技术学习
Data_Science_With_Python_Workflow
收获了流程的思路，每次头脑很模糊，搞不清过程，东做一个西做一个。有几个包，需要学习打磨一下。
科学研究
读《气象》2021年 第47卷 第3期
可能的发展方向，可以像环境气象类比：
尽管目前机器学习在强对流监测和预报中依然存在一些制约!但机器学习所展示出来的性能表现!表明其在未来应该会成为我们越来越有力的工具$^2@>-?92@3297:!!"#+%'未来机器学习应当会在以下几个强对流天气监测和预报方面进一步发展
（1）利用机器学习方法进行多源数据的更有效融合应用!从而更好地实现强对流的监测和临近预报'卫星(雷达(闪电(自动气象站等观测数据!各有优势与劣势!如果充分发掘各自的优点!进行综合应用!最大化地体现观测数据的优势将成为未来强对流监测和临近预报的一大挑战'此外!高频次的观测数据还可以与高时空分辨率(快速更新同化的数值模型进行有效融合!实现临近预报到短时预报的无缝过渡'
（2）如果能对风暴的不同阶段的演变特征实现有效识别!将能更好地实现强对流天气的提前预警'可以尝试利用机器学习!进行中气旋(上冲云顶(弓状回波等特征的识别!相对于直接利用天气现象作为标记!对于冰雹(雷暴大风(龙卷等强烈对流天气能起到更加提前的预警效果'
（3）依托数值预报模式!利用机器学习!进行数值模式预报订正和释用!将进一步提升和改进预报水平'数值模式依靠大气运动规律!对大气运行进行计算!而机器学习通常只是拟合预报因子和标记间的相关关系!并不注重其物理规律'将数值模式与机器学习相结合!能实现物理规律和相关关系的更好结合!进一步提升模式预报结果的深度应用'机器学习算法如何与物理规律相结合进一步提升监测和预报能力依然任重道远
（4）利用机器学习可实现强对流规律和物理原理的进一步认识'目前!除了决策树等算法!大部分算法拟合过程犹如+黑箱,!虽然其预报效果较通常的统计方法或者主观方法有所提升!但是其过程通常无法理解'目前!将深度学习特征提取过程可视化!也已经成为一个热点研究方向$5.?@3?Z@297:!!*&气象第&'卷!"#J)^/<@3!!"#+)F>6.=2D3297:!!"#+%!通过这样的可视化与解释!应当会对气象学者进一步理解中小尺度天气现象有启发'
