先回答一个问题就能分流:你要的是"趋势"还是"单点精确值"
很多人第一次想拿历史天气数据,脑子里其实没想清楚一件事:你要的到底是一整条能看的趋势曲线,还是某一个具体日子、某个具体地点的精确观测值。这两件事,拿数据的路径完全不同,花的力气也差一个量级。
如果你要的是趋势——比如"某城市过去十年夏天是不是越来越热"、"南方这几个城市哪个梅雨季降水最猛"——那用再分析数据就够了,免费、快、口径统一。如果你要的是单点精确值——比如"2025 年 7 月 1 日我家楼下到底下了多少毫米雨"——那再分析数据会偏,你得去翻气象站的实测记录,而那条路往往要注册、要申请、甚至要审核。
我先把这个判断放在最前面,是因为后面所有的"账"都建立在它之上。算错起点,后面每一步都白算。本文的主角是 ERA5 再分析数据,它走的是第一条路:趋势、气候基线、跨城市对比。它不适合作证某一天某一点的极端精确读数。这一点,官方文档自己在"数据质量声明"里写得很直白:网格化数据"不能表示温度、风或降水的非常小规模模式",个别热浪纪录"也可能不准确",但全国范围的干旱、温度上升的总趋势"被相当好地捕获"。
所以,第一个分支判断来了:做气候趋势、城市对比、机器学习训练样本,走 ERA5 再分析;做单点取证、保险理赔、工程验收,走气象站实测。本文带你走的是前者,账也按前者的口径算。
分支判断需要的三个事实:数据从哪来、授权怎么算、坑在哪
在往下展开决策树之前,先把三件必须核实的事实摆出来,这是后面每一层分支都绕不开的地基。
第一,数据来源。本文采集的这份数据,底层是欧洲中期天气预报中心(ECMWF)实施的 ERA5,它是欧盟哥白尼计划(Copernicus)资助的第五代再分析数据集。再分析是什么意思?它不是拿一根温度计在某个点读出来的,而是把过去几十年的气象站观测、卫星、雷达、探空气球这些数据收集起来,网格化成一个个格子,再用数值天气模型把空白和矛盾填平。所以它"覆盖全球、无缺测",代价是空间上被抹平成约 11 公里(ERA5-Land)到 25 公里(ERA5 全球)的格子,城市热岛、山区小气候这些细节会被平滑掉。
第二,授权。Open-Meteo 通过 `archive-api.open-meteo.com/v1/archive` 这个端点免费提供 ERA5 历史数据,接口本身不用注册、不要 API key、不用绑信用卡,HTTP GET 直接拿 JSON。数据的授权是 CC BY 4.0——可商用、可再分发,但必须署名。免费层是非商用每日 1 万次调用,商用或更高频次才需要订阅。这两个数字我建议你引用时都以 Open-Meteo 官网当前标注为准,因为额度政策会变。
第三,坑在哪。这条是最值钱的事实:再分析数据的"准"是相对的,而且有明确的时效边界。一是归档延迟,ERA5 通常有 5 天的延迟,也就是说"昨天"的数据大概率还拿不到,要补最近几天得去 Forecast API 用 `past_days`;二是口径选择,同一个端点里 ERA5 全球(0.25°)和 ERA5-Land(0.1°)分辨率不同、变量覆盖也不同,混着用会得到对不上的两套数;三是时区,不显式传 `timezone` 就会按 UTC 切日,对降水这种按日累计的字段影响极大。
这三件事搞清楚了,决策树才算有了可以站立的根。下面我们一层一层往下走。
第一层分支:选数据源,先算一笔"免费 vs 官方 vs 付费"的账
拿历史天气数据,市面上能走的路其实只有三条,我按"能不能免费拿到、要花多少力气"给你排好,每条都算一笔账。
第一条路,官方气象站的实测数据。国内最有代表性的是中国气象数据网这类平台,站点实测、质量最高,但基本都要注册账号、按用途申请、部分还要审核,长序列尤其是逐小时站点数据往往要线下申请。这条路的账是:数据最权威,但"拿到手"的人力成本最高,一次申请来回可能要几天,还不一定批。
第二条路,商业天气服务商的历史数据。这一类在"最贵的顶级套餐"里才提供历史数据,而且数据源往往不透明。账是:钱最贵,而且你不知道它底层到底是不是同一套再分析数据套了个壳。
