结合 AI 预测的 Streamlit 天气预报应用

项目概览

在这一详尽的教程中，我将指导您创建一个精致的天气预报应用程序，该应用将现代 Web 开发与人工智能相结合。本项目演示了如何构建一个具备交互式地图、双语支持、实时数据可视化和 AI 驱动的天气分析功能的生产级天气应用。

在线演示: https://weather-trend.streamlit.app/

Github: https://github.com/JCwinning/weather_trend

天气预报应用主界面

这款天气预报应用不仅仅提供基础的天气数据，还集成了多项高级功能：

• 交互式位置选择：点击地图上的任意位置或通过城市名称搜索
• 双语界面：完整的英文/中文语言支持及切换功能
• AI 驱动的分析：使用 DeepSeek AI 提供天气分析和建议
• 高级可视化：温度趋势、空气质量监测和降雨概率
• 实时数据：7 天历史数据和 5 天预报数据
• 响应式设计：在桌面、平板和移动设备上运行无阻

技术架构

flowchart TD
    A[用户界面<br/>Streamlit Web 应用] --> B[位置服务]
    A --> C[天气数据 API]
    A --> D[AI 集成层]
    A --> E[可视化引擎]

    B --> F[交互式地图<br/>Folium + OpenStreetMap]
    B --> G[城市搜索<br/>Nominatim 地理编码]

    C --> H[Open-Meteo API<br/>天气 + 空气质量]
    C --> I[数据处理<br/>Pandas DataFrame]

    D --> J[ModelScope API<br/>DeepSeek-V3.2 AI]
    D --> K[智能分析<br/>天气建议]

    E --> L[Altair 图表<br/>温度趋势]
    E --> M[数据表格<br/>天气详情]

    F --> A
    G --> A
    I --> E
    K --> A

天气应用架构

技术栈

• 前端框架：Streamlit，用于快速开发 Web 应用程序
• 地图：Folium 配合 OpenStreetMap 图层，实现交互式位置选择
• 数据可视化：Altair，用于专业的图表和图形
• API 集成：Open-Meteo，获取天气和空气质量数据
• AI 服务：通过 ModelScope API 使用 DeepSeek-V3.2 进行智能分析
• 地理编码：Nominatim，用于地址与坐标的转换
• 国际化：自定义语言系统，支持中英文切换

快速上手

环境要求与安装

在深入代码之前，让我们先搭建好开发环境：

# 1. 克隆仓库
git clone <your-repo-url>
cd weather_trend

# 2. 安装所需软件包
pip install streamlit pandas requests altair folium streamlit-folium geopy python-dotenv openai

# 3. 为 AI 功能设置环境变量
echo "modelscope=您的 API 密钥" > .env

核心依赖项说明

• streamlit：具备响应式 UI 组件的 Web 应用框架
• pandas：用于天气数据集的数据操作和分析
• requests：用于 API 通信的 HTTP 客户端
• altair：声明式统计可视化库
• folium + streamlit-folium：交互式地图集成
• geopy：用于位置查找的地理编码服务
• python-dotenv：环境变量管理
• openai：AI 模型集成（与 ModelScope 兼容）

核心功能实现

1. 带位置选择的交互式地图

地图功能允许用户点击任意位置并获取该地点的实时天气数据：

import folium
from streamlit_folium import st_folium

# 创建以默认位置为中心的交互式地图
def create_interactive_map(lat=40.7128, lon=-74.0060, zoom=10):
    """创建交互式 Folium 地图"""
    m = folium.Map(
        location=[lat, lon],
        zoom_start=zoom,
        tiles="OpenStreetMap"
    )

    # 添加点击事件处理器以捕获坐标
    m.add_child(folium.LatLngPopup())

    return m

# 在 Streamlit 中显示地图
if 'map_data' not in st.session_state:
    st.session_state.map_data = None

map_object = create_interactive_map()
st_data = st_folium(map_object, width=700, height=500)

