查看原文https://mp.weixin.qq.com/s/5owKQ-7jau2rjmi9hZkS5Q?token948334641langzh_CN目录专题一、Python软件的安装及入门专题二、气象常用科学计算库专题三、气象海洋常用可视化库专题四、爬虫和气象海洋数据专题五、气象海洋常用插值方法专题六、机器学习基础理论和实操专题七、机器学习的应用实例专题八、深度学习基础理论和实操专题九、深度学习的应用实例专题十、EOF统计分析专题十一、模式后处理前言整套技术体系以 Python 工具链为核心先讲解 Anaconda、Jupyter 环境配置与基础语法配套 Numpy、Pandas、Xarray 科学计算库及 Matplotlib、Cartopy 可视化工具实现折线、填色、流场等各类气象海洋专业图表绘制依托 Request 库完成 FNL、ERA5 等多源气象海洋数据网络爬取系统学习 IDW、克里金、RBF 等多类空间插值算法接着梳理 Bagging、Boosting 集成学习理论基于 scikit-learn 搭建随机森林、GBDT、XGBoost、LightGBM 等模型落地 GFS 风速订正、台风路径预报修正、风电场功率预测等典型场景并通过网格搜索与 K 折交叉验证完成模型调优与精度评估随后讲解 ANN、CNN、RNN、LSTM、U-Net、PINN 等深度学习网络借助 PyTorch 完成 GPU 加速训练分别实现浅水动力方程拟合、ENSO 气候时序预测、雷达回波短临预报最后介绍 EOF 时空分解统计方法并针对 WRF、ROMS 主流数值模式开展数据提取、垂直坐标转换、剖面与水平图等专业化后处理操作整体覆盖气象、海洋、水文领域数据爬取、空间插值、可视化、机器学习订正、深度学习时空预测、气候统计分析、数值模式后处理全链条实操配套 CMIP6、ERA5、全球物候等海量实测模拟数据集支撑完整建模分析工作。内容简述专题一、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基础语法专题二、气象常用科学计算库2.1 Numpy库2.2 Pandas库2.4 Xarray库专题三、气象海洋常用可视化库3.1可视化库介绍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流场矢量图专题四、爬虫和气象海洋数据1Request库的介绍2爬取中央气象台天气图3FNL资料爬取4) ERA5下载专题五、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插值专题六、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Boosting3常用模型原理随机森林、Adaboost、GBDT、Xgboost、lightGBM6.2 机器学习库scikit-learn1sklearn的简介2sklearn完成分类任务3sklearn完成回归任务专题七、机器学习的应用实例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。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2K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1CMA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3XGBoost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1lightGBM模型预测风功率2调参利器—网格搜索GridSearch于K折验证专题八、深度学习基础理论和实操8.1 深度学习基本理论深度学习基本理论知识讲解深入了解机器学习的基础理论和工作原理掌握如何构建和优化神经网络模型如人工神经网络ANN卷积神经网络CNN、循环神经网络RNN等提高对现有深度学习算法和技术的理解和应用能力更好地应对后续海洋气象相关领域的实际问题和应用。8.2 Pytorch库1sklearn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 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。专题九、深度学习的应用实例本专题在学习使用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。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ENSO4ENSO简介及数据介绍5LSTM方法原理介绍6LSTM方法预测气象序列数据9.3深度学习—卷积网络1卷积神经网络介绍2Unet进行雷达回波的预测专题十、EOF统计分析10.1 EOF基础和eofs库的介绍10.2 EOF分析海表面温度数据1SST数据计算距平去趋势2SST进行EOF分析可视化专题十一、模式后处理11.1 WRF模式后处理1wrf-python库介绍2提取站点数据3500hPa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1xarray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
Python 机器学习与深度学习气象水文海洋全域应用技术体系：地学时空数据 AI 建模、数值模式后处理、气象海洋水文智能预测与数据处理
查看原文https://mp.weixin.qq.com/s/5owKQ-7jau2rjmi9hZkS5Q?token948334641langzh_CN目录专题一、Python软件的安装及入门专题二、气象常用科学计算库专题三、气象海洋常用可视化库专题四、爬虫和气象海洋数据专题五、气象海洋常用插值方法专题六、机器学习基础理论和实操专题七、机器学习的应用实例专题八、深度学习基础理论和实操专题九、深度学习的应用实例专题十、EOF统计分析专题十一、模式后处理前言整套技术体系以 Python 工具链为核心先讲解 Anaconda、Jupyter 环境配置与基础语法配套 Numpy、Pandas、Xarray 科学计算库及 Matplotlib、Cartopy 可视化工具实现折线、填色、流场等各类气象海洋专业图表绘制依托 Request 库完成 FNL、ERA5 等多源气象海洋数据网络爬取系统学习 IDW、克里金、RBF 等多类空间插值算法接着梳理 Bagging、Boosting 集成学习理论基于 scikit-learn 搭建随机森林、GBDT、XGBoost、LightGBM 等模型落地 GFS 风速订正、台风路径预报修正、风电场功率预测等典型场景并通过网格搜索与 K 折交叉验证完成模型调优与精度评估随后讲解 ANN、CNN、RNN、LSTM、U-Net、PINN 等深度学习网络借助 PyTorch 完成 GPU 加速训练分别实现浅水动力方程拟合、ENSO 气候时序预测、雷达回波短临预报最后介绍 EOF 时空分解统计方法并针对 WRF、ROMS 主流数值模式开展数据提取、垂直坐标转换、剖面与水平图等专业化后处理操作整体覆盖气象、海洋、水文领域数据爬取、空间插值、可视化、机器学习订正、深度学习时空预测、气候统计分析、数值模式后处理全链条实操配套 CMIP6、ERA5、全球物候等海量实测模拟数据集支撑完整建模分析工作。内容简述专题一、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基础语法专题二、气象常用科学计算库2.1 Numpy库2.2 Pandas库2.4 Xarray库专题三、气象海洋常用可视化库3.1可视化库介绍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流场矢量图专题四、爬虫和气象海洋数据1Request库的介绍2爬取中央气象台天气图3FNL资料爬取4) ERA5下载专题五、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插值专题六、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Boosting3常用模型原理随机森林、Adaboost、GBDT、Xgboost、lightGBM6.2 机器学习库scikit-learn1sklearn的简介2sklearn完成分类任务3sklearn完成回归任务专题七、机器学习的应用实例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。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2K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1CMA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3XGBoost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1lightGBM模型预测风功率2调参利器—网格搜索GridSearch于K折验证专题八、深度学习基础理论和实操8.1 深度学习基本理论深度学习基本理论知识讲解深入了解机器学习的基础理论和工作原理掌握如何构建和优化神经网络模型如人工神经网络ANN卷积神经网络CNN、循环神经网络RNN等提高对现有深度学习算法和技术的理解和应用能力更好地应对后续海洋气象相关领域的实际问题和应用。8.2 Pytorch库1sklearn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 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。专题九、深度学习的应用实例本专题在学习使用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。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ENSO4ENSO简介及数据介绍5LSTM方法原理介绍6LSTM方法预测气象序列数据9.3深度学习—卷积网络1卷积神经网络介绍2Unet进行雷达回波的预测专题十、EOF统计分析10.1 EOF基础和eofs库的介绍10.2 EOF分析海表面温度数据1SST数据计算距平去趋势2SST进行EOF分析可视化专题十一、模式后处理11.1 WRF模式后处理1wrf-python库介绍2提取站点数据3500hPa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1xarray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
