課程說明
培訓時間：2023年3月11日、3月12日、3月18日；
觀看方式：線上直播，提供錄播回放
課程目標
1、實現對植被覆蓋度和NPP的估算
模擬較長時間尺度上植被的覆蓋度狀況和植被NPP，并在空間上進行分析，可形成植被空間差異分析，植被變化情況、植被生態等相關研究。
2、實現變化的趨勢及其顯著性
為空間上的各個像元數據做趨勢分析和顯著性檢驗，明確各區域各時段植被的變化情況及其顯著性，為生境質量轉變、生態修復效果等研究提供科學支持。
3、為學員論文選題和內容提供參考
為研究方向尚不明確的學員提供參考，分析氣候變化與人類活動影響下陸地生態系統動態研究熱點。
課程亮點
√由淺入深，適合小白學習；
√無需編程基礎（如Matlab、R語言）；
√CASA模型封裝程序，簡單易操作；
√提供CASA模型插件和試算數據；
√從數據獲取到預處理到投入模型，全程示范；
√已整理大量相文獻，節約學員的時間；
√課后提供講師與學員；
主講老師
劉樂知老師
1.來自雙高校，從事NPP研究相關科研工作三年，熟悉各類NPP模型，實操經驗、教學經驗豐富；
2.以作者發表多篇SCI論文，論文主題均涉及NPP相關研究和CASA模型運用；
3.參與多項國家自然科學基金項目和國家項目。有較豐富的科考經驗，熟悉NPP相關研究的野外考察和實驗室處理部分工作。
課程大綱
1. 導學課程
了解什么是植被級生產力（NPP）和模擬NPP的方法，了解NPP模型研究的進展以及CASA模型在眾多NPP模型中脫穎而出的優勢及特點。
1.1 凈初級生產力（NPP）概念
1.2 NPP模型研究進展
1.3 光能利用率CASA模型
1.4 CASA模型運行成果展示
1.5 相關論文解析
2. 工具介紹及使用
2.1 ArcGIS軟件
2.2 ENVI軟件
2.3 Origin軟件
3. CASA插件獲取及安裝
獲取和安裝CASA插件，在ENVI中實現插件應用
3.1 獲取插件
3.2 安裝插件
3.3 運用插件
4. 氣象數據準備和預處理
獲取氣溫和降水數據、對數據進行格式轉換和整理、在ArcGIS中生成空間上帶值的氣象點數據、對氣象數據進行插值、除異常值、裁剪、時間序列數據合成。
4.1 氣象數據獲取
4.2 格式轉換
4.3 異常值處理
4.4 空間插值
4.5 掩膜提取
4.6 生成時間序列分析數據
4.7 批量化處理
5. 輻射數據準備和預處理
獲取輻射數據、對數據進行格式轉換和整理、在ArcGIS中生成空間上帶值的輻射點數據、對輻射數據進行插值、除異常值、裁剪、時間序列數據合成。
5.1 輻射數據獲取
5.2 格式轉換
5.3 異常值處理
5.4 掩膜提取
5.5 生成時間序列分析數據
5.6 批量化處理
6. NDVI數據準備和預處理
獲取NDVI數據、在ENVI軟件中對數據進行格式轉換、拼接、校正、去除異常值、格式轉換、獲取月NDVI、合成時間序列數據。
6.1 輻射數據獲取
6.2 數據拼接
6.3 異常值處理
6.4 掩膜提取
6.5 生成時間序列分析數據
6.6 批量化處理
7. 模型驅動參數準備和預處理
獲取植被類型、光能利用率、底圖精度、月NDVI、月最小NDVI等參數。
7.1 參數概念
7.2 確定植被類型
7.3 查閱文獻
7.4 配置參數
7.5 試配演示
8. CASA模型運行
在ENVI和CASA插件中投入驅動模型的數據，實現植被覆蓋度和植被NPP模擬，將生成的數據導入到ArcGIS中，為數據分析做準備。
8.1 數據準備
8.2 參數配置
8.3 逐年運算
8.4 數據導出
8.5 格式轉換
9. 趨勢計算
將長時間尺度的NPP或植被覆蓋度在空間上進行一元線性回歸分析，在空間上了解每個像元在某一時間段上的變化趨勢。
9.1 線性回歸概念
9.2 線性回歸在空間上的表達
9.3 逐個像元做線性回歸
9.4 生成趨勢圖
9.5 重分類
9.6 數據分析
10. 顯著性檢驗
對植被覆蓋度或NPP的變化趨勢進行顯著性檢驗，可在空間上獲得呈顯著性增長趨勢、顯著性減少趨勢、不顯著性增長趨勢和不顯著性減少趨勢的范圍。
10.1 顯著性檢驗概念
10.2 顯著性檢驗在空間上的表達
10.3 逐像元做顯著性檢驗
10.4 生成顯著性圖
11. 成果輸出
對分析完成的數據進行整飾出圖，包括ArcGIS圖、Origin圖、表格等。
11.1 在空間上綜合趨勢圖和顯著性圖
11.2 重分類
11.3 分析各像元變化的趨勢及其顯著性
12. 擴展運用：CASA模型與其他NPP模型綜合運用
擴展了解當前NPP研究的前沿科學問題，學習高級期刊相關論文寫作的思路，了解CASA模型與其他模型的綜合運用，指導學員開展論文寫作。
12.1 不同模型的差異及綜合運用的意義
12.2 論文前沿：模型適用性研究
12.3 論文前沿：模型優化研究
12.4 論文前沿：NPP主導驅動力研究
