跟着节气学机器学习｜趣味科学课堂课件

1.课程导入：从“节气是古人的AI”说起演讲人课程导入：从“节气是古人的AI”说起课堂总结与展望拓展延伸：节气驱动的机器学习创新场景实践拆解：用机器学习复现节气规律的完整流程基础认知：节气与机器学习的底层逻辑契合目录跟着节气学机器学习｜趣味科学课堂课件作为一名在高校从事机器学习与跨学科科普教学6年的讲师，我始终坚信：真正的科学教育，不该把专业知识束之高阁，而要让它扎根于大众熟悉的生活场景。2022年春天，我带着学生在京郊农田观察物候时，有个文科生学生突然指着返青的麦田说“这不就是古人写的‘雨水至，耕土发’吗？”这句话瞬间点透了我筹备这门课的初衷——把晦涩的机器学习，藏进我们从小背到大的二十四节气里。本课件将以第一人称的教学视角，从节气的本质出发，循序渐进地拆解二者的共通逻辑，最终落地到可实操的机器学习实践环节。01课程导入：从“节气是古人的AI”说起1我的跨学科教学初衷在传统的机器学习课堂上，我常看到学生对着满屏的代码和公式皱眉：“这些东西和我有什么关系？”直到那次郊外的教学实践，我发现节气是连接大众与AI的天然桥梁——它是古人用千年时间积累的气候数据集，也是一套朴素的规律总结逻辑，和机器学习的核心目标高度契合。这门课的核心，就是让学生跳出“机器学习是程序员的专属技能”的刻板印象，用熟悉的节气作为切入点，理解AI的本质是“从数据中找规律”。1.2课堂初始问题：你真的懂节气和AI的关联吗？开课之初我会先抛出三个简单问题，引导学生快速进入状态：你能说出多少个二十四节气？你有没有听过“清明断雪，谷雨断霜”这类俗语？它背后藏着什么规律？如果让你用电脑预测今年立夏的平均气温，你会怎么做？1我的跨学科教学初衷前两个问题几乎所有学生都能给出部分答案，但第三个问题往往会让大家陷入沉默——这正是我们这节课要解决的核心：把“凭经验判断”的节气规律，转化为计算机能学习的机器学习模型。3课前热身：节气数据的直观感知我会在课前给每位学生发放一份打印好的近10年北京地区立春、立夏、立秋、立冬四个节气的平均气温数据，让他们先手动观察数据变化：比如近10年立春的平均气温大多在0-5℃之间，立夏则在20-25℃之间。这个简单的热身环节，能让学生直观感受到“节气是带有规律的气候数据集合”，为后续的机器学习讲解打下基础。02基础认知：节气与机器学习的底层逻辑契合1节气的本质：周期性自然规律的具象记录1.1二十四节气的形成逻辑：太阳直射点的周期性变化从科学角度来说，二十四节气是根据太阳在黄道上的位置划分的，每15为一个节气，一年24个节气正好对应太阳绕黄道一周的360。我常给学生打比方：“地球就像一个绕着太阳转的陀螺，每年春分的时候，太阳直射赤道，全球昼夜等长；到了夏至，太阳直射北回归线，北半球白天最长，这就是夏至节气的由来。每个节气对应的都是太阳直射点的一个固定位置，所以节气本质上是一套周期性的时间刻度，这和机器学习里的时间序列数据完全一致。”1节气的本质：周期性自然规律的具象记录1.2节气数据的本质：古人积累的气候、物候数据集翻开《月令七十二候集解》，你会发现古人不仅记录了节气的时间，还标注了每个节气对应的物候现象：比如惊蛰“一候桃始华，二候仓庚鸣，三候鹰化为鸠”，清明“桐始华，田鼠化为鴽，虹始见”。这些记录其实就是古人整理的“气候-物候”数据集，而且经过了千年的实践验证——“清明前后种瓜点豆”的农谚，本质上是古人通过大量种植数据总结出的最优种植时机，这和机器学习中“从数据中学习最优规则”的逻辑完全一致。1节气的本质：周期性自然规律的具象记录1.3从“清明断雪，谷雨断霜”看节气的关联性规则很多节气俗语都藏着关联性规则，比如“清明断雪，谷雨断霜”，意思是到了清明节气，北方地区就不会再下雪了，到了谷雨就不会再出现霜冻。我会带着学生分析这句话背后的逻辑：清明时太阳直射点北移，北半球获得的太阳辐射增多，气温回升到0℃以上，所以不会再下雪；谷雨时气温进一步升高，最低气温稳定在0℃以上，所以不会出现霜冻。