人工智能在大气科学中的应用：处理气象数据干旱监测、风能与太阳能资源评估、遥感降水、ERA5再分析

文摘 2024-10-10 15:05 湖南

内容导读

1、“AI大语言模型+”助力大气科学相关交叉领域实践技术应用高级培训班

2、AI助力CMIP6数据处理技术及在气候变化、生态农业、水文多领域实践应用培训班

3、WRF-LES与PALM微尺度气象大涡模拟实践技术应用高级培训班

4、2025年国自然基金项目撰写技巧与ChatGPT融合应用培训班

5、“AI 大模型+”多技术融合：赋能自然科学暨 ChatGPT 在地学、GIS、气象、农业、生态与环境领域中的高级应用培训班

详细信息、微信咨询：杨老师 15383229128 微信同号

“AI大语言模型+”助力大气科学相关交叉领域实践技术应用高级培训班

培训时间：10月19日-20日、26日-27日

线上直播，四天实践课程，提供全部资料及课程回放

本课程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，旨在帮助学员掌握这些工具的功能及应用范围。课程内容覆盖使用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。课程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。

培训目标

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：培养学员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。

发票证书

►学时证书：

参加培训的学员可以获得《GPT技术应用》专业技术证书及学时证明，网上可查。此证书可作为学时证明、个人学习和知识更新、单位在职人员专业技能素质培养及单位人才聘用重要参考依据。

证书查询网址：www.aishangyanxiu.com

注：办理证书需提供电子版2寸照片及姓名、身份证号信息，开课前发给会务组人员。

►提供发票:

1、发票类型:增值税普通发票/增值税专用发票

2、发票选择:会议费、培训费、技术咨询费、资料费、技术服务费等

3、报销文件:配有盖章文件【与发票项目对应】

►会议福利:

1.每人均可获得1个独立可永久免费使用的ChatGPT账号；

2.【超级福利】赠送一个月ChatGPT Plus/4会员账号。

授课内容

►专题一：预备知识

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

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

►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

►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

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

报名方式

请微信咨询：15383229128 微信同号

其它相关课程

培训时间：2024年10月13日-15日

课前10月11日晚 8：00 直播讲解与协助配置课程环境

提供虚拟机（预装相关软件）网络直播+助学群辅助+导师面对面实践工作交流

课程安排

学习内容

专题一

CMIP6中的模式比较计划及AI大语言应用

1.1G CM介绍

全球气候模型（Global Climate Model, GCM），也被称为全球环流模型或全球大气模型，是一种用于模拟地球的气候系统的数值模型。这种模型使用一系列的数学公式来描述气候系统的主要组成部分，包括大气、海洋、冰冻土壤以及地表和海洋表面的生物地理过程。GCM在空间和时间上的精度可以根据需求进行调整，通常的分辨率可以从几百公里到几公里，时间步长可以从几分钟到几小时。

1.2 CMIP介绍

CMIP，全称为气候模型比较计划（Climate Model Intercomparison Project），是由世界气候研究计划（World Climate Research Programme，WCRP）发起的一个国际合作项目。其目的是通过收集和比较各种全球气候模型（GCMs）的模拟结果，以理解过去的、现在的和未来的气候变化。

1.3相关比较计划介绍

1.4人工智能与气候变化研究

l 大语言模型介绍

l 在气候变化研究中的应用

l 常用工具：ChatGPT

专题二

数据下载

2.1方法一：手动人工

利用官方网站

2.2方法二：自动

利用Python的命令行工具

2.3方法三：半自动购物车

利用官方网站

2.4 裁剪netCDF文件

基于QGIS和CDO实现对netCDF格式裁剪

QGIS中的操作

裁剪效果

2.5 处理日期非365天的GCM

以BCC为例处理

专题三

夯实基础

3.1 Python基础

Python 是一种高级的、解释型的编程语言，其语法简洁明了，适合快速开发。在大气科学中，Python 以其丰富的科学计算和数据分析库备受青睐。这些库如 Numpy，Scipy，Pandas 和 Xarray 等，为处理大气科学数据提供了强大的支持。

