1. 赛题核心当“云”与“海盐”相遇我们到底在解决什么问题刚拿到2024年“认证杯”数学中国数学建模网络挑战赛C题“云中的海盐”这个题目时很多同学的第一反应可能是懵的。云和海盐这两个看似风马牛不相及的东西怎么会放在一起这恰恰是数学建模的魅力所在——它要求我们将现实世界中复杂、模糊、跨领域的问题抽象成清晰的数学模型并用数学工具去求解。这道题本质上是一个典型的环境科学、大气物理与数据分析交叉的问题。它模拟了科研或环境监测中的一个真实场景我们通过卫星、雷达或地面观测站获得了一些关于大气中气溶胶特别是海盐气溶胶的观测数据但这些数据是零散的、带有噪声的、可能不完整的。我们的任务就是利用这些数据去反演、推测或预测我们无法直接观测到的信息比如海盐气溶胶在三维空间经度、纬度、高度中的分布、浓度变化或者其来源与传输路径。“云中的海盐”这个诗意的名字背后是严肃的科学问题。海盐气溶胶是海洋飞沫蒸发后悬浮在大气中的微小盐粒它是云凝结核的重要来源直接影响云的形成、性质和寿命进而对全球气候产生重要影响。但直接、连续、全方位地监测大气中每一处的海盐浓度成本极高。因此如何利用有限的、间接的观测数据比如卫星遥感的光学厚度、激光雷达的消光系数剖面、地面站点的浓度监测等构建数学模型来“描绘”出整个区域上空海盐的三维图景就是本题的核心。这不仅仅是一次竞赛更是对解决环境监测、气候建模中“数据稀疏反演”这一共性难题的能力演练。无论你是初次参赛的新手还是经验丰富的“老模友”理解这一点就抓住了解题的“牛鼻子”。2. 破题第一步从“观测数据”到“数学语言”的翻译艺术数学建模的第一步也是最重要的一步就是“翻译”。组委会通常会提供一组或多组数据文件可能是csv、txt或mat格式这些数据就是我们的“观测事实”。你的首要任务是像侦探一样仔细审视这些数据弄清楚每一列、每一个数字代表什么物理量。对于“云中的海盐”这类题数据可能包括时空坐标观测时间UTC时间或儒略日、经度、纬度、海拔高度。这是所有分析的骨架。直接观测变量可能是海盐气溶胶的质量浓度单位μg/m³、数浓度或者是与浓度相关的光学参数如AOD气溶胶光学厚度、消光系数、后向散射系数等。辅助气象参数风速、风向、温度、相对湿度、气压。这些是驱动海盐生成海浪破碎强度、传输风场输送和转化吸湿增长的关键外力。其他相关参数可能还有别的气溶胶成分数据如沙尘、硫酸盐用于分离信号或者海表温度、波浪高度等海洋参数。拿到数据后千万别急着跑代码。我建议用以下步骤进行探索性数据分析EDA数据读取与概览用PandasPython或readtableMATLAB快速读入数据查看数据维度、列名、数据类型和前几行样本。用df.info()和df.describe()掌握数据全貌检查是否有明显的异常值如浓度出现负数或极大值。时空分布可视化这是建立直观感受的关键。用Matplotlib或CartopyPython绘制散点图或气泡图将观测点画在地图上用颜色或大小表示浓度值。你立刻就能看出数据点在空间上是均匀分布还是集中在某些区域如近海、航线在时间上是连续观测还是离散采样是否存在明显的空间聚集性或时间趋势缺失值与异常值处理环境观测数据缺失是常态。需要统计各变量的缺失率。对于关键变量如浓度的缺失简单的删除可能会损失重要信息。常用的方法有对于时间序列数据可以用前后时刻的均值或插值线性、样条填充对于空间数据可以考虑用邻近站点的数据或空间插值方法如Kriging进行估算。异常值则需要结合物理意义判断是仪器误差应剔除或修正还是真实的极端事件需保留并单独分析。相关性分析计算浓度与各气象参数风速、湿度等之间的相关系数Pearson或Spearman。画散点图矩阵观察关系。这能为你后续选择模型输入变量提供直接依据。例如你很可能发现海盐浓度与风速特别是超过一定阈值的风速有较强的正相关这与“风浪产生海盐飞沫”的物理机制是吻合的。注意数据中的时间可能是离散的时间点但我们需要构建的模型往往是连续的。如何处理时间变量一个常见技巧是将时间转化为从某个起点开始的小时数或天数连续变量同时可以衍生出“小时-of-day”、“day-of-year”等周期性特征以捕捉日变化或季节变化规律。3. 模型构建的十字路口机理驱动 vs. 数据驱动明确了问题消化了数据接下来就到了最核心的环节——模型构建。对于“云中的海盐”通常有两条主流技术路线它们各有优劣选择哪一条取决于你的数据特点、团队知识背景和对问题理解的深度。