生物多样性维持机理实用指南：Biomod2物种分布模拟、CMIP6森林生态气候变化

文摘 2024-07-10 14:00 北京

1、最新第十期：AI助力CMIP6数据处理技术及在气候变化、生态农业、水文多领域实践应用培训班

2、基于R语言BIOMOD2 及机器学习方法的物种分布模拟与案例分析培训班

3、基于ChatGPT-4o自然科学研究全流程实践技术应用培训班

BIOMOD2是一个R软件包，用于构建和评估物种分布模型（SDMs）。它集成了多种统计和机器学习方法，如GLM、GAM、SVM等，允许用户预测和分析物种在不同环境条件下的地理分布。通过这种方式，BIOMOD帮助研究者评估气候变化、生境丧失等因素对生物多样性的潜在影响。

一、组织机构

主办单位：尚研修（保定）信息科技有限公司

承办单位：陕西中科资环信息技术有限责任公司

二、培训时间及方式

培训时间：2024年7月20日-21日、27日-28日

培训方式：线上直播【四天实践课程，提供全部资料及回放】

三、培训特色

1、理论与实践结合：课程设计旨在平衡理论学习和实际操作，不仅提供了物种分布模型的深入理论知识，还包括大量的实际应用环节，如使用BIOMOD软件包进行实际数据分析和模型建构。

