weixin_48230888的博客

3)气候背景变化与复合灾害关系分析。3、文本关键词提取与指标体系建立。1、灾害叙事文本量化转化原理。2、历史文献挖掘与数字化技术。3)台风空间分布模式演变研究。2)空间分布数据可视化方法。1)多灾种耦合事件识别方法。2、历史地理空间重建技术。1)古今地名对应关系建立。2)复合灾害时空特征研究。2、不同地点干旱强度统计。1、不同时间暴雨次数统计。2、不同地点暴雨频数统计。4、复合灾害分析方法。1、不同干旱强度统计。

全球气候变化已成为21世纪最严峻的环境挑战，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。在利用前沿的AI Agent技术和Python编程，系统讲解如何通过机器学习（如K-means、SVM、决策树）与深度学习（如CNN、LSTM）模型，进行全球气候变化驱动因素的数据分析与趋势预测。内容涵盖数据获取、预处理、建模、训练优化到结果解释的全流程，重点讲解如何下载和处理NASA卫星数据、CMIP6气候数据等多源数据。

2.2 虚拟化环境搭建：VMware平台详解。2.1 Linux操作系统概述与核心特性。5.6 m_map可视化实践及调和分析方法。6.4 气象强迫场参数及配置文件解析。3.3 ROMS源码获取与版本管理。4.1 地形数据源解析与获取路径。5.5 模型验证与参数敏感性分析。6.5 增水效应与流场动态可视化。2.3 Shell命令实战训练。2.4 环境变量配置与系统管理。5.2 ROMS头文件配置解析。1.1 海洋数值模拟核心原理。1.2 ROMS模型架构解析。7.4 浓度场多维可视化技术。

当前的CMIP6计划相较于前代模型，在空间分辨率、物理过程表达和地球系统组件耦合等方面均有显著提升。随着人工智能技术的飞速发展，大语言模型(LLM)和深度学习方法为气候科学研究带来革命性变革。AI技术在气候数据处理、模式识别、预测建模、降尺度方法和极端事件分析等领域展现出巨大潜力。从自动化数据获取到高级Python工具应用，从统计降尺度到动力降尺度，从极端事件检测到区域影响评估，人工智能正逐步融入气候研究的各个环节。

3)使用 ungrib 程序解码气象数据,如 GRIB 格式的初始场和边界场。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。4)运行 metgrid 程序将所有数据插值到模式网格上。2)土地利用数据（清华2017年、ESA）1)namelist.input配置。2)namelist.input配置。1)地形数据（SRTM、GDEM）4、用于：前处理、后处理及可视化。1)namelist.wps配置。1)namelist.wps配置。5)临时设置、永久设置。

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、Pandas3、数据可视化技术：Matplotlib、Seaborn、Plotly4、AI编程工具与大模型应用：GitHub Copilot、ChatGPT、Codeium、LangChain5、开发环境配置：JupyterLab/Notebooks、VS Code6、版本控制与协作：Git与GitHub基础。

1、WRF-Hydro模型、主要模块及应用领域介绍，主要介绍该模型开发背景，主要模块功能，以及运行的流程等2、WRF-Hydro模型运行平台及所需要外部链接库介绍，主要讲解运行该模型需要的编译器环境、外部链接库等3、虚拟机系统安装，使用vmware workstation 17 Pro 软件在windows10系统中可以安装Linux系统，方便运行模型4、在vmware软件支持下，安装Rocky Linux系统，准备好模型基础平台。

1、WRF模型概述1)模型的发展历程2)模型的基本框架。

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、WRF-Chem模式总体框架、功能3、模式安装对操作系统环境依赖性及模式数据。

资料同化的基本概念、发展资料同化的主要科学问题资料同化的理论基础与早期方法各种资料同化方案及其特点。

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的简介和应用ChatGPT的简介ChatGPT的使用1.4气候数据科学的应用数据科学在气候变化研究中的作用机器学习和深度学习分析气候数据，预测气候变化趋势数据科学流程，包括数据获取、清洗、建模和结果解释6.1 比较Chatgpt、Deepseek和grok-3（如何使用开发者模式）在不同科研工作情况下如何使用。

2.2 虚拟化环境搭建：VMware 平台详解。5.6 m_map 可视化实践及调和分析方法。2.1 Linux 操作系统概述与核心特性。3.3 ROMS 源码获取与版本管理。6.4 气象强迫场参数及配置文件解析。2.3 Shell 命令实战训练。4.1 地形数据源解析与获取路径。5.2 ROMS 头文件配置解析。5.5 模型验证与参数敏感性分析。6.5 增水效应与流场动态可视化。1.2 ROMS 模型架构解析。2.4 环境变量配置与系统管理。1.1 海洋数值模拟核心原理。7.4 浓度场多维可视化技术。

