【学习教程】基于Python机器学习、深度学习技术提升气象、海洋、水文领域实践应用能力
- 2026-07-02 16:29:32
已录制视频，购买后即可观看学习
全套课件+视频教程+案例数据代码+随行导师群
前言
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。
本次课程采用 “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。学习完本课程，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。
数据福利
赠送CMIP6月数据（500G+）
包含变量：温压湿风辐射降水
赠送CMIP6日数据（1.8T+）
包含变量：温压湿风辐射降水
赠送全球VIPPHEN物候数据（40G+）
时间：1981-2014，年数据
空间分辨率：5.6km
赠送ERA5-LAND陆面再分析数据（5T左右）
时间：1951.1.1-2021.12.31 时间分辨率：hourly
空间分辨率：0.1°（等角lonlat投影+wgs84）
包含11个变量：温度、气压、辐射、蒸发、降水、湿度【详情见数据说明文件】
教学特色
1、原理深入浅出的讲解；
2、技巧方法讲解，提供所有案例数据及代码；
3、与项目案例相结合讲解实现方法，对接实际工作应用 ；
4、跟学上机操作、独立完成案例操作练习、全程问题跟踪解析；
5、专属助学群辅助巩固学习及实际工作应用交流，不定期召开线上答疑；
导师随行
1.建立导师助学交流群，长期进行答疑及经验分享，辅助学习及应用；
2.不定期召开线上答疑交流，辅助学习巩固工作实践问题处理交流；
培训费用
发票开具
证书及学时
课程详情
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
1.2 Anaconda解释和安装以及Jupyter配置
1.3 Python基础语法
专题二 气象常用科学计算库
2.1 Numpy库
2.2 Pandas库
2.4 Xarray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
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
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
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
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
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
专题八 深度学习基础理论和实操
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。
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
（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
专题十 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
专题十一 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
专题十二
交流与答疑
注：请自行准备学习所需环境。
相关课程
报名后赠送linux基础课程。打包优惠及详情联系李莎
报名方式
END
Ai尚研修丨专注科研领域
技术推广，人才招聘推荐，科研活动服务
科研技术云导师，Easy Scientific Research
