前言
Vala 语言以其将高级语言的便利性与C语言的原始性能相结合的特点，在桌面应用开发领域（尤其是 GNOME 生态）备受青睐。然而，它的能力远不止于构建用户界面。Vala 编译到C的本质，使其在需要高性能的数值与科学计算场景中，同样是一个值得考虑的强大选项。
本文旨在探讨 Vala 在科学计算领域的应用潜力。我们将以一个经典的天文学问题——精确计算太阳在天空中的位置——作为核心案例，从零开始，分步详解如何用 Vala 实现国际上广受认可的 Meeus 算法。
我们将看到，Vala 不仅能胜任复杂的数学运算，其现代化的语言特性、清晰的面向对象结构以及与 GLib 等底层库的无缝集成，都能让我们的科学计算代码变得既高效又易于维护。
这篇文章的算法实现，被用于笔者在上一篇教程中介绍的 GTK4 太阳高度角计算器 中，但本文的重点并非 GUI 应用本身，而是算法的理论、实现细节及其在 Vala 语言中的最佳实践。
算法背景：为何选择 Meeus 算法？
计算太阳位置存在不同层次的解法，复杂度与精度各不相同：
- 经验公式：例如一些基于傅里叶级数拟合的简化模型（如 Spencer 的算法）。这类公式易于实现，对于一般性应用（如常规的日照模拟）精度足够，但它们是观测数据的近似，缺乏坚实的物理基础。
- 高精度天文历：由专业天文机构（如 NASA JPL）发布的星历表，如 DE430、DE440 等。它们提供了最精确的行星位置数据，但通常体积庞大，使用和解析也相对复杂。
- 解析理论（Analytical Theory）：介于两者之间，基于天体力学模型，但通过一系列数学简化，得到一组可以直接计算的解析公式。Meeus 算法正是此类方法的杰出代表，它由比利时气象学家兼天文学家 Jean Meeus 在其著作《天文算法》（Astronomical Algorithms）中推广，能在不依赖大型星历表的情况下，达到非常高的精度（通常优于 1 角分），是业余天文学和许多科学应用中的“黄金标准”。
本文选择 Meeus 算法，旨在展示如何在 Vala 中处理一个兼具理论深度和实现复杂度的真实科学计算问题。
Meeus 算法的 Vala 实现：分步详解
为了便于在代码中直接使用以“天”为单位的儒略日，笔者对原始公式进行了一定的恒等变形。原始公式通常基于儒略世纪数（Julian Centuries, $T$）作为时间变量，其形式为 $C_0 + C_1 T + C_2 T^2 + \dots$。而本文的实现则统一使用儒略天数（Julian Days, $d$）作为变量。由于 1 儒略世纪 = 36525 天，笔者通过将原始公式中的 n 阶项系数 $C_n$ 除以 $36525^n$，将其转化为了适用于天数 $d$ 的等价形式。后续的时角等计算也做了类似的等价转换。
这种转换不影响计算的精度，但使得代码逻辑与以“天”为单位的 GLib.Date 时间体系更为统一。
我们将按照 Meeus 算法的流程，将天文学概念逐一转化为 Vala 代码。
时间基准：儒略日与 J2000.0 历元
天文学计算需要一个连续、无歧义的时间标尺。儒略日 (Julian Date, JD) 就是为此而生。我们通过 GLib 的 GLib.Date 可以轻松获取：
var date = new GLib.Date ();
date.set_dmy (day, month, year);
var julian_date = (double) date.get_julian ();
为了简化公式，天文学家选择了一个标准参考时刻，即 J2000.0 历元，对应于 2000 年 1 月 1 日国际原子时 12:00。我们的计算将以从这个历元开始的天数 $d$ 为基础。
这里减去 730120.5 即可将当天 00:00 UTC 转换为从 J2000.0 历元起算的天数。
// 从 J2000.0 历元起算的天数
double base_days_from_epoch = julian_date - 730120.5;
黄赤交角 (Obliquity of the Ecliptic, $\epsilon$)
地球自转轴相对于其公转轨道（黄道）的倾角。它随时间微小变化，Meeus 给出了一个拟合的多项式：
\[\epsilon (\text{deg}) = 23.439291111 - 0.0000003560347 d - 1.2285 \times 10^{-16} d^2 + 1.0335 \times 10^{-20} d^3\]其中 d 是从 J2000.0 起算的天数。在 Vala 中实现为：
double base_days_sq = base_days_from_epoch * base_days_from_epoch;
double base_days_cb = base_days_sq * base_days_from_epoch;
double obliquity_deg = 23.439291111 - 3.560347e-7 * base_days_from_epoch - 1.2285e-16 * base_days_sq + 1.0335e-20 * base_days_cb;
double obliquity_sin = Math.sin (obliquity_deg * DEG2RAD);
double obliquity_cos = Math.cos (obliquity_deg * DEG2RAD);
轨道参数
平黄经 (Mean Longitude, $L$) 和 平近点角 (Mean Anomaly, $M$) 是两个重要的轨道参数。在深入公式之前，有必要先理解这两个核心概念的物理意义。
平黄经 (Mean Longitude, $L$) 是想象一个“平均太阳”——它在一个完美的圆形轨道上，以恒定的速度运动，其周期与地球绕太阳的真实周期相同。平黄经就是这个“平均太阳”在黄道（地球公转轨道平面）上的角度位置。它的起点是春分点，因此平黄经为 0° 意味着“平均太阳”正处于春分点。
平近点角 (Mean Anomaly, $M$) 则描述了这个“平均太阳”在其理想化圆形轨道上，从“近地点”（轨道上离地球最近的点）出发所转过的角度。它是一个从 0° 到 360° 均匀增加的角度，反映了时间的流逝。当 $M$ 为 0° 时，意味着“平均太阳”在近地点；当 $M$ 为 180° 时，它在远地点。
简而言之，$L$ 告诉我们“平均太阳”在天空背景（黄道）上的位置，而 $M$ 则告诉我们它在其自身轨道路径上的进展。这两个“平”的、理想化的角度，是计算真实太阳位置（“真黄经”和“真近点角”）的起点。真实的太阳因为轨道是椭圆的（开普勒第一定律）且速度是变化的（开普勒第二定律），其位置会围绕着这个“平均太阳”前后摆动。
这些值描述了在一个理想化的匀速圆周轨道上太阳的位置。
\[L (\text{deg}) = 280.46645 + 0.98564736 d + 2.2727 \times 10^{-13} d^2\] \[M (\text{deg}) = 357.52772 + 0.985600282 d - 1.2016 \times 10^{-13} d^2 - 6.835 \times 10^{-20} d^3\]Vala 实现（注意 fmod 用于将角度归一化到 0-360 度）：
double days_from_epoch_sq = days_from_epoch * days_from_epoch;
double days_from_epoch_cb = days_from_epoch_sq * days_from_epoch;
double mean_anomaly_deg = 357.52772 + 0.985600282 * days_from_epoch - 1.2016e-13 * days_from_epoch_sq - 6.835e-20 * days_from_epoch_cb;
mean_anomaly_deg = Math.fmod (mean_anomaly_deg, 360.0);
if (mean_anomaly_deg < 0) { mean_anomaly_deg += 360.0; }
double mean_longitude_deg = 280.46645 + 0.98564736 * days_from_epoch + 2.2727e-13 * days_from_epoch_sq;
mean_longitude_deg = Math.fmod (mean_longitude_deg, 360.0);
if (mean_longitude_deg < 0) { mean_longitude_deg += 360.0; }
中心差与真黄经 (Equation of Center and True Longitude, $\lambda$)
为了从“平”位置得到“真”位置，需要加上由地球轨道椭圆形引起的修正，即中心差。Meeus 算法给出了一个包含三项正弦修正的简化形式：
\[C (\text{deg}) = (1.914602 - 0.00000013188 d - 1.049 \times 10^{-14} d^2) \sin(M) + (0.019993 - 0.0000000027652 d) \sin(2M) + 0.000289 \sin(3M)\]真黄经 (True Longitude, $\lambda$) 就是平黄经加上中心差：
\[\lambda = L + C\]Vala 实现：
double ecliptic_c1 = 1.914602 - 1.3188e-7 * base_days_from_epoch - 1.049e-14 * base_days_sq;
double ecliptic_c2 = 0.019993 - 2.7652e-9 * base_days_from_epoch;
const double ecliptic_c3 = 0.000289;
double mean_anomaly_rad = mean_anomaly_deg * DEG2RAD;
double equation_of_center_deg = ecliptic_c1 * Math.sin (mean_anomaly_rad)
+ ecliptic_c2 * Math.sin (2.0 * mean_anomaly_rad)
+ ecliptic_c3 * Math.sin (3.0 * mean_anomaly_rad);
double ecliptic_longitude_deg = mean_longitude_deg + equation_of_center_deg;
坐标转换：从黄道到赤道
有了真黄经 λ 和黄赤交角 ε，我们便可将太阳位置转换到赤道坐标系，得到赤纬 (Declination, δ) 和赤经 (Right Ascension, RA)。
Vala 实现：
double ecliptic_longitude_rad = ecliptic_longitude_deg * DEG2RAD;
double ecliptic_longitude_sin = Math.sin (ecliptic_longitude_rad);
double ecliptic_longitude_cos = Math.cos (ecliptic_longitude_rad);
// 计算赤纬
double declination_sin = (obliquity_sin * ecliptic_longitude_sin).clamp (-1.0, 1.0);
double declination_rad = Math.asin (declination_sin);
// 计算赤经
double right_ascension_rad = Math.atan2 (obliquity_cos * ecliptic_longitude_sin, ecliptic_longitude_cos);
应用一：计算太阳高度角
有了太阳的赤纬 δ，我们距离计算出它的高度角只有一步之遥。最后一步是计算出在给定的地方、给定的时刻，太阳相对于观测者的方位，这由时角 (Hour Angle, $HA$) 来描述。
真太阳时 (True Solar Time, $TST$)
我们日常使用的钟表时间是地方标准时 (Local Standard Time)，它基于一个时区（如 UTC+8）的中央经线，并非我们所在地的真实太阳位置。要计算时角，我们必须首先将钟表时间转换为真太阳时 (TST)，即由日晷测得的时间。
