地球科学科研数据实战指南
地球科学优质教材推荐
你是否曾为科研数据处理中的不确定性而困扰？
你是否希望有一本教材，能真正教你如何理解数据、评估误差，并做出科学可靠的推断？
无论是准备毕业论文，还是开展科研项目，一本好的方法论指导书都能让你事半功倍。
今天要推荐这样一本“宝藏教材”——它不讲空泛理论，只教真正有用的数据思维和实战技能。
PART.01
教材信息
Data Analysis for the Geosciences
地球科学的数据分析
作者：Michael W. Liemohn
出版社：Wiley(AGU)
出版年：2023
中图号：P
教材简介
Data Analysis for the Geosciences 隶属于美国地球物理学会（AGU）高级教科书系列，是一本面向地球科学高年级本科生和研究生的数据分析方法与可视化技术专业教材。
本书聚焦地球科学领域的实际应用，以地球、海洋、大气、空间及行星科学中的真实数据为案例，围绕不确定性（Uncertainty）、数据与模型比较(Comparison)和可视化（Visualization）三大核心维度展开，强调在理解数据固有不确定性的基础上，进行有意义的数据处理、分析和科学推断。
本书已被耶鲁大学、清华大学、北京大学、中山大学、北京师范大学等多所国际国内知名院校馆藏。
PART.02
教材特点
核心目标：培养学生对数据不确定性的理解，并掌握数据处理、可视化与模型比较的基本方法与指标。
核心理念：培养数据分析思维，而不仅仅是统计理论。
聚焦不确定性，贯穿分析始终
将“数据不确定性”作为核心基石与贯穿全书的红线。不仅强调理解单个数据点的不确定性，更详细介绍了不确定性在数学运算中的传播规律（误差传递），并在此基础上教导学生如何在这种不确定性框架下进行有意义的数据比较和模型评估，这是科学解读数据的首要前提。
强调应用实践，弱化公式推导
避免复杂的数学公式推导，而是将重点放在统计方法的使用场景、前提假设和结果解读上。通过大量的真实数据和编程作业，引导读者直接应用公式解决科学问题，培养其数据分析的实战能力。
地科实例驱动，跨学科通用
全书采用地球、海洋、大气、空间和行星科学领域的真实观测数据作为案例。这些实例作为“应用背景”与统计概念清晰分离，确保非地科专业学生也能无障碍理解方法本身。其方法论具有普适性，旨在服务所有STEM领域乃至经济学、社会科学的学生。
填补教学空白，深耕模型比较
系统性地介绍了“数据-模型比较”这一在传统统计课程中常被忽视的核心科学环节。它超越了简单的相关系数，深入讲解了连续值拟合性能指标（如RMSE）、事件探测指标（如命中率、误报率）以及阈值滑动技术，为学生进入机器学习与高级数据分析领域打下坚实基础。
融合计算编程，配套资源丰富
倡导“动手做”的学习方式，绝大多数章节作业都需要通过编程（推荐Python）完成。作者提供配套的Jupyter Notebook代码和数据集，让学生能直接复现和操作书中案例。这种设计旨在让学生专注于分析方法本身，而非被编程细节所困扰，同时积累宝贵的计算分析经验。
PART.03
作者信息
Michael W. Liemohn
Michael W. Liemohn教授，美国密歇根大学气候与空间科学与工程系教授、密歇根大学空间研究所所长，长期专注地球与行星空间环境动力学研究，尤其擅长地球磁层环电流建模、内磁层-电离层耦合、空间天气数值模拟及多源数据分析。他曾担任美国地球物理联盟（AGU）旗舰期刊 JGR-Space Physics 的主编，是NASA多项重大研究计划的核心领导者，学术成果斐然（H-index 高达44）。
Liemohn 教授在密歇根大学开设 “空间天气建模”、“地球科学数据分析”等10余门本科与研究生课程，深受理工科院系学生好评。
PART.04
教材目录
小编特附上图书目录让您先睹为快:
Chapter 1 Assessment and Uncertainty: Examples and Introductory Concepts
Chapter 2 Plotting Data: Visualizing Sets of Numbers
Chapter 3 Uncertainty Analysis: Techniques for Propagating Uncertainty
Chapter 4 Centroids and Spreads: Analyzing a Set of Numbers
Chapter 5 Assessing Normality: Tests for Assessing the Gaussian Nature of a Distribution
Chapter 6 Correlating Two Data Sets: Analyzing Two Sets of Numbers Together
Chapter 7 Curve Fitting: Fitting a Line between Two Sets of Numbers
Chapter 8 Data-Model Comparison Basics: Philosophies of Calculating and Categorizing Metrics
Chapter 9 Fit Performance Metrics: Data-Model Comparisons Based on Exact Observed and Modeled Values
Chapter 10 Event Detection Metrics: Comparing Observed and Modeled Number Sets When Only Event Status Matters
Chapter 11 Sliding Thresholds: Event Detection Metrics with a Variable Event Identification
Chapter 12 Applications of Metrics and Uncertainty: Final Advice and Introductions to Advanced Topics
Index
文字｜张燕峰
图片｜爱教材平台
编排 | 张媛媛
审校 | 汪徽志、李萱
