美赛E题环境科学类AI提示词模板 数学建模竞赛备赛参赛可直接套用

美赛E题（环境科学类）通用AI提示词核心特征：基于环境科学原理与可持续发展目标的综合建模，以“环境过程解析-多目标平衡-决策优化”为核心，关联“生态机理-约束条件-可持续方案”，严格保证环境逻辑一致性、目标适配性，兼顾美赛评分点（机理严谨性、方案可行性、可持续性、论证完整性）。一、前置信息说明（强化E题适配）我是数学建模美赛（ICM）参赛选手，需解决以下E类环境科学与可持续发展题目：【在此粘贴完整题目文本、附件说明（含环境数据/生态参数/场景描述）、题目隐含的环境优化场景背景】。团队情况：□零编程基础□有基础环境建模经验□首次参赛□多次参赛（目标冲击高奖）擅长编程语言/工具：（如Python/Matlab，需注明是否掌握核心库：Python的Pandas/Scikit-learn/GeoPandas；Matlab的统计工具箱/数值求解器；ArcGIS地理分析工具）需求重点（可多选，标注优先级）：□环境机理模型创新性□代码可执行性（含数据模拟与优化）□环境数据可视化与空间分析□论文写作素材（生态逻辑/可持续性论证/方案阐述）□多目标平衡与鲁棒性分析（美赛必查评分点）获奖目标：□O/F奖（特等奖，需强机理创新+可持续闭环）□M奖（一等奖，需逻辑严谨+方案最优）□H奖（二等奖，需模型完整+无逻辑漏洞）题目核心场景与类型：【精准标注，如：环境污染扩散模拟与防控、生态系统保护与修复、资源开发与环境协调、气候变化影响评估与应对、环境政策优化制定等】，明确核心目标（如污染浓度控制、生态效益最大化、经济-环境-社会多目标平衡、可持续发展能力提升）。二、题目分析阶段（锚定E题“环境机理、多目标聚焦”特性）请逐句解析题目，区分「背景信息」「核心环境/优化问题」「已知条件（含环境参数、监测数据、生态阈值）」「约束条件（含环境法规、生态规律、资源限制）」，用表格分列呈现；重点标注关键环境过程与多目标决策的核心关联，明确环境因子（如污染物浓度、植被覆盖率）与可持续目标的对应关系（如污染物浓度关联生态保护目标，经济投入关联成本约束）。明确小问划分：共几个小问，列出各小问的「直接目标」「隐含目标」（贴合E题特点，如小问1表面求污染扩散范围，实际需为后续防控方案提供机理支撑）、「输出要求」（如是否需要污染扩散图/优化方案表/可持续性评估报告）。逻辑关系梳理：用结构化思维导图（文字描述节点与关联）展示各小问的关联性、环境因子与多目标变量的依赖关系（如污染物扩散数据依赖机理模型，为防控决策变量提供约束），标注逻辑传递路径（如环境过程解析→约束梳理→多目标建模→求解优化→可持续性验证）。题型定位：明确各小问属于「环境机理分析类」「污染模拟预测类」「多目标优化类」「政策评估类」，结合E题环境科学特性说明判断依据；同时标注该小问是否需要“机理模型+多目标决策融合”（E题多数小问需二者深度结合）。请将上述生成的内容整理成文档，文档命名为【问题分析模块】三、模型选择阶段（适配E题“基础+创新”双方案，贴合美赛评分）针对每个小问，推荐2种模型方案（1种基础环境机理模型+1种创新融合模型），均需紧扣环境过程与可持续目标，禁止脱离生态逻辑的纯理论模型：方案1（基础适配，保分核心）：经典环境机理模型+美赛适配改进点（如「高斯扩散模型+地形修正（适配复杂地理环境）」「生态承载力模型+阈值约束优化（贴合生态规律）」「线性规划+多目标权重调整（平衡经济-环境目标）」），确保模型稳定、符合环境逻辑。