简介这套代码面向气象、气候与太阳能资源评估方向的研究者及数据分析爱好者用一支Python脚本把全国840个气象站点的日照时数观测值换算为日总太阳辐射免去逐站手工套公式的繁琐与出错风险适合有Python基础、需要批量处理观测数据的人群。包内共3个文件含2个csv与1个py脚本压缩包约275KBcsv分别承载站点日照时数输入与辐射计算结果py文件完成数据读取、缺失与异常值处理、按经验公式换算并输出成表链路完整、结构清晰。已有6348人学习下载。读者可直接替换输入文件复用到自有站点或年份把结果接入气候模型、太阳能资源评估与制图分析也可借脚本对照理解日照百分率、天文辐射等参数如何落到代码里作为气象数据处理的学习案例兼顾直接使用与动手练习。1. 840 个站点的日照时数表先别急着乘系数拿到一份覆盖 840 个气象站点的日照时数表很多人的第一反应是找一列系数直接相乘把日照时数换算成日总太阳辐射。这个动作在单站单日看起来没问题铺到全国气象站点数据上就会暴露一堆口径问题站点纬度表没合并、日长算成分钟、日照时数大于日长、a/b 系数全国一套。这个 Python 脚本资源做的事并不神秘它把日照时数计算日总太阳辐射的链路拆成天文辐射、日长、日照百分率三步按站点和日期批量跑输出带质检列的逐日辐射表。适合手里已有站点日照时数、需要补辐射字段做作物模型、蒸散计算或光伏前期分析的从业者也适合想把这套计算固化成可复现 python 脚本的人。先别急着下载就跑下面把每个参数和翻车点摊开。2. 拆开日照百分率模型日总太阳辐射到底由哪几个量决定日总太阳辐射的批量计算最常用的落点是日照百分率线性模型把日总辐射 H 表示为天文辐射 H0 与日照百分率 n/N 的线性组合即 H H0 × (a b × n/N)。这个模型之所以在站点资料里常见不是因为它精确到能替代辐射观测而是因为它的输入最少站点纬度、日期、实际日照时数 n就能逐日算出一条辐射序列。真正决定结果能不能用的不是公式那一行乘法而是 H0、N、n/N 和 a、b 四个量有没有按同一套口径对齐。H0 算错整条序列会整体偏移N 算错日照百分率会被系统性放大或压缩a、b 混用站点之间的空间差异会变成系数差异。下面按计算链路拆开。2.1 天文辐射 H0 的逐日计算链路天文辐射 H0 是假设无大气衰减时到达水平面的日总辐射单位通常用 MJ/(m²·d)。逐日计算需要四个中间量日地相对距离倒数 dr、太阳赤纬 δ、日出时角 ωs、以及纬度 φ。常见做法是用日序 DOY 驱动年周期先算 δ 和 dr再用纬度算 ωs最后合成 Ra。这里容易踩的坑是单位纬度必须是弧度DOY 必须是年积日ωs 是弧度Ra 的输出单位由太阳常数 GSC 决定。GSC 取 0.0820 MJ/(m²·min) 时Ra 就是 MJ/(m²·d)如果换成 W/m² 的太阳常数整条公式的系数和时间步长都要跟着换不能只改一个数。下面这段函数把 H0 和日长 N 放在一起算目的是让两者共用同一套 δ 和 ωs避免一个用近似公式、一个用另一套公式导致 n/N 对不上。代码里对-tan(φ)tan(δ)做了截断是为了处理极昼极夜边界全国站点大多不会碰到极夜但批量脚本里保留这个截断比在某个高纬站突然出现arccos定义域错误要稳。import numpy as np GSC 0.0820 # 太阳常数MJ/(m²·min) def calc_ra_and_n(lat_deg, doy): 输入 lat_deg: 站点纬度十进制度北纬为正 doy: 年积日1-365 或 1-366 输出 Ra: 天文辐射MJ/(m²·d) N: 日长小时 phi np.deg2rad(lat_deg) # 纬度转弧度 dr 1 0.033 * np.cos(2 * np.pi * doy / 365) # 日地相对距离倒数 delta 0.409 * np.sin(2 * np.pi * doy / 365 - 1.39) # 太阳赤纬弧度 x -np.tan(phi) * np.tan(delta) x np.clip(x, -1.0, 1.0) # 防止极昼极夜边界越界 omega_s np.arccos(x) # 日出时角弧度 Ra (24 * 60 / np.pi) * GSC * dr * ( omega_s * np.sin(phi) * np.sin(delta) np.cos(phi) * np.cos(delta) * np.sin(omega_s) ) N 24 / np.pi * omega_s # 日长小时 return Ra, N参数说明里最容易被忽略的是lat_deg的正负号。