資源簡介

(共11張PPT)
第九課 分析處理氣象數據
從原始數據到智能決策
數據分析的目的是把原始數據轉化為信息，再把信息轉化為知識。本課我們將學習氣象數據分析方法，繪制校園氣象數據表，并分析數據提煉有效信息。
教學目標
信息意識
理解氣象數據的價值，能識別不同分析方法（對比、平均、結構）的適用場景。
意識到數據質量對人工智能天氣預報的影響。
計算思維
掌握對比、平均、結構分析法的操作邏輯，通過工具生成統計圖表。
理解數據從“原始→信息→知識”的轉化過程。
數字化學習與創新
利用電子表格或編程工具優化數據分析流程。
通過物聯網平臺導出數據，完成綜合分析任務。
信息社會責任
分析數據對政策制定（防汛、用水）的支撐作用。
討論AI天氣預報的倫理挑戰（數據隱私、模型可解釋性）。
導入：
“氣象數據如何從‘數字’變成‘救命信息’？”
互動活動：
“數據盲盒”：每組選擇一組氣象數據（如溫度、降水量），快速討論其可能反映的問題（如干旱、洪澇）。
聚焦——數據分析
數據分析目的
"數據分析的目的是把原始數據轉化為信息，再把信息轉化為知識。"
數據分析方法
掌握對比分析法、平均分析法和結構分析法三種氣象數據分析方法。
實踐任務
繪制校園氣象數據表，分析數據并提煉有效信息。
探索——對比分析法
定義：
也叫比較分析法，是將兩個或兩個以上的數據進行比較，分析他們的差異。
通常用于從數量上展示和說明研究對象規模大小、水平高低、速度快慢及
各種關系是否協調等，揭示出這些數據所反映的事物規律，是一種常用的分析方法。
做一做：
請根據北京各月平均氣溫折線圖，上網查找我國的供暖政策以及各地供暖時間，分析北京供暖時間的設定原因，
并記錄在教材P51頁的框中。
探索——平均分析法
—
定義
平均分析法是運用計算平均數的方法來反映總體在一定時間、地點等條件下某一數量特征裾一般水平，以說明現象的發展趨勢及規律。
其中，平日數是一個抽象化的數值，用來說明總體各單位標志值的集中趨勢，如平均身高、平均工資和平均降水量等。
—
做一做
下表所示為2018 2021年北京各月降水量，請根據該表制作每月平均降水量柱狀圖，分析每月平均降水量的變化趨勢。使用Execel或者Python將提供的數據表生成圖表。
做一做：
通過分析，你能從制作的柱狀圖中獲取哪些信息？這些信息對政府部門制定用水政策有什么幫助？將這些內容記錄在教材P52頁的框中。
探索——結構分析法
—
定義
結構分析法也稱構成分析法，是將各個部分與總體對比，分析事務內部的結構和部分與整體之間關系的方法。
結構分析法的基本表現形式就是計算結構指標。
—
做一做
下表所示為2021年上海各月降水量，請根據該表制作餅圖，標注出每月降水量的百分比。
設計——方法選擇與工具
上述幾種基本的數據分析方法分別適用于不同的情況，在實際應用中，需要根據具體問題合理選取并綜合運用。請選擇一種或者幾種數據分析方法對你收集的校園氣象數據進行分析，并說明選用此數據分析方法的理由。填寫在教材P53頁的方框中。
確定數據分析方法后，我們還需要借助合適的工具來更快捷地進行數據分析。計算機普及前，數據分析主要依靠人工方式完成。
電子表格軟件
快速生成圖表，進行基礎數據處理。
在線數據分析平臺
提供多樣化的分析工具和可視化選項。
編程工具
如Python、R，適合復雜數據分析需求。
"根據具體問題合理選取并綜合運用分析方法。"
實踐——數據分析任務
學習了氣象數據的處理方法后，接下來我們要通過物聯網平臺導出一周的氣象數據記錄，并針對已經導出的校園氣象數據進行以下分析工作。
任務1
平均分析法分析周溫度變化（生成統計圖表）。
任務2
對比分析法分析溫濕度、氣壓相關性（生成統計圖表）。
任務3
總結溫濕度分析結果。
任務4
用演示文稿展示分析過程。
議一議：
你在數據分析方面有哪些收獲？與用電子表格軟件分析數據相比，通過編程分析數據有哪些好處？
科學漫游——人工智能天氣預報
1
技術突破
華為盤古氣象大模型、風烏GHR大模型
2
核心優勢
提高精度、縮短時間、降低成本
3
技術基礎
大數據、深度學習、高算力
4
現存挑戰
數據質量、模型可解釋性、極端天氣預測年份 月份
1 2 3 4 5 6 7 8 9 10 11 12
2021 0.8 6.9 33.3 1.4 16.3 36.5 239 141.5 139.8 48.5 19.7 2.8
