这份路线图是为有一定编程基础、希望转型或进入气象大模型算法领域的工程师量身定制的。无论你是深度学习算法工程师想跨界气象还是大气科学专业想拥抱AI亦或是应届生准备冲击这个高门槛岗位这份路线图都将带你从零到一地构建完整能力体系。本版核心升级每章新增【每日/每周可执行的详细计划表】所有学习资源精确到【具体视频章节、书籍页数、代码文件行号】新增【落地企业真实案例】分析包括贵州气象大模型、上海“雨师”/“扶摇”等每个阶段末尾增加【面试常考题与解答思路】路线图分为五个阶段每个阶段包含阶段目标学完这个阶段你能做什么核心知识点必须掌握的理论基础具体学习资源书籍、视频、论文、代码库的精确链接/名称每周详细执行计划每天学什么、练什么落地企业案例参考真实产业场景对标动手实践任务可执行的、有明确产出的练习自测标准与面试准备如何检验自己是否达标建议按照顺序推进每个阶段实践时间约3-6周。切勿跳步气象大模型是“系统工程”地基不稳后面寸步难行。第一阶段地基搭建 —— Python气象数据处理预计5-6周阶段目标能像呼吸一样熟练处理NetCDF/GRIB/Zarr数据能用xarray进行多维数组的切片、插值、滚动计算能绘制专业气象图。核心知识点1. Python气象数据生态xarray带标签的多维数组气象界的pandas核心是DataArray和DatasetcfgribECMWF的GRIB格式读取引擎netCDF4经典NetCDF格式的底层接口zarr云原生分块存储格式支持高效并行读取dask并行计算库xarray的幕后英雄实现“懒加载”cartopy地理投影绘图库替代basemapcftime处理气象数据特有的日历如360天/年、无闰年2. 气象数据基础概念坐标系统经度(lon)、纬度(lat)、气压层(plev)、时间(time)网格类型等经纬度网格(regular grid)、高斯网格(Gaussian grid)、非结构网格(icosahedral mesh)插值方法双线性插值(bilinear)、保守插值(conservative)、kriging插值时间处理预报时效(lead time)、初始化时间(initialization time)、验证时间(verification time)具体学习资源 书籍优先级排序优先级书名推荐理由阅读重点获取方式⭐⭐⭐《大气科学中的人工智能技术》陈斌编著气象出版社2024国内首本系统介绍AI气象的教材覆盖从数据处理到气象大模型全链条第1-3章Python基础数据预处理第4章深度学习基础第4.6节气象大模型网络架构深圳大学城图书馆索书号P4-39/9⭐⭐⭐《气象大数据技术与应用》方巍等著清华大学出版社2025独创“科研理论→工程代码→业务部署”三维体系含5个完整行业案例和配套可复现代码第3篇气象大数据应用实践能源、交通、航空案例各章代码实战部分天瓏/高等教育出版社⭐⭐Python for Data Analysis(3rd Ed) Wes McKinneyPandas作者出品数据处理圣经Ch5-8: Pandas核心操作Ch12: 时间序列O’Reilly/各大书店⭐⭐A Hands-On Introduction to Using Python in the Atmospheric and Oceanic SciencesJohnny Lin免费在线书气象Python圣经Part II: Data analysis and visualizationPart III: 气候数据处理作者GitHub免费获取 视频课程精确到章节课程名称平台/链接核心内容必看章节预计时长“大气科学科研必备AI大模型Python在大气科学中的应用”B站八大专题涵盖ERA5处理、WRF模式、可视化——必看专题1-3Python基础数据处理可视化专题6ERA5再分析数据处理约15小时“Python气象应用GFS风速订正、台风预报、风电预测”B站涵盖从数据预处理到机器学习建模全流程第一章Python科学计算基础Numpy/Pandas/Matplotlib/Cartopy约8小时“ECMWF ML MOOC - Tier 2”ECMWF eLearning欧洲中期天气预报中心官方课程14小时深度内容Module 1: Data handling with CliMetLab代码notebook部分14小时可分段 官方文档与教程资源链接学习内容完成标准xarray官方教程https://tutorial.xarray.dev/“Xarray