北纬为正、南纬为负这个约定要和站点表一致如果站点表里纬度是度分秒字符串先在站点表里换成十进制度不要带到逐日循环里现转。doy用date.dt.dayofyear生成闰年 12 月 31 日是 366公式里分母仍用 365 是常见近似长序列严格对比时可以改成 366但同一批结果里不要一半 365 一半 366。Ra算完后可以做一个年周期检查北半球站点夏季 Ra 高、冬季 Ra 低如果反过来优先查纬度符号和tan的单位。2.2 日长 N 与实际日照时数 n 的配套处理日长 N 是某日太阳可能照射的最大小时数实际日照时数 n 是站点观测到的日照小时数两者单位都必须是小时n/N 才是无量纲的日照百分率。常见误用是把 n 除以 24 小时或者把 N 算成分钟却拿小时数的 n 去除结果 n/N 被放大或缩小几十倍最后 H 要么贴地要么飞出 H0。另一个高频问题是 n 大于 N观测口径、日界、仪器阈值都可能让 n 略高于理论日长尤其在夏季高纬站点。批量脚本里不能直接让 n/N 大于 1否则 H 会超过 H0 乘以 (ab)出现物理上不合理的辐射值。我一般会保留原始 n另建一列有效 n把 n0 置空、nN 截断到 N并打一个质检标记后面统计越界比例。日长的量级可以拿来做快速自检北纬 30 度附近夏至日长接近 14 小时冬至接近 10 小时如果算出来全是 12 小时多半是 δ 没参与计算如果算出来是 720 或 840 这种数单位是分钟不是小时。n 的记录精度通常是 0.1 小时批量表里可能出现空字符串、-、999之类的缺测码读表时先用pd.to_numeric(..., errorscoerce)转成数值再做范围判断。n/N 的计算不要放在原始 n 上直接做先过一遍有效 n否则一个999会把整站均值拉爆。2.3 系数 a、b 的选型与单位口径a、b 是经验系数a 可以理解为阴天背景下辐射占天文辐射的基线比例b 是日照百分率每增加一个单位带来的增量。常见基线会取 a0.25、b0.50这个组合适合先跑通流程、看空间分布但不适合直接当成全国 840 个站点的最终参数。不同气候区、不同干湿条件、不同地形下a、b 的差异会体现在系统偏差上有的站 a 偏高、b 偏低有的站反过来。系数选型的关键不是找一组“最准”的数而是明确这组数来自哪里、适用于哪个时间尺度、和当前 n/N 的口径是否一致。参数含义单位常见基线常见误用H日总太阳辐射MJ/(m²·d)由模型计算与 W/m² 混用H0/Ra天文辐射MJ/(m²·d)逐日计算用月均值代替逐日N日长小时逐日计算算成分钟n实际日照时数小时站点观测缺测码未清理n/N日照百分率无量纲截断到 0-1未截断直接乘a阴天基线系数无量纲0.25 左右全国一套不标定b日照增量系数无量纲0.50 左右与 a 混用不同来源系数混用最隐蔽的一种情况是a、b 来自月尺度率定却直接套到日尺度或者来自总辐射表却拿来算净辐射。日尺度模型对 n/N 的响应更敏感月尺度率定的系数会把日内云量变化平滑掉直接下放到日尺度时晴天的 H 可能偏低、阴天偏高。批量脚本里至少要把系数来源写进输出文件名或参数表不要只留一个a0.25,b0.50在代码里过两周自己都说不清这组数从哪来的。3. 批量跑通 840 站从原始表到逐日辐射结果批量计算和单站试算的差别不在公式而在数据组织。840 个站点通常不是一张宽表而是“站点表 日照时数表”两张表站点表存站号、纬度、经度、海拔日照表存站号、日期、日照时数。脚本要做的第一件事是按站号把纬度合并进来第二件事是按日期生成 DOY第三件事才是逐行套公式。很多翻车发生在第一步站号在两张表里一个带前导零、一个被 Excel 转成数字合并后纬度全空最后 H 全是 NaN但代码不报错只输出一张空辐射表。血泪经验是读站号时统一用字符串并在合并后检查lat的空值比例。3.1 输入表的最小字段与清洗规则输入表不需要很多列但最小字段要齐站点表至少station_id、lat经度lon可以保留用于排查和空间检查日照表至少station_id、date、sunshine_hours。如果原始数据是 Excel先另存为 CSV避免脚本依赖 Excel 引擎如果 CSV 是 GBK 编码读的时候显式写encodinggbk不要靠默认编码碰运气。日期列要解析成datetime不要用字符串切片取月日字符串格式一旦从2020-01-01变成2020/1/1切片就会错位。