资源简介

(共11张PPT)
第九课 分析处理气象数据
从原始数据到智能决策
数据分析的目的是把原始数据转化为信息，再把信息转化为知识。本课我们将学习气象数据分析方法，绘制校园气象数据表，并分析数据提炼有效信息。
教学目标
信息意识
理解气象数据的价值，能识别不同分析方法（对比、平均、结构）的适用场景。
意识到数据质量对人工智能天气预报的影响。
计算思维
掌握对比、平均、结构分析法的操作逻辑，通过工具生成统计图表。
理解数据从“原始→信息→知识”的转化过程。
数字化学习与创新
利用电子表格或编程工具优化数据分析流程。
通过物联网平台导出数据，完成综合分析任务。
信息社会责任
分析数据对政策制定（防汛、用水）的支撑作用。
讨论AI天气预报的伦理挑战（数据隐私、模型可解释性）。
导入：
“气象数据如何从‘数字’变成‘救命信息’？”
互动活动：
“数据盲盒”：每组选择一组气象数据（如温度、降水量），快速讨论其可能反映的问题（如干旱、洪涝）。
聚焦——数据分析
数据分析目的
"数据分析的目的是把原始数据转化为信息，再把信息转化为知识。"
数据分析方法
掌握对比分析法、平均分析法和结构分析法三种气象数据分析方法。
实践任务
绘制校园气象数据表，分析数据并提炼有效信息。
探索——对比分析法
定义：
也叫比较分析法，是将两个或两个以上的数据进行比较，分析他们的差异。
通常用于从数量上展示和说明研究对象规模大小、水平高低、速度快慢及
各种关系是否协调等，揭示出这些数据所反映的事物规律，是一种常用的分析方法。
做一做：
请根据北京各月平均气温折线图，上网查找我国的供暖政策以及各地供暖时间，分析北京供暖时间的设定原因，
并记录在教材P51页的框中。
探索——平均分析法
—
定义
平均分析法是运用计算平均数的方法来反映总体在一定时间、地点等条件下某一数量特征裾一般水平，以说明现象的发展趋势及规律。
其中，平日数是一个抽象化的数值，用来说明总体各单位标志值的集中趋势，如平均身高、平均工资和平均降水量等。
—
做一做
下表所示为2018 2021年北京各月降水量，请根据该表制作每月平均降水量柱状图，分析每月平均降水量的变化趋势。使用Execel或者Python将提供的数据表生成图表。
做一做：
通过分析，你能从制作的柱状图中获取哪些信息？这些信息对政府部门制定用水政策有什么帮助？将这些内容记录在教材P52页的框中。
探索——结构分析法
—
定义
结构分析法也称构成分析法，是将各个部分与总体对比，分析事务内部的结构和部分与整体之间关系的方法。
结构分析法的基本表现形式就是计算结构指标。
—
做一做
下表所示为2021年上海各月降水量，请根据该表制作饼图，标注出每月降水量的百分比。
设计——方法选择与工具
上述几种基本的数据分析方法分别适用于不同的情况，在实际应用中，需要根据具体问题合理选取并综合运用。请选择一种或者几种数据分析方法对你收集的校园气象数据进行分析，并说明选用此数据分析方法的理由。填写在教材P53页的方框中。
确定数据分析方法后，我们还需要借助合适的工具来更快捷地进行数据分析。计算机普及前，数据分析主要依靠人工方式完成。
电子表格软件
快速生成图表，进行基础数据处理。
在线数据分析平台
提供多样化的分析工具和可视化选项。
编程工具
如Python、R，适合复杂数据分析需求。
"根据具体问题合理选取并综合运用分析方法。"
实践——数据分析任务
学习了气象数据的处理方法后，接下来我们要通过物联网平台导出一周的气象数据记录，并针对已经导出的校园气象数据进行以下分析工作。
任务1
平均分析法分析周温度变化（生成统计图表）。
任务2
对比分析法分析温湿度、气压相关性（生成统计图表）。
任务3
总结温湿度分析结果。
任务4
用演示文稿展示分析过程。
议一议：
你在数据分析方面有哪些收获？与用电子表格软件分析数据相比，通过编程分析数据有哪些好处？
科学漫游——人工智能天气预报
1
技术突破
华为盘古气象大模型、风乌GHR大模型
2
核心优势
提高精度、缩短时间、降低成本
3
技术基础
大数据、深度学习、高算力
4
