作者：YaoJaro · 本文由 AI 辅助完成
《风不是一个数》系列第 6 篇。第 5 篇结尾留了一句话：「一年看完了，三十年呢------把四种画法套上去，会看见一个不太舒服的趋势。」现在把三十年摆上来：杆和场到顶，玫瑰答分布不答趋势，接得住「变没变」的只有一条年际线。先说好一条规矩------再分析不是观测，你看到的是模式的记忆，不是风的日记。
一、一个机场的风，在变小吗
先接第 5 篇结尾那个问题。1995 到 2024，数据在手边（哪来的，第二节交代），答案直接摆出来：10,958 天的日值切成首尾两个十年------前十年，「一天里最大的那阵风」平均是 12.57 kt （kt＝节，航海上传下来的风速单位，1 节≈0.514 米/秒），后十年 11.51 kt ，差 −1.05 kt、降幅 8.4% ；再拟一条直线，斜率 −0.47 kt/十年。
（十年均值是全精度算完再四舍五入的：首十年真值 12.5655，舍到两位小数就是 12.57------差 −1.05 kt 和降幅 8.4% 都按全精度算，不受显示舍入影响。）
看起来答案已经出来了：再分析里在变小。先别信这条线。看到趋势，先问数据出身------这条线用什么画的、数字从哪来、代表谁，不弄清这些，−0.47 只是一个方向很好看的数字。
二、先问数据出身：再分析与取数工程
原料叫 ERA5：ECMWF（欧洲中期天气预报中心）的再分析 （reanalysis）第 5 代。再分析是什么？说白了，就是把几十年能找到的观测------地面站、探空、卫星、飞机报、浮标......------喂给数值模式，让模式按物理规则把过去的大气重新演一遍，得到一套覆盖全球、逐日连续的格点数据。「没有缺测」不是再分析的普遍承诺，只是这三个字段的事实------账在下面。第 1 篇讲过「这是模式廓线，不是探空」；第 4 篇把这条定成了规矩------模式值不是实测。再分析往观测那边更靠了一步------模式＋观测的混血。但混血不是观测：观测进了模式、被物理规则重新分配过。
取数一条命令------Open-Meteo 的 archive 接口（历史档，非第 1 篇的实时层），一次取回三十年：
bash
# latitude/longitude 换成你自己的坐标，其余参数原样------同一条命令取回的就是本地三十年
curl -o era5-pudong-1995-2024.json "https://archive-api.open-meteo.com/v1/archive?latitude=31.14&longitude=121.80&start_date=1995-01-01&end_date=2024-12-31&daily=wind_speed_10m_max,wind_gusts_10m_max,wind_direction_10m_dominant&wind_speed_unit=kn&timezone=UTC"这条命令是模板：把 latitude／longitude 换成你自己那儿的坐标（这一接口全球覆盖），同一条命令取回的就是你本地的三十年。
回来的东西很小：10,958 天 （22×365＋8×366），三个字段（每日最大风速、最大阵风、主导风向）缺测一个没有；响应约 0.28 MB（阵风字段顺手取回，这里用不上）。
三个参数各停一秒。wind_speed_unit=kn：单位直接切到 kt，全系列一套刻度。timezone=UTC：日界按 UTC 日切，跟第 5 篇的观测窗口是同一套切法。第三个藏在返回体里：请求 31.14/121.80，接口声明实际给的是 31.177504/121.78359（海拔 2 米） ------坐标被吸附到 ERA5 的再分析格点。它离浦东机场的观测站不远，但不是那个站 ；标题那个「机场」要带引号读，你看到的所有数字说的都是浦东附近点位。
最后一样得说清楚的：样本是日值 ，而且是一对拼起来的------风速 ＝当日 24 个整点逐时值里的最大；风向 ＝当日全天逐时风按风速加权合成 的来向（字段名 dominant 是 Open-Meteo 日聚合的命名，下面都叫它日主导 ）------不是最大风那一刻的风向。接口文档对这个字段只有一个词，上面的机制是开源实现里逐行读出来的。加权合成自带一个推论：只要有风，全天合成的来向就有定义------静风与不定在这套数法里天生就不存在，机理的账第三节算给你。每张图都按这套规矩数：什么算进来、怎么算。
三、玫瑰：三十年对一年
第 1 篇那张地图上有四种画法------杆、场、玫瑰、廓线（廓线答垂直，轮不到它）。哪几件吃得动这份数据？杆是此刻的照片，套上三十年只剩一根平均杆------首尾十年差的 8.4%，一根平均杆连这 8.4% 都装不下，更别说哪年转折。场更吃不起，成本台阶当场算：单点位约 0.28 MB，9 个点位约 2.5 MB，勉强扛住；铺开一张区域，全域不可行。三十年真正的主人公是两件：玫瑰，和这个系列从没上过的趋势线。先看玫瑰。
装配与读法第 5 篇整篇讲过，不重讲；三十年玫瑰只换原料（10,958 个日主导样本），这次不用手工装配：metweave 0.3.7 的 windRose，样本裸数组直喂，零适配器。装包一行，核心两行：