l Numpy：Numpy 是 Python 中用于科学计算的核心库，提供了高性能的多维数组对象及相关工具。对于大气科学数据的处理，例如温度、压力、风速等通常都会使用到多维数组。Numpy 提供了丰富的函数库来处理这些数组，包括数学运算、逻辑运算、形状操作、排序、选择等操作。

l Scipy：Scipy 是基于 Python 的开源软件，用于科学计算中的数值积分和微分方程数值求解，线性代数，优化，信号处理等。在大气科学中，例如对气温、气压等数据进行傅立叶分析，求解大气动力学中的偏微分方程等，都可以使用 Scipy 来实现。

l Pandas：Pandas 是基于 Numpy 构建的，使数据清洗和分析工作变得更快更简单。Pandas 是专门为处理表格和混杂数据设计的，而 Numpy 更适合处理统一的数值数组数据。在大气科学中，例如对气象站的观测数据进行时间序列分析，处理混合类型的气象数据，以及对数据进行清洗、筛选和统计等操作，Pandas 都是非常有用的工具。

3.2 CDO基本操作

CDO（Climate Data Operator）是大气科学领域常用的一款气候和气象数据处理工具。它是一个功能强大的命令行工具，可以处理和分析格网和无格网数据，支持多种数据格式，包括netCDF、GRIB、SERVICE, EXTRA和IEG。

CDO提供了一套丰富的函数库，可以用来进行各种常见的数据操作，包括：

l 基础操作：如选择、提取和修改变量、维度、属性等。

l 数值操作：如四则运算、统计运算、函数运算等。例如，可以计算数据的平均值、最大值、最小值、标准差等。

l 空间操作：如重新格网、插值、汇总、选择和提取地理区域等。

l 时间操作：如选择和提取时间周期、计算时间平均或累积等。

3.3 Xarray的基本操作

Xarray 是一个用于处理多维数组数据的 Python 库，它在 numpy 的基础上提供了一系列用于数据操作和分析的高级接口，并能很好地支持 netCDF 这类基于网络的自描述数据格式，因此在大气科学和气候科学中被广泛使用。

Xarray 的主要特点包括：

l 基于标签的数据操作：Xarray 使用维度名称而不是轴编号进行数据选择和操作，极大地增强了代码的可读性和可维护性。

l 自动对齐数据：在进行运算时，Xarray 可以自动对齐不同数据集的变量（variables）和坐标（coordinates）。

l 分组运算和数据透视：Xarray 支持类似于 pandas 的分组运算（group-by）和数据透视（pivot）功能。

l I/O操作：Xarray 对多种数据格式提供了非常好的支持，尤其是对 netCDF 数据的读取和写入。

专题四

AI大语言模型支持下：单点降尺度

使用ChatGPT辅助编程实现目标。

4.1 Delta方法

Delta方法（Delta Change Method），也称为增量方法或差值方法，是气候模型降尺度的一种简单而常用的方法。该方法假设气候变化的幅度在未来相对于历史期间将保持恒定。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。该方法可以应用于温度和降水等气候变量的预测。

4.2统计订正

概率分布函数（Probability Density Function, PDF）的订正。这种方法的基本思想是：通过修改大尺度模型输出的PDF，使其更符合观测数据的PDF，从而获得更准确的小尺度气候变量。

4.3机器学习方法

降尺度是将粗尺度的全球气候模型（GCM）输出数据转换为地面更精细尺度的过程。机器学习方法因其在处理复杂模式识别和高维数据问题的强大能力，已经被成功应用于降尺度技术。在气候学领域，机器学习已被成功用于将粗尺度的气候模型输出（例如，温度和降水）与其他环境变量（例如，地形和土壤类型）关联，以获得更高分辨率的气候预测。