方案2（创新融合，冲奖关键）：基础机理模型+多方法融合（贴合E题趋势，如「污染扩散模型+LSTM时序预测（提升模拟精度）」「生态系统模型+层次分析法（量化多目标权重）」「环境机理模型+机器学习（修正简化假设误差）」），突出“机理定框架、多目标提价值”。对每种模型需详细说明（适配美赛论文论述需求）：核心原理：用1段通俗语言描述，紧密结合题目对应的环境科学逻辑（如污染扩散机理、生态平衡原理、多目标优化逻辑），明确模型与环境场景的对应关系。适配性：为何适合本题的环境场景，如何匹配题目给出的环境参数、数据特征与约束条件，是否能覆盖单一与复杂场景的建模需求。创新点（美赛高奖关键）：与传统环境模型的差异，如何提升环境模拟的精度与可持续方案的创新性（如引入动态环境参数、多目标自适应权重、空间异质性修正），说明该创新点对可持续发展目标的实际价值（非形式化创新）。局限性与规避方案：可能存在的问题（如环境机理简化过度、多目标权重设定主观、数据不足导致误差），结合E题特点给出规避/修正方案（如引入实地监测数据校准、采用客观赋权法、优化机理公式）。可视化流程：用文字描述流程图（便于转化为论文图表），展示模型应用步骤，包含「环境场景抽象→环境因子定义→机理分析→模型构建→多目标求解→可持续性验证」的决策点（如「多目标是否存在冲突→是：权重调整/约束松弛；否：直接求解」），标注每个步骤的输出物（如环境模拟图、优化模型公式、可持续方案表）。重新生成新的文档，请将上述生成的内容整理成文档，文档命名为【模型选择模块】环境数据与机理处理阶段（强化E题“数据适配+机理校准”核心需求）若题目提供数据可进行该步骤，若未提供数据请在全网自主寻找合适数据并对数据进行预处理操作等，但需要注明数据来源！题目中提供的环境数据与机理信息如下：【列出数据（含环境参数、监测数据、生态阈值、地理信息）或标注附件，明确类型：如时序监测数据、空间地理数据、环境质量标准数据、多目标权重相关数据】。处理方案（结合环境特性，覆盖数据适配与机理校准全流程）：数据预处理：针对环境数据特性，说明缺失值处理（如时序监测数据用线性插值、空间数据用克里金插值）、异常值修正（如用Z-score法检测异常监测值，结合环境规律判断保留/修正）的方法，标注选择依据；若涉及多维度数据，说明标准化/归一化处理方式，适配多目标优化需求。机理校准：结合环境科学原理，说明模型参数校准方法（如用实地监测数据校准扩散系数、用生态阈值校准承载力参数），确保模型输出符合实际环境规律；若存在机理简化，说明简化依据及校准措施。约束转化：将题目中的环境法规、生态规律、资源限制转化为数学约束，对应到环境因子与决策变量（如污染物浓度≤生态阈值、防控投入≤预算上限），形成约束清单，明确约束类型（硬约束/软约束）及优先级。数据/机理补充（E题常见需求）：若环境数据不足或机理参数缺失，严格区分「必须补充」（如关键环境参数、生态阈值、法规标准）和「可选补充」（如提升模型精度的外部监测数据），推荐美赛可落地的获取途径（如环境监测数据库、EPA公开数据、生态科学文献）；若无法获取，需基于环境科学原理合理假设补充（详细标注假设依据，如参考同类区域的污染扩散系数，美赛允许合理假设但需论证）。代码中必须包含清晰的本地数据上传路径提示和清晰的处理完成的数据输出路径提示，使用醒目标注（如注释、变量名）指引学生替换为自己的本地数据路径；代码包含详细注释，标注每个步骤的目的、方法和参数含义；代码中最好包括数据可视化模块，包括数据预处理前的可视化分析和数据预处理后的可视化分析等，可视化分析要看是否有必须做，如有必要则在代码中包括，可视化分析图片质量要求比较高，美观性较强！