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。
课程二：二：
![]()
课前8月29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。
课程三：二：
![]()
培训时间：8月21日-26日 呼和浩特【21日报道、授课五天】培训方式：线上线下同步进行+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 工作环境ArcGIS Pro能力提升 | 1.1 ArcGIS Pro介绍 1.2 ArcGIS Pro界面介绍 1.3 项目和文件管理 1.3 添加和管理图层 1.4 数据符号化和分类 1.5 地图布局和设计 1.6 图例、比例尺和指北针 1.7 经纬网格等高级制图 ![]()
|
专题二 海量空间数据下载、读取及处理 | 2.1 多类型空间数据（矢量、栅格、多维等） 2.2 地理数据库（geodatabase）与空间数据管理 2.3 常用空间数据的来源与下载方法 2.4 ChatGPT辅助数据的选择与下载 2.5 社会经济及生态环境统计数据下载与处理 2.6土地数据（30米、500米、逐年，等）下载与处理 2.7 气象数据（站点数据、CMIP6数据、GLDAS等）下载与处理 2.8 DEM数据（15米、30米、90米，等）下载与处理 2.9 全球土壤数据下载与处理 2.10 空间数据的处理（数据转化、投影变换、融合与裁剪，等） ![]()
|
专题三 Python语言实现空间数据自动化处理 | 3.1 ArcGIS Pro自动化处理方法 3.2 Python语言基础 3.3 案例1：Python实现ArcGIS Pro批处理 3.4 案例2：Python实现ArcGIS Pro自动化处理 3.5 案例3：Python实现实现数据的裁剪与投影变换 ![]()
|
专题四 空间数据热点分析与空间关系建模 | 4.1 空间分区统计分析 4.2 统计数据及地图数据采集与处理 4.2 度量地理分布：标准距离、平均中心等 4.3 空间自相关分析：全局莫兰指数 4.4 空间聚类分析：局部莫兰指数，热点分析 4.5 空间关系建模：地理加权回归 ![]()
|
专题五 基于DEM数据的水文分析与淹没风险分析 | 5.1 DEM数据的获取与处理 5.2 基于DEM的表面分析：坡度、坡向，等 5.3 基于DEM的水文分析： 河网、盆域、集水区、坡降 5.4 基于DEM数据的淹没分析 5.5 基于DEM数据的水库库容计算 ![]()
|
专题六 土地利用变化下城市用地适宜性评价 | 6.1 土地利用数据获取与处理 6.2 土地利用的分类提取：重分类、 栅格转矢量、融合处理 6.3 土地利用预测 6.4 土地利用变化分析——迁移矩阵 6.5 基于土地利用的人类活动强度分析 6.6 城市用地适宜性评价 ![]()
|
专题七 未来气候变化下的干旱特征研究 | 7.1 气象数据获取与处理 7.2 气象数据变化分析 7.3 未来气候数据CMIP6数据处理与分析 7.4 CMIP6气候数据统计降尺度 7.5 基于CMIP6的干旱特征研究 ![]()
|
专题八 基于GPS定位的空间数据插值分析 | 8.1 区域采样数据设计：矢量渔网构建 8.2 excel表记录的GPS点位数据空间显示 8.3 空间插值分析：反距离权重法、克里金法 8.5 插值结果的提取与分析 8.6 插值结果的统计分析 ![]()
|
专题九 基于InVEST模型的遥感碳排放研究 | 9.1 InVEST模型介绍 9.2 遥感数据的获取与处理 9.3 ENVI软件土地利用解译 9.4 基于InVEST模型的遥感碳排放 ![]()
|
专题十 生态系统服务权衡协同关系及其时空异质性 | 10.1 生态系统服务研究框架 10.2 生态系统服务数据制备 10.3 地理加权逻辑回归（GWLR）模型 ![]()
|
专题十一 CHATGPT提升项目科研效率和水平 | 11.1 ChatGPT简介 11.2 ChatGPT可以做什么？ 11.3 ChatGPT使用演示 11.4 prompt介绍 11.5 ChatGPT文献搜索、文献分析、总结热点、撰写大纲 11.6 ChatGPT数据分析及撰写研究报告 ![]()