第三条路,Open-Meteo 的 ERA5 再分析 API。免费、免注册、JSON 直出、全球覆盖、从 1940 年到现在。账是:零现金成本,人力成本也最低——一条 curl 就能把一整年的逐日数据拉下来。代价前面说了:空间分辨率抹平、单点会偏、有归档延迟。
这笔账怎么算划算,取决于你的场景。我把三条路放进一张对比表,你按自己的需求对号入座:
| 数据源 | 数据性质 | 现金成本 | 人力成本 | 分辨率/精度 | 适合场景 |
|---|---|---|---|---|---|
| 官方气象站实测 | 站点观测值 | 多为免费但需申请 | 高(注册+审核+线下申请) | 单点最准 | 取证、理赔、工程验收 |
| 商业天气服务商 | 多为再分析或模型 | 高(历史数据在顶级套餐) | 中 | 不透明 | 企业级、要 SLA |
| Open-Meteo ERA5 | 再分析(网格化) | 免费(CC BY 4.0 署名) | 低(一条 HTTP 请求) | 约 11–25 km 网格 | 趋势、气候基线、跨城对比 |
结论先给:你只是想看趋势、做对比、喂模型,Open-Meteo 这条路几乎是无脑选;你要作证某个具体值,老老实实走官方气象站。大多数人其实是前者,却总被后者的心理门槛劝退,以为自己必须去申请一堆东西。
第二层分支:选哪套再分析模型,口径不一致才是真正的坑
好,假设你选了 Open-Meteo。第二层分支马上来了:同一个历史天气 API 里,其实有好几套底层模型,ERA5 全球、ERA5-Land、还有 ECMWF IFS。不搞清楚就混用,会得到两套对不上的数。
官方文档给了张很清楚的表:ERA5 全球分辨率 0.25°(约 25 公里),逐小时,覆盖 1940 年至今;ERA5-Land 分辨率 0.1°(约 11 公里),逐小时,覆盖 1950 年至今。区别不只是格子大小,变量覆盖也不一样——ERA5 变量最全,ERA5-Land 专注地表变量(温度、湿度、土壤温湿度),但两者都缺一些对方有的东西。ECMWF IFS 分辨率更高(9 公里)但只能回溯到 2017 年。
这里的账是"口径账":你要做几十年跨度的气候研究,就该只认 ERA5 或 ERA5-Land,别把 IFS 混进来。官方文档的原话是,研究数十年的气候变化时,"建议只使用 ERA5 或 ERA5-Land,这一选择能确保数据一致性,避免因采用不同天气模型升级而产生的无意改变"。这句话翻译成人话就是:你换模型,等于换了把尺子,量出来的"变暖"可能有一部分是尺子变了,不是天变了。
本文这份数据我用的是 ERA5 家族(Open-Meteo 的 `best_match` 默认会为给定坐标选它认为最合适的模型),取的是城市中心点网格。这里必须诚实交代一个代价:取的是"城市中心一个格点"的值,不是整个城市平均,也不是某个具体站点。比如重庆这样的山城,市中心网格的值和你在歌乐山脚下测到的,本来就不是一回事。这个边界我在数据包的 meta 说明里也写死了。
结论:做气候趋势、跨城对比,锁一套模型、锁同一个时区、锁同一种分辨率,比纠结"哪个模型更准"重要得多。
第三层分支:边界情况,这几种用法最容易翻车
决策树走到第三层,剩下的都是边界情况。这些场景单独看不难,但最容易让人踩坑,我一个个点出来。
边界一:要最近几天的数据。ERA5 有 5 天归档延迟,你要"昨天"的数据,去 `archive-api` 拿是空的。正解是切到 Forecast API 的 `past_days` 参数,它能回溯最多 92 天,格式和实时预报一致。但注意,这两条路是两套东西——归档是 ERA5 再分析,`past_days` 是预报模型,别把它们拼成一条曲线还当同口径。
边界二:要逐小时数据做精细分析。本文采的是逐日(daily)聚合,够做趋势。但你若要做逐小时,`hourly` 参数照传即可,只是数据量会膨胀 24 倍,一个城市一年就是 8760 行。十个城市一整年逐小时,就是 87600 行,CSV 会到几十 MB,蓝奏云免费额度都未必装得下,得先压缩或切分。这是量级的账,动手前先估一下。