bash
npm init -y && npm i metweave@0.3.7
js
// rose-30y.mjs ------ 三十年玫瑰：日主导样本裸数组直喂 windRose（装包复现，0.3.7 实测成立）
import { readFileSync, writeFileSync } from "node:fs";
import { windRose } from "metweave";
// Node 没有 DOM：垫一个最小 document（组件出几何与账目，样式注入在垫片下自然空转）
class El {
constructor(tag, ns = null) {
this.tagName = tag;
this.namespaceURI = ns;
this.children = [];
this.attrs = {};
this.dataset = {};
this._cls = new Set();
this.style = {};
}
get className() { return [...this._cls].join(" "); }
set className(v) { this._cls = new Set(String(v).split(/\s+/).filter(Boolean)); }
get classList() {
const s = this._cls;
return {
add: (...cs) => cs.forEach((c) => s.add(c)),
remove: (...cs) => cs.forEach((c) => s.delete(c)),
contains: (c) => s.has(c),
};
}
setAttribute(k, v) { this.attrs[k] = String(v); if (k === "class") this.className = v; }
getAttribute(k) { return this.attrs[k] ?? null; }
append(...ns) { this.children.push(...ns); }
appendChild(n) { this.children.push(n); return n; }
walk(fn) { fn(this); for (const c of this.children) if (c instanceof El) c.walk(fn); }
}
globalThis.document = {
createElement: (t) => new El(t),
createElementNS: (ns, t) => new El(t, ns),
getElementById: () => null, // 判空 → 组件跳过样式注入
head: new El("head"),
};
// 原料：10,958 个日主导样本，一对一天------{direction, speed} 裸数组，零适配器
const d = JSON.parse(readFileSync("./era5-pudong-1995-2024.json", "utf8")).daily;
const samples = d.time.map((_, i) => ({
direction: d.wind_direction_10m_dominant[i], // 当日主导来向（0--360，0 = 北）
speed: d.wind_speed_10m_max[i], // 当日最大风速（接口已切 kn）
}));
const root = windRose(samples, { sectors: 16 }); // 其余缺省：unit kt、静风阈 1 kt、6 档
console.log(root.dataset);
// → { samples: '10958', inSector: '10958', calm: '0', missingDirection: '0',
// missingSpeed: '0', unit: 'kt', sectors: '16', bins: '6', rim: '15' }
// 组件返回挂在 <div> 下的 <svg>：抽出来补上 xmlns，序列化落盘
const svgOf = (el) => {
const attrs = Object.entries(el.attrs).map(([k, v]) => ` ${k}="${v}"`).join("");
const inner = (el.textContent ?? "") +
el.children.map((c) => (typeof c === "string" ? c : svgOf(c))).join("");
return `<${el.tagName}${attrs}>${inner}</${el.tagName}>`;
};
