python机器学习与深度学习在气象领域中的应用

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机器学习与深度学习在气象领域中的应用

数据：
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

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

全球VIPPHEN物候数据（40G+）

时间：1981-2014，年数据

空间分辨率：5.6km

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】

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

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

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。

气象领域中的机器学习

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

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

气象领域中的深度学习

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

点击查看原文