边界三:跨时区、跨国际日期变更线。前面反复提的 `timezone`,这里再强调一次它有多阴——不传它,Open-Meteo 默认按 GMT 切日。对日最高温影响还不大,对日降水这种按天累计的字段,一天的偏差能让你的"哪天下雨"统计整体错位。本文全部城市统一传了 `Asia/Shanghai`,这是数据能互相比的前提。
边界四:极端值。再分析会平滑掉峰值,所以西安 2025 年 7 月那个 43.7℃ 的年最高,是网格值,和气象站实测的极端高温可能对不上。别拿这个数去跟新闻里"某地 44℃ 破纪录"较真,它俩不是同一个口径。
各分支的默认推荐:一条命令就能拿到的"最小可行做法"
前面把决策树分完了,现在给每个分支一个默认推荐,也就是"照着做就能跑通"的最小方案。
默认推荐就一条主线:用 Open-Meteo 的 archive 端点,锁 ERA5、锁 Asia/Shanghai 时区、锁 daily 逐日聚合,拉一整年的城市中心点数据。这条主线覆盖了"看趋势、做对比"这 80% 的需求。
下面是我实际采集用的请求,你把这个 curl 换成自己的经纬度、日期范围就能跑:
curl "https://archive-api.open-meteo.com/v1/archive?latitude=39.90&longitude=116.41&start_date=2025-01-01&end_date=2025-12-31&daily=temperature_2m_max,temperature_2m_min,temperature_2m_mean,precipitation_sum,rain_sum,snowfall_sum,wind_speed_10m_max,shortwave_radiation_sum,sunshine_duration,et0_fao_evapotranspiration&timezone=Asia/Shanghai" 这条请求,北京一个城市一整年,返回 365 条逐日记录,13 个字段,实测响应不到 1 秒。十个城市我串行采集,每个城市之间 sleep 1 秒,全程不到一分钟,拿到 3650 条数据。这就是"免费 + 快"这件事的具体体感,不是形容词。
如果你想一次拿多个城市,把经纬度用逗号分隔传进去就行,返回会变成数组结构,每个城市一个元素。不过我实际采集时是逐城请求的,因为逐城请求更容易把"城市名"这个字段写清楚,避免后面按经纬度反查城市名的麻烦——这个返工我是真踩过,多花的时间不值当。
默认推荐的代价也要说:它拿的是城市中心一个格点,不是全城平均。如果你对这个不满意,要更细的空间分布,那就不该用 API 单点取数,而该去哥白尼气候数据商店(CDS)下 NetCDF 网格文件——那条路的账是完全另一本:数据量以 TB 计,官方那篇讲 ERA5 历史的文章里说,光 23 个变量就超过 20TB,个人电脑根本存不下,得拼 ZFS 存储阵列。这个岔路口一定要走对,别用错工具。
每个分支的最小可行做法:三条用法各自的完整账
前面给的默认推荐是"一次拉一整年"。但真实读者分层了,有人只要查单日,有人要每日增量,有人要全量历史。我把三种用法各列一遍,每条都给方法、给代价,你按自己的频率对号入座。
第一种:单次拉取,查某段历史。方法就是上面那条 curl,改 `start_date` 和 `end_date`。代价几乎为零:一条请求、一秒内返回、JSON 直接看,或者加 `&format=csv` 直接下 CSV。适合写文章、做报告、查"某年夏天到底热不热"这种一次性问题。这也是本文数据包的来源方式。
第二种:每日增量,维护一条滚动序列。方法是在 Forecast API 上用 `past_days=92` 拉最近 92 天(含预报),或者每天跑一次 archive 拉"昨天之前"的数据,再拼到本地库里。代价是:你得自己维护一个存储、处理归档延迟(ERA5 有 5 天延迟,当天拉不到最新)、还要面对口径拼接的问题——archive 是再分析、`past_days` 是预报,拼起来要标注清楚哪段是哪套。我算过一笔账,这个方案真正的成本不在接口,在你自己的增量管道和口径登记上,一个月 40 小时起,主要是返工和留证。
