本项目旨在解决传统气象云图分析依赖人工判读、无法实现高频自动化监测的问题。气象部门、农业保险公司
、环境监测机构需要持续追踪云层覆盖变化，但人工从 FY-4A 或 ZoomEarth
等卫星数据源逐张判读云图效率极低，且无法做到 24 小时无人值守。
立项原因：传统气象云图分析依赖人工判读 FY-4A/ZoomEarth 等卫星数据，效率低且无法实现高频自动化。在
光伏电站功率预测、农业保险定损、航空航海气象保障等场景中，需要以小时级频率自动量化云量并输出结构
化数据
业务背景：精准农业保险需依据卫星云图判断受灾区域云层覆盖情况来定损；光伏电站需实时云量数据预测发
电功率以参与电力市场调度；气象科研人员需长期积累云量时序数据做气候模型训练。本项目填补了"开源、轻
量、可定时自动化"的云图监测工具空白。
1. 云图获取模块（downloader.py）：支持 Mock 模式和真实卫星 API 双模式切换。Mock 模式用 OpenCV
生成红蓝半图+白云带的合成图像用于开发调试；真实模式通过 requests 从 ZoomEarth/FY-4A
等公开接口下载云图，内置指数退避重试（2^n 秒）和 HTTP 4xx/5xx 分类处理，非 4xx 错误自动重试最多 3
次。
2. NBRR 云量计算模块（nbrr.py）：核心算法 |B−R|/(B+R) ≤ 0.05 判云。对 RGB
图像逐像素计算归一化红蓝比值，白色/灰色像素（云）NBRR ≈ 0 归为云，红色（陆地）≈ -1、蓝色（海洋）≈
1 排除。含完整的边界处理：除零保护、全黑损坏检测、最小尺寸校验、float32 精度保证。
3. 数据输出模块（writer.py）：pandas + openpyxl 实现 Excel 原子追加写入（temp-file → rename
防止中途崩溃丢数据），CSV 流式追加（UTF-8 BOM 编码），cloud_pct 写入前校验（NaN/Inf/越界拒绝）。
4. 定时调度：schedule 库 + SIGTERM 优雅关闭，支持 Windows
计划任务一键安装（install_scheduled_task.bat）。
5. 自动化测试体系：31 个 pytest 用例（NBRR 16 个、Writer 11 个、E2E 4 个），pytest-cov
覆盖率报告（nbrr.py 100%、writer.py 91%），--test 自检模式（临时目录安全验证，不污染生产数据）。
- 完整项目架构设计：5 层数据流架构（获取 → 下载 → 计算 → 输出 → 测试）
- 全部代码实现：config.py（12 项 .env 驱动配置 + 运行时校验）、downloader.py（Mock/真实双模式 +重试引擎）、nbrr.py（NBRR 算法 + 6 种边界保护）、writer.py（openpyxl 原子写入 + CSV流式追加）、cloud_monitor.py（3 模式 CLI 入口 + schedule 调度 + SIGTERM 关闭 + 自检模式）
- 31 个 pytest 测试用例（0.76s 全绿）
- Windows 自动化部署脚本（计划任务安装、一键测试）
技术栈与架构亮点：
- Mock 优先策略：所有外部依赖（卫星 API）可 Mock，MOCK_MODE=true 默认零外部依赖即可跑通全流程
- 原子写入防数据丢失：Excel 写入采用 tempfile.mkstemp + shutil.move 原子 rename
模式，崩溃不丢历史数据
- O(1) Excel 追加：摒弃 pandas concat（O(n²) 内存），改用 openpyxl ws.append() 逐行追加
- 调度漂移防护：schedule.idle_seconds() 替代 time.sleep(1) 忙等
- 配置健壮性：所有 os.getenv() 带类型转换 try/except + 范围校验，非法值打 warning 回退默认
评论