3. 数据探索与可视化：用 Matplotlib 和 Cartopy 绘制气象要素时空分布图、时间序列图

气象数据拿到手，第一件事是什么？

我个人习惯，不是急着建模，而是先画图。数据长什么样，有没有异常值，空间分布是否合理，时间序列有没有跳变——这些信息，图上一眼就能看出来。说白了，可视化是数据探索的“第一道安检”。

这一章，我们就来聊聊怎么用 Python 里的 Matplotlib 和 Cartopy 把气象要素的时空分布和时间序列画得既专业又漂亮。

3.1 为什么可视化对气象数据这么重要？

你想想看，气象数据本质上是四维的：经度、纬度、高度、时间。光看数字表格，你根本看不出台风眼在哪，也看不出冷锋推进的速度。我曾在项目里遇到过一份再分析数据，温度场看起来一切正常，但一画图就发现——北极上空有个诡异的“热斑”，后来排查发现是数据插值时边界处理出了问题。要是没画图，这个坑就踩进去了。

所以，数据探索阶段的可视化，核心目标就三个：

• 发现异常：比如缺测值、跳变点、空间不连续
• 理解分布：气象要素的均值、方差、极值区域在哪
• 验证直觉：比如夏季高温是否集中在副高控制区

3.2 工具准备：Matplotlib + Cartopy 的黄金组合

Matplotlib 是 Python 可视化的基石，但画地图时它有个短板——默认的投影是笛卡尔坐标，没法直接画经纬度。Cartopy 就是来补这块短板的。它提供了丰富的地图投影、海岸线、国界线等地理要素。

安装很简单：

pip install matplotlib cartopy

嗯，这里要注意：Cartopy 依赖 GEOS 库，Windows 用户建议用 conda 安装，省得折腾。

3.3 绘制气象要素空间分布图（填色图）

空间分布图，最常见的就是填色图（contourf）。比如我们要画某一天全球地表温度的分布。

先看代码：

import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import cartopy.feature as cfeature
import numpy as np

# 模拟数据：经度0-360，纬度-90到90
lon = np.linspace(0, 360, 360)
lat = np.linspace(-90, 90, 180)
lon2d, lat2d = np.meshgrid(lon, lat)

# 模拟温度场：赤道热，两极冷
temp = 30 * np.cos(np.deg2rad(lat2d)) + 5 * np.sin(np.deg2rad(lon2d * 3))

# 创建画布，使用PlateCarree投影
fig = plt.figure(figsize=(12, 6))
ax = fig.add_subplot(1, 1, 1, projection=ccrs.PlateCarree())

# 添加地理要素
ax.add_feature(cfeature.COASTLINE, linewidth=0.5)
ax.add_feature(cfeature.BORDERS, linewidth=0.3, alpha=0.5)

# 绘制填色图
cf = ax.contourf(lon, lat, temp, transform=ccrs.PlateCarree(),
                 cmap='RdBu_r', levels=20)

# 添加colorbar
plt.colorbar(cf, ax=ax, orientation='horizontal', pad=0.05,
             label='Temperature (°C)')

# 设置范围
ax.set_global()
ax.set_title('Global Surface Temperature Distribution', fontsize=14)

plt.show()

这段代码里，有几点我想特别说一下：

• 投影选择：PlateCarree 是最简单的等距圆柱投影，适合全球概览。如果是区域分析，我常用 Lambert 或 Mercator。
• transform 参数：这个必须和数据本身的投影一致。数据是经纬度，就用 PlateCarree。我见过有人忘了加 transform，结果填色图位置全偏了。
• 色标选择：温度用 RdBu_r（红蓝反转），降水用 Blues 或 viridis。别用彩虹色，容易误导。

