从零到一PythonCartopy实战全球海温异常可视化全流程解析当我们需要分析全球气候变化对海洋温度的影响时一张专业、准确的海温异常图往往胜过千言万语。本文将带你从ERA5数据下载开始一步步完成数据处理、气候态计算到最终的可视化呈现特别针对初学者容易踩坑的环节进行重点讲解。1. 环境准备与数据获取在开始之前我们需要配置好Python环境和必要的库。推荐使用Anaconda创建独立环境conda create -n climate python3.9 conda activate climate conda install -c conda-forge xarray cartopy matplotlib numpy netCDF4ERA5数据可以从Copernicus Climate Data Store获取。注册账号后通过以下参数搜索数据集ERA5 monthly averaged data on single levels变量Sea surface temperature时间范围1940年1月至今格式NetCDF提示首次使用需要同意数据使用条款并设置API密钥。下载大文件时建议使用命令行工具而非网页界面。2. 数据处理核心步骤2.1 数据读取与初步探索使用xarray读取下载的NetCDF文件import xarray as xr file_path ERA5_sst_1940_202307.nc ds xr.open_dataset(file_path) print(ds)关键变量说明sst: 海表温度(单位K)longitude: 经度(0-359.75)latitude: 纬度(-90到90)time: 时间维度2.2 冬季数据提取与气候态计算计算1991-2020年冬季(DJF)气候态# 提取冬季月份(12月、1月、2月) winter_months [12, 1, 2] # 筛选1991-2020年冬季数据 climate_period ds.sel(timeslice(1991-01-01, 2020-12-31)) winter_climate climate_period.sst.where( climate_period.time.dt.month.isin(winter_months), dropTrue) # 计算30年冬季气候态(按年分组取平均) climate_mean winter_climate.groupby(time.year).mean(time).mean(year)计算2023年冬季异常# 提取2023年冬季数据 winter_2023 ds.sel(timeslice(2022-12-01, 2023-02-28)).sst winter_2023_mean winter_2023.mean(time) # 计算异常值 anomaly winter_2023_mean - climate_mean3. 可视化技巧与专业呈现3.1 地图投影与基础设置使用Cartopy创建中心经度为180°的地图import cartopy.crs as ccrs import matplotlib.pyplot as plt proj ccrs.PlateCarree(central_longitude180) fig plt.figure(figsize(16, 8)) ax fig.add_subplot(111, projectionproj) # 设置地图范围 ax.set_global() ax.coastlines(resolution50m)3.2 填色图专业绘制选择合适的色系和分级import numpy as np from matplotlib.colors import BoundaryNorm # 创建色阶 levels np.arange(-3, 3.1, 0.5) cmap plt.get_cmap(RdBu_r) # 绘制填色图 cf ax.contourf( anomaly.longitude, anomaly.latitude, anomaly, levelslevels, cmapcmap, transformccrs.PlateCarree(), extendboth ) # 添加colorbar cbar plt.colorbar(cf, axax, orientationhorizontal, pad0.05, shrink0.8) cbar.set_label(Sea Surface Temperature Anomaly (°C))3.3 常见问题解决方案问题1数据经度范围不匹配原始数据经度为0-360°而地图需要-180-180°解决方案# 调整经度范围 anomaly anomaly.assign_coords(longitude(((anomaly.longitude 180) % 360) - 180)) anomaly anomaly.sortby(anomaly.longitude)问题2陆地区域出现异常值解决方案添加陆地掩膜import cartopy.feature as cfeature land_mask cfeature.NaturalEarthFeature( physical, land, 50m, edgecolorface, facecolorlightgray ) ax.add_feature(land_mask, zorder1)4. 进阶优化与专业呈现4.1 添加网格线与标签import cartopy.mpl.ticker as cticker # 设置网格线 gl ax.gridlines( crsccrs.PlateCarree(), draw_labelsTrue, linewidth1, colorgray, alpha0.5, linestyle-- ) gl.top_labels False gl.right_labels False gl.xformatter cticker.LongitudeFormatter() gl.yformatter cticker.LatitudeFormatter()4.2 添加标题与注释plt.title(2023 Winter SST Anomaly (relative to 1991-2020 mean), fontsize16, pad20) # 添加版权信息 plt.text(0.01, 0.01, Data: ERA5 from Copernicus Climate Data Store, transformax.transAxes, fontsize8)4.3 输出高质量图像plt.savefig(sst_anomaly_2023_winter.png, dpi300, bbox_inchestight, facecolorwhite) plt.show()5. 专业气象绘图的黄金法则在实际项目中我发现遵循这些原则可以显著提升图表质量色系选择冷暖异常必须使用发散型色系确保零值附近为中性色(通常白色)数据范围colorbar范围应覆盖99%的数据点极端值使用extend参数表示地图要素至少包含海岸线、经纬度网格和比例尺元数据完整图中必须包含数据来源、时间范围和单位信息视觉层次重要信息(如异常区域)应该最突出辅助信息(如地图背景)保持低调一个常见错误是过度装饰图表。气象绘图的核心是清晰传达科学信息而非视觉炫技。删除所有不必要的图表元素让数据自己说话。