3.1 路线一机理驱动模型——物理方程的数字化身这条路线适合物理背景较强或者问题物理机制相对清晰、数据可用于校准少数参数的情况。其核心思想是用数学方程来描述海盐气溶胶从产生、传输到沉降的全过程。源排放模型海盐的生成源主要与海面风速有关。最经典的莫过于Gong (2003)公式它建立了海盐通量单位面积单位时间产生的质量与10米高风速的非线性函数关系。你可以将此作为模型的起点。# 示例Gong 2003 海盐源函数用于干半径0.1μm的粒子 def sea_salt_flux(wind_speed): # wind_speed: 10米高风速 (m/s) # 返回海盐通量 (kg/m2/s) return 3.84e-6 * (wind_speed ** 3.41)传输扩散模型产生的海盐如何在大气中移动这可以用平流-扩散方程来描述。在简化情况下如果你主要关注某一高度层如850hPa等压面的二维空间分布可以考虑使用轨迹模型如HYSPLIT模型的思想。即把每个观测点或网格点的气团沿着风场反向追踪看看它24小时或48小时前来自哪里从而定性判断来源。更精细的可以用三维扩散方程但这对竞赛而言可能过于复杂。沉降与化学过程干沉降重力沉降、湿沉降被雨水冲刷会移除海盐。简单的参数化方案是用一个衰减系数或沉降速度来表征。模型集成与求解将源、汇沉降和传输过程耦合通常会得到一个偏微分方程PDE。在竞赛有限时间内我们常采用“分箱”或“拉格朗日粒子”等简化方法进行数值求解。例如将研究区域划分为网格在每个时间步长计算每个网格因风输送进来的、因沉降出去的、以及本地新产生的海盐量更新网格内的浓度。这条路的优缺点优点物理意义明确外推能力强在数据未覆盖的区域或未来情景下可能更可靠模型结果容易解释。缺点对输入数据如高精度、三维风场要求高模型往往包含需要校准的未知参数如扩散系数、沉降速率计算可能较复杂。如果关键物理过程未被考虑如云内清除过程模型误差会很大。3.2 路线二数据驱动模型——让数据自己说话这条路线近年来随着机器学习普及而愈发流行特别适合数据量较大、但物理机制复杂或难以用简单方程描述的情况。其核心思想是不显式地编写物理方程而是让算法从已有的“观测数据”特征X和“目标值”浓度Y中学习映射关系。特征工程这是成败的关键。你不能只把原始坐标和浓度丢给模型。必须基于物理理解构造特征。例如空间特征到海岸线的距离、所在海域如渤海、黄海、上风向N小时内的平均风速需要风场数据。时间特征年、月、日、小时、是否为季节如冬季风强盛期、距上次降水的时间。交互特征风速与相对湿度的乘积可能影响吸湿增长、风向与海岸线角度的关系。滞后特征前1小时、3小时、6小时的浓度值自回归如果数据是时间序列的话。模型选择经典回归如果关系近似线性可尝试多元线性回归、岭回归。优点是可解释性强能给出每个特征的贡献系数。树模型如随机森林Random Forest、梯度提升树XGBoost,LightGBM。它们能自动处理非线性关系和特征交互对异常值不敏感且能给出特征重要性排序非常实用。神经网络如多层感知机MLP、卷积神经网络CNN如果数据可组织成时空网格。潜力大但需要更多数据、调参复杂且可解释性差在短期竞赛中风险较高。模型训练与验证必须进行严格的交叉验证绝不能把所有数据都用来训练然后用训练数据来评价模型那会得到过于乐观的、无用的结果。应将数据按时间或空间划分成训练集和测试集如用前80%时间的数据训练预测后20%。使用R²、均方根误差RMSE、平均绝对误差MAE等指标来评估模型在未见过的数据上的表现。这条路的优缺点优点建模灵活能捕捉复杂非线性关系如果特征工程做得好在数据覆盖范围内预测精度可能很高。使用成熟的Scikit-learn库实现快速。缺点严重依赖数据质量和数量外推能力差预测风速远超历史范围的情况可能不准模型是个“黑箱”物理解释性弱。3.3 我的选择建议与混合策略对于“认证杯”这类挑战赛我强烈推荐采用“数据驱动为主物理机理为辅”的混合策略。这既能体现对现代数据分析方法的掌握又能展示你的物理洞察力在论文中容易写出亮点。具体操作可以这样用物理知识指导特征工程这是混合策略的精髓。不要凭空想特征。去查阅海盐气溶胶相关的文献了解影响其浓度的主要物理因素风速、湿度、温度、边界层高度、降雨等然后用你能获得的数据去构造这些特征的代理变量。例如如果你没有边界层高度数据是否可以用温度垂直梯度或时间来近似以树模型如LightGBM作为核心预测器它强大、快速、不易过拟合且能输出特征重要性。