Fundamentals”全部notebook能独立完成所有练习ECMWF training coursehttps://www.ecmwf.int/en/learning“Data formats and processing”模块理解GRIB的结构和读取方法Pangeo教程https://pangeo-tutorial.readthedocs.io/云原生气象数据处理能使用daskxarray处理百GB级数据 必读论文理解数据来源论文核心内容阅读重点阅读时长Hersbach et al., “ERA5: Fifth generation of ECMWF atmospheric reanalyses”ERA5再分析数据集的完整说明Section 2-3数据同化方法和数据变量说明1-2小时每周详细执行计划第1周Python基础与环境搭建7天日期学习内容具体任务产出Day 1Anaconda安装与Jupyter配置跟着B站课程第一章第1节操作可运行的Jupyter环境Day 2-3Python基础语法变量、函数、类、文件操作完成10个基础练习题Day 4Numpy核心数组创建、切片、广播、线性代数Jupyter笔记练习Day 5-6Pandas核心Series/DataFrame、分组聚合、缺失值处理处理一个CSV天气数据Day 7复习小测验完成综合练习自测正确率80%第2周气象数据专属库日期学习内容具体任务产出Day 1-2xarray入门完成xarray官方tutorial前5节理解DataArray/DatasetDay 3-4xarray进阶groupby、rolling、resample、interp代码notebookDay 5netCDF4和cfgrib读取ERA5 NetCDF和GRIB文件成功打开并查看元数据Day 6-7Cartopy绘图绘制全球/区域填色图、等值线图、风矢量图3张专业气象图第3周实战数据处理日期学习内容具体任务产出Day 1-2数据获取注册CDS API下载ERA5单层和气压层数据自动化下载脚本Day 3-4气候态计算使用groupby计算30年月平均气候态气候态NetCDFDay 5-6数据插值与重网格将高斯网格插值到0.25°规则网格插值后的数据Day 7周总结整理代码笔记Git仓库提交第4-5周综合实战项目日期学习内容具体任务产出第4周构建ERA5训练数据集使用dask和xarray构建滑动窗口样本Zarr格式数据集第5周可视化和报告绘制气候态图、距平图、年循环图完整数据报告落地企业案例参考案例1贵州短临气象大模型贵州电信与省气象局合作研发了基于视频生成跨域迁移技术的短临预报大模型。技术亮点架构选择采用类似Sora的扩散Transformer架构进行改造数据处理雷达回波每6分钟扫描一次形成“气象视频”序列创新技术提出“双重位置编码”技术让模型不仅能学习气象规律还能“认识”不同区域的地理特征数据质控联合省气象局完成原始数据的全面清洗与严格质控业务指标预报可提前至2小时空间分辨率1km×1km单次响应3分钟对初学者的启示数据质量是第一位的贵州团队花了大量时间做数据清洗和质控这是模型性能的基础。案例2上海“雨师”“扶摇”气象模型上海市人工智能气象应用创新中心开发的“雨师”和“扶摇”模型雨师实现3小时内逐6分钟、1公里尺度的雷达降水预报扶摇基于Nowcastformer架构将雷达、卫星、数值预报等多源信息同步融合解决“AI幻觉”首创“确定式概率式”级联方案防止模型在无云区虚构降水对初学者的启示AI模型可能产生“幻觉”如无中生有地预报暴雨需要设计机制来约束。动手实践任务任务1.1ERA5单变量气候态计算第3周完成输入1980-2020年的ERA5月平均2m温度NetCDF格式输出- 气候态climatology每个日历月的40年平均- 距平anomaly每年每月减去气候态- 可视化全球温度气候态填色图 特定格点的年循环曲线技术要点xarray的.groupby(time.month)、.mean()、笛卡尔投影绘图代码框架import xarray as xrimport matplotlib.pyplot as pltimport cartopy.crs as ccrs# 1. 读取数据ds xr.open_dataset(era5_t2m_monthly.nc)# 2. 