# 捕获点击处的坐标
if st_data['last_clicked']:
    lat = st_data['last_clicked']['lat']
    lon = st_data['last_clicked']['lng']
    st.session_state.clicked_location = (lat, lon)
    get_weather_for_coordinates(lat, lon)

关键特性： - 点击选择：用户可以点击地图上的任何地方 - 缩放控制：标准的地图导航功能 - 响应式设计：适应不同的屏幕尺寸 - 坐标捕获：自动提取所选位置的信息

2. 双语城市搜索系统

此应用支持中英文城市名称，并具备智能的回退机制：

import re
from geopy.geocoders import Nominatim

# 扩展的中文字符检测
def contains_chinese(text):
    """检查文本是否包含中文字符，包括 CJK 统一汉字"""
    chinese_pattern = re.compile(
        r"[\u4e00-\u9fff\u3400-\u4dbf\U00020000-\U0002a6df\U0002a700-\U0002b73f]"
    )
    return bool(chinese_pattern.search(text))

# 中文城市映射，以获得更好的解析效果
CHINESE_CITY_MAPPING = {
    "纽约": "New York",
    "东京": "Tokyo",
    "伦敦": "London",
    "巴黎": "Paris",
    "洛杉矶": "Los Angeles",
    # ... 更多映射
}

def get_coordinates_for_city(city_name):
    """获取城市坐标，支持多语言"""
    # 检查中文城市名称映射
    if contains_chinese(city_name) and city_name in CHINESE_CITY_MAPPING:
        city_name = CHINESE_CITY_MAPPING[city_name]

    # 对城市进行地理编码
    geolocator = Nominatim(user_agent="weather_app")
    try:
        location = geolocator.geocode(city_name)
        return (location.latitude, location.longitude) if location else None
    except:
        return None

双语特性： - 中文字符检测：针对 CJK 字符的高级正则模式 - 城市名称映射：主要城市的翻译数据库 - 错误处理：当地理编码失败时保持系统稳定 - Unicode 支持：完整支持国际化字符

3. 天气数据集成

该应用程序从 Open-Meteo API 获取全面的天气数据：

import requests
import pandas as pd

def get_weather_data(latitude, longitude):
    """获取 12 天的天气数据（7 天历史 + 5 天预报）"""

    # API 端点配置
    url = "https://api.open-meteo.com/v1/forecast"
    params = {
        'latitude': latitude,
        'longitude': longitude,
        'daily': [
            'temperature_2m_max', 'temperature_2m_min', 'temperature_2m_mean',
            'weathercode', 'windspeed_10m_max', 'precipitation_probability_max',
            'pm10', 'pm2_5'
        ],
        'timezone': 'auto',
        'past_days': 7,  # 获取历史数据
        'forecast_days': 5  # 获取未来预报
    }

    try:
        response = requests.get(url, params=params, timeout=10)
        response.raise_for_status()

        # 处理响应数据
        data = response.json()
        df = process_weather_data(data)

        return df

    except requests.RequestException as e:
        st.error(f"API 请求失败: {e}")
        return None

def process_weather_data(data):
    """将 API 响应转换为结构化 DataFrame"""
    daily_data = data['daily']

    # 创建日期范围（历史 + 未来）
    dates = pd.date_range(
        start=pd.to_datetime(daily_data['time'][0]),
        periods=len(daily_data['time']),
        freq='D'
    )

    # 构建 DataFrame
    df = pd.DataFrame({
        'date': dates,
        'temperature_max': daily_data['temperature_2m_max'],
        'temperature_min': daily_data['temperature_2m_min'],
        'temperature_mean': daily_data['temperature_2m_mean'],
        'weather_code': daily_data['weathercode'],
        'wind_speed_max': daily_data['windspeed_10m_max'],
        'rain_probability': daily_data['precipitation_probability_max'],
        'pm2_5': daily_data.get('pm2_5', [0] * len(dates))
    })

