• 高精度气象与化学传输模拟 (WRF, WRF-Chem, WRF-CMAQ, FVCOM)

• 污染来源与扩散轨迹解析 (PMF, FLEXPART, Calpuff, AERMOD)

• 排放清单与陆面水文过程 (SMOKE, MEIC, WRF-Hydro, CLM)

• 未来气候与低碳政策模拟 (CMIP6, LEAP, CGE, 生命周期评价)

• AI大语言模型在大气科学中的创新应用、机器学习与深度学习

WRF模式、WRF-UCM、MCM模型、PMF源解析、EKMA曲线、WRF/Chem模式、WRF-CMAQ模式、CLM陆面过程模式、SMOKE及EDGAR/MEIC清单制作、WRF-Hydro、 R语言水文+气象、FVCOM、NCL、WRFDA资料同化、FLEXPART、Calpuff、AERMOD模型、WRF-SOLAR、MPAS模式、PALM、LEAP模型、CGE模型、碳排放生命周期评价、未来大气污染、cmip6数据处理、AI大语言模型助力大气等

一、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

基石构建 —— 搭建你的天气实验室

目标:攻克Linux与编译难关，理解WRF运行逻辑，让电脑具备模拟能力

1、WRF架构与Linux基础

1)WRF宇宙观：WRF-ARW动力核心与物理过程解析（它如何把物理方程变成代码）。

2)Linux生存指南：只学WRF必用的10个核心命令（环境变量、解压、链接）。

3)环境预检：检查编译器(Fortran/C)与系统库，规避后续80%的报错。

2、硬核编译实战

1)库的艺术：手动编译NetCDF, MPI, zlib, libpng（理解库之间的依赖关系）。

2)WPS & WRF 编译：

3)configure选项详解：dmpar vs smpar，基础嵌套。

4)compile过程排错：手把手教你看懂compile.log中的Error。

数据洞察与长时序模拟

目标：学会用Python评估数据质量，并掌握长时序气候模拟的特殊配置

1、Python可视化与驱动数据评估 (FNL vs ERA5)

1)工具链：wrf-python,xarray,matplotlib,basemap环境配置。

2)数据初探：编写Python脚本读取wrfout文件，绘制基础的风、温、压图。

3)核心实战：FNL与ERA5大比拼：

 如何下载并预处理两种不同的再分析资料。

 可视化对比：绘制两者在同一时刻的初始场差异（温度偏差、风场差异）。

 分析思维：通过数据差异，预判模拟结果可能出现的偏差。

2、长时序气候模拟实战

1)从天气到气候：短时预报vs长期模拟（1个月以上）的区别。

2)关键配置详解：

sst_update = 1：如何处理随时间变化的海温。

restart：如何进行断点续跑（防止停电白跑）。

实战运行：配置并提交一个为期1个月的模拟任务（演示加速与脚本技巧）。

科研进阶——下垫面改造与对比实验

目标：既然是科研，就要“改变”世界。通过修改地形、地表类型和物理参数，进行敏感性试验

1、下垫面定制 (Hack the Geo)

1)WPS高级操作：深入geogrid.exe。

2)实战A：沧海桑田(修改LUCC)：

如何将某区域的土地利用类型从“森林”强制改为“城市建筑”（模拟城市化热岛效应）。

修改geo_em.d01.nc数据的技巧。

3)实战B：愚公移山(修改DEM)：

如何人为削平一座山或增加地形高度。

检查修改后的静态数据是否生效。

2、参数修改与对比分析

1)物理参数手术：

定位 LANDUSE.TBL 或 MPTABLE.TBL。

实战修改：调整特定地表类型的反照率 (Albedo) 或 粗糙度。

2)完整对比实验：

EXP_CTRL (控制组)：使用默认设置运行。

EXP_SENS (敏感组)：使用修改后的下垫面/参数运行。

3)结果差值分析：

编写 Python 脚本计算 Diff = EXP_SENS - EXP_CTRL。

可视化绘图：绘制由于下垫面改变导致的温度变化图和风场变化矢量图。

结业总结：科研论文中该如何描述这套实验流程。

二、高精度气象模拟软件WRF(Weather Research Forecasting)实践技术及案例应用

区域气候模式 理论知识梳理

一、WRF模式能干什么？（气温、降水、风、压、能量、水分、植被模拟和预报）

二、WRF模式框架和流程

三、WRF使用什么样的计算平台？计算系统？Linux，非windows

Linux操作系统  WRF模式系统 实际操作

一、如何安装WRF模式所需要的平台？（vmware,linux）

二、如何从零开始搭建WRF编译所需的系统？（RockyLinue）

三、安装软件（OneAPI）

四、WRF模式结果文件格式？（NetCDF）

模式调试及运行

一、WRF如何获取模拟区域的DEM、LUCC、植被、反照率等多种信息

1.1 WPS如何定义模拟区域？如何准备地形土地利用等资料（geogrid.exe）

1.2 WPS如何准备气象资料？(温度、气压、风场、湿度等等)

1.3 WPS如何水平插值？（软件如何匹配不同的空间分辨率资料，如何从百公里到几百米降尺度）

二、WRF模式如何积分解算气象变量和能量水分传输

2.1 WRF如何完成等压层向地形追随坐标系的转变

2.2 WRF模式如何精确计算气象和相关过程

模式操作及案例实践

一、案例操作1：软件基本运行流程

二、案列操作2：研究区设置技巧

三、案例操作3：软件如何进行天气预报

四、案例操作4：软件模拟月或年尺度气象

五、案例操作5：如何模拟分析观测气温

六、案例操作6：如何模拟分析降水

七、案例操作7：如何模拟分析水汽和湿度

八、案例操作8：如何模拟分析土地利用变化的影响

九、案例操作9：如何模拟分析土壤及近地层能量水分通量

十、案例操作10：如何模拟分析风场

十一、案例操作11：如何模拟分析其他变量，包括土壤、水体、植被等相关气象变量

实际应用及案例分析

一、WRF模拟结果如何分析？（NCL）

二、WRF结果如何展示？（Vapor）

三、WRF结果如何展示？（Python）

三、区域气象-大气化学在线耦合模式（WRF/Chem）

第一部分  WRF-Chem模式 应用案例和理论基础

1、WRF-Chem模式在大气环境（PM2.5、臭氧、能见度）、生态（污染物/元素成分的干湿沉降）等领域的应用个例解析

2、2、WRF-Chem模式总体框架、功能讲解

3、模式安装对操作系统环境依赖性及模式数据讲解

第二部分  Linux环境配置及WRF-CHEM（上机）

1、Linux系统入门及基本操作 ，熟悉Linux基本操作命令

2、编译器及Linux环境变量的配置

3、WRF-Chem前置依赖软件和数据可视化软件的安装

第三部分  WRF-Chem模式编译，排放源制作

1、WRF-Chem编译

2、气象数据预处理模块WPS

3、前处理模块WPS主要功能、参数、静态数据和再分析气象资料的介绍

4、WRF-Chem模式物理过程、气相化学机制和气溶胶模拟方案 

5、排放源数据讲解及处理（包括EDGAR,FINN等主流清单数据库）

第四部分 WRF-Chem数据准备（气象、排放、初边界条件等），案例实践

1、结合实例讲解及模式运行

Ø例1，MOZART化学机制；例2，CBMZ化学机制

Ø排放源数据准备（人为、生物源）：人为排放源处理程序（convert_emiss.exe、meic2wrf等），生物源处理（MEGAN）

Ø初边界条件的必要性和具体设置

ØWRF-Chem变量表讲解

Ø模式运行控制文件namelist.input设置方法

2、练习：采用MOZART或CBMZ机制运行个例

3、嵌套运行

4、野火排放数据使用

第五部分  模拟结果提取、数据可视化 

1、模式结果提取及数据可视化（NCL、ARWPOST等软件）

2、在相关研究和业务工作中的使用（臭氧、PM2.5相关科研、规划预估等）

3、WRF-Chem版本问题、高分辨率模拟设置注意事项（讨论）

四、空气质量预报模式系统（wrf-cmaq）改进与污染源排放清单

CMAQ模式理论及化学机制基本功能

关键技术解析

1.国际空气质量模式发展历程和常用模式；

2.CMAQ模式理论框架和化学机制；

CMAQ模式关键技术解析（包括过程分析、敏感性分析、源解析功能等）；

CMAQ模式如何安装？

1.CMAQ模式库文件安装、环境配置；

2.气象场处理模块MCIP安装和运行；

3.前处理模块ICON\BCON安装和运行；

4.污染源文件更新处理模块安装和运行；

5.主模块CCTM安装；

CMAQ模式需要的基础软件如何安装？

1.Intel Fortran 90编译器安装

2.mpich安装

3.netcdf安装

4.Ioapi安装

熟练掌握CMAQ模式安装过程

1.CMAQ模式安装环境配置(.bashrc、bldit_ project.csh、config_ cmaq.csh);