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。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。（2）集成学习（Bagging和Boosting）

原文链接：https://blog.youkuaiyun.com/weixin_48230888/article/details/145153562。基础库安装(GNU编译器、zlib、libpng、jasper、hdf5、netcdf4、mpich2)2.3 WRF(real.exe, wrf.exe) 积分运行。2.5如何得到更好的WRF模拟结果（WRF运行经验和注意事项）3）python自动发送邮件提示WRF运行结果。6.3 python绘制WRF模拟区域和地形。5.1 python自动运行WRF历史个例。

基础库安装(GNU编译器、zlib、libpng、jasper、hdf5、netcdf4、mpich2)2.3 WRF(real.exe, wrf.exe) 积分运行。2.5如何得到更好的WRF模拟结果（WRF运行经验和注意事项）3）python自动发送邮件提示WRF运行结果。6.3 python绘制WRF模拟区域和地形。专题五 python助力WRF自动化运行。5.1 python自动运行WRF历史个例。1）python自动下载GFS实时预报资料。2）python自动运行WRF预报系统。

本，在使用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。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。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。

2.CMIP6情景数据用于提供WRF-Chem模式的气象驱动场代码解译。1.基于CMIP6和未来情景排放清单，驱动WRF-Chem模式。1.CMIP模式比较计划介绍：背景、意义、情景讲解。CMIP6数据驱动WRF和WRF-Chem模式。1）气候变化和排放变化对未来大气污染的影响趋势。4.数据转换工具讲解与实践（CDO/NCO）3.未来情景排放清单（SSP、DPEC）讲解。3.数据格式讲解与实践（NETCDF）WRF-Chem的未来情景模拟。2.CMIP数据下载方法。1.WRF数据格式讲解。

专题一、MPAS 模式基本信息讲解初识MPAS模式及其意义专题二、MPAS 代码获取及结构MPAS 的结构，MPAS 代码的结构nMPAS的几大功能模块nMPAS 代码的获取及其结构专题三、MPAS 移植、编译及运行实践MPAS运行环境的准备，编译、安装及运行nLinux 系统及程序的准备n编译器及库文件（hdf5、netcdf、pnetcdf）的准备WPS（ungrib） 的编译和准备专题四、MPAS 全球均匀网格的运行MPAS的运行流程，及全球均匀网格的运行。

大气污染问题既是局部、当地的，也是区域的，甚至是全球的。数值模式模拟是分析大气污染物时空分布和成分贡献的重要工具，利用模拟结果可以分析大气污染的来源、成因、污染程度、持续时间、主要成分、相对贡献等问题，有助于分析并合理控制污染源排放，为产业调整提供参考。2．AERMOD模型原理及经验分享；1．AERMOD模型环境搭建及调试；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；1．高斯稳态烟羽扩散模型；4．AERMOD模型运行；1．气象数据预处理；

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。6、PMF输入的颗粒物组分浓度的获得。5、PMF源解析软件的下载及安装。4、颗粒物PMF源解析结果及意义。VOCs PMF源解析结果及意义。1、大气污染源解析方法有哪些？7、PMF源解析输入文件的准备。2、PMF源解析软件运行与实践。1、PMF源解析的基本原理。3、PMF源解析因子的选择。2、Fpeak模式运行结果。4、PMF源解析技术简介。1、Fpeak模式运行。3、误差评估方法简介。4、误差评估方法结果。

CLM模式完善的生物地球物理过程、水文过程、生物地球化学过程和动态植被过程使得模式不仅可以模拟植被覆盖相关的物理过程和与土壤水热传导相关的物理过程，可以模拟地表径流、基流、植被冠层蒸发、植被蒸腾、土壤蒸发等水文循环变量，可以通过嵌套次网格实现动态植被的碳氮循环模拟研究，更是可以用于冻土、林火、城市冠层以及陆气相互作用等有关陆面过程的各种研究。熟练掌握 CLM 单点及区域运行的 case 创建、文件制备及运行。了解 CLM代码的结构、主要模块的组成、Fortran程序的修改。