const svgEl = root.children.find((c) => c.tagName === "svg");
writeFileSync("rose-30y.svg", svgOf({ ...svgEl, attrs: { ...svgEl.attrs, xmlns: "http://www.w3.org/2000/svg" } }));
console.log(`入扇区 ${root.dataset.inSector} / ${root.dataset.samples}，静风 ${root.dataset.calm}，缺向 ${root.dataset.missingDirection}，缺速 ${root.dataset.missingSpeed}`);
// → 入扇区 10958 / 10958，静风 0，缺向 0，缺速 0------账目与手工实算逐项相等其余走缺省------单位 kt、静风阈 1 kt、6 档、中心对齐归桶；账目都在 root.dataset 里：入扇区 10,958／10,958、静风 0、缺向 0、缺速 0------这几笔跑一遍代码就能对上。扇区归桶另用花瓣外径反演复核过，与手工实算 16/16 相等；你要较真，第 5 篇的归桶式十行就能自己数一遍------装包复现，实测能跑通。
和第 5 篇一年玫瑰（8,760 逐时）摆一起，先看形状：北瓣（N、NNE）＋东南瓣（SE、SSE）双瓣都在，西南洼地（SW 1.87%、WSW 1.27%）三十年没填平。再看主导扇区（风最常从哪个方向来）：全期 SSE 10.96% 排第一；切首尾十年，首十年 SSE 10.92% 独大，末十年 NNE 10.05% 登顶------换手了，但这个「手」很轻（领先差 0.22 个百分点≈一年 8 天）：末十年前四扇区 NNE 10.05、N 9.99、SE 9.94、SSE 9.83，差距不到 0.25 个百分点------从一枝独大换成四分天下，没有新老大。
还有一笔账，和第 5 篇正好倒过来：那边 8,502 个时次剔了静风 26、不定风向 232；这边 10,958 个样本静风 0、缺向 0、缺速 0。机理第二节交代过：方向是全天加权合成，有风就有定义；风速是全天最大，只有 24 个整点全部小于 1 kt 才算静风------三十年里一次没有。「静风」与「不定」在日主导样本里压根就不存在：没有中心静风圈，不是画漏，是规矩。
玫瑰答得了分布------从哪来、多大、多常来；答不了趋势：首尾十年比得出形状，比不出「变小」------占比是频率，不是速度。瓣里还有个影子：首尾十年逐扇区平均风速 16 扇区 15 个在降（降幅 0.33--1.73 kt）、只有西风微升（+0.13 kt）------玫瑰只给影子，普遍在降只是旁证；正式的线在下一节。
四、趋势线与距平：「变没变」由一条线答
画法两件。年际线 ：把每一年压成一个点（该年日值均值），30 个点连成线，再拟一条直线。距平条 ：先定气候态------10,958 个日值的全池均值 12.24 kt------每年均值减它，正负挂成条。读一遍：1995 年距平 +0.14，2024 年 −0.80；前二十年只有 2008 一年微负（−0.03），后十年九年负距平，唯一例外 2016（+0.46）------2016 到 2017 从 +0.46 跳到 −1.06，全序列最大的单年跳降（为什么跳，这里不查------序列只负责如实，追因留给下一问）；峰 2013（+0.93），谷 2019（−1.24）。首尾两个距平一摆，「不太舒服的趋势」落在明面上。
趋势那条直线的斜率：−0.473 kt/十年 。一条公式给足------最小二乘，斜率 = cov(x, y) ⁄ var(x)，x 是日序号（0 到 10,957）、y 是当日最大风速；算出来是 kt/天，乘 3,652.667（10,958 ÷ 30 × 10）折成 kt/十年。代码接在第二节的取数后面：
js
// annual-trend.mjs ------ 年聚合＋距平＋趋势：接在第二节的 JSON 后面跑
import { readFileSync } from "node:fs";
const d = JSON.parse(readFileSync("./era5-pudong-1995-2024.json", "utf8")).daily;
const rows = d.time.map((t, i) => [t, d.wind_speed_10m_max[i]]); // [日期, 当日最大风速 kt]
// 年聚合：一年压成一点（30 个点，画年际线）；十年均值＝逐日池均值（12.57/11.51 的出处）
const byYear = new Map();
for (const [t, ws] of rows) {
const y = t.slice(0, 4);
if (!byYear.has(y)) byYear.set(y, { sum: 0, n: 0 });
const o = byYear.get(y);
o.sum += ws;
