内容更新版：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、可视化与资源评估中的高效应用及论文写作

深度探讨人工智能在大气科学中的应用，特别是如何结合最新AI模型与Python技术处理和分析气候数据。课程介绍包括GPT-4等先进AI工具，旨在大家掌握这些工具的功能及应用范围。内容覆盖使用GPT处理数据、生成论文摘要、文献综述、技术方法分析等实战案例，使学员能够将AI技术广泛应用于科研工作。特别关注将GPT与Python结合应用于遥感降水数据处理、ERA5大气再分析数据的统计分析、干旱监测及风能和太阳能资源评估等大气科学关键场景。旨在提升课程参与者在数据分析、趋势预测和资源评估等方面的能力，激发创新思维，并通过实践操作深化对AI在气象数据分析中应用的理解。

1、掌握AI工具应用：使学员熟练掌握如GPT-4等前沿AI工具在大气科学中的应用，包括数据获取、处理和分析。

2、提高编程技能：通过GPT的实践操作，提升学员使用Python编程技术处理气象数据的能力，包括使用相关库（如xarray、pandas）进行数据分析和可视化。

3、增强数据分析能力：能够独立进行气候数据的趋势分析、干旱监测、风能与太阳能资源评估等复杂数据分析，使其能够识别和解释气候变化模式。

GPT大气科学原文链接icon-default.png?t=N7T8https://mp.weixin.qq.com/s?__biz=MzUyNzczMTI4Mg==&mid=2247684268&idx=1&sn=450ea15b3edbfa40dd85342d3e1f1749&chksm=fa774f91cd00c687ac24f48a98dc56e84f3f12575b815a29b0534233b7ad3c4f45e7b59b5d5f&token=972914172&lang=zh_CN#rd

专题一、预备知识

1、AI领域常见工具模型讲解

1.1.OpenAI模型-GPT-4

1.2.谷歌新模型-Gemini

1.3.Meta新模型-LLama

1.4.科大讯飞-星火认知

1.5.百度-文心一言

1.6.MoonshotAI-Kimi

2、POE平台及ChatGPT使用方法

2.1.POE使用方法

2.2.ChatGPT使用方法

图片

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

图片

1.2把GPT当作翻译软件

图片

1.3把GPT当作润色工具

图片

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

图片

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

用GPT分析相关资料中提出问题。

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

图片

3.2使用GPT生成代码下载GSOD数据

图片

3.3使用GPT生成代码下载NCEP/NCAR再分析数据

图片

3.4使用GPT生成代码下载GFS预报数据

图片

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

图片

3、通过GPT绘制双Y轴

图片

4、风玫瑰图

图片

5、.填充图

图片

6、绘制添加子图

图片

7、绘制期刊常见图

图片

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）

4.3Sen’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）

图片

6.2小波分析方法提取周期

图片

6.3 EMD经验模态分解

图片

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）

图片

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

图片

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

图片

10.4 基于高程模型的外推

图片

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

A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。

B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。

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

图片

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

生成统计指标空间图

生成泰勒图

生成卫星降雨散点密度图

图片

图片

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

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。

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

连续干旱天数

夏日指数

R99极端降水指数等

1.6趋势分析

滑动平均

累积距平

趋势分析代码

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

图片

3.8基于ERA5计算风功率

图片

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

图片

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

原文链接icon-default.png?t=N7T8https://mp.weixin.qq.com/s?__biz=MzUyNzczMTI4Mg==&mid=2247684268&idx=1&sn=450ea15b3edbfa40dd85342d3e1f1749&chksm=fa774f91cd00c687ac24f48a98dc56e84f3f12575b815a29b0534233b7ad3c4f45e7b59b5d5f&token=972914172&lang=zh_CN#rd

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/297986.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

函数重载和引用【C++】

函数重载和引用【C++】

文章目录 函数重载什么是函数重载？函数重载的作用使用函数重载的注意点为什么C可以函数重载，C语言不行？ 引用什么是引用？引用的语法引用的特点引用的使用场景引用的底层实现传参时传引用和传值的效率引用和指针的区别 函数重载 什…
阅读更多...
Word中插入Endnote参考文献时显示乱码

