Python是功能强大、免费、开源,实现面向对象的编程语言,在数据处理、科学计算、数学建模、数据挖掘和数据可视化方面具备优异的性能,这些优势使得Python在气象、海洋、地理、气候、水文和生态等地学领域的科研和工程项目中得到广泛应用。可以预见未来Python将成为的主流编程语言之一。
人工智能和大数据技术在许多行业都取得了颠覆式的成果,气象和海洋领域拥有海量的模式和观测数据,是大数据和人工智能应用的天然场景。Python也是当前进行机器学习和深度学习应用的最热门语言。对于的气象海洋领域的专业人员,Python是进行机器学习和深度学习工作的首选。
l赠送CMIP6月数据(500G+)
包含变量:温压湿风辐射降水
包含情景:historical、ssp126、ssp245、ssp370、ssp585
l赠送CMIP6日数据(1.8T+)
包含变量:温压湿风辐射降水
包含情景:historical、ssp126、ssp245、ssp370、ssp585
l赠送全球VIPPHEN物候数据(40G+)
时间:1981-2014,年数据
空间分辨率:5.6km
l赠送ERA5-LAND陆面再分析数据(5T左右)
时间:1951.1.1-2021.12.31 时间分辨率:hourly
空间分辨率:0.1°(等角lonlat投影+wgs84)
包含11个变量:温度、气压、辐射、蒸发、降水、湿度【详情见数据说明文件】
专题一Python和科学计算基础
1.1 Python入门和安装
1.1.1 Python背景及其在气象中的应用
1.1.2 Anaconda解释和安装以及Jupyter配置
1.1.3 Python基础语法
1.2 科学数据处理基础库
1.2.1 Numpy库
1.2.2 Pandas库
1.2.3 Scipy库
1.2.4 Matplotlib和Cartopy库
1.2.5常用数据格式的IO
![](https://i-blog.csdnimg.cn/blog_migrate/baeb79ced2e05c774f0525a66c1bbee1.png)
掌握基于Anaconda配置python环境,以及使用Jupyterlab开发和调试代码。在了解了python的基础语法后,学习常用的科学计算和可视化库,如Numpy、Pandas和Matplotlib等。打好基础,机器学习数据预处理和结果展示将手到擒来
专题二机器学习和深度学习基础理论和实操
2.1 机器学习和深度学习基础理论
2.1.1机器学习基本理论
基础学习的基本知识,如误差反向传播、梯度下降法,以及机器学习的整个常规流程。
2.1.2深度学习基本理论
深度学习基本理论,如卷积神经网络CNN、循环神经网络RNN和生成式对抗网络。
2.1.3机器学习与深度学习在气象中的应用
AI在气象模式订正、短临预报、气候预测等场景的应用,以及深度学习降尺度和PINN内嵌物理神经网络介绍。
2.2 sklearn和pytorch库
2.2.1 sklearn介绍、常用功能和机器学习方法
学习经典机器学习库sklearn的常用功能,如鸢尾花、手写字体等公开数据集的获取、划分训练集和测试集、模型搭建和模型验证等。
2.2.2 pytorch介绍、搭建模型
学习目前流行的深度学习框架pytorch,了解张量tensor、自动求导、梯度提升等,以BP神经网络学习sin函数为例,掌握如何搭建单层和多层神经网络,以及如何使用GPU进行模型运算。
![](https://i-blog.csdnimg.cn/blog_migrate/6f0a32b5ec5b43de84f9b9509c081447.png)
![](https://i-blog.csdnimg.cn/blog_migrate/f8af17b0fa9fb562a84070a841b1a551.png)
专题三气象领域中的机器学习应用实例
3.1 GFS数值模式的风速预报订正
3.1.1 随机森林挑选重要特征
3.1.2 K近邻和决策树模型订正风速
3.1.3梯度提升决策树GBDT订正风速
3.1.4 模型评估与对比
3.2 台风预报数据智能订正
3.2.1 CMA台风预报数据集介绍以及预处理
3.2.2 随机森林模型订正台风预报
3.2.3 XGBoost模型订正台风预报
3.2.4 台风“烟花”预报效果检验
3.3机器学习预测风电场的风功率
3.3.1 lightGBM模型预测风功率
3.3.2调参利器—网格搜索GridSearch于K折验证
![](https://i-blog.csdnimg.cn/blog_migrate/9c7dfe48f58ba3d0d1bd5a7acabb8a3f.png)
详细讲解机器学习常用的两类集成学习算法,Bagging和Boosting,对两类算法及其常用代表模型深入讲解的基础上,结合三个学习个例,并串讲一些机器学习常用技巧,将理论与实践结合。
专题四气象领域中的深度学习应用实例
4.1深度学习预测浅水方程模式
4.1.1 浅水模型介绍和数据获取
4.1.2 传统神经网络ANN学习浅水方程
4.1.3 物理约束网络PINN学习浅水方程
4.2 LSTM方法预测ENSO
4.2.1 ENSO简介及数据介绍
4.2.1 LSTM方法原理介绍
4.2.2 LSTM方法预测气象序列数据
4.3深度学习convLSTM
4.3.1卷积神经网络介绍
4.3.2 Unet进行雷达回波的预测
![](https://i-blog.csdnimg.cn/blog_migrate/32366b4fa24b0ec347acae1bb0d8e2cb.png)
学习使用ANN预测浅水方程的基础上,进一步掌握如何使用PINN方法,将动力方程加入模型中,缓解深度学习的物理解释性差的问题。此外,气象数据是典型的时空数据,学习经典的时序预测方法LSTM,以及空间卷积算法UNET。