专栏名称: 生态学文献分享

生态；演化；环境。经典；前沿；思想。

全体生态学从业者尽快关注：Nature核心技巧，待会删！

生态学文献分享 · 公众号 · · 2024-10-21 14:30

正文

内容导读

1、R语言生物群落（生态）数据统计分析与绘图实践技术应用培训班

2、2024最新R语言结构方程模型（SEM）在生态学领域中的实践应用培训班

3、“AI 大模型+”多技术融合：赋能自然科学暨 ChatGPT 在地学、GIS、气象、农业、生态与环境领域中的高级应用培训班

4、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培训班

5、AI赋能R-Meta分析核心技术：从热点挖掘到高级模型、助力高效科研与论文发表"培训班

6、【高分论文密码】AI赋能大尺度空间模拟与不确定性分析及数字制图高级研修班

7、流域碳中和实践技术高级培训班

详细信息、微信咨询：杨老师 15383229128 微信同号

R语言生物群落（生态）数据统计分析与绘图实践技术应用培训班

培训时间：2024年11月9日-10日、16日-17日、23日

R 语言作的开源、自由、免费等特点使其广泛应用于生物群落数据统计分析。生物群落数据多样而复杂，涉及众多统计分析方法。本课程以生物群落数据分析中的最常用的统计方法回归和混合效应模型、多元统计分析技术及结构方程等数量分析方法为主线，通过多个来自经典研究中的实例，详细讲述各方法的R语言实现途径（详见教学内容）。课程的主要特点为聚焦生态学研究领域，从R语言基础操作和作图、数据准备整理，到各种数量分析方法的应用情景分析，实现从数据整理到分析结果展示的完整科学研究数据分析过程，将《R语言基础》、《tidyverse数据清洗》、《多元统计分析》、《随机森林模型》、《回归及混合效应模型》、《结构方程模型》及《统计结果作图》进行了组合（7合1）。本课程不仅适合R语言和生物群落（生态）数据统计分析的初学者，同样适合有高阶应用需求的研究生和科研人员。课程将通过大量实例讲解，使大家能应对科研工作中复杂数据局面，选择合适模型，提高数据分析能力。课程分为6个单元，共计14个专题，计划授课5天，具体如下：

教学特色

1、原理深入浅出的讲解，强调原理的重要性；
2、技巧方法讲解，提供课程配套的完整教材数据及提供长期回放；

3、与项目案例相结合，更好的对接实际工作应用；

4、跟学上机操作、独立完成案例操作练习、全程问题跟踪解析；

5、课程结束专属助学群辅助巩固学习及实际工作应用交流，不定期召开线上答疑；

发票证书

► 学时证书：

参加培训的学员可以获得 《生物群落统计分析技术应用》 专业技术证书及学时证明，网上可查。此证书可作为学时证明、个人学习和知识更新、单位在职人员专业技能素质培养及单位人才聘用重要参考依据。

证书查询网址：www.aishangyanxiu.com

注：办理证书需提供电子版2寸照片及姓名、身份证号信息，开课前发给会务组人员。

► 提供发票:

