1、 问题与思路分析
（1） 开发一个广泛适用的指标，以确定位置的光污染风险级别。
| 这一问非常非常明确，同时又非常重要，将奠定全文基础，可使用的方法也比较多。对于指标，大家一定要多选且不要纠结，阅读相关文献，选相关的即可，先选的多，比较全面，之后再进行指标的进一步处理。举个例子，一开始选取 10 个一级指标、50 个二级指标，之后再用 PCA 降维和因子分析等进行融合、降维处理即可，注意广泛适用！通过较多的指标，来体现广泛！确定光污染的级别，则需要对不同地区进行评价（建议对全球各国进行评价，相比只有一个国家的数据而言，这种更具有代表性，在此体现出广泛适用），各种评价算法，如层次分析、熵权法和 TOPSIS法等，也可以进行组合使用（没有最好的方法，只有最好的逻辑），之后进行分级处理，分级处理可以使用数据编码、三分位数划分等，或者是自己定义划分原则，在此基础上进行划分。 |
（2） 应用您的指标并解释其在以下四种不同类型的地点的结果：
l 保护土地位置
l 乡村社区
l 郊区社区
l 城市社区
| 这里套一个综合评价模型即可，这里有两种做法，第一种做法的话是直接在问题一的基础上套一个综合评价模型，例如rsr或者topsis等等，然后求取出来他们的一个综合评分之后，通过方差分析查看其分布的差异。 |
（3） 描述三种解决光污染的干预策略。讨论实施每种策略的具体行动以及这些行动对光污染影响的潜在影响。
| 问题三的话，它需要我们描述三种解决光污染的干预策略然后这里的话，我们可以先构建一个回归模型，然后求出这个回归模型的指标重要度，这里我们可以挑前三个最重要的指标，然后我们就可以对这三个指标进行业务分析，反正就是要想办法降低这三个指标，然后在这个时候可以做一个假设，假如通过我们这一些策略之后把这三种光污染的指标下降了20%，这换算回原来的数据，就是把这三个指标乘以0.8，同样的，我们在通过前面的模型输入这一个测试数据得出来模型的光污染综合评分，计算这个综合评分与前面仿真训练好的综合评分的差额比例是多少？然后我们就可以得出进行这一些活动之后，我们对整体光污染的影响程度是怎么样了。回归模型建议采用机器学习模型，如xgboost预测，神经网络预测或者随机森林预测等等 |
（4） 选择您的两个地点，并使用您的指标确定您的干预策略中哪一个对它们最有效。讨论所选干预策略如何影响位置的风险水平。
| 问题四要求选取两个地点，并使用先前建立的指标确定的干预策略中那个最有效。这一问的地点选择比较重要，建议选取光污染差异大的地点，从而可对比分析。可以继续使用 SHAP 模型，分析各个指标的重要度，并得到干预措施是如何影响各个指标的，之后进行分析即可。这一问的处理可以圆滑一点，尤其是描述结果的时候，除分析结果之外，要会说，要侧面体现指标体系的合理性，所有的分析，都要体现这一点。大家注意，美赛的开放程度很高，不要过于纠结结果的正确性，而应该把精力放在逻辑性上，如何串起来，有头有尾很重要！ |
（5） 最后，为您确定的一个地点和最有效的干预策略，制作一份 1 页的传单，以推广该地点的策略。
| 问题 5 实际就是前文的总结，建议可以做一些流程图之类的，增加美观程度。 |