Word中插入Endnote参考文献时显示乱码

近期在写文章需要插入参考文献，使用Endnote插入时显示乱码，如下图所示： 文章末尾显示{ADDIN EN REFILIST } 解决方法 在网上找了诸多方法尝试也没有解决，最终找到一篇博客介绍了一种方法： word选项—高级&#xff1…
阅读更多...
基于 Docker 的 python grpc quickstart

基于 Docker 的 python grpc quickstart

工作之后一直使用的 RPC 框架是 Apache 的 thrift，现在发现 grpc 更流行，所以也要学习一下，先来简单的跑一下 demo。在本地安装运行也很方便，不过因为有了 docker，所以在 docker 里面安装运行隔离性更好，顺…
阅读更多...
OpenHarmony相机和媒体库-如何在ArkTS中调用相机拍照和录像。

OpenHarmony相机和媒体库-如何在ArkTS中调用相机拍照和录像。

介绍 此Demo展示如何在ArkTS中调用相机拍照和录像，以及如何使用媒体库接口进行媒体文件的增、删、改、查操作。 本示例用到了权限管理能力ohos.abilityAccessCtrl 相机模块能力接口ohos.multimedia.camera 图片处理接口ohos.multimedia.image 音视频相关媒体业…
阅读更多...
基于Java+SpringBoot+Mybaties+layui+Vue+elememt 实习管理系统 的设计与实现

基于Java+SpringBoot+Mybaties+layui+Vue+elememt 实习管理系统 的设计与实现

一.项目介绍 前台功能：用户进入系统可以实现首页，系统公告，个人中心，后台管理等功能进行操作 后台由管理员，实习单位，教师和学生，主要功能包括首页，个人中心，班级管理&am…
阅读更多...
【nc工具信息传输】

【nc工具信息传输】

nc，全名叫 netcat，它可以用来完成很多的网络功能，譬如端口扫描、建立TCP/UDP连接，数据传输、网络调试等等，因此，它也常被称为网络工具的 瑞士军刀 。 nc [-46DdhklnrStUuvzC] [-i interval] [-p source_po…
阅读更多...
web组态

web组态

这是一款可以嵌入到任何项目组态插件，功能全面，可根据自己的项目需要进行二次开发，能大大的节省在组态上的开发时间，代码简单易懂。 I官网网站:www.hcy-soft.com |体验地址:http://www.byzt.net:60/sm/ 一、数据流向图及嵌入原…
阅读更多...
渗透测试练习题解析 5（CTF web）

渗透测试练习题解析 5（CTF web）

1、[安洵杯 2019]easy_serialize_php 1 考点：PHP 反序列化逃逸 变量覆盖 【代码审计】 通过 GET 的方式获取参数 f 的值，传递给变量 function 定义一个过滤函数，过滤掉特定字符（用空字符替换） 下面的代码其实没什么用…
阅读更多...
回归（maskrcnn）

回归（maskrcnn）

一、写在前面 虽然粉丝量很少 但是这是一个很好的平台 记录自己的历程 我看了一个很好的讲解视频 我记录一下操作过程4-maskrcnn源码修改方法哔哩哔哩bilibili 作者已经注销帐号了 但内容很好 二、maskrcnn介绍 Mask R-CNN（Mask Region-based Convolutional Neur…
阅读更多...
【数据分析面试】10. 计算平均通勤时间（SQL：timestampdiff() 和datediff()区别）

【数据分析面试】10. 计算平均通勤时间（SQL：timestampdiff() 和datediff()区别）

题目 假设你在Uber工作。rides表包含了关于Uber用户在美国各地的行程信息。 编写一个查询，以获取纽约（NY）每位通勤者的平均通勤时间（以分钟为单位），以及纽约所有通勤者的平均通勤时间（以分钟为…
阅读更多...
Spark实战：词频统计

Spark实战：词频统计

文章目录 一、Spark实战：词频统计（一）Scala版1、分步完成词频统计2、一步搞定词频统计 （二）Python版1、分步完成词频统计2、一步搞定词频统计 二、实战总结 一、Spark实战：词频统计 （一&#x…
阅读更多...
数据湖概述：大数据演进阶段-数据湖