1、发票类型:增值税普通发票/增值税专用发票

2、发票选择:会议费、培训费、技术咨询费、资料费

3、报销文件:配有盖章文件【与发票项目对应】

授课内容

专题一：R和Rstudio简介及入门和作图基础

1）R及Rstudio介绍：背景、软件及程序包安装、基本设置等

2）R语言基本操作，包括向量、矩阵、数据框及数据列表等生成和数据提取等

3）R语言数据文件读取、整理及存储等

4）R语言基础绘图（含ggplot）：基本绘图、排版、发表质量绘图输出存储

专题二：R语言数据清洗-tidyverse包应用

1）tidyvese简介：tidyr、dplyr、readr、%>%等

2）文件操作：不同格式文件读取、多文件同时读取等

3）数据筛选：行筛选、列筛选、条件筛选（字符操作）等

4）数据生成：数据合并、数据拆分、新数据生成（字符操作）等

5）长宽数据转换、空值（NA）等填充及删除、分组、排序及汇总等

专题三：群落数据准备及探索分析

1)生物群落数据准备：物种组成、环境变量、物种功能属性、系统发育树等

2)生物群落数据检查：缺失值和离群值（outliers）等-避免模型错进错出（GIGO）

3)物种多样性计算：物种多样性（TD）、功能多样性（FD）和系统发育多样性（PD）

4)物种相似/相异矩阵关联测度介绍

第二单元多元统计分析

专题四：群落数据非约束排序-PCA、CA、PCoA、NMDS

1）生物群落数据非约束排序分析简介

2）案例1鱼类生境数据排序：PCA

3）案例2鸟类物种组成数据的排序：CA、PCoA和NMDS比较

专题五：群落数据约束排序-RDA、dbRDA、CCA、4th Corner

1）生物群落数据约束排序简介：非对称约束排序VS对称约束排序

2）案例1景观、斑块及生境因子蛾类群落分布的解释：RDA、dbRDA或CCA选择+变差分解

3）案例2物种有无（0，1）数据约束排序：dbRDA

4）案例3物种组成、物种属性及环境因子的相关分析-第四角分析（4th Corner）

专题六：群落数据分组分析: 等级/非等级聚类（HC/NHC）、PERMANOVA等

1）生物群落数据的聚类及差异分析概述

2）案例1鸟类生境数据的等级和非等级聚类：KMEANS和HCLUST

3）案例2乌龟适宜生境差异检验（2组比较）及解释：PERMANOVA、MRPP、ANOSIM及Dispersion test

4）案例3环境梯度下微生物组成差异分析（多组比较）及解释：MRPP及Dispersion Test

5）案例4 药物对肠道微生物群落影响：PCoA+PERMANOVA

第三单元机器学习

专题七：群落数据随机森林（Random Forest）模型-分类VS回归

1）随机森林（Random Forest）模型简介

2）随机森林模型分析基本流程-分类VS回归

3）案例1 随机森林分类及重要变量选择：RFM-classification

4）案例2 随机森林回归模型及变量重要性评估：RFM-regression

5）案例3 物种多维形态属性与生态属性的关联关系：PCA+PCoA+LDA+RFM综合案例

第四单元回归及混合效应模型

专题八：一般线性模型（lm）

1）基本形式、基本假设、估计方法、参数检验、模型检验

2）案例1不同鱼类游速的回归、方差及协方差分析

3）案例2决定海洋植食性鱼类多样性的决定因子-模型验证

4）案例3淡水鱼丰度的环境因子的筛选-逐步回归（model selection）

专题九：广义线性模型（glm）

1）广义线性混合效应模型基本原理、建模步骤及流程

2）案例1有无（0，1）数据的逻辑斯蒂模型-二项分布

3）案例2海豹年龄与攻击行为的关系-0，1数据转化为比率数据分析

4）案例3 物种多度分布环境解释-计数数据泊松、负二项、零膨胀、零截断模型

专题十：线性混合效应模型（lmm）

1）混合效应的基本原理及分析基本流程、步骤及实现

2）案例1分层数据物种多样性决定因素-模型构建流程、模型预测及诊断

3）案例2：多因素实验（分层数据）的多重比较

专题十一：广义线性混合效应模型（glmm）

1）广义线性混合效应模型基本原理、建模步骤及流程

2）案例1蝌蚪“变态”与否（0，1）的多因素分析-逻辑斯蒂混合效应模型

3）案例2虫食种子多度影响因素的多变量分析-泊松混合效应模型

4）广义线性混合效应模型分析计数数据及模型选择：泊松、伪泊松、负二项、零膨胀泊松、零膨胀负二项、零截断泊松及零截断负二项模型

专题十二：空间、时间及系统发育相关回归-数据自相关（autocorrelation）分析

1）数据自相关问题简介：时间、空间和系统发育相关介绍

2）案例1森林植物多样性分布格局的空间自相关修正

3）案例2不同年份鸟类多度的时间自相关修正

4）案例3系统发育相关在虾类多度分布分析中作用

第五单元结构方程模型

专题十三：结构方程模型（SEM）：lavaan和piecewiseSEM-多变量直接和间接效应及因果关系

1）结构方程模型简介：定义、历史、应用、估计方法、模型可识别规则及样本量要求等

2）案例1群落物种丰富度恢复的直接及间接效应（direct and indirect effects）：SEM分析基本流程-lavaan vs piecwiseSEM

