技术点目录
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
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
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
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、机器学习基础理论
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的简介
（2）sklearn完成分类任务
（3）sklearn完成回归任务
七、机器学习的应用
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
（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
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、深度学习基础理论
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
（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。
九、深度学习的应用
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
9.3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
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
（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
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
了解更多
V头像