实现步骤

l 建立特征

l 建立模型

l 模型评估

4.4其他方法

l 偏最小二乘回归方法

l 分位数映射（Quantile Mapping）方法

l 气候因子方法

4.5多算法集成方法

l 多算法的集成

l 贝叶斯模型

PyMC3实现

专题五

AI大语言模型支持下：统计方法的区域降尺度

使用ChatGPT辅助编程实现目标。

5.1 Delta方法

5.2 基于概率订正方法的

专题六

基于WRF模式的动力降尺度

动态降尺度通常使用更高分辨率的区域气候模型（RCM），这些模型在更大尺度的全球气候模型驱动下运行。其中，WRF（Weather Research and Forecasting）模型是目前使用最广泛的区域气候模型之一。

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。它的主要特点是具有高分辨率（可达到几公里），并且可以考虑到许多重要的地球物理过程，如云的形成、降水、陆面过程、海洋过程、边界层过程、辐射、化学过程等。

6.1制备CMIP6的WRF驱动数据

利用cdo工具对gcm的输出文件进行重新编码制备wrf的驱动数据

6.1.1针对压力坐标系的数据制备

6.1.2针对sigma坐标系GCM数据制备

6.1.3 WPS处理

6.2 WRF模式运行

6.3 模式的后处理

l 提取变量

l 变量的统计

l 变量的可视化

专题七

AI大语言模型辅助下：典型应用案例-气候变化1

使用ChatGPT辅助编程实现目标。

7.1针对风速进行降尺度

7.2针对短波辐射降尺度

专题八

典型应用案例-气候变化2

ECA极端气候指数计算

ECA (European Climate Assessment) 是欧洲的一个气候评估项目，其在全球范围内发布了一系列的极端气候事件指数。这些指数被广泛用于气候变化研究，特别是在研究极端天气和气候事件方面。

ECA 的极端气候指数主要包括以下几类：

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。

降水指数：这些指数主要用于度量降水的极端情况，例如最大连续5日降水量（RX5day）、大于或等于10mm的降水日数（R10mm）、大于或等于20mm的降水日数（R20mm）、降水强度（SDII）等。

这些指数对于理解和预测极端气候事件的影响非常重要，因为极端气候事件（如热浪、干旱、洪水等）往往比平均气候变化带来更大的影响。因此，对这些指数的研究有助于我们更好地理解和适应气候变化。