现存挑战
数据质量、模型可解释性、极端天气预测年份 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（单位：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选择题（8道）
难度分级：
容易 ×5 | 中等 ×2 | 较难 ×1
容易题
对比分析法主要用于分析什么？
A. 数据总量
B. 部分与整体的关系
C. 数据之间的差异
D. 平均值趋势
答案：C
解析：教材定义对比分析法为“比较数据差异”（如多年气温变化）。
结构分析法的典型图表是？
A. 折线图
B. 饼图
C. 柱状图
D. 散点图
答案：B
解析：教材中结构分析法要求“制作饼图标注百分比”。
人工智能天气预报依赖的核心技术不包括？
A. 大数据
B. 深度学习
C. 人工观测
D. 高算力
答案：C
解析：教材明确说明AI依赖“大数据、深度学习、高算力”。
平均分析法中“月平均降水量”反映的是？
A. 单日极端值
B. 总体一般水平
C. 数据分布结构
D. 数据对比差异
答案：B
解析：教材定义平均分析法为“反映总体一般水平”。
电子表格软件在数据分析中的主要优势是？
A. 处理百万级数据
B. 快速生成统计图表
C. 编写复杂算法
D. 实时数据采集
答案：B
解析：教材提到电子表格可“快速生成统计图表”。
中等题
若分析“北京供暖时间设定原因”，最适合的方法是？
A. 对比分析法
B. 平均分析法
C. 结构分析法
D. 以上均可
答案：A
解析：需对比多年气温数据与供暖政策（教材“做一做”任务）。
人工智能天气预报中“数据同化”的作用是？
A. 降低数据存储成本
B. 整合多源数据提高精度
C. 简化模型计算步骤
D. 增强可视化效果
答案：B
解析：教材提到数据同化用于“整合多源数据提高预测精度”。
较难题
解决气象站稀疏地区AI预测精度问题的最佳方案是？
A. 增加人工观测站
B. 使用卫星数据+机器学习插值
C. 仅依赖历史数据
D. 放弃该地区预测
答案：B
解析：教材拓展部分提到“数据同化”和“机器学习补全缺失数据”。
判断题（8道）
结构分析法适合分析各月降水量占比。
答案：
解析：结构分析侧重部分与整体关系（教材饼图任务）。
对比分析法只能用于两个数据的比较。
答案：
解析：教材定义为“两个或两个以上数据比较”。
人工智能天气预报完全无需人工干预。
答案：
解析：教材指出模型可解释性差，需人类监督。
电子表格软件无法处理温湿度相关性分析。
答案：
解析：教材实践任务要求用电子表格或编程工具分析相关性。
平均分析法中，异常值不会影响总体趋势判断。
答案：
解析：异常值可能导致平均数偏离真实水平。
“10千米级天气预报”指预测精度达到10千米范围。
答案：
解析：教材提到“风乌大模型进入10千米级时代”。
数据清洗的目的是让图表更美观。
答案：
解析：数据清洗核心是去除错误或冗余数据，确保分析准确性。
AI天气预报的成本高于传统方法。
答案：
解析：教材明确说明AI“降低预测成本”。教学教案设计
总第 9 课时
课 题 名 称 分析处理气象数据
学习目标 （包含学科核心素养） 理解气象数据的价值，能识别不同分析方法（对比、平均、结构）的适用场景。 掌握对比分析、平均分析、结构分析法的操作逻辑，并能通过电子表格或编程工具生成统计图表。 利用物联网平台导出气象数据，综合运用分析方法提炼有效信息。 分析气象数据对政策制定（如防汛、用水）的支撑作用，体会数据驱动的社会决策。
问 题 类 型 学生问题 如何选择对比分析法、平均分析法或结构分析法？不同方法的应用场景有什么区别？ 绘制柱状图和饼图时，如何避免数据误差导致图表误导分析结果？ 人工智能天气预报的“10千米级时代”具体指什么？对日常生活有什么实际影响？
学科问题 1. 对比分析法与结构分析法在气象数据分析中的核心差异是什么？举例说明其适用场景。 2. 为什么说电子表格软件和编程工具能提升数据分析效率？结合实践任务说明。 3. 人工智能天气预报模型中“数据同化”的作用是什么？如何解决数据不完整的问题？