第三种:全量历史,建气候基线。方法是从 1940 年拉到现在的逐小时数据,逐城市、逐变量。代价就上来了:一个城市一年的逐小时是 8760 行,1940 到 2025 是 85 年,就是 74 万行一个变量;十个城市、十三个变量,量级直接爆炸,而且 archive API 单次请求拿超长区间会慢、JSON 会大到十几 MB。这种规模,正确的做法不是调 API,而是去 CDS 下 NetCDF 再用 xarray 之类的工具算。账是:存储以 TB 计,还需要一套空间处理能力,非个人电脑能扛。
三种用法的账放在一张表里,一眼看清分水岭在哪:
| 用法 | 方法 | 数据量 | 主要代价 | 适合谁 |
|---|---|---|---|---|
| 单次拉取 | archive 端点,改日期范围 | 一城一年 365 行 | 几乎为零 | 写报告、一次性查证 |
| 每日增量 | archive + past_days 拼接 | 每日追加几十行 | 增量管道 + 口径登记 | 维护滚动监控 |
| 全量历史 | CDS 下 NetCDF + 空间处理 | TB 级 | 存储 + 算力,非个人电脑 | 气候基线、模型训练 |
结论:90% 的人停在"单次拉取"就够了,别一上来就奔着"全量历史"去,那是在用货车的成本干小推车的活。
分支对照表:这份数据的逐项字段解释
决策树的"分支"最终要落到"我拿到手的数据每列是什么意思"。这一节是数据文的主力,我把我采集的这份数据里 13 个字段逐个讲清楚——含义、类型、单位、取值范围、缺失时怎么办,一个都不落。
先说这张表的结构:一行 = 一个城市 + 一个日期,10 个城市 × 365 天 = 3650 行。前两列是标识,后十一列是逐日的气候变量。
city / city_en:城市的中文名和英文名,是行标识,不是数值。我固定用城市中心点的经纬度去请求,这两个字段是我自己落库时写进去的,方便按城市筛选。类型是文本,无缺失。
date:日期,格式 ISO8601 的 `yyyy-mm-dd`,因为统一传了 `Asia/Shanghai`,所以是按东八区切的日。类型是字符串,无缺失,365 天连续。
temperature_2m_max / temperature_2m_min / temperature_2m_mean:日最高、日最低、日均温,单位摄氏度(°C)。`2m` 指离地面 2 米高的气温,这是气象标准高度。取值范围上,我实测这十个城市 2025 年日最高从 -13.2℃(西安)到 43.7℃(西安,同一个城市全年最高和最低跨度 56.9℃)。这是网格值,前面说过,别和站点实测极端值较真。理论上 ERA5 全球陆地无缺测,这份数据里我核过,温度三列零 null。
precipitation_sum:日累计降水量,单位毫米(mm)。这是"总降水"口径,包含液态和固态。它和下面两个字段是父集关系,别重复加。无缺测。
rain_sum:日累计降雨量(仅液态),单位毫米。它是 precipitation_sum 的子集,下雪的那部分不计入。多数城市雨雪天数里它和 precipitation_sum 几乎相等,但北方冬季有雪的日子会拉开差距。
snowfall_sum:日累计降雪量(折算成水当量),单位毫米。注意它不是雪深,是"雪化成水"的毫米数。西安 2025 年有 9 个雪日、北京 7 个,广州深圳这类南方城市全年为 0。南方城市这列全 0 是真实物理结果,不是缺测。
wind_speed_10m_max:日最大风速,单位公里/小时(km/h)。`10m` 指离地面 10 米高的风速。这个字段在再分析里偏平滑,极端大风会被低估。
