课程说明
培训时间：2023年3月11日、3月12日、3月18日；
观看方式：线上直播，提供录播回放
课程目标
1、实现对植被覆盖度和NPP的估算
模拟较长时间尺度上植被的覆盖度状况和植被NPP，并在空间上进行分析，可形成植被空间差异分析，植被变化情况、植被生态等相关研究。
2、实现变化的趋势及其显著性
为空间上的各个像元数据做趋势分析和显著性检验，明确各区域各时段植被的变化情况及其显著性，为生境质量转变、生态修复效果等研究提供科学支持。
3、为学员论文选题和内容提供参考
为研究方向尚不明确的学员提供参考，分析气候变化与人类活动影响下陆地生态系统动态研究热点。
课程亮点
√由浅入深，适合小白学习；
√无需编程基础（如Matlab、R语言）；
√CASA模型封装程序，简单易操作；
√提供CASA模型插件和试算数据；
√从数据获取到预处理到投入模型，全程示范；
√已整理大量相文献，节约学员的时间；
√课后提供讲师与学员；
主讲老师
刘乐知老师
1.来自双高校，从事NPP研究相关科研工作三年，熟悉各类NPP模型，实操经验、教学经验丰富；
2.以作者发表多篇SCI论文，论文主题均涉及NPP相关研究和CASA模型运用；
3.参与多项国家自然科学基金项目和国家项目。有较丰富的科考经验，熟悉NPP相关研究的野外考察和实验室处理部分工作。
课程大纲
1. 导学课程
了解什么是植被级生产力（NPP）和模拟NPP的方法，了解NPP模型研究的进展以及CASA模型在众多NPP模型中脱颖而出的优势及特点。
1.1 净初级生产力（NPP）概念
1.2 NPP模型研究进展
1.3 光能利用率CASA模型
1.4 CASA模型运行成果展示
1.5 相关论文解析
2. 工具介绍及使用
2.1 ArcGIS软件
2.2 ENVI软件
2.3 Origin软件
3. CASA插件获取及安装
获取和安装CASA插件，在ENVI中实现插件应用
3.1 获取插件
3.2 安装插件
3.3 运用插件
4. 气象数据准备和预处理
获取气温和降水数据、对数据进行格式转换和整理、在ArcGIS中生成空间上带值的气象点数据、对气象数据进行插值、除异常值、裁剪、时间序列数据合成。
4.1 气象数据获取
4.2 格式转换
4.3 异常值处理
4.4 空间插值
4.5 掩膜提取
4.6 生成时间序列分析数据
4.7 批量化处理
5. 辐射数据准备和预处理
获取辐射数据、对数据进行格式转换和整理、在ArcGIS中生成空间上带值的辐射点数据、对辐射数据进行插值、除异常值、裁剪、时间序列数据合成。
5.1 辐射数据获取
5.2 格式转换
5.3 异常值处理
5.4 掩膜提取
5.5 生成时间序列分析数据
5.6 批量化处理
6. NDVI数据准备和预处理
获取NDVI数据、在ENVI软件中对数据进行格式转换、拼接、校正、去除异常值、格式转换、获取月NDVI、合成时间序列数据。
6.1 辐射数据获取
6.2 数据拼接
6.3 异常值处理
6.4 掩膜提取
6.5 生成时间序列分析数据
6.6 批量化处理
7. 模型驱动参数准备和预处理
获取植被类型、光能利用率、底图精度、月NDVI、月最小NDVI等参数。
7.1 参数概念
7.2 确定植被类型
7.3 查阅文献
7.4 配置参数
7.5 试配演示
8. CASA模型运行
在ENVI和CASA插件中投入驱动模型的数据，实现植被覆盖度和植被NPP模拟，将生成的数据导入到ArcGIS中，为数据分析做准备。
8.1 数据准备
8.2 参数配置
8.3 逐年运算
8.4 数据导出
8.5 格式转换
9. 趋势计算
将长时间尺度的NPP或植被覆盖度在空间上进行一元线性回归分析，在空间上了解每个像元在某一时间段上的变化趋势。
9.1 线性回归概念
9.2 线性回归在空间上的表达
9.3 逐个像元做线性回归
9.4 生成趋势图
9.5 重分类
9.6 数据分析
10. 显著性检验
对植被覆盖度或NPP的变化趋势进行显著性检验，可在空间上获得呈显著性增长趋势、显著性减少趋势、不显著性增长趋势和不显著性减少趋势的范围。
10.1 显著性检验概念
10.2 显著性检验在空间上的表达
10.3 逐像元做显著性检验
10.4 生成显著性图
11. 成果输出
对分析完成的数据进行整饰出图，包括ArcGIS图、Origin图、表格等。
11.1 在空间上综合趋势图和显著性图
11.2 重分类
11.3 分析各像元变化的趋势及其显著性
12. 扩展运用：CASA模型与其他NPP模型综合运用
扩展了解当前NPP研究的前沿科学问题，学习高级期刊相关论文写作的思路，了解CASA模型与其他模型的综合运用，指导学员开展论文写作。
12.1 不同模型的差异及综合运用的意义
12.2 论文前沿：模型适用性研究
12.3 论文前沿：模型优化研究
12.4 论文前沿：NPP主导驱动力研究
