三等獎：Helloworld團隊

線(xiàn)性回歸、XGBoost、遺傳算法、算法融合、特征優(yōu)化

根據衛星云圖的特點(diǎn)，識別并提取指定地點(diǎn)和時(shí)間的像素點(diǎn)的亮度值用于主要輸入數據。為防止算法過(guò)擬合或欠擬合，采用了基于遺傳算法的三段式線(xiàn)性回歸函數和基于機器學(xué)習的XGBoost算法進(jìn)行算法融合，通過(guò)MAE平均絕對誤差法來(lái)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(xué)小分隊

基于衛星數據的地表輻照度反演

獲取長(cháng)期、大范圍、準確的地表輻照度對于國計民生有重要意義。區域的地表輻照度是農業(yè)、光伏發(fā)電等產(chǎn)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

衛星云圖+地面觀(guān)測云圖預測輻照量

使用機器學(xué)習方法求解本賽題。主要構造了兩類(lèi)特征，第一類(lèi)特征計算了晴天情況下不同經(jīng)緯度和時(shí)間的太陽(yáng)輻照強度理論值。第二類(lèi)特征根據衛星云圖統計各站點(diǎn)各時(shí)間云量的多少，方法是選取每個(gè)站點(diǎn)所在位置周?chē)?像素（約相當于14×14千米）和周?chē)?像素（約相當于28×28千米）的目標區域，每個(gè)目標區域提取對應時(shí)間前后15分鐘、前后30分鐘、前后45分鐘的衛星云圖序列，然后對每個(gè)目標區域每個(gè)云圖序列提取以下統計信息：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

衛星云圖+地面觀(guān)測云圖預測輻照量

本文根據一段時(shí)間內的衛星云層圖片數據和相同時(shí)間段內的多采樣點(diǎn)輻照量特征作為基礎，通過(guò)神經(jīng)網(wǎng)絡(luò )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(shí)間范圍內的衛星云層圖片數據作為判斷參數，預測同一多采樣點(diǎn)在每個(gè)規定時(shí)間點(diǎn)的輻照量數據。在此基礎上迭代優(yōu)化，最終實(shí)現對輻照量數據預測的模型建立。

三等獎：Data時(shí)代

城市交通積水預測

近年來(lái)，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(zhì)量和城市的正常運轉。目前，城市積水觀(guān)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(gè)區域。本團隊針對現階段降雨量預測存在的問(wèn)題，從中國氣象數據網(wǎng)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(xué)科研大數據平臺和python、sklearn等方式，通過(guò)氣壓、氣溫、蒸發(fā)量等11個(gè)與降雨量高度相關(guān)的特征，利用多重線(xiàn)性回歸對降雨量的數值進(jìn)行分析，同樣，利用采集到的11個(gè)特征，通過(guò)支持向量機對是否降雨進(jìn)行分類(lèi)。

三等獎：HI_bioknow

格點(diǎn)雨量預報在小水庫汛情預警中的應用

本項目旨在通過(guò)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的歷史XX信息，建立出速度與準確性兼備的高性能廣義回歸神經(jīng)網(wǎng)絡(luò )學(xué)習模型，從而提升預報精確度、延長(cháng)預報的預見(jiàn)期，已達到為小水庫下游的群眾贏(yíng)得更為充分的避險轉移時(shí)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(fēng)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(guān)測能力不足，而城市積水模擬和預測也因為官網(wǎng)、河道等數據缺乏多集中在某個(gè)區域。本文以北京、上海、天津、武漢等四個(gè)城市為例，依據室外排水規范，基于1951-2018年日降水量觀(guān)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(diǎn)與連續降水、短時(shí)強降水進(jìn)行疊加，預測未來(lái)1小時(shí)積水風(fēng)險并按照重現期閾值劃分風(fēng)險等級，形成城市道路積水指數，為公眾出行、城市水務(wù)等提供貼心氣象服務(wù)以及科學(xué)支撐。