转换过程考虑了两个主要修正：
-
均时差 (Equation of Time, EoT)：因地球轨道偏心率和黄赤交角引起的修正。我们的钟表以恒定速度走时，但真实太阳的视运动并不均匀。由于地球轨道是椭圆的，太阳在近日点附近运动较快，在远日点附近运动较慢；同时，黄赤交角使得太阳在黄道上的运动投影到天赤道时速度不均。这两个主要效应叠加，使真实太阳过中天的时刻相对于“平均太阳”可相差最多约 ±16 分钟。
均时差本质上是平太阳时角与真太阳时角之差，可通过比较“平均太阳”的赤经（由平黄经 $L$ 计算：$T_\text{mean} = L/15$）与真太阳的赤经（前面已求得的
right_ascension_rad）来获得: $EoT_\text{minutes} = (T_\text{mean,hours} - RA_\text{hours}) \times 60$ -
经度修正：我们的钟表时间基于时区中央经线，但太阳过中天（正午）的时刻取决于我们真实的经度。经度每向东 1°，正午就提早 4 分钟。
因此，真太阳时的计算公式为：
\[TST_\text{minutes} = T_\text{local, minutes} + EoT_\text{minutes} + 4 \times \lambda_\text{lon, deg} - 60 \times TZ_\text{offset, hr}\]其中：
- $T_\text{local, minutes}$ 是午夜起算的本地钟表时间（分钟）。
- $EoT_\text{minutes}$ 是我们计算出的均时差（分钟）。
- $\lambda_\text{lon, deg}$ 是观测地的地理经度（东经为正）。
- $TZ_\text{offset, hr}$ 是时区偏移量（例如 UTC+8 时区为 8）。
在我们的 Vala 代码中，tst_offset 预先计算了经度和时区带来的固定偏移，而 eqtime_minutes 则是动态计算的均时差。
// 均时差 (分钟)
double eot_hours = mean_time - right_ascension_hours;
double eqtime_minutes = eot_hours * 60.0;
// 固定的经度与时区偏移 (分钟)
double tst_offset = 4.0 * longitude_deg - 60.0 * timezone_offset_hrs;
// i 是午夜起算的本地时间（分钟）
double tst_minutes = i + eqtime_minutes + tst_offset;
时角 (Hour Angle, $HA$)
时角定义为天体距离本地子午线（正南或正北的天空弧线）的角度。天文学上通常定义正午时为 0°，下午为正，上午为负。地球每小时自转 15°，每 4 分钟自转 1°。
从以分钟计量的真太阳时到以度计量的时角，转换公式为：
\[HA_\text{deg} = \frac{TST_\text{minutes}}{4} - 180\]这里除以 4 是因为 1 分钟时间对应 0.25° 的旋转。减去 180° 是为了将计时起点从午夜（0 分钟）校正到正午（720 分钟），使得正午时 $720 / 4 - 180 = 0$。
// 将真太阳时转换为时角 (度)
double hour_angle_deg = tst_minutes / 4.0 - 180.0;
double hour_angle_rad = hour_angle_deg * DEG2RAD;
太阳高度角 (Altitude, $\alpha$)
最后，我们将观测地纬度 $\phi$、太阳赤纬 $\delta$ 和刚刚得到的时角 $\mathrm{HA}$ 代入球面三角学的基本公式，即可求得太阳高度角 $\alpha$。
\[\sin(\alpha) = \sin(\phi)\sin(\delta) + \cos(\phi)\cos(\delta)\cos(HA)\]// 计算太阳高度角的正弦值
double elevation_sine = sin_lat * declination_sin + cos_lat * declination_cos * Math.cos (hour_angle_rad);
// 反正弦后转换为度
sun_angles[i] = Math.asin (elevation_sine.clamp (-1.0, 1.0)) * RAD2DEG;
至此，我们就完成了从一个日期和时间点，到其精确太阳高度角的完整计算链条。
地日距离 (Earth-Sun Distance)
除了太阳的方位，我们还可以计算地球到太阳的距离。这首先需要地球轨道的离心率 (Eccentricity, $e$)，它也随时间微小变化：
\[e = 0.016708634 - 1.15091 \times 10^{-9} d - 9.497 \times 10^{-17} d^2\]接下来，我们需要真近点角 (True Anomaly, $\nu$)，即行星在其轨道上相对于近心点（离中心天体最近的点）的角度。它等于平近点角 $M$ 加上中心差 $C$：
\[\nu = M + C\]有了离心率和真近点角，就可以根据活力公式的变体，计算出以天文单位（AU）为单位的日地距离 $R$：
\[R_\text{AU} = \frac{a(1 - e^2)}{1 + e \cos(\nu)}\]其中 $a$ 是半长轴，对于日地距离，我们近似为 1 AU。最后，我们将它转换为公里（km）。
Vala 实现：
double eccentricity = 0.016708634 - 1.15091e-09 * base_days_from_epoch - 9.497e-17 * base_days_sq;
double true_anomaly_rad = mean_anomaly_rad + equation_of_center_deg * DEG2RAD;
double distance_au = (1.0 - eccentricity * eccentricity) / (1.0 + eccentricity * Math.cos (true_anomaly_rad));
// sun_distances[i] = distance_au * 149597870.7; // 转换为 km
应用二：计算日出日落时间及白昼时长
计算日出日落时间与白昼时长是这些天文参数的另一个直接应用。其核心是计算出太阳升起和落下的时刻，即太阳高度角为某个特定值（通常是-0.83°而不是0，考虑大气折射）时的时角。一个常见的近似是假设太阳赤纬和均时差在一天之内是恒定的，取正午时刻的值，然后直接解算日出/日落时角。然而，太阳的赤纬和均时差在一天中是持续变化的，尤其是在高纬度地区或对精度要求高的场景下，这种简化会引入不可忽略的误差，与笔者使用的 Meeus 算法精度不匹配，因此笔者并没有这样使用。
为了获得更高的精度，笔者采用了一种迭代逼近的方法。其基本思想是：先用一个初始值（如正午的太阳参数）估算出大致的日出日落时间，然后用这个估算出的时间点重新计算更精确的太阳参数，再用新参数反过来修正日出日落时间，如此往复，直到结果收敛。
获取正午时刻的太阳参数作为初始值
与应用一类似，我们首先计算出当天正午（12:00）时刻的太阳赤纬 $\delta$ 和均时差 $EoT$。这为我们的迭代提供了一个合理的起点。
求解初始的日出/日落时角 ($\omega_0$)
将太阳高度角公式反解，求解时角 $\mathrm{HA}$。设 $\alpha$ 为大气折射导致的观测地平线修正角（一般取 $-0.83^\circ$），$\phi$ 为本地纬度，$\delta$ 为太阳赤纬，则日落时的时角 $\omega_0$ 满足：
\[\cos(\omega_0) = \frac{\sin(\alpha) - \sin(\phi)\sin(\delta)}{\cos(\phi)\cos(\delta)}\]此时需要处理边界情况：
- 若 $\cos(\omega_0) \geq 1$，意味着太阳永远在地平线以下，发生极夜。
- 若 $\cos(\omega_0) \leq -1$，意味着太阳永远在地平线以上，发生极昼。
计算初始的日出日落时间
太阳时角 $\omega_0$ 代表了从正午到日落的时间跨度（以角度计）。本地钟表的日出/日落时间还需考虑均时差和经度/时区修正。
\[T_\text{sunrise} = 12 - \frac{\omega_0}{15^\circ/\text{hr}} - \frac{EoT_\text{minutes} + \text{LonCorr}_\text{minutes}}{60}\] \[T_\text{sunset} = 12 + \frac{\omega_0}{15^\circ/\text{hr}} - \frac{EoT_\text{minutes} + \text{LonCorr}_\text{minutes}}{60}\]迭代优化
- 日出时间优化：将上一步得到的 $T_\text{sunrise}$ 作为新的时间点，重新计算该时刻精确的太阳赤纬 $\delta_\text{sunrise}$ 和均时差 $EoT_\text{sunrise}$。将新参数代入步骤 2 和 3，得到一个更精确的日出时间 $T’_\text{sunrise}$。
- 日落时间优化：同理，用 $T_\text{sunset}$ 计算出 $\delta_\text{sunset}$ 和 $EoT_\text{sunset}$，得到更精确的日落时间 $T’_\text{sunset}$。
- 重复此过程，直到连续两次计算出的日出、日落时间变化足够小，迭代收敛。实际上一般只需要1次迭代即可达到0.1秒以内的精度。
计算总昼长
最终的白昼时长即为精确的日落时间减去日出时间：
\[t_\text{daylight} = T_\text{sunset, final} - T_\text{sunrise, final}\]通过这种迭代方法，我们充分考虑了太阳参数在一天内的动态变化，从而获得了更精确的日出日落时间和白昼时长，避免了简化假设带来的误差。
Vala 在数值计算中的优势
通过这个实践，我们可以总结出 Vala 在处理此类问题时的几个优点：
- 卓越性能：Vala 直接编译为C代码，几乎没有额外开销。对于包含大量循环和浮点运算的数值计算任务，其性能表现与手写C代码相当，远超各类解释型语言。
- 代码可读性与组织性：相比C，Vala 提供了类、方法、属性等现代面向对象特性，使得我们可以将复杂的计算逻辑封装在独立的、职责清晰的函数或类中，代码结构更优，可维护性更强。
- 类型安全：Vala 强类型系统能在编译期捕获大量潜在错误，这对于处理多步骤、易出错的复杂科学计算流程至关重要。
- 底层库的便捷访问：能够零成本地调用 GLib/GObject 库是 Vala 的一大杀手锏。如本文中直接使用
GLib.Date.get_julian()，极大地简化了时间处理的复杂度。
总结
本文通过一个完整的天文算法实践，展示了 Vala 作为一门通用语言，在图形界面开发之外，同样是执行高性能数值计算的有力工具。它在提供接近C的性能的同时，赋予了我们更现代化、更安全的编程范式。
希望这次从理论到代码的深度实践，能为你提供一个在 Vala 中进行科学计算的优秀范例，并激发你使用 Vala 探索更多可能性的兴趣。
效果及计算代码
效果
笔者将上述算法应用于 GUI 程序中，结合 GTK4/Libadwaita/JSON-GLib等技术栈，制作了一个太阳高度角计算器和一个白昼时长计算器，将计算结果可视化展示。两个程序均支持浅色和深色主题，并能自动从 IP 获取地理位置，自动识别时区，还支持导出 PNG、SVG、PDF 等格式的图表，以及 CSV 数据。
 |
 |
|---|---|
| 太阳高度角计算器（浅色模式） | 太阳高度角计算器（深色模式） |
 |
 |
| 获取地理位置时的加载动画 | 提示与选择 |
 |
 |
|---|---|
| 白昼时长计算器（浅色模式） | 白昼时长计算器（深色模式） |
太阳高度角计算
该函数可以用于计算一天中每分钟的太阳高度角，完整程序见 GitHub：
/**
* Calculates solar elevation angles for each minute of the day.