2020 4.7 37.7 11.9 12.7 48.1 33.7 108.3 167.4 71.1 1.8 27.9 0
2019 0 2 2.5 39.4 58.5 9.4 90 63.9 90.9 22.9 21.3 5.7
2018 0 0 4.1 47.5 9.3 35.4 309.1 109.6 25.4 4.4 1.6 0.22021年山海各月降水量（單位：mm）
月份 1 2 3 4 5 6 7 8 9 10 11 12
降水量 14.7 54.2 72.7 68.1 139 101.2 436.8 231.8 169.6 114.3 70.1 6選擇題（8道）
難度分級：
容易 ×5 | 中等 ×2 | 較難 ×1
容易題
對比分析法主要用于分析什么？
A. 數據總量
B. 部分與整體的關系
C. 數據之間的差異
D. 平均值趨勢
答案：C
解析：教材定義對比分析法為“比較數據差異”（如多年氣溫變化）。
結構分析法的典型圖表是？
A. 折線圖
B. 餅圖
C. 柱狀圖
D. 散點圖
答案：B
解析：教材中結構分析法要求“制作餅圖標注百分比”。
人工智能天氣預報依賴的核心技術不包括？
A. 大數據
B. 深度學習
C. 人工觀測
D. 高算力
答案：C
解析：教材明確說明AI依賴“大數據、深度學習、高算力”。
平均分析法中“月平均降水量”反映的是？
A. 單日極端值
B. 總體一般水平
C. 數據分布結構
D. 數據對比差異
答案：B
解析：教材定義平均分析法為“反映總體一般水平”。
電子表格軟件在數據分析中的主要優勢是？
A. 處理百萬級數據
B. 快速生成統計圖表
C. 編寫復雜算法
D. 實時數據采集
答案：B
解析：教材提到電子表格可“快速生成統計圖表”。
中等題
若分析“北京供暖時間設定原因”，最適合的方法是？
A. 對比分析法
B. 平均分析法
C. 結構分析法
D. 以上均可
答案：A
解析：需對比多年氣溫數據與供暖政策（教材“做一做”任務）。
人工智能天氣預報中“數據同化”的作用是？
A. 降低數據存儲成本
B. 整合多源數據提高精度
C. 簡化模型計算步驟
D. 增強可視化效果
答案：B
解析：教材提到數據同化用于“整合多源數據提高預測精度”。
較難題
解決氣象站稀疏地區AI預測精度問題的最佳方案是？
A. 增加人工觀測站
B. 使用衛星數據+機器學習插值
C. 僅依賴歷史數據
D. 放棄該地區預測
答案：B
解析：教材拓展部分提到“數據同化”和“機器學習補全缺失數據”。
判斷題（8道）
結構分析法適合分析各月降水量占比。
答案：
解析：結構分析側重部分與整體關系（教材餅圖任務）。
對比分析法只能用于兩個數據的比較。
答案：
解析：教材定義為“兩個或兩個以上數據比較”。
人工智能天氣預報完全無需人工干預。
答案：
解析：教材指出模型可解釋性差，需人類監督。
電子表格軟件無法處理溫濕度相關性分析。
答案：
解析：教材實踐任務要求用電子表格或編程工具分析相關性。
平均分析法中，異常值不會影響總體趨勢判斷。
答案：
解析：異常值可能導致平均數偏離真實水平。
“10千米級天氣預報”指預測精度達到10千米范圍。
答案：
解析：教材提到“風烏大模型進入10千米級時代”。
數據清洗的目的是讓圖表更美觀。
答案：
解析：數據清洗核心是去除錯誤或冗余數據，確保分析準確性。
AI天氣預報的成本高于傳統方法。
答案：
解析：教材明確說明AI“降低預測成本”。教學教案設計
總第 9 課時
課 題 名 稱 分析處理氣象數據
學習目標 （包含學科核心素養） 理解氣象數據的價值，能識別不同分析方法（對比、平均、結構）的適用場景。 掌握對比分析、平均分析、結構分析法的操作邏輯，并能通過電子表格或編程工具生成統計圖表。 利用物聯網平臺導出氣象數據，綜合運用分析方法提煉有效信息。 分析氣象數據對政策制定（如防汛、用水）的支撐作用，體會數據驅動的社會決策。
問 題 類 型 學生問題 如何選擇對比分析法、平均分析法或結構分析法？不同方法的應用場景有什么區別？ 繪制柱狀圖和餅圖時，如何避免數據誤差導致圖表誤導分析結果？ 人工智能天氣預報的“10千米級時代”具體指什么？對日常生活有什么實際影響？