计算气候态提示groupby meanclim ds.groupby(time.month).mean(dimtime)# 3. 计算距平# 4. 绘图任务1.2GRIB格式处理与时空插值第4周完成输入GFS预报GRIB2文件来自NOMADS或ECMWF open data输出- 提取500hPa位势高度、850hPa温度、10m风场- 将高斯网格插值到0.25°等经纬度网格- 绘制叠加风矢量的位势高度场技术要点cfgrib打开GRIB、xarray的.interp()、cartopy的矢量叠加任务1.3构建训练数据集为第二阶段做准备第5周完成目标构建一个“过去5天预测未来1天”的样本数据集数据ERA5每日平均的Z500、T850、T2M2010-2020输出存储为Zarr格式的样本集每个样本shape(input_timesteps, lat, lon, channels)技术要点dask延迟计算、.rolling()构造滑动窗口、.to_zarr()保存自测标准与面试准备技术自测✅ 能从CDS API自动下载ERA5数据✅ 能读懂一个陌生GRIB文件的完整元数据变量、层级、投影✅ 能用5行以内xarray代码完成“某格点7月平均温度的时间序列”✅ 能解释NetCDF和GRIB各自优缺点面试常考题与解答思路Q1NetCDF和GRIB格式有什么区别分别在什么场景下使用解答要点NetCDF自描述、平台无关、适合存储和处理后的科学数据更易于xarray等Python库读取GRIBWMO标准、二进制高效存储、适合数值预报模式输出气象业务系统标准格式场景再分析数据常用NetCDF分发实时预报数据常用GRIB存储到Zarr适合云上AI训练Q2xarray和Pandas的核心区别是什么为什么气象数据更适合xarray解答要点Pandas是2D表格式行×列xarray支持N维带标签数组气象数据本质是多维时间×气压层×纬度×经度xarray天然支持xarray的坐标轴对齐、分组运算、插值等功能更契合气象需求示例xarray的.sel()可以同时按时间和空间坐标切片第二阶段深度学习基础与时空模型预计6-7周阶段目标掌握PyTorch核心操作理解CNN/RNN/Transformer在时空数据上的应用能训练一个基础的气象预测模型。核心知识点1. PyTorch必须掌握的内容张量操作reshape、permute、broadcasting、indexing自动梯度torch.autograd工作原理叶子节点概念nn.Module体系自定义层、参数管理、钩子函数DataLoaderDataset、Sampler、collate_fn定制训练技巧学习率调度、梯度裁剪、EMA指数移动平均2. 时空预测关键架构CNN卷积操作感受野、空洞卷积、转置卷积、U-Net架构RNN/LSTM时间依赖建模、梯度消失/爆炸、双向RNNTransformer自注意力机制、位置编码、Encoder-Decoder结构ConvLSTM将CNN的卷积能力融入LSTM——气象时空序列的经典方案3. 损失函数与评估指标MSE/RMSE基础回归损失加权MSE对极区/关键区域赋更高权重ACCAnomaly Correlation Coefficient气象专属评估指标CRPSContinuous Ranked Probability Score概率预报评估具体学习资源 书籍优先级书名推荐理由阅读章节获取方式⭐⭐⭐《动手学深度学习》(PyTorch版) 李沐等免费在线代码翔实业界公认入门圣经Ch8: RNNCh10: TransformerCh14: CVhttps://zh.d2l.ai/⭐⭐⭐《大气科学中的人工智能技术》陈斌第3-4章专门讲机器学习和深度学习在气象的应用第3章机器学习基础第4章深度学习基础CNN/RNN/Transformer/GNN图书馆借阅⭐⭐Deep Learning for Coders with fastai and PyTorch实战导向从代码中学习Ch4-6: 从CNN到完整训练流程O’Reilly 视频课程课程名称平台/链接核心内容必看章节预计时长“PyTorch深度学习快速入门”小土堆/B站最通俗的PyTorch入门全系列20集约6小时“李沐动手学深度学习” (PyTorch实现版)B站/斯坦福逐行代码讲解工业界标准第8讲RNN第10讲Transformer第11讲注意力机制每讲约1.5小时“Python气象应用”第2-4章B站机器学习深度学习在气象中的实战第2章sklearn和pytorch第3章气象ML案例第4章气象DL案例约20小时 