3）案例2环境异质性和资源可获得性对不同演替阶段林下维管植物多样性的影响：模型调整、比较、评估及结果展示

4）案例3人类活动、环境条件、物种属性对动物领域大小相对贡献（relative roles）：混合模型、嵌套结构、分组分析及分类变量SEM实现

第六单元统计结果作图

专题十四：群落数据及统计分析结果作图（ggplot）、排版及发表质量图输出

1）群落数据及统计分析结果作图数据准备：结果提取与作图数据整理

2）聚类分析及分组差异检验图：聚类结果图、热图（heatmap）、分组差异检验结果图

3）PCA、CA、PCoA及NMDS等非约束排序图：排序图和双序图（biplot）

4）RDA、db-RDA及CCA等约束排序图：三序图（triplot）和韦恩图（venn）

5）回归和混合效应模型分析结果图：散点图、箱线图、柱状图及提琴图等

6）结构方程模型结果图表达方式

报名方式

请微信咨询：15383229128 微信同号

其它相关课程

培训时间：2024 年 11月2日、9日-10日

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

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 .1 4 ： 使用大模型对拓展论文讨论

案例 2 .1 5 ： 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

1 0、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

1 1、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 1 1.1 ： 使用大模型进行项目选题和命题

案例 1 1.2 ： 使用大模型进行项目书写作和语言润色

案例 1 1.3 ： 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 11月12日-13日、19日-20日、26日-27日

培训方式：网络直播+助学群辅助+导师面对面实践工作交流

夯实基础：专题1：R/Rstudio简介及入门【课前学习、提供学习资料】

1）R及Rstudio介绍：背景、软件及程序包安装、基本设置等

2） R语言基本操作，包括向量、矩阵、数据框及数据列表等生成和数据提取等

3） R语言数据文件读取、整理（清洗）、结果存储等（含tidverse）

4） R语言基础绘图（含ggplot）：基本绘图、排版、发表质量绘图输出存储

夯实基础：专题2：结构方程模型（SEM）介绍【课前学习、提供学习视频资料】

1)SEM的定义、生态学领域应用及历史回顾

2)SEM的基本结构

3)SEM的估计方法

4)SEM的路径规则

5)SEM路径参数的含义

6)SEM分析样本量及模型可识别规则

7)SEM构建基本流程

专题3：R语言SEM分析入门：lavaan VS piecewiseSEM

1)结构方程模型在生态学研究中的应用介绍及模型要点回顾

2)结构方模型估计方法：局域估计和全局估计的基本工作原理、主要区别及应用情景分析

3)案例群落物种丰富度恢复的直接及间接效应（direct and indirect effects）：SEM分析基本流程-lavaan vs piecwiseSEM