o.n += 1;
}
const yearly = [...byYear.entries()]
.map(([y, o]) => ({ y: Number(y), mean: o.sum / o.n }))
.toSorted((a, b) => a.y - b.y);
// 气候态＝10,958 个日值的全池均值；距平＝逐年均值 − 气候态（画距平条）
const clim = rows.reduce((a, [, ws]) => a + ws, 0) / rows.length;
const pool = (from, to) => {
const sel = rows.filter(([t]) => t.slice(0, 4) >= String(from) && t.slice(0, 4) <= String(to));
return sel.reduce((a, [, ws]) => a + ws, 0) / sel.length;
};
// 最小二乘斜率，一条公式：cov / var
const ols = (pts) => {
const n = pts.length;
const mx = pts.reduce((a, p) => a + p.x, 0) / n;
const my = pts.reduce((a, p) => a + p.y, 0) / n;
let cov = 0, varx = 0;
for (const p of pts) { cov += (p.x - mx) * (p.y - my); varx += (p.x - mx) ** 2; }
return cov / varx;
};
const DECADE_DAYS = (rows.length / 30) * 10; // 3,652.667 天/十年（22×365 ＋ 8×366）
const first = pool(1995, 2004), last = pool(2015, 2024);
console.log(`前十年 ${first.toFixed(2)} / 后十年 ${last.toFixed(2)} kt，差 ${(last - first).toFixed(2)}（${(((last - first) / first) * 100).toFixed(1)}%）`);
console.log(`气候态 ${clim.toFixed(2)} kt；1995 距平 ${(yearly[0].mean - clim).toFixed(2)}，2024 距平 ${(yearly[29].mean - clim).toFixed(2)}`);
console.log(`趋势·全逐日 OLS（主口径）：${(ols(rows.map((r, i) => ({ x: i, y: r[1] }))) * DECADE_DAYS).toFixed(3)} kt/十年`);
console.log(`趋势·年际均值 OLS（30 点）：${(ols(yearly.map((o) => ({ x: o.y, y: o.mean }))) * 10).toFixed(3)} kt/十年`);
// → 前十年 12.57 / 后十年 11.51 kt，差 −1.05（−8.4%）
// → 气候态 12.24 kt；1995 距平 +0.14，2024 距平 −0.80
// → 趋势·全逐日 OLS（主口径）：−0.473 kt/十年
// → 趋势·年际均值 OLS（30 点）：−0.466 kt/十年跑出两行趋势：全逐日 −0.473，年际 −0.466------都对，算法不同。图上那条趋势线是全逐日 OLS------10,958 个日值一个不落地进拟合；年际那条先把 30 个年均值算出来再拟合------一年 365 天压成一个点、只投一票------两条线差 0.007。复现这些数字用全逐日版；手里只有年表就用年际版，但图上必须注明是哪条。
到这儿，信号立住了：这个趋势值得看，也值得怀疑------下一节，专门怀疑它。
五、四个怀疑，三招自验
怀疑不是态度，是清单：四个怀疑管「哪里可能失真」，三招管「失真了多大」------两套不一一配对，每招挑最重的怀疑下手。
怀疑一：喂进去的观测在变。1995 年的 ERA5 吃的卫星观测和 2024 年不是一个量级：同化系统全程冻结（IFS Cycle 41r2，一套模式跑三十年），但喂进去的观测在变 ------卫星资料三十年激增，趋势里混着「模式见到的观测变多了」这份系统差。再分析里的趋势，不等于纯大气信号------这里只说「再分析里的趋势在降」，不说「风速真的在变小」。