数据湖概述：大数据演进阶段-数据湖

文章目录 一. 大数据发展过程1. 离线大数据平台2. Lambda架构：速度层批层3. Kappa架构：流批一体4. 大数据架构痛点总结 二. 数据湖助力于解决数据仓库痛点问题1. 数据湖特点2. 开源数据湖的架构 三. 数据湖和数据仓库理念的对比1. 数据湖和数据仓库对比2…
阅读更多...
兑换码生成算法

兑换码生成算法

兑换码生成算法 兑换码生成算法1.兑换码的需求2.算法分析2.重兑校验算法3.防刷校验算法 3.算法实现 兑换码生成算法 兑换码生成通常涉及在特定场景下为用户提供特定产品或服务的权益或礼品，典型的应用场景包括优惠券、礼品卡、会员权益等。 1.兑换码的需求 要求如…
阅读更多...
深入探索MySQL：成本模型解析与查询性能优化，及未来深度学习与AI模型的应用展望

深入探索MySQL：成本模型解析与查询性能优化，及未来深度学习与AI模型的应用展望

码到三十五 ： 个人主页 在数据库管理系统中，查询优化器是一个至关重要的组件，它负责将用户提交的SQL查询转换为高效的执行计划。在MySQL中，查询优化器使用了一个称为“成本模型”的机制来评估不同执行计划的优劣，并选择…
阅读更多...
ChatGPT 之联盟营销

ChatGPT 之联盟营销

原文：ChatGPT for Affiliate Marketing 译者：飞龙 协议：CC BY-NC-SA 4.0 第二章 制定转化对话 制定转化对话是每个营销人员和企业所有者都应该掌握的关键技能。它涉及创建和传递引人入胜的信息，吸引您的受众并激励他们采取行动。…
阅读更多...
OCR常用识别算法综述

OCR常用识别算法综述

参考：https://aistudio.baidu.com/education/lessonvideo/3279888 语种：常用字符36与常用汉字6623，区别。 标注：文本型位置/单字符位置，后者标注成本大 挑战：场景文字识别：字符大小、颜色、字体…
阅读更多...
Rust---复合数据类型之结构体

Rust---复合数据类型之结构体

目录 结构体的使用输出结果 结构体简化创建结构体更新语法元组结构体单元结构体（unit struct）结构体中的引用使用#[derive(Debug)]再次介绍 代码综合展示 与元组不同的是，结构体可以为内部的每个字段起一个富有含义的名称，因此无需…
阅读更多...
【THM】Burp Suite：Other Modules（其他模块）-初级渗透测试

【THM】Burp Suite：Other Modules（其他模块）-初级渗透测试

介绍 除了广泛认可的Repeater和Intruder房间之外，Burp Suite 还包含几个鲜为人知的模块。这些将成为这个房间探索的重点。 重点将放在解码器、比较器、排序器和组织器工具上。它们促进了编码文本的操作，支持数据集的比较，允许分析捕获的令牌内的随机性，并帮助您存储和注释…
阅读更多...
吴恩达机器学习笔记：第 6 周-11机器学习系统的设计(Machine Learning System Design)11.1-11.5

吴恩达机器学习笔记：第 6 周-11机器学习系统的设计(Machine Learning System Design)11.1-11.5

目录 第 6 周 11、 机器学习系统的设计(Machine Learning System Design)11.1 首先要做什么11.2 误差分析11.3 类偏斜的误差度量11.4 查准率和查全率之间的权衡11.5 机器学习的数据 第 6 周 11、 机器学习系统的设计(Machine Learning System Design) 11.1 首先要做什么 在接…
阅读更多...
复杂度的讲解

复杂度的讲解

1.算法效率 如何衡量一个算法的好坏？从两个维度，时间和空间（算法运行的快慢，消耗的空间大不大）。因为计算机硬件领域的高速发展，如今计算机的存储量已经达到了一个很高的程度，所以现在我们一般…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023