2. MCIP环境配置和安装;

3. ICON/BCON环境配置和安装;

4. CCTM环境配置和安装;

5. 污染源文件更新模块emisproc安装;

Benchmark个例如何运行？

以CMAQ官网的Benchmark为例，详细讲解ICON、BCON、MCIP、CCTM各模块的操作流程和步骤

怎样看懂CMAQ模拟结果？

1.CMAQ模式变量表；

2.CMAQ模式结果提取及数据可视化；

3.CMAQ模拟结果物理解释等

CMAQ模式的科学原理是什么？

美国EPA编制的科学算法手册“Science Algorithms of CMAQ”主要内容；

CMAQ实际案例如何运行？

以某地区实际案例为例，详细介绍ICON、BCON、MCIP、CCTM、污染源更新处理模块等操作流程和步骤； 

课题组自主发展了哪些CMAQ模式预报相关的改进技术？

1.基于CMAQ敏感性分析模块的污染源反演方法；

2.气溶胶激光雷达资料同化方法；

PM2.5、O3等污染物预报订正方法；

如何运行CMAQ模式的过程分析模块？

1.过程分析模块的参数设置；

2.过程分析模块的输入文件准备；

3.以实际案例进行CMAQ过程分析模拟；

4.模拟结果现实和物理解释；

课题组自主发展了哪些气象和污染源影响评估方法？

1.气象和污染源影响评估方法；

排放源减排效果评估方法；

如何运行CMAQ模式的敏感性分析模块？

1.敏感性分析模块的参数设置；

2.敏感性分析模块的输入文件准备；

3.以实际案例进行CMAQ敏感性分析模拟；

4.模拟结果现实和物理解释；

五、FVCOM 潮流、波浪、泥沙、水质、温盐、染色剂、粒子示踪、嵌套、背景流、自动化全流程

第一章、FVCOM基础理论

1、主流海洋数值模式及特点介绍

2、FVCOM控制方程介绍

3、FVCOM数值方法介绍

4、FVCOM程序计算流程介绍

5、FVCOM求解过程推导

第二章、FVCOM运行环境部署

1、虚拟机安装及配置

2、Linux系统安装配置

3、Linux系统下FVCOM常用命令介绍

4、INTEL编译器安装配置

5、OPENMPI安装配置

6、NETCDF库安装配置

7、Linux环境变量配置

8、实操：FVCOM运行环境搭建及水动力算例运行

第三章、FVCOM三维水动力数值模拟前处理

1、岸线数据提取及处理

2、地形数据的获取及处理

3、SMS非结构三角形网格生成

4、SMS网格划分、优化技巧详解

5、SMS地形数据插值

6、实操：某海域岸线提取，SMS生成优化及地形插值

7、Python前处理使用

8、Matlab前处理使用

9、Chinatide前处理使用

10、实操：某海域岸线FVCOM运行所需全部的文件制作

第四章、FVCOM三维水动力数值模拟

1、FVCOM 编译及所有模块详解

2、FVCOM模型可解决问题介绍

3、FVCOM运行所需全部参数详解

4、案例讲解：某海域FVCOM三维水动力数值模拟参数设置

5、FVCOM运行时可视化变量检查

6、实操：使用FVCOM进行某海域三维水动力数值模拟

第五章、FVCOM三维水动力计算结果可视化及率定方法

1、FVCOM水动力计算结果文件查看及全部变量详解

2、Matlab绘制水位等值线图、流场矢量图

3、FVCOM水动力常用率定方法介绍

4、案例：某海域水动力计算结果的率定

5、实操练习：FVCOM水动力计算结果可视化

第六章、FVCOM三维温盐数值模拟前处理

1、FVCOM三维温盐数值模拟所需文件介绍

2、FVCOM三维温盐模拟所需气象数据下载及处理

3、FVCOM三维温盐初始场设置

4、FVCOM三维温盐开边界数据下载及处理

5、径流输入文件制作

6、实操：某海域FVCOM三维温盐前处理文件制作

第七章、FVCOM三维温盐数值模拟率定及可视化

1、FVCOM三维温盐模块编译

2、FVCOM三维温盐数值模拟参数配置

3、FVCOM三维温盐数值模拟结果可视化

4、FVCOM三维温盐常见率定方法介绍

5、温度极大值、盐度极小值等常见问题的处理

6、实操：某海域FVCOM三维温盐数值模拟结果可视化及初步率定

第八章、FVCOM波浪数值模拟及可视化分析

1、SWAN模型介绍

2、FVCOM波流模块介绍

3、FVCOM波流模块编译

4、FVCOM波流模块配置文件详解

5、FVCOM波流输入文件制作及试运行

6、参数设置及率定方法浅析

7、案例+实操：某海域波浪数值模拟

8、FVCOM波浪可视化及结果分析方法

第九章、FVCOM泥沙数值模拟及可视化分析

1、FVCOM泥沙模型介绍

2、FVCOM泥沙模块编译

3、FVCOM泥沙模块配置文件详解

4、FVCOM泥沙输入文件制作及试运行

5、参数设置及率定方法浅析

6、案例+实操：某海域泥沙数值模拟

7、FVCOM泥沙可视化及结果分析方法

第十章、FVCOM示踪（粒子）数值模拟及可视化分析

1、FVCOM示踪（粒子）数值模拟所需文件介绍

2、FVCOM粒子追踪模块编译

3、该问题粒子释放文件制作

4、该问题参数设置

5、案例+实操：某海域示踪（粒子）数值模拟

第十一章、FVCOM交换（染色剂）数值模及可视化分析

1、FVCOM交换（染色剂）数值模拟结果可视化

2、粒子时空分布作图及分析

3、粒子输运轨迹作图及分析

4、不同动力因素对结果影响作图及分析

5、欧拉余流作图及分析

6、拉格朗日余留及分析

7、案例+实操：某海域交换（染色剂）数值模拟

第十二章、FVCOM三维水质数值模拟

1、FVCOM三维水质控制方程各生化反应源项

2、FVCOM三维水质输入文件介绍

3、水质初始场文件制作

4、水质污染物源项输入文件制作

5、几种水质开边界文件制作

6、FVCOM三维水质参数文件制作

7、FVCOM三维水质模拟参数配置

8、实操：某海域FVCOM三维水质数值模拟输入文件制作

第十三章、FVCOM三维水质计算结果可视化及率定方法

1、FVCOM三维水质计算结果可视化

2、基于污染源排放等问题的FVCOM水质源码修改

3、NC格式输出FVCOM水质变量的源码修改

4、相关性分析在FVCOM水质模型参数率定中的应用

5、参数敏感性分析在FVCOM水质模型参数率定中的应用

6、实操：某海域FVCOM三维水质数值模拟结果可视化及初步率定

第十四章、总结回顾

1、FVCOM水动力数值模拟流程回顾

2、FVCOM温盐数值模拟流程回顾

3、FVCOM波浪数值模拟流程回顾

4、FVCOM泥沙数值模拟流程回顾

5、FVCOM示踪（粒子）数值模拟流程回顾

6、FVCOM交换（染色剂）数值模拟流程回顾

7、FVCOM水质数值模拟流程回顾

六、大气颗粒物PMF源解析实践技术应用

第一章  PMF源解析技术简要及其输入文件准备

1、大气污染源解析方法有哪些？

2、这些方法各自应用的条件以及它们的优缺点？

3、大气颗粒物的基础知识及各组分的主要来源

大气颗粒物的来源：

大气颗粒物的组成：

4、PMF源解析技术简介

5、PMF源解析软件的下载及安装

6、PMF输入的颗粒物组分浓度的获得

7、PMF源解析输入文件的准备

第二章  PMF源解析技术的原理，PMF软件的实操及应用举例

1、PMF源解析的基本原理

2、PMF源解析软件的基本运行

3、PMF源解析因子的选择

4、PMF源解析结果及意义

第三章  PMF源解析结果的优化及误差评估

1、Fpeak模式运行

2、Fpeak模式运行结果

3、误差评估方法简介

4、误差评估方法结果

七、MCM箱模型实践技术应用与03形成途径、生成潜势、敏感性分析

一、大气中O3形成知识基础、MCM和Atchem 2原理及Linux系统安装

1、大气中O3形成的原理知识讲

2、MCM原理及基本流程讲解

3、Atchem 2 讲解及下载安装

4、Linux系统安装

5、Atchem 2 运行需要的其他工具

   A、Fortran；B、Python；C、make, cmake

二、MCM建模、数据输入、模型运行及结果输出

1、MCM 箱模型建立

1）化学机理

A、Facsimile 格式；B、RO2；C、MCM 的提取

2）模型参数的设定

3）环境变量

A、温度；B、大气压；C、相对湿度；D、水；E、太阳高度角；

F、边界层高度；G、气溶胶表面积；H、扩散速率；I、JFAC；J、Roof

4）光解速率

A、常数光解速率；B、限制光解速率；C计算光解速率；D、JFAC计算

5）各种config. 文件

