全球气候变化其复杂的驱动因素如温室气体排放、气溶胶浓度、野火、海冰融化以及农业和生态系统变化等，交织影响着全球的气候格局。

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）

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）

原文：智能气候前沿：AI Agent结合机器学习与深度学习在全球气候变化驱动因素预测