清洗规则可以按下面顺序走站号转字符串并去空格日期解析失败的行单独落盘纬度转数值缺失或超出 -90 到 90 的站标记日照时数转数值负值和大于 24 的值先标记不删除同一站同一日期重复的记录要么去重保留第一条要么按业务规则聚合不能直接drop_duplicates了事。站点表和日照表合并时用validatemany_to_one可以挡住站点表站号重复导致的行数膨胀。合并后先看lat缺失比例再看每个站点的日期覆盖范围最后才进公式。文件必要字段说明stations.csvstation_id, lat, lon站号用字符串纬度十进制度sunshine_daily.csvstation_id, date, sunshine_hours日期可解析日照单位小时solar_radiation_daily.csv输出表含 H、H_Wm2、Ra、N、质检列提示站点表里的纬度必须是十进制度北纬为正如果原始表是度分秒先在站点表里换算不要带到逐日计算里。3.2 逐站逐日计算的 Python 脚本下面这段脚本按“读表、合并、算 DOY、算 Ra/N、算 n/N、算 H、输出”的顺序走核心函数和上一章共用。代码里把 a、b 放在文件顶部是为了让系数来源可见n_valid保留有效日照时数n_over_N做截断qc_*列记录越界和缺失情况。输出同时给 MJ/(m²·d) 和 W/m² 两列避免下游拿错单位。import pandas as pd import numpy as np STATION_FILE stations.csv SUN_FILE sunshine_daily.csv OUT_FILE solar_radiation_daily.csv A_COEF 0.25 B_COEF 0.50 GSC 0.0820 def calc_ra_and_n(lat_deg, doy): phi np.deg2rad(lat_deg) dr 1 0.033 * np.cos(2 * np.pi * doy / 365) delta 0.409 * np.sin(2 * np.pi * doy / 365 - 1.39) omega_s np.arccos(np.clip(-np.tan(phi) * np.tan(delta), -1, 1)) Ra (24 * 60 / np.pi) * GSC * dr * ( omega_s * np.sin(phi) * np.sin(delta) np.cos(phi) * np.cos(delta) * np.sin(omega_s) ) N 24 / np.pi * omega_s return Ra, N stations pd.read_csv( STATION_FILE, dtype{station_id: str}, encodingutf-8 ) sun pd.read_csv( SUN_FILE, dtype{station_id: str}, encodingutf-8, parse_dates[date] ) # 站号统一去空格避免合并时 001 和 1 对不上 stations[station_id] stations[station_id].str.strip() sun[station_id] sun[station_id].str.strip() df sun.merge( stations[[station_id, lat, lon]], onstation_id, howleft, validatemany_to_one ) df[doy] df[date].dt.dayofyear df[year] df[date].dt.year # 逐行算 Ra 和 N840 站多年数据量不大先保证可读性 ra_n df.apply( lambda r: calc_ra_and_n(r[lat], r[doy]), axis1, result_typeexpand ) df[[Ra, N]] ra_n df[n] pd.to_numeric(df[sunshine_hours], errorscoerce) df[qc_n_missing] df[n].isna() df[qc_n_negative] df[n] 0 df[qc_n_over_N] df[n] df[N] df[qc_lat_missing] df[lat].isna() # 