l Consecutive dry days index

l Consecutive frost days index per time period

l Consecutive summer days index per time period

l Consecutive wet days index per time period

专题九

典型应用案例-农业与生态领域

春小麦生长周期变化

1. 计算有效积温

2. 萌发、出苗、分蘖、拔节、抽穗、开花和成熟周期时间计算
3.Biome-BGC生态模型

Biome-BGC是利用站点描述数据、气象数据和植被生理生态参数，模拟日尺度碳、水和氮通量的模型，其研究的空间尺度可以从点尺度扩展到陆地生态系统。

专题十

典型应用案例-水资源领域

水资源领域指数变化

1. 机器学习方法估算蒸散发

2. 水库和河流水位

3. 不同重现期的降水强度

专题十一

典型应用案例-建筑物设计领域

建筑物设计领域指数变化

1. 热指数（Heat Index, HI）

2. 采暖度日数（Heating Degree Days, HDD）

3. 制冷度日数（Cooling Degree Days, CDD）

注：以上各章节内容均有代码及数据分析实操。

培训时间：11月9日-10日、16日-17日

培训方式：网络直播+助学群辅助+导师面对面实践工作交流

课程安排

学习内容

专题一

课程背景

1、流体力学简介

2、计算流体力学简介

3、应用场景举例

专题二

计算机基础与编程入门

1、计算机基础与编程入门

2、计算机基本概念和操作系统讲解

3、Linux基础命令与操作

专题三

科学计算与数据处理基础

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、Matplotlib基础：数据可视化

4、xarray入门：

1)处理多维标记数组

2)读写NC格式文件

5、pyproj使用：坐标系转换

6、scipy应用：数据插值技术

专题四

地理信息处理与分析

1、QGIS基本界面和工具

2、数据导入与显示

3、裁剪、转投影和重分类操作

专题五

WRF模式基础

1、WRF模式介绍

2、WRF模式安装与配置

3、WRF模式运行流程

4、WRF输出数据分析与可视化

专题六

微尺度气象与大涡模拟讲解

1、微尺度气象学概述

2、大涡模拟（LES）原理

专题七

大涡模式的介绍

1、WRF-LES原理及介绍

2、PALM原理及模型框架

专题八

WRF-LES模拟

1、静态数据制备

2、NDOWN工具使用

3、WRF-LES参数化设定

4、WRF-LES模拟

专题九

PALM静态数据预备

在QGIS平台下

1、制备土地利用数据

2、制备高程数据

3、制备建筑物数据

4、制备道路数据

5、静态数据合成

专题十

PALM驱动数据预报

1、WRF中尺度1km模拟

2、驱动制备处理

专题十一

PALM模拟

1、PALM编译

2、PALM运行

3、城市环境模拟

4、考虑陆面过程运行

5、考虑云微物理过程运行

专题十二

PALM模拟大网格案例

1、SLURM基础：提交作业

2、WRF模拟：1km模拟

3、WRF-LES模拟：90m模拟

4、PALM模拟：10m模拟

注：请提前自备电脑及安装所需软件。

培训时间：2024年10月19日-20日

培训方式：网络直播+助学群辅助+导师面对面实践工作交流

课程安排

学习内容

专题一

国自然项目介绍

1.1项目介绍

1.2接收情况

1.3受理情况

1.4近五年资助情况

1.5国自然项目解读

1.6省级项目解读

1.7博后项目介绍

专题二

基金的撰写技巧（从申请人的角度，带你一次入门）

2.1 问题属性与评阅标准

2.2 前期准备工作-如何去选题

2.3 项目撰写

2.3.1 题目的设计

2.3.1.1 题目确定：如何设计一个合适的题目

2.3.2 项目的研究内容、研究目标，以及拟解决的关键科学问题

2.3.2.1 研究内容的四点注意事项

2.3.2.2 研究目标如何精准定位

2.3.2.3 关键科学问题的提炼方法-一个行之有效的小技巧

2.3.3 拟采取的研究方案及可行性分析

2.3.3.1 研究方案：如何安排总述与总图

2.3.3.2 技术路线：如何将技术细节做到一一对应

2.3.3.3 可行性分析：如何通过三个维度分析到位

2.3.4 本项目的特色与创新之处：多个角度分析

