01
风资源评估的痛点
为什么单一数据源不够用？测风塔、再分析、卫星数据的各自局限。
局限痛点
02
数据融合基础概念
什么是数据融合？多源数据融合的层次：数据级、特征级、决策级。
层次概念
03
主流再分析数据集介绍
ERA5、MERRA-2、CFSR、JRA-55的特点与适用场景。
ERA5MERRA-2
04
卫星反演风速数据
CCMP、IFREMER、ASCAT数据源解析与精度对比。
CCMPASCAT
05
测风塔数据预处理
野点剔除、缺测插补、风速垂直外推（风切变律）。
插补风切变
06
再分析数据偏差校正
线性缩放法、分位数映射法、方差校正。
偏差校正分位数
07
卫星数据与测风塔时空匹配
最近邻法、双线性插值、时间窗口对齐。
插值对齐
08
基于机器学习的融合方法
随机森林回归融合测风塔与再分析数据。
随机森林回归
09
基于深度学习的融合方法
CNN-LSTM模型用于风速时序融合。
CNN-LSTM时序
10
变分同化方法在风场融合中的应用
3D-Var与4D-Var基本原理。
3D-Var4D-Var
11
卡尔曼滤波在风资源数据融合中的应用
标准KF与集合卡尔曼滤波（EnKF）。
卡尔曼EnKF
12
贝叶斯融合方法
高斯过程回归融合多源风速数据。
贝叶斯高斯过程
13
数据融合中的不确定性量化
蒙特卡洛模拟与置信区间估计。
不确定性蒙特卡洛
14
风功率密度计算
基于融合风速数据的Weibull参数拟合与功率密度评估。
Weibull功率密度
15
风切变与湍流强度分析
融合数据对风切变指数和湍流强度的改善。
风切变湍流
16
复杂地形下的数据融合
WRF模型降尺度与测风塔融合策略。
WRF降尺度
17
海上风资源数据融合
卫星高度计、浮标数据与再分析数据的融合。
海上浮标
18
时间序列融合
基于LSTM的多步风速预测与数据融合。
LSTM多步预测
19
空间插值融合
克里金插值、反距离加权法融合稀疏测风塔数据。
克里金IDW
20
数据融合的验证方法
交叉验证、独立测风塔验证、误差指标（RMSE、MAE、R²）。
验证RMSE
21
融合数据的长年代际修正
MCP方法（Measure-Correlate-Predict）与融合数据结合。
MCP长年代
22
Python实现：xarray与pandas
处理气象NetCDF数据。
xarrayNetCDF
23
Python实现：scikit-learn随机森林
实现随机森林融合模型。
scikit-learn随机森林
24
Python实现：PyTorch CNN-LSTM
搭建CNN-LSTM融合网络。
PyTorchCNN-LSTM
25
Python实现：pykrige克里金插值
pykrige实现克里金插值融合。
pykrige克里金
26
Python实现：OpenDA/DART同化
OpenDA或DART工具进行变分同化融合。
OpenDADART
27
案例实战1：平原风电场
ERA5与测风塔数据融合提升年发电量估算精度。
平原发电量
28
案例实战2：山地风电场
WRF降尺度与测风塔融合优化微观选址。
山地微观选址
29
案例实战3：海上风电场
CCMP卫星数据与浮标数据融合评估。
海上CCMP
30
课程总结与展望
数据融合技术前沿：AI+物理信息融合、数字孪生。
AI+物理数字孪生