🔍 耿同学打假报告

论文信息

• 标题：长江中下游地区汛期降水的次季节预测评估及机器学习改进
• 作者：何郭藤（从文件名提取）
• 期刊：学位论文（具体刊物未注明，包含致谢与作者简历部分）
• DOI：未提供
• 发表年份：2026年（推测，根据当前日期及正文中引用了 Mei et al., 2026 等较新文献判断）

综合评定：🟡 存疑

详细发现

发现 1：数学逻辑的极致自洽（反造假特征分析）

• 位置：表 3-1、表 3-2 / 第 3.3.2 节、第 3.4.3 节
• 描述：在学术界造假案中，编造的数据往往会暴露出前后矛盾或无法复现的数学关系。但本论文的数据关联性经过了严密推敲，展现出极高的真实性。
  • 正文称“2020 年梅雨期总降水量占其汛期总量的 61.5%”。查阅表格数据：672.76 / 1094.13 = 61.50%，完全吻合。
  • 正文称“2020 年梅雨期累计降水距平达 286.95 mm，贡献了汛期总降水异常的 88.4%”。查阅表格数据：286.95 / 324.69 = 88.37%，四舍五入完美吻合。
• 证据：造假者通常使用随机数生成器捏造表格，极难保证不同维度统计指标（距平、占比、百分比等）在跨章节、跨表格时的数学绝对统一。这种严丝合缝的数学关系是真实数据处理的特征。
• 严重程度：🟢（真实性背书）
• 复核状态：✅ 成立

发现 2：U-Net 测试集与验证集 Loss 倒挂（方法学存疑）

• 位置：第 5.2 节 表 5-1（第 51 页）
• 描述：表 5-1 显示 U-Net 模型在训练集、验证集和测试集上的损失函数（LOSS）分别为 0.24、0.38 和 0.31。测试集的 LOSS（0.31）显著低于验证集的 LOSS（0.38）。
• 证据：在深度学习训练策略中，验证集通常用于监控过拟合并执行早停法。在正常情况下，模型在未见过的测试集上的误差应当大于或等于验证集。出现测试集表现优于验证集的情况，虽然在小样本（本文验证集为3年，测试集为2年数据）下并非绝对不可能，但违背了机器学习的常理。
• 严重程度：🟡
• 复核状态：✅ 成立

⚠️ 发现 3：视觉图表像素级分析阻断

• 位置：全文 Figures（图 3-1 至 图 5-10）
• 描述：本论文是典型的深度学习+气象交叉学科研究，正文中包含大量模型评估折线图、泰勒图、误差箱线图和热力图。但提供的文件中仅包含前两页的背景概念示意图。
• 证据：根据“论文图片视觉分析摘要”，当前材料未包含任何实验产生的统计图表，无法执行针对机器学习模型图片的“一图多用”或“PS拼接”检测。
• 严重程度：⚪（无法判断）
• 复核状态：⚠️ 依据不足

耿同学辣评

这篇论文的数据算得极其精准，表格中的数值与正文的推导逻辑（如占比、贡献率）严丝合缝，体现了真实数据清洗与计算的特征，没有发现系统性的数据捏造痕迹。但在模型实验细节上存在瑕疵：U-Net 模型在测试集上的损失（0.31）竟然比验证集（0.38）还要低，这种“倒挂”现象违背了机器学习的常规认知。虽然这在极小样本的情况下偶有发生，但依然暴露出作者在数据集划分或模型训练流程上可能存在不够严谨的地方。建议阅读时多留个心眼。

建议后续行动

• 无需联系作者要求提供原始数据（未发现明显的系统性造假证据）
• 关注 U-Net 模型验证集与测试集 Loss 倒挂现象，必要时可向作者邮件咨询其数据划分机制
• 在 PubPeer 上提出质疑
• 向期刊编辑部举报
• 向作者所在机构学术委员会举报

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。