2025 年第十届数维杯大学生数学建模挑战赛题目

（请先阅读“数维杯大学生数学建模挑战赛论文格式规范”）

C题 清明时节雨纷纷，何处踏青不误春？

清明节，在每年4月4日至6日之间，既是自然节气，也是我国重要的传统节日，承载着中华民族千年的文化记忆与情感寄托。此时草木萌动、百花盛开，自然界呈现一派生机勃勃的景象。中国南方地区，已呈气清景明之象；北方地区开始断雪，气温上升，春意融融。人们多以踏青春游和扫墓祭奠的方式过清明，让这个传统节日同时兼具了自然和人文两大内涵。

每逢此时，冷空气势力逐渐减弱，海洋上的暖湿空气开始活跃北上。清明前后，冷暖空气经常在江南地区交汇，天空往往飘起绵绵细雨，使得“清明时节雨纷纷”成为人们口耳相传的诗句。然而，不同地区受地形、大气环流、海陆位置等因素影响，降雨情况也存在着显著差异。

清明时节，杏花、油菜花、杜鹃花、樱花、牡丹等花卉从南至北接力绽放，构成春日独特的风景线。然而，花期易受气温、光照、降水等气象因子的影响，具有较强的不确定性。如何欣赏到开得最绚丽的花朵，是人们踏青赏花时最为关心的问题。

近年来，随着文旅产业的蓬勃发展，清明假期成为人们亲近自然、体验传统文化的黄金时段。如何精准把握清明时节的气象规律，深度挖掘其文旅价值，成为亟待解决的重要课题。

（一）.需要解决的问题：

请用气象学、天气学或物候学的观点赏析该诗句，并进行如下问题建模：

基于天气现象分类标准，明确“雨纷纷”对应的降雨量区间及降雨持续时间范围。根据天气学的基本知识，在适当简化的基础上，建立数学模型，分析 2026 年清明假期西安、吐鲁番、婺源、杭州、毕节、武汉、洛阳会“雨纷纷”吗？利用近20年的天气资料分析 2025 年清明的天气情况，验证所建模型的合理性。给出利用最新的天气实况进行。

1.明确问题：

“雨纷纷”标准,我们先去查阅气象行业的标准文件。在里面找到关于降雨的分类，像小雨、中雨、大雨这些的划分依据。一般来说，把降雨量在0.1-9.9毫米/天，降雨持续时间超过3小时的情况，定为“雨纷纷”。

2.数据收集：

从美国国家海洋和大气管理局（NOAA）的网站，还有天气网这两个地方，收集西安、吐鲁番、婺源、杭州、毕节、武汉、洛阳这七个城市近20年的天气资料。气温、气压、湿度、风速这些气象要素的数据。

变量：①温度:高低温变化影响水汽蒸发和凝结，低温时水汽易凝结降。②日温差:夜晚降温快，水汽易饱和降雨。③湿度:空气湿度高表明水汽含量充足，是降雨的必要条件之一。④气压:高气压区气流下沉，天气晴朗；低气压区气流上升，水汽易冷却凝结致雨。⑤风速和风向:风可输送水汽，特定风向从水汽源地吹来，且风速适宜时，利于水汽汇聚形成降雨。

3.数据处理

①处理缺失值：数据里可能有些地方是空缺的。用这几个城市其他时间的平均气温、中位数这些来补上，也可以用K近邻算法，找和它情况差不多的样本的数据来填上。

②处理异常值：有些数据可能和其他的差别特别大我们用统计方法，比如Z-score方法，或者机器学习里的孤立森林算法，把这些异常值找出来，要么修正，要么干脆不要。

③编码分类变量：像天气状况，有晴天、阴天、雨天这些，模型不太能懂这些文字，所以我们用独热编码的办法，把它们变成数字，。

4.特征工程

①提取特征：从收集来的数据里，挑出和降雨关系大的特征。比如前面几天的降水情况、温度是怎么变化的、高低压系统在什么位置，还有湿度的变化梯度。

②计算特征：用滑动窗口法，算一算过去几天的平均降水量、温度差、湿度差。

5.模型选择与训练

①选择模型：随机森林模型。能处理很多不同类型的数据，对那些不太正常的数据也不“害怕”，而且不用对数据的分布有特别严格的要求。

②划分数据集：把处理好的数据按照 7:3 的比例分成两部分，70% 用来训练模型，就像让模型学习知识；30% 用来测试模型

③训练模型：用训练集的数据让随机森林模型学习。同时，用网格搜索或者随机搜索的办法，给模型找最合适的参数，像决策树的数量、树的最大深度、最小样本分裂数这些。

随机森林模型公式：

回归问题：

这里的X就是我们输入的气象数据，N是决策树的数量，fi(X)是第i棵决策树对X的判断结果，F(X)就是整个随机森林模型给出的最终结果。

分类问题：

就是让所有决策树“投票”，哪个结果得票多，就是最终结果。

6.模型评估

用测试集的数据来看看模型的表现。算一算准确率、召回率、F1 值、均方误差这些指标。准确率就是模型猜对的比例；召回率是把该找出来的都找出来的比例；F1值是综合考虑准确率和召回率的一个指标；均方误差就是模型预测结果和实际结果的差距的平方的平均值。通过这些指标，我们就能知道模型好不好用。

7.预测2026年清明假期降雨情况

收集2026年清明假期前最新的气象数据，按照前面处理历史数据的方法，对这些新数据也进行预处理和特征工程。然后把处理好的数据输入到训练好的随机森林模型里，模型就会告诉我们这七个城市在2026年清明假期会不会“雨纷纷”。

8.模型验证与修正

用2025年清明的实际天气情况，和模型预测的结果对比一下。算一算准确率、误差这些指标，看看模型预测得准不准。如果准确率高、误差小，就说明模型还挺靠谱；要是差得远，那就要想想办法改进。

最后小编想说，思路可以有无数条，但只有恒心去做一件事才能获得你们的大奖，谢谢各位读者耐心看完！！！