1、提供虚拟机（Virtual Box）文件（预装好Anaconda环境，可直接使用）

2、提供原始数据和中间临时文件

专题一

Python重点工具讲解
【打好基础】

• Numpy：科学计算
• Scipy：科学计算
• Sklearn：机器学习
• Matplotlib：可视化

专题二

常见地球科学数据讲解
【掌握数据的特点】

1、站点数据：

• GSOD
• GHCN
• 

2、格点观测数据

• CRU

• CN05.1
• OISST、HadSST

3、再分析：

• ERA5
• GLDAS

4、遥感数据：

• GLEAM

• Landsat

• MODIS

• TRMM

专题三

使用Xarray处理netCDF和Geotiff数据

• Xarray

读取&写入 netCDF文件

Groupby & resample 对时间、空间信息进行操作

• Rasterio & rioxarray

专题四

使用Pandas分析时间

序列数据

案例一：时间序列填补

案例二：极端风速重现期分析

案例三：台风个数统计

s

专题五

使用Python处理遥感

数据1

以Landsat数据为例

1、大数据的可视化

• GB级数据可视化

2、植被指数计算

3、裁剪区域

• 使用mask掩膜文件裁剪
• 使用shapefile文件裁剪

专题六

使用Python处理遥感数据2—

以MODIS数据为例

1、预备工作：

• Python读取HDF4-EOS数据
• 使用GDAL库预处理
• 转投影为wgs84+lonlat
• 拼接多景影像

2、案例一：土地利用分析（MOD12C1）

• 2000-2020年青藏高原土地利用分析
• 分析不同土地利用分类上气温和降水的变化

3、案例二：生态系统生产力分析（MOD17A2）

• 青藏高原草场上土地利用GPP变化
• 分析草场GPP与降水之间关系（ERA5再分析数据）

4、案例三：分析积雪覆盖时间（MOD10A2）

• 2000-2020年间青藏高原积雪时间统计
• 分析祁连山不同高程带积雪时间统计（DEM：GTOP30S）

5、案例四：积雪与生产力之间的关系（MOD10A2和MOD17A2）

• 分析新疆北疆积雪覆盖时间与春季GPP的变化

专题七

使用Python处理

站点数据

以GSOD和气象共享网数据为例

1、数据的读取

• 读取美国NOAA的GSOD日值数据
• 读取气象共享网日值数据

2、数据清洗：

• 数据整理
• 异常值检测

• 阈值法
• 模型法
• 孤立森林

3、多时间尺度的统计：

• 年尺度统计
• 季尺度统计

4、站点插值：（随机森林树）

• 利用高程、经纬度插值气温数据

专题八

使用Python处理遥感水文数据

以TRMM遥感降水数据和GLEAM数据等为例

1、案例一：空间降尺度

• 使用NDVI、DEM和机器学习算法对TRMM降水数据降尺度

2、案例二：分析蒸散数据的年际变化

• 读取GLEAM数据，并分析蒸散发的年际变化
• 比较MODIS ET产品与GLEAM的差异

3、案例三：比较多套土壤湿度产品

• 比较GLDAS、GLEAM和CCI SM

4、案例四：分析降水~蒸散发-土壤湿度关系

• 分析降水~蒸散发-土壤湿度的年际变化

专题九

使用Python处理气候变化数据1

观测数据

1. 案例一：百年气温趋势：CRU数据

2、案例二：百年海温趋势：HadSST

3、案例三：再分析数据处理

• ERA5数据气温评估

专题十

使用Python处理气候变化数据2

以CMIP6数据为例

1、降尺度

• Delta方法
• 百分位校正方法

2、案例一：计算极端气候指数

3、案例二：未来气候变化背景下中国地区GPP变化（CMIP6+MOD17+机器学习）

4、案例三：未来气候变化背景下中国地区土地利用变化

z

专题十一

使用Python对WRF模式数据后处理

1、案例一：空间坐标重采样

2、案例二：风速垂直高度插值

• 获取风机70和100m高度的风速和风向

专题十二

使用Python运行生态

模型

以CN05.1数据和Biome-BGC MuSo生态模型为例

1、模型讲解

2、气象数据的准备

3、控制文件生成

4、模式的运行

• Muliprocesing 并行运行

5、模式后处理

• 结果统计
• 结果可视化（NPP）