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