* Based on http://www.jgiesen.de/elevaz/basics/meeus.htm
*
* @param latitude_rad Latitude in radians.
* @param longitude_deg Longitude in degrees.
* @param timezone_offset_hrs Timezone offset from UTC in hours.
* @param julian_date GLib's Julian Date for the day (from 0001-01-01).
*/
private void generate_sun_angles (double latitude_rad, double longitude_deg, double timezone_offset_hrs, double julian_date) {
double sin_lat = Math.sin (latitude_rad);
double cos_lat = Math.cos (latitude_rad);
// Base days from J2000.0 epoch (GLib's Julian Date is days since 0001-01-01 12:00 UTC)
double base_days_from_epoch = julian_date - 730120.5; // julian_date's 00:00 UTC to 2000-01-01 12:00 UTC
// Pre-compute obliquity with higher-order terms (changes very slowly)
double base_days_sq = base_days_from_epoch * base_days_from_epoch;
double base_days_cb = base_days_sq * base_days_from_epoch;
double obliquity_deg = 23.439291111 - 3.560347e-7 * base_days_from_epoch - 1.2285e-16 * base_days_sq + 1.0335e-20 * base_days_cb;
double obliquity_sin = Math.sin (obliquity_deg * DEG2RAD);
double obliquity_cos = Math.cos (obliquity_deg * DEG2RAD);
double ecliptic_c1 = 1.914600 - 1.3188e-7 * base_days_from_epoch - 1.049e-14 * base_days_sq;
double ecliptic_c2 = 0.019993 - 2.7652e-9 * base_days_from_epoch;
double tst_offset = 4.0 * longitude_deg - 60.0 * timezone_offset_hrs;
double eccentricity = 0.016708634 - 1.15091e-09 * base_days_from_epoch - 9.497e-17 * base_days_sq;
for (int i = 0; i < RESOLUTION_PER_MIN; i += 1) {
double days_from_epoch = base_days_from_epoch + (i / 60.0 - timezone_offset_hrs) / 24.0;
double days_from_epoch_sq = days_from_epoch * days_from_epoch;
double days_from_epoch_cb = days_from_epoch_sq * days_from_epoch;
double mean_anomaly_deg = 357.52910 + 0.985600282 * days_from_epoch - 1.1686e-13 * days_from_epoch_sq - 9.85e-21 * days_from_epoch_cb;
mean_anomaly_deg = Math.fmod (mean_anomaly_deg, 360.0);
if (mean_anomaly_deg < 0) {
mean_anomaly_deg += 360.0;
}
double mean_longitude_deg = 280.46645 + 0.98564736 * days_from_epoch + 2.2727e-13 * days_from_epoch_sq;
mean_longitude_deg = Math.fmod (mean_longitude_deg, 360.0);
if (mean_longitude_deg < 0) {
mean_longitude_deg += 360.0;
}
double mean_anomaly_rad = mean_anomaly_deg * DEG2RAD;
double equation_of_center_deg = ecliptic_c1 * Math.sin (mean_anomaly_rad)
+ ecliptic_c2 * Math.sin (2.0 * mean_anomaly_rad)
+ 0.000290 * Math.sin (3.0 * mean_anomaly_rad);
double ecliptic_longitude_deg = mean_longitude_deg + equation_of_center_deg;
ecliptic_longitude_deg = Math.fmod (ecliptic_longitude_deg, 360.0);
if (ecliptic_longitude_deg < 0) {
ecliptic_longitude_deg += 360.0;
}
double ecliptic_longitude_rad = ecliptic_longitude_deg * DEG2RAD;
double ecliptic_longitude_sin = Math.sin (ecliptic_longitude_rad);
double ecliptic_longitude_cos = Math.cos (ecliptic_longitude_rad);
double declination_sin = (obliquity_sin * ecliptic_longitude_sin).clamp (-1.0, 1.0);
double declination_cos = Math.sqrt (1.0 - declination_sin * declination_sin);
double mean_time_hours = mean_longitude_deg / 15.0;
double right_ascension_hours = Math.atan2 (obliquity_cos * ecliptic_longitude_sin, ecliptic_longitude_cos) * RAD2DEG / 15.0;
if (right_ascension_hours < 0) {
right_ascension_hours += 24.0;
}
double delta_ra = right_ascension_hours - mean_time_hours;
if (delta_ra > 12.0) {
right_ascension_hours -= 24.0;
} else if (delta_ra < -12.0) {
right_ascension_hours += 24.0;
}
double eqtime_minutes = (mean_time_hours - right_ascension_hours) * 60.0;
double hour_angle_rad = ((i + eqtime_minutes + tst_offset) / 4.0 - 180.0) * DEG2RAD;
double elevation_sine = sin_lat * declination_sin + cos_lat * declination_cos * Math.cos (hour_angle_rad);
sun_angles[i] = Math.asin (elevation_sine.clamp (-1.0, 1.0)) * RAD2DEG;
double true_anomaly_rad = mean_anomaly_rad + equation_of_center_deg * DEG2RAD;
double distance_au = (1.0 - eccentricity * eccentricity) / (1.0 + eccentricity * Math.cos (true_anomaly_rad));
sun_distances[i] = distance_au * 149597870.7; // Convert AU to km
}
}
/**
* Updates solar angle data for current settings.
*/
private void update_plot_data () {
double latitude_rad = latitude * DEG2RAD;
// Convert DateTime to Date and get Julian Day Number
var date = Date ();
date.set_dmy ((DateDay) selected_date.get_day_of_month (),
selected_date.get_month (),
(DateYear) selected_date.get_year ());
var julian_date = (double) date.get_julian ();
generate_sun_angles (latitude_rad, longitude, timezone_offset_hours, julian_date);
// Clear click point when data updates
has_click_point = false;
click_info_label.label = "Click on chart to view data\n";
}
日出日落时间及白昼时长计算
该函数用于计算某地某一天的日出日落时间及白昼时长，完整程序见 GitHub：
/**
* Compute solar parameters at a given local time.
*
* @param base_days_from_epoch Days from J2000.0 epoch at UTC midnight
* @param time_local_hours Local time in hours [0,24)
* @param obliquity_sin Sine of obliquity
* @param obliquity_cos Cosine of obliquity
* @param ecliptic_c1 Ecliptic longitude correction coefficient 1
* @param ecliptic_c2 Ecliptic longitude correction coefficient 2
*/
private static inline void compute_solar_parameters (
double base_days_from_epoch, double time_local_hours,
double obliquity_sin, double obliquity_cos,
double ecliptic_c1, double ecliptic_c2,
out double out_declination_sin, out double out_declination_cos, out double out_eqtime_minutes
) {
double days_from_epoch = base_days_from_epoch + time_local_hours / 24.0;
double days_sq = days_from_epoch * days_from_epoch;
double days_cb = days_sq * days_from_epoch;
// Mean anomaly
double mean_anomaly_deg = 357.52910 + 0.985600282 * days_from_epoch - 1.1686e-13 * days_sq - 9.85e-21 * days_cb;
double mean_anomaly_rad = mean_anomaly_deg * DEG2RAD;
// Mean longitude (normalized)
double mean_longitude_deg = Math.fmod (280.46645 + 0.98564736 * days_from_epoch + 2.2727e-13 * days_sq, 360.0);
if (mean_longitude_deg < 0) {
mean_longitude_deg += 360.0;
}
// Ecliptic longitude
double ecliptic_longitude_deg = mean_longitude_deg
+ ecliptic_c1 * Math.sin (mean_anomaly_rad)
+ ecliptic_c2 * Math.sin (2.0 * mean_anomaly_rad)
+ 0.000290 * Math.sin (3.0 * mean_anomaly_rad);
double ecliptic_longitude_rad = ecliptic_longitude_deg * DEG2RAD;
double ecliptic_longitude_sin = Math.sin (ecliptic_longitude_rad);
double ecliptic_longitude_cos = Math.cos (ecliptic_longitude_rad);
// Declination
out_declination_sin = (obliquity_sin * ecliptic_longitude_sin).clamp (-1.0, 1.0);
out_declination_cos = Math.sqrt (1.0 - out_declination_sin * out_declination_sin);
// Equation of time
double right_ascension_rad = Math.atan2 (obliquity_cos * ecliptic_longitude_sin, ecliptic_longitude_cos);
double right_ascension_hours = right_ascension_rad * RAD2DEG / 15.0;
double mean_time_hours = mean_longitude_deg / 15.0;
double time_diff = mean_time_hours - right_ascension_hours;
if (time_diff > 12.0) {
time_diff -= 24.0;
} else if (time_diff < -12.0) {
time_diff += 24.0;
}
out_eqtime_minutes = time_diff * 60.0;
}
/**
* Calculates day length, sunrise, and sunset times.