2.3.5 年度研究计划与预期成果：

2.3.5.1 研究计划如何布局推进

2.3.5.2 预期成果有哪些细微区别

2.3.6 研究基础与工作条件

2.3.6.1研究基础-如何突出与代表作的联系

2.3.6.2工作条件-如何充分展现平台优势

2.3.7 其他注意事项

专题三

基金的专项技巧（从评审专家的角度，带您逐一突破）

3.1 了解评审专家的视角

3.2 最关键的细节-摘要的写法

3.3 如何挑选的五篇代表作

3.4 手把手带你画技术路线图

3.5 如何合理安排研究经费

3.6 其他备受关注的问题

3.7 最后的自查-自查十连问

专题四

ChatGPT在基金撰写中的妙用

4.1 ChatGPT高效搜索

4.2 ChatGPT梳理文献

4.3 ChatGPT选择基金题目

4.4 ChatGPT生成基金提纲

4.5 ChatGPT助力摘要书写

4.6 ChatGPT形成文献综述

4.7 ChatGPT推荐研究方向

4.8 ChatGPT扩写基金内容

4.9 ChatGPT精简基金内容

4.10 ChatGPT润色基金文字

4.11 ChatGPT仿写指定风格

4.12 ChatGPT降重文本内容

4.13 ChatGPT搜索关键图片

4.14 ChatGPT分析评审意见

4.15 ChatGPT开发科研工具

注：请提前自备电脑及安装所需软件。

培训时间：2024年10月19日-20日、26日-27日

培训方式：网络直播+助学群辅助+导师面对面实践工作交流

课程安排

学习内容

专题一

开启自然科学研究新范式

1、基于ChatGPT-4o开启科研新范式

1) 自然科学研究的主要流程

2) AI大模型的助力科研新范式

3) AI大模型的提问框架（提示词、指令）和专业级GPT store应用

案例1.1：开启大模型科研新范式

案例1.2：大模型助力自然科学的经典案例分析

案例1.3：经典高效的提问模板，提升模型效率

专题二

基于ChatGPT大模型的论文写作

2、科学论文写作全面提升

案例2.1：大模型论文润色中英文提问模板

案例2.2：使用大模型进行论文润色

案例2.3：使用大模型对英文文献进行搜索

案例2.4：使用大模型对英文文献进行问答和辅助阅读

案例2.5：使用大模型提取英文文献关键信息

案例2.6：使用大模型对论文进行摘要重写

案例2.7：使用大模型取一个好的论文标题

案例2.8：使用大模型写论文框架和调整论文结构

案例2.9：使用大模型对论文进行翻译

案例2.10：使用大模型对论文进行评论，辅助撰写审稿意见

案例2.11：使用大模型对论文进行降重

案例2.12：使用大模型查找研究热点

案例2.13：使用大模型对你的论文凝练成新闻和微信文案

案例2.14：使用大模型对拓展论文讨论

案例2.15：使用大模型辅助专著、教材、课件的撰写

专题三

基于

ChatGPT大模型的数据清洗

3、数据清洗与特征工程

1) R语言和Python基础（能看懂即可）

2) 数据清洗方法（重复值、缺失值处理、异常值检验、标准化、归一化、数据长宽转换，数据分组聚合）

案例3.1：使用大模型指令随机生成数据

案例3.2：使用大模型指令读取各种类型的数据

案例3.3：使用大模型指令进行原始数据进行清洗、切片、筛选、整合

案例3.4：使用大模型指令对农业气象数据进行预处理

案例3.5：使用大模型指令对生态数据进行预处理

专题四

基于ChatGPT大模型的统计分析

4、统计分析与模型诊断

1) 统计假设检验

2) 统计学三大常用检验及其应用场景

3) 方差分析、相关分析、回归分析

案例4.1：使用大模型对生态环境数据进行正态性检验、方差齐性检验

案例4.2：使用大模型进行t检验、F检验和卡方检验

案例4.3：使用大模型对生态环境数据进行方差分析、相关分析及回归分析

专题五

基于ChatGPT的经典统计模型

5、经典统计模型（混合效应模型、结构方程模型、Meta分析）构建

案例5.1：基于AI辅助构建的混合线性模型在生态学中应用

案例5.2：基于AI辅助的全球尺度Meta分析、诊断及绘图

案例5.3：基于AI辅助的生态环境数据结构方程模型构建

专题六

基于ChatGPT的优化算法

6、模型参数及目标优化算法

案例6.1：最小二乘法对光合作用模型参数优化

案例6.2：遗传算法、差分进化算法对光合作用模型参数优化

案例6.3：贝叶斯定理和贝叶斯优化算法对机理模型参数优化

