01
课程导论
为什么天气因子对农产品价格如此重要？量化建模的基本概念与课程目标。
入门核心概念
02
数据基础
气象数据来源（国家气象局、NASA POWER、NOAA）与获取方法。
数据源API
03
数据清洗
处理缺失值、异常值、时间序列对齐。
预处理Pandas
04
特征工程（上）· 温度因子
积温、极端温度、昼夜温差。
温度特征构建
05
特征工程（中）· 降水因子
降水量、降水天数、干旱指数（SPI）。
降水干旱
06
特征工程（下）· 光照与风
日照时数、太阳辐射、风速。
光照风
07
相关性分析
皮尔逊、斯皮尔曼相关系数，热力图可视化。
统计可视化
08
滞后效应分析
天气对产量的滞后影响，交叉相关函数（CCF）。
时序滞后
09
线性回归模型
一元与多元线性回归，OLS假设检验。
回归OLS
10
正则化方法
Ridge、Lasso、Elastic Net，防止过拟合。
正则化L1/L2
11
树模型基础
决策树回归，特征重要性排序。
树模型可解释
12
集成学习
随机森林、梯度提升树（GBDT）、XGBoost。
集成Boosting
13
时间序列模型
ARIMA、SARIMA，天气因子的外生变量引入。
ARIMA外生变量
14
深度学习入门
LSTM网络结构，处理时序天气数据。
LSTM时序
15
模型评估指标
MSE、RMSE、MAE、R²、MAPE。
评估指标
16
交叉验证
时间序列交叉验证（TimeSeriesSplit）。
验证时序
17
超参数调优
网格搜索、随机搜索、贝叶斯优化。
调优搜索
18
特征选择
递归特征消除（RFE）、基于模型的选择。
特征选择RFE
19
多目标建模
同时预测产量与品质指标。
多任务品质
20
空间建模
地理加权回归（GWR），考虑区域差异。
空间GWR
21
极端天气事件建模
寒潮、干旱、洪涝的量化指标。
极端风险
22
气候变化情景分析
基于CMIP6数据的未来产量预测。
气候CMIP6
23
模型解释性
SHAP值、部分依赖图（PDP）。
可解释SHAP
24
不确定性量化
蒙特卡洛模拟、置信区间估计。
不确定性蒙特卡洛
25
模型部署
Flask API搭建，模型序列化（Pickle/ONNX）。
部署Flask
26
实时数据管道
从API获取天气数据，自动触发预测。
管道实时
27
案例实战（一）· 小麦
小麦产量预测——从数据到模型全流程。
实战小麦
28
案例实战（二）· 苹果品质
苹果品质预测——糖度、色泽与天气。
实战苹果
29
案例实战（三）· 生猪出栏价
生猪出栏价预测——饲料成本与天气联动。
实战生猪
30
课程总结
常见陷阱、最佳实践与未来方向。
总结展望