登录
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。上述优势使得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将成为气象、海洋和水文等地学领域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。 采用 “理论讲解+动手实操+案例实战”相结合的方式，深入浅出讲解Python在气象领域的人工智能应用，不仅能够掌握Python编程技巧和机器学习和深度学习的相关经验，更能够将所学在专业领域进一步应用。 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 专题二、气象常用科学计算库 2.1 Numpy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 专题四、爬虫和气象海洋数据 （1）Request库的介绍 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 专题六、机器学习基础理论和实操 6.1 机器学习基础原理 6.2 机器学习库scikit-learn 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 7.2 GFS数值模式的风速预报订正 7.3 台风预报数据智能订正 7.4 机器学习预测风电场的风功率 专题八、深度学习基础理论和实操 8.1 深度学习基本理论 8.2 Pytorch库 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 9.2 LSTM方法预测ENSO 9.3 深度学习—卷积网络 专题十、EOF统计分析 10.1 EOF基础和eofs库的介绍 专题十一、模式后处理 11.1 WRF模式后处理 11.2 ROMS模式后处理 https://blog.sciencenet.cn/blog-3539141-1384546.html 上一篇：基于ArcGIS、ENVI、InVEST、FRAGSTATS等多技术融合提升各领域数据分析能力与项目科研水平 |