2、MCM箱模型运行

3、MCM模型运行结果分析

案例：对MCM箱模型运行结果进行分析

三、O3形成途径、生成潜势及其敏感性分析

O3 形成途径

案例：不同反应途径对O3形成的贡献

2、O3敏感性分析Ⅰ：相对增量反应性方法（RIR）

案例：通过RIR的计算，判断O3的主要来源

3、O3敏感性分析Ⅱ：EKMA曲线绘制

1）O3 等值线数据的获得

2）EKMA曲线绘制

案例：通过EKMA曲线的绘制，判断O3的主要来源

4、O3生成潜势

案例：VOCS O3生成潜势的计算

八、FLEXPART拉格朗日粒子扩散模式建模技术及研究大气污染物源-汇关系中的实践

专题一   拉格朗日粒子扩散模和FLEXPART模式

1、拉格朗日粒子扩散模式介绍及应用特点

2、FLEXPART模式简介及下载安装

专题二  Linux系统及FLEXPART模式安装

1、Linux系统安装

2、Linux基本命令练习

3、FLEXPART依赖库安装

4、FLEXPART 模式编译

5、FLEXPART-WRF模式编译

专题三  FLEXPART模式输入及模式参数说明

1、气象场数据获取

2、FLEXPART-WRF模式参数说明

3、FLEXPART模式参数说明

4、FLEXPART模式结果后处理技术方法

专题四  FLEXPART模式运行练习

1、从零开始，建立FLEXPARF-WRF运行案例

2、从零开始，建立FLEXPARF运行案例

3、FLEXPART输出结果后处理工具工具安装

4、FLEXPART后处理工具使用练习

专题五  FLEXPART应用案例配置、运行及后处理（1）

1、输出区域调整案例（对比分析）

2、污染物扩散及浓度分析

专题六  FLEXPART应用案例配置、运行及后处理（2）

1、污染来源区域分析

2、气团轨迹分析

3、温室气体模拟案例

九、基于AERMOD模型在大气环境影响评价中的实践

专题一：高斯稳态烟羽扩散模型和AERMOD模型原理

1．高斯稳态烟羽扩散模型；

2．AERMOD模型原理及经验分享；

3．AERMOD模型结构及配置方法；

专题二：AERMOD模型运行、数据准备及后处理

1．AERMOD模型环境搭建及调试

2. 测试案例数据准备；

3. AERMOD 案例运行实践；

4．输出数据后处理操作

专题三：基于《环境影响评价技术导则大气环境（HJ 2.2-2018）》的AERMOD配置方法

1．《环境影响评价技术导则大气环境（HJ 2.2-2018）》推模式讲解；

2．基于导则的AERMOD配置方案；

3．气象数据预处理技术方法；

4．地形数据预处理技术方法；

专题四：基于AERMOD模型的大气环境影响评价案例研究

1．气象数据预处理；

2．地形数据预处理

3．污染物排放量计算

4．AERMOD模型运行；

5．案例后处理；

专题五：常见问题及答疑

1．AERMOD模型运行过程中常见问题汇总及解答

十、CAMX大气臭氧来源解析模拟与臭氧成因分析

大气臭氧污染来源及成因分析技术讲解；CAMx模式初识及臭氧来源解析模拟本地案例配置说明

1．大气臭氧污染来源及成因分析技术

2．CAMx模式初识

3. 臭氧来源解析模拟本地案例配置说明

4. 基于SMOKE模型的CAMx污染源输入文件制作

CAMx模式编译安装及空气质量模拟案例配置

1．Linux基本操作命令和依赖库安装

2．CAMx模式编译安装及测试案例运行

3．CAMx输入预处理工具编译

4．CAMx输入文件准备

5．空气质量模拟案例运行

CAMx扩展和探测工具用法

各工具功能，依据在模式调试和案例分析中的用法。

1．CAMx扩展和探测工具（Probing Tools）

2. 臭氧/颗粒物来源解析工具（SA）

3．敏感性分析工具：DDM/HDDM

4. 过程分析工具（PA：IPR/IRR和CPA）

5. 反应示踪物（RTRAC）

大气臭氧污染来源解析案例实践与操作

操作：臭氧/颗粒物来源解析工具（SA）

1．CAMx-SA工具编译 

2．CAMx-SA工具输入文件准备（1）area map

3．CAMx-SA工具输入文件准备（2）emission groups

4．CAMx-SA案例配置及运行

5．模拟结果后处理与结果解读

大气臭氧污染模拟敏感性分析工具和过程分析工具运行操作

敏感性分析工具（DDM/HDDM）

1．CAMx-DDM工具编译 

2．CAMx-DDM工具输入文件准备

3．CAMx-DDM案例配置及运行

4．模拟结果后处理与结果解读

敏感性分析工具（PA）

1．CAMx-PA工具编译 

2．CAMx-PA工具输入文件准备

3．CAMx-PA案例配置（IPR和CPA）及运行

4．模拟结果后处理与结果解读

大气臭氧污染成因分析技术操作

操作： 

1．CAMx模式输出格式及预处理方法

2．常用臭氧污染及成因分析统计方法

3．常用大气臭氧污染分析图表绘制（NCL）

十一、大气污染扩散模型Calpuff实践技术

第一章  Calpuff基础

1、Calpuff模型简介 

2、Calpuff模型基础理论

3、Calpuff模型下载安装

1）Calpro系统安装

2）安装环境要求

3）需安装的辅助软件

第二章  数据预处理

1、网格设置

2、地理数据预处理

1）地形数据预处理

2）土地利用数据预处理

3）地理数据合成

3、气象数据预处理

1）地面气象数据预处理

2）高空气象数据预处理

第三章  Calmet气象模块

1、文件/信息输入

1）输入文件

2）输入共享网格数据

3）运行信息填写

4）混合层高度

5）温度和相对湿度设置

6）风场输入

7）气象站数据输入

2、运行

3、输出

案例：某地Calmet模型具体数据的输入及运行

第四章  Calpuff模块

1、文件/信息输入

1）输入文件

2）输入共享网格数据

3）运行信息填写

4）网格设置

5）模拟污染物物种输入

6）化学转化方法选择

7）干/湿沉降选择

8）模型参数选择

9）源数据输入

10）受体点位置输入

2、运行

3、输出

案例：Calpuff模型具体数据的输入及运行结果

第五章  Calpost后处理模块

1、文件/信息输入

1）处理选项选择

2）污染物名称和浓度场数据输入

3）输出选项选择

2、运行

3、数据分析

案例：Calpost后处理模块具体数据的输入及运行结果分析

第六章  Post Tools 后处理工具及绘图工具

1、Post Tools 后处理工具

1）Prtmet气象后处理模块

2）Append后处理模块

3）Postutil后处理模块

4）Calsum后处理模块

2、绘图工具

案例：浓度数据绘图举例

十二、SMOKE多模式排放清单处理技术及EDGAR/MEIC清单制作与VOCs排放量核算

大气污染源排放清单编制、处理和不确定性分析技术方法；

1．城市大气排放清单编制方法讲解；

2．排放清单不确定性分析技术方法；

3．排放清单不确定性及模式调试；

4．排放清单处理技术讲解及流程；

5．SMOKE/MEGAN模型讲解；

排放量核算（VOCs排放为例）和不确定性分析技术； 

1．污染物排放量核算（溶剂使用源VOCs排放为例）；

2. 组分排放清单建立（VOCs组分清单为例）；

3. LINUX的基本命令操作；

4．排放系数不确定性分析操作；

5．排放清单不确定性分析操作；

SMOKE本地案例建立方法；

1．基于SMOKE本地排放清单处理案例方法；

2．污染源分类及文件准备方法；

3．区域代码编制及文件准备方法；

4．大气污染源时间特征调查和时间谱文件准备方法；

5．基于模式大气化学机制的污染源成分谱及文件准备方法；

6.以网格排放清单作为输入的SMOKE输入准备

SMOKE/MEGAN安装及测试

1.SMOKE环境配置及注意事项；

2.SMOKE输出绘图工具安装

3.SMOKE模型安装编译

4.SMOKE测试案例运行；

5.MEGAN模型本地案例；

SMOKE输入文件准备练习

1.Spatial Allocator安装配置

2.面源空间分配系数建立

3.时间谱文件准备操作

SMOKE本地案例配置与调试操作

1. 点源及面源排放清单输入文件准备；

2．SMOKE本地案例配置与调试；

3、排放清单整合与CMAQ-ready排放清单输出；

CMAQ/CAMx案例运行

1. CAMx模式数据转换接口安装

2. 多模式的模拟区域设置说明

3. CMAQ案例运行