有效 n负值置空超过 N 的截断到 N df[n_valid] df[n].where(df[n] 0) df[n_valid] np.minimum(df[n_valid], df[N]) # 极夜时 N 可能为 0避免除零 df[n_over_N] np.where( df[N] 0, (df[n_valid] / df[N]).clip(0, 1), 0.0 ) df[H] df[Ra] * (A_COEF B_COEF * df[n_over_N]) df[H] df[H].where(df[n_valid].notna()) # 1 MJ/(m²·d) 1e6 J / 86400 s 11.574 W/m² df[H_Wm2] df[H] * 1e6 / 86400 df.to_csv(OUT_FILE, indexFalse, encodingutf-8-sig) print(rows:, len(df), lat_missing:, df[lat].isna().sum())这段代码的逻辑说明可以按列看Ra和N来自同一套太阳几何n_valid是清洗后的日照时数n_over_N是截断后的日照百分率H是最终日总辐射H_Wm2是给习惯用 W/m² 的下游留的换算列。参数说明里A_COEF、B_COEF不是固定真理跑基线可以先用 0.25/0.50正式结果要换成有出处的系数GSC只影响 Ra不影响 n/Nnp.minimum那行把 n 截断到 N但保留了qc_n_over_N后面可以统计哪些站越界多。df.apply在 840 站多年数据上通常能跑如果数据量到千万行再把公式改成向量化列运算不要一上来就为了性能把可读性牺牲掉。3.3 输出字段、单位与质检列输出表建议保留原始输入列再加计算列和质检列。原始列留着是为了回溯计算列按“太阳几何、日照百分率、辐射、单位换算”分组质检列用qc_前缀统一命名。下游拿到表以后至少能回答三个问题这个 H 是 MJ 还是 Wn 有没有被截断纬度有没有缺失。单位换算不要只在文档里写直接给两列最省事MJ/(m²·d) 乘 11.574 就是 W/m² 的日平均值这个系数来自 1e6/86400不是拍脑袋。输出列含义单位用途Ra天文辐射MJ/(m²·d)检查年周期N日长小时检查 n/N 分母n_valid有效日照时数小时截断后参与计算n_over_N日照百分率无量纲模型自变量H日总太阳辐射MJ/(m²·d)主结果H_Wm2日总辐射日均值W/m²下游换算qc_n_over_N日照时数是否超过日长布尔越界统计qc_lat_missing纬度是否缺失布尔合并质量检查输出编码用utf-8-sig是为了让常用表格软件直接打开不乱码如果下游是数据库或纯 Python 管道用utf-8也可以。质检列不要省尤其是qc_n_over_N和qc_lat_missing这两个能快速定位批量结果里最common的两类空值和越界。跑完先按站点统计H的空值比例和qc_n_over_N的比例再看H/H0的分布正常应该在 a 到 ab 之间超出这个范围的值优先查 n 和系数不要急着改公式。4. 参数怎么定全国站点分区标定与敏感性问题a、b 的确定方式直接决定这套脚本是“能跑”还是“能用”。全国 840 个站点如果共用一组 0.25/0.50空间分布会显得很平滑但站点之间的系统偏差会被掩盖如果每个站都单独率定又需要足够的辐射观测样本很多站根本没有。实际落地一般走三条路固定系数做基线、分区系数做过渡、有辐射观测的站做站点率定。三条路不是互斥的常见做法是先用固定系数跑全量再用分区系数替换最后对重点站做率定和交叉验证。下面把三条路的边界和最小实现拆开。4.1 固定系数、分区系数与站点标定固定系数适合第一轮跑通和流程验证优点是简单、可复现缺点是空间差异被抹平。分区系数按气候区、干湿区或地形分区给不同 a、b适合没有逐站辐射观测但有区域经验的场景难点是分区边界和系数来源要能说清不能随手按省份改数。站点标定用同一站点的辐射观测和日照观测做线性回归精度最高但要求观测期重叠、样本量足够且率定出来的系数只对率定期和相似天气条件负责。三种方案的对比可以看下面这张表。方案输入要求优点边界适用场景固定系数纬度、日期、n简单、可复现空间偏差大流程验证、快速基线分区系数分区边界、分区 a/b兼顾空间差异分区依据要透明区域尺度批量估算站点标定同站辐射观测站点精度高样本和时段限制重点站、验证站选型时不要只看相关系数。