保姆级教程：用Python和Cartopy绘制全球海温异常图（附ERA5数据处理避坑点）
从零到一PythonCartopy实战全球海温异常可视化全流程解析当我们需要分析全球气候变化对海洋温度的影响时一张专业、准确的海温异常图往往胜过千言万语。本文将带你从ERA5数据下载开始一步步完成数据处理、气候态计算到最终的可视化呈现特别针对初学者容易踩坑的环节进行重点讲解。1. 环境准备与数据获取在开始之前我们需要配置好Python环境和必要的库。推荐使用Anaconda创建独立环境conda create -n climate python3.9 conda activate climate conda install -c conda-forge xarray cartopy matplotlib numpy netCDF4ERA5数据可以从Copernicus Climate Data Store获取。注册账号后通过以下参数搜索数据集ERA5 monthly averaged data on single levels变量Sea surface temperature时间范围1940年1月至今格式NetCDF提示首次使用需要同意数据使用条款并设置API密钥。下载大文件时建议使用命令行工具而非网页界面。2. 数据处理核心步骤2.1 数据读取与初步探索使用xarray读取下载的NetCDF文件import xarray as xr file_path ERA5_sst_1940_202307.nc ds xr.open_dataset(file_path) print(ds)关键变量说明sst: 海表温度(单位K)longitude: 经度(0-359.75)latitude: 纬度(-90到90)time: 时间维度2.2 冬季数据提取与气候态计算计算1991-2020年冬季(DJF)气候态# 提取冬季月份(12月、1月、2月) winter_months [12, 1, 2] # 筛选1991-2020年冬季数据 climate_period ds.sel(timeslice(1991-01-01, 2020-12-31)) winter_climate climate_period.sst.where( climate_period.time.dt.month.isin(winter_months), dropTrue) # 计算30年冬季气候态(按年分组取平均) climate_mean winter_climate.groupby(time.year).mean(time).mean(year)计算2023年冬季异常# 提取2023年冬季数据 winter_2023 ds.sel(timeslice(2022-12-01, 2023-02-28)).sst winter_2023_mean winter_2023.mean(time) # 计算异常值 anomaly winter_2023_mean - climate_mean3. 可视化技巧与专业呈现3.1 地图投影与基础设置使用Cartopy创建中心经度为180°的地图import cartopy.crs as ccrs import matplotlib.pyplot as plt proj ccrs.PlateCarree(central_longitude180) fig plt.figure(figsize(16, 8)) ax fig.add_subplot(111, projectionproj) # 设置地图范围 ax.set_global() ax.coastlines(resolution50m)3.2 填色图专业绘制选择合适的色系和分级import numpy as np from matplotlib.colors import BoundaryNorm # 创建色阶 levels np.arange(-3, 3.1, 0.5) cmap plt.get_cmap(RdBu_r) # 绘制填色图 cf ax.contourf( anomaly.longitude, anomaly.latitude, anomaly, levelslevels, cmapcmap, transformccrs.PlateCarree(), extendboth ) # 添加colorbar cbar plt.colorbar(cf, axax, orientationhorizontal, pad0.05, shrink0.8) cbar.set_label(Sea Surface Temperature Anomaly (°C))3.3 常见问题解决方案问题1数据经度范围不匹配原始数据经度为0-360°而地图需要-180-180°解决方案# 调整经度范围 anomaly anomaly.assign_coords(longitude(((anomaly.longitude 180) % 360) - 180)) anomaly anomaly.sortby(anomaly.longitude)问题2陆地区域出现异常值解决方案添加陆地掩膜import cartopy.feature as cfeature land_mask cfeature.NaturalEarthFeature( physical, land, 50m, edgecolorface, facecolorlightgray ) ax.add_feature(land_mask, zorder1)4. 进阶优化与专业呈现4.1 添加网格线与标签import cartopy.mpl.ticker as cticker # 设置网格线 gl ax.gridlines( crsccrs.PlateCarree(), draw_labelsTrue, linewidth1, colorgray, alpha0.5, linestyle-- ) gl.top_labels False gl.right_labels False gl.xformatter cticker.LongitudeFormatter() gl.yformatter cticker.LatitudeFormatter()4.2 添加标题与注释plt.title(2023 Winter SST Anomaly (relative to 1991-2020 mean), fontsize16, pad20) # 添加版权信息 plt.text(0.01, 0.01, Data: ERA5 from Copernicus Climate Data Store, transformax.transAxes, fontsize8)4.3 输出高质量图像plt.savefig(sst_anomaly_2023_winter.png, dpi300, bbox_inchestight, facecolorwhite) plt.show()5. 专业气象绘图的黄金法则在实际项目中我发现遵循这些原则可以显著提升图表质量色系选择冷暖异常必须使用发散型色系确保零值附近为中性色(通常白色)数据范围colorbar范围应覆盖99%的数据点极端值使用extend参数表示地图要素至少包含海岸线、经纬度网格和比例尺元数据完整图中必须包含数据来源、时间范围和单位信息视觉层次重要信息(如异常区域)应该最突出辅助信息(如地图背景)保持低调一个常见错误是过度装饰图表。气象绘图的核心是清晰传达科学信息而非视觉炫技。删除所有不必要的图表元素让数据自己说话。
