基于大气物理学的第一性原理计算，核心考虑米氏散射（Mie Scattering，大颗粒气溶胶对光的散射）和瑞利散射（Rayleigh Scattering，分子级散射）的综合作用。
输入参数：云量、能见度、AQI（气溶胶光学厚度AOD）、相对湿度
计算逻辑：当云量在30-70%区间时，阳光穿过云层边缘产生丁达尔效应，散射光最强；能见度越高、AQI越低，光线传播路径中的衰减越小，晚霞色彩越纯净。
分析云层的分层结构、云底高度和高云比例对晚霞形态的影响。
核心原理：中高云（2000-8000m）是晚霞的最佳"画布"——高度足够让阳光以低角度照射云层底部，同时云层颗粒大小适中能产生丰富的色彩渐变；碎积云、高积云、卷层云各有不同的晚霞表现特征。
风速也会影响云层的动态变化和纹理丰富度。
基于多年历史观测数据的统计回归模型，结合季节因子和纬度影响。
季节规律：秋季（9-11月）晚霞质量普遍最佳（天高气爽，温差大），夏季云层丰富但水汽过重，冬季空气干燥但色彩偏淡。
纬度效应：中纬度地区（20°-50°）太阳入射角最适合产生长光路散射，晚霞持续时间长、色彩层次多。
还纳入了温度日较差、气压变化趋势等经验因子。
评估晚霞的色彩层次和饱和度。
色彩分层：从地平线向上依次为深紫→粉紫→橙红→金色→淡黄，层次越多评分越高。
关键因子：相对湿度60-80%时色彩最丰富（水汽颗粒恰好能散射不同波长的光）；能见度影响色彩的纯净度和饱和度；气溶胶成分影响红橙光与蓝紫光的比例。
🔗 数据融合策略
多源数据加权融合：
• Open-Meteo 权重 70% — 全球数值天气预报模型，精度高、覆盖广
• 7timer.info 权重 30% — 基于GFS和GSM模型的天文气象专用数据
融合方式：对两个数据源的气象参数（云量、湿度、能见度、风速等）分别加权平均，再输入上述4个模型计算最终分数。
置信度评估：当两个数据源偏差小于15%时置信度为"高"，偏差15-30%为"中"，偏差>30%为"低"。
💾 缓存与刷新机制
• 数据缓存时间：30分钟（同一城市30分钟内重复访问直接使用缓存）
• 当日预报：每小时自动更新一次（刷新页面时检查缓存时间）
• 远期预报（第3-7天）：每天更新2次（06:00、18:00）
• 缓存存储：localStorage，key格式 sunset_cache_{lat}_{lon}
• 手动刷新：点击右上角刷新按钮可强制获取最新数据
• 注意：远期预报分数存在波动下调风险，建议以目标日期前24小时的预报为准