|
专题十二 项目提升与论文写作 | 12.1 有限数据下如何提升项目水平 12.2 “八股文”式SCI论文框架解析 12.3 有限数据下如何确定好的论文主题 12.4 如何有效回复审稿意见 12.5 ChatGPT辅助论文写作 ![]()
|
注：以上各章节内容均有代码及数据分析实操。
课程四：
![]()
培训方式：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 模型原理介绍与数据要求及模型分析 | 1. AquaCrop模型的应用范围 2. 模型计算框架 3.模型水分循环原理 4.模型营养循环原理 4.模型输入数据要求 5.模型应用实例分析 ![]()
|
专题二 数据制备、模型运行与案例实践 （界面GUI版本） | 1.气象数据制备：新建、导入或者公式估计 2.土壤数据制备：土壤类型、含水量等 3.农作物参数详解：作物类型、生长参数、开花与枯萎参数等 4.管理措施的输入：灌溉计划、施肥计划、杂草管理。 5.模型输出分析 案例1：水稻生长模拟 ![]() ![]()
|
专题三 模型优化与敏感性分析 （基于R语言实践） | 1.R语言中调用AquaCrop模型 2.敏感性分析方法（Morris方法） 3.模型敏感参数 4.优化及启发式优化算法理论 5.GLUE方法理论 6.AquaCrop模型参数自动优化 案例2：不同灌溉计划下水稻模型参数敏感性代码分析 案例3：基于遗传算法的模型自动优化 ![]()
|
专题四 源代码分析 （基于FORTRAN） | 1.现代Fortran基础 2.AquaCrop模型Fortran代码编译方法 3.AquaCrop模型代码特点及结构分析 案例4：模型入口分析 案例5：模型主要计算功能实现 ![]()
|
专题五 未来气候变化影响分析与案例实践 （基于Python） | 1.Python语法简介（只涉及相关的用法） 2.AquaCrop模型的Python实现及其与FORTRAN版本的主要区别 3.CMIP计划及下载 4.气候数据降尺度方法 5.未来气候数据的生成（基于CMIP5及CMIP6）及其输入 案例6：基于Python版本的灌溉计划优化 案例7:不同未来气候情景对水稻生产的影响分析 |
专题六 大语言模型在建模中的应用 （国产大语言模型） | 1.大语言模型的优点与缺点 2.在建模中应用大语言模型方式 3.对于（水环境、水文及农业）模型研究者在大语言模型上的发展方向建议 案例8:运用大语言模型解释模型输入参数 案例9：运用大语言模型辅助生成输入文件 案例10:运用大语言模型注释代码 案例11：运用大语言模型编写代码（非绘图方向） |
注：请提前自备电脑及安装所需软件。
课程五：
![]()
培训时间：8月24日-25日、31日、9月1日、7日
培训方式：线上直播+助学群辅助+导师面对面实践工作交流
课程安排 | 课程导学 |
课程介绍 | 本课程突出与实例结合，紧密结合国家能源统计制度及《省级温室气体排放编制指南》，深入浅出地介绍针对不同级别研究对象时如何根据数据结构、可获取性、研究目的，构建合适的能源生产、转换、消费、温室气体排放（以碳排放为主）预测模型并设计情景以量化不同低碳化能源发展政策效果，并且采用蒙特卡洛法进行预测结果的不确定性分析。结合软件自带例子，对关键部门及重点关注技术，如能源结构清洁转型、重点领域如工业、交通节能减排降耗、新能源发电系统及发电成本最优化、区域碳达峰碳中和实现路径设计及政策评估等，进行了重点解析示范。涵盖范围广，理论深度强，紧密结合理论与操作，有助于学员快速掌握模型使用并可灵活套用于自身研究中。培训大纲的设置主要围绕下述体系来设计理论知识与上机操作步骤，通过逐一环节的讲解与实际操作，达到本次培训的目的，实现培训的既定目标。 |