4. CAMx案例运行

WRF-Chem模式案例运行

1. WRH-Chem模式数据转换接口安装

2. WRF-Chem案例运行

3. 提问

基于SMOKE的全球排放清单（EDGAR）处理案例

1.案例配置说明

2.输入文件准备

3.SMOKE-EDGAR案例运行

 结果检查

基于SMOKE的全国排放清单（MEIC）处理案例

1.案例配置说明

2.输入文件准备

3.SMOKE-MEIC案例运行

 结果检查

十三、CLM陆面过程模式实践技术应用

CESM、CLM运行条件及Linux编译基础

CESM、CLM必须在Linux或者Unix环境中运行

运行CESM、CLM所必须的软硬件要求及环境搭建

Linux的基本概念和基本操作

Linux编译的基本概念及基本流程

CESM、CLM 基础

CESM 的基本结构，CLM 的基础知识

CESM的几大功能模块

CLM 的基础知识

CLM 程序获取、结构及其功能

获取 CESM、CLM 程序代码，CLM 文件夹结构及各自功能

获取最新或特定版本的 CESM 及 CLM 代码

CLM 个文件夹结构作用

CLM 移植、安装及快速运行

CLM 运行环境的准备，编译、安装及运行

检查并完善CLM 运行所需环境及软件

针对特定服务器环境的 CLM Machine File 修改

创建一个简单的 case，并编译运行这个 case

CLM 配置选项及数据文件制备

CLM 运行的配置文件，运行所需数据文件制备

创建 CLM case时各选项及其意义

运行配置文件namelist ，常用选项选择及其意义

运行 CLM 所需数据文件结构及数据文件制备方法及程序

根据研究内容熟练创建 CLM case 并运行 CLM

CLM 单点或区域运行

熟练掌握 CLM 单点及区域运行的 case 创建、文件制备及运行

创建单点或区域模式的方法

单点及区域运行所需文件的制备

单点及区域模式的运行

CLM 结果处理、分析及可视化

熟练掌握 CLM 输出结果文件结构、变量意义、变量选择以及结果分析

创建单点或区域模式的方法

单点及区域运行所需文件的制备

单点及区域模式的运行

CLM 代码修改、发展及改进

了解 CLM代码的结构、主要模块的组成、Fortran程序的修改

了解 CLM 主要的代码结构

了解 CLM 几大模块的组成及相应的程序位置

根据需要修改代码，编译运行

十四、AI+CMIP6数据分析与可视化、降尺度技术与气候变化的区域影响、极端气候分析

专题一、气候变化研究的AI新视角

1、气候模型基础与全球气候模型（GCM）

全球气候（环流）模型的基本原理、发展历程与最新进展

GCM的主要组成部分、工作原理与数值求解方案

模型的空间和时间分辨率及其不确定性对气候预测的影响

气候变化的核心问题与研究意义

2、气候模型比较计划（CMIP）与CMIP6

CMIP的背景、目的与组织结构

CMIP6计划的新特性、标准实验设计与应用场景

CMIP6相对于CMIP5的技术升级与改进优势

复杂地球系统模型（ESM）的新进展

如何选择合适的CMIP6模式和情景进行研究

3、其他重要模型比较与评估计划

CORDEX、AMIP、PMIP、ScenarioMIP、GeoMIP等重要比较计划

不同模式比较活动的侧重点与研究贡献

各比较计划对气候科学研究和政策制定的意义

数据访问和使用指南

4、人工智能技术在气候变化研究中的应用

大语言模型（LLM）的基本原理和发展趋势（ChatGPT、GPT-4、Gemini、DeepSeek、Claude等）

AI在气候数据处理与分析中的优势

机器学习方法在气候研究中的应用： 

时间序列预测与气候建模

卷积神经网络（CNN）与气候数据空间分析

注意力机制与气候极端事件检测

5、大语言模型在气候科学研究中的前沿应用

大语言模型在气候科学中的潜力与应用案例

AI自动生成科研报告、文献综述与数据分析

常用工具：ChatGPT、DeepSeek等在科研工作流优化中的应用

专题二、基于AI的CMIP6数据获取

1、官方网站（ESGF节点）手动下载流程

2、自动化数据获取： 

3、利用Python命令行工具（如esgf-download）批量下载

4、利用AI大语言模型编写自动化下载脚本

5、半自动购物车方式下载与管理

6、Python在大气科学中的应用基础

专题三、高级Python与AI工具

1、科研Python基础与AI辅助编程

面向气候科学的Python语法快速回顾

ChatGPT、Copilot等工具辅助Python代码快速生成与调试

利用AI大语言模型提高代码编写效率与可读性

基本科学计算库的进阶应用： 

NumPy：多维数组操作与高级数值计算

SciPy：科学计算与信号处理

Pandas：数据清洗、处理与分析的最佳实践

2、气候数据处理工具与netCDF文件操作

netCDF文件处理基础与技巧

CDO高级命令与组合使用技巧： 

选择、提取、修改变量和维度

统计运算、函数运算

空间操作：重网格、插值、区域提取

时间操作：时间序列分析、季节平均

利用AI大语言模型生成CDO命令，简化操作流程

处理非365天日历的GCM数据（以BCC为例）

3、Xarray高级数据处理与分析

Xarray核心概念深入理解（DataArray、Dataset）

基于标签的数据操作技术

分组聚合、数据透视、时间序列处理方法

与netCDF数据的无缝对接

裁剪与重采样方法： 

使用Xarray进行地理区域选择

多维数据的时间和空间裁剪

AI辅助自动化数据操作脚本编写

4、高级数据处理

Python与AI结合的数据处理流程设计

基于AI的异常值检测与数据质量控制

数据补全与高分辨率数据重构技术

空间和时间操作： 

重新格网与插值技术

选择地理区域

时间序列分析方法

统一不同模式输出数据的变量名、单位和坐标

5、机器学习框架与AI模型开发

基于TensorFlow/PyTorch的机器学习模型构建

AI模型在气候数据分析中的应用案例

深度学习模型用于气候变量预测与模式识别

高级数据分析流程： 

特征工程与提取

模型选择与评估

结果解释与可视化

6、高性能计算与并行处理

Python中的并行计算框架： 

Dask：适用于大规模气候数据处理

Multiprocessing：多核CPU优化

7、数据可视化与可解释性AI

Python可视化工具深入应用： 

Matplotlib基础与高级绘图

Seaborn统计数据可视化

Xarray集成可视化功能

用AI技术提升数据可视化的可解释性

I/O操作：读取和写入netCDF数据的最佳实践

AI辅助复杂数据分析流程构建

专题四、基于AI的气候降尺度技术

1、降尺度基础与Delta方法的AI增强

降尺度原理与研究意义

经典Delta方法详解： 

基本原理与计算流程

应用Delta方法进行温度和降水的未来预测

AI驱动的Delta方法优化： 

自动化Delta降尺度脚本开发

区域尺度应用案例

2、统计订正方法的AI优化

概率分布函数（PDF）订正基础： 

PDF订正在气候数据降尺度中的应用原理

区域尺度的PDF订正技术

AI辅助概率密度函数订正： 

智能化订正方案自动生成

分位数映射方法的AI增强

案例研究：区域降水的统计降尺度

3、机器学习驱动的空间降尺度

传统机器学习在降尺度中的应用： 

特征工程、模型训练和评估流程

集成机器学习模型（随机森林、XGBoost）

AI辅助特征选择与超参数优化

卷积神经网络（CNN）在空间降尺度中的应用： 

CNN架构设计与训练

超分辨率卷积神经网络（SRCNN）在气候数据中的应用

利用AI大语言模型辅助构建和训练CNN模型

4、深度学习高级降尺度技术

生成对抗网络（GAN）在空间降尺度中的应用

Transformer模型在时间序列降尺度中的应用

深度学习模型案例研究： 

温度数据的深度降尺度

降水极端事件的高分辨率重构

多变量协同降尺度技术

5、多模型集成与不确定性分析

多算法集成的理论基础与优势

基于AI的多模型集成方法： 

集成策略设计与实现

AI辅助权重分配

贝叶斯模型在降尺度中的应用： 

PyMC、Stan等贝叶斯推断框架

贝叶斯推断的不确定性量化

降尺度结果的不确定性评估方法

可解释性AI在降尺度中的应用与案例分析

专题五、基于AI的动力降尺度

1、WRF模型与动力降尺度

动力降尺度的原理、优势与局限性

