CMIP6数据被广泛应用于全球和地区的气候变化研究、极端天气和气候事件研究、气候变化影响和风险评估、气候变化的不确定性研究、气候反馈和敏感性研究以及气候政策和决策支持等多个领域。这些数据为我们理解和预测气候变化，评估气候变化的影响和风险，以及制定有效的气候政策和决策提供了关键的信息和工具。
l 赠送ERA5-LAND陆面再分析数据（5T左右）
时间分辨率：hourly
空间分辨率：0.1°（等角lonlat投影+wgs84）
包含11个变量：温度、气压、辐射、蒸发、降水、湿度【详情见数据说明文件】
l 赠送ERA5大气再分析数据WRF驱动数据（28T左右）
时空分辨率：0.25˚/hourly
时空覆盖：1940-2024/东亚范围
l 赠送FNL大气再分析数据WRF驱动数据
时空分辨率：0.25˚/hourly
时空覆盖：1940-2024/东亚范围
l 赠送ERA5大气再分析数据地面数据
时空分辨率：0.25˚/hourly
时空覆盖：1940-2024/东亚范围
包含变量：2m温度、地表气压、2m比湿、UV10m风速、土壤温湿度（4层）
l 赠送ERA5大气再分析数据大气数据（900G+）
时空分辨率：0.25˚/monthly
时空覆盖：1959-2021/全球范围
包含变量：大气分层的散度、云量分数 、地势高度、臭氧质量混合比、势能涡度、相对湿度、特定云冰水含量、特定云液态水含量、比湿、特定雨水含量、特定雪水含量、温度、风的U分量、风的V分量、垂直速度。
l 赠送ERA5大气再分析数据大气数据（4.7TB+）
时空分辨率：0.1˚/hourly
时空覆盖：1979-2022/亚洲东部[90-150E,30N-30S]
包含变量：2米露点温度、2米温度、裸土蒸发量、冠层顶部蒸发量、潜在蒸发量、土壤温度/水分（四层）、地表净热辐射、地表压力、地表向下太阳辐射、蒸发量、总降水量、土壤水分。
l 赠送CMIP5/6月尺度陆面气象数据（50G+）
包含变量：地面数据（温、压、湿、风、辐射和降水）
包含情景：historical(1850-2014)、ssp126(2015-2100)、ssp245(2015-2100)、ssp370(2015-2100)、ssp585(2015-2100)
l 赠送CMIP6月尺度生态相关数据
包含变量：陆面生态系统过程数据（NPP、NEP、GPP）
包含模型：10~17个模型不等
包含情景：historical(1950-2014)、ssp126(2015-2100)、ssp245(2015-2100)、ssp370(2015-2100)、ssp585(2015-2100)
l 赠送CMIP6日数据（1.8T+）
包含变量：地面数据（温、压、湿、风、辐射和降水）
包含模型：12个
包含情景：historical(1960-2014)、ssp126、ssp245、ssp370、ssp585
l 赠送CMIP6中德国MPI-ESM1-2-LR模式用于WRF的数据（1.5T+）
时空分辨率：0.25˚/monthly
包含情景：historical(1950-2014)、ssp126(2015-2100)、ssp245(2015-2100)、ssp370(2015-2100)、ssp585(2015-2100)
格式：netCDF；GRIB(单独联系)
注：数据赠送仅限参会学员，报名后联系课程顾问，邮寄空间足够的移动硬盘，完成数据拷贝后寄回。（备注快递请注意做好保护，避免硬盘损坏）
专题一 CMIP6中的模式比较计划及AI大语言应用
1.1G CM介绍
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介绍
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相关比较计划介绍
1.4人工智能与气候变化研究
l大语言模型介绍
l在气候变化研究中的应用
常用工具：ChatGPT
//专题二 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
2.5 处理日期非365天的GCM
以BCC为例处理
//专题三 夯实基础
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。
●Numpy：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。
●Scipy：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。
●Pandas：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基本操作
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的基本操作
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。
●I/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。
//专题四 AI大语言模型支持下：单点降尺度
使用ChatGPT辅助编程实现目标。
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。
实现步骤
●建立特征
●建立模型
●模型评估
4.4其他方法
●偏最小二乘回归方法
●分位数映射（Quantile Mapping）方法
●气候因子方法
4.5多算法集成方法
●多算法的集成
●贝叶斯模型
PyMC3实现
//
专题五 AI大语言模型支持下：统计方法的区域降尺度
使用ChatGPT辅助编程实现目标。
5.1 Delta方法
5.2 基于概率订正方法的
//专题六基于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
●提取变量
●变量的统计
●变量的可视化
//专题七 AI大语言模型辅助下：典型应用案例-气候变化1
使用ChatGPT辅助编程实现目标。
7.1针对风速进行降尺度
7.2针对短波辐射降尺度
//专题八 典型应用案例-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。
●Consecutive dry days index
●Consecutive frost days index per time period
●Consecutive summer days index per time period
●Consecutive wet days index per time period
//专题九 典型应用案例-农业与生态领域
春小麦生长周期变化
1. 计算有效积温
2. 萌发、出苗、分蘖、拔节、抽穗、开花和成熟周期时间计算
3.Biome-BGC生态模型
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。
/专题十 典型应用案例-水资源领域
水资源领域指数变化
1、机器学习方法估算蒸散发
2、水库和河流水位
3、不同重现期的降水强度
典型应用案例-建筑物设计领域
建筑物设计领域指数变化
1.热指数（Heat Index, HI）
2.采暖度日数（Heating Degree Days, HDD）
3.制冷度日数（Cooling Degree Days, CDD）
