目录
[专题一 Python软件的安装及入门](#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](#专题九 深度学习的应用实例)
[专题十 EOF统计分析](#专题十 EOF统计分析)
[专题十一 模式后处理](#专题十一 模式后处理)
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.Python背景及其在气象中的应用
2.Anaconda解释和安装以及Jupyter配置
3.Python基础语法
专题二 气象常用科学计算库
1.Numpy库 2.Pandas库 3.Xarray库
专题三 气象海洋常用可视化库
1.可视化库介绍Matplotlib、Cartopy等
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
（1）Request库的介绍（2）爬取中央气象台天气图
（3）FNL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
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）
2.机器学习库scikit-learn
（1）sklearn的简介
（2）sklearn完成分类任务
（3）sklearn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。
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
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
3.台风预报数据智能订正
（1）CMA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
（3）XGBoost模型订正台风预报
（4）台风"烟花"预报效果检验
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
专题八 深度学习基础理论和实操
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。
2.Pytorch库
（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） 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。
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
2.LSTM方法预测ENSO
（4）ENSO简介及数据介绍
（5）LSTM方法原理介绍
（6）LSTM方法预测气象序列数据
3.深度学习---卷积网络
（1）卷积神经网络介绍
（2）Unet进行雷达回波的预测
专题十 EOF统计分析
1.EOF基础和eofs库的介绍
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
专题十一 模式后处理
1.WRF模式后处理
（1）wrf-python库介绍
（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
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
注：请提前自备电脑及安装所需软件
更多应用
包含:WRF模式、NCL、CMAQ空气质量模式、PMF源解析、Calpuff模型、FLEXPART模式、SMOKE模式、VOCs排放量核算、大气臭氧来源解析、CAMx、EKMA曲线、MCM箱模型、WRF-Hydro、WRF-Chem、WRF-UCM、WRF-SOLAR、WRFDA、Python气象海洋、CMIP6数据处理等...
★关 注【科研充电吧】公 众 号，获取海量教程和资源
大气科学领域必备模型软件丨WRF、CMAQ、WRF-Chem、WRF-Hydro、WRF DA、PMF、MCM、CAMx、SMOKE、Calpuff、FLEXPART、WRF-UCM、CMIP6等_WangYan2022的博客-CSDN博客文章浏览阅读622次。采用"理论讲解+案例实战+动手实操+讨论互动"相结合的方式，抽丝剥茧、深入浅出地讲解大气环境相关实用模型！https://blog.csdn.net/WangYan2022/article/details/132106019?spm=1001.2014.3001.5502搞科研、写论文，如何正确使用GPT？AIGC技术解析、提示词工程高级技巧、AI绘图、ChatGPT/GPT4应用-CSDN博客文章浏览阅读600次。ChatGPT 在论文写作与编程方面也具备强大的能力。无论是进行代码生成、错误调试还是解决编程难题，ChatGPT都能为您提供实用且高质量的建议和指导，提高编程效率和准确性。此外，ChatGPT是一位出色的合作伙伴，可以为您提供论文写作的支持。它可以为您提供论文结构指导、段落重组建议，甚至是对论文内容的进一步拓展和丰富。利用ChatGPT的写作能力，您可以更好地组织思路、提升论文的逻辑性和质量。
https://blog.csdn.net/WangYan2022/article/details/134455333?spm=1001.2014.3001.5502国自然项目基金撰写的隐藏技巧、范例分析及提交前的自我审查-CSDN博客文章浏览阅读55次。基金项目申请在新时期更加注重国际化视野。申请人需要关注国际前沿研究动态，积极参与国际合作项目，并能够充分展示项目对国际学术和科技发展的贡献。尤其是青年学者，工作繁重、资源溃泛、基金申请缺乏经验、同时没有形成高效研究团队，仅凭一己之力，在竞争激烈的当下显然不具备优势条件。基金申请是每年学者重要工作内容，势必要时间与精力投入，但往往是在提交前，集中一个有限的时间进行撰写，结果事与愿违。不如从熟悉基金项目撰写的基本要求和标准、项目撰写的方法和技巧、申请流程开始。
https://blog.csdn.net/WangYan2022/article/details/134581848?spm=1001.2014.3001.5502