1. 支持向量机 SVM 核心思想与处理方式

核心思想

在特征空间中寻找一个最优分类超平面，使得不同类别样本之间的间隔（Margin）最大化，从而提升模型的泛化能力；决策仅由支持向量决定，与其他样本无关。

线性可分情况

直接在原始特征空间中求解最大间隔超平面，使用硬间隔 SVM，要求所有样本都被正确分类。

非线性可分情况

1. 引入松弛变量，转为软间隔 SVM，允许少量样本错分，避免过拟合；
2. 使用核函数（如线性核、多项式核、RBF 高斯核）将低维非线性不可分数据映射到高维空间，使其在高维空间线性可分，再进行最大间隔分类。

---

2. 卷积神经网络 CNN：结构、原理、特点 + 地球科学应用

基本结构

• 输入层：图像 / 栅格 / 时序数据
• 卷积层：提取局部特征（边缘、纹理、结构）
• 池化层：下采样，降维、保留关键信息、增强鲁棒性
• 全连接层：将特征映射到输出类别 / 数值
• 输出层：分类 / 回归结果

基本原理

利用局部感受野 + 权值共享，自动学习数据的空间 / 时序层次特征，从浅层简单特征到深层复杂特征。

特点

• 自动提取特征，无需人工设计
• 权值共享大幅减少参数，降低过拟合
• 擅长处理网格型、空间型、图像型数据
• 对平移、缩放、扭曲具有一定鲁棒性

地球科学典型应用（3 个）

1. 遥感影像分类与解译土地利用分类、水体 / 植被 / 建设用地提取、变化检测。
2. 地震 / 地质灾害识别从地震波形、SAR 影像中识别滑坡、塌陷、断层构造。
3. 气象 / 海洋场预测雷达回波外推、降水预报、海表温度 / 洋流场时空预测。

---

*补充细节知识：局部感受野 + 权值共享 = CNN 核心原理

原句：利用局部感受野 + 权值共享，自动学习数据的空间 / 时序层次特征，从浅层简单特征到深层复杂特征。

下面逐词逐句讲清楚：

---

1. 局部感受野（Local Receptive Field）

• 卷积核不是一次看整张图 / 整个数据，而是只看一小块区域。
• 比如遥感图像、气象格点、地震剖面：先看边缘、纹理、小结构 → 这就是局部感受野。
• 意义：空间数据（图像、栅格、地质剖面）特征都是局部相关的，远处像素关系很小，没必要全局连接。

---

2. 权值共享（Weight Sharing）

• 同一个卷积核，一套参数在整张图上滑动提取特征。
• 不是每个位置都单独学一套参数，而是共享同一组权重。
• 意义：极大减少参数数量，防止过拟合，让模型更适合地球科学大数据、高维数据。

---

3. 自动学习空间 / 时序层次特征

• 空间特征：如遥感影像的边界、形状、纹理、地貌结构。
• 时序特征：如降水时序、海温变化、地震波形随时间变化。
• CNN 不用人工定义特征，自己从数据里学，这叫端到端特征学习。

---

4. 从浅层简单特征 → 深层复杂特征

这是 CNN 最强大的地方：

• 浅层网络：学低级特征边缘、角点、线条、色块。
• 中层网络：学中级结构地块边界、河流形状、云系轮廓。
• 深层网络：学高级语义特征土地类型、地貌单元、灾害区域、气象系统。

层次化提取，越往上越抽象、越接近任务目标。

---

最终可直接背诵的完整版（考场满分句）

        CNN 的基本原理是：通过局部感受野让卷积核只关注数据局部区域，适应空间 / 时序数据的局部相关性；通过权值共享大幅减少模型参数，降低过拟合风险；让网络自动从数据中学习层次化特征，浅层提取边缘、纹理等简单特征，深层逐步组合出地貌、地物、气象系统等复杂高级特征，从而完成空间 / 时序数据的分类、识别与预测任务。

3. 100 个独立样本的数据驱动建模策略

100 个样本属于小样本场景，重点是充分利用数据 + 防止过拟合。

建模样本使用策略

1. 不简单随机切分 7:3（样本太少，波动大）
2. 优先使用 K 折交叉验证（K=5 或 K=10）
   • 100 个样本分为 5 组，轮流 4 组训练、1 组验证
   • 取 5 次结果的平均作为模型性能，更稳定可靠
3. 若必须划分训练 / 测试集：
   • 建议 80 训练 + 20 测试（80/20）
   • 训练集内部再用 交叉验证调参
4. 训练集内可使用：
   • 特征选择，降低维度
   • 正则化（L1、L2）控制复杂度
5. 最终模型
   • 用全部训练集重新训练
   • 在独立测试集上做最终评估

