转载自微信公众号“浙大地科学院” >>原文链接

· 活动介绍 ·

浙江大学地球科学学院师生，基于深时数字地球Deep-time.org平台组织了系列数据驱动地球科学研究在线交流培训活动，一共五期，每一期将用一场直播+一周的时间带你学习一个地球科学相关的 Python 应用案例，并完成课后作业。

本次活动是对“深时数字地球”国际大科学计划（Deep-time Digital Earth, DDE）整合全球地学数据，共享全球地学知识倡议的响应。DDE是首个由我国科学家主导发起的国际大科学计划，其以推动地球科学研究范式变革为愿景，建设开放科学基础设施，助力地球科学重大问题突破。这一计划将在大数据驱动下重建地球物质演化、生命演化、地理和气候演化轨迹，进而达到精确重建地球和生命演化历史、识别全球矿产资源与能源宏观分布规律等目标。

本次活动委托多位专业研究人员通过专业、友好、可复现的地球科学 Python 应用案例探究+实战活动培训形式，让你学得会、用得上，切实提高使用数据科学技能解决真实科研问题的能力，更好地应对未来地球科学领域内的科研与工作挑战。

· 活动详情 ·

DDE workshop 1 | 动手分析矿物综合数据

如何利用公开的矿物数据集探究矿物演化规律、共生关系？

日期：10.27-11.12 >>点击报名
报名后所有步骤请至电脑浏览器操作：
https://www.heywhale.com/u/c247d5

简介

矿物信息中蕴藏着地球过去的故事，了解矿物信息相关演化规律，有助于理解地球的前世今生，甚至在研究其他星球的演化和寻找新的矿物上有着重要的指导意义。

采用各种现代化分析方法解读、可视化这些海量地学数据，可以进一步帮助我们理解地球圈和生物圈协同演化过程。

本次课程里，我们将学习如何通过新型数据驱动型分析策略，挖掘分析矿物数据，并获得一些有意思的结论。希望通过这些案例能提高你对矿物演化相关科学问题的兴趣，并掌握对应分析方法，助力后续科学研究。

最后，你将利用学到的知识技能，利用矿物网络分析中提供的数据绘制出弦图，并挑战绘制一张曲线图，学习成果看得见。

特邀讲师

董王统：浙江大学地球科学学院遥感与地理信息系统专业的博士生，主要研究内容为地学大数据的高性能计算。

万正勇：浙江大学地球科学学院资源与环境专业研究生，目前学习内容主要为数据驱动的矿物可视化。

DDE workshop 2 | 黄土高原沟壑覆盖度评估

如何基于 DEM 数据和地貌基本单元数据提取黄土沟蚀区域、计算沟壑覆盖度？

日期：10.27-11.12 >>点击报名
报名后所有步骤请至电脑浏览器操作：
https://www.heywhale.com/u/b750fa

简介

黄土区域沟壑覆盖程度的定量化分析，对认识沟谷发育演化，评估土壤退化风险，规划土壤侵蚀治理等提供重要依据，并为环境保护、水资源管理、土地规划和防灾减灾等业务决策提供科学依据。

通过黄土高原案例，你可以通过学习和作业实践初步掌握流域分析和地貌分析的常用方法。

特邀讲师

杨昕：南京师范大学地理科学学院教授，博士生导师，主要从事DEM及数字地形分析、GIS空间分析、数字地貌分析等方面研究工作。主持多项国家自然科学基金，发表相关科研论文70余篇，出版教材6部，获专利7项，获省部级及以上科研教学成果奖17项。

DDE workshop 3 | 如何预测非洲纳米比亚矿产资源？

如何利于ASTER遥感数据来进行矿产资源预测？

日期：10.27-11.12 >>点击报名
报名后所有步骤请至电脑浏览器操作：
https://www.heywhale.com/u/762149

简介

矿产资源预测对国家和地区发展具有重要意义。预测结果有助于优化勘探投入，提高勘探成功率，发现新矿产资源，提升国家资源实力，也有助于环境保护和可持续发展。

传统的地质勘探等技术费时费力、成本高，且受地质条件和勘探区域的限制。利用 ASTER 遥感数据预测矿产资源，可以提供大范围的覆盖和高空间分辨率的数据，从而为矿产资源勘探和预测提供有价值的信息。

