详情点击链接：基于Python机器学习、深度学习技术提升气象、海洋、水文领域实践应用

前言

Python是功能强大、免费、开源，实现面向对象的编程语言，能够在不同操作系统和平台使用，简洁的语法和解释性语言使其成为理想的脚本语言。除了标准库，还有丰富的第三方库，Python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。

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。

一，Python软件的安装及基础

1.1 Python背景及其在气象中的应用

1.2 Anaconda解释和安装以及Jupyter配置

1.3 Python基础语法

二，气象常用科学计算库

2.1 Numpy库

2.2 Pandas库

2.4 Xarray库

三，气象海洋常用可视化库

3.1可视化库Matplotlib、Cartopy等

3.2 基础绘图

（1）折线图绘制

（2）散点图绘制

（3）填色/等值线

（4）流场矢量图

四，爬虫和气象海洋数

（1）Request库

（2）爬取中央气象台天气图

（3）FNL资料爬取

（4) ERA5下载

五，气象海洋常用插值方法

（1）规则网格数据插值到站点

（2）径向基函数RBF插值

（3）反距离权重IDW插值

（4）克里金Kriging插值

六，机器学习

6.1 机器学习基础原理

（1）机器学习概论

（2）集成学习（Bagging和Boosting）

（3）常用模型原理（随机森林、Adaboost、GBDT、Xgboost、lightGBM）

6.2 机器学习库scikit-learn

（1）sklearn

（2）sklearn完成分类任务

（3）sklearn完成回归任务

七，机器学习的应用实例

7.1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

7.2 GFS数值模式的风速预报订正

（1）随机森林挑选重要特征

（2）K近邻和决策树模型订正风速

（3）梯度提升决策树GBDT订正风速

（4）模型评估与对比

7.3 台风预报数据智能订正

（1）CMA台风预报数据集以及预处理

（2）随机森林模型订正台风预报

（3）XGBoost模型订正台风预报

（4）台风“烟花”预报效果检验

7.4 机器学习预测风电场的风功率

（1）lightGBM模型预测风功率

（2）调参利器—网格搜索GridSearch于K折验证

八，深度学习

8.1 深度学习基本理论

8.2 Pytorch库

（1）sklearn、常用功能和机器学习方法

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） pytorch介绍、搭建 模型

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，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。

九，深度学习

9.1深度学习预测浅水方程模式

（1）浅水模型和数据获取

（2） 传统神经网络ANN学习浅水方程

（3）物理约束网络PINN学习浅水方程

9.2 LSTM方法预测ENSO

（4）ENSO简介及数据

（5）LSTM方法原理

（6）LSTM方法预测气象序列数据

9.3深度学习—卷积网络

（1）卷积神经网络

（2）Unet进行雷达回波的预测

十，EOF统计分析

10.1 EOF基础和eofs库

10.2 EOF分析海表面温度数据

（1）SST数据计算距平，去趋势

（2）SST进行EOF分析，可视化

十一，模式后处理

11.1 WRF模式后处理

（1）wrf-python库

（2）提取站点数据

（3）500hPa形式场绘制

（4）垂直剖面图——雷达反射率为例

11.2 ROMS模式后处理

（1）xarray为例操作ROMS输出数据

（2）垂直坐标转换，S坐标转深度坐标

（3）垂直剖面绘制

（4）水平填色图绘制