将预处理完数据保存为通用格式（CSV优先，Matlab支持.mat格式）；同时提供多维度的预处理后的数据获取方式：直接展示处理后数据的前10行和后5行；提供多种虚拟下载链接（注明文件名称、大小、格式）；说明Python/Matlab代码中保存处理后数据到本地的方法和路径设置；提示学生如何验证处理后数据的完整性。总结整个数据预处理过程，形成数据预处理结论重新生成新的文档，请将上述生成的内容整理成文档，文档命名为【数据预处理模块】五、模型建立阶段（强化“环境机理-多目标模型”衔接，适配美赛论文推导）先导要求：[以上述模型选择模块，各小问方案X为最终选择模型并进入模型建立部分]结合前面选择的模型和处理后的环境数据/机理，详细说明各小问建立环境多目标模型的完整步骤，重点突出环境机理与数学公式的强关联，符合美赛论文公式推导规范：变量与环境因子定义：用表格明确「环境因子、决策变量、多目标变量、参数」，标注变量类型（连续/离散）、单位、约束范围，详细说明对应环境意义（如「c(x,y,t)：污染物浓度，单位mg/m³，对应x,y位置t时刻的污染水平，约束≤生态阈值0.5mg/m³」），区分“已知参数”“假设参数”“优化变量”。假设条件：列出3-5个核心假设（基于环境建模简化需求，贴合E题特点），每个假设需说明合理性（如「假设短期内气象条件稳定，因题目核心聚焦污染扩散机理，气象波动可通过后续鲁棒性分析覆盖」），避免无依据假设（美赛常见扣分点）。模型公式推导：分步骤推导模型核心公式（环境机理公式、多目标目标函数、约束方程），每步标注环境科学逻辑（如「式(3)为高斯污染扩散模型核心公式，基于流体力学原理，将污染物浓度与扩散系数、排放强度关联，其中D为扩散系数，由实地监测数据校准得到」），推导过程需符合环境逻辑，公式标注规范（变量符号、参数含义统一）。建模流程图：用文字描述「环境场景抽象→环境因子定义→机理公式推导→多目标设定→约束嵌入→求解迭代」的逻辑链，标注关键节点（如「此处需验证公式与环境规律的一致性，避免违背生态阈值约束」「多目标需平衡主次关系，优先保障核心生态目标」），便于转化为美赛论文中的建模流程图。重新生成新的文档，请将上述生成的内容整理成文档，文档命名为【模型建立模块】六、模型求解与环境可视化阶段（强化代码落地与美赛展示要求）先导要求：[上传处理完成后的数据]代码语言：[输入代码语言如Matlab、Python等]请基于我上传的处理后的真实数据！（若未提供数据请在全网自主寻找合适数据并对数据进行预处理操作等，但需要注明数据来源）针对每个小问的模型，编写对应编程语言的源代码（适配团队编程基础），优先选择美赛中易调试、贴合环境数据特性的方法（如空间数据用GeoPandas处理，时序数据用LSTM训练）。求解步骤：按「环境数据/机理输入→变量/参数初始化（标注变量意义、约束范围）→模型构建（嵌入环境机理与多目标函数）→求解器调用/算法迭代→结果输出」分步骤说明，标注每个步骤的注意事项（如「环境参数需符合实际取值范围，避免出现超出生态阈值的不合理解；多目标优化需合理设定权重，平衡核心目标」）。代码实现（贴合团队基础，美赛可直接复用）：若零编程基础：提供可直接运行的完整代码（标注依赖库及安装命令，如Python的pipinstallgeopandasscikit-learn），包含详细注释（每段代码说明对应环境建模逻辑）、参数校准模块，关键行注释说明「为何这么写」及对应的环境意义（如「此处用高斯公式计算污染扩散浓度，对应实际环境中污染物的空间迁移规律」）。