这能告诉你在你构造的所有特征中哪些如风速、到海岸线距离是模型认为最重要的这反过来验证了你的物理理解。用机理模型的结果作为补充或对比你可以用一个简化的轨迹模型或源扩散模型计算一个“机理模拟浓度”。然后你可以选择作为特征将这个模拟浓度也作为一个特征加入到机器学习模型中让模型去学习观测值与机理模拟值之间的偏差即修正机理模型的系统误差。作为对比基准在论文中将纯机器学习模型的预测结果、纯机理模型的模拟结果、以及实际观测值进行对比。分析在哪些情况下机器学习模型更好在哪些情况下机理模型仍有价值比如在数据稀疏的远海。这种对比分析能极大提升论文的深度。4. 从模型到地图空间插值与可视化呈现无论你采用哪种模型最终都需要输出一个结果可能是整个研究区域而不仅仅是观测点上海盐浓度的空间分布图二维平面或垂直剖面。你的模型可能只在有观测数据的位置做出了预测如何得到无观测点位置的值这就需要空间插值。为什么需要插值观测点总是有限的、稀疏的。为了生成一张连续、平滑的分布图或者为了满足某些分析需求如计算区域平均浓度必须进行插值。常用插值方法反距离权重IDW简单直观认为未知点的值受邻近已知点的影响且距离越近影响越大。计算快但容易产生“牛眼”效应。克里金Kriging地统计学中的经典方法。它不仅考虑距离还通过变异函数考虑数据的空间结构自相关性。它能给出插值结果的估计误差Kriging方差。这是环境科学领域最常用、也最受推荐的方法。Python的PyKrige或scipy的griddata配合指定方法可以实现。径向基函数RBF插值另一种灵活的插值方法效果通常也不错。插值实操与坑点数据准备你的模型预测出了一系列散点(x, y, value)这就是插值的输入。网格创建根据需要输出的地图分辨率创建规则的空间网格。变异函数建模仅Kriging这是Kriging的关键步骤。需要将你的数据点对之间的距离和半方差画出来拟合一个理论变异函数模型如球状模型、指数模型。这个过程可以借助PyKrige自动完成但理解其原理有助于调整参数。执行插值调用函数获得每个网格点上的插值结果。可视化使用Matplotlib的contourf或pcolormesh绘制填色图叠加海岸线地图用Cartopy或Basemap。一定要加上颜色标尺踩坑提醒空间插值有一个重要假设空间自相关性。即距离近的点其值也相似。如果你的数据在空间上极度不均匀或者存在明显的跳跃如海岸线两侧浓度突变直接全局插值效果会很差。此时可以考虑分区插值例如将海洋和陆地区域分开处理或者引入“到海岸线距离”作为协变量进行协同克里金。5. 论文写作将你的思考与成果“销售”给评委数学建模竞赛三分靠做七分靠写。一篇逻辑清晰、图文并茂的论文是获胜的关键。论文的结构可以遵循“问题重述-模型假设-符号说明-模型建立与求解-结果分析-模型评价-参考文献”的经典框架但内容要有血有肉。摘要这是论文的“脸面”决定评委的第一印象。必须精炼但要素齐全。用200-300字概括针对什么问题、建立了什么模型混合模型要点出、采用了什么方法EDA、LightGBM、Kriging等、得到了什么主要结果关键结论、数值指标、模型的优点与特色。避免出现公式和图表引用。问题重述与分析不要照抄赛题。要用自己的语言提炼问题的本质如“一个基于稀疏观测的海盐气溶胶三维分布反演问题”并分析问题的难点数据稀疏、时空不均、多因素耦合等自然引出你的解题思路。模型假设与符号说明假设要合理、必要。例如“假设研究时段内海盐的化学生成与消耗过程可以忽略”、“假设10米风速可代表海面风速”。符号说明用三线表清晰列出。模型建立与求解这是核心章节。建议分小节5.1数据预处理与探索性分析展示你的EDA结果图数据分布、相关性热图并说明处理缺失值和异常值的方法。5.2特征工程详细列出你构造的所有特征及其物理意义可以配一张特征构造的逻辑图。5.3机器学习模型构建说明为什么选择LightGBM介绍其基本原理和优势给出关键的调参过程如网格搜索GridSearchCV和交叉验证方案。5.4空间插值说明选择Kriging的理由展示变异函数拟合图描述插值过程。5.5模型集成如有解释如何将机理模型结果与数据驱动模型结合。结果分析与可视化用高质量的图表说话。表格模型性能对比表训练集/测试集的R²,RMSE。图形海盐浓度时空分布序列图多子图展示不同时刻的空间分布。特征重要性水平条形图直观展示哪些因素最关键。观测值 vs. 预测值散点图1:1图并标注R²。模型残差预测值-观测值的空间分布图检查是否存在区域性的系统偏差。