机器学习和深度学习中，最关注的是气候研究方面的预测，之前学习过了时间序列预测的内容，基本上搞清楚了数据的输入和输出，但是那些都仅仅是一维度的时间序列预测，并没有涉及空间尺度上的预测。深度学习作为机器学习范畴下的一个分支，在气候变化预测研究方面具有巨大的潜力。相比于物理化学传输模型那些复杂的公式，深度学习不用从幼儿园开始，直接从高中开始学习，不需要前期的物理化学基础就可能获得较好的结果。其实除了一维的时间序列预测，我们更加关注的是时空预测问题，具体到真实的地理环境中来，比如预测极端高温天气，特别是最近几天，中国北方地区持续的高温预测。又比如空气污染的时空预测，如果还是单维的预测，那么就会忽视掉地理事物演化的空间异质性。So，我们需要研究时空预测，这对于现实的社会具有重要的意义。
现在可以用convLSTM模型来做时空预测，关于这个模型的提出详细内容可以去下载原文看，现在的引用都5k多了【https://arxiv.org/abs/1506.04214v1】，可见其重要性，所以要把做出具有影响力的研究作为目标，否则有的做出来一个人都不读那就失去了研究的意义了。
这个模型原本设计用来做雷达降水预测的，但是其运用很广泛，涉及时空预测问题的都可以用来尝试，比如下面这个用来预测北美和欧洲的空气污染物的时空分布的。
这个模型从名字上convLSTM就可以知道是卷积和长短期记忆网络联合的，卷积复杂空间特征的提取，长短期用于时间序列处理。
关于这个convLSTM模型的教程目前比较少，但是仍然可以从网上或文献中学习到一些东西以帮助我们实现它。这个模型和LSTM的区别可以在网上搜索到，可以从公式上看看那些位置被换成了卷积操作，虽然看了公式也不一定额能写出来，但是看了之后肯定会加深对模型的理解的。
首先考虑到的当然是keras官网的例子了，convLSTM2D 这个class是实现的关键，官网提供的例子是关于视频帧预测的，每一帧就是一张图片，有宽度和高度，有多少分辨率。那么放到我们地学研究中来，很多数据也是这个样子的，比如SST是空间场吧，有多少个经度，有多少个维度，有多少个时间等等
内容都具有相同的特征。所以可以先从视频帧预测中获得对convLSTM模型的实现认知，包括数据是怎么预处理的。
convLSTM模型要求的输入数据必须是5D的tensor（张量）
So，实现这个模型，现在面临的问题就是如何将手里的数据重塑为5维的。这个模型当然还可以配置成时间序列预测，但是这里不关心。
手里的数据就是image,有tiff格式的，png格式的，或者netCDF这样的网格数据。
模型的构造很容易，直接从keras call出来就行了，但是如果input shape不正确的话是绝对不行的。下图是我昨天构造的一个简单的，模型看起来不是很复杂，就三个学习层，其他的卷积核啊，过滤器啊那些的加起来最后超过400万个参数，由于我的电脑的显存不够，所有用的是CPU来测试训练，训练20个epoch花了两个小时，所以要真的做起来的话还是考虑用GPU来吧、一般较大的卷积核能偶捕捉到复杂的特征，换到我们人类来说，眼关八方你可以发现更多东西，眼界太小的话是发现不了复杂的东西的。
由于GPU显存不够，所以这是用CPU来测试的，虽然模型简单，但是最大的成果在于成功测试了这个模型，从数据塑造到最后没有报错这个过程中，这个测试是有价值的
不过这里看到了一篇文献可以帮助我们更好地理解和运用这个模型。这是一篇关于SST预测的，如果想阅读的话可以看题目去下载来看看，其中对于模型和数据的准备部分还是说的比较详细的，我准备多读几遍。
在这篇文献中，数据集介绍部分，使用的是OISST数据集，每天的，就像netCDF数据打开后可以看到有很多的时间层。共计有1.3万张左右的SST图像，我猜测是把nc文件的每一个时间层的数据都写出去了，分辨率是22 by 16这个就是在输入convLSTM模型中的宽度和高度了(samples,time_steps,width,height,channels)，channels的话就是特征，这篇文章是的特征就一个，不像其他的是这样的：考虑了环流因素啊，交通灯因素的来预测，多个预测一个。
实现这个模型，最大的难点和关键点还是在数据集的塑造上，以及预测问题的设计上，更多详细的可以去下载这篇文献来阅读一下。
OK，以上仅作学习记录，个人理解，更多内容请搜索相关的文献进行阅读，有的文献多读几遍就会有新的认识，然后再通过代码进行简单数据的测试，如果测试成功了，那么迁移运用起来就没有多大困难了，不建议一来就去看那些复杂的公式，一是可能看不懂，我相信我们大多数人都是很普通的，二是看了也不一定能够用代码实现，但是我们最大的想法是实现它，比如要预测这几天的高温天气，你如果觉得看公式可以解决问题的话那就去看。从代码中学习，那里不会点那里哈哈，最关键的就两个问题，一是如何重塑数据，二是如何涉及预测问题。
