【气象可视化实战】基于Cartopy与cnmaps绘制专业中国区域等值线图
1. 气象可视化的核心工具选择
做气象数据分析的朋友们都知道，等值线图是我们最常用的可视化手段之一。但要把中国区域的等值线图画得专业规范，可不是随便调个matplotlib就能搞定的。这里我强烈推荐Cartopy+cnmaps的组合方案，这两个库简直就是为中国气象制图量身定做的。
Cartopy作为专业的地理空间可视化库，提供了丰富的地图投影和地理要素绘制功能。但它的内置中国地图数据存在众所周知的精度问题，这时候cnmaps就派上大用场了。这个国产库不仅提供了精确到县级行政区的中国地图数据，还能与Cartopy完美配合使用。
我去年帮研究所做台风路径可视化时就踩过坑。当时直接用Cartopy画出来的国界线被导师一眼就看出问题，后来换成cnmaps的数据才通过验收。所以特别提醒：涉及中国地图的科研绘图，数据源一定要慎选。
2. 环境配置与数据准备
2.1 基础环境搭建
建议使用conda创建专属环境，避免库版本冲突。实测以下版本组合最稳定：
conda create -n weather_plot python=3.8 conda install -c conda-forge cartopy=0.20.2 matplotlib=3.5.1 pip install cnmaps xarray字体配置是很多人忽略的关键点。科研绘图要求中英文字体统一，推荐这样设置：
import matplotlib.pyplot as plt plt.rcParams['font.family'] = 'Times New Roman' # 英文用新罗马 plt.rcParams['font.sans-serif'] = ['SimSun'] # 中文用宋体2.2 气象数据获取与处理
以ERA5数据为例，下载后的NetCDF文件可以用xarray轻松处理：
import xarray as xr data = xr.open_dataset('t2m_2023.nc') temp = data['t2m'].sel(latitude=slice(55,15), longitude=slice(70,140))计算温度距平时要注意时间维度处理。我常用的小技巧：
# 计算30年气候态平均 clim_mean = temp.sel(time=slice('1991','2020')).mean(dim='time') # 计算2023年异常 anomaly = temp.sel(time='2023-06') - clim_mean3. 中国区域精确掩膜技术
3.1 cnmaps的核心功能
cnmaps的maskout功能是我最爱的特性，它能完美解决跨边界数据展示问题：
from cnmaps import get_adm_maps china = get_adm_maps(level='国') # 获取国界数据 masked_data = china.maskout(lons, lats, anomaly)这里有个实际项目中的经验：当处理高分辨率数据时，建议先对地理边界做缓冲处理，避免出现锯齿状边缘：
from shapely.geometry import Polygon buffer_distance = 0.2 # 单位是度 china_poly = china.geometry.buffer(buffer_distance)3.2 特殊区域处理技巧
对于南海诸岛区域的显示，需要特别注意投影转换。我总结的最佳实践是：
import cartopy.crs as ccrs south_china_sea_proj = ccrs.PlateCarree(central_longitude=115) ax.set_extent([105, 125, 0, 25], crs=south_china_sea_proj)4. 专业等值线图绘制实战
4.1 基础地图要素配置
绘制符合气象规范的底图需要这些要素：
import cartopy.feature as cfeature ax.add_feature(cfeature.COASTLINE.with_scale('50m'), linewidth=0.8) ax.add_feature(cfeature.LAND, facecolor='lightgray') ax.add_feature(cfeature.OCEAN, facecolor='lightblue')经纬网格线的专业设置方式：
gl = ax.gridlines(draw_labels=True, linestyle='--', alpha=0.5) gl.top_labels = False # 关闭顶部标签 gl.right_labels = False # 关闭右侧标签 gl.xformatter = LONGITUDE_FORMATTER gl.yformatter = LATITUDE_FORMATTER4.2 等值线填充进阶技巧
推荐使用contourf的extend参数处理异常值：
levels = np.arange(-10, 11, 2) cf = ax.contourf(lons, lats, data, levels=levels, cmap='RdBu_r', extend='both')色标设置的专业做法：
cbar = plt.colorbar(cf, orientation='horizontal', pad=0.05, aspect=40) cbar.set_label('Temperature Anomaly (℃)', fontsize=12) cbar.ax.tick_params(labelsize=10)5. 南海附属图的集成方案
5.1 位置与比例控制
通过add_axes精确控制主图与南海图的位置关系：
# 主图 ax_main = fig.add_axes([0.1, 0.1, 0.6, 0.8]) # 南海图 ax_south = fig.add_axes([0.68, 0.1, 0.25, 0.3])5.2 视觉一致性保持
确保两图使用相同的色标范围：
vmin, vmax = -10, 10 cf_main = ax_main.contourf(..., vmin=vmin, vmax=vmax) cf_south = ax_south.contourf(..., vmin=vmin, vmax=vmax)6. 出版级图像输出设置
6.1 分辨率与格式选择
期刊投稿的推荐配置：
plt.savefig('output.tif', dpi=600, bbox_inches='tight', format='tiff', pil_kwargs={"compression": "tiff_lzw"})6.2 常见问题排查
遇到图像边缘被裁剪时，可以尝试：
plt.savefig(..., pad_inches=0.1) # 增加边距字体丢失问题时，转为PDF格式通常更可靠：
plt.savefig('output.pdf', format='pdf')7. 完整代码案例解析
这里分享一个经过项目验证的完整脚本框架：
# 导入部分 import numpy as np import xarray as xr import matplotlib.pyplot as plt import cartopy.crs as ccrs import cartopy.feature as cfeature from cnmaps import get_adm_maps # 数据准备 data = xr.open_dataset('input.nc') anomaly = calculate_anomaly(data) # 自定义异常计算函数 # 地图配置 proj = ccrs.PlateCarree() fig = plt.figure(figsize=(12,8)) ax = fig.add_subplot(111, projection=proj) # 数据掩膜 china = get_adm_maps(level='国') masked_data = china.maskout(data.lon, data.lat, anomaly) # 绘图核心 levels = np.linspace(-10,10,21) cf = ax.contourf(data.lon, data.lat, masked_data, levels=levels, cmap='RdBu_r', extend='both') # 地图装饰 add_map_features(ax) # 自定义地图要素添加函数 setup_colorbar(fig, cf) # 自定义色标设置函数 # 输出 plt.savefig('final_output.tif', dpi=600, bbox_inches='tight')在实际项目中，我会把常用功能封装成工具函数。比如地图要素添加可以写成：
def add_standard_features(ax): """添加标准地图要素""" ax.add_feature(cfeature.COASTLINE.with_scale('50m')) ax.add_feature(cfeature.BORDERS.with_scale('50m'), linestyle=':') setup_gridlines(ax) # 另一个自定义函数8. 性能优化与常见问题
处理全国高分辨率数据时，内存管理很关键。我的经验是：
- 使用dask进行分块处理
- 先做区域裁剪再计算
- 适当降低输出分辨率
图形渲染慢的问题可以尝试：
plt.rcParams['path.simplify'] = True plt.rcParams['path.simplify_threshold'] = 0.1字体显示异常的解决方案：
- 确认字体文件路径正确
- 清除matplotlib缓存
- 尝试使用绝对路径指定字体
中国地图精确绘制是个需要特别认真对待的技术活。记得去年有个合作项目，就因为地图边界的一个小偏差，差点导致整个研究被退回修改。后来我们建立了严格的地图审核流程，所有可视化输出都要经过三遍检查：数据源检查、渲染效果检查、最终输出检查。