Python因其开源、免费、易学及强大的科学计算能力，已成为气象、海洋、地理、气候、水文和生态等地学领域科研与工程中不可或缺的工具。其丰富的第三方库生态，如NumPy、Pandas、Xarray、Matplotlib、Cartopy等，极大地提升了数据处理、可视化和建模分析的效率。

本次内容从Python基础入门开始，逐步深入到气象海洋常用的科学计算与可视化库，再拓展至数据爬取、空间插值等实用技能。重点覆盖了机器学习和深度学习在气象海洋中的核心应用，包括集成学习、神经网络、物理约束网络（PINN）、时序预测（LSTM）及卷积网络（UNET）等前沿方法。此外，还结合了地学领域经典的EOF统计分析，以及WRF和ROMS等主流数值模式的后处理实战，力求掌握理论的同时，具备独立解决实际科研与工程问题的能力。

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

Numpy库、Pandas库、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

①sklearn的简介②sklearn完成分类任务③sklearn完成回归任务

专题七 机器学习的应用实例

机器学习常用的两类集成学习算法，Bagging和Boosting

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②K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

①CMA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③XGBoost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

①lightGBM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

①sklearn介绍、常用功能和机器学习方法：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

②pytorch介绍、搭建模型：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

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

④ENSO简介及数据介绍⑤LSTM方法原理介绍⑥LSTM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②Unet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

①SST数据计算距平，去趋势②SST进行EOF分析，可视化

专题十一 WRF和ROMS模式后处理

1.WRF模式后处理

①wrf-python库介绍②提取站点数据③500hPa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

①xarray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

推荐：WRF模拟全技术链实践暨Linux编译排错、FNL/ERA5驱动场处理、长时序模拟配置、下垫面改造与物理参数调整、Python诊断分析及可视化

WRF（Weather Research and Forecasting Model）作为当下大气科学、环境科学及水文地理领域应用最广泛的中尺度气象模式，是相关科研人员开展数值模拟、机理分析、场景预测的“核心工具”——小到局地暴雨、台风过程的精细模拟，大到区域气候演变、土地利用/城市化的气象效应研究，WRF都是产出高质量成果的“标配利器”。

学习后您将能够实现：

独立部署（搭建“天气实验室”）：在Linux系统上独立完成WRF及WPS全套环境的编译与安装

熟练预处理：精通WPS流程，掌握网格设计、静态数据配置及GFS/FNL等不同驱动场的处理

运行真实案例：独立配置并成功模拟一次完整的天气过程（如台风、暴雨事件）

掌握数据挖掘：使用Python (wrf-python) 对wrfout结果进行专业的气象诊断分析

专业可视化（制作专业天气图）：使用Python (matplotlib/cartopy) 绘制可用于报告和论文的天气图（温度、降水、风场等）

理解核心物理：深入理解关键物理过程（如微物理、边界层）的选择对模拟结果的影响

关 注【科研充电吧】公 众 号，获取海量教程和资源