本期 workshop 中，我们将学习非洲纳米比亚矿产资源预测案例，初步掌握遥感数据处理、数据镶嵌、波段计算等常用方法。

特邀讲师

葛云钊：浙江大学地球科学学院博士研究生，遥感与地理信息系统专业，主要研究内容为时空大数据与地学高性能计算。

熊佳忆：浙江大学地球科学学院硕士研究生，资源与环境专业，主要研究内容为时空大数据与地学高性能计算。

DDE workshop 4 | 重建古大气二氧化碳浓度

日期：10.27-11.19 >>点击报名
报名后所有步骤请至电脑浏览器操作：
https://www.heywhale.com/u/4b50ab

简介

我们现在正在经历全球变暖的过程，而地球漫长地质历史时期中，温室气候占主体，如果全球继续变暖，我们的未来可能会重回温室气候。研究地质历史时期的气候变化，尤其是温室时期的气候变化及其对生物演化的影响等等都是对我们当下和未来有指导意义的。而二氧化碳(CO2)是公认的温室气体，大气二氧化碳浓度与气候变化有着密切的联系。重建古大气二氧化碳浓度不仅可以反映地质时代的古环境和古气候条件，而且能为未来的气候变化提供一定的参考依据。

因此，本期 workshop 里，我们将系统地整合二氧化碳代理模型和数据，经由数据预处理到图形表示的整个过程，探究整个显生宙的大气二氧化碳分压水平(pCO2)变化趋势。这对于我们了解地球长期和未来的气候演变至关重要。

特邀讲师

李岸洲：浙江大学地球科学学院博士研究生，遥感与地理信息系统专业，主要研究内容为时空大数据、地学高性能计算、地学大数据方法与应用。

周渴炜：浙江大学地球科学学院硕士生，资源与环境专业，主要研究内容为时空大数据与地学高性能计算。

DDE workshop 5 | 更好地估算中国 PM2.5 空间分布

日期：10.27-11.19 >>点击报名
报名后所有步骤请至电脑浏览器操作：
https://www.heywhale.com/u/c3b305

简介

中国作为世界上最大的发展中国家，伴随着工业化和城市化的不断推进，空气质量问题日益严重。全面掌握 PM2.5浓度的空间分布规律，表征大气污染的空间过程和环境行为，对于支撑大气污染监测预警与综合治理、保护人类健康与社会可持续发展，具有重大的现实意义和指导价值。然而，由于地面监测站点空间分布不均、覆盖程度不高，现有研究难以对 PM2.5 监测数据进行有效的时空分析与深度挖掘。与地面监测不同，基于卫星的遥感观测可获取高覆盖的大气环境空间数据集，例如与 PM2.5 浓度具有较强的相关性的大气气溶胶光学厚度（Aerosol Optical Depth，AOD）数据。研究 PM2.5 浓度与基于遥感反演的 AOD 等相关因子之间的空间回归关系，能为获得整个研究区域的PM2.5浓度分布提供有效解决方案。

基于GWR的地理加权思想，吴森森将 OLR 和神经网络模型结合提出了一种地理神经网络加权回归（Geographically Neural Network Weight-ed Regression，GNNWR）模型。该模型通过利用神经网络的学习能力，能够处理回归关系的空间异质性和复杂非线性特征，具有良好的拟合精度和更优的预测性能。

本期 workshop 里，你需要练习建立一种基于 GNNWR 的PM2.5浓度空间估算模型，实现 PM2.5 回归关系中空间异质与非线性特征的精准拟合，进而获得中国 PM2.5 浓度的空间连续分布。

特邀讲师

戚劲：浙江大学遥感与地理信息系统专业博士后，主要从事生态环境与地学大数据空间建模的交叉性科学研究，在Environmental Science & Technology、Science of The Total Environment等权威期刊发表多篇论文，参与国家重点研发计划项目、深时数字地球国际大科学计划(DDE)等科研项目。

· 参与流程 ·