随着观测技术、数值模拟与计算基础设施的迅猛发展，地球系统科学、生态学、环境科学等自然科学领域正迈入'大数据 + 智能模型'驱动的新阶段。传统的统计建模方法虽具可解释性，却难以应对高维、非线性、多源异构的复杂自然系统；而以机器学习和深度学习为代表的 AI 技术，正为科学发现提供强大工具。更进一步，以大模型（Foundation Models）为代表的新型人工智能范式，正在重塑数据密集型科研的边界，为遥感反演、气候模拟、污染物溯源等任务带来前所未有的泛化与迁移潜力。
一、科研数据类型与预处理 夯实建模起点：理解模型本质，规范预处理流程
- 数据尺度分类：名义数据、有序数据、定距数据、比率数据
- 多维数据结构：时间序列、纵向数据、空间场数据、面板数据以及内生/外生变量辨析
- 缺失值处理：基于统计的插补，多重插补
- 异常值处理：基于统计的异常值处理，基于模型的异常值处理
- 特征工程以及高级特征构造：熵、Hurst 指数、滑动统计量
二、模型评估、验证与不确定性量化 科研可信度的基石：不止于准确率
- 交叉验证与 K 折检验
- 性能指标体系：MAE、RMSE、R²与交叉熵
- 不确定性来源：数据、参数、结构、情景
- 模型诊断：残差分析、AUC
- 贝叶斯统计学：置信区间与可信区间
三、高维与复杂结构数据降维 从高维噪声中提取主导模态
- 主成分分析（PCA）
- 奇异值分解（SVD）与低秩逼近
- 经验模态分解（EMD）与 Hilbert 谱
- 季节分解（STL）
- 非负矩阵分解（NMF）用于源解析
- 独立成分分析（ICA）与核 ICA
- 正交经验分解（EOF）
四、时频分析与谱方法 揭示周期、突变与多变量协同机制
- 傅里叶变换与功率谱密度
- 小波变换与局部时频表征
- 互谱、相干性与相位同步
- Hilbert-Huang 变换（HHT）处理非平稳信号
- 多元小波相干分析
五、高级回归建模：超越线性假设 超越线性假设，适配多样响应类型
- 线性回归与指数族
- 广义线性模型（GLM）：泊松、负二项、Gamma、零膨胀
- 分位数回归：刻画条件分布全貌
- 非参数回归：核平滑、局部多项式
- 正则化：如果观测值太少怎么办？Lasso、Ridge、Elastic Net、LARS
六、机器学习核心算法 高精度预测与非线性预测工具箱
- 决策树与随机森林
- 梯度提升树：XGBoost、LightGBM、CatBoost
- 支持向量机（SVM）与核函数选择
- 堆叠集成（Stacking）与超参数调优
七、可解释人工智能（XAI） 让模型'说出理由'：支持科学归因与机制推断
- 全局解释：变量重要性、部分依赖图（PDP）、SHAP
- 局部解释：高级 SHAP（Tree/Kernel/Conditional）、LIME
- 交互效应量化：H 统计量、SHAP 交互值
- 对抗可解释性陷阱：相关≠因果、特征泄露警示
八、深度学习：感知与表征 处理图像与光谱
- 多层感知机（MLP）与激活函数选择
- 自编码器（AE）与变分自编码器（VAE）
- 卷积神经网络（CNN）：LeNet → ResNet
- U-Net 架构：语义分割与边界保持
九、深度学习进阶：序列、生成与注意力 建模动态演化、生成模拟与长程依赖
- RNN / LSTM / GRU：记忆机制对比
- Attention 机制原理
- Transformer 与 Swin Transformer
