табличных и смешанных данных, а Numpy больше подходит для обработки однородных числовых массивов данных. Pandas — очень полезный инструмент в науке об атмосфере, такой как анализ временных рядов данных наблюдений с метеостанций, обработка смешанных типов метеорологических данных, а также очистка данных, фильтрация и статистические операции.

3.2 Основные операции CDO CDO (оператор климатических данных) представляет собой инструмент обработки климатических и метеорологических данных, обычно используемый в области атмосферных исследований. Это мощный инструмент командной строки, который может обрабатывать и анализировать данные с координатной сеткой и без сетки и поддерживает различные форматы данных, включая netCDF, GRIB, SERVICE, EXTRA и IEG. CDO предоставляет богатый набор библиотек функций, которые можно использовать для различных общих операций с данными, в том числе:

● Основные операции: такие как выбор, извлечение и изменение переменных, измерений, атрибутов и т. д.

● Числовые операции: например, четыре арифметических операции, статистические операции, операции с функциями и т. д. Например, вы можете рассчитать среднее, максимальное, минимальное значение, стандартное отклонение и т. д. данных.

● Пространственные операции: такие как повторная сетка, интерполяция, сводка, выбор и извлечение географических областей.

● Операция со временем: например, выбор и извлечение периода времени, вычисление среднего или накопленного значения по времени и т. д.

3.3 Основные операции Xarray

Xarray — это библиотека Python для обработки данных многомерных массивов, которая предоставляет ряд высокоуровневых интерфейсов для обработки и анализа данных на основе numpy и может поддерживать сетевой формат данных с самоописанием netCDF, поэтому она широко распространена. используется в науке об атмосфере и климатологии.

Ключевые особенности Xarray включают в себя:

● Обработка данных на основе меток: Xarray использует имена измерений вместо номеров осей для выбора данных и обработки, что значительно повышает удобочитаемость и удобство сопровождения кода.

●Автоматическое выравнивание данных: Xarray может автоматически выравнивать переменные и координаты различных наборов данных при выполнении операций.

● Групповые операции и свод данных: Xarray поддерживает функции группировки и сводки, аналогичные функциям pandas.

● Операция ввода-вывода: Xarray обеспечивает очень хорошую поддержку различных форматов данных, особенно для чтения и записи данных netCDF.

Тема 4 Уменьшение масштаба по одной точке

4.1 Дельта-метод

Дельта-метод (метод изменения дельты), также известный как инкрементный метод или метод разности, является простым и широко используемым методом уменьшения масштаба климатической модели. Этот подход предполагает, что масштабы изменения климата останутся постоянными в будущем по сравнению с историческими периодами. Следовательно, для конкретного будущего периода будущее состояние климата можно оценить путем расчета разницы между прошлым и настоящим климатом (т. е. дельты) и применения ее к прогнозам будущего климата. Этот метод можно применять для прогнозирования климатических переменных, таких как температура и осадки.

4.2 Статистические поправки

Пересмотр функции плотности вероятности (PDF) . Основная идея этого метода состоит в том, чтобы получить более точные мелкомасштабные климатические переменные путем изменения выходных данных PDF крупномасштабной модели, чтобы сделать их более совместимыми с PDF данных наблюдений.

4.3 Методы машинного обучения

Даунскейлинг — это процесс преобразования выходных данных крупномасштабной глобальной климатической модели (GCM) в более мелкий масштаб на поверхности. Методы машинного обучения были успешно применены к методам уменьшения масштаба благодаря их мощным возможностям в решении сложных задач распознавания образов и многомерных данных. В области климатологии машинное обучение успешно используется для корреляции результатов крупномасштабных моделей климата (например, температуры и осадков) с другими переменными окружающей среды (например, топографией и типом почвы) для получения прогнозов климата с более высоким разрешением. Этапы реализации

● Характеристика
● Построение модели
● Оценка модели

4.4 Метод многоалгоритмической интеграции Многоалгоритмическая интеграция

Усреднение байесовской модели (BMA)

Усреднение байесовской модели — это статистический метод, используемый для определения апостериорных вероятностей различных моделей на основе наблюдаемых данных. В отличие от выбора одной лучшей модели, байесовские модели рассматривают в среднем все возможные модели, а затем берут средневзвешенное значение на основе апостериорной вероятности каждой модели. Реализация Python+pymc3

Тема 5 Региональное масштабирование статистических методов

5.1 Дельта-метод

5.2 На основе метода вероятностной коррекции

Тема 6 Динамическое уменьшение масштаба на основе модели WRF

Динамическое уменьшение масштаба обычно использует региональные климатические модели (RCM) с более высоким разрешением, которые основаны на более масштабных глобальных климатических моделях. Среди них модель WRF (погодные исследования и прогнозирование) в настоящее время является одной из наиболее широко используемых региональных климатических моделей.