第一章 LEAP建模理论基础 | 1.1能源需求及碳排放预测方法 [☆理论学习] 1.1.1 能源系统工程基础理论及典型研究内容 1.1.2典型能源需求及碳排放预测方法和模型 1.1.3 LEAP模型计算原理 能源需求为活动水平和活动强度之积： 其中是总的能源需求量，是活动水平，是能源强度；i，j 和 k分别代表不同的部门、设备和燃料 温室气体排放量为活动水平和排放因子之积： 其中是总的温室气体排放量，是活动水平（能源消费量或者工业产出），是排放因子；i，j 和 k分别代表不同的部门、设备和燃料 1.2 LEAP软件操作基础 （基础操作）[☆理论学习] 1.2.1 LEAP软件安装与注册 1.2.2 LEAP软件设置、主要模块及基本操作 1.2.3 LEAP软件模型构建基本原理和数据结构 1.3 情景分析法[☆理论学习] 介绍情景分析法原理及其与LEAP模型的结合使用。 1.4 能源统计制度、碳排放清单编制方法及数据获取方式[☆理论学习] 1.4.1 经济、人口、工业产品产量、交通运输周转量：统计年鉴;GDP的不变价、可比价换算； 1.4.2 能源：行业年鉴、统计年鉴能源篇、政府报告、电力消费、发展规划、标准规范等；能源平衡表读取分析、能源平衡流动图绘制；明确能源统计报表，了解我国能源统计制度； 1.4.3温室气体排放：历年温室气体排放清单、统计年鉴、技术标准、实验数据、文献报告等。 |
第二章 基于LEAP模型的能源需求预测模型构建 | 2.1 结合情景分析法的基本能源需求预测模型构建 2.1.1 需求模块主要功能和计算方法 2.1.2 案例描述及基本参数设置：标准单位（标吨煤、净现值）、基年、基期、参考情景等 2.1.3 需求侧模型构建 - 需求树形图绘制 - 基年账户数据录入：城镇居民及农村家庭能源消费数据（家庭数及各能源品种消费强度） 2.1.4 参考情景创建及结果分析 - 参考情景创建：预测年内人口结构及能源消费强度变化率 - 以图表方式查看结果 2.1.5 节能政策效果量化：高效照明及冰箱 - 创建节能情景，输入各节能措施下能源强度的预测年内变化率 - 查看结果并与参考情景结果比较 2.2 不同部门、情景下的细化需求侧模型构建 2.2.1 细化需求侧部门模型：工业、交通及商业建筑 2.2.2 工业 - 细化为能源密集型产业（钢铁和制浆造纸）和其他所有行业 - 基年账户数据录入：活动水平（产值或产量）、活动强度（过程热、电力、油气煤等化石能源消耗强度） - 参考情景创建：使用Time Series Wizard设置各参数预测年变化情况 - 结果查看及分析 2.2.3 交通部门 - 细化为客运交通（小汽车、公共汽车及铁路）及货运交通（公路货运及铁路货运） - 基年账户数据录入：活动水平（周转量、运输里程）、活动强度（单位里程耗油量、能源强度） - 参考情景创建：周转量、轿车占比以及人均货运需求增长率、能源效率提高率 - 结果查看及分析 2.2.4 商业建筑 - 细化为多种燃料和技术下的采暖、制冷、供电等有效能源分析 - 基年账户数据录入：活动水平（建筑面积）、活动强度（终端能源消费等价热值、供热技术效率）、燃料消费比例等 - 参考情景创建：建筑面积、能源强度及供热技术效率变化率 - 结果查看及分析 2.2.5 总体能源需求分析 - 分部门、子部门、能源品种、年份、情景下能源需求预测 ![]()
|
第三章 基于LEAP模型的能源供应预测模型构建 | 3.1 结合情景分析法的基本能源供应预测模型构建 3.1.1 能源供应转换模块主要功能及计算方法 3.1.2 基础供应侧模型构建及参数设置 - 能源输入、转化模型框架图绘制 - 基年账户数据录入：发电、输配电、天然气输配等模块设置 - 电网供电稳定性、电力调度原则、电网负荷变化、不同发电技术特征等参数设置 3.1.3参考情景创建及结果分析 - 参考情景创建：电厂建设、发电效率、能源运输效率等年度变化情况 - 重点关注各发电形式间的调度原则 - 查看各发电方式电力贡献率等结果 3.1.4 能源流动情况诊断 - 基于能源流动图分析该案例能源供应及消费平衡情况 - 研判参考情景下能源发展态势 3.1.5 能源供应侧节能措施效果量化 - 节能政策：输配电损失减少、电力系统负荷系数改进 3.2 不同能源品种、情景下的细化供应侧模型构建 3.2.1 细化能源转换模型：木炭生产、电力、炼油和煤炭开采 