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

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

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。

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：Chat GPT

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Chat GPT 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

l 偏最小二乘回归方法

l 分位数映射（Quantile Mapping）方法