案例6.4：蒙特拉罗马尔科夫链MCMC对动力学模型进行参数优化

专题七

基于ChatGPT大模型的机器学习

7、机器/深度学习在科研中的应用

1) 机器/深度学习

2) 线性代数基础、特征值和特征向量

3) 机器学习监督学习（回归、分类）、非监督学习（降维、聚类）

4) 特征工程、数据分割、目标函数、参数优化、交叉验证、超参数寻优

5) 主成分分析、LDA、NMS、T-SNE、UMAP、Kmeans、Agglomerative、DBSCAN

6) 支持向量机、决策树、随机森林、XGBoost、AdaBoost、LightGBM、高斯过程

7) 深度学习算法（神经网络、激活函数、交叉熵、优化器）

8) AI大模型的底层逻辑和算法结构（GPT1-GPT4）

9) 卷积神经网络、长短期记忆网络（LSTM）

案例7.1：使用大模型指令构建回归模型（多元线性回归、随机森林、XGBoost、LightGBM等）

案例7.2：使用大模型指令构建分类模型（支持向量机、XGBoost等）

案例7.3：使用大模型指令构建降维模型

案例7.4：使用大模型指令构建聚类模型

案例7.5：使用大模型指令构建卷积神经网络进行图像识别

案例7.6：使用大模型指令构建LSTM模型进行气象环境时序预测

专题八

ChatGPT的二次开发

8、基于AI大模型的二次开发

案例8.1：基于API构建自己的本地大模型

案例8.2：基于构建的本地大模型实现ChatGPT功能、模型评价和图像生成

案例8.3：ChatGPT Store构建方法

专题九

基于ChatGPT大模型的科研绘图

9、基于AI大模型的科研绘图

1) 使用大模型进行数据可视化

案例9.1：大模型科研绘图指定全集

案例9.2：使用大模型指令绘制柱状图（误差线）、散点图、相关网络图、热图、小提琴图、箱型图、雷达图、玫瑰图、气泡图、森林图、三元图、三维图等各类科研图

案例9.3：使用大模型指令对图形进行修改

案例9.4：使用大模型对任务一类科研绘图的制作流程

专题十

基于ChatGPT的时空大数据分析

10、基于ChatGPT的时空大数据分析应用

1) R语言和Python空间数据处理主要方法

2) 基于AI大模型训练降尺度模型

3) 基于AI大模型处理矢量、栅格数据

4) 基于AI大模型处理多时相netCDF4数据

案例10.1：使用大模型对矢量、栅格等时空大数据进行处理

案例10.2：使用大模型处理NASA气象多时相NC数据

案例10.3：使用大模型绘制全球植被类型分布图

案例10.4：使用大模型栅格数据并绘制全球植被生物量图

案例10.5：使用大模型处理遥感数据并进行时间序列分析

案例10.6：使用不同插值方法对气象数据进行空间插值

案例10.7：使用大模型使用机器学习聚类分析及气候空间分区

案例10.8：使用大模型构建机器学习模型进行大尺度空间预测

专题十一

基于ChatGPT大模型的项目基金助手

11、基于AI大模型的项目基金助手

1) 基金申请讲解

2) 基因评审重点

案例11.1：使用大模型进行项目选题和命题

案例11.2：使用大模型进行项目书写作和语言润色

案例11.3：使用大模型进行项目书概念图绘制

专题十二

基于大模型的AI绘图

12、基于大模型的AI绘图

1)GPT DALL.E、Midjourney等AI大模型生成图片讲解

2)AI画图指令套路和参数设定

案例13.1：使用大模型进行图像识别

案例13.2：使用大模型生成图像指令合集

案例13.3：使用大模型指令生成概念图

案例13.4：使用大模型指令生成地球氮循环概念图

案例13.5：使用大模型指令生成土壤概念图

案例13.6：使用大模型指令生成病毒、植物、动物细胞结构图

案例13.7：使用大模型指令生成图片素材，从此不再缺图片素材

注：以上各章节内容均有代码及数据分析实操。

其它相关课程

声明：本号旨在传播、传递、交流，对相关文章内容观点保持中立态度。涉及内容如有侵权或其他问题，请与本号联系，第一时间做出撤回。

END

Ai尚研修丨专注科研领域

技术推广，人才招聘推荐，科研活动服务

科研技术云导师，Easy Scientific Research

http://mp.weixin.qq.com/s?__biz=Mzg3NjY4NDQxMw==&mid=2247489757&idx=1&sn=f66560234dc6e0ff2aba5e16992b76c6

EarthAi

AI4Earth、人工智能、气象数值预报、学术论文！产业资讯等等……