这其实就是一套基于时间和气温的关联规则，而机器学习的核心任务之一，就是自动挖掘这类关联规则。2机器学习的核心：从数据中挖掘可复用的规律2.1机器学习的极简定义：让计算机从数据中学习我常把机器学习比作“教学生做菜”：如果我们想让计算机学会“做番茄炒蛋”，首先要给它大量的番茄炒蛋样本（比如放多少克番茄、多少克鸡蛋、炒多久），然后让它从这些样本中总结出“番茄和鸡蛋的比例大概是2:1”“炒3分钟就可以出锅”这类规律，最后用这个规律去做新的番茄炒蛋。机器学习的本质，就是让计算机通过学习数据，自动找到可以复用的规律，从而完成预测、分类等任务。2机器学习的核心：从数据中挖掘可复用的规律2.2机器学习的经典流程：数据-特征-模型-验证-应用我会用一张流程图给学生讲解机器学习的完整流程：1数据收集：收集足够多的样本数据，比如我们要预测节气气温，就要收集历年的节气气温数据；2特征工程：从原始数据中提取有用的特征，比如节气的时间、前一个节气的气温、当地的海拔等；3模型训练：选择合适的模型，比如线性回归、决策树等，让计算机从特征和标签（比如实际气温）中学习规律；4模型验证：用未见过的数据测试模型的准确率，比如用2010-2020年的数据训练模型，再用2021年的数据测试预测效果；5应用落地：把训练好的模型投入使用，比如用模型预测今年的立夏气温，或者给农民提供种植建议。62机器学习的核心：从数据中挖掘可复用的规律2.2机器学习的经典流程：数据-特征-模型-验证-应用2.2.3普通人能理解的机器学习例子：从做饭经验到AI炒菜为了让学生更直观地理解，我会举一个自己的例子：“我女儿小时候不爱吃青菜，我每次炒青菜都会先尝一下咸淡，然后调整放盐的量。其实这个过程就是机器学习：我收集了‘放盐多少-咸淡程度’的样本数据，总结出了‘炒200克青菜放3克盐’的规律，下次炒青菜的时候就可以直接用这个规律。现在的AI炒菜机器人，本质上就是把这个过程用代码实现了而已。”3二者的共通点：对周期性与关联性的捕捉3.1节气的周期性：365天为周期的太阳运行规律二十四节气的周期是一年，也就是365天左右，这是因为地球绕太阳公转的周期是固定的。这种周期性是节气最核心的特征，也是机器学习中时间序列模型的核心研究对象——比如我们可以用时间序列模型预测未来的节气气温，就像我们可以用时间序列模型预测股票价格、天气预报一样。3二者的共通点：对周期性与关联性的捕捉3.2机器学习对周期的识别：时间序列模型的核心逻辑时间序列模型的核心就是识别数据中的周期性规律，比如ARIMA模型就是专门用于处理时间序列数据的模型。我会给学生举一个简单的例子：“如果我们收集了近10年立春的平均气温，我们会发现这些气温大致在0-5℃之间波动，而且每年的变化幅度不会太大，这就是周期性规律。时间序列模型就是通过分析历史数据的波动规律，来预测未来的气温变化。”2.3.3节气的关联性：物候与气候的联动，对应机器学习的特征关联节气不仅有时间上的周期性，还有物候和气候的关联性——比如桃花开花的时间和气温密切相关，谷雨时节的降水和农作物的生长密切相关。在机器学习中，这种关联性被称为“特征关联”，比如我们可以用“前一个节气的气温”“降水总量”作为特征，来预测当前节气的平均气温，这和古人用“惊蛰后气温回升”来判断春耕时机的逻辑完全一致。03实践拆解：用机器学习复现节气规律的完整流程1步骤一：收集节气相关的数据集3.1.1传统数据源：古籍《月令七十二候集解》的物候记录《月令七十二候集解》是元代吴澄编写的古籍，里面详细记录了每个节气的物候现象和对应的农事活动，这是我们能获取到的最早的节气数据集。我会给学生展示古籍中的原文，让他们感受古人是如何记录和整理数据的：“比如惊蛰的记载是‘万物出乎震，震为雷，故曰惊蛰，是蛰虫惊而出走矣’，这里面就包含了‘惊蛰时节会打雷’‘蛰虫会出来活动’两个物候特征，这些特征就是我们机器学习的重要输入。”