本书较为详细地阐述了包括气象大数据、原创的统计降尺度方法、机器学习算法、智能推荐算法以及智能预测业务流程在内的智能气候预测的技术体系，详尽介绍了作者自主开发的智能气候预测系统及数据库的设计思路、功能架构及应用案例。相信，该书的出版，不仅会开拓气候预测相关人员的思路、推动智能气候预测的创新发展，也能提高气象专业软件公司的从业人员对气候预测业务的理解，为各省开发操作更为便捷、预测更为准确、服务更为精准的智能气候预测系统提供参考。

序言
前言
第1章 智能气候预测概念及说明
1.1 现状及需求
1.2 人工智能的定义
1.3 人工智能在气象上的应用
1.4 如何做智能气候预测
1.4.1 气候大数据
1.4.2 常规方法
1.4.3 机器学习算法
1.4.4 评估推荐
第2章 智能气候预测系统设计
2.1 系统业务流程
2.2 系统总体功能结构
2.3 系统配置与管理
2.4 系统数据结构
2.5 系统主要功能
2.6 系统主要技术特点
2.7 系统通用说明
2.8 系统界面说明
第3章 智能气候预测数据库
3.1 设计策略
3.2 主要数据对象清单
3.3 主要数据表结构说明(节选)
3.3.1 台站
3.3.2 地面气象资料
3.3.3 环流指数
3.3.4 日再分析资料
3.3.5 月再分析资料
3.3.6 模式预测产品
3.3.7 地面气象要素统计表
3.3.8 趋势预测
3.3.9 趋势得分
3.3.10 模式与对象相关信息
3.4 主要函数、存储过程(节选)
3.4.1 地面气象要素统计
3.4.2 环流指数统计
3.4.3 月再分析资料统计
3.4.4 持续日数统计
3.4.5 格点相似度统计
3.4.6 MJO的降水影响统计
3.4.7 指数与预测对象相关统计
3.4.8 旱涝转折
3.4.9 指数预测趋势
3.4.10 多场融合相似
3.5 数据预处理
3.5.1 数据处理
3.5.2 数据统计
3.5.3 数据可视化
3.5.4 客观化预测
3.6 数据图形编辑
第4章 智能气候预测系统主体
4.1 气候态
4.2 趋势背景
4.3 对比分析
4.4 台站数据相似合成
4.5 气候记忆
4.6 EOF
4.7 奇异值分解(Singular Value Decomposition，SVD)
4.8 日月相
4.9 MCI(气象干旱综合指数)
4.10 指数可视化
4.1 l指数预测指数
4.12 指数预测趋势
4.13 多因子协同
4.14 过程因子
4.15 相似过程
4.16 极端影响
4.17 格点资料相似合成(月)
4.18 格点资料相似合成(日)
4.19 场预测指数
4.20 场预测趋势
4.21 场相似
4.22 污染潜势
4.23 智能延伸期
4.24 模式检验
4.25 MJO可视化
4.26 MJO过程相似
4.27 MJO强活动
4.28 MJO概率相似
4.29 MJO降水分析
4.30 MJO环流合成
4.31 机器学习
4.32 智能推荐
第5章 智能气候预测系统的绘图及检验
5.1 实用画图工具
5.1.1 重现期
5.1.2 批量绘图
5.1.3 选择绘图
5.1.4 绘制预测图
5.1.5 逐步回归
5.1.6 K—Means聚类
5.2 模式链接
5.3 其他设置
5.3.1 评分可视化
5.3.2 区域设定
5.4 预测试验
5.5 预测检验
5.5.1 最高分检验
5.5.2 智能推荐检验
参考文献