Модель WRF представляет собой гибкую модель общей циркуляции, подходящую для климатических и метеорологических исследований в различных масштабах. Его главная особенность заключается в том, что он имеет высокое разрешение (до нескольких километров) и может учитывать многие важные геофизические процессы, такие как облачность, осадки, процессы на поверхности земли, процессы в океане, процессы в пограничном слое, радиацию, химические процессы, и т.п.

6.1 Подготовка данных привода WRF для CMIP6
Используйте инструмент cdo для перекодирования выходного файла gcm для подготовки данных привода wrf
6.1.1 Данные для системы координат давления
6.1.2 Данные GCM для системы координат сигма
6.1.3 Обработка WPS

6.2 Работа в режиме WRF

6.3 Постобработка модели

● извлекать переменные

●Статистика переменных

●Визуализация переменных

Тема 7 Типичные случаи применения — изменение климата 1

7.1 Уменьшение скорости ветра

7.2 Даунскейлинг для коротковолнового излучения

Тема 8 Типичные случаи применения — изменение климата 2

Расчет индекса экстремального климата в странах ЕСА

ECA (European Climate Assessment) — это европейский проект по оценке климата, который публикует ряд индексов экстремальных климатических явлений по всему миру. Эти индексы широко используются в исследованиях изменения климата, особенно при изучении экстремальных погодных и климатических явлений.

Экстремальные климатические индексы ЕЦА в основном включают следующие категории:

Индексы температуры: Эти индексы в основном используются для измерения экстремальных температур, таких как количество жарких дней (TX90p, количество дней с самой высокой температурой в году, превышающей 90-й процентиль), количество холодных дней (TN10p, количество количество дней с самой низкой температурой в году ниже 10-го процентиля, количество дней), количество жарких ночей (TN90p, количество дней с самой низкой температурой в году, превышающей 90-й процентиль), количество холодных ночей (TN10p, количество дней в году с самой низкой температурой ниже 10-го процентиля) и т. д.

Индексы осадков: эти индексы в основном используются для измерения экстремальных осадков, таких как максимальное количество непрерывных осадков за 5 дней.

(RX5day), количество дней с осадками более или равным 10 мм (R10 мм), количество дней с осадками более или равным 20 мм (R20 мм), интенсивность осадков (SDII) и т. д. Эти индексы важны для понимания и прогнозирования воздействия экстремальных климатических явлений, поскольку экстремальные погодные явления (такие как периоды сильной жары, засухи, наводнения и т. д.), как правило, оказывают большее воздействие, чем среднее изменение климата. Поэтому исследование этих индексов может помочь нам лучше понять и адаптироваться к изменению климата.

l Индекс последовательных засушливых дней

l Последовательный индекс морозных дней за период времени

lПоследовательный индекс летних дней за период времени

lПоследовательный индекс дождливых дней за период времени

Тема Девять типичных случаев применения — экологическая сфера

Расчетное время начала и окончания вегетационного периода

1. Установить начало и конец вегетационного периода по метеорологическим данным и фенологическим данным дистанционного зондирования VIPPHEN
2. Оценить начало, конец и продолжительность продолжительного вегетационного периода в соответствии с будущими климатическими сценариями

Тема 10 Типичные случаи применения — данные гидрологической и экологической модели

● Подготовка данных SWAT

●данные Biome-BGC

Biome-BGC — это модель, которая использует данные описания участка, метеорологические данные, а также физиологические и экологические параметры растительности для имитации суточных потоков углерода, воды и азота.Пространственный масштаб ее исследований может быть расширен от точечных масштабов до наземных экосистем. В этом случае метеорологические данные CMIP6 готовятся путем одноточечного моделирования.