3.2.2 木炭生产 模拟单能源品种输入单能源品种产出的能源转换流程 - 建立标准模块：木炭产量、不同技术转换效率（技术替代） 3.2.3 电力生产 模拟多能源品种输入单能源品种产出的能源转换流程 - 调整发电系统容量以配合电量需求：水电、煤电、燃油发电 - 新能源发电新增容量规划 3.2.4 炼油 模拟单能源品种输入多能源品种产出的能源转换流程 - 炼油厂效率、产品种类及各产品产量 3.2.5 煤炭开采 模拟本地能源开采 - 煤炭开采能力、煤矿厂效率 3.2.6 资源情况 模拟不同能源品种的本地生产、调入调出情况 - 区分生产资源、进口资源 - 区分化石燃料储备、可再生能源产量 3.2.7 逐年、逐情景能源系统图、能源平衡表分析比较 ![]()
|
第四章 基于LEAP模型的温室气体及其他空气污染物排放预测模型构建 | 4.1 结合情景分析法的基本排放预测模型构建 4.1.1 排放模块主要功能和计算方法 4.1.2 温室气体及其他空气污染物排放模型构建 - 明确污染物类型和污染物来源：能源及非能源过程（工业过程、碳汇等） - 污染物排放因子录入及TED数据库使用及编辑 - 基于能源供应及消费模块的构建，链接IPCC排放因子库或者自行添加排放因子，可采用多种方法定义排放因子 4.1.3 参考情景构建及结果分析 - 查看参考情景下各大气污染物预测结果 4.1.4 节能政策情景构建 - 查看节能政策对各大气污染物排放的影响 4.2 结合情景分析法的非能源来源排放预测模型构建 4.2.1 非能源来源排放类型 - 工业流程和产品使用、农业林业其他土地使用、废弃物 4.2.2 案例整体描述及基础参数设置 4.2.3 模型构建及基年账户数据录入 - 制冷空调行业排放HFC - 与EXCEL链接，直接输入排放因子逐年值 - 粪便管理中产生的甲烷、一氧化二氮 - 设定自定义变量，实现基于不同活动水平的排放因子 4.2.4 基础情景设置 - 非能源来源排放活动水平及排放强度设置 - 全球变暖潜力值等结果比较 4.2.5 沼气发电情景设置 - 发电模块中设置沼气发电技术参数 - 非能源排放部门对应减排量设置
![]()
|
第五章 基于LEAP模型的能源需求及碳排放预测实例示范 | 5.1 基于LEAP的典型能源输入型城市能源需求预测实例操作 5.1.1数据搜集及模型结构划分 - 根据数据可获得性，基于经济和能源统计表将模型划分如下，综合考虑宏观经济社会发展、能源环境政策及能源技术水平的影响。
![]()
5.1.2 基年能流图绘制 ![]()
5.1.3 情景设置 - 结合平均增长率法、计量经济学模型（ARIMA模型等）、人口预测模型（Leslie模型）等方法，考虑不同政策设置多种情景： - 基础情景：能源需求在过去的基础上自然发展(BS) - 不同经济增速情景：高、低经济增长速度(HGDP、LGDP) - 不同产业结构情景：高、低第二产业占比(HIS、LIS) - 节能情景：技术进步及设备升级引起的能源强度降低(ES) - 综合情景：综合考察GDP增速、第二产业占比及能源强度变化(MBS、MSS) 5.1.4 结果对比 - 定量分析GDP增速、产业结构及节能目标对该市能源需求的影响 - 重点部门节能政策效果量化 - 能源发展情况研判及政策建议 ![]()
![]()
5.1.5 预测结果不确定性分析 - 基于蒙特卡洛法，采用与EXCEL链接的水晶球软件，操作简单 - 构建函数，确定估计变量和需求参数 - 确定参数的概率分布，包括正态分布、对数正态分布等 - 分析指定情景、指定年份下的能源需求总量分布曲线及不确定性敏感性分析
![]()
![]()
5.2 基于GREAT模型的省市一级能源政策分析和排放评估示例 5.2.1 基于GREAT模型的能源需求模块构建 - 生活用能：城市、农村；电力、天然气等；照明、家电用电 - 商业用能 - 交通用能 - 工业用能：钢铁、水泥、铝工业、造纸业、玻璃工业等 - 农业用能 5.2.2 基于GREAT模型的能源转换模块构建 - 输配电 - 热力生产和供应 - 发电 - 石油开采 - 焦化 - 天然气开采 - 煤炭开采 5.2.3 控制变量设置 - 生活电耗强度指数 - 工业电耗强度指数 - 农业燃料消耗强度指数等 5.2.4 基于GREAT模型的排放模块构建 - 电力间接排放或直接排放计算等 5.2.5 情景设计及结果分析 5.3 LEAP用于碳达峰预测注意事项 5.3.1 省级温室气体排放编制指南解读 5.3.2 省级温室气体排放排放部门划分与能源消费统计的区别 5.3.3 排放因子和折标煤系数统一 5.3.4 碳排放强度、减排空间、非化石能源占比等指标设定 |