教师问题 1. 如果让你分析上海夏季降水量对城市内涝的影响，你会选择哪种分析方法？如何设计分析流程？ 2. 人工智能天气预报依赖海量数据，如果某地区气象站稀疏，预测精度会受何影响？请提出解决方案。
问题系统 （星号标出核心问题） 1. 对比分析法与结构分析法在气象数据分析中的核心差异是什么？举例说明其适用场景。 2. 为什么说电子表格软件和编程工具能提升数据分析效率？结合实践任务说明。 3. 人工智能天气预报模型中“数据同化”的作用是什么？如何解决数据不完整的问题？
问题探究流程 导（问题引导）、学（自主探究）、探（合作探究）、测（课堂检测）、拓（知识拓展）
导（问题引导）： 情境创设： 播放新闻片段：“某城市因暴雨引发内涝，气象数据分析助力防汛决策。” 核心问题： “气象数据如何从‘数字’变成‘救命信息’？” 互动活动： “数据盲盒”：每组随机抽取一组气象数据（如温度、降水量），快速讨论其可能反映的问题（如干旱、洪涝）。 埋下悬念：展示华为盘古气象大模型的预测动图，提问：“AI如何让天气预报更精准？” 知识点： 数据分析的价值（信息意识）； 从数据到知识的转化流程（计算思维）。 学（自主探究）： 自主探究任务： 任务1：分析方法选择实验 知识点：对比分析（差异）、平均分析（趋势）、结构分析（占比）。 活动：根据教材“做一做”案例，选择合适方法分析北京气温数据： 对比分析法：对比2018-2021年各月气温折线图，标记异常月份。 平均分析法：计算北京4年月均降水量，绘制柱状图。 答案示例： 对比分析→发现2021年7月气温显著升高；平均分析→8月降水最多，需防涝。 任务2：图表纠错挑战 知识点：数据清洗、图表规范（坐标轴标签、单位）。 活动：提供含错误的柱状图（如未标注单位、数据截断），学生修正并说明误导风险。 三、探（合作探究）： 合作探究任务： 任务：政策模拟决策会 分组角色：数据分析师、城市规划师、气象专家、市民代表。 环节1：数据驱动防汛 问题：根据上海各月降水量饼图（教材“结构分析法”），设计防汛措施。 答案示例：7-8月占比60% → 提前疏通排水系统，储备防汛物资。 环节2：AI天气预报辩论 辩题： “人工智能预测极端天气的可靠性高，是否可以完全取代传统气象站？” 论据支持（教材“科学漫游”）： 正方：AI精度高、成本低；反方：依赖数据质量、可解释性差。 四（课堂检测）： 课堂检测题目设计: 形式：小组“数据解密赛” 实战题： 给定某周校园温湿度数据，用对比分析法分析相关性（答案：湿度随温度升高而下降）。 选择题： 结构分析法最适合分析？（答案：B） A. 十年气温趋势 B. 各月降水占比 C. 单日风速波动 判断题： 电子表格无法处理万级以上数据量。（答案： 编程工具更高效 五、拓（知识拓展）： 情境延伸： 任务1：AI气象员挑战 场景：假设你是盘古模型工程师，如何优化某山区（气象站稀疏）的预测？ 答案：结合卫星数据 + 机器学习插值（教材“数据同化”）。 任务2：伦理沙盘推演 问题： “若AI误报暴雨导致恐慌，责任应由谁承担？” 引导：从数据质量、算法透明性、人类监督多角度讨论。
板 书 设 计 测试运维校园数字气象站
一、方法工具箱 对比分析 → 找差异（例：多年气温） 平均分析 → 看趋势（例：月均降水） 结构分析 → 算占比（例：降水分布） 二、流程链 原始数据 → 清洗整理 → 选择方法 → 生成图表 → 提炼知识 三、AI天气预报 优势：精度高、成本低 挑战：数据质量、可解释性 四、数据伦理 责任归属：技术缺陷？人为失误？ 社会影响：恐慌 vs 预警
教 学 反 思 测试运维校园数字气象站
1.数据分析方法的具象化不足： 学生在选择对比分析、平均分析或结构分析法时，仍存在场景混淆。后续可增加生活案例（如班级成绩分析），强化方法匹配逻辑。 2.AI技术讨论的深度有限： 辩论环节部分学生仅复述教材内容，缺乏批判性思考。可提前提供伦理冲突案例（如误报台风），引导多角度分析。
1

展开更多......

收起↑