1步骤一：收集节气相关的数据集1.2现代数据源：气象站的逐日日均温、降水、日照数据现在我们可以从中国气象数据网、国家气象局官网等渠道获取公开的气象数据，比如近50年每个节气的平均气温、降水总量、日照时长等。这些数据是现代的“节气数据集”，比古人的记录更准确、更详细，也是我们训练机器学习模型的主要数据源。1步骤一：收集节气相关的数据集1.3课堂可用数据集：公开的中国近50年节气气候数据为了方便课堂实操，我会提前整理好近50年中国31个省会城市的节气气候数据，包括每个节气的平均气温、最低气温、最高气温、降水总量等，学生只需要下载这些数据，就能直接用于模型训练。3.2步骤二：特征工程：从rawdata到可用的学习样本1步骤一：收集节气相关的数据集2.1提取节气的时间特征：节气距冬至的天数、季节编码时间特征是节气数据中最核心的特征，比如我们可以把每个节气距冬至的天数作为一个特征，或者把季节编码为0（冬季）、1（春季）、2（夏季）、3（秋季）。比如立春距冬至的天数大概是45天，属于春季，所以季节编码为1。1步骤一：收集节气相关的数据集2.2提取气候特征：前一个节气的平均气温、降水总量前一个节气的气候特征对当前节气的气温和降水有很大影响，比如立春的平均气温和大寒的平均气温密切相关，所以我们可以把“大寒的平均气温”作为一个特征输入到模型中。3.2.3提取物候特征：对应节气的典型物候现象（如惊蛰闻雷）物候特征是古人总结的重要规律，比如“惊蛰闻雷”“清明桐始华”等，我们可以把这些物候现象转化为二进制特征：如果当年惊蛰时节出现了打雷现象，特征值为1，否则为0。不过在实际的机器学习模型中，物候特征的提取需要结合具体的观测数据，比如我们可以用卫星遥感数据来判断桃花是否开花，从而获取物候特征。3步骤三：选择合适的机器学习模型3.1基础模型：线性回归用于预测节气平均气温线性回归是最简单的机器学习模型，它的核心是找到一条直线，尽可能贴合所有的样本数据。比如我们要预测立春的平均气温，输入特征是“大寒的平均气温”和“节气距冬至的天数”，输出是立春的平均气温，线性回归模型就能找到这两个特征和输出之间的线性关系，从而完成预测。我会在课堂上给学生演示如何用Python的sklearn库快速搭建线性回归模型，只需要3行代码就能完成训练和预测。3.3.2进阶模型：时间序列模型（ARIMA）用于预测节气到来的时间偏差如果我们要预测某个节气到来的具体时间，比如今年的立春是2月4日，我们可以用ARIMA模型来预测下一年立春的时间偏差。ARIMA模型专门用于处理时间序列数据，它可以识别数据中的周期性和趋势性，从而更准确地预测未来的时间点。3步骤三：选择合适的机器学习模型3.1基础模型：线性回归用于预测节气平均气温3.3.3课堂实操：用Python的sklearn快速搭建线性回归模型为了让学生亲身体验机器学习的过程，我会在课堂上进行实操演示：导入必要的库：importpandasaspd、fromsklearn.linear_modelimportLinearRegression；加载数据：data=pd.read_csv(beijing_节气气温数据.csv)；划分训练集和测试集：X_train=data[[大寒平均气温,节气距冬至天数]][:40]，y_train=data[立春平均气温][:40]；训练模型：model=LinearRegression()，model.fit(X_train,y_train)；3步骤三：选择合适的机器学习模型3.1基础模型：线性回归用于预测节气平均气温预测测试集：y_pred=model.predict(X_test)；对比预测结果和实际结果：print(预测的立春平均气温：,y_pred)，print(实际的立春平均气温：,y_test)。每次实操结束后，都会有学生兴奋地说：“原来我写的代码真的能算出节气的气温！”4步骤四：模型验证与迭代优化4.1验证指标：MAE、RMSE的通俗解释模型训练完成后，我们需要验证模型的准确率，常用的验证指标有MAE（平均绝对误差）和RMSE（均方根误差）。