shortwave_radiation_sum:日累计太阳短波辐射,单位 MJ/m²(兆焦每平方米)。这是能量口径,用来算光伏发电潜力、蒸散发的输入项。数值夏季高、冬季低,随纬度和云量变化。
sunshine_duration:日日照时长,单位秒(s)。注意单位是秒不是小时,很多人第一次拿到会以为 36000 是小时,其实是 10 小时。我统计"晴日"时就是拿这个字段除以 3600 换算成小时再判的。
et0_fao_evapotranspiration:参考蒸散量(FAO 彭曼-蒙提斯公式),单位毫米。这是给农业灌溉、水文做参考的指标,普通人用不上,但喂模型做农业分析时它是关键输入。
一句话记住:温度看趋势、降水看口径(总降水还是降雨)、日照记得除 3600、风速和极端值别较真。这份数据所有字段的缺失处理原则是:ERA5 全球陆地网格理论上无缺测,若你发现某个值是空字符串,那是采集或解析环节的问题,不是数据源缺失,应该回去查请求,而不是插值。
走错分支的典型症状:三种"以为对了其实错了"
决策树的价值,一半在于告诉你该走哪,一半在于告诉你"走错了会有什么症状"。我把我自己踩过、也见别人踩过的三种典型症状写下来,你看到这些信号就说明走错分支了。
症状一:拿再分析数据去跟气象站实测对表,对不上就怀疑数据坏了。比如你拿我这数据里北京 2025 年 7 月的日最高,去跟某个监测站的读数比,差了三四度,就以为接口有问题。其实接口没问题,是你在用 11 公里网格的值去比一个站点的值。官方那句"相距不到 100 米的测量站也会测出不同的温度"就是这个意思。症状是"数据对不上",病根是"口径没对齐"。
症状二:跨城市比"年最高温",得出"西安比重庆还热"然后到处传播。我这份数据里,西安 2025 年最高 43.7℃、重庆 43.3℃,确实西安更高。但这是网格中心点、是 ERA5 平滑后的值,西安地处关中平原、网格值受下垫面影响,和"体感上重庆更闷热"并不矛盾——重庆赢在均温和持续高温,不是赢在单日峰值。你拿"年最高"这个单一指标去给两个城市排"谁更热",本身就是走错分支:热不热要看均温、看持续高温天数,不是一个峰值。
症状三:把 5 天归档延迟当成"数据没了",然后去别处花钱买。你要查上周的数据,archive 拿不到,就以为免费路走不通,转身去商业服务商下单。其实只是 ERA5 有 5 天延迟,近几天的数据在 Forecast API 的 `past_days` 里就能免费拿。症状是"接口拿不到最新",病根是"不知道归档延迟这条规则"。这一条,是真金白银的账——有人就这么白白花了钱。
这三种症状共同的病根都一样:没分清"再分析数据能干什么、不能干什么"。把这个边界在脑子里划清楚,比记十个 API 参数都管用。
这份数据包怎么用:下载与上手
我把这次实采的数据整理成了可下载的压缩包,包含 CSV 主文件和一份 meta.json 说明文件,你拿到手就能用。
数据内容:中国十大城市(北京、上海、广州、深圳、成都、武汉、西安、杭州、重庆、南京)2025 年全年(1 月 1 日至 12 月 31 日)逐日气候数据,13 个字段、3650 行。数据源 Open-Meteo 历史天气 API,底层 ERA5 再分析,授权 CC BY 4.0(需署名)。
下载方式(蓝奏云):
分享链接:https://zeyunsoft.lanzoub.com/iZ3nv4fh6ale
提取码:8x3k
CSV 是 UTF-8 带 BOM 编码,Excel 和 WPS 双击就能直接打开,中文不乱码。meta.json 里存了来源 URL、授权说明、字段清单、采集时间,引用数据时把它一并附上,方便别人溯源。
上手三件事:第一,打开 CSV 确认 3650 行、13 列,表头和我上面逐项解释的一致;第二,用 Excel 的筛选或数据透视,按 city 列筛选单个城市看它的全年曲线;第三,如果你要做跨城对比,务必记住——这是网格中心点值、统一东八区、同一套 ERA5 模型,三者缺一不可,否则对比就是假的。
常见问题
问:这份数据和气象局发布的实测数据差多少?能当正式数据用吗?