固定系数跑出来的 H 和辐射观测做相关可能也有 0.9 以上因为 H0 的年周期太强相关系数容易被季节信号撑高真正要看的是偏差和斜率。分区系数要避免“按行政区划硬切”气候区和行政区不是一回事站点稀疏的地方分区边界更要用地形和气候指标解释。站点标定要留出独立年份做验证不能把全部样本拿去拟合再报拟合误差那样指标会偏乐观。4.2 用现有辐射观测做系数率定的最小流程率定的最小流程不复杂把观测日总辐射除以同日天文辐射得到 yH_obs/H0把同日日照百分率作为 xn/N对 y 和 x 做线性回归截距就是 a斜率就是 b。前提是 H_obs、H0、n、N 四列在同一天对齐单位一致。下面这段代码只做最小二乘实际用的时候要先剔除异常样本H_obs 小于 0、H_obs/H0 大于 1.2、n/N 越界、H0 为 0 的行都不要进回归。样本量少的时候季节分层看一下冬季和夏季分别拟合差异大就说明一组系数不够。import pandas as pd import numpy as np obs pd.read_csv(radiation_obs.csv, parse_dates[date]) # 字段station_id, date, H_obs, H0, n, N obs obs.dropna(subset[H_obs, H0, n, N]) obs[x] (obs[n] / obs[N]).clip(0, 1) obs[y] obs[H_obs] / obs[H0] valid obs[ (obs[H0] 0) (obs[y] 0) (obs[y] 1.2) (obs[x].between(0, 1)) ] b, a np.polyfit(valid[x], valid[y], 1) print(a , round(a, 4), b , round(b, 4), n , len(valid))代码里np.polyfit返回的是斜率和截距所以赋值顺序是b, a不是a, b这个顺序写反了会出现 a 很大、b 很小甚至负数的怪结果。valid里的 1.2 是经验上限用来挡明显异常的观测不是物理常数如果站点辐射观测质量好可以收紧到 1.0 附近。x截断到 0 到 1是为了和批量计算的口径一致率定和预测必须用同一套 n/N 处理否则系数不可移植。样本量少于 30 天时我一般不会把率定系数直接铺到全年而是先看季节分层至少让系数有交叉验证的余地。4.3 缺测与异常日照时数的处理策略缺测和异常要分开处理。n 缺测就是当天没有有效观测不要用月均值或邻近站插值硬补补出来的 H 会带着插值误差进入下游而且无法在质检列里区分。短缺口如果业务允许可以对连续 1 到 2 天的 n 做线性插值但要在输出里加一列标记“插值来源”不要和实测混在一起。n 为负值通常是缺测码或记录错误直接置空n 大于 N 的处理要保守截断到 N 并打标不要直接删除整行因为删除会让该站的时间序列出现断点后面做趋势或统计时样本不一致。还有一种异常是 n/N 长期接近 1 或长期接近 0前者可能是仪器阈值或记录口径问题后者可能是站点位于寡照区。批量结果里按站点统计 n/N 的均值和分位数如果某个站全年 n/N 都大于 0.95先查原始日照表不要直接相信。辐射侧的自检同样重要H/H0 应该落在 a 到 ab 之间超出范围的值优先查 n 和系数而不是改 H0。缺测处理没有后悔药最好的办法是在输入表里就把缺测码和真实 0 分开输出表里保留qc_列让下游自己决定要不要用。5. 避坑与排查日照时数转辐射最常见的五类翻车这套计算听起来只是几个三角函数加一行线性模型但批量跑起来翻车点主要集中在单位、边界和数据组织上。下面五类问题是我在类似脚本里见得最多的每类按“现象、原因、解决”写方便对着输出表排查。先查纬度、日序和单位再查 n/N 越界最后查系数和文件编码顺序不要反否则会在错误的数据上反复调参。5.1 纬度、日序与弧度三个单位口径现象Ra 的年周期反了北半球站点冬季 Ra 比夏季高或者 N 全是 12 小时左右看不出季节变化。原因纬度用度直接进了tan没有转弧度或者 DOY 用了月份1 到 12 被当成日序年周期被压缩还有一种是omega_s算出来是度代进公式时没有转弧度。解决在函数入口统一np.deg2rad(lat_deg)DOY 用date.dt.dayofyear生成所有三角函数内部只用弧度。检查时抽一个站一个夏至日和一个冬至日手算或对照已知日长确认夏季 N 大于冬季 N。5.2 日照时数越界、负辐射与空值现象H 大于 H0甚至出现负值某些站全年 H 为空n/N 的分布有一堆大于 1 的值。