必读论文论文核心贡献阅读重点代码参考FourCastNet(2022, Pathak et al., NVIDIA)首次将TransformerAFNO用于全球气象预报Section 3: Adaptive Fourier Neural OperatorNVIDIA earth2studioPangu-Weather(2023, Bi et al., Huawei)工业级气象大模型3D Earth Specific TransformerSection 3.2-3.3: 网络架构和训练策略非官方PyTorch版GraphCast(2023, Lam et al., Google)基于图神经网络的多网格方法Section 2-3: GNN架构设计Google官方JAX版ConvLSTM原始论文(2015)时空序列预测奠基之作全文手写实现 代码库学习路线优先级代码库学习方式具体任务⭐⭐⭐earth2studio通读models/目录理解FourCastNet/Pangu接口设计跑通example notebook⭐⭐⭐pangu-weather-pytorch读懂pangu.py每一行代码提取核心模块写注释⭐⭐GraphCast Official至少读懂graphcast.py和checkpoint_utils.py理解JAX代码可配合GPT翻译每周详细执行计划第6-7周PyTorch基础周次学习内容具体任务产出第6周PyTorch张量和自动梯度完成小土堆课程1-10集理解tensor和autograd第7周nn.Module和训练流程完成小土堆课程11-20集自己写一个线性回归模型第8-9周深度学习架构周次学习内容具体任务产出第8周CNN和UNet李沐CNN课程 实现UNetUNet代码第9周RNN/LSTM/ConvLSTM李沐RNN课程 实现ConvLSTMConvLSTM单元代码第10-11周Transformer和论文精读周次学习内容具体任务产出第10周Transformer架构李沐Transformer课程2讲 手写attention自注意力代码第11周论文精读阅读FourCastNet/Pangu/GraphCast论文论文笔记架构图第12周综合实战日期学习内容具体任务产出第12周任务2.1ConvLSTM预测T2M完成下方任务2.1完整训练代码曲线落地企业案例参考案例上海“扶摇”模型的架构选型上海人工智能气象应用创新中心的“扶摇”模型选择了Nowcastformer架构而非简单的CNN或RNN选择理由Nowcastformer专为天气雷达回波设计能够处理雷达、卫星、数值预报等多源信息的同步融合技术特点采用自回归建模使预报频次从逐1小时缩短至逐10分钟级更新创新点在代码中加入“自适应权重机制”让模型重点关注历史案例中的“异常点”极端天气事件对学习者的启示不同架构有不同的适用场景。短临预报0-2小时常用ConvLSTM/Nowcastformer中期预报1-10天常用Transformer/GNN。动手实践任务任务2.1从零实现ConvLSTM预测T2M第12周完成数据ERA5过去30天逐日T2M区域20°N-60°N, 100°E-140°E任务用过去14天预测未来1天模型你自己实现的ConvLSTM2层每层64通道训练AdamW 学习率衰减 早停评估RMSE和ACC与气候态相比输出要求完整的训练脚本含验证集和早停逻辑TensorBoard训练曲线对2020年某个极端热浪事件的预测效果分析参考代码框架class ConvLSTMCell(nn.Module): def __init__(self, input_dim, hidden_dim, kernel_size, biasTrue): # 自己实现ConvLSTM的核心公式 pass def forward(self, x, prev_state): # h, c prev_state # i sigmoid(W_xi * x W_hi * h b_i) # f sigmoid(W_xf * x W_hf * h b_f) # g tanh(W_xg * x W_hg * h b_g) # o sigmoid(W_xo * x W_ho * h b_o) # c f * c i * g # h o * tanh(c) pass自测标准与面试准备技术自测✅ 能背诵Transformer四个核心公式Q、K、V计算 注意力 多头concat FFN✅ 用PyTorch实现过一个完整的ConvLSTM Cell不抄现成实现✅ 理解为什么气象预测需要二维位置编码而非一维✅ 能解释ACC和RMSE各自的优缺点面试常考题Q3为什么Transformer比RNN更适合长序列气象预报解答要点RNN存在梯度消失/爆炸问题难以捕捉超过100步的依赖Transformer的自注意力机制可以直接计算任意两个时间步的依赖关系路径长度为O(1)Transformer训练可以并行因为不依赖上一时刻输出RNN只能串行但Transformer的O(n²)复杂度是挑战气象大模型用稀疏注意力或Swin来解决Q4气象大模型为什么常用Swin Transformer而不是标准Transformer解答要点气象数据是3D球面经纬度网格分辨率高如0.25°约1440×720标准Transformer的O(n²)复杂度1440×720约为100万token平方后无法计算Swin Transformer通过局部窗口注意力 窗口移动来实现线性复杂度Pangu论文中的3D Earth Specific Transformer就是基于Swin的思想第三阶段气象大模型核心技术进阶预计5-6周阶段目标深入理解GraphCast/Pangu的完整技术细节掌握扩散模型在集合预报中的应用能独立实现物理约束损失。核心知识点1. 图神经网络气象建模Graph结构设计如何将球面离散化为多面体网格icosahedral mesh消息传递节点特征聚合与更新与Transformer的关系GAT本质是图上的自注意力GraphCast详解Encoder-Processor-Decoder架构2. 扩散模型在集合预报中的应用DDPM基础前向加噪/逆向去噪过程、重参数化技巧GenCast创新如何用扩散生成集合预报成员、置信区间估计Latent Diffusion将扩散过程在潜空间进行以降低计算量条件生成基于历史条件生成未来气象场3. 物理约束学习软约束在Loss中增加物理正则项如质量连续性约束硬约束网络结构强制满足边界条件守恒定律质量/能量守恒的神经网络实现PINNPhysics-Informed Neural Networks将PDE残差加入损失函数具体学习资源 书籍优先级书名推荐理由阅读章节⭐⭐⭐《大气科学中的人工智能技术》陈斌第4.6节专门讲气象大模型第4.6节气象大模型的网络架构第5章扩散模型⭐⭐⭐《气象大数据技术与应用》方巍第4章气象人工智能第4章气象人工智能含气象大模型发展、网络架构⭐⭐Understanding Deep LearningSimon Prince2023新书Diffusion章节写得极好第17章Diffusion Models说真的这两年看着身边一个个搞Java、C、前端、数据、架构的开始卷大模型挺唏嘘的。大家最开始都是写接口、搞Spring Boot、连数据库、配Redis稳稳当当过日子。结果GPT、DeepSeek火了之后整条线上的人都开始有点慌了大家都在想“我是不是要学大模型不然这饭碗还能保多久”我先给出最直接的答案一定要把现有的技术和大模型结合起来而不是抛弃你们现有技术掌握AI能力的Java工程师比纯Java岗要吃香的多。即使现在裁员、降薪、团队解散的比比皆是……但后续的趋势一定是AI应用落地大模型方向才是实现职业升级、提升薪资待遇的绝佳机遇这绝非空谈。数据说话2025年的最后一个月脉脉高聘发布了《2025年度人才迁徙报告》披露了2025年前10个月的招聘市场现状。AI领域的人才需求呈现出极为迫切的“井喷”态势2025年前10个月新发AI岗位量同比增长543%9月单月同比增幅超11倍。同时在薪资方面AI领域也显著领先。其中月薪排名前20的高薪岗位平均月薪均超过6万元而这些席位大部分被AI研发岗占据。与此相对应市场为AI人才支付了显著的溢价算法工程师中专攻AIGC方向的岗位平均薪资较普通算法工程师高出近18%产品经理岗位中AI方向的产品经理薪资也领先约20%。当你意识到“技术AI”是个人突围的最佳路径时整个就业市场的数据也印证了同一个事实AI大模型正成为高薪机会的最大源头。最后我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】