第二章 气象数据驱动：三大核心模型实战
各位同学，今天咱们来啃一块硬骨头——气象数据驱动模型。说实话，我刚入行那会儿，觉得这些公式就是一堆纸老虎。直到有一次，我帮一个农场做灌溉决策系统，结果因为太阳辐射算偏了10%，整个方案全废了。嗯，从那以后，我再也不敢小看这些“老古董”公式了。
这一章，我带你手撕三个核心模型：太阳辐射、温度、降水。它们就像作物模型的“三驾马车”，缺一个都不行。
2.1 太阳辐射模型：Angstrom-Prescott 公式
太阳辐射是作物生长的能量来源。但问题来了——大部分气象站只测日照时数，不直接测辐射。怎么办？Angstrom-Prescott 公式就是干这个的。
核心公式：
Rs = (a + b * n/N) * Ra其中：
- Rs：实际太阳辐射（MJ/m²/day）
- Ra：天文辐射（理论最大值）
- n：实际日照时数（小时）
- N：可照时数（昼长）
- a, b：经验系数（通常 a=0.25, b=0.50）
说白了，这个公式就是在问：“今天太阳实际露脸的时间，占理论能露脸时间的比例是多少？”然后乘上天文辐射，再调个系数。
我个人习惯把 a、b 系数叫做“地方性格参数”。为什么？因为不同地区的大气透明度不一样。我在新疆做项目时，a 值得调到 0.30，因为空气干燥、云少；但在成都，a 值得降到 0.20，你想想看，那雾霾天...
避坑指南：我曾经在东北某项目里直接用 FAO 默认的 a=0.25, b=0.50，结果辐射值偏高 15%。后来一查，当地春季风沙大，大气浑浊度偏高。所以——能用本地率定系数就别用默认值。
天文辐射 Ra 的计算
Ra 的计算稍微复杂点，但别怕，有公式模板：
# Python 示例：计算天文辐射 Ra
import math
def calc_Ra(lat, doy):
# lat: 纬度（弧度）, doy: 年积日
Gsc = 0.0820 # 太阳常数 MJ/m²/min
dr = 1 + 0.033 * math.cos(2*math.pi*doy/365)
delta = 0.409 * math.sin(2*math.pi*doy/365 - 1.39)
ws = math.acos(-math.tan(lat) * math.tan(delta))
Ra = (24*60/math.pi) * Gsc * dr * (
ws * math.sin(lat) * math.sin(delta) +
math.cos(lat) * math.cos(delta) * math.sin(ws)
)
return Ra这段代码我用了不下百次。注意那个 ws——日落时角，如果算出来是 NaN，八成是纬度太高，极昼/极夜情况没处理。
2.2 温度模型：积温与有效积温
温度对作物的影响，说白了就是“攒够热量才能发育”。积温模型就是用来算这个“热量账单”的。
| 概念 | 定义 | 公式 |
|---|---|---|
| 活动积温 | 高于生长下限温度的总和 | GDD = Σ(T_mean - T_base) |
| 有效积温 | 高于下限且低于上限的净积温 | GDD = Σ(max(min(T_max, T_upper), T_base) - T_base) |
| 生理积温 | 考虑三基点温度的精细模型 | 分段线性或非线性函数 |
这里有个坑——有效积温的上限截断。我曾经在模拟水稻时，没设上限温度，结果高温天积温爆表，模型预测水稻 20 天就成熟了。现实呢？高温热害，颗粒无收。
注意：不同作物的三基点温度完全不同。小麦的 T_base 一般是 0°C，水稻是 10°C，玉米是 8°C。搞错了，整个生育期模拟就全歪了。
积温计算的工程实现
def calc_GDD(T_max, T_min, T_base=10, T_upper=35):
T_mean = (T_max + T_min) / 2.0
# 有效积温：截断上下限
T_eff = max(min(T_mean, T_upper), T_base)
return T_eff - T_base
# 逐日累加
gdd_cum = 0
for day in weather_data:
gdd_cum += calc_GDD(day['tmax'], day['tmin'])你看，代码就这么几行。但实际项目中，我建议你加上一个判断——如果 T_mean 低于 T_base，当天积温直接记 0，而不是负值。有些新手会算出负积温，然后累加出负数，那作物就“逆生长”了。
2.3 降水模型：Penman-Monteith 蒸散量计算
说到降水，很多人第一反应是“下了多少雨”。但作物模型更关心的是——水到底蒸发了多少？这就是蒸散量（ET₀）的用武之地。
Penman-Monteith 公式是 FAO 推荐的“黄金标准”。它把能量平衡和空气动力学结合到一起，说白了就是：
ET₀ = (0.408 * Δ * (Rn - G) + γ * (900/(T+273)) * u₂ * (eₛ - eₐ))
/ (Δ + γ * (1 + 0.34 * u₂))看着吓人？我拆开给你看：
- 分子第一部分：辐射项——太阳给的能量
- 分子第二部分：空气动力学项——风把水汽吹走
- 分母：综合阻抗项
我个人习惯把 ET₀ 叫做“大气蒸发需求”。它告诉你：如果地表有充足的水分，大气一天能抽走多少水。实际作物蒸散量 ETc 还要乘上作物系数 Kc。
实战经验：我在宁夏做灌溉系统时，发现 ET₀ 算出来 8mm/天，但实际滴灌只浇了 5mm。为什么？因为作物系数 Kc 只有 0.6。所以——别直接用 ET₀ 指导灌溉，一定要乘 Kc。
关键参数计算
| 参数 | 含义 | 计算要点 |
|---|---|---|
| Δ | 饱和水汽压曲线斜率 | 由气温计算，温度越高 Δ 越大 |
| Rn | 净辐射 | 由太阳辐射 Rs 减去反射和长波辐射 |
| G | 土壤热通量 | 逐日计算可忽略，取 0 |
| u₂ | 2米高处风速 | 若测的是 10 米风速，需对数转换 |
| eₛ - eₐ | 饱和水汽压差 VPD | 由温湿度计算，VPD 越大蒸发越强 |
这里有个容易翻车的地方——风速高度转换。我曾经直接用气象站的 10 米风速代入公式，结果 ET₀ 偏大 20%。后来才想起要转成 2 米风速：
u₂ = u_z * (4.87 / math.log(67.8*z - 5.42))其中 z 是风速仪安装高度（米）。这个公式我建议你直接写进工具函数里，别每次都手算。
2.4 三大模型的协同工作
这三个模型不是孤立的。太阳辐射影响温度，温度影响 VPD，VPD 影响蒸散。它们之间有一条隐形的链条。
下面这张图，是我自己项目里常用的数据流架构：
你看，数据流很清晰。原始气象数据分三路进入模型，算出 Rs、GDD、ET₀ 三个中间变量，然后在协同层做交叉校验。比如，如果 Rs 很高但 ET₀ 很低，那八成是湿度数据有问题。
工程建议：我在实际系统中，会在协同层加一个“物理一致性检查”：
- Rs 不能超过 Ra（天文辐射上限）
- GDD 不能为负
- ET₀ 不能超过 15 mm/day（极端干旱区除外）
超出这些范围的数据，直接标记为“可疑”，不参与后续模拟。