feat: 完成模型训练/评估/Web大屏/LaTeX论文框架

- LSTM-Attention模型(983K参数) + XGBoost基线
- Flask API后端(4端点) + ECharts可视化大屏(6面板)
- LaTeX学位论文完整框架(7章+参考文献)
- ERA5下载脚本(CDS逐月并行下载)
- README项目文档

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>

thesis/chapters/ch1-intro.tex

@@ -0,0 +1,35 @@
+\chapter{绪论}
+
+\section{研究背景与意义}
+
+全球气候变暖导致极端高温事件频发，对公共卫生构成严峻挑战。老年群体（65岁及以上）由于体温调节功能下降、慢性病患病率高等原因，是高温热浪最脆弱的群体之一。焦作市和郑州市地处中原地区，夏季高温天气频繁，老龄化率分别达12.8\%和11.6\%，亟需建立科学的高温健康风险预警体系。
+
+本研究的意义在于：（1）利用深度学习技术提升高温健康风险预测的精度和多时间尺度覆盖能力；（2）通过可视化大屏为政府和社区提供直观的决策支持工具；（3）为中原地区高温热浪健康防护提供科学依据。
+
+\section{国内外研究现状}
+
+\subsection{高温热浪健康效应研究}
+
+温度与死亡率的关联通常呈J型或V型曲线，高温端的相对风险显著升高。Gasparrini等（2015）在Lancet发表的多国多城市研究系统揭示了温度-死亡关联的时空特征。Chen等（2018）在Lancet Planetary Health发表了中国多城市研究，为中国人群温度健康风险提供了本土化证据。
+
+\subsection{环境健康预警系统研究}
+
+国际上，多个国家已建立高温健康预警系统（HHWS），如法国国家高温预警计划、美国NOAA高温健康预警等。国内方面，中国气象局发布了高温预警信号体系，上海、深圳等城市开展了高温健康预警试点。
+
+\subsection{多时间尺度预测方法}
+
+传统的时间序列预测方法包括ARIMA、指数平滑等。随着深度学习的发展，LSTM等循环神经网络在时序预测中展现出优势。Vaswani等（2017）提出的Transformer架构中的自注意力机制能够有效捕捉长时间依赖关系。
+
+\section{研究内容与技术路线}
+
+本研究主要内容包括：
+\begin{enumerate}
+    \item 多源数据获取与预处理：ERA5气象再分析数据、人口普查数据、卫生统计数据
+    \item 多时间尺度预警模型构建：LSTM-Attention深度学习模型 + XGBoost基线模型
+    \item 预警可视化系统开发：Flask后端 + ECharts前端大屏
+    \item 模型评估与对比分析
+\end{enumerate}
+
+\section{论文组织结构}
+
+本论文共分七章。第一章介绍研究背景和现状；第二章阐述相关理论基础；第三章描述数据获取和预处理过程；第四章详细介绍预警模型设计；第五章展示可视化系统实现；第六章进行实验结果分析；第七章总结全文并展望未来工作。