最近文献调研，发现一个研究相近的师兄最近发的几篇文章给的启发性很高，阅读文献的同时也对这几篇文章做个总结，以防自己忘记，也分享给大家。最近的研究都是将深度学习应用到气象领域的，比如用深度学习反演葵花、风云卫星夜间云相态产品，利用可解释性方法做气候学诊断分析以及利用深度学习订正全球季节预报模式。

利用python批量下载ERA5的Daily数据

深度学习遇到的一些bug和问题 不定时更新（希望更新的能越来越少 碰不到bug最好）

深度学习遇到的一些bug和问题 不定时更新（希望更新的能越来越少 碰不到bug最好）

深度学习遇到的一些bug和问题 不定时更新（希望更新的能越来越少 碰不到bug最好）

深度学习遇到的一些bug和问题 不定时更新（希望更新的能越来越少 碰不到bug最好）

Python实战代码之时序预报分析-随机森林&XGBOOST&LSTM。利用Random forest/XGB/LSTM模型进行建模。选择不同模型只需要更改main.py中89行即可运行。ModelSelected = 'random forest'可选的是'random forest' / 'XGB' / 'LSTM'。模型推荐需要调参（LSTM模型除外），CvState = True；如果不想

深度学习遇到的一些bug和问题 不定时更新（希望更新的能越来越少 碰不到bug最好）

教你用python处理grib数据，解释超清楚，一看就会~

在肘部法则中，我们关注的是随着簇数增加，Inertia（簇内平方和）的变化情况。通常情况下，Inertia值越低表示数据点更接近其簇中心，但并非绝对。在肘部法则中，我们寻找的是Inertia急剧下降并趋于平缓的点，这个点可能是最佳的聚类数量。因此，对于肘部法则，我们要找到Inertia值下降幅度显著变小，即形成一个“肘部”样的点，这时候增加簇数不再显著地降低Inertia。