* Based on http://www.jgiesen.de/elevaz/basics/meeus.htm
*
* @param latitude_rad Latitude in radians.
* @param longitude_deg Longitude in degrees.
* @param timezone_offset_hrs Timezone offset in hours from UTC.
* @param julian_date GLib's Julian Date for the day (from 0001-01-01).
* @param horizon_angle_deg Horizon angle correction in degrees (default -0.83° for atmospheric refraction).
* @param day_length Output parameter for day length in hours.
* @param sunrise_time Output parameter for sunrise time in local hours [0,24).
* @param sunset_time Output parameter for sunset time in local hours [0,24).
*/
private void calculate_day_length (double latitude_rad, double longitude_deg, double timezone_offset_hrs, double julian_date, double horizon_angle_deg, out double day_length, out double sunrise_time, out double sunset_time) {
double sin_lat = Math.sin (latitude_rad);
double cos_lat = Math.cos (latitude_rad);
double sin_horizon = Math.sin (horizon_angle_deg * DEG2RAD);
double base_days_from_epoch_utc_midnight = (julian_date - 730120.5) - timezone_offset_hrs / 24.0;
// Obliquity
double base_days_sq = base_days_from_epoch_utc_midnight * base_days_from_epoch_utc_midnight;
double base_days_cb = base_days_sq * base_days_from_epoch_utc_midnight;
double obliquity_deg = 23.439291111 - 3.560347e-7 * base_days_from_epoch_utc_midnight - 1.2285e-16 * base_days_sq + 1.0335e-20 * base_days_cb;
double obliquity_sin = Math.sin (obliquity_deg * DEG2RAD);
double obliquity_cos = Math.cos (obliquity_deg * DEG2RAD);
// Ecliptic correction coefficients
double ecliptic_c1 = 1.914600 - 1.3188e-7 * base_days_from_epoch_utc_midnight - 1.049e-14 * base_days_sq;
double ecliptic_c2 = 0.019993 - 2.7652e-9 * base_days_from_epoch_utc_midnight;
double tst_offset = 4.0 * longitude_deg - 60.0 * timezone_offset_hrs;
// Initial estimate at noon
double declination_sin, declination_cos, eqtime_minutes;
compute_solar_parameters (
base_days_from_epoch_utc_midnight, 12.0,
obliquity_sin, obliquity_cos, ecliptic_c1, ecliptic_c2,
out declination_sin, out declination_cos, out eqtime_minutes
);
double cos_ha = (sin_horizon - sin_lat * declination_sin) / (cos_lat * declination_cos);
if (cos_ha >= 1.0) {
day_length = 0.0;
sunrise_time = double.NAN;
sunset_time = double.NAN;
return;
} else if (cos_ha <= -1.0) {
day_length = 24.0;
sunrise_time = double.NAN;
sunset_time = double.NAN;
return;
}
double ha_deg = Math.acos (cos_ha) * RAD2DEG;
sunrise_time = 12.0 - ha_deg / 15.0 - (eqtime_minutes + tst_offset) / 60.0;
sunset_time = 12.0 + ha_deg / 15.0 - (eqtime_minutes + tst_offset) / 60.0;
// Iterative refinement
const double TOL_HOURS = 0.1 / 3600.0;
for (int iter = 0; iter < 5; iter += 1) {
double old_sr = sunrise_time;
double old_ss = sunset_time;
compute_solar_parameters (
base_days_from_epoch_utc_midnight, sunrise_time,
obliquity_sin, obliquity_cos, ecliptic_c1, ecliptic_c2,
out declination_sin, out declination_cos, out eqtime_minutes
);
cos_ha = (sin_horizon - sin_lat * declination_sin) / (cos_lat * declination_cos);
if (cos_ha >= 1.0 || cos_ha <= -1.0) {
break;
}
ha_deg = Math.acos (cos_ha) * RAD2DEG;
sunrise_time = 12.0 - ha_deg / 15.0 - (eqtime_minutes + tst_offset) / 60.0;
compute_solar_parameters (
base_days_from_epoch_utc_midnight, sunset_time,
obliquity_sin, obliquity_cos, ecliptic_c1, ecliptic_c2,
out declination_sin, out declination_cos, out eqtime_minutes
);
cos_ha = (sin_horizon - sin_lat * declination_sin) / (cos_lat * declination_cos);
if (cos_ha >= 1.0 || cos_ha <= -1.0) {
break;
}
ha_deg = Math.acos (cos_ha) * RAD2DEG;
sunset_time = 12.0 + ha_deg / 15.0 - (eqtime_minutes + tst_offset) / 60.0;
if (Math.fabs (sunrise_time - old_sr) < TOL_HOURS && Math.fabs (sunset_time - old_ss) < TOL_HOURS) {
break;
}
}
// Normalize to [0, 24)
sunrise_time = Math.fmod (sunrise_time, 24.0);
if (sunrise_time < 0) {
sunrise_time += 24.0;
}
sunset_time = Math.fmod (sunset_time, 24.0);
if (sunset_time < 0) {
sunset_time += 24.0;
}
day_length = sunset_time - sunrise_time;
if (day_length < 0) {
day_length += 24.0;
}
}
/**
* Updates plot data for all days in the selected year.
*/
private void update_plot_data () {
int total_days = (selected_year % 4 == 0 && (selected_year % 100 != 0 || selected_year % 400 == 0)) ? 366 : 365;
day_lengths = new double[total_days];
sunrise_times = new double[total_days];
sunset_times = new double[total_days];
double latitude_rad = latitude * DEG2RAD;
// Get Julian Date for January 1st of the selected year
var date = Date ();
date.set_dmy (1, 1, (DateYear) selected_year);
uint base_julian_date = date.get_julian ();
for (int day = 0; day < total_days; day += 1) {
calculate_day_length (
latitude_rad, longitude, timezone_offset_hours, (double) (base_julian_date + day), horizon_angle,
out day_lengths[day], out sunrise_times[day], out sunset_times[day]
);
}
// Clear click point when data updates
has_click_point = false;
click_info_label.label = "Click on chart to view data\n\n";
}
附录：算法精度对比验证
为了全面评估本文所采用的 Meeus 算法的精度，并将其与其他常见算法进行横向对比，笔者编写了一个 Python 验证脚本。该脚本将以下几种算法的计算结果与业界公认的高精度方法——astropy 库的计算结果进行逐小时比较：
- Meeus 算法 (原书)：即
generate_sun_angles_meeus_fixed，是本文 Vala 代码的 Python 复现版，使用的是 Meeus 原书中的参数。 - MeeusWeb 算法：即
generate_sun_angles_meeus，笔者早期从网页上抄录的 Meeus 算法实现，部分系数与原书略有差异（如中心差首项系数 1.914600 vs 1.914602，平近点角常数项 357.52910 vs 357.52772 等），但两者精度差异极小。 - 傅里叶级数近似算法 (旧版实现)：即
generate_sun_angles_fourier，这是笔者早期使用的一种基于傅里叶级数拟合的简化算法。 - 维基百科简化公式：即
generate_sun_angles_wikipedia，实现了维基百科上提供的简化版太阳赤纬和均时差公式。
通过计算每种算法结果与 astropy 基准值之间的均方根误差 (Root Mean Square Deviation, RMSD)，我们可以量化它们的精度差异。
Spencer 傅里叶级数近似算法
这是笔者早期使用的 Vala 函数，它基于 Spencer 的傅里叶级数来近似太阳赤纬和均时差。这种方法实现相对简单，但精度有限，尤其是在长期时间跨度上。
/**
* Calculates solar elevation angles for each minute of the day.
*
* @param latitude_rad Latitude in radians.
* @param day_of_year Day of the year (1-365/366).
* @param year The year.
* @param longitude_deg Longitude in degrees.
* @param timezone_offset_hrs Timezone offset from UTC in hours.