若有编程基础/指定编程语言：代码需符合该语言规范，包含异常处理语句（如参数超出生态范围提示、数据读取失败兼容处理）、多目标优化模块，注释聚焦核心环境机理与建模思路。可视化分析（适配美赛论文图表要求）：根据环境建模特性选择对应图表（如污染扩散空间分布图、多目标优化Pareto前沿图、不同方案环境效益对比柱状图、参数敏感性热力图），图表需含规范标题、坐标轴标签（带单位）、图例、生态阈值标注，图下标注关键结论（如「图3显示优化后污染物浓度均控制在0.5mg/m³生态阈值内，较基础方案环境效益提升20%，同时满足预算约束」），满足美赛论文图表评分标准。请帮我生成一份单独的可直接生成上述问题求解中全部可视化图表的代码，代码无需借助任何本地数据上传，可直接在豆包平台运行，图表美观度较高，每个图表均有编号和图名，与问题求解部分生成的图表高度对应！按照上述建模步骤步骤，结合已上传的真实数据集运行代码得到相关结果，结果需要与题目要求高度对应，能够完成题目要求，并对各小问代码运行结果结合题目要求进行初步的解读和总结。重新生成新的文档，请将上述生成的内容整理成文档，文档命名为【模型求解模块】七、结果分析阶段（强化“可持续价值+美赛论证”，避免纯数值解读）针对各小问的求解结果，结合环境特性与多目标指标给出详细的「基础分析」和「深层分析」，贴合美赛论文结果论述逻辑：基础分析：数值与方案解读：直接说明结果的环境意义、可持续价值（如「最优方案对应污染防控投入80万元，污染物浓度控制在0.4mg/m³，较初始方案生态效益提升25%，同时实现经济成本最小化，符合可持续发展目标」），而非仅罗列数值。模型对比分析：对比不同模型的核心指标（如环境效益、经济成本、生态阈值满足度、求解精度），说明最优模型的优势（如「污染扩散+LSTM模型较单一高斯模型，预测精度提升15%，能更精准支撑防控方案制定」）。深层分析（美赛高奖核心）：关联性：结果与环境机理、多目标约束的匹配度（如「优化方案满足生态阈值、预算上限等所有硬约束，且污染扩散趋势与实际环境规律一致，无逻辑矛盾」），验证模型合理性。敏感性分析（美赛必做）：分析核心环境参数（如扩散系数、排放强度、多目标权重）变化对结果的影响（如「当扩散系数增加10%，污染影响范围扩大8%，需精准测量该参数以提升方案可靠性」），附敏感性分析图表与结论。实际意义与延伸：结合题目背景提炼结论，关联可持续发展场景（如「该模型可提供多场景下的污染防控方案，为区域生态保护与经济协调发展提供数据支撑，助力实现“双碳”目标」），提升论文深度。请将上述生成的内容整理成文档，文档命名为【结果分析模块】八、模型检验与改进阶段（强化美赛评分点，规避常见扣分点）有效性检验（E题核心检验方向）：方法：针对环境多目标模型特点选择检验指标（如环境模拟精度、多目标目标达成率、约束满足度、可持续性评估指数），结合实地监测数据、多场景代入验证模型适配性，避免单一指标检验。代码与结果：提供检验代码（如「用实地监测数据验证模拟精度、多场景数据代入验证方案可行性」），输出检验结果并解读（如「模型模拟值与实地监测值的平均误差为6%，在5种典型场景下均能输出可行方案，约束满足度100%，模型有效」）。改进方向（体现建模思维完整性，美赛加分项）：若方案存在短板：说明可能的改进点（如「引入动态气象参数适配环境变化、采用更优多目标赋权法、增加长期可持续性评估模块」），给出具体改进方案而非泛泛而谈。若假设不合理：提出修正方案（如「放松假设2，引入季节变化因子，通过多季节数据校准模型，使方案更贴合实际环境波动」）。鲁棒性分析（美赛必做，E题