之前常用的sunsetbot看火烧云预测最近G了，前景自此变得不明朗，而我真正想要的其实很简单：一个打开就能用的网页，告诉我今天和明后天，全国哪些城市可能烧起来。现在AI那么发达，我就想尝试自己写一个，于是就诞生了本项目。
很多人觉得晚霞美不美纯看运气，其实它是相当"讲道理"的自然现象。
太阳落到地平线附近时，阳光要斜穿过厚得多的大气层，短波的蓝紫光被瑞利散射得差不多，剩下红橙光抵达地面。但这时候如果天上一片云都没有，红光没有"屏幕"可打，天空只是单调的渐变；云太厚太满，光又透不过来。真正出彩的条件是：有云，但必须是能被照亮的那部分云。
这条物理链是可以拆成变量去算的：云有多少、云在哪个高度、太阳方向的地平线有没有被堵、空气够不够通透、有没有降水。既然能拆，就能建模。
本项目全程使用WorkBuddy + Hy4 preview + Step-5-Preview 生成。
数据来源：
评分因子：
方案对比：
实测误差：
这里必须诚实：这个项目至今没有做过一次实测，没有把历史预报和实况对照过，所以我给不出"准确率 87%"这种数字。硬编一个是骗人。
但我做了一件能部分回答这件事的事——拿和风的真实观测，去对同一时刻的模式预报，25 个城市，把误差量化出来。
把这些偏差代入评分函数，得到的分数偏差是：平均 10.1 分，最大 46 分。乌鲁木齐那一晚，实况能见度 28.2 km 而模式报 3.5 km，同一份预报算出 99 分和 53 分之差。
等级每 15 分一档，10 分的平均偏差意味着——实际经常差出一个等级。
而这个误差的绝大部分来自数据源（25 km 格距看不清局地云团边界），不是评分结构。这也解释了行业里一个有点讽刺的现象：
厂商普遍宣称 80–87% 的准确率，但有摄影师做了长期逐日对照实测，Skyfire 是"略高于 50%"，SunsetWx 是"约 50%"。
所以这个赛道的真实水平大概在 50–70%，而不是宣传页上的 87%。本项目我估计落在 50–65% 区间——这是推断，得等实测数据出来才算数。
优点
- 算法透明。每个因子多少分、被扣了多少，页面上都列出来，不像商业产品只给个数字。
- 光路建模。多数产品要么没有，要么不公开做法，而这恰恰是火烧云成立的第一要素——太阳方向被堵死，本地云再好也白搭。
- 降水的处理更细。之前只看平均降水量，一场阵雨被平均后几乎不触发，会出现"明明在下雨却给高分"。现在按天气代码、累计量、概率峰值三重判定。
- 接了真实地面观测。这是不少商业产品没做的。"今天"的准确度因此明显提升。
- 完全自建、零调用成本,使用的开源数据。
缺点
- 数据源分辨率最低。25 km 对 4 km，这是物理层面的差距，再好的评分函数也补不回来。
- 零校准。权重目前是拍脑袋定的，没有观测数据验证过——这是最大的短板。
- 没有雷达和卫星云图，局地短时阵雨抓不到，只能靠地面观测站事后修正。
- 没有云底高度和光学厚度，只能用云量加降水代码间接推断"云厚不厚"。
- 只有中国 46 城，也没有地形和视野数据——你家西边那栋楼挡不挡光，模型不知道。
眼下最要紧的一件，是把实测建起来。每次预告要对比实际情况，长期观察校正数据。—把主观权重换成数据拟合出来的。业内这个做法叫 MOS（Model Output Statistics）。
最后一句实话：做了这个项目之后我明白了一件事——预报再准，也不如抬头看看窗外。火烧云这东西，有时候它来了，你正好在，就够了。
评论(0)