深度学习在气象领域的应用课程的建设方案

报告。

本专题的主要知识点包括MSE（mean squared error）指标的问题、SSIM（structural similarity）算法、召回率（recall）和精度（precise）、ROC曲线等。

实践环节

通过课堂内容的学习，学生可以了解到深度学习方法在典型气象事件中的应用过程和前沿技术，但深度学习本身是一门应用性极强的课程，因此课程中的实践环节尤为重要。在实践环节中，主要基于上述课堂讲授内容的四部分——问题、数据、模型、评价，来设计实践内容，该过程就是一次对深度学习方法应用于气象領域的完整实践。

由于气象领域的特殊性，深入了解其中的某个问题往往需要很强的专业背景，考虑到学生的知识背景多为软件工程，缺乏气象领域的相关知识。如果由学生自主选择问题，很可能探索得到的结果并不深入，课程本身也很难形成统一的评估标准。所以，笔者定义好了ENSO预测问题（并在授课部分重点介绍该内容），同时提供可供参考的数据集和模型（图3为一份实践框架图），学生可以参考该思路开展学习和模型实现。深度学习应用是一种实践工作，特征选择、模型构建、参数调节等都需要充分的编程实践，学生需要基于特定的编程语言（如Python、MATLAB等），自主或借助已有深度学习开源框架（如Keras、PyTorch等）实现深度神经网络并调优，最终得到并分析实验结果。该实践部分也是学生发挥主观能动性，掌握深度学习方法在气象领域应用的关键。

在实践环节中，考虑到项目规模，一般安排两到三人组成一个小组来协作完成一个课题，这客观上也培养了学生团结合作的能力。课程最终会以小组答辩的形式考核每组学生的创新性、完整性等。

论文阅读

科技文献阅读能力也是研究生教学过程中需要重点培养的一种能力。文献阅读会贯穿整个研究工作的始终。从找到研究问题、了解当前发展现状、提出可行方案、制订实验方案，再到最终论文撰写，都离不开文献阅读。同时，本课程内容多与学术前沿相关，课程建设也仅仅提供学习框架，没有既定教材，需要学生充分发挥主观能动性，进一步探索更新更前沿的方法。因此，笔者在本课程中安排了文献阅读环节，学生在教师的指导之下，从指定的范围内选择一篇合适的论文进行精读，然后在课堂上进行讲演和分析，并将论文中的方法应用于项目的问题中。所选择的论文主要是近年来发表在深度学习领域顶级期刊上的论文，以及气象预测领域最新的进展等。讲演环节的评分主要会考虑到以下因素：能否清晰介绍问题背景，能否清晰介绍论文所提方案的设计动机，能否清晰介绍论文所提方案，能否清晰介绍论文方案所取得的效果，能否提出自己的改进想法，以及该论文对小组实验方案的改进（不强求，但有加分）等。

课程建设方案效果评估

通过课堂教学，学生掌握了深度学习的基本概念和其中主流的时序预测方法，同时对气象领域有了基本的了解。结合具体的ENSO事件，学生完成了一次“问题—数据—模型—评价”的完整应用过程。在实践环节中，学生锻炼了分析问题、综合运用所学知识解决问题以及团队协作的能力;在文献阅读环节中，在教师的指导下，学生提升了查阅文献、获取论文中的有效信息、提炼想法和做讲演等方面的能力。课程建设方案达到了这门课程的开设目的。

结语

深度学习在气象领域的应用课程是同济大学软件学院在新一轮人工智能浪潮下，全新开设的一门前沿课程，覆盖了多项深度学习领域的前沿研究内容。经过初步实践，该课程已经取得了良好的教学效果，获得了相关专家和修读此课的学生的高度评价。在今后的教学实践中，笔者还将认真听取相关专家和学生的建设性意见，对课程建设方案不断进行完善，与时俱进，从而持续提升该课程的教学质量。

参考文献：

[1]LeCun Y，Bengio Y，Hinton G. Deep learning[J].Nature，2015，521（7553）：436-444.

[2]蒋众名.基于遥感数据的台风识别与中心定位方法研究[D].哈尔滨：哈尔滨工业大学，2018.

[3]许柏宁，姜金荣，郝卉群，等.一种基于区域海表面温度异常预测的ENSO预报深度学习模型[J].科研信息化技术与应用，2017（06）：65-76.

[4]Shi X，Yeung D Y. Machine Learning for Spatiotemporal Sequence Forecasting：A Survey[J].arXiv preprint arXiv：1808.06865，2018.

[5]苏爱芳，栗晗，崔利曼，等.ConvLSTM算法在临近预报的应用[C].第35届中国气象学会年会S1灾害天气监测、分析与预报，2018.

[6]Mcdermott P L，Wikle C K. Bayesian Recurrent Neural Network Models for Forecasting and Quantifying Uncertainty in Spatial-Temporal Data[J].Entropy，2017.

基金项目：本研究受同济大学研究生教育研究与改革项目资助（项目编号：ZD19040603）。

推荐访问:气象 深度 领域 课程 方案