2024【认证杯】【第二阶段】C题思路+数据【免费】分享

写在前面

提示：免费思路分享，请勿照抄或商用。

团队辛苦整理，请勿搬运。完整版请关注WX公众号【保研荟】回复关键字【认证杯】领取~

第一问

对于第一问，为了希望维持或增加北冰洋的海冰总量，题目要求参赛队伍设计一个喷洒海盐气溶胶的方案，确定喷洒的区域、喷洒量、时间和频率等参数。可以将这一问视为一个优化问题。该优化模型的决策变量为喷洒的区域、喷洒量、时间和频率。优化的目标为尽可能使最终的海冰总量接近预期值。在这里，海冰总量与温度是相关的，可以基于第一阶段中所建立的气溶胶量——温度关系模型对温度进行预测，进行计算出不同方案下对应的目标函数值。除此之外，还可以将第一问的优化模型拓展为一个多目标优化模型，在满足海冰总量的同时尽量减少喷洒次数、喷洒量等等。在设置约束条件时，需要涉及到一些肌理模型，如：

云微物理方程：


其中，q_v是水汽的混合比，q_c是云水的混合比，P是产生水汽的速率，E是蒸发速率，R是降水速率，ρ_s是海盐气溶胶的喷洒速率，I是云中的气溶胶的增长速率，E_c是云滴蒸发速率，R_c是云的凝结速率。

大气动力学方程：



其中u、v、w分别是东、北、天向的风速，p是大气压力，ρ是空气密度，Ω是地球自转角速度，F、G、H是外力。

如果采用智能优化算法求解，编码方式可以参考录制的解题思路6分30秒的位置。
【2024【数维杯】C题免费思路+代码分享】
https://www.bilibili.com/video/BV1hH4y1g7d2/?share_source=copy_web&vd_source=167c0fa73b479c688d19fc089469fa57

第二问

对于第二问，可以将问题分为两个部分：一、确定测点；二、确定何为异常。

首先，对于测点的选择可以考虑：
1）大气环境参数：包括气溶胶浓度、气溶胶粒径分布、大气透明度、气溶胶光学厚度等。
2）辐射参数：包括太阳辐射强度、地表辐射强度、大气辐射传输等。
3）云层特征： 包括云的覆盖面积、云滴数量、云的高度和厚度等。
4）降水模式： 包括降水量、降水频率、降水时空分布等。

在对测点进行选择后，便可以确定其异常的识别模式。常用的异常检测方法如下：
1）基于统计学的方法：
Z-score或T-score方法： 通过计算数据点与平均值的偏差来判断异常。
箱线图（Boxplot）： 通过观察数据点是否在箱线图的异常范围之外来识别异常值。
Grubbs检验： 用于识别单个异常值。
均方差（MSE）或均方根误差（RMSE）： 通过观察预测值与实际值的偏差来判断异常。
2）基于机器学习的方法：
聚类方法： 例如K均值聚类、DBSCAN等，将正常模式数据聚集在一起，离群点可能被视为异常。
孤立森林（Isolation Forest）： 该算法通过构建随机森林来隔离异常值。
支持向量机（SVM）： 可以用于异常检测，将数据点映射到高维空间，从而更容易识别异常值。
神经网络： 特别是循环神经网络（RNN）或长短期记忆网络（LSTM），在时序数据中也可以用于异常检测。
3）基于时间序列模型的方法：
ARIMA模型： 可以用于拟合时间序列数据，异常值可能导致模型拟合不佳。
指数平滑方法： 通过对时间序列进行平滑处理，可以更容易地识别异常。
离群点分解（Outlier Decomposition）： 将时间序列分解成趋势、季节和残差，从残差中识别异常。
4）深度学习方法：
自编码器（Autoencoder）： 通过学习数据的内部表示，异常值在重构阶段可能会表现出较高的误差。
变分自编码器（Variational Autoencoder）： 与传统自编码器类似，但对潜在空间进行建模，从而更好地识别异常值。
同学们可以根据自身的能力水平选择相应的模型进行求解。

第三问

提示：完整版思路请关注WX公众号【保研荟】回复关键字【认证杯】领取~
后续会整理所需思路和数据发布在公众号中，码住！