    # 添加衍生列
    df['is_today'] = df['date'].dt.date == pd.Timestamp.now().date()
    df['is_future'] = df['date'] > pd.Timestamp.now()

    return df

数据处理特性： - 历史 + 预报：7 天过去 + 5 天未来 - 空气质量集成：PM2.5 和 PM10 数据 - 指标衍生：今日检测和未来趋势分析 - 错误管理：健壮的 API 错误处理机制

4. 高级数据可视化

温度趋势图，清晰地区分了历史数据和预报数据：

import altair as alt

def create_temperature_chart(weather_df):
    """创建交互式温度趋势图"""

    # 包含温度线的基准图表
    base_chart = alt.Chart(weather_df).mark_line(
        point=True,
        strokeWidth=3,
        opacity=0.8
    ).encode(
        x=alt.X('date:T', title='日期'),
        y=alt.Y('temperature_mean:Q', title='温度 (°C)', scale=alt.Scale(domain=[weather_df['temperature_min'].min()-5, weather_df['temperature_max'].max()+5]))
    ).properties(
        width=800,
        height=400,
        title='温度趋势图'
    )

    # 历史数据（实线）
    historical_data = weather_df[weather_df['is_future'] == False]
    historical_line = base_chart.transform_filter(
        'datum.is_future == false'
    ).encode(
        color=alt.value('blue'),
        strokeDash=alt.value([0])  # 实线
    )

    # 未来预报（虚线）
    future_data = weather_df[weather_df['is_future'] == True]
    future_line = base_chart.transform_filter(
        'datum.is_future == true'
    ).encode(
        color=alt.value('red'),
        strokeDash=alt.value([5, 5])  # 虚线
    )

    # 今日指示线
    today_line = alt.Chart(pd.DataFrame({'x': [pd.Timestamp.now()]})).mark_rule(
        strokeDash=[2, 2],
        stroke='green',
        strokeWidth=2
    ).encode(x='x:T')

    return (historical_line + future_line + today_line).resolve_scale(color='independent')

可视化特性： - 线条样式区分：实线（历史）对比虚线（预报） - 今日指示器：对当前日期的视觉标记 - 颜色编码：蓝色代表过去，红色代表未来 - 交互式提示：悬停时显示数据点信息

5. 空气质量监测

符合 EPA 标准的 PM2.5 水平颜色编码：

def get_air_quality_level(pm25_value):
    """基于美国 EPA PM2.5 标准获取空气质量等级"""

    if pm25_value <= 12:
        return {
            'level': '优',
            'color': '#00e400',  # 深绿
            'text_color': 'white',
            'icon': '🟢'
        }
    elif pm25_value <= 35.4:
        return {
            'level': '良',
            'color': '#ffff00',  # 浅黄
            'text_color': 'black',
            'icon': '🟢'
        }
    elif pm25_value <= 55.4:
        return {
            'level': '轻度污染',
            'color': '#ff7e00',  # 橙黄
            'text_color': 'black',
            'icon': '🟡'
        }
    elif pm25_value <= 150.4:
        return {
            'level': '中度污染',
            'color': '#ff0000',  # 红色
            'text_color': 'white',
            'icon': '🟠'
        }
    elif pm25_value <= 250.4:
        return {
            'level': '重度污染',
            'color': '#8f3f97',  # 紫色
            'text_color': 'white',
            'icon': '🔴'
        }
    else:
        return {
            'level': '严重污染',
            'color': '#7e0023',  # 深褐
            'text_color': 'white',
            'icon': '⚫'
        }

def display_air_quality_badge(pm25_value):
    """显示带视觉指示的空气质量徽章"""
    aq_info = get_air_quality_level(pm25_value)

    st.markdown(f"""
    <div style="background-color: {aq_info['color']}; color: {aq_info['text_color']};
                padding: 10px; border-radius: 5px; text-align: center; margin: 5px 0;">
        <strong>{aq_info['icon']} PM2.5: {pm25_value} μg/m³</strong><br>
        <small>{aq_info['level']}</small>
    </div>
    """, unsafe_allow_html=True)

