查看原文>>> https://mp.weixin.qq.com/s/nlld-cGPQ5PQYyAUAKm1Qw
本内容围绕全球气候变化驱动因素预测开展技术研究，梳理气候数据科学相关技术体系。首先解析气候变化各类驱动因子，涵盖温室气体排放、气溶胶、野火、生态与农业变化等，对比多款主流大模型特性，掌握提示词框架，建立气候数据科学研究思路。
依托 Python 工具链开展数据处理与可视化，运用 Numpy、Pandas、Cartopy 等库完成数据运算、制图与卫星数据读取。系统梳理机器学习方法，包含监督、非监督学习算法与时间序列模型，掌握模型评估方式；学习 ANN、CNN、LSTM 等深度学习网络，借助工具绘制神经网络结构图用于科研分析。
开展多源气候数据集处理实践，处理 NASA 卫星、CMIP6 等数据，完成野火探测、农作物气候响应等实例分析。探究 AI Agent 工作机理，利用本地大模型工具完成环境配置，搭建适配气候科研的专属智能 Agent，实现与 Python 工具对接，调用 API 完成相关任务，最后对比大模型科研应用优势，展望大模型在气候变化领域的发展方向。
**前沿技术融合：**融合AI Agent技术与Python编程，利用大语言模型（如ChatGPT、Deepseek）辅助数据处理与分析。
**多模型集成：**结合机器学习（K-means、SVM、决策树）与深度学习（CNN、LSTM）方法，对气候驱动因素进行全面预测。
**多源数据应用：**深入讲解NASA卫星数据、CMIP6气候数据等多种数据源的下载、预处理与分析。
**实战案例丰富：**通过野火探测、农作物影响评估、生态环境监测等实际项目，帮助掌握理论与实践技能。
**数据科学全流程：**指导从数据获取、清洗、建模、训练优化到结果解释的完整数据科学流程。
**科研成果助力：**教授如何利用神经网络图生成工具，辅助撰写高质量科研论文。
【内容简述】：
第一部分：气候变化驱动因素与数据科学基础
1.1 气候变化
全球气候变化
中国碳中和计划
CMIP6气候数据简介
1.2 相关驱动因素导致全球全球气候变化
温室气体排放
云和气溶胶
火灾
生态环境
农业生产
1.3 ChatGPT、Deepseek的简介和应用
·ChatGPT、Deepseek的简介
·ChatGPT、Deepseek的使用
·ChatGPT的Prompt的模板（Elavis Saravia框架和CRISPE框架）
1.4不同大模型对比
·ChatGPT、Gemini、Deepseek、Claude、Grok等介绍并对比（什么事TOKENS、WindowContext、API调用费用）
1.5 气候数据科学的应用
·数据科学在气候变化研究中的作用
·机器学习和深度学习分析气候数据，预测气候变化趋势
·数据科学流程，包括数据获取、清洗、建模和结果解释
第二部分：Python数据处理和可视化
2.1 Python环境的安装（Anaconda环境安装，虚拟环境的配置，Jupyter Notebook安装）
2.2 Python相关库原理介绍（Numpy，Pandas，Matplotlib，Cartopy，Pyhdf）
2.3 Jupyter Notebook实操:
·Numpy库（最小值，最大值，平均值，标准差，NaN数据）
·Matplotlib库（折线图，散点图，饼状图，热力图）
·Pandas库(数据读取)
·Cartopy库（投影方式；分辨率，海岸线，河流，国界线；轨迹线；截取区域）
·Pyhdf库（读取卫星数据）
第三部分：机器学习模型
3.1机器学习的分类
监督学习（Supervised Learning）
非监督学习（Unsupervised Learning）
3.2监督学习
监督回归算法（Regression Algorithms）
线性回归（Linear Regression）
多项式回归（Polynomial Regression）
监督分类算法（Classification Algorithms）
逻辑回归（Logistic Regression）
K最近邻（K-Nearest Neighbors, KNN）
支持向量机（Support Vector Machines, SVM）
决策树（Decision Trees）
随机森林（Random Forests）
梯度提升机（Gradient Boosting Machines, GBM）
3.3 非监督学习
聚类算法（Clustering Algorithms）
K-means聚类
层次聚类（Hierarchical Clustering）
降维技术（Dimensionality Reduction）
主成分分析（Principal Component Analysis, PCA）
案例：不同汽车类型对气温的影响（甲烷、二氧化碳、水气）
3.4模型评估指标：
回归指标（MSE、RMSE、MAE、R²）
分类指标（Accuracy、Precision、Recall、F1-Score）
3.5 ARIMA（自回归差分移动平均）：
ARIMA是时间序列分析与预测的统计模型。它可以用于处理平稳时间序列和非平稳时间序列，通过捕捉时间序列中的自相关和趋势信息来进行预测 。
案例：温室气体浓度的时序分析与预测（甲烷、二氧化碳、水气）
第四部分：深度学习模型
4.1 神经网络基础（Artificial Neural Networks, ANN）
4.2深度学习框架：TensorFlow和PyTorch
4.3卷积神经网络（Convolutional Neural Networks, CNN）
4.4 循环神经网络（Recurrent Neural Networks, RNN）
4.5 长短期记忆网络（Long Short-Term Memory, LSTM）
4.6 使用NN-SVG、torchviz、ChatGPT画神经网络图图，辅助科研论文撰写。
第五部分：课程实战
5.1 全球气候变化相关数据集下载与处理（MERRA2气溶胶、MODIS气溶胶、MODIS海冰、MODIS叶绿素、CALIPSO气溶胶、AERONET气溶胶）
5.2 CMIP6数据集下载和处理案例
5.3 野火气溶胶探测识别（R-CNN）
5.4 气候变化对农作物的影响（农作物生产）
第六部分：LLM大模型与AI Agent的相关特征
6.1 AI Agent基础： 以AlphaGo为例解析AI Agent的原理。
6.2 大语言模型优势： 探讨ChatGPT、Deepseek、grok-3等模型如何成为AI Agent的大脑。
6.3 如何通过LLM大模型构建自己的AI Agent，整合气候数据分析与科研需求。
6.4 演示如何利用AI Agent进行智能数据处理与决策支持。
第七部分：通过LLM大模型建立自己的AI Agent
7.1 本地大模型下载与配置： 安装Ollama等本地大语言模型。
7.2 使用Prompt训练本地大模型
7.3 构建并训练专属AI Agent，实现与Python的无缝对接
7.4 API接口应用： 利用ChatGPT API进行模型调用，并调用DALL-E-3绘图。
7.5 通过LLM大模型训练自己专属的AI Agent（机器学习、深度学习、气候变化等专属AI Agent）
第八部分：几种大语言模型对比和课程总结
8.1 大语言模型对比： 分析ChatGPT、Deepseek和grok-3在科研与开发中的不同优势与应用场景。
8.2 回顾： 总结重点内容与核心技能。
8.3 未来展望： 探讨大模型在气候变化领域的进一步应用与研究方向。