學科問題 1. 對比分析法與結構分析法在氣象數據分析中的核心差異是什么？舉例說明其適用場景。 2. 為什么說電子表格軟件和編程工具能提升數據分析效率？結合實踐任務說明。 3. 人工智能天氣預報模型中“數據同化”的作用是什么？如何解決數據不完整的問題？
教師問題 1. 如果讓你分析上海夏季降水量對城市內澇的影響，你會選擇哪種分析方法？如何設計分析流程？ 2. 人工智能天氣預報依賴海量數據，如果某地區氣象站稀疏，預測精度會受何影響？請提出解決方案。
問題系統 （星號標出核心問題） 1. 對比分析法與結構分析法在氣象數據分析中的核心差異是什么？舉例說明其適用場景。 2. 為什么說電子表格軟件和編程工具能提升數據分析效率？結合實踐任務說明。 3. 人工智能天氣預報模型中“數據同化”的作用是什么？如何解決數據不完整的問題？
問題探究流程 導（問題引導）、學（自主探究）、探（合作探究）、測（課堂檢測）、拓（知識拓展）
導（問題引導）： 情境創設： 播放新聞片段：“某城市因暴雨引發內澇，氣象數據分析助力防汛決策?！?核心問題： “氣象數據如何從‘數字’變成‘救命信息’？” 互動活動： “數據盲盒”：每組隨機抽取一組氣象數據（如溫度、降水量），快速討論其可能反映的問題（如干旱、洪澇）。 埋下懸念：展示華為盤古氣象大模型的預測動圖，提問：“AI如何讓天氣預報更精準？” 知識點： 數據分析的價值（信息意識）； 從數據到知識的轉化流程（計算思維）。 學（自主探究）： 自主探究任務： 任務1：分析方法選擇實驗 知識點：對比分析（差異）、平均分析（趨勢）、結構分析（占比）。 活動：根據教材“做一做”案例，選擇合適方法分析北京氣溫數據： 對比分析法：對比2018-2021年各月氣溫折線圖，標記異常月份。 平均分析法：計算北京4年月均降水量，繪制柱狀圖。 答案示例： 對比分析→發現2021年7月氣溫顯著升高；平均分析→8月降水最多，需防澇。 任務2：圖表糾錯挑戰 知識點：數據清洗、圖表規范（坐標軸標簽、單位）。 活動：提供含錯誤的柱狀圖（如未標注單位、數據截斷），學生修正并說明誤導風險。 三、探（合作探究）： 合作探究任務： 任務：政策模擬決策會 分組角色：數據分析師、城市規劃師、氣象專家、市民代表。 環節1：數據驅動防汛 問題：根據上海各月降水量餅圖（教材“結構分析法”），設計防汛措施。 答案示例：7-8月占比60% → 提前疏通排水系統，儲備防汛物資。 環節2：AI天氣預報辯論 辯題： “人工智能預測極端天氣的可靠性高，是否可以完全取代傳統氣象站？” 論據支持（教材“科學漫游”）： 正方：AI精度高、成本低；反方：依賴數據質量、可解釋性差。 四（課堂檢測）： 課堂檢測題目設計: 形式：小組“數據解密賽” 實戰題： 給定某周校園溫濕度數據，用對比分析法分析相關性（答案：濕度隨溫度升高而下降）。 選擇題： 結構分析法最適合分析？（答案：B） A. 十年氣溫趨勢 B. 各月降水占比 C. 單日風速波動 判斷題： 電子表格無法處理萬級以上數據量。（答案： 編程工具更高效 五、拓（知識拓展）： 情境延伸： 任務1：AI氣象員挑戰 場景：假設你是盤古模型工程師，如何優化某山區（氣象站稀疏）的預測？ 答案：結合衛星數據 + 機器學習插值（教材“數據同化”）。 任務2：倫理沙盤推演 問題： “若AI誤報暴雨導致恐慌，責任應由誰承擔？” 引導：從數據質量、算法透明性、人類監督多角度討論。
板 書 設 計 測試運維校園數字氣象站
一、方法工具箱 對比分析 → 找差異（例：多年氣溫） 平均分析 → 看趨勢（例：月均降水） 結構分析 → 算占比（例：降水分布） 二、流程鏈 原始數據 → 清洗整理 → 選擇方法 → 生成圖表 → 提煉知識 三、AI天氣預報 優勢：精度高、成本低 挑戰：數據質量、可解釋性 四、數據倫理 責任歸屬：技術缺陷？人為失誤？ 社會影響：恐慌 vs 預警
教 學 反 思 測試運維校園數字氣象站
1.數據分析方法的具象化不足： 學生在選擇對比分析、平均分析或結構分析法時，仍存在場景混淆。后續可增加生活案例（如班級成績分析），強化方法匹配邏輯。 2.AI技術討論的深度有限： 辯論環節部分學生僅復述教材內容，缺乏批判性思考?？商崆疤峁﹤惱頉_突案例（如誤報臺風），引導多角度分析。
1

展開更多......

收起↑