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软件的安装及入门

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库的介绍

（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：机器学习基础理论和实操

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的简介

（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台风预报数据集介绍以及预处理

（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：深度学习基础理论和实操

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

（2） pytorch介绍、搭建 模型

九：深度学习的应用实例

9.1深度学习预测浅水方程模式

（1）浅水模型介绍和数据获取

（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

转载本文请联系原作者获取授权，同时请注明本文来自吕向阳科学网博客。

链接地址：https://wap.sciencenet.cn/blog-3595493-1500407.html?mobile=1

收藏

分享