（1）模型建立

（2）模型拟合

（3）模型评估

（4）结果展示

课后练习：1.根据元模型（meta-model）构建模型

2.课后练习：火烧干扰后植物群落恢复直接、间接及调节效应分析

专题4：SEM全局估计（lavaan）在生态学领域高阶应用

案例1：湿地生态系统初级生产力的直接和间接效应分析

（1）问题提出、元模型构建

（2）模型构建及模型估计

（3）模型评估：路径增加和删减原则、最优模型筛选方法

（4）结果表达

案例2：火烧干扰后植物群落恢复效果评估-数据缺失和正态性不足数据处理-

案例3：放牧对海拔与生物量关系的影响分析-数据分组分析

案例4：农业用地比例对河口水草多度影响-数据分层/嵌套分析

课后练习：环境异质性和资源可获得性对不同演替阶段林下维管植物多样性的影响

专题5：SEM潜变量分析在生态学领域应用

1)潜变量的定义、优势及应用背景分析

2)潜变量分析实现基本原理

3)案例1：海岸带米草群落生态恢复表现评估-单潜变量模型构建

4)案例2：城市景观中土地利用对有花植物资源和访花昆虫的直接与间接影响-多个潜变量模型构建

课后练习案例：植物多样性、能量梯度及环境梯度对动物多样性格局的影响-构建动物多样性潜变量

专题6：SEM复合变量分析在生态学领域应用

1)复合变量的定义及在生态学领域应用情景分析

2)复合变量分析实现途径

3)案例1：生态力与生物多样性形成机制分析-土壤理化因子的多复合变量构建

4)案例2：火烧后植被恢复对物种丰富度影响-复合变量解决非线性问题

5)案例3：气候暖化、海平面上升对湿地植物群落的复合影响-复合变量解决交互作用问题

课后实例讲解：植物群落物种多样性是否会提高其对入侵植物的抵抗力-多复合变量实现

专题7：局域估计SEM -piecewiseSEM及生态学领域高阶应用

1)piecewiseSEM对内生变量为二项及泊松分布数据的分析

2)混合效应模型+时间自相关问题：气候波动对海草床生态系统食物网结构影响

3)空间自相关问题：NDVI空间变化与气候和多样性关系

4)系统发育相关问题：物种属性、社会性进化特征对海虾领域范围和多度影响-

5)分组数据、交互作用、非线性关系问题分析（实例数据同专题4和6）

课后练习案例：人类活动、环境条件、物种属性对动物领域大小相对贡献-分组分析和分类变量处理

专题8：贝叶斯SEM在生态学领域应用

1)贝叶斯（bayes）方法简介

2)R语言贝叶斯SEM实现程序包blavaan和brms介绍

3)案例1：气候及生态位重叠程度对田鼠物种丰富度影响：模型比较、直接和间接效应计算（blavaan）

4)案例2：火烧后对植被恢复影响因素-模型拟合、模型比较和评估（brms）

课后练习案例：生物地理历史因素对北半球森林的初级生产力的影响（brms）

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11月23日-24日、30日

培训方式：网络直播+助学群辅助+导师面对面实践工作交流

专题一：AI+Meta分析的选题与检索、寻找科学问题

1、AI大模型助力Meta分析的选题与文献检索

1)什么是Meta分析

2)Meta分析的选题策略

3)精确检索策略，如何检索全、检索准

4)文献的管理与清洗，如何制定文献纳入排除标准

5)文献数据获取技巧，研究课题探索及科学问题的提出

6)文献计量分析 CiteSpace、VOSViewer、 R bibliometrix 及 研究热点分析

7) AI大模型的发展与底层逻辑

8) AI大模型的高级提问框架

9) AI大模型助力寻找科学问题

专题二：AI助力Meta分析与R语言数据清洗及统计方法

2、Meta分析的常用软件/R语言基础及统计学基础

1)R语言做Meta分析的优势及其《 Nature 》、《 Science 》经典案例应用

2)AI大模型助力，实现R语言基本操作与数据清洗

3)统计学基础和常用 统计量计算（sd\se\CI） 、 三大检验（T检验、卡方检验和F检验）

4) 传统统计学与Meta分析的异同

5)R语言Meta分析常用包及相关插件讲解

从 自编程计算到调用Meta包 （ meta、metafor、dmetar、esc、metasens、metamisc、meta4diag 、 gemtc 、 robvis 、 netmeta 、 brms 等），全程分析如何进行 meta计算、meta诊断、贝叶斯meta、网状meta、亚组分析、meta回归及作图 。

