【生态系统模型】Biome-BGC生态系统模型与Python融合技术实践应用

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、水和氮通量的有效模型，其研究的空间尺度可以从点尺度扩展到陆地生态系统。

在Biome-BGC模型中，对于碳的生物量积累，采用光合酶促反应机理模型计算出每天的初级生产力(GPP)，将生长呼吸和维持呼吸减去后的产物分配给叶、枝条、干和根。生物体的碳每天都按一定比例以凋落方式进入凋落物碳库；对于水份输运过程，该模型模拟的水循环过程包括降雨、降雪、冠层截留、穿透降水、树干径流、 冠层蒸发、融雪、雪升华、冠层蒸腾、土壤蒸发、蒸散、地表径流和土壤水分变化以及植物对水分的利用；对于土壤过程，模型考虑了凋落物分解进入土壤有机碳库过程、土壤有机物矿化过程和基于木桶模型的水在土层间的输送关系；对于能量平衡，该模型还考虑了净辐射、感热通量和潜热通量等过程。

利用中国区域地面气象要素驱动数据集（CMFD）和CN05.1气候数据格点化气象数据驱动Biome-BGC在区域上进行模拟。在模拟过程中，需要综合的使用Linux、Python等一些小工具，完成模式的前处理和后处理的工作。

第一部分、模式

Biome-BGC介绍

第二部分、基础

Linux应用

实现批量创建文件、删除文件及文件夹

并行化执行程序

CDO工具应用

使用cdo工具对netCDF文件进行合并

筛选时间和变量，裁剪为小区域

Python应用

Python的循环语句，逻辑语句，

创建Numpy数组，并统计计算；

使用Matplotlib制作散点图、等值线图；

利用零散数据Pandas创建数，制作时间

利用Xarray读取netCDF文件，写入netCDF文件；实现插值工作

第三部分、数据处理

在linux 上综合使用cdo和xarray数据制备所需数据。

1、静态数据制备：

地形数据：GTOPO30S 1km 

土地利用数据：GLCC 1km

土壤数据：FAO

GPP数据：MODIS数据

2、驱动数据制备：

CN05.1数据处理

CMFD数据处理

3、生态数据

MODIS GPP

第四部分、单点的模拟

1、前处理

从空间格点数据（netCDF格式）插值到站点

配置Biome-BGC运行文件

制备用于驱动Biome-BGC的气象数据

2、运行BGC模型

3、调参

以MODIS的GPP产品为观测值，使用Python库并行化调整Biome-BGC模型的参数

调整生长季开始和结束

 

4、后处理

读取Biome-BGC的ascii文件和二进制文件

结果统计计算

结果可视化

第五部分、区域模拟-1

区域模拟是将区域上每个格点分别进行计算进行的。在本节案例中，将以一个较小的省份进行高分辨率模拟和在中国进行粗分辨率模拟。模拟过程中涉及以下步骤：

静态地理数据准备

气象驱动数据制备

分配数据

并行运行

合并单点结果为空间数据

第六部分、长时间序列模拟案例

使用ERA5作为观测数据的降尺度后的CMIP6未来气候变化降尺度数据。

对气象数据降尺度，获得气温、湿度、降水和向下短波辐射。

土壤数据、植被数据库查询

准备气象数据和静态数据

后处理模拟结果数据

 

第七部分、分析

在单点和空间模拟数据的基础上，进行以下分析：

敏感性分析：

使用敏感性分析方法（SALib库），分析主要模拟参数对GPP的影响

归因分析：

使用通径分析方法（semopy库），结合气象要素，分析对GPP和ET的影响过程

原文