一句话总结

100 个样本优先用 5/10 折交叉验证，训练集调参，独立测试集做最终评估，严控过拟合。

---

4. 大气是混沌的，为何气候具有可预测性？

一句话核心：大气是混沌 → 天气不可长期预报；气候是统计态 → 气候可预测。

详细可直接背诵：

1. 混沌只针对 “瞬时天气”大气运动对初值极其敏感，短期（几天）可预报，超过两周天气状态不可预报。

2. 气候≠天气，是统计平均气候是一段时间内气象要素的统计特征（平均、变率、极值、季节循环等），不依赖某一时刻的精确状态。

3. 气候受慢变系统强迫气候主要由慢变因子决定：

   • 海温（SST）
   • 海冰、积雪
   • 陆面过程
   • 太阳辐射、温室气体这些因子变化慢、记忆长，不混沌、可预测。

4. 混沌带来的是内部变率，而非完全不可知虽然逐日天气乱，但统计规律稳定：季节循环、年际变率（如 ENSO）、年代际趋势仍然可预测。

总结（考场金句）：大气瞬时状态具有混沌特性，因此天气不可长期预报；但气候是统计平均态，受慢变外源强迫主导，内部变率可被平均掉，因此气候具有可预测性。

---

5. ConvLSTM 与 LSTM 结构区别 + 优势

结构不同

• 传统 LSTM：状态更新用全连接，只处理时序依赖，不考虑空间结构。

• ConvLSTM：把 LSTM 里的矩阵乘法换成卷积运算，即：输入门、遗忘门、输出门、细胞状态更新全都用 卷积操作 实现。

公式对比（理解即可）：

• LSTM：* 是矩阵乘法
• ConvLSTM：* 是卷积

优势（非常适合地球科学）

1. 能同时建模 空间依赖 + 时序依赖对气象格点、遥感影像、雷达回波这类时空数据天生友好。

2. 保留空间结构信息不像 LSTM 把图像展平破坏空间结构。

3. 权值共享 + 局部感受野参数更少，更不容易过拟合，适合气象、海洋、遥感大数据。

4. 更适合做时空预测如：降水临近预报、雷达回波外推、海表温度预测、土壤湿度时空演变。

总结背诵版：ConvLSTM 将 LSTM 中的全连接替换为卷积运算，能够同时捕捉时空依赖，保留空间结构，参数更少、泛化能力更强，特别适合地球科学中的时空序列预测任务。

雷达回波外推（临近降水预报）

—— 这也是 ConvLSTM 论文里原始的经典应用。

---

一、任务是什么

用过去几帧雷达回波图像（像小动画一样的时空序列）预测未来一段时间的雷达回波强度与位置，从而实现：未来 0–2 小时短时强降雨、暴雨临近预报（Nowcasting）

---

二、数据长什么样

• 输入：过去 6–10 帧雷达回波图（每帧是二维网格数据）
• 输出：未来 3–12 帧雷达回波图本质：时空序列预测

---

三、为什么要用 ConvLSTM，不能用普通 LSTM

• 普通 LSTM：要把二维雷达图展平成一维向量，完全丢掉空间结构。
• ConvLSTM：门机制里用卷积代替全连接→ 既能学时间上的演变→ 又能学空间上的移动、强度变化

---

四、ConvLSTM 在这里做了什么

1. 用卷积捕捉雷达回波的空间形态（块状、带状回波）
2. 用 LSTM 记忆回波过去的运动趋势（移向、移速、加强 / 减弱）
3. 直接输出未来雷达回波图像

---

五、这个案例的意义（可写进试卷 / 报告）

这是 ConvLSTM 最经典、最具代表性的时空预测任务，证明了 ConvLSTM 能同时建模空间相关性与时间依赖性，非常适合气象、遥感、海洋等地球科学时空数据。

---

一句话背诵版（考场直接写）

典型案例：雷达回波外推（临近降水预报）。输入多帧历史雷达回波时空序列，利用 ConvLSTM 同时提取空间特征与时间依赖，预测未来雷达回波与降水分布，是 ConvLSTM 在地球科学中最经典的时空预测应用。