三等獎：Helloworld團隊

線性回歸、XGBoost、遺傳算法、算法融合、特征優(yōu)化

根據衛(wèi)星云圖的特點，識別并提取指定地點和時間的像素點的亮度值用于主要輸入數據。為防止算法過擬合或欠擬合，采用了基于遺傳算法的三段式線性回歸函數和基于機器學習的XGBoost算法進行算法融合，通過MAE平均絕對誤差法來訓練結果，并將收斂后的結果用于輻射值預測。

三等獎：大氣科學小分隊

基于衛(wèi)星數據的地表輻照度反演

獲取長期、大范圍、準確的地表輻照度對于國計民生有重要意義。區(qū)域的地表輻照度是農業(yè)、光伏發(fā)電等產業(yè)發(fā)展的基礎數據，大范圍的地表輻照度的變化對于全球氣候變化研究具有重要作用。

二等獎：機器不思異團隊

衛(wèi)星云圖+地面觀測云圖預測輻照量

使用機器學習方法求解本賽題。主要構造了兩類特征，第一類特征計算了晴天情況下不同經緯度和時間的太陽輻照強度理論值。第二類特征根據衛(wèi)星云圖統(tǒng)計各站點各時間云量的多少，方法是選取每個站點所在位置周圍±2像素（約相當于14×14千米）和周圍±4像素（約相當于28×28千米）的目標區(qū)域，每個目標區(qū)域提取對應時間前后15分鐘、前后30分鐘、前后45分鐘的衛(wèi)星云圖序列，然后對每個目標區(qū)域每個云圖序列提取以下統(tǒng)計信息：總亮度均值、淡云比例、中云比例、較濃云比例、濃云比例。

一等獎：Tuscloud團隊

衛(wèi)星云圖+地面觀測云圖預測輻照量

本文根據一段時間內的衛(wèi)星云層圖片數據和相同時間段內的多采樣點輻照量特征作為基礎，通過神經網絡基于自研的Deep&ConvX融合模型訓練出可預測輻照量的模型，并以新時間范圍內的衛(wèi)星云層圖片數據作為判斷參數，預測同一多采樣點在每個規(guī)定時間點的輻照量數據。在此基礎上迭代優(yōu)化，最終實現對輻照量數據預測的模型建立。

三等獎：Data時代

城市交通積水預測

近年來，我國一些地域暴雨頻發(fā)，城市內澇嚴重影響了舉居民的生活質量和城市的正常運轉。目前，城市積水觀測能力不足，而城市積水模擬和預測也因為數據缺乏多集中在某個區(qū)域。本團隊針對現階段降雨量預測存在的問題，從中國氣象數據網的中國氣候資料日值數據中采集重慶市近四年的氣候數據，依托三峽大學科研大數據平臺和python、sklearn等方式，通過氣壓、氣溫、蒸發(fā)量等11個與降雨量高度相關的特征，利用多重線性回歸對降雨量的數值進行分析，同樣，利用采集到的11個特征，通過支持向量機對是否降雨進行分類。

三等獎：HI_bioknow

格點雨量預報在小水庫汛情預警中的應用

本項目旨在通過大賽結合主辦方給出的地域編碼、降水歷史和降水預測信息與本隊收集到的該地域的天氣預報信息和該地區(qū)的歷史XX信息，建立出速度與準確性兼?zhèn)涞母咝阅軓V義回歸神經網絡學習模型，從而提升預報精確度、延長預報的預見期，已達到為小水庫下游的群眾贏得更為充分的避險轉移時間和降低天災損失的作用。

二等獎：雨落天街

城市道路積水風險指數

城市內澇嚴重影響城市的正常運轉和公眾的正常生活，目前城市積水觀測能力不足，而城市積水模擬和預測也因為官網、河道等數據缺乏多集中在某個區(qū)域。本文以北京、上海、天津、武漢等四個城市為例，依據室外排水規(guī)范，基于1951-2018年日降水量觀測數據，利用皮爾遜Ⅲ型分布函數計算得到不同重現期下的降水量閾值，將城市易積水點與連續(xù)降水、短時強降水進行疊加，預測未來1小時積水風險并按照重現期閾值劃分風險等級，形成城市道路積水指數，為公眾出行、城市水務等提供貼心氣象服務以及科學支撐。