分析文字紧扣图表描述你看到了什么现象如“浓度高值区主要分布在离岸100-200公里的下风向海域”并解释为什么“这与强西北风驱动下海盐粒子向东南方向输送的物理过程一致”。模型评价与推广客观评价模型的优点精度高、物理可解释性强、实用性好和缺点对输入风场数据质量敏感、未考虑云过程等。提出模型的改进方向如引入深度学习、耦合气象模式和推广应用的潜力如用于其他海洋源性气溶胶的监测。参考文献规范引用特别是你借鉴的源函数公式如Gong, 2003、插值方法、机器学习算法等。6. 代码实现高效、清晰、可复现代码是模型的载体。混乱的代码会大大降低你的工作效率也不利于评委如果需要查验证码理解。环境与工具推荐使用PythonJupyter Notebook或PyCharm因其生态丰富Pandas,NumPy,Scikit-learn,LightGBM/XGBoost,Matplotlib,Cartopy,PyKrige。MATLAB在矩阵运算和绘图上也很方便但机器学习库相对较弱。统一环境并在代码开头用注释列出主要库及版本。模块化编程不要写一个几百行的“面条代码”。按功能分块# 1. 数据加载与预处理模块 def load_and_clean_data(filepath): # ... 读取、处理缺失值、格式转换 return df_clean # 2. 特征工程模块 def create_features(df, coastline_shapefile): # ... 计算距离、上风向风速、滞后项等 return df_with_features # 3. 模型训练与评估模块 def train_and_evaluate(X_train, y_train, X_test, y_test): # ... 定义模型、交叉验证、调参、预测、评估 return model, metrics # 4. 空间插值与绘图模块 def interpolate_and_plot(pred_points, grid_resolution): # ... 执行克里金插值绘制填色图 return grid_value, fig注释与文档关键步骤、复杂逻辑、自定义函数都要有清晰的注释。说明“做什么”和“为什么这么做”。变量名使用有意义的英文避免a,b,c。版本管理使用Git配合GitHub或Gitee管理代码版本。这不仅是好习惯万一电脑崩溃或误删它能救你于水火。结果保存将关键的中间结果处理好的数据、训练好的模型pickle、插值后的网格数据保存为文件。这样在调整论文图表或重新分析时无需从头运行所有耗时计算。7. 时间规划与团队协作稳住节奏才能赢三天或四天的比赛时间管理至关重要。一个常见的节奏安排如下第一天上午全体成员共同读题、讨论、查阅背景资料。达成对问题的一致理解。确定大致的解题方向走机理、数据还是混合。开始EDA。第一天下午至晚上分工。一人主攻数据清洗和特征工程一人主攻模型构建与调参机器学习路线或公式推导与数值求解机理路线一人开始撰写论文的“问题重述”、“模型假设”、“符号说明”部分并设计论文图表框架。第二天全天核心建模日。实现模型的第一版跑出初步结果。不断调试、改进。负责论文的同学同步撰写“模型建立”部分并绘制初步图表。晚上团队开会审视初步结果是否合理讨论是否需要调整方向。第三天全天模型优化与结果深化。进行敏感性分析改变某个输入参数看输出变化大不大、不确定性分析。生成所有最终结果图表。论文同学撰写“结果分析”、“模型评价”部分并整合所有内容。第四天如有或最后半天论文打磨与收尾。集中精力写摘要反复修改、检查全文逻辑、修改格式、润色文字。最后留出时间将代码、论文、数据打包提交。团队协作要点保持沟通畅通每天至少开两次短会同步进度。使用在线协作文档如Overleaf写论文Git管代码避免版本冲突。队友间要相互信任鼓励“盲评”——互相审阅对方的模型结果和论文段落挑毛病因为自己很难发现自己的错误。最后我想说“认证杯”或任何数模竞赛其价值远不止于奖项。它逼着你在极短时间内将一个模糊的实际问题通过假设、建模、计算、分析变成一个清晰的、量化的答案。这个过程里锻炼的数据思维、编程能力、写作能力和团队协作能力才是未来无论从事科研还是工作的宝贵财富。所以放平心态享受这三四天“痛并快乐着”的烧脑旅程吧。当你看到自己构建的模型第一次跑出那张看似合理的海盐分布图时那种成就感是无与伦比的。祝各位在“云中的海盐”里找到属于自己的答案。