空气质量功能特性： - EPA 标准：基于美国环境保护署的标准 - 视觉指示器：带图标的颜色编码徽章 - 可访问性：高对比度色值确保可读性 - 科普性：通过等级说明帮助用户理解

AI 驱动的天气智能

集成 DeepSeek AI

本项目最具创新性的功能是使用 ModelScope 平台上的 DeepSeek-V3.2 模型提供 AI 天气分析：

AI 天气分析建议

from openai import OpenAI
import os

# 初始化 ModelScope 的 AI 客户端
def init_ai_client():
    """初始化用于 ModelScope API 的 OpenAI 客户端"""
    return OpenAI(
        base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
        api_key=os.getenv("modelscope"),
    )

def generate_weather_insights(weather_df, location_name, language="en"):
    """生成 AI 驱动的天气分析建议"""

    # 准备用于 AI 分析的天气数据
    today_index = weather_df[weather_df['is_today']].index[0] if any(weather_df['is_today']) else 0
    historical_data = weather_df.iloc[:today_index+1]  # 截至今日
    future_data = weather_df.iloc[today_index:]  # 今日起

    # 为 AI 创建天气摘要
    weather_summary = f"""
    地点: {location_name}

    历史天气 (过去 {len(historical_data)} 天):
    - 温度范围: {historical_data['temperature_min'].min():.1f}°C 到 {historical_data['temperature_max'].max():.1f}°C
    - 平均温度: {historical_data['temperature_mean'].mean():.1f}°C
    - 空气质量范围: {historical_data['pm2_5'].min():.1f} 到 {historical_data['pm2_5'].max():.1f} PM2.5

    天气预报 (未来 {len(future_data)} 天):
    - 温度范围: {future_data['temperature_min'].min():.1f}°C 到 {future_data['temperature_max'].max():.1f}°C
    - 平均降雨概率: {future_data['rain_probability'].mean():.0f}%
    """

    # 根据语言生成提示词
    if language == "zh":
        prompt = f"""
        基于以下天气数据，请提供简洁实用的天气建议（100-200字）：

        {weather_summary}

        请包括：
        1. 天气模式分析
        2. 穿衣建议
        3. 户外活动建议
        4. 健康注意事项（如空气质量相关）

        请用中文回复，语气友好实用。
        """
    else:
        prompt = f"""
        Based on the following weather data, please provide concise and practical weather advice (100-200 words):

        {weather_summary}

        Please include:
        1. Weather pattern analysis
        2. Clothing recommendations
        3. Outdoor activity suggestions
        4. Health considerations (related to air quality if applicable)

        Please respond in {language} with a friendly and practical tone.
        """

    try:
        client = init_ai_client()
        response = client.chat.completions.create(
            model="deepseek-ai/DeepSeek-V3",
            messages=[{"role": "user", "content": prompt}],
            max_tokens=300,
            temperature=0.7
        )

        return response.choices[0].message.content

    except Exception as e:
        return f"AI 服务暂时不可用。错误信息: {str(e)}"

# 在 Streamlit 应用中
if st.button(get_text("ai_button", language)):
    with st.spinner("正在获取 AI 天气建议..."):
        if 'weather_df' in st.session_state and 'location_name' in st.session_state:
            ai_insights = generate_weather_insights(
                st.session_state.weather_df,
                st.session_state.location_name,
                language
            )
            st.markdown("### 🤖 AI 天气分析")
            st.write(ai_insights)
        else:
            st.warning("请先获取天气数据。")

AI 特性： - 上下文感知分析：同时处理历史和预报数据 - 多语言支持：AI 根据用户选择的语言回复 - 实用建议：提供穿衣、活动和健康方面的见解 - 容错处理：在 AI 服务不可用时优雅地提示