*/
private void generate_sun_angles (double latitude_rad, int day_of_year, int year, double longitude_deg, double timezone_offset_hrs) {
double sin_lat = Math.sin (latitude_rad);
double cos_lat = Math.cos (latitude_rad);
double days_in_year = ((year % 4 == 0) && ((year % 100 != 0) || (year % 400 == 0))) ? 366.0 : 365.0;
for (int i = 0; i < RESOLUTION_PER_MIN; i += 1) {
// fractional_day_component: day of year plus fraction of the day
// -1 to avoid discontinuity at year start (Dec 31 to Jan 1)
double fractional_day_component = day_of_year - 1 + ((double) i) / RESOLUTION_PER_MIN;
// gamma: fractional year angle in radians
double gamma_rad = (2.0 * Math.PI / days_in_year) * fractional_day_component;
// Solar declination delta (rad) via Fourier series approximation
double decl_rad = 0.006918
- 0.399912 * Math.cos (gamma_rad)
+ 0.070257 * Math.sin (gamma_rad)
- 0.006758 * Math.cos (2.0 * gamma_rad)
+ 0.000907 * Math.sin (2.0 * gamma_rad)
- 0.002697 * Math.cos (3.0 * gamma_rad)
+ 0.001480 * Math.sin (3.0 * gamma_rad);
// Equation of Time (EoT) in minutes
double eqtime_minutes = 229.18 * (0.000075
+ 0.001868 * Math.cos (gamma_rad)
- 0.032077 * Math.sin (gamma_rad)
- 0.014615 * Math.cos (2.0 * gamma_rad)
- 0.040849 * Math.sin (2.0 * gamma_rad));
// True Solar Time (TST) in minutes, correcting local clock by EoT and longitude
double tst_minutes = i + eqtime_minutes + 4.0 * longitude_deg - 60.0 * timezone_offset_hrs;
// Hour angle H (°) relative to solar noon
double ha_deg = tst_minutes / 4.0 - 180.0;
double ha_rad = ha_deg * DEG2RAD;
// cos(phi): cosine of zenith angle via spherical trig
double cos_phi = sin_lat * Math.sin (decl_rad) + cos_lat * Math.cos (decl_rad) * Math.cos (ha_rad);
// clamp to valid range
cos_phi = cos_phi.clamp (-1.0, 1.0);
// Zenith angle phi (rad)
double phi_rad = Math.acos (cos_phi);
// Solar elevation alpha = 90° - phi, convert to degrees
double solar_elevation_rad = Math.PI / 2.0 - phi_rad;
sun_angles[i] = solar_elevation_rad * RAD2DEG;
}
}
维基百科的简化解析公式
维基百科上介绍的公式并非简单的数值拟合，而是从天体力学模型推导出的简化解析解。它根据实际轨道物理参数，对理想化的圆形轨道进行修正，来逼近真实的太阳位置。这类公式简单直观，但精度有限且忽略了轨道参数随年份的缓慢变化。笔者基于此公式进行了优化，详见《优化 Wikipedia 太阳位置简化公式》。
赤纬 ($\delta$)
- 从一个理想化的“平均太阳”出发，这个“平均太阳”在完美的圆形轨道上以恒定速度运动。
- 对上述理想模型加入最重要的修正项——由地球轨道椭圆形（偏心率）引起的速度变化。这个修正被称为中心差 (Equation of Center)。
- 将修正项代入，即可得到一个更精确的太阳黄经表达式，再通过坐标变换得到赤纬。
因此，这个公式是在一个简化的物理模型基础上，加入了关键的一阶修正，从而在不进行复杂计算的情况下，获得一个相对不错的精度。
这个公式实际上是先计算了近似的太阳黄经 $\lambda$，然后通过 $\delta = \arcsin\bigl(\sin(\varepsilon) \cdot \sin(\lambda)\bigr)$ 得到。维基百科给出的合并形式如下：
\[\delta_\odot = \arcsin \left [ \sin \left ( -23.44^\circ \right ) \cdot \cos \left ( \frac{360^\circ}{365.24} \left (N + 10 \right ) + \frac{360^\circ}{\pi} \cdot 0.0167 \sin \left ( \frac{360^\circ}{365.24} \left ( N - 2 \right ) \right ) \right ) \right ]\]其中各参数的物理意义如下：
- $-23.44^\circ$：地球的黄赤交角 $\varepsilon$，决定了太阳赤纬的最大变化范围。
- $N$：从当年1月1日午夜UT起算的年积日（例如，1月1日 $N=0$，1月2日 $N=1$）。
- $\dfrac{360^\circ}{365.24}$：地球公转的平均角速度（度/天）。
- $N + 10$：表达式 $(N + 10)$ 用于近似计算从冬至（太阳赤纬最低点）起算的天数，因为冬至大约在12月22日，比1月1日早10天。
- $0.0167$：地球轨道的偏心率 $e$，描述了轨道偏离正圆的程度。
- $N - 2$：表达式 $(N - 2)$ 用于近似计算从近日点（地球离太阳最近的点）起算的天数，因为近日点约在1月3日，比1月1日晚2天。
- $\displaystyle \frac{360^\circ}{\pi} \cdot 0.0167 \cdot \sin(\dots)$：此项是中心差的一阶近似，用于修正因轨道偏心率导致太阳视运动速度不均匀的问题。
带入常数，简化可得：
\[\delta_\odot = - \arcsin \left [ 0.39779 \cos \left ( 0.98565^\circ \left (N + 10 \right ) + 1.914^\circ \sin \left ( 0.98565^\circ \left ( N - 2 \right ) \right ) \right ) \right ]\]均时差 (EoT)
同样，均时差也可以通过一个包含两个主要周期项的简化公式来近似：
\[\Delta t_{ey} = -7.659\sin(D) + 9.863\sin \left(2D + 3.5932 \right) \quad [\text{minutes}]\]其中：
- $-7.659 \sin(D)$：此项是主要由地球轨道偏心率引起的周期性变化，周期为一年。
- $9.863 \sin(2D + \dots)$：此项是主要由黄赤交角引起的周期性变化，周期为半年。
而 $D$ 本身是一个随时间均匀增加的角度，其定义为：
\[D = 6.24004077 + 0.01720197(365.25(y-2000) + d)\]其中，$d$ 是从当年1月1日开始计算的天数，$y$ 是当前年份。$D$ 的起始值和增长率与地球的平黄经和平近点角相关，是计算上述两个周期性修正的基础。
Python 验证脚本
以下是用于生成对比数据的完整 Python 脚本。它依赖 numpy 和 astropy 库。除了这里列出的几种算法外，笔者还基于 Wikipedia 的算法重新拟合了一组参数，命名为 WikiImp（改进版维基百科算法），详细的优化过程和原理请参见《优化 Wikipedia 太阳位置简化公式》。
代码说明：在测试脚本中，
generate_sun_angles_meeus对应早期从网页抄录的参数版本（MeeusWeb，来自J. Giesen 总结的天文算法页面），generate_sun_angles_meeus_fixed对应 Meeus 原书的正确参数（本文正文介绍的版本）。测试结果表明两者精度几乎相同，差异可以忽略不计。
#!/usr/bin/env python3
import numpy as np
import datetime
import calendar
from astropy.coordinates import EarthLocation, AltAz, get_sun
from astropy.time import Time
from astropy.utils.iers import IERS_B, conf
import matplotlib.pyplot as plt
import argparse
conf.iers_active = IERS_B.open()
DEG2RAD = np.pi / 180.0
RAD2DEG = 180.0 / np.pi
LOCATIONS = {
"Beijing": {"lat": 39.9075, "lon": 116.3972, "tz": 8.0},
"Chongqing": {"lat": 29.5628, "lon": 106.5528, "tz": 8.0},
"Singapore": {"lat": 1.3521, "lon": 103.8198, "tz": 8.0},
"Sydney": {"lat": -33.8688, "lon": 151.2093, "tz": 10.0},
"Stockholm": {"lat": 59.3293, "lon": 18.0686, "tz": 1.0},
"South Pole": {"lat": -90.0, "lon": 0.0, "tz": 0.0}
}
def astropy_sun_elevations(year, month, day, latitude_deg, longitude_deg, timezone_offset_hrs):
"""
Calculates the ground truth solar elevation angles using Astropy (the gold standard).
"""
location = EarthLocation(lat=latitude_deg, lon=longitude_deg)
angles = []
for local_hour in range(24):
local_dt = datetime.datetime(year, month, day, local_hour, 0, 0)
utc_dt = local_dt - datetime.timedelta(hours=timezone_offset_hrs)
time_astropy = Time(utc_dt)
altaz_frame = AltAz(obstime=time_astropy, location=location)
sun_altaz = get_sun(time_astropy).transform_to(altaz_frame)
angles.append(sun_altaz.alt.degree)
return np.array(angles)
def generate_sun_angles_meeus(latitude_deg, longitude_deg, timezone_offset_hrs, year, month, day):
"""
Method 1: The high-precision algorithm from your new Vala program (based on Jean Meeus' method).
"""
julian_date = float(datetime.date(year, month, day).toordinal())
latitude_rad = latitude_deg * DEG2RAD
sin_lat = np.sin(latitude_rad)
cos_lat = np.cos(latitude_rad)
base_days_from_epoch = julian_date - 730120.5
base_days_sq = base_days_from_epoch ** 2
base_days_cb = base_days_sq * base_days_from_epoch
obliquity_deg = 23.439291111 - 3.560347e-7 * base_days_from_epoch - 1.2285e-16 * base_days_sq + 1.0335e-20 * base_days_cb
obliquity_sin = np.sin(obliquity_deg * DEG2RAD)
obliquity_cos = np.cos(obliquity_deg * DEG2RAD)
ecliptic_c1 = 1.914600 - 1.3188e-7 * base_days_from_epoch - 1.049e-14 * base_days_sq
ecliptic_c2 = 0.019993 - 2.7652e-9 * base_days_from_epoch
ecliptic_c3 = 0.000290
tst_offset = 4.0 * longitude_deg - 60.0 * timezone_offset_hrs
angles = []
for local_hour in range(24):
i = local_hour * 60
time_offset_days = (i / 60.0 - timezone_offset_hrs) / 24.0
days_from_epoch = base_days_from_epoch + time_offset_days
days_from_epoch_sq = days_from_epoch ** 2
days_from_epoch_cb = days_from_epoch_sq * days_from_epoch
mean_anomaly_deg = 357.52910 + 0.985600282 * days_from_epoch - 1.1686e-13 * days_from_epoch_sq - 9.85e-21 * days_from_epoch_cb
mean_anomaly_deg = np.fmod(mean_anomaly_deg, 360.0)
mean_longitude_deg = 280.46645 + 0.98564736 * days_from_epoch + 2.2727e-13 * days_from_epoch_sq
mean_longitude_deg = np.fmod(mean_longitude_deg, 360.0)
mean_anomaly_rad = mean_anomaly_deg * DEG2RAD
ecliptic_longitude_deg = (mean_longitude_deg +
ecliptic_c1 * np.sin(mean_anomaly_rad) +
ecliptic_c2 * np.sin(2 * mean_anomaly_rad) +
ecliptic_c3 * np.sin(3 * mean_anomaly_rad))
ecliptic_longitude_rad = ecliptic_longitude_deg * DEG2RAD
declination_sin = np.clip(obliquity_sin * np.sin(ecliptic_longitude_rad), -1.0, 1.0)
declination_cos = np.sqrt(1.0 - declination_sin ** 2)
right_ascension_rad = np.arctan2(obliquity_cos * np.sin(ecliptic_longitude_rad), np.cos(ecliptic_longitude_rad))
right_ascension_hours = (right_ascension_rad * RAD2DEG) / 15.0
mean_time = np.fmod(mean_longitude_deg / 15.0, 24.0)
delta_ra = right_ascension_hours - mean_time
if delta_ra > 12.0: right_ascension_hours -= 24.0
elif delta_ra < -12.0: right_ascension_hours += 24.0
eqtime_minutes = (mean_time - right_ascension_hours) * 60.0
tst_minutes = i + eqtime_minutes + tst_offset
hour_angle_rad = (tst_minutes / 4.0 - 180.0) * DEG2RAD
elevation_sine = sin_lat * declination_sin + cos_lat * declination_cos * np.cos(hour_angle_rad)
elevation = np.arcsin(np.clip(elevation_sine, -1.0, 1.0)) * RAD2DEG
angles.append(elevation)
return np.array(angles)
def generate_sun_angles_meeus_fixed(latitude_deg, longitude_deg, timezone_offset_hrs, year, month, day):
"""
Method 1.1: The high-precision algorithm from your new Vala program (based on Jean Meeus' method).