第六章 LEAP模型成本效益分析专题 | 6.1基于LEAP模型的成本效益分析简介 6.1.1 成本计算方法和分类 - 预测年限内需求、转换、一次能源及输入能源、外部环境中所有成本 - 能源需求的资本成本、运行和维护成本，能源节约的成本 - 能源转换资本成本、固定成本、运行及维护成本 - 本土资源的成本 - 进、出口燃料的成本 - 污染物排放的外部成本 - 用户自定义成本等 6.1.2 成本计算系统边界和经济参数含义 - 需求侧、部分能源系统和整体能源系统 - 贴现率、燃料成本、设备投资成本、能源效率提升成本等经济参数 6.2 示例整体描述 6.2.1成本数据参数输入和模型设置 - 技术渗透 - 技术性能 - 技术成本 6.2.3 政策情景创建 - 高效照明 - 节能冰箱 - 压缩天然气公交车 - 天然气和可再生能源 - 工业效率提升 6.2.4 成本效益结果分析 - 成本效益分析表 - 不同情景下节能减排净现值 - 边际减排曲线
![]()
|
第七章 LEAP模型交通运输及碳排放专题 | 7.1 基于库存周转率法的交通部门建模 7.1.1 库存周转率法含义及使用 - 销售量 - 库存量 7.1.2 车辆性能随车龄分布曲线设定 - 行驶里程数 - 能源效率 - 排放因子 7.2 示例整体描述 7.2.1 模型构建及基本设置 - 模型架构设置 - 轿车、运动多功能车（SUV）数量（分为柴油车、汽油车、混合动力车及电动车）
![]()
7.2.2 基年账户车辆参数输入 - 车辆年龄及库存销售量函数关系 - 车辆耗油量及耗油量与车辆年龄关系 - 车辆行驶里程数 7.2.3 基年账户排放因子录入 - 二氧化碳、氮氧化物、一氧化碳及可吸入颗粒 - 根据各车型输入其排放因子 7.2.4 参考情景设置（BAU） - 无新政策减少燃料使用及排放 - 预测年内各参数变化率 7.2.5 政策情景设置 - 燃油经济性提高（Improved fuel economy） - 混合动力电动汽车、电动汽车市场占有率提升(Hybrid) - 柴油轿车和柴油SUV车市场占有率提升（Diesel） - 新尾气排放标准（Tailpipe Emissions Standard） - 轿车推广力度高于SUV(Fewer SUVS) - 组合情景（Combined） 7.2.6 结果分析
![]()
|
第八章 LEAP模型电力系统优化专题 | 8.1 LEAP优化模块基本原理 - 优化方法的分类和简介 - NEMO和Julia平台的使用和介绍 8.2以发电成本最小化为目标的发电模块优化示例 - 可用于新能源装机配置和电网调度研究 8.2.1多种发电技术特性数据 - 成本 - 装机容量 - 系统负荷曲线 - 规划储备余额 - 效率 - 各技术排放因子 8.2.2 导入小时负载数据建立载模型 - 时间片段 - 每小时的点子表格数据（EXCEL） - 年度变化 - 系统能源负荷曲线 8.2.3 情景设置 - 仅天然气发电 - 仅核能发电 - 仅水力发电 - 仅风能发电 - 仅光伏光热发电 - 仅燃煤发电 8.2.4 单独发电模式情景结果查看 - 社会成本 - 规划装机容量 - 温室气体排放量等外部价值 8.2.5 最小发电成本优化配置情景 - 使用NEMO进行优化 - 得到优化的发电技术组合和调度分配情况 - 选择优化变量及优化情景 ![]()
8.3 储能模块构建 - NEMO框架储能模块的使用 - 优化储能模块大小及储放时间 8.4 约束条件下的最低发电成本优化模型 - 建立排放约束 - 建立最低可再生能源利用率约束 - 寻找在约束条件下最低发电成本情景
![]()
|
注：以上各章节内容均有代码及数据分析实操。