WRF模型介绍： 

特点、适用范围和配置选项

在区域气候模拟中的应用

制备CMIP6的WRF驱动数据： 

利用CDO处理GCM输出文件，生成WRF输入文件

压力坐标系和sigma坐标系GCM数据的处理

WPS（WRF Preprocessing System）处理流程

AI辅助数据处理与WPS配置

2、WRF模式运行与后处理

WRF模式的运行流程和参数设置

模式调优与敏感性分析： 

参数优化技术

AI辅助参数选择策略

WRF模式后处理技术： 

变量提取与统计分析

结果可视化与解释

AI辅助WRF后处理和结果分析

专题六、气候变化的区域影响与AI评估

1、生物地球化学模型的AI改进

传统BGC模型与AI的融合：

参数优化

机器学习替代复杂过程模块提高计算效率

多模型集成降低系统偏差

碳通量预测：

基于CMIP6数据的区域碳循环模拟

草地生态系统碳通量对极端干旱的响应

湿地碳循环与气候变化的反馈机制

2、气候变化对水资源的影响

AI驱动的蒸散发预测技术： 

深度学习模型在蒸散发估算中的应用

多源数据融合与精度提升

区域差异性分析

气候变化对极端降水事件的影响： 

AI检测与归因方法

不同排放情景下的洪涝风险评估

基于深度学习的降水模式变化预测

3、气候变化对建筑物设计的影响

基于AI的热指数预测： 

城市热岛效应与人体舒适度分析

微气候模拟与预测

热胁迫风险评估

采暖与制冷度日数的AI模型： 

能源需求变化预测

区域差异化分析

多时间尺度预测方法

专题七、极端气候事件指数计算与分析

1、气候极值指数基础与计算

CMIP6数据中气候极值指数的识别与提取：

温度相关极值指数（热浪日数、霜冻日数、生长季长度）

降水相关极值指数（连续干日、强降水日数、95百分位降水量）

标准化指数（SPI、SPEI、PDSI）计算方法

Python与Xarray实现气候指数计算：

基于阈值的极端事件识别代码实现

基于分位数的极端事件计算方法

基于滑动窗口的持续性事件检测

2、CMIP6多模式集合的极端事件分析

多模式集合的极端事件统计：

模式间极端事件预测的差异与一致性

极端事件频率变化的多模式集合分析

不同SSP情景下极端事件强度的对比

极端事件空间分布变化：

热点区域识别技术

区域尺度的极端事件变化趋势

空间模式的主成分分析与解释

3、机器学习在极端事件分析中的应用

分类算法在极端事件识别中的应用：

随机森林识别极端事件前兆信号

支持向量机分类极端事件类型

聚类分析发现极端事件空间模式

时间序列分析与预测：

使用LSTM预测极端温度事件

简单神经网络预测降水极值

降维技术在极端事件模式提取中的应用

十五、AI与Python在地球科学多源数据交叉融合中的前沿技术

模块一Python与地球科学AI编程基础

专题一、Python for Earth Science快速入门与AI编程助手

1、面向地球科学的Python编程基础（精简回顾，强调数据处理）

2、科学计算基础：NumPy、SciPy、Pandas

3、数据可视化技术：Matplotlib、Seaborn、Plotly

4、AI编程工具与大模型应用：GitHub Copilot、ChatGPT、Codeium、LangChain

5、开发环境配置：JupyterLab/Notebooks、VS Code

6、版本控制与协作：Git与GitHub基础

专题二、地球科学数据类型、获取与预处理

1、常见地球科学数据类型：站点观测、格点数据、再分析数据、遥感影像、模式输出

2、数据格式介绍：NetCDF、HDF、GeoTIFF等

3、主要数据源：NASA、NOAA、ESA、Copernicus、中国气象局等

4、数据获取途径：公开数据源、API接口、网络爬虫

5、数据质量控制：异常值检测与处理、缺失值插补（传统方法与AI方法对比）

6、数据标准化/归一化与特征工程

模块二、地球科学数据处理与分析基础

专题三、Xarray高效处理气候大数据

1、使用Xarray处理多维数组数据

2、基于Rasterio、RioXarray的空间数据处理与可视化

3、空间-时间维度Groupby与resample高效实践

4、地理空间分析工具：GeoPandas、Cartopy、Folium

专题四、Dask并行计算实战

1、构建Dask分布式计算环境

2、数组(Array)、结构化数据(DataFrame)与延迟计算

3、实现弹性计算与大数据分析案例

模块三、地球科学数据分析方法

专题五、时间序列分析与预测

1、时间序列分解、平稳性检验、自相关/偏自相关分析

2、经典时间序列模型：ARIMA、SARIMA、Prophet

3、机器学习方法：LSTM、GRU、Transformer在时间序列预测中的应用

4、极端事件重现期分析与预测建模

5、案例：气温/降水预测、极端天气事件预测、植被指数时间序列分析

专题六、空间统计与空间插值

1、空间自相关分析（Moran's I、Geary's C）

2、空间回归模型：空间滞后模型（SLM）、空间误差模型（SEM）、地理加权回归（GWR/MGWR）

3、空间插值方法：克里金（Kriging）、反距离权重（IDW）、样条插值

4、深度学习空间插值、GAN缺测数据生成

5、案例：气温/降水空间插值、污染物浓度空间分布模拟、土壤属性空间制图

模块四、地球科学机器学习与AI方法

专题七、地球科学中的机器学习

1、监督学习：回归与分类算法（线性模型、支持向量机、随机森林、梯度提升树、深度学习）

2、无监督学习：聚类（K-means、DBSCAN、层次聚类）、降维（PCA、t-SNE）

3、特征工程：从地球科学数据中提取有效特征

4、模型评估与选择：交叉验证、网格搜索、超参数优化

5、可解释的机器学习（XAI）：SHAP、LIME等

专题八、AI在地球科学中的应用

1、卷积神经网络（CNN）在遥感图像处理中的应用

2、循环神经网络（RNN）在时间序列预测中的应用

3、AI模型的不确定性量化与可靠性评估

4、案例：使用深度学习进行遥感图像分类、使用LSTM预测极端天气事件

模块五、气候变化与气候模式分析

专题九、气候模式数据与CMIP6分析

1、CMIP6数据集结构与获取

2、多模式集合分析与评估

3、气候情景（SSP）比较与分析

4、使用Python处理大规模CMIP6数据集

5、设计气候模式评估指标与方法

6、CMIP6数据与观测数据的对比分析

专题十、气候变化数据处理与趋势诊断分析

1、气候变化检测与归因

2、百年气候趋势分析（CRU、HadSST、ERA5）

3、Mann-Kendall趋势突变与小波分析的Python智能高效实现

4、环流指数（ENSO、NAO、AO等）与气候变化的机器学习分析

5、AI驱动的多尺度气候诊断分析方法

专题十一、气候模式数据降尺度与未来气候风险分析

1、CMIP6数据分析与AI降尺度方法（Delta、百分位校正、深度学习降尺度）

2、极端气候指数计算与未来变化智能分析

3、未来气候情景预估与风险评估

4、基于降尺度结果的区域气候变化分析

模块六、天气研究与预报（WRF）模型应用

专题十二、WRF模型基础与Python接口

1、使用Python处理WRF输入/输出

2、WRF-Python模块应用

专题十三、WRF模拟结果分析与可视化

1、WRF输出数据后处理

2、模拟结果验证与评估方法

3、WRF气象要素三维可视化技术

4、基于AI的WRF模拟优化与参数调优

5、WRF与观测数据融合分析

专题十四、极端气候事件分析与预测

1、极端气候事件（高温、干旱、洪涝、风暴等）的识别、特征分析、预测

2、气候变化对水资源、生态系统、农业的影响评估

3、气候变化下的生态系统生产力与土地利用变化预测

4、结合WRF与CMIP6的多尺度极端事件分析

模块七、遥感数据智能分析与处理

专题十五、遥感数据处理与应用

1、遥感数据预处理与质量控制

2、遥感图像分类与目标检测

3、时间序列分析与变化检测

4、遥感数据的自动化裁剪与掩膜操作（AI自动生成掩膜与区域识别）

专题十六、遥感生态环境动态分析

1、MODIS数据的云端处理与生态系统生产力分析

2、土地利用变化与生态系统服务评估

3、遥感数据的生态水文分析

4、将WRF与遥感数据结合分析陆气相互作用

专题十七、遥感水文数据智能分析与降尺度技术

1、使用深度学习进行遥感降水数据空间降尺度

2、蒸散发数据智能分析（GLEAM、MODIS ET产品）