"""
julian_date = float(datetime.date(year, month, day).toordinal())
latitude_rad = latitude_deg * DEG2RAD
sin_lat = np.sin(latitude_rad)
cos_lat = np.cos(latitude_rad)
base_days_from_epoch = julian_date - 730120.5
base_days_sq = base_days_from_epoch ** 2
base_days_cb = base_days_sq * base_days_from_epoch
obliquity_deg = 23.439291111 - 3.560347e-7 * base_days_from_epoch - 1.2285e-16 * base_days_sq + 1.0335e-20 * base_days_cb
obliquity_sin = np.sin(obliquity_deg * DEG2RAD)
obliquity_cos = np.cos(obliquity_deg * DEG2RAD)
ecliptic_c1 = 1.914602 - 1.3188e-7 * base_days_from_epoch - 1.049e-14 * base_days_sq
ecliptic_c2 = 0.019993 - 2.7652e-9 * base_days_from_epoch
ecliptic_c3 = 0.000289
tst_offset = 4.0 * longitude_deg - 60.0 * timezone_offset_hrs
angles = []
for local_hour in range(24):
i = local_hour * 60
time_offset_days = (i / 60.0 - timezone_offset_hrs) / 24.0
days_from_epoch = base_days_from_epoch + time_offset_days
days_from_epoch_sq = days_from_epoch ** 2
days_from_epoch_cb = days_from_epoch_sq * days_from_epoch
mean_anomaly_deg = 357.52772 + 0.985600282 * days_from_epoch - 1.2016e-13 * days_from_epoch_sq - 6.835e-20 * days_from_epoch_cb
mean_anomaly_deg = np.fmod(mean_anomaly_deg, 360.0)
mean_longitude_deg = 280.46645 + 0.98564736 * days_from_epoch + 2.2727e-13 * days_from_epoch_sq
mean_longitude_deg = np.fmod(mean_longitude_deg, 360.0)
mean_anomaly_rad = mean_anomaly_deg * DEG2RAD
ecliptic_longitude_deg = (mean_longitude_deg +
ecliptic_c1 * np.sin(mean_anomaly_rad) +
ecliptic_c2 * np.sin(2 * mean_anomaly_rad) +
ecliptic_c3 * np.sin(3 * mean_anomaly_rad))
ecliptic_longitude_rad = ecliptic_longitude_deg * DEG2RAD
declination_sin = np.clip(obliquity_sin * np.sin(ecliptic_longitude_rad), -1.0, 1.0)
declination_cos = np.sqrt(1.0 - declination_sin ** 2)
right_ascension_rad = np.arctan2(obliquity_cos * np.sin(ecliptic_longitude_rad), np.cos(ecliptic_longitude_rad))
right_ascension_hours = (right_ascension_rad * RAD2DEG) / 15.0
mean_time = np.fmod(mean_longitude_deg / 15.0, 24.0)
delta_ra = right_ascension_hours - mean_time
if delta_ra > 12.0: right_ascension_hours -= 24.0
elif delta_ra < -12.0: right_ascension_hours += 24.0
eqtime_minutes = (mean_time - right_ascension_hours) * 60.0
tst_minutes = i + eqtime_minutes + tst_offset
hour_angle_rad = (tst_minutes / 4.0 - 180.0) * DEG2RAD
elevation_sine = sin_lat * declination_sin + cos_lat * declination_cos * np.cos(hour_angle_rad)
elevation = np.arcsin(np.clip(elevation_sine, -1.0, 1.0)) * RAD2DEG
angles.append(elevation)
return np.array(angles)
def generate_sun_angles_fourier(latitude_deg, longitude_deg, timezone_offset_hrs, year, month, day):
"""
Method 2: The algorithm from your old Vala program (based on a Fourier series approximation).
"""
latitude_rad = latitude_deg * DEG2RAD
sin_lat = np.sin(latitude_rad)
cos_lat = np.cos(latitude_rad)
dt = datetime.date(year, month, day)
day_of_year = dt.timetuple().tm_yday
days_in_year = 366.0 if calendar.isleap(year) else 365.0
angles = []
for local_hour in range(24):
i = local_hour * 60
fractional_day_component = day_of_year - 1 + (i / 1440.0)
gamma_rad = (2.0 * np.pi / days_in_year) * fractional_day_component
decl_rad = 0.006918 \
- 0.399912 * np.cos(gamma_rad) \
+ 0.070257 * np.sin(gamma_rad) \
- 0.006758 * np.cos(2.0 * gamma_rad) \
+ 0.000907 * np.sin(2.0 * gamma_rad) \
- 0.002697 * np.cos(3.0 * gamma_rad) \
+ 0.001480 * np.sin(3.0 * gamma_rad)
eqtime_minutes = 229.18 * (0.000075 \
+ 0.001868 * np.cos(gamma_rad) \
- 0.032077 * np.sin(gamma_rad) \
- 0.014615 * np.cos(2.0 * gamma_rad) \
- 0.040849 * np.sin(2.0 * gamma_rad))
tst_minutes = i + eqtime_minutes + 4.0 * longitude_deg - 60.0 * timezone_offset_hrs
ha_rad = (tst_minutes / 4.0 - 180.0) * DEG2RAD
elevation_sine = sin_lat * np.sin(decl_rad) + cos_lat * np.cos(decl_rad) * np.cos(ha_rad)
elevation = np.arcsin(np.clip(elevation_sine, -1.0, 1.0)) * RAD2DEG
angles.append(elevation)
return np.array(angles)
def generate_sun_angles_wikipedia(latitude_deg, longitude_deg, timezone_offset_hrs, year, month, day):
"""
Method 3: The simplified formula provided by Wikipedia.
"""
latitude_rad = latitude_deg * DEG2RAD
sin_lat = np.sin(latitude_rad)
cos_lat = np.cos(latitude_rad)
dt = datetime.date(year, month, day)
day_of_year = dt.timetuple().tm_yday
angles = []
for local_hour in range(24):
utc_hour = local_hour - timezone_offset_hrs
N = day_of_year - 1 + utc_hour / 24.0
arg1_deg = 0.98565 * (N + 10)
arg2_deg = 0.98565 * (N - 2)
cos_arg_deg = arg1_deg + 1.914 * np.sin(arg2_deg * DEG2RAD)
decl_rad = -np.arcsin(0.39779 * np.cos(cos_arg_deg * DEG2RAD))
d_eot = day_of_year - 1
D_rad = 6.24004077 + 0.01720197 * (365.25 * (year - 2000) + d_eot)
eqtime_minutes = -7.659 * np.sin(D_rad) + 9.863 * np.sin(2 * D_rad + 3.5932)
i = local_hour * 60
tst_minutes = i + eqtime_minutes + 4.0 * longitude_deg - 60.0 * timezone_offset_hrs
ha_rad = (tst_minutes / 4.0 - 180.0) * DEG2RAD
elevation_sine = sin_lat * np.sin(decl_rad) + cos_lat * np.cos(decl_rad) * np.cos(ha_rad)
elevation = np.arcsin(np.clip(elevation_sine, -1.0, 1.0)) * RAD2DEG
angles.append(elevation)
return np.array(angles)
def generate_sun_angles_wiki_improved(latitude_deg, longitude_deg, timezone_offset_hrs, year, month, day):
"""
Method 4: Improved Wikipedia model with year-linear parameters (fitted from astropy data).
Uses uncentered coefficients from the fit.
"""
latitude_rad = latitude_deg * DEG2RAD
sin_lat = np.sin(latitude_rad)
cos_lat = np.cos(latitude_rad)
dt = datetime.date(year, month, day)
day_of_year = dt.timetuple().tm_yday
# Updated uncentered fitted coefficients from the new fit
obli_const = 23.689615119428524
obli_year = -0.0001272039401833378
sol_const = -4.953654511287448
sol_year = 0.007584740998948542
peri_const = 16.907638765610766
peri_year = -0.009931455309012382
ecc_const = 0.017494322009221987
ecc_year = -4.274172671320393e-07
eot_ecc_amp_const = -7.5281042369998135
eot_ecc_amp_year = 9.320261665981816e-05
eot_obli_amp_const = 10.175305445225787
eot_obli_amp_year = -0.0001329535053396791
eot_obli_phase_const = 2.3439927750958214
eot_obli_phase_year = 0.0006426678778734212
eot_dconst_const = 6.266288107936987
eot_dconst_year = -2.7626758599300164e-05
OMEGA_DEG_PER_DAY = 360.0 / 365.2422
OMEGA_D_RAD_PER_DAY = 0.01720197
TROPICAL_YEAR_DAYS = 365.25
# Precompute year-dependent params
ecc_factor = 360.0 / np.pi * (ecc_const + ecc_year * year)
solstice_offset = sol_const + sol_year * year
perihelion_offset = peri_const + peri_year * year
sin_obliquity_neg = np.sin( - (obli_const + obli_year * year) * DEG2RAD )
tropical_offset = TROPICAL_YEAR_DAYS * (year - 2000.0)
eot_dconst = eot_dconst_const + eot_dconst_year * year
eot_ecc_amp = eot_ecc_amp_const + eot_ecc_amp_year * year
eot_obli_amp = eot_obli_amp_const + eot_obli_amp_year * year
eot_obli_phase = eot_obli_phase_const + eot_obli_phase_year * year
tst_offset = 4.0 * longitude_deg - 60.0 * timezone_offset_hrs
angles = []
for local_hour in range(24):
i = local_hour * 60
fractional_day_component = day_of_year - 1 + (i / 1440.0)
# Declination (inline)
sin_decl = sin_obliquity_neg * np.cos(
(OMEGA_DEG_PER_DAY * (fractional_day_component + solstice_offset)
+ ecc_factor * np.sin(OMEGA_DEG_PER_DAY * (fractional_day_component + perihelion_offset) * DEG2RAD))
* DEG2RAD
)
sin_decl = np.clip(sin_decl, -1.0, 1.0)
cos_decl = np.sqrt(1.0 - sin_decl ** 2)
# Equation of Time (inline)
d_rad = eot_dconst + OMEGA_D_RAD_PER_DAY * (tropical_offset + fractional_day_component)
eqtime_minutes = eot_ecc_amp * np.sin(d_rad) + eot_obli_amp * np.sin(2.0 * d_rad + eot_obli_phase)
tst_minutes = i + eqtime_minutes + tst_offset
ha_rad = (tst_minutes / 4.0 - 180.0) * DEG2RAD
elevation_sine = sin_lat * sin_decl + cos_lat * cos_decl * np.cos(ha_rad)
elevation = np.arcsin(np.clip(elevation_sine, -1.0, 1.0)) * RAD2DEG
angles.append(elevation)
return np.array(angles)
def main():
"""
Runs the validation test for all configured locations and years,
and prints a detailed monthly and average RMSD report.