3.4 绘制时间序列图：看趋势和周期

空间分布图告诉你“哪里热”，时间序列图告诉你“怎么变”。

比如，我们想看看北京2023年逐日平均气温的变化：

import pandas as pd
import matplotlib.pyplot as plt

# 模拟时间序列数据
dates = pd.date_range('2023-01-01', '2023-12-31', freq='D')
temp_beijing = 15 + 25 * np.sin(2 * np.pi * dates.dayofyear / 365) + np.random.randn(365) * 3

fig, ax = plt.subplots(figsize=(12, 5))
ax.plot(dates, temp_beijing, color='#E74C3C', linewidth=0.8, alpha=0.7)
ax.scatter(dates[::10], temp_beijing[::10], color='#C0392B', s=10, alpha=0.5)

ax.set_xlabel('Date')
ax.set_ylabel('Temperature (°C)')
ax.set_title('Daily Mean Temperature in Beijing (2023)')
ax.grid(True, linestyle='--', alpha=0.3)

plt.tight_layout()
plt.show()

画时间序列，我一般会注意三点：

• 数据密度：如果数据点太多（比如分钟级），用折线加散点会显得杂乱。可以只画折线，或者用滚动平均平滑一下。
• 异常值标记：我曾经在处理某次台风数据时，发现气压序列里有个 -9999 的值，画图时直接显示为一条垂直线。后来我养成了习惯——画图前先检查缺测值。
• 季节分解：如果序列有明显的年周期，可以用 statsmodels 的 seasonal_decompose 把趋势、季节、残差分开画。

3.5 时空结合：Hovmöller 图

有时候，我们想同时看时间和空间的变化。比如，某个经度带上温度随纬度和时间的变化。这时候 Hovmöller 图就派上用场了。

说白了，Hovmöller 图就是把经度或纬度作为 y 轴，时间作为 x 轴，用填色表示要素值。这在分析热带波动、MJO（ Madden-Julian 振荡）时非常常见。

# 模拟Hovmöller数据：纬度0-60N，时间365天
lat_hov = np.linspace(0, 60, 60)
time_hov = np.arange(365)
lat2d_hov, time2d_hov = np.meshgrid(lat_hov, time_hov)

# 模拟一个向东传播的信号
signal = 10 * np.sin(2 * np.pi * (time2d_hov / 30 - lat2d_hov / 20))

fig, ax = plt.subplots(figsize=(10, 6))
cf = ax.contourf(time_hov, lat_hov, signal.T, cmap='RdBu_r', levels=20)
ax.set_xlabel('Day of Year')
ax.set_ylabel('Latitude (°N)')
ax.set_title('Hovmöller Diagram: Temperature Anomaly')
plt.colorbar(cf, ax=ax, label='Anomaly (°C)')
plt.show()

你看，这种图能很直观地看出信号是向东还是向西传播。斜率的正负就代表传播方向。

3.6 避坑指南：我踩过的那些坑

做气象可视化这么多年，有些坑我替你们踩过了，直接说重点：

• 投影不匹配：数据是经纬度，但画布用了 Orthographic 投影，结果数据点全堆在中心。记住：数据投影和画布投影要一致，或者用 transform 显式指定。
• 色标误导：有一次我用 jet 色标画降水，结果把小雨区画成了亮红色，看起来像极端暴雨。后来我改用统一的色标规范，比如降水用 Blues，温度用 RdBu。
• 坐标轴标签被截断：画地图时，经度标签有时会跑到图外面。解决办法是用 ax.set_extent 留出边距，或者手动调整标签位置。
• 内存爆炸：画高分辨率全球数据时，contourf 可能会卡死。我的经验是：先降采样到 1°×1°，画完草图确认无误后，再用高分辨率出图。

3.7 本章知识体系

为了让你更清晰地理解本章的逻辑，我画了一张流程图：

3.8 实战建议

学完这些，我建议你找一份真实的气象数据练手。比如 ERA5 的月平均数据，或者 NOAA 的站点观测数据。从最简单的填色图开始，慢慢加上海岸线、国界线、色标、标题。然后画时间序列，看看有没有明显的年周期或趋势。

记住，可视化不是为了好看，是为了发现问题。我每次画完图，都会问自己三个问题：

1. 这张图告诉我什么信息？
2. 有没有任何异常或不符合物理规律的地方？
3. 如果我要给非专业人士看，他们能看懂吗？

嗯，做到这三点，你的数据探索就算到位了。

---