3、结合WRF与遥感数据的水文循环分析

模块八、生态系统模拟与多源数据融合

专题十八、生态系统建模与生物多样性

1、生态系统模型：Biome-BGC、ED2、LPJ-GUESS

2、案例：植被生产力模拟、碳循环模拟

3、气候变化下的生态系统响应模拟

4、将CMIP6数据驱动生态系统模型

专题十九、多源数据融合与综合分析

1、观测、再分析、模式与遥感数据的综合分析方法

2、多源数据不确定性评估与处理

模块九、科研成果展示与可视化

专题二十、地球科学数据的AI增强可视化

1、探索性数据分析（EDA）方法

2、交互式可视化工具：Plotly、Bokeh、Folium

3、WRF与CMIP6结果的高级可视化技术

4、气候-生态系统-水文多维数据可视化

专题二十一、科研成果与论文高效产出

1、使用AI工具优化论文撰写流程（结构建议、语言润色）

2、图表自动生成技术与规范

3、AI辅助的文献综述与科学知识提取

十六、WRF-LES与PALM微尺度气象大涡模拟

专题一 基础理论

1、大涡模拟基本原理

1)控制方程和湍流闭合

2)滤波方法与子网格模式

3)边界条件处理方法

专题二 主要模型概述

1、WRF模型概述

1)模型的发展历程

2)模型的基本框架

2、PALM模型概述

1)模型的基本框架

2)模型架构与计算网格

3)动力学核心

4)湍流模块

专题三 Python基础

1、NumPy：用于数值计算和数组操作

2、Pandas：用于数据处理和分析

3、xarray：处理带标签的多维数组数据

4、用于：前处理、后处理及可视化

专题四 Linux基础

1、Linux文件系统结构

1)文件类型

2)文件查看命令

3)文件操作命令

4)文件权限管理

5)文件查找

6)文件压缩和解压

7)磁盘空间管理

2、环境变量设置

1)环境变量基础概念

2)常见的环境变量

3)查看环境变量

4)设置环境变量的方法

5)临时设置、永久设置

6)编辑用户的配置文件

专题五 编译  

1、基础编译过程

1）单文件编译

2）多文件编译

3）使用Make工具

4）使用CMake构建系统

5）优化选项

6）常见问题解决

专题六 环境部署

1、预编译

2、WRF编译

3、PALM编译

4、环境配置  

专题七 WRF模拟

1、WPS处理

1)namelist.wps配置

2)通过 geogrid 程序定义模拟区域并插值地形、土地利用等静态数据

3)使用 ungrib 程序解码气象数据,如 GRIB 格式的初始场和边界场

4)运行 metgrid 程序将所有数据插值到模式网格上

2、WRF处理

1)namelist.input配置

2)WRF 模型包含多种物理过程方案的选择:

专题八 ndown模拟

1、ndown模拟

1)namelist.wps配置

2)namelist.input配置

3)ndown执行

专题九 WRF-LES模拟

1、模配置型

1)模拟域设置

2)网格配置

2、物理参数化

1)次网格尺度湍流模式

3、数值方法

1)时间积分

4、初始和边界条件

1)初始化选项

2)边界处理

专题十 QGIS操作

1、数据读入

1)矢量数据读入

2)栅格数据读入

2、数据裁剪

1)矢量数据裁剪

2)栅格数据裁剪

3、坐标转换

1)矢量数据投影转换

2)栅格数据投影转换

4、矢量数据修复

1)几何修复

2)拓扑检查与修复

5、矢量字段编辑

1)字段计算

2)字段管理

3)字段计算器

专题十一 PALM模拟

1、主要模块介绍

2、配置文件（p3d）

3、自带简单案例模拟

专题十二 PALM驱动数据制作（WRF4PALM）

1、WRF4PALM基础

1)配置文件介绍

2)执行步骤

专题十三 PALM静态数据制作（palmpy）

1、PALMPY

1)地形数据（SRTM、GDEM）

2)土地利用数据（清华2017年、ESA）

3)配置文件

4)执行步骤

专题十四  城市案例研究   PALMPY多城市预处理文件

1、真实案例模拟

1)不考虑建筑模拟

2)考虑建筑模拟

十七、AI大模型智能大气科学探索之：ChatGPT在大气科学领域建模、数据分析、可视化与资源评估

1.大语言模型在大气科学中的常见应用场景

ChatGPT是一种基于自然语言处理的技术，因此在大气科学领域应用主要集中在文本处理和语言生成方面。例如：

1.1 辅助数据分析：ChatGPT 可以帮助理解和解释大量的气象数据内在信息。

1.2自然语言处理：用于分析和解释历史气象记录、研究论文或报告，提取关键信息和趋势

1.3 文献搜索和综述：ChatGPT 可以撰写文献综述，同时快速查找和总结相关研究及论文

1.4 论文撰写辅助：辅助撰写科研论文，提供文本编辑和改进建议

1.5 专业咨询：ChatGPT提供有关特定研究技术方法的专业建议。

1.6 教学工具：ChatGPT 可以帮助学生理解复杂的大气概念和编程相关问题

2.大语言模型常见平台使用方法

2.1 POE使用方法

2.2 ChatGPT使用方法

3.提示词工程

3.1 提示词工程介绍

3.2 提示词工程讲解

3.3 提示词常见模板

4.Python简明教程

4.1 Python基本语法

4.2 Numpy使用

4.3 Pandas使用

4.4 Xarray使用

4.5 Matplotlib使用

//专题二 科研辅助专题

1.GPT作为科研工具

1.1把GPT当作搜索引擎

1.2把GPT当作翻译软件

1.3把GPT当作润色工具

1.4用GPT提取整理文章数据

1.5用GPT数据处理

2.GPT作为科研助手生成

2.1用GPT分析结果

2.2用GPT总结生成论文摘要

2.3用GPT总结生成文献综述

2.4用GPT分析论文技术方法

2.5用GPT分析代码

2.6用GPT分析论文公式

2.7用GPT识别图片并分析

2.8 DIY：上传本地PDF资料

²用GPT分析相关资料中提出问题。

²用GPT总结评价（评阅、审稿意见）

3.GPT作为辅助工具下载数据

3.1使用GPT生成PERSIANN /GSMaP数据的下载代码

3.2使用GPT生成代码下载GSOD数据

3.3使用GPT生成代码下载NCEP/NCAR再分析数据

3.4使用GPT生成代码下载GFS预报数据

//专题三 可视化专题——基于GPT实现

1.绘制常见统计图

2.绘制风场图、风羽图、风矢图、流线图

3.通过GPT绘制双Y轴

4.风玫瑰图

5.填充图

6.绘制添加子图

7.绘制期刊常见图

专题四 站点数据处理

使用GPT处理/生成相应代码，实现下列目标：

1.读取数据

1.1读取多种来源原始数据（ISD、GSDO）

2.缺失值处理

2.1缺失值统计

2.2常见统计方法缺失值填补

2.3机器学习方法填补数据

3.数据质量控制

3.1基于统计阈值的异常检测

3.2基于机器学习的异常检测（Isolation Forest等方法）

3.3多变量数据的异常检测（服务于自动气象站数据）

3.4基于时间序列方法均一化检验（服务于长时间气候变化评估）

4.时间序列的趋势

4.1移动平均法

4.2分解法（STL, Seasonal and Trend decomposition using loess）

4.3 Sen’s斜率

5.时间序列的突变检验

5.1 MK (Mann-Kendall): Mann-Kendall趋势检验（用于分析数据集中的趋势变化）

5.2 Pettitt: Pettitt检验（非参数检验方法，用于检测时间序列中的单一变化点）

5.3 BUT (Buishand U Test): Buishand U型统计检验

5.4 SNHT (Standard Normal Homogeneity Test): 标准正态同质性检验（常用于气候数据的同质性检测）

5.5 BG (Buishand Range Test): Buishand范围检验

6.时间序列周期分析

6.1功率谱方法提取周期（提取气温、降水等周期）

6.2小波分析方法提取周期

6.3 EMD经验模态分解

6.4 EEMD集成经验模态分解

7.时间尺度上的统计

7.1不同时间尺度上的统计

8.回归分析

8.1线性回归（Linear Regression）:简单线性回归、多元线性回归等

8.2多项式回归（Polynomial Regression）:

8.3非参数回归（Non-parametric Regression）:

9.相关分析

9.1常见的相关系数（Pearson Correlation Coefficient、Spearman's Rank Correlation Coefficient）

9.2偏相关分析（Partial Correlation）

9.3典型相关分析（Canonical Correlation Analysis, CCA）

10.站点数据的空间化：

10.1克里格插值

10.2临近点插值

10.3反距插值

10.4 基于高程模型的外推

专题五 WRF专题——基于GPT和Python实现

1.静态数据的替换

1.1使用Python生成WPS的静态数据

²A替换反照率和LAI数据

GPT生成转化GLASS（The Global Land Surface Satellite (GLASS) Product suite）替换默认粗分辨率数据。

²B替换土地利用

GPT将多分类的ECI CCI土地利用数据分类进行整合，使之能够用于WPS系统；GPT生成转化代码，将数据转化为WPS可读取的二进制格式。

²使用Python更改WRF初始场

GPT生成代码修改WRF初始场文件，并替换土地利用、地表反照率等静态数据。

2.生成WRF配置文件

2.1在指定的地区推荐WRF namelist.input文件相关参数

2.2补全相关参数信息

3.WRF的后处理

3.1站点插值

3.2能见度计算

3.3垂直高度变量插值

3.4降水相态辨识

3.5水汽通量

4.WRF的评估

4.1格点尺度评估

4.2点尺度评估

4.3模态评估

//专题六遥感降水专题——基于GPT和Python实现

1.将PERSSIAN/GSMaP数据转化为netCDF格式

2.合并数据

3.时间域统计并可视化

4.空间域统计并可视化

5.常见统计评估指标

²生成统计指标空间图

²生成泰勒图

生成卫星降雨散点密度图

//专题七 再分析数据专题——基于GPT和Python实现

1.ERA5再分析数据

1.1 ERA5数据的下载

1.2 ERA5数据预处理

1.3多时间尺度统计

1.4干旱监测

²计算标准化降水蒸散指数（SPEI）或标准化降水指数（SPI）作为干旱监测的指标。

²根据土壤湿度和降水量数据，使用时间序列分析和阈值判断来评估干旱风险等级。

1.5极端指数计算

²连续干旱天数

²夏日指数

²R99极端降水指数等

1.6趋势分析

²滑动平均

²累积距平

²趋势分析代码

²时间序列分析

2.多套再分析数据的气候趋势分析

2.1对比NCEP/NCAR、ERA5、CRU等均值

2.2趋势分析

3.风能资源评估

3.1计算研究区域内多年的平均风速

3.2计算风速的季节性变化和年际变异性

3.3计算空气密度

3.4计算盛行风

3.5计算风功率

3.6计算weibull分布

3.7基于站点和WRF模式的分析

3.8基于ERA5计算风功率

4.太阳能资源评估

4.1计算每天的平均太阳辐射量

4.2分析日、月和季节性气候态时空格局

4.3计算趋势

//专题八 CMIP6未来气候专题——基于GPT和Python实现

1.数据预处理：

1.1使用NetCDF工具（xarray）读取数据

1.2裁剪时间范围和空间范围

2.计算区域平均温度：

2.1对于全球平均温度加权平均

2.2对于特定区域，直接计算平均值

3.趋势分析：

3.1使用统计方法（如线性回归）分析温度随时间的变化趋势

4.可视化：

4.1绘制时间序列图显示温度趋势

4.2使用地图可视化工具（basemap）展示空间分布的变化

//专题九 基于机器学习方法判断天气晴雨——基于GPT和Python实现机器学习操作流程

1.预处理

1.1缺失值处理：使用适当的策略填充或删除数据中的缺失值

1.2数据探索：通过统计摘要、可视化方法（如直方图、箱线图）来理解数据的分布、异常值情况和变量之间的关系

1.3数据标准化/归一化

1.4数据类型转换：将分类变量转换为数值型，使用独热编码（One-Hot Encoding）或标签编码（Label Encoding）

2.数据采样

2.1均衡采样：对不平衡的数据集进行重采样，确保各类别样本数量大致相同 

2.2分层抽样：确保训练集和测试集中各类别样本的比例与原数据集相同，使用分层采样技术。

2.3交叉验证分割：采用交叉验证的方法来进行更可靠的模型评估，如K折交叉验证，保证每个样本被用于训练和验证。

2.4时间序列分割：对于时间序列数据，使用时间顺序分割数据，确保训练集中的数据点时间上早于测试集中的数据点。

3.特征工程

3.1特征选择：使用统计测试、模型系数或树模型的特征重要性来选择最有信息量的特征

3.2降维：使用主成分分析（PCA）、线性判别分析（LDA）等方法减少特征的维度

3.3多项式特征：生成特征的多项式组合，如平方项、交互项，以捕捉特征之间的非线性关系

4.模型建模与堆叠

4.1单模型训练：如决策树、SVM、随机森林。

4.2模型堆叠：使用mlxtend库或自定义方法实现模型堆叠，结合不同模型的预测结果作为新的特征，训练一个新的模型。

4.3调参：使用网格搜索（GridSearchCV）或随机搜索（RandomizedSearchCV）等方法优化模型参数。

4.4 集成学习：除了堆叠，还可以探索其他集成方法，如Bagging和Boosting，以提高模型的稳定性和准确性。

5.模型评估

5.1性能指标：根据问题类型（分类或回归）选择合适的评估指标，如准确度、召回率、F1分数、AUC值、均方误差

5.2模型解释性：使用SHAP对模型的预测进行解释，提高模型的可解释性

十八、Python机器学习、深度学习技术提升气象、海洋、水文领域实践

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，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，并有机器学习常用技巧，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，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

十九、AI-Python机器学习与深度学习

第一章   ChatGPT与DeepSeek等大语言模型助力AI编程必备技能

1、大语言模型提示词（Prompt）撰写技巧（为ChatGPT设定身份、明确任务内容、提供任务相关的背景、举一个参考范例、指定返回的答案格式等）

2、Cursor与Trae等AI编程开发环境简介与演示

3、利用ChatGPT和DeepSeek上传本地数据（Excel/CSV表格、txt文本、PDF、图片等）

4、利用ChatGPT和DeepSeek实现描述性统计分析（数据的频数分析：统计直方图；数据的集中趋势分析：数据的相关分析）

5、利用ChatGPT和DeepSeek实现数据预处理（数据标准化与归一化、数据异常值与缺失值处理、数据离散化及编码处理、手动生成新特征）代码自动生成运行

6、利用ChatGPT和DeepSeek实现代码逐行

7、利用ChatGPT和DeepSeek实现代码Bug调试与修改

第二章  Python基础知识

1、Python环境搭建（Python软件下载、安装与版本选择；PyCharm下载、安装；Python之Hello World；第三方模块的安装与使用；Python 2.x与Python 3.x对比）