"""
parser = argparse.ArgumentParser(description="Test solar angle accuracy with adjustable year range and interval")
parser.add_argument('--start-year', type=int, default=1975, help='Start year for the test range')
parser.add_argument('--end-year', type=int, default=2075, help='End year for the test range')
parser.add_argument('--interval', type=int, default=1, help='Year interval for the test range')
args = parser.parse_args()
years = list(range(args.start_year, args.end_year + 1, args.interval))
methods = ['Meeus', 'Fourier', 'Wikipedia', 'WikiImp', 'MeeusFixed']
# Initialize collections for statistics
all_rmsd = {m: [] for m in methods}
location_rmsd = {m: {loc: [] for loc in LOCATIONS} for m in methods}
month_rmsd = {m: [[] for _ in range(12)] for m in methods}
year_rmsd = {m: {y: [] for y in years} for m in methods}
# New collections for global RMSD and max error
all_diffs = {m: [] for m in methods}
all_abs_diffs = {m: [] for m in methods}
month_names = [datetime.date(2000, i+1, 1).strftime('%b') for i in range(12)]
for location_name, params in LOCATIONS.items():
lat, lon, tz = params["lat"], params["lon"], params["tz"]
print(f"\n{'='*80}")
print(f"Validation Results for: {location_name}")
print(f"(Lat: {lat}, Lon: {lon}, TZ: UTC{tz:+.1f})")
print(f"{'='*80}")
for year in years:
print(f"\n--- Year: {year} ---")
print(f"| {'Month':<7} | {'Meeus RMSD':<12} | {'Fourier RMSD':<13} | {'Wiki RMSD':<11} | {'Wiki Imp RMSD':<14} | {'MeeusFixed RMSD':<15} |")
print(f"|{'-'*9}|{'-'*14}|{'-'*15}|{'-'*13}|{'-'*16}|{'-'*17}|")
monthly_rmsd_meeus = []
monthly_rmsd_fourier = []
monthly_rmsd_wikipedia = []
monthly_rmsd_wiki_imp = []
monthly_rmsd_meeus_fixed = []
for month in range(1, 13):
day = 15
astro_angles = astropy_sun_elevations(year, month, day, lat, lon, tz)
meeus_angles = generate_sun_angles_meeus(lat, lon, tz, year, month, day)
fourier_angles = generate_sun_angles_fourier(lat, lon, tz, year, month, day)
wikipedia_angles = generate_sun_angles_wikipedia(lat, lon, tz, year, month, day)
wiki_imp_angles = generate_sun_angles_wiki_improved(lat, lon, tz, year, month, day)
meeus_fixed_angles = generate_sun_angles_meeus_fixed(lat, lon, tz, year, month, day)
# Compute per-month RMSD
rmsd_meeus = np.sqrt(np.mean((meeus_angles - astro_angles) ** 2))
rmsd_fourier = np.sqrt(np.mean((fourier_angles - astro_angles) ** 2))
rmsd_wikipedia = np.sqrt(np.mean((wikipedia_angles - astro_angles) ** 2))
rmsd_wiki_imp = np.sqrt(np.mean((wiki_imp_angles - astro_angles) ** 2))
rmsd_meeus_fixed = np.sqrt(np.mean((meeus_fixed_angles - astro_angles) ** 2))
# Collect RMSD for statistics
all_rmsd['Meeus'].append(rmsd_meeus)
location_rmsd['Meeus'][location_name].append(rmsd_meeus)
month_rmsd['Meeus'][month-1].append(rmsd_meeus)
year_rmsd['Meeus'][year].append(rmsd_meeus)
all_rmsd['Fourier'].append(rmsd_fourier)
location_rmsd['Fourier'][location_name].append(rmsd_fourier)
month_rmsd['Fourier'][month-1].append(rmsd_fourier)
year_rmsd['Fourier'][year].append(rmsd_fourier)
all_rmsd['Wikipedia'].append(rmsd_wikipedia)
location_rmsd['Wikipedia'][location_name].append(rmsd_wikipedia)
month_rmsd['Wikipedia'][month-1].append(rmsd_wikipedia)
year_rmsd['Wikipedia'][year].append(rmsd_wikipedia)
all_rmsd['WikiImp'].append(rmsd_wiki_imp)
location_rmsd['WikiImp'][location_name].append(rmsd_wiki_imp)
month_rmsd['WikiImp'][month-1].append(rmsd_wiki_imp)
year_rmsd['WikiImp'][year].append(rmsd_wiki_imp)
all_rmsd['MeeusFixed'].append(rmsd_meeus_fixed)
location_rmsd['MeeusFixed'][location_name].append(rmsd_meeus_fixed)
month_rmsd['MeeusFixed'][month-1].append(rmsd_meeus_fixed)
year_rmsd['MeeusFixed'][year].append(rmsd_meeus_fixed)
monthly_rmsd_meeus.append(rmsd_meeus)
monthly_rmsd_fourier.append(rmsd_fourier)
monthly_rmsd_wikipedia.append(rmsd_wikipedia)
monthly_rmsd_wiki_imp.append(rmsd_wiki_imp)
monthly_rmsd_meeus_fixed.append(rmsd_meeus_fixed)
# Collect all differences for global stats
diffs_meeus = meeus_angles - astro_angles
all_diffs['Meeus'].extend(diffs_meeus)
all_abs_diffs['Meeus'].extend(np.abs(diffs_meeus))
diffs_fourier = fourier_angles - astro_angles
all_diffs['Fourier'].extend(diffs_fourier)
all_abs_diffs['Fourier'].extend(np.abs(diffs_fourier))
diffs_wikipedia = wikipedia_angles - astro_angles
all_diffs['Wikipedia'].extend(diffs_wikipedia)
all_abs_diffs['Wikipedia'].extend(np.abs(diffs_wikipedia))
diffs_wiki_imp = wiki_imp_angles - astro_angles
all_diffs['WikiImp'].extend(diffs_wiki_imp)
all_abs_diffs['WikiImp'].extend(np.abs(diffs_wiki_imp))
diffs_meeus_fixed = meeus_fixed_angles - astro_angles
all_diffs['MeeusFixed'].extend(diffs_meeus_fixed)
all_abs_diffs['MeeusFixed'].extend(np.abs(diffs_meeus_fixed))
month_name = datetime.date(year, month, 1).strftime('%b')
print(f"| {month_name:<7} | {rmsd_meeus:<12.4f} | {rmsd_fourier:<13.4f} | {rmsd_wikipedia:<11.4f} | {rmsd_wiki_imp:<14.4f} | {rmsd_meeus_fixed:<15.4f} |")
annual_avg_rmsd_meeus = np.mean(monthly_rmsd_meeus)
annual_avg_rmsd_fourier = np.mean(monthly_rmsd_fourier)
annual_avg_rmsd_wikipedia = np.mean(monthly_rmsd_wikipedia)
annual_avg_rmsd_wiki_imp = np.mean(monthly_rmsd_wiki_imp)
annual_avg_rmsd_meeus_fixed = np.mean(monthly_rmsd_meeus_fixed)
print(f"|{'-'*9}|{'-'*14}|{'-'*15}|{'-'*13}|{'-'*16}|{'-'*17}|")
print(f"| {'Average':<7} | {annual_avg_rmsd_meeus:<12.4f} | {annual_avg_rmsd_fourier:<13.4f} | {annual_avg_rmsd_wikipedia:<11.4f} | {annual_avg_rmsd_wiki_imp:<14.4f} | {annual_avg_rmsd_meeus_fixed:<15.4f} |")
# Overall Statistics (average of per-month RMSDs)
print(f"\n{'='*80}")
print("OVERALL STATISTICS ACROSS ALL LOCATIONS, YEARS, AND MONTHS")
print(f"{'='*80}")
print("| Method | Average RMSD | Worst RMSD |")
print("|------------|--------------|------------|")
for m in methods:
rmsds = all_rmsd[m]
avg = np.mean(rmsds)
worst = np.max(rmsds)
print(f"| {m:<10} | {avg:<12.4f} | {worst:<10.4f} |")
# New: Global Statistics across all data points
print(f"\n{'='*80}")
print("GLOBAL STATISTICS ACROSS ALL DATA POINTS")
print(f"{'='*80}")