2、多模型学习方法：课程覆盖多种模型和技术，包括广义线性模型、广义加性模型、机器学习方法等，学员能够了解和掌握多种建模技术，增强模型选择和应用的灵活性。

3、专题深入讨论：针对当前生态和环境问题，如气候变化和生物入侵，课程包括专题讨论和案例研究，帮助学员理解物种分布模型在解决这些全球问题中的实际应用和潜力。

4、跨学科技能培养：课程不仅限于生态模型的构建，还包括数据科学技能的培养，如数据预处理、统计分析和结果可视化，这些技能在当今数据驱动的科研和政策制定中极为重要。

四、课程目标

1、理解物种分布模型的基本原理：理解物种分布模型（SDMs）的理论基础，包括模型的种类、用途以及在生态研究和环境管理中的应用。

2、掌握BIOMOD2软件包的使用：在R环境中有效地使用BIOMOD2软件包，包括数据准备、模型构建、模型评估和结果解释。

3、提高数据分析和处理能力：获取、处理和分析环境与物种数据的能力，包括数据清洗、变量选择和模型优化。

4、应用模型解决实际问题：通过案例学习和实际操作，将所学知识应用于解决真实世界的问题，如生物多样性保护、气候变化影响评估和入侵物种管理。

五、往期回顾

六、培训内容

课程安排

学习内容

第一章：

引入和理论基础

课程介绍：目标、流程和期望成果。

生态模型基础：介绍生态模型的基本概念和物种分布模型（SDMs）的重要性。

biomod2简介：探讨biomod2的历史、发展和主要功能。

R语言重点工具入门：数据输入与输出、科学计算、地理数据分析、数据可视化等功能。

第二章：

数据获取与预处理

常见地球科学数据讲解（数据特点与获取途径）：

（1）物种分布数据；

（2）环境变量（站点数据、遥感数据）。

基于R语言的数据预处理：

（1）数据提取：根据需求批量提取相关数据；

（2）数据清洗：数据清洗的原则与方法；

（3）特征变量选择：通过相关性分析、主成分分析（PCA）等方法选择具有代表性的特征变量，提高模型效率。

第三章：

模型的建立与评估

机器学习概述与R语言实践

（1）机器学习原理；（2）常见机器学习算法与流程

基于单一机器学习算法的物种分布特征模拟（以最大熵算法为例）。

biomod2程序包介绍与使用：原理、构成

实际操作：构建第一个物种分布模型，包括选择模型类型和调整参数。

模型评估方法：通过ROC曲线、AUC值等方法评估模型的有效性和准确性。

第四章：

模型优化与多模型集成

典型算法参数优化：对随机森林、最大熵等算法进行参数优化，提高模型性能。

集成方法：结合多个模型提高预测结果的稳定性和准确性。

物种分布特征预测：基于单一模型与集成模型预测物种未来分布特征。

实战演练：参与者使用自己的数据或示例数据集，尝试实现多模型集成。

第五章：

结果分析和案例研究

结果分析：物种分布特征、环境变量与物种分布关系、未来分布特征预测。

科学制图：栅格图、柱状图、降维结果图等。

案例研究：分析物种分布案例，如何应用学到的技能和知识。

课程总结：回顾学习要点，讨论如何将这些技能应用到未来的研究中。

七、其它相关课程安排

培训时间：2024年7月20日-21日、27日-28日

每日授课：7月20日、27日【晚19：30-22：00】、21日、28日全天授课

网络直播+助学群辅助+导师面对面实践工作交流

课程安排

学习内容

专题一

开启自然科学研究新范式

1、基于ChatGPT-4o开启科研新范式

1) 自然科学研究的主要流程

2) AI大模型的助力科研新范式

3) AI大模型的提问框架（提示词、指令）和专业级GPT store应用

案例1.1：开启大模型科研新范式

案例1.2：大模型助力自然科学的经典案例分析

案例1.3：经典高效的提问模板，提升模型效率

专题二

基于ChatGPT大模型的论文写作

2、科学论文写作全面提升

案例2.1：大模型论文润色中英文提问模板

案例2.2：使用大模型进行论文润色

案例2.3：使用大模型对英文文献进行搜索

案例2.4：使用大模型对英文文献进行问答和辅助阅读

案例2.5：使用大模型提取英文文献关键信息

案例2.6：使用大模型对论文进行摘要重写

案例2.7：使用大模型取一个好的论文标题

案例2.8：使用大模型写论文框架和调整论文结构

案例2.9：使用大模型对论文进行翻译

案例2.10：使用大模型对论文进行评论，辅助撰写审稿意见

案例2.11：使用大模型对论文进行降重

案例2.12：使用大模型查找研究热点

案例2.13：使用大模型对你的论文凝练成新闻和微信文案

案例2.14：使用大模型对拓展论文讨论

案例2.15：使用大模型辅助专著、教材、课件的撰写

专题三

基于

ChatGPT大模型的数据清洗

3、数据清洗与特征工程

1) R语言和Python基础（能看懂即可）

2) 数据清洗方法（重复值、缺失值处理、异常值检验、标准化、归一化、数据长宽转换，数据分组聚合）

案例3.1：使用大模型指令随机生成数据

案例3.2：使用大模型指令读取各种类型的数据

案例3.3：使用大模型指令进行原始数据进行清洗、切片、筛选、整合

案例3.4：使用大模型指令对农业气象数据进行预处理

案例3.5：使用大模型指令对生态数据进行预处理

专题四

基于ChatGPT大模型的统计分析

4、统计分析与模型诊断

1) 统计假设检验

2) 统计学三大常用检验及其应用场景

3) 方差分析、相关分析、回归分析

案例4.1：使用大模型对生态环境数据进行正态性检验、方差齐性检验

案例4.2：使用大模型进行t检验、F检验和卡方检验

案例4.3：使用大模型对生态环境数据进行方差分析、相关分析及回归分析

专题五

基于ChatGPT的经典统计模型

5、经典统计模型（混合效应模型、结构方程模型、Meta分析）构建

案例5.1：基于AI辅助构建的混合线性模型在生态学中应用

案例5.2：基于AI辅助的全球尺度Meta分析、诊断及绘图

案例5.3：基于AI辅助的生态环境数据结构方程模型构建

专题六

基于ChatGPT的优化算法

6、模型参数及目标优化算法

案例6.1：最小二乘法对光合作用模型参数优化

案例6.2：遗传算法、差分进化算法对光合作用模型参数优化

案例6.3：贝叶斯定理和贝叶斯优化算法对机理模型参数优化

案例6.4：蒙特拉罗马尔科夫链MCMC对动力学模型进行参数优化

专题七

基于ChatGPT大模型的机器学习

7、机器/深度学习在科研中的应用

1) 机器/深度学习

2) 线性代数基础、特征值和特征向量

3) 机器学习监督学习（回归、分类）、非监督学习（降维、聚类）

4) 特征工程、数据分割、目标函数、参数优化、交叉验证、超参数寻优

5) 主成分分析、LDA、NMS、T-SNE、UMAP、Kmeans、Agglomerative、DBSCAN

6) 支持向量机、决策树、随机森林、XGBoost、AdaBoost、LightGBM、高斯过程

7) 深度学习算法（神经网络、激活函数、交叉熵、优化器）

8) AI大模型的底层逻辑和算法结构（GPT1-GPT4）

9) 卷积神经网络、长短期记忆网络（LSTM）

案例7.1：使用大模型指令构建回归模型（多元线性回归、随机森林、XGBoost、LightGBM等）

案例7.2：使用大模型指令构建分类模型（支持向量机、XGBoost等）

案例7.3：使用大模型指令构建降维模型

案例7.4：使用大模型指令构建聚类模型

案例7.5：使用大模型指令构建卷积神经网络进行图像识别

案例7.6：使用大模型指令构建LSTM模型进行气象环境时序预测

专题八

ChatGPT的二次开发

8、基于AI大模型的二次开发

案例8.1：基于API构建自己的本地大模型