**怀疑二：日主导的损失。**10,958 个日值对第 5 篇 8,760 个时次，粗一档；而且一天只出一个样本：方向是全天一票加权合成、风速取最大那一刻------两者甚至不是同一时刻的。方向结构被整段抹平一层------这一层损失图上看不出来，可它确实在那儿。
**怀疑三：格点代表性。**单格点是那一个格子里模式演绎的风，不是跑道头的风------把它读成「浦东机场实测」，从源头就错了。
**怀疑四：极端不等于趋势。**均值三十年在降，30 年极值 42.5 kt 却落在 2022-09-14------台风「梅花」过境日。均值下降不等于没有大风；那一天怎么画，台风篇另有一笔。
招一，换点位 （对付怀疑三）。同一接口、同参数、同管线，点位挪到虹桥附近（31.20/121.34）再跑三十年：趋势 +0.230 （年际算法 +0.240，同号），对浦东的 −0.473------换一个点位，趋势翻了个方向。四十多公里外一正一负（两点还被吸到同一纬行上，只差 0.43° 经度------更近），一个反例就够推翻「上海的风在降」；至于单格点趋势到底对点位多敏感，两点位给不出统计答案，这里也不假装能给。
招二，换时段（对付怀疑四）。首尾十年切片你已经有了（12.57 → 11.51），玫瑰首末十年两列在第三节------切片看形状，不拆全长。
招三，用观测复核 （对付怀疑一）。第 5 篇那份 ZSPD 逐时观测（IEM 归档）只读不改，和 ERA5 对 2024 一年：「逐时最大风的日均」观测 14.66 kt 、ERA5 同窗 11.45 kt ------观测比 ERA5 高约 28%。这 28% 的主机理不是「抹平极值」：格点和站点本来就不是一回事，再分析对近地面风整体偏低------这是「不是那个站」的系统性部分，均值先差这么多。极值另有一笔：全年最大，观测 48.6 kt （09-16 02:00 UTC，台风过境那夜），ERA5 最大日值 34.5 kt 记在 09-15------差 14.1 kt，连日期都错开一天，这一笔才是极值被格点抹平。两行各自说明「不是观测」，但说明的是两件事------「模式的记忆，不是风的日记」，定量就在这两行。（观测取数命令见第 5 篇第二节，同一份 CSV 只读不改；核对的办法：逐时报文按 UTC 日取当日最大，对 365 天求均值；ERA5 这边用第四节的代码改个窗口就行。）
三招跑完，−0.473 还站在那儿，但站的范围缩小了：只属于这一格点、这套规矩、这一数据出身。三招不是保票，是排雷------排完雷，这条线仍然值得看，但你已经知道它的边界在哪：一个被怀疑过、边界标得清清楚楚的「再分析里的趋势」------不是「上海的风在变小」。
六、三十年怎么读：选型
| 图 | 回答什么 | 丢什么 | 输入 |
|---|---|---|---|
| 三十年玫瑰 | 长期分布：从哪来 × 多大 × 多常来 | 年际趋势；极端没有体积 | 10,958 个日主导样本 |
| 趋势线 | 年际变化：方向与快慢 | 分布与极端；算法（全逐日/年际）与点位一换，数字就变（第五节自验） | 全逐日序列或逐年均值 |
| 距平条 | 偏离气候态的年际脉搏 | 长期方向之外的结构 | 逐年均值 − 30 年气候态 |
四种画法到这儿收成一句：**杆场答时刻，玫瑰答分布，廓线答结构，趋势线答变化。**先问要答什么，再挑画法------第 1 篇立下的规矩，放到三十年上，一个字不用改。
七、收尾：复现、边界、下一个问题
复现四步，全是免费公开接口：
-
取数：第二节那条 curl，坐标换成你自己机场附近的------URL 里改
latitude／longitude两个数就行（换点位结果会不一样，第五节招一干的就是这个）； -
年聚合＋距平＋趋势：第四节代码（全逐日 OLS，Node 20+）；
-
玫瑰：第三节装包一行
npm i metweave@0.3.7，样本直喂windRose； -
自验：第五节三招。
该交代的，一行收拢：ERA5 再分析（经 Open-Meteo archive API，免费层非商用：CC-BY-4.0 署名＋AGPL），非观测；样本＝日主导（风速＝当日逐时最大，风向＝全天逐时风按风速加权合成的来向）；点位＝再分析格点 31.177504/121.78359，非 ZSPD 观测站；不做气候结论、不做天气研判，只谈「再分析里的趋势」。
三十年告诉你风在怎么变；不过说到底，你看到的是模式的记忆，不是风的日记。
还剩一个问题，一路用下来却没有答：**这些数字到底是怎么量出来的？**风杯、超声、卫星怎么在天上摸风------第 7 篇《风是怎么量出来的》。
一年叠成一朵，三十年连成一条线。
署名：YaoJaro
数据来源：ERA5 再分析（经 Open-Meteo archive API：免费层非商用，CC-BY-4.0 署名＋AGPL；请求点位 31.14/121.80、吸附格点 31.177504/121.78359，非观测站；窗口 1995-01-01 → 2024-12-31，10,958 个日值）｜观测复核（IEM ASOS 归档·上海浦东 ZSPD：公有领域，无准确性担保；2024 全年逐时，与第 5 篇同源同一份文件）｜玫瑰渲染 metweave 0.3.7 windRose｜文中数字均可由随文代码复算
下一篇《风是怎么量出来的》------风杯、超声、卫星怎么在天上摸风，一路用下来没答的那个问题到那儿答。如果这一篇让你把三十年的风连成了一条线，欢迎在掘金关注，系列接下来一篇一个台阶。