3、Matplotlib基础：数据可视化。1、NumPy基础：数组操作与科学计算。2、Pandas基础：数据分析与处理。3、WRF-LES模拟：：90m模拟。4、WRF输出数据分析与可视化。3、Linux基础命令与操作。3、裁剪、转投影和重分类操作。1、WRF-LES原理及介绍。3、WRF-LES参数化设定。1、SLURM基础：提交作业。4、PALM模拟：10m模拟。1、QGIS基本界面和工具。2、大涡模拟（LES）原理。1、WRF中尺度1km模拟。2、WRF模拟：1km模拟。1、计算机基础与编程入门。

大涡模拟通过直接解析大尺度湍流涡旋，而将较小尺度的湍流效应通过亚格子模型来参数化，从而在保持计算可行性的同时，提供了对这些复杂动态的深入理解。PALM特别适用于城市和复杂地形环境中的流场模拟，而WRF-LES则在捕捉大尺度驱动下的边界层演变中表现出色。通过实际案例和模拟练习，将学习如何配置和运行这些模型，理解它们在实际气象研究中的应用, 为未来在大气科学和相关领域的研究或实际应用提供强有力的支持。3、WRF-LES模拟：90m模拟。3、裁剪、转投影和重分类操作。4、PALM模拟：10m模拟。

因此，对于某一具体的未来时段，可以通过计算过去和现在气候的差值（即 delta），并将其应用到未来的气候预测上，来预估未来的气候状态。温度指数：这些指数主要用于度量温度的极端情况，例如热日数（TX90p，年中最高气温超过90百分位数的天数）、冷日数（TN10p，年中最低气温低于10百分位数的天数）、热夜数（TN90p，年中最低气温超过90百分位数的天数）、冷夜数（TN10p，年中最低气温低于10百分位数的天数）等。WRF模型是一个灵活的、大气环流模型，适合用于各种尺度的气候和气象研究。

1、掌握AI工具应用：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。

大涡模拟通过直接解析大尺度湍流涡旋，而将较小尺度的湍流效应通过亚格子模型来参数化，从而在保持计算可行性的同时，提供了对这些复杂动态的深入理解。PALM特别适用于城市和复杂地形环境中的流场模拟，而WRF-LES则在捕捉大尺度驱动下的边界层演变中表现出色。通过实际案例和模拟练习，将学习如何配置和运行这些模型，理解它们在实际气象研究中的应用, 为未来在大气科学和相关领域的研究或实际应用提供强有力的支持。3、WRF-LES模拟：90m模拟。3、裁剪、转投影和重分类操作。4、PALM模拟：10m模拟。

MODIS（中分辨率成像光谱仪）和CALIOP（云-气溶胶偏振激光雷达）是两种重要的星载遥感观测平台，它们提供了大量的气溶胶数据。MODIS通过成像光谱技术获取不同波长的遥感数据，从而得到气溶胶的空间分布、光学厚度等信息，而CALIOP则通过激光雷达技术获取气溶胶的类型和垂直分布信息。这两者结合使用，可以更全面地监测和分析气溶胶的全球时空变化特征。然而，处理和分析这些数据需要一定的专业技术和工具。

大涡模拟通过直接解析大尺度湍流涡旋，而将较小尺度的湍流效应通过亚格子模型来参数化，从而在保持计算可行性的同时，提供了对这些复杂动态的深入理解。PALM特别适用于城市和复杂地形环境中的流场模拟，而WRF-LES则在捕捉大尺度驱动下的边界层演变中表现出色。通过实际案例和模拟练习，学员将学习如何配置和运行这些模型，理解它们在实际气象研究中的应用, 为未来在大气科学和相关领域的研究或实际应用提供强有力的支持。2、WRF-LES框架、特点及科研应用。专题二、WRF-LES模拟。4、WRF-LES模拟。

为了高效、精准地治理区域大气颗粒物和臭氧污染，首先需要了解颗粒物和臭氧前体物VOCs的来源。因此，颗粒物和VOCs源解析成为目前解决大气污染的关键技术。第二章、PMF源解析技术的原理，PMF软件的实操及应用举例。3、大气颗粒物的基础知识及各组分的主要来源。第三章、PMF源解析结果的优化及误差评估。6、PMF输入的颗粒物组分浓度的获得。5、PMF源解析软件的下载及安装。4、颗粒物PMF源解析结果及意义。7、PMF源解析输入文件的准备。1、PMF源解析的基本原理。3、PMF源解析因子的选择。