AI 提示词工程

AI 系统通过精心设计的提示词生成有价值的见解：

提示词结构： 1. 数据上下文：全面的天气统计信息 2. 任务定义：明确的分析要求 3. 输出格式：结构化的回复类别 4. 语言适配：与 UI 语言保持一致

建议类别： - 天气模式分析：趋势和异常分析 - 穿衣建议：实用的穿着指导 - 活动建议：户外计划的推荐 - 健康注意事项：空气质量及天气影响

国际化系统

语言管理架构

应用实现了一个全面的双语系统：

# language.py - 翻译管理
TRANSLATIONS = {
    "en": {
        "app_title": "Weather Forecast App",
        "sidebar_header": "Weather Query",
        "city_input_placeholder": "Enter a city name",
        "get_weather_button": "Get Weather",
        "weather_trends_title": "Weather Trends for",
        "ai_button": "AI Weather Advice",
        # ... 更多翻译
    },
    "zh": {
        "app_title": "天气预报应用",
        "sidebar_header": "天气查询",
        "city_input_placeholder": "输入城市名称",
        "get_weather_button": "获取天气",
        "weather_trends_title": "天气趋势",
        "ai_button": "AI天气建议",
        # ... 更多翻译
    }
}

def get_text(key, language="en"):
    """获取指定键和语言的翻译文本"""
    return TRANSLATIONS.get(language, {}).get(key, key)

def get_available_languages():
    """获取可用的语言选项"""
    return {"en": "English", "zh": "中文"}

# 在主程序 (app.py) 中
def main():
    # 语言状态管理
    if 'language' not in st.session_state:
        st.session_state.language = "en"

    # 语言切换按钮
    current_lang = st.session_state.language
    available_langs = get_available_languages()

    col1, col2, col3 = st.columns([1,1,6])
    with col1:
        if st.button("EN", disabled=current_lang=="en"):
            st.session_state.language = "en"
            st.rerun()

    with col2:
        if st.button("中文", disabled=current_lang=="zh"):
            st.session_state.language = "zh"
            st.rerun()

    # 在所有 UI 元素中使用当前语言
    language = st.session_state.language
    st.title(get_text("app_title", language))
    st.sidebar.header(get_text("sidebar_header", language))

国际化特性： - 完整的 UI 翻译：本地化所有界面元素 - 动态语言切换：语言更改时即时更新 UI - 中文字符支持：完整的 Unicode 和 CJK 支持 - 语境一致：AI 回复与 UI 语言相匹配

高级 UI 组件

带视觉指示的天气数据表

天气表结合了数据与视觉元素，方便用户快速理解：

def create_weather_table(weather_df, language="en"):
    """创建增强的天气表，包含图标和颜色显示"""

    # 天气代码到 Emoji 的映射
    WEATHER_ICONS = {
        0: "☀️",   # 晴
        1: "⛅",   # 晴间多云
        2: "☁️",   # 多云
        3: "☁️",   # 阴
        45: "🌫️",  # 雾
        48: "🌦️",  # 阵雨
        51: "🌧️",  # 雨
        53: "❄️",  # 雪
        95: "⛈️",  # 雷阵雨
    }

    def format_weather_row(row):
        """格式化单行天气情况并添加样式"""
        date_str = row['date'].strftime('%Y-%m-%d')
        temp_range = f"{row['temperature_min']:.1f}° ~ {row['temperature_max']:.1f}°"
        weather_icon = WEATHER_ICONS.get(row['weather_code'], "🌡️")

        # 空气质量徽章
        aq_info = get_air_quality_level(row['pm2_5'])
        aq_badge = f'<span style="background-color: {aq_info["color"]}; color: {aq_info["text_color"]}; padding: 2px 6px; border-radius: 3px; font-size: 0.8em;">{aq_info["icon"]} {row["pm2_5"]:.0f}</span>'