差多少没有固定值,取决于你比的是哪个点、哪天。ERA5 是约 11 公里网格的再分析值,它捕捉的是"这个格点附近的平均水平",而气象站是某个具体位置的观测。同一个城市里,市中心、郊区、山区的实测值本身就能差出好几度,所以"差多少"这个问题先得问"拿哪个站比"。结论是:做趋势、做跨城对比、做气候基线,够用;做单点取证、理赔、验收,不够,得走官方气象站实测。本文数据我在正文和 meta 里都标了"以官方最新公布为准、非站点实测",就是这个意思,不是谦虚,是口径。
问:为什么最近几天的数据拿不到?
这是 ERA5 再分析的归档延迟,不是接口坏了。ERA5 一般有 5 天的延迟,也就是"今天"往回 5 天内的数据在 archive 端点里还没有。你要看最近几天,走 Forecast API 的 `past_days` 参数,它能回溯最多 92 天。但注意这两条路底层不是同一套模型——archive 是再分析,`past_days` 是预报,拼成一条序列时要标清楚分段,别当成同一口径。这是新手最容易懵、也最容易踩的地方,我单独拎出来讲。
问:为什么广州降水 2092 毫米、西安只有 658 毫米,差这么多?
这是真实的地理气候差异,不是数据错误。广州地处华南,受季风和台风影响,全年降水充沛,2025 年 250 天里有 228 天降水超过 0.1 毫米;西安地处关中、偏内陆,降水少得多,雨日只有 122 天。我这份数据里十个城市的年降水从西安 658 毫米到广州 2092 毫米,跨度三倍多,这本身就是一个很直观的"中国降水南北分异"的样本。需要提醒的是,这是网格中心点的累计值,具体到某个区的年降水会和这个数有出入,但"南多北少"的大格局是稳的。
问:日照时长那个字段单位是秒,怎么用?
对,`sunshine_duration` 的单位是秒,不是小时,这是最容易被忽略的一个坑。我统计"晴日"时就是拿它除以 3600 换成小时,再设一个阈值(比如大于 6 小时)来判的。你拿到数据如果直接把它当小时数用,所有结论都会错一个数量级。换算很简单:除以 3600 就是小时,除以 86400 就是"一天里有多大比例是晴天日照"。成都和重庆这个字段全年偏低(我算下来日照超 6 小时的晴日分别只有 192 天和 192 天,是十个城市里最少的两个),这正是它们"雾都""蜀犬吠日"气候特质的量化体现,不是采集漏了数据。
问:这个数据能商用吗?
能,但要分两层看。第一层,数据本身的授权是 CC BY 4.0,允许商用、允许再分发,条件只有一个:署名,也就是注明数据来自 Open-Meteo、底层 ERA5。第二层,接口的免费额度是非商用每日 1 万次,商用高频调用需要订阅。所以"数据能商用"和"接口随便商用"是两件事,别混。另外有一条 CC BY 之外的常识要记住:即使授权允许,你也不该暗示你的产品得到了 Open-Meteo 或哥白尼计划的背书,这是几乎所有开放数据授权条款里都有的边界。稳妥做法是把这份数据的来源 URL 和授权说明原样附在你的作品里,让下游也能溯源。