灵活的非结构化网格和基于解的自适应网格技术及成熟的物理模型，使FLUENT能够处理转捩与湍流、传热与相变、化学反应与燃烧、多相流、旋转机械、动/变形网格、噪声、材料加工、燃料电池等领域的流动、传热及化学反应问题。ANSYS FLUENT在大气科学、航空航天、能源利用、化工、机器制造、汽车、船泊、兵器、电子、铁道、石油天然气、材料工程等行业都有着广泛的应用。1、介绍Fluent中的湍流模型、传热模型、辐射模型、多相流模型、离散相模型介绍、化学反应及燃烧模型；2、介绍各模型的适用范围、注意事项及选用原则；

气候是多个领域（生态、水资源、风资源及碳中和等问题）的主要驱动因素，合理认知气候变化有利于解释生态环境变化机理及过程，而了解现在、未来气候变化则是进行生态、环境及能源评估、碳政策规划的先决条件，而气候模拟是获取高精度气候信息的最主要手段，现代生态、水文、新能源及碳中和领域需要亚公里及更高分辨率的气象模拟，WRF模式是国内外应用最为广泛的气象模式，使用该模式进行高精度甚至几百米的模拟应用也越来越多。（气温、降水、风、压、能量、水分、植被模拟和预报）案例操作7：如何模拟分析水汽和湿度。WRF模拟结果如何分析？

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，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。2)时间序列的突变点检测（MK、Pettitt、BUT、SNHT、BG突变点检测）3)使用GPT生成趋势分析代码（Mann-Kendall）。4)使用GPT生成时间序列分析代码（如傅里叶变换或小波分析）1)使用统计方法（如线性回归）分析温度随时间的变化趋势。

为了高效、精准地治理区域大气颗粒物和臭氧污染，首先需要了解颗粒物和臭氧前体物VOCs的来源。因此，颗粒物和VOCs源解析成为目前解决大气污染的关键技术。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。6、PMF输入的颗粒物组分浓度的获得。5、PMF源解析软件的下载及安装。4、颗粒物PMF源解析结果及意义。7、PMF源解析输入文件的准备。2、PMF源解析软件运行与实践。1、PMF源解析的基本原理。3、PMF源解析因子的选择。4、PMF源解析技术简介。

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。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。（3）常用模型原理（随机森林、Adaboost、GBDT、Xgboost、lightGBM）（2）垂直坐标转换，S坐标转深度坐标。

大气污染问题既是局部、当地的，也是区域的，甚至是全球的。数值模式模拟是分析大气污染物时空分布和成分贡献的重要工具，利用模拟结果可以分析大气污染的来源、成因、污染程度、持续时间、主要成分、相对贡献等问题，有助于分析并合理控制污染源排放，为产业调整提供参考。模拟结果还可以在环境及能源评估、环境评价和规划、产业结构、环境承载容量变化、生态系统稳定性和变化等领域进行进一步的解析再应用。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。

计算二次有机气溶胶(SOA)的VBS（volatility basis set）方案中耦合了对流化学方案，并一直在持续改进，到目前的CESM2.2.0中，实现了区域加密的MUSICA-V0，并增加了能直接配置运行MOZART-TS2 化学模块以及进行nudging等的compset（配置）。近年升级的CESM2.0在大气、陆地、海洋、海冰、陆冰、径流等几大模块以及一个中央耦合器（CIME）中都有较大更新，可以在不同的硬件平台上移植使用，尤其可以用于CMIP6的研究。CAM+CLM 实例的创建及运行。

专题一、MPAS 模式基本信息讲解 ：初识MPAS模式及其意义专题二、MPAS 代码获取及结构 ：MPAS 的结构，MPAS 代码的结构。

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。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。（2）集成学习（Bagging和Boosting）

为了高效、精准地治理区域大气颗粒物污染，首先需要了解颗粒物的来源。因此，颗粒物源解析成为目前解决大气颗粒物污染的关键技术。第二、PMF源解析技术的原理，PMF软件的实操及应用举例。3、大气颗粒物的基础知识及各组分的主要来源。第三、PMF源解析结果的优化及误差评估。6、PMF输入的颗粒物组分浓度的获得。5、PMF源解析软件的下载及安装。7、PMF源解析输入文件的准备。2、PMF源解析软件的基本运行。1、PMF源解析的基本原理。3、PMF源解析因子的选择。4、PMF源解析结果及意义。4、PMF源解析技术简介。

高精度气象模拟软件WRF(Weather Research Forecasting)实践技术及案例应用。WRF如何完成等压层向地形追随坐标系的转变。WRF模式如何精确计算气象和相关过程。