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。

气象领域实践案例：GFS数值模式的风速预报订正、台风预报数据智能订正、机器学习预测风电场的风功率、深度学习预测浅水方程模式、LSTM方法预测ENSO、深度学习—卷积网络

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

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

主要是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，结合三个实例，并包括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—卷积网络

卷积神经网络介绍

Unet进行雷达回波的预测

 

 

在使用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 

●CMIP6数据处理方法与典型案例分析实践技术应用

●高精度气象模拟软件WRF(Weather Research Forecasting)实践技术