原因n 的缺测码没有清理999直接参与计算n 大于 N 没有截断n 为负值没有置空站点表合并后lat缺失Ra变成 NaN。解决读表后先pd.to_numeric(..., errorscoerce)n 小于 0 置空n 大于 N 截断并打qc_n_over_N合并后检查lat缺失比例。H 算出负值基本只可能来自系数为负或 n/N 越界先查这两处不要急着改公式。5.3 时区、真太阳时与“日”的边界现象西部站点的辐射峰值日期和东部站点对不上或者日照时数记录跨日导致某天 n 偏大、次日偏小。原因日照时数按地方时记录日期字段按另一套时区生成日尺度模型对真太阳时差不如小时尺度敏感但“日”的边界必须一致。解决批量计算统一用站点当地日日期列和日照时数列来自同一套日界不要用 UTC 日期去配当地日照。日尺度下真太阳时差可以忽略但如果原始数据是逐小时日照先按当地日聚合再进模型不要直接拿小时值套日公式。5.4 系数混用与单位换算现象H 的数值比预期大 1000 倍或小 1000 倍不同站点之间 H 的差异主要来自系数而不是气候。原因MJ/(m²·d) 和 W/m² 混用a、b 来自不同来源或不同时间尺度率定时 y 用了 W/m²预测时 H0 用了 MJ量纲不一致。解决在输出表里同时保留H和H_Wm2并在参数表里写清 a、b 的来源和适用时间尺度。率定和预测必须用同一单位H_obs/H0 是无量纲的但 H_obs 和 H0 必须同单位不能一个 MJ 一个 W。5.5 批量运行的文件编码与内存现象读 CSV 时报UnicodeDecodeError合并后行数暴涨跑 840 站时内存占用越来越高。原因原始文件是 GBK脚本默认 UTF-8站点表站号重复merge变成多对多逐行apply保留了太多中间列。解决读文件时显式写encodinggbk或encodingutf-8站号统一字符串并去重合并时用validatemany_to_one挡住重复站点。数据量大时按年份或站点分块读输出追加写不要一次性把几千万行全塞进内存。跑完先看行数是否等于输入行数行数对不上后面所有统计都不可信。6. 进阶验证用日长、晴空指数和交叉检查把结果坐实批量结果出来以后不要只看 H 的均值。先用三个自检指标过一遍H/H0 是否落在 a 到 ab 之间n/N 与 H/H0 是否呈线性邻近站点的 H 空间分布是否连续。H/H0 就是晴空指数的一种日尺度表达正常晴天在 0.6 到 0.8 附近阴天更低如果某个站全年 H/H0 都接近 1先查 n 是否长期等于 N。空间检查可以按日期抽一天把站点按经纬度画散点或排序看有没有孤立高值孤立高值往往来自站点纬度合并错误或 n 缺测码。6.1 三个自检指标第一个指标是H/H0的范围超出[a, ab]的值要么是 n/N 越界要么是系数用错。第二个指标是n/N与H/H0的线性关系抽几个站做散点斜率应该接近 b、截距接近 a如果散点是一团先查 n 和 N 的单位。第三个指标是日长 N 的年周期抽高纬和低纬各一个站夏季 N 应该大于冬季低纬年振幅小于高纬。三个指标都不需要辐射观测适合在拿到观测对比之前先做一轮粗筛。6.2 抽样对比与误差记录表有辐射观测的站抽 3 到 5 个做对比算 MBE、RMSE 和 R²。MBE 看系统偏差RMSE 看整体误差R² 看解释能力三个指标一起看避免只报 R² 掩盖偏差。下面这段指标函数可以直接用输入是观测和预测的同单位序列。import numpy as np def metrics(obs, pred): obs np.asarray(obs, dtypefloat) pred np.asarray(pred, dtypefloat) err pred - obs mbe err.mean() rmse np.sqrt((err ** 2).mean()) r2 1 - ((err ** 2).sum() / ((obs - obs.mean()) ** 2).sum()) return mbe, rmse, r2误差记录表建议至少留这些列站点、年份、样本数、a、b、MBE、RMSE、R²、备注。备注里写清系数来源和是否做过季节分层过一段时间回看能快速判断这组结果能不能复用。抽样对比不要只抽晴天阴天和过渡季也要覆盖否则 RMSE 会被晴天样本拉低。从那以后我每次铺批量计算前都先拿一个站跑单日手算对一遍再放 840 站。希望帮到你。本文还有配套的精品资源点击获取