2、Python基本语法（Python变量命名规则；Python基本数学运算；Python常用变量类型的定义与操作；Python程序注释）

3、Python流程控制（条件判断；for循环；while循环；break和continue关键字；嵌套循环与可变循环）

4、Python函数与对象（函数的定义与调用；函数的参数传递与返回值；变量作用域与全局变量；对象的创建与使用）

5、Matplotlib的安装与图形绘制（设置散点、线条、坐标轴、图例、注解等属性；绘制多图；图的嵌套）

6、科学计算模块库（Numpy的安装；ndarray类型属性与数组的创建；数组索引与切片；Numpy常用函数简介与使用；Pandas常用函数简介与使用）

第三章  PyTorch简介与环境搭建

1、深度学习框架概述（PyTorch、Tensorflow、Keras等）

2、PyTorch简介（PyTorch的版本、动态计算图与静态计算图、PyTorch的优点）

3、PyTorch的安装与环境配置（Pip vs. Conda包管理方式、验证是否安装成功、CPU版与GPU版的安装方法）

第四章  PyTorch编程入门与进阶

1、张量（Tensor）的定义，以及与标量、向量、矩阵的区别与联系）

2、张量（Tensor）的常用属性与方法（dtype、device、layout、requires_grad、cuda等）

3、张量（Tensor）的创建（直接创建、从numpy创建、依据数值创建、依据概率分布创建）

4、张量（Tensor）的运算（加法、减法、矩阵乘法、哈达玛积（element wise）、除法、幂、开方、指数与对数、近似、裁剪）

5、张量（Tensor）的索引与切片

6、PyTorch的自动求导（Autograd）机制与计算图的理解

7、PyTorch常用工具包及API简介（torchvision（transforms、datasets、model）、torch.nn、torch.optim、torch.utils（Dataset、DataLoader））

第五章  ChatGPT和DeepSeek等大语言模型助力统计分析与可视化

1、统计数据的描述与可视化（数据的描述性统计：均值、中位数、众数、方差、标准差、极差、四分位数间距等；条形图、直方图、散点图、箱线图等）

2、概率分布与统计推断（离散概率分布：二项分布、泊松分布；连续概率分布：正态分布、均匀分布、指数分布；点估计与区间估计；最大似然估计与贝叶斯估计；假设检验：t检验、卡方检验、F检验；P值与显著性水平等）

3、回归分析（多元线性回归模型；最小二乘法估计；变量选择与模型优化；多重共线性与解决方法；Ridge回归；LASSO回归；ElasticNet回归等）

4、案例：利用ChatGPT和DeepSeek实现统计分析与可视化代码的自动生成与运行

第六章  ChatGPT和DeepSeek等大语言模型助力前向型神经网络

1、BP神经网络的基本原理（人工神经网络的分类有哪些？有导师学习和无导师学习的区别是什么？BP神经网络的拓扑结构和训练过程是怎样的？什么是梯度下降法？BP神经网络建模的本质是什么？）

2、BP神经网络的Python代码实现（怎样划分训练集和测试集？为什么需要归一化？归一化是必须的吗？什么是梯度爆炸与梯度消失？）

3、PyTorch代码实现神经网络的基本流程（Data、Model、Loss、Gradient）及训练过程（Forward、Backward、Update）

4、案例：Linear模型、Logistic模型、Softmax函数输出、BP神经网络

5、值得研究的若干问题（隐含层神经元个数、学习率、初始权值和阈值等如何设置？什么是交叉验证？过拟合（Overfitting）与欠拟合(Underfitting)、泛化性能评价指标的设计、样本不平衡问题、模型评价与模型选择等）

6、利用ChatGPT和DeepSeek实现BP神经网络模型的代码自动生成与运行

第七章  ChatGPT和DeepSeek等大语言模型助力决策树、随机森林、XGBoost与LightGBM

1、决策树的工作原理（微软小冰读心术的启示；什么是信息熵和信息增益？ID3算法和C4.5算法的区别与联系）；决策树除了建模型之外，还可以帮我们做什么事情？

2、随机森林的工作原理（为什么需要随机森林算法？广义与狭义意义下的“随机森林”分别指的是什么？“随机”体现在哪些地方？随机森林的本质是什么？怎样可视化、解读随机森林的结果？）

3、Bagging与Boosting的区别与联系

4、AdaBoost vs. Gradient Boosting的工作原理

5、常用的GBDT算法框架（XGBoost、LightGBM）

6、决策树、随机森林、XGBoost、LightGBM中的ChatGPT提示词库讲解

7、案例：利用ChatGPT和DeepSeek实现决策树、随机森林、XGBoost、LightGBM模型的代码自动生成与运行

第八章  ChatGPT和DeepSeek等大语言模型助力变量降维与特征选择

1、主成分分析（PCA）的基本原理

2、偏最小二乘（PLS）的基本原理

3、常见的特征选择方法（优化搜索、Filter和Wrapper等；前向与后向选择法；区间法；无信息变量消除法；正则稀疏优化方法等）

4、遗传算法（Genetic Algorithm, GA）的基本原理（以遗传算法为代表的群优化算法的基本思想是什么？选择、交叉、变异三个算子的作用分别是什么？）

5、SHAP法解释特征重要性与可视化（Shapley值的定义与计算方法、SHAP值的可视化与特征重要性解释）

6、案例：利用ChatGPT和DeepSeek实现变量降维与特征选择的代码自动生成与运行

第九章  ChatGPT和DeepSeek等大语言模型助力卷积神经网络

1、深度学习简介（深度学习大事记：Model + Big Data + GPU + AlphaGo）

2、深度学习与传统机器学习的区别与联系（神经网络的隐含层数越多越好吗？深度学习与传统机器学习的本质区别是什么？）

2、卷积神经网络的基本原理（什么是卷积核、池化核？CNN的典型拓扑结构是怎样的？CNN的权值共享机制是什么？CNN提取的特征是怎样的？）

3、卷积神经网络的进化史：LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet等经典深度神经网络的区别与联系

4、利用PyTorch构建卷积神经网络（Convolution层、Batch Normalization层、Pooling层、Dropout层、Flatten层等）

5、卷积神经网络调参技巧（卷积核尺寸、卷积核个数、移动步长、补零操作、池化核尺寸等参数与特征图的维度，以及模型参数量之间的关系是怎样的？）

6、案例与实践：利用ChatGPT和DeepSeek实现卷积神经网络模型的代码自动生成与运行

（1）CNN预训练模型实现物体识别

（2）利用卷积神经网络抽取抽象特征

（3）自定义卷积神经网络拓扑结构

第十章  ChatGPT和DeepSeek等大语言模型助力迁移学习

1、迁移学习算法的基本原理（为什么需要迁移学习？为什么可以迁移学习？迁移学习的基本思想是什么？）

2、基于深度神经网络模型的迁移学习算法

3、案例：利用ChatGPT和DeepSeek实现迁移学习的代码自动生成与运行

第十一章  ChatGPT和DeepSeek等大语言模型助力生成式对抗网络

1、迁移学习算法的基本原理（为什么需要迁移学习？为什么可以迁移学习？迁移学习的基本思想是什么？）

2、基于深度神经网络模型的迁移学习算法

3、案例：利用ChatGPT和DeepSeek实现迁移学习的代码自动生成与运行

第十二章  ChatGPT和DeepSeek等大语言模型助力RNN与LSTM

1、循环神经网络RNN的基本工作原理

2、长短时记忆网络LSTM的基本工作原理

3、案例：利用ChatGPT和DeepSeek实现LSTM神经网络模型的代码自动生成与运行

第十三章  ChatGPT和DeepSeek等大语言模型助力时间卷积网络

1、时间卷积网络（TCN）的基本原理

2、TCN与1D CNN、LSTM的区别与联系

3、案例：利用ChatGPT和DeepSeek实现TCN模型的代码自动生成与运行

 1）时间序列预测：新冠肺炎疫情预测

 2）序列-序列分类：人体动作识别

第十四章  ChatGPT和DeepSeek等大语言模型助力目标检测

1、什么是目标检测？目标检测与目标识别的区别与联系

2、YOLO模型的工作原理，YOLO模型与传统目标检测算法的区别

3、案例：利用ChatGPT和DeepSeek实现YOLO的代码自动生成与运行

（1）利用预训练好的YOLO模型实现目标检测（图像检测、视频检测、摄像头实时检测）

（2）数据标注演示（LabelImage使用方法介绍）

（3）训练自己的目标检测数据集

第十五章  ChatGPT和DeepSeek等大语言模型助力自编码器

1、什么是自编码器（Auto-Encoder, AE）？

2、经典的几种自编码器模型原理介绍（AE、Denoising AE, Masked AE）

3、案例：利用ChatGPT和DeepSeek实现自编码器的代码自动生成与运行

（1）基于自编码器的噪声去除

（2）基于自编码器的手写数字特征提取与重构

（3）基于掩码自编码器的缺失图像重构

第十六章  ChatGPT和DeepSeek等大语言模型助力U-Net语义分割

1、语义分割（Semantic Segmentation）简介

2、U-Net模型的基本原理

3、案例：利用ChatGPT和DeepSeek实现U-Net语义分割模型的代码自动生成与运行