        # 降雨概率指示
        rain_color = 'red' if row['rain_probability'] >= 80 else 'orange' if row['rain_probability'] >= 50 else 'gray'
        rain_indicator = f'<span style="color: {rain_color};">🔴 {row["rain_probability"]:.0f}%</span>' if row['rain_probability'] >= 50 else f'<span style="color: {rain_color};">🟢 {row["rain_probability"]:.0f}%</span>'

        # “今日”行高亮显示
        row_style = 'font-size: 1.2em; font-weight: bold;' if row['is_today'] else ''

        return {
            '日期': f'<span style="{row_style}">{date_str}</span>',
            '天气': f'<span style="{row_style}">{weather_icon}</span>',
            '温度': f'<span style="{row_style}">{temp_range}</span>',
            '风速': f'<span style="{row_style}">💨 {row["wind_speed_max"]:.1f} km/h</span>',
            '降雨': rain_indicator,
            '空气质量': aq_badge
        }

    # 对所有行应用格式化
    formatted_rows = [format_weather_row(row) for _, row in weather_df.iterrows()]

    return pd.DataFrame(formatted_rows)

# 在 Streamlit 中显示
st.markdown("### 📊 天气详情")
st.dataframe(
    create_weather_table(weather_df, language),
    width=1200,
    hide_index=True,
    unsafe_allow_html=True
)

表格特性： - 天气图标：Emoji 表达方式，直观易懂 - 今日高亮：对当天日期使用更大、加粗的文字 - 空气质量徽章：颜色编码的 PM2.5 指标 - 降雨概率：基于 Material Design 色系的视觉指示 - 响应式布局：适应各种屏幕宽度

部署与生产

环境配置

在生产环境部署时，请配置环境变量：

# .env 文件
modelscope=您的 API 密钥

# 其他生产环境设置
# 考虑频率限制、缓存机制和监控

部署到 Streamlit Cloud

# 1. 安装 Streamlit CLI
pip install streamlit

# 2. 登录 Streamlit
streamlit login

# 3. 部署到 Streamlit Cloud
streamlit run app.py  # 首先在本地测试
# 然后通过 cloud.streamlit.io 或 CLI 进行部署

Docker 部署 (可选)

FROM python:3.9-slim

WORKDIR /app

COPY requirements.txt .
RUN pip install -r requirements.txt

COPY . .

EXPOSE 8501

CMD ["streamlit", "run", "app.py", "--server.address", "0.0.0.0"]

性能优化

缓存策略

@st.cache_data(ttl=3600)  # 缓存 1 小时
def get_weather_data_cached(lat, lon):
    """缓存天气数据获取操作"""
    return get_weather_data(lat, lon)

@st.cache_resource
def get_ai_client():
    """缓存 AI 客户端初始化"""
    return init_ai_client()

# 缓存地图生成
@st.cache_data(ttl=3600)
def create_map_cached(lat, lon):
    """缓存地图创建操作"""
    return create_interactive_map(lat, lon)

错误处理与容错

def robust_api_call(func, *args, max_retries=3, **kwargs):
    """带重试逻辑的高可用 API 调用"""
    for attempt in range(max_retries):
        try:
            return func(*args, **kwargs)
        except requests.exceptions.Timeout:
            if attempt == max_retries - 1:
                st.error("天气服务暂时不可用")
                return None
            time.sleep(2 ** attempt)  # 指数退避重试
        except requests.exceptions.RequestException as e:
            st.error(f"API 错误: {e}")
            return None

• 数据可视化：专业图表与交互式地图。
• AI 集成：将语言模型实际应用于数据分析。
• 国际化：完整的双语支持。
• 生产就绪：包含错误处理、缓存和性能优化。

无论您是在构建天气应用、数据看板还是 AI 驱动的工具，该项目都为创建复杂且用户友好的应用程序提供了坚实的基础。