print("| Method | Global RMSD | 95% Abs Error | Global Max Error |")
print("|------------|-------------|---------------|------------------|")
for m in methods:
diffs_array = np.array(all_diffs[m])
abs_diffs_array = np.array(all_abs_diffs[m])
global_rmsd = np.sqrt(np.mean(diffs_array ** 2))
global_p95 = np.percentile(abs_diffs_array, 95)
global_max_error = np.max(abs_diffs_array)
print(f"| {m:<10} | {global_rmsd:<11.4f} | {global_p95:<13.4f} | {global_max_error:<16.4f} |")
# Statistics by Location
print(f"\n{'='*80}")
print("STATISTICS BY LOCATION")
print(f"{'='*80}")
for location_name in LOCATIONS:
print(f"\n{location_name}:")
print("| Method | Average RMSD | Worst RMSD |")
print("|------------|--------------|------------|")
for m in methods:
rmsds = location_rmsd[m][location_name]
avg = np.mean(rmsds)
worst = np.max(rmsds)
print(f"| {m:<10} | {avg:<12.4f} | {worst:<10.4f} |")
# Statistics by Month
print(f"\n{'='*80}")
print("STATISTICS BY MONTH")
print(f"{'='*80}")
for m in methods:
print(f"\n{m}:")
print("| Month | Average RMSD | Worst RMSD |")
print("|-------|--------------|------------|")
for mon in range(12):
rmsds = month_rmsd[m][mon]
avg = np.mean(rmsds)
worst = np.max(rmsds)
print(f"| {month_names[mon]:<5} | {avg:<12.4f} | {worst:<10.4f} |")
# Statistics by Year
print(f"\n{'='*80}")
print("STATISTICS BY YEAR")
print(f"{'='*80}")
for m in methods:
print(f"\n{m}:")
print("| Year | Average RMSD | Worst RMSD |")
print("|------|--------------|------------|")
for y in years:
rmsds = year_rmsd[m][y]
avg = np.mean(rmsds)
worst = np.max(rmsds)
print(f"| {y:<4} | {avg:<12.4f} | {worst:<10.4f} |")
print(f"\n{'='*80}")
print("Generating histograms for error and absolute error distributions for each method (using auto binning)")
print(f"{'='*80}")
methods = ['Meeus', 'Fourier', 'Wikipedia', 'WikiImp', 'MeeusFixed']
for m in methods:
diffs_array = np.array(all_diffs[m])
abs_diffs_array = np.array(all_abs_diffs[m])
rmsd = np.sqrt(np.mean(diffs_array ** 2))
p95 = np.percentile(abs_diffs_array, 95)
max_abs = np.max(abs_diffs_array)
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))
# Error distribution
ax1.hist(diffs_array, bins='auto', alpha=0.7, color='skyblue', edgecolor='black')
ax1.axvline(0, color='red', linestyle='--', linewidth=2, label='Zero Error Line')
ax1.axvline(np.mean(diffs_array), color='orange', linestyle='--', linewidth=2, label=f'Mean: {np.mean(diffs_array):.4f}°')
ax1.set_title(f'Error Distribution')
ax1.set_xlabel('Error (degrees)')
ax1.set_ylabel('Frequency')
ax1.legend()
ax1.grid(True, alpha=0.3)
# Absolute error distribution
ax2.hist(abs_diffs_array, bins='auto', alpha=0.7, color='lightgreen', edgecolor='black')
ax2.axvline(rmsd, color='orange', linestyle='--', linewidth=2, label=f'RMSD: {rmsd:.4f}°')
ax2.axvline(p95, color='blue', linestyle='--', linewidth=2, label=f'95% Abs: {p95:.4f}°')
ax2.set_title(f'Absolute Error Distribution')
ax2.set_xlabel('Absolute Error (degrees)')
ax2.set_ylabel('Frequency')
ax2.legend()
ax2.grid(True, alpha=0.3)
plt.suptitle(f'Solar Elevation Error Histogram')
plt.tight_layout()
plt.savefig(f'{m}_error_histogram.svg', dpi=300, bbox_inches='tight')
plt.close()
print("All histograms saved as SVG files.")
if __name__ == "__main__":
main()
验证结果与分析
综合对比
首先从海量数据中提炼出核心指标。
| 性能指标 (单位: 度) | Meeus | MeeusWeb | WikiImp | Fourier | Wikipedia |
|---|---|---|---|---|---|
| 月度平均 RMSD | 0.0032 | 0.0032 | 0.0709 | 0.1016 | 0.1507 |
| 月度最差 RMSD | 0.0097 | 0.0098 | 0.2734 | 0.4820 | 0.5666 |
| 全局 RMSD | 0.0036 | 0.0036 | 0.0868 | 0.1269 | 0.1826 |
| 95% 绝对误差 | 0.0070 | 0.0070 | 0.1746 | 0.2681 | 0.3717 |
| 全局最大误差 | 0.0135 | 0.0136 | 0.2864 | 0.4825 | 0.6407 |
 |
|---|
| Meeus 算法（原书版本）误差分布直方图 |
 |
| Meeus 算法（参数取自网页）误差分布直方图 |
 |
| 傅里叶级数算法误差分布直方图 |
 |
| 维基百科算法误差分布直方图 |
- Meeus 算法（包括原书参数版本和网页版本）的精度与其他算法存在数量级的优势。其全局 RMSD (0.0036°) 仅为傅里叶算法的 1/30，维基百科算法的 1/47。原书参数版本与网页版本的精度差异极小，两者均可放心使用。
- WikiImp (改进版维基百科算法) 是笔者对维基百科算法的优化版本（详见《优化 Wikipedia 太阳位置简化公式》），平均 RMSD 降至 0.0709°，优于傅里叶算法，但仍远逊于 Meeus 算法。
- Meeus 算法的最差表现 (0.0097°) 依然比其他算法的平均表现好得多。
地理位置对比
| 地点 | Meeus (Avg/Max) | MeeusWeb (Avg/Max) | WikiImp (Avg/Max) | Fourier (Avg/Max) | Wikipedia (Avg/Max) |
|---|---|---|---|---|---|
| Beijing | 0.0033 / 0.0087 | 0.0033 / 0.0087 | 0.0672 / 0.1461 | 0.0871 / 0.2865 | 0.1549 / 0.4710 |
| Chongqing | 0.0033 / 0.0089 | 0.0033 / 0.0089 | 0.0663 / 0.1373 | 0.0847 / 0.2606 | 0.1434 / 0.4364 |
| Singapore | 0.0034 / 0.0097 | 0.0034 / 0.0098 | 0.0596 / 0.1437 | 0.0738 / 0.1947 | 0.1130 / 0.3181 |
| Sydney | 0.0034 / 0.0083 | 0.0034 / 0.0083 | 0.0691 / 0.1671 | 0.0796 / 0.2487 | 0.1477 / 0.4695 |
| Stockholm | 0.0031 / 0.0091 | 0.0031 / 0.0091 | 0.0796 / 0.2391 | 0.1357 / 0.4364 | 0.1692 / 0.5374 |
| South Pole | 0.0030 / 0.0095 | 0.0030 / 0.0095 | 0.0840 / 0.2734 | 0.1486 / 0.4820 | 0.1758 / 0.5666 |
Meeus 算法具有完美的地理普适性，从赤道到极点都保持极高精度。而傅里叶和维基百科算法在极地（South Pole）和高纬度地区（Stockholm）的误差明显增大。
年份对比
通过对比 1975 年和 2075 年的数据，评估算法的长期稳定性。
| 方法 | 1975年平均RMSD (°) | 2075年平均RMSD (°) | 趋势分析 |
|---|---|---|---|
| Meeus | 0.0032 | 0.0032 | 精度在百年尺度上保持极高稳定性。 |
| MeeusWeb | 0.0032 | 0.0032 | 稳定性同上，与原书版本几乎无差异。 |
| WikiImp | 0.0512 | 0.0511 | 改进版算法引入了年份修正，保持了长期稳定。 |
| Fourier | 0.0678 | 0.1195 | 误差随时间显著增加（增长约 76%）。 |
| Wikipedia | 0.0622 | 0.1993 | 误差随时间剧烈增加（增长约 220%）。 |
Meeus 算法包含了对地球轨道参数长期变化的修正项，因此其精度在很长的时间跨度内都是可靠的。WikiImp 通过引入年份修正也保持了长期稳定。而傅里叶和原始维基百科算法是基于特定历元的经验公式，离拟合年代越远，误差越大。
月份/季节维度分析
- Meeus / MeeusWeb: 月度 RMSD 波动极小（0.0030 - 0.0037），表现出极佳的稳定性，两者差异可忽略。
- Fourier: 波动巨大，6月和12月表现较好（~0.04-0.05），但 3月和 9-10月 误差飙升至 0.15 左右。
- Wikipedia: 同样波动巨大，6月和12月较好（~0.04），但 3月和 9月 误差高达 0.23-0.24。
- WikiImp: 相比原始版有很大改进，但仍有季节性波动，6月最佳（0.0188），3月最差（0.1073）。
这表明 Meeus 算法精确地模拟了地球公转的真实物理过程，而简化模型未能精确模拟地球在椭圆轨道上运动速度的变化，导致均时差和太阳赤纬的季节性变化计算不准。
结论
Meeus 算法（原书参数版本及网页版本 MeeusWeb）是一个基于天体力学的物理模型，在所有测试维度（时间、地点、季节）上都展现了压倒性的精度优势和稳定性。两个版本的系数略有差异，但精度表现几乎相同，均可放心使用。
WikiImp 是笔者对维基百科算法的优化版本，详细介绍请参见《优化 Wikipedia 太阳位置简化公式》。它通过引入线性年份修正项，解决了长期漂移问题并提升了整体精度，但仍受限于年月日的处理无法表达儒略日的便宜，以及物理模型的简化，无法达到 Meeus 的高度。
傅里叶级数算法和原始维基百科算法则存在明显的局限性，仅适用于对精度要求不高且时间跨度较短的场景。
