Python人工智能气象、大气污染扩散Calpuff模型、WRF/Chem模式、未来大气污染变化模拟
Python人工智能在气象中的应用
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。
Python和科学计算基础
Python入门和安装
Python背景及其在气象中的应用 Anaconda解释和安装以及Jupyter配置 Python基础语法
科学数据处理基础库
Numpy库 Pandas库 Scipy库 Matplotlib和Cartopy库 常用数据格式的IO
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。
机器学习和深度学习基础理论和实操
机器学习和深度学习基础理论
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。
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。
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。
sklearn和pytorch库
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。
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。
GFS数值模式的风速预报订正
随机森林挑选重要特征 K近邻和决策树模型订正风速
梯度提升决策树GBDT订正风速 模型评估与对比
台风预报数据智能订正
CMA台风预报数据集介绍以及预处理 随机森林模型订正台风预报
XGBoost模型订正台风预报 台风“烟花”预报效果检验
机器学习预测风电场的风功率
lightGBM模型预测风功率 调参利器—网格搜索GridSearch于K折验证
本专题，在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。
深度学习预测浅水方程模式
浅水模型介绍和数据获取 传统神经网络ANN学习浅水方程
物理约束网络PINN学习浅水方程
LSTM方法预测ENSO
ENSO简介及数据介绍 LSTM方法原理介绍 LSTM方法预测气象序列数据
深度学习convLSTM
卷积神经网络介绍 Unet进行雷达回波的预测
本专题，在学习使用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。
大气污染扩散模型Calpuff
Calpuff建模、数据后处理以及模型在环境影响评价中的应用技术您掌握了吗？？
Calpuff基础知识 Calpuff模型简介 Calpuff模型基础理论 Calpuff模型下载安装
1）Calpro系统安装 2）安装环境要求 3）需安装的辅助软件
数据预处理
网格设置 地理数据预处理
地形数据预处理 2）土地利用数据预处理 3）地理数据合成
气象数据预处理
1）地面气象数据预处理 2）高空气象数据预处理
Calmet气象模块
文件/信息输入
输入文件 输入共享网格数据 运行信息填写
混合层高度 温度和相对湿度设置 风场输入 气象站数据输入
运行 输出
案例：某地Calmet模型具体数据的输入及运行
Calpuff模块 文件/信息输入
输入文件 输入共享网格数据
运行信息填写 网格设置
模拟污染物物种输入 化学转化方法选择
干/湿沉降选择 模型参数选择
源数据输入 受体点位置输入
运行 输出
案例：Calpuff模型具体数据的输入及运行结果
Calpost后处理模块
文件/信息输入
处理选项选择 污染物名称和浓度场数据输入 输出选项选择
运行 数据分析
案例：Calpost后处理模块具体数据的输入及运行结果分析
Post Tools 后处理工具及绘图工具 Post Tools 后处理工具
Prtmet气象后处理模块 Append后处理模块 Postutil后处理模块
Calsum后处理模块 绘图工具
案例：浓度数据绘图举例
区域气象-大气化学在线耦合模式（WRF/Chem）
WRF-Chem模式应用案例和理论基础
WRF-Chem模式在大气环境（PM2.5、臭氧、能见度）、生态（污染物/元素成分的干湿沉降）等领域的应用个例介绍
WRF-Chem模式总体框架、功能介绍
模式安装对操作系统环境依赖性的介绍，模式数据介绍
Linux环境下软件安装
Linux系统入门及基本操作介绍，熟悉Linux基本操作命令
编译器及Linux环境变量的配置
WRF-Chem前置依赖软件和数据可视化软件的安装
WRF-Chem模式安装，排放源制作软件安装
编译安装WRF-Chem
气象数据预处理模块WPS安装
前处理模块WPS主要功能、参数、静态数据和再分析气象资料的介绍
WRF-Chem模式物理过程、排放（人为、生物、燃烧、自然等）处理过程、排放源数据的介绍
模式中的气溶胶（沙尘等）
WRF-Chem数据准备（气象、排放、初边界条件等），运行个例（讲解+实操）
结合例子介绍模式运行（例1，MOZART化学机制）：
排放源数据准备（人为、生物等）
初边界条件
WRF-Chem变量表介绍
运行控制文件namelist.input设置介绍
练习：运行MOZART个例
例2，其他化学机制（CBMZ）
生成人为排放源数据的不同软件（prep_chem、convert_emiss.exe、meic2wrf等）
初边界条件设置随机制的改变
模式嵌套
野火排放源的制作使用（视进度情况）
模拟结果提取、数据可视化、问题答疑
模式结果提取及数据可视化（NCL、ARWPOST等软件）
模式结果在相关研究和业务工作中的使用 WRF-Chem版本更替的问题
高分辨率模拟的注意事项（网格和参数设置等） 问题讨论、答疑
CMIP6数据处理方法与典型案例分析
CMIP6中的模式比较计划 GCM介绍 相关比较计划介绍
数据下载
一：手动人工利用官方网站 二：自动利用Python的命令行工具 三：半自动购物车利用官方网站
单点降尺度 Delta方法 统计订正 机器学习方法
1、建立特征 2、建立模型 3、模型评估
多算法集成方法
区域降尺度 Delta方法
机器学习方法+并行计算
在单点模型的基础上，在大区域建立未来情景气候数据
制备CMIP6的WRF驱动数据
典型应用案例-气候变化1
针对风速进行降尺度 针对短波辐射降尺度
典型应用案例-气候变化2 ECA极端气候指数计算
- Consecutive dry days index
- Consecutive frost days index per time period
- Consecutive summer days index per time period
- Consecutive wet days index per time period
等常见气候指数
典型应用案例-生态领域 预估生长季开始和结束时间
1、建立气象数据与VIPPHEN遥感物候数据中生长季开始和结束
2、在未来气候情景下预估生长季长季开始、结束和长度
典型应用案例-模式数据 SWAT数据制备 Biome-BGC数据
Python人工智能气象、大气污染扩散Calpuff模型、WRF/Chem模式、未来大气污染变化模拟