案例8.2：基于构建的本地大模型实现ChatGPT功能、模型评价和图像生成

案例8.3：ChatGPT Store构建方法

专题九

基于ChatGPT大模型的科研绘图

9、基于AI大模型的科研绘图

1) 使用大模型进行数据可视化

案例9.1：大模型科研绘图指定全集

案例9.2：使用大模型指令绘制柱状图（误差线）、散点图、相关网络图、热图、小提琴图、箱型图、雷达图、玫瑰图、气泡图、森林图、三元图、三维图等各类科研图

案例9.3：使用大模型指令对图形进行修改

案例9.4：使用大模型对任务一类科研绘图的制作流程

专题十

基于ChatGPT的时空大数据分析

10、基于ChatGPT的时空大数据分析应用

1) R语言和Python空间数据处理主要方法

2) 基于AI大模型训练降尺度模型

3) 基于AI大模型处理矢量、栅格数据

4) 基于AI大模型处理多时相netCDF4数据

案例10.1：使用大模型对矢量、栅格等时空大数据进行处理

案例10.2：使用大模型处理NASA气象多时相NC数据

案例10.3：使用大模型绘制全球植被类型分布图

案例10.4：使用大模型栅格数据并绘制全球植被生物量图

案例10.5：使用大模型处理遥感数据并进行时间序列分析

案例10.6：使用不同插值方法对气象数据进行空间插值

案例10.7：使用大模型使用机器学习聚类分析及气候空间分区

案例10.8：使用大模型构建机器学习模型进行大尺度空间预测

专题十一

基于ChatGPT大模型的项目基金助手

11、基于AI大模型的项目基金助手

1) 基金申请讲解

2) 基因评审重点

案例11.1：使用大模型进行项目选题和命题

案例11.2：使用大模型进行项目书写作和语言润色

案例11.3：使用大模型进行项目书概念图绘制

专题十二

基于大模型的AI绘图

12、基于大模型的AI绘图

1)GPT DALL.E、Midjourney等AI大模型生成图片讲解

2)AI画图指令套路和参数设定

案例13.1：使用大模型进行图像识别

案例13.2：使用大模型生成图像指令合集

案例13.3：使用大模型指令生成概念图

案例13.4：使用大模型指令生成地球氮循环概念图

案例13.5：使用大模型指令生成土壤概念图

案例13.6：使用大模型指令生成病毒、植物、动物细胞结构图

案例13.7：使用大模型指令生成图片素材，从此不再缺图片素材

注：以上各章节内容均有代码及数据分析实操。

培训时间：2024年8月16日-18日

每日授课：课前8月14日晚 8：00 直播讲解与协助配置课程环境：提供虚拟机（预装相关软件）

网络直播+助学群辅助+导师面对面实践工作交流

课程安排

学习内容

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

l 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

QGIS中的操作

裁剪效果

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。

l 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。

l 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。

l 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：

l 基础操作：如选择、提取和修改变量、维度、属性等。

l 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。

l 空间操作：如重新格网、插值、汇总、选择和提取地理区域等。

l 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：

l 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。

l 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）。

l 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。

l 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

l 建立特征

l 建立模型

l 模型评估

4.4其他方法

l 偏最小二乘回归方法

l 分位数映射（Quantile Mapping）方法

l 气候因子方法

4.5多算法集成方法

l 多算法的集成

l 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

l 提取变量

l 变量的统计

l 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。

l Consecutive dry days index

l Consecutive frost days index per time period

l Consecutive summer days index per time period

l 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

专题十一

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）

注：以上各章节内容均有代码及数据分析实操。

八、联系方式

联系人：杨帆老师 15383229128 微信同号

八、相关视频课程

提供全套上课资料【课件、案例数据、代码、参考资料等】+课程长期有效+导师群长期辅助学习

1	无人机遥感在农林信息提取中的实现方法与 GIS 融合制图
2	陆面生态水文模拟与多源遥感数据同化的实践技术应用
3	基于Python语言快速批量运行DSSAT模型及交叉融合、扩展应用技术应用课程
4	双碳目标下生态与农田系统温室气体排放模拟实践技术应用
5	双碳目标下 DNDC 模型建模方法及在土壤碳储量、温室气体排放、农田减排、土地变化、气候变化中的实践技术应用课程
6	双碳目标下基于“遥感+”融合技术在碳储量、碳收支、碳循环等多领域监测与模拟实践应用高阶课程
7	生态系统NPP及碳源、碳汇模拟实践技术应用高级视频课
8	基于R语言APSIM模型进阶应用与参数优化、批量模拟实践技术高级培训班
9	WOFOST 模型与 PCSE 模型实践技术应用培训班
10	R-Meta分析与【文献计量分析、贝叶斯、机器学习等】多技术融合实践与拓展进阶高级培训班
11	R语言混合效应（多水平/层次/嵌套）模型及贝叶斯实现技术应用精品课程
12	最新基于R语言结构方程模型分析与实践技术应用精品课程
13	R语言与作物模型（以DSSAT模型为例）融合应用高级实战技术课程
14	最新DSSAT作物模型建模方法及实践技术应用精品课程

END

声明：本号旨在传播、传递、交流，对相关文章内容观点保持中立态度。涉及内容如有侵权或其他问题，请与本号联系，第一时间做出撤回。

END

Ai尚研修丨专注科研领域

技术推广，人才招聘推荐，科研活动服务

科研技术云导师，Easy Scientific Research

http://mp.weixin.qq.com/s?__biz=Mzg5ODg5NjUzMA==&mid=2247485094&idx=1&sn=1c37c499837bfd054e8306bc2e8fcaab

群落生态学

介绍生态学经典、前沿文献，传播生态学知识。