专题三：AI+R语言Meta效应值计算与图形绘制

3、AI大模型助力R语言Meta效应值计算

1)R语言Meta分析的流程

2)各类meta效应值计算、自编程序和调用函数的对比

连续资料的lnRR、MD与SMD

分类资料的RR和OR

3）R语言meta包和metafor包的使用

4） 如何用R基础包和ggplot2绘制漂亮的森林图

专题四：如何利用AI+R语言Meta分析与回归分析、混合模型构建

4、AI大模型助力R语言Meta分析与混合效应模型（分层模型）构建

1)Meta分析的权重计算

2)Meta分析中的固定效应、随机效应

3)如何对Meta模型进行 统计检验 和构建 嵌套模型、分层模型（混合效应）

4) Meta回归和普通回归、混合效应模型的对比及结果分析

5) 使用Rbase和ggplot2绘制Meta回归图

专题五：AI+R语言Meta诊断分析进阶

5、AI大模型助力R语言Meta诊断进阶

1)Meta诊断分析（t ² 、I ² 、H ² 、R ² 、Q、QE、QM等统计量）

2) 异质性检验及发表偏移、漏斗图、雷达图 、 发表偏倚统计检验

3)敏感性分析、增一法、留一法、增一法、Gosh图

4)风险分析、失安全系数计算

5) Meta模型比较和模型的可靠性评价

6) Bootstrap重采样方法评估模型的不确定性

7)如何使用 多种方法 对 文献中的SD、样本量等缺失值的处理

A I 大模型复现Science最新Meta分析案例

专题六：AI+R语言Meta分析的不确定性及贝叶斯Meta分析

6、AI大模型助力R语言Meta分析的不确定性

1)网状Meta分析

2) 贝叶斯 理论和 蒙特拉罗马尔可夫链MCMC

3)如何使用 MCMC优化普通回归模型和Meta模型参数

4)R语言贝叶斯工具Stan、JAGS和brms

5) 贝叶斯Meta分析及不确定性分析

专题七：AI+Meta机器学习方法应用

7、AI大模型助力机器学习在Meta分析中的应用

1)机器学习基础以及 Meta机器学习的优势

2) Meta加权随机森林（MetaForest） 的使用

3)使用 Meta机器学习和传统机器学习对文献中的大数据训练与测试

4) 如何判断Meta机器学习使用随机效应还是固定效应 以及 超参数的优化

5)使用 Meta机器学习 进行 驱动因子分析 、 偏独立分析PDP

专题六：AI+R语

专题八：讨论与答疑

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12月7日-8日、14日

培训方式：网络直播+助学群辅助+导师面对面实践工作交流

专题一、 AI+R语言空间数据及数据挖掘关键技术【讲解与实践】

1、 AI大模型使用及 R语言空间数据讲解及应用特点

1) AI大模型算法结构和底层逻辑

2) AI大模型超实用的通用提示词和高级提问框架

3) R语言基础与数据科学

4) R空间矢量数据

5) R栅格数据

2、R语言空间数据挖掘关键技术讲解

专题二、AI+R语言空间数据高级处理技术【讲解与案例实践】

1、 AI大模型助力 R语言空间矢量数据处理 （ sp、sf ）

1) 点、线、面数据

2) 空间矢量数据的坐标系定义、转换

3) 空间矢量数据的裁剪、相交与合并

4) 空间矢量数据的数值计算

2、R语言栅格数据处理 （ raster、terra ）

1) 栅格数据的生成与数据管理

2) 栅格数据的坐标系转换

3) 栅格数据的裁剪、相交与拼接

4) 栅格数据的数值计算

3、R语言栅格数据与矢量数据的相互转换

专题三、AI+R语言多维时空数据处理技术、数据清洗整合和时间序列分析【讲解+案例实践】

1、 AI大模型助力 R语言多维时空数据 的批量 处理

1) NetCDF、GeoTIFF 、HDF、IMG、DWG、DEM 等多维时空数据 的读取、处理与导出

2) 多维空间数据的管理和 批量处理

2、R语言 时空 数据清洗和整合

1) 时空大 数据缺失值、重复值、异常值 处理

2) 时空大 数据插补方法

3) 近似采样方法，双线性插值法、最大近邻法等

3、大尺度高分辨率栅格数据的时间序列分析

1) 栅格尺度 时间序列分析

2) 栅格尺度多时空回归方程构建

3) 栅格尺度 趋势分析和突变检验

4) 栅格尺度时间 自相似性 和 长期依赖性分析

案例一：全球气象栅格数据的提取、裁剪、重采样和输出

全体生态学从业者尽快关注：Nature核心技巧，待会删！

正文

请到「今天看啥」查看全文