我会给学生用简单的例子解释：“比如我们预测的立春平均气温是3℃，实际的气温是4℃，那么MAE就是1℃，RMSE也是1℃；如果实际的气温是5℃，那么MAE就是2℃，RMSE也是2℃。误差越小，说明模型的准确率越高。”3.4.2实际验证：用2010-2020年的数据训练，预测2021年立春气温我会用2010-2020年的北京立春气温数据训练模型，然后用2021年的大寒平均气温作为输入，预测2021年立春的平均气温。实际测试下来，模型的预测误差大概在0.5℃左右，和实际的气温非常接近，这说明我们的模型是有效的。4步骤四：模型验证与迭代优化4.3优化方向：加入厄尔尼诺现象等外部特征提升精度如果我们想进一步提升模型的准确率，可以加入更多的外部特征，比如厄尔尼诺现象、拉尼娜现象等，这些现象会影响全球的气候，从而影响节气的气温和降水。比如在厄尔尼诺年，我国南方地区的冬季气温会偏高，立春的平均气温也会相应偏高，加入这些特征后，模型的准确率会进一步提升。5步骤五：应用与落地：从预测到节气生活指南3.5.1基于模型的个性化节气建议：比如根据当地气候调整播种时间我们训练好的模型可以给农民提供个性化的种植建议，比如根据当地的节气气温和降水数据，调整作物的播种时间，从而提高作物的产量。比如在华北地区，如果预测今年的谷雨节气降水较多，农民就可以提前准备好灌溉设备，或者调整小麦的灌溉时间。3.5.2节气相关的AI产品：比如节气壁纸APP的智能推送现在很多手机APP都会根据节气推送对应的壁纸和文案，这背后就用到了机器学习模型。比如APP可以根据用户所在的城市，用我们训练好的模型预测当前节气的气温和降水，然后推送对应的壁纸和文案，比如“今天是立夏，北京的平均气温是22℃，适合穿短袖出门”。04拓展延伸：节气驱动的机器学习创新场景1农业领域：节气AI助力精准种植1.1基于节气的作物病虫害预测模型很多作物的病虫害都和节气密切相关，比如小麦的锈病大多在小满前后爆发，水稻的稻瘟病大多在芒种前后爆发。我们可以用机器学习模型，结合节气的气温、降水、湿度等数据，预测作物病虫害的爆发时间，从而提前采取防治措施，减少农药的使用。1农业领域：节气AI助力精准种植1.2智能农机的节气作业调度系统智能农机可以根据节气的时间和气候数据，自动调整作业时间和作业强度，比如在春分时节，农机可以自动调整播种深度，确保作物在最佳的时间播种；在夏至时节，农机可以自动调整灌溉时间，避免在高温时段浇水，减少作物的水分蒸发。2文旅领域：节气主题的智能旅游推荐2.1根据节气预测景区人流，优化旅游路线很多游客都会选择在节气前后出游，比如清明时节去踏青，中秋时节去赏月。我们可以用机器学习模型，结合历史的景区人流数据和节气的气候数据，预测未来某个节气的景区人流，从而给游客推荐最佳的旅游路线和时间，避免人流拥挤。2文旅领域：节气主题的智能旅游推荐2.2节气相关的文化内容智能生成很多文旅产品都会推出节气主题的文创产品，比如节气主题的书签、邮票、纪录片等。我们可以用机器学习模型，结合节气的文化内涵和历史资料，自动生成节气相关的文案、图片和视频，从而提高文创产品的创作效率。3科普领域：节气AI的跨学科教育工具3.1面向中小学生的节气机器学习教具我和团队已经开发了一套面向中小学生的节气机器学习教具，包括节气数据卡片、简易的机器学习模型玩具、在线互动课程等。比如我们的教具中有一个“节气气温预测游戏”，学生可以通过调整大寒的平均气温，来预测立春的平均气温，从而直观地理解机器学习的核心逻辑。3科普领域：节气AI的跨学科教育工具3.2线上节气AI互动课程的开发思路现在很多线上教育平台都推出了节气相关的课程，但大多只是讲解节气的文化内涵。我们可以开发一套线上互动课程，让学生通过在线的机器学习工具，亲自动手训练节气预测模型，从而更深入地理解节气和机器学习的关联。05课堂总结与展望1本节课核心内容回顾STEP5ST