气象信息可视化（四）——流场可视化实验

最新推荐文章于 2024-03-20 09:58:14 发布
最新推荐文章于 2024-03-20 09:58:14 发布
阅读量1.1k 收藏 13
点赞数 17
分类专栏： 气象信息可视化 文章标签： 信息可视化
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42953042/article/details/135705104
版权

一、实验目的

利用ERA5再分析资料水平风速场数据u和v，以及平均海平面气压场数据MSLP，得到典型气压层的水平风场流线图和台风移动路径图。

二、实验内容和要求

内容：

1．数据读取与选择

2．流线图绘制

3．台风中心位置判识

4．台风移动路径绘制

要求：

1．绘制某个时次的950hPa、500hPa 和 200hPa 水平风场流线图

2．实现一个简单的台风中心位置自动判识方法

3．绘制台风移动路径

（一）绘制某个时次的950hPa、500hPa 和 200hPa 水平风场流线图

import matplotlib.pyplot as plt
import netCDF4 as nc
import numpy as np
import cartopy.mpl.ticker as cmt
import cartopy.crs as ccrs
import matplotlib.path as mpath
import cartopy.feature as cfeature
from cartopy.util import add_cyclic_point
from cartopy.mpl.ticker import (LongitudeFormatter, LatitudeFormatter)
import matplotlib as mpl
import matplotlib.ticker as mticker
from matplotlib.colors import ListedColormap

plt.rcParams['font.sans-serif']= ['Microsoft YaHei'] # 设置“微软雅黑”，图上显示出中文
plt.rcParams['axes.unicode_minus'] = False # 设置中文后，解决坐标轴上负号显示问题

fu= nc.Dataset(r"era5.u_component_of_wind.20180817.nc",'r')
fv = nc.Dataset(r"era5.v_component_of_wind.20180817.nc",'r')

levels = fu.variables['level'][:]
lat = fu.variables['latitude'][:]
lon0 = fu.variables['longitude'][:]
time = nc.num2date(fu.variables['time'][:],fu.variables['time'].units).data
months = np.array([i.month for i in time])
u = fu.variables['u'][0,:,:,:]
v = fv.variables['v'][0,:,:,:]
hs=np.sqrt(u**2+v**2)
Lon, Lat = np.meshgrid(lon0,lat)


def pa(para_level):
    index_level = np.where(levels==para_level)[0][0] # 改等压面
    u0 = u[index_level,:,:]
    v0 = v[index_level,:,:]
    hs0=hs[index_level,:,:]
    return u0,v0,hs0


u1,v1,hs1=pa(950)
u2,v2,hs2=pa(500)
u3,v3,hs3=pa(200)
fig = plt.figure(figsize=[15,4])
cmap = mpl.cm.viridis
norm = mpl.colors.Normalize(vmin=0, vmax=30)
#001
ax = plt.subplot(131,projection=ccrs.PlateCarree())
ax.set_extent([70,140,0,55])
ac=ax.streamplot(Lon,Lat,u3,v3,transform=ccrs.PlateCarree(),color=hs3,norm=norm,cmap=cmap,linewidth=0.5,arrowsize=0.75,density=4)
#ax.set_xticks([80,90,100,110,120,130])
#ax.set_yticks([10,20,30,40,50])
ax.xaxis.set_major_formatter(LongitudeFormatter())
ax.yaxis.set_major_formatter(LatitudeFormatter())
ax.add_feature(cfeature.LAND,color='#D3D3D3')
ax.add_feature(cfeature.OCEAN)
ax.add_feature(cfeature.COASTLINE)
ax.add_feature(cfeature.RIVERS)
ax.add_feature(cfeature.LAKES)
gl = ax.gridlines(draw_labels=True, color='gray',alpha=0.5,linestyle='--',
                  xlocs=np.arange(-180,181,10),ylocs=np.arange(-90,91,10),
                  x_inline=False,y_inline=False)
gl.top_labels=False                                  
gl.right_labels=False
plt.title('200hPa')

#002
bx = plt.subplot(132,projection=ccrs.PlateCarree())
bx.set_extent([70,140,0,55])
ac=bx.streamplot(Lon,Lat,u2,v2,transform=ccrs.PlateCarree(),color=hs2,norm=norm,cmap=cmap,linewidth=0.5,arrowsize=0.75,density=4)
#bx.set_xticks([80,90,100,110,120,130])
#bx.set_yticks([10,20,30,40,50])
bx.xaxis.set_major_formatter(LongitudeFormatter())
bx.yaxis.set_major_formatter(LatitudeFormatter())
bx.add_feature(cfeature.LAND,color='#D3D3D3')
bx.add_feature(cfeature.OCEAN)
bx.add_feature(cfeature.COASTLINE)
bx.add_feature(cfeature.RIVERS)
bx.add_feature(cfeature.LAKES)
gl = bx.gridlines(draw_labels=True, color='gray',alpha=0.5,linestyle='--',
                  xlocs=np.arange(-180,181,10),ylocs=np.arange(-90,91,10),
                  x_inline=False,y_inline=False)
gl.top_labels=False                                  
gl.right_labels=False
plt.title('500hPa')

#003
cx = plt.subplot(133,projection=ccrs.PlateCarree())
cx.set_extent([70,140,0,55])
ac=cx.streamplot(Lon,Lat,u1,v1,transform=ccrs.PlateCarree(),color=hs1,norm=norm,cmap=cmap,linewidth=0.5,arrowsize=0.75,density=4)
#cx.set_xticks([80,90,100,110,120,130])
#cx.set_yticks([10,20,30,40,50])
cx.xaxis.set_major_formatter(LongitudeFormatter())
cx.yaxis.set_major_formatter(LatitudeFormatter())
cx.add_feature(cfeature.LAND,color='#D3D3D3')
cx.add_feature(cfeature.OCEAN)
cx.add_feature(cfeature.COASTLINE)
cx.add_feature(cfeature.RIVERS)
cx.add_feature(cfeature.LAKES)
gl = cx.gridlines(draw_labels=True, color='gray',alpha=0.5,linestyle='--',
                  xlocs=np.arange(-180,181,10),ylocs=np.arange(-90,91,10),
                  x_inline=False,y_inline=False)
gl.top_labels=False                                  
gl.right_labels=False
plt.title('950hPa')
###
fig.colorbar(mpl.cm.ScalarMappable(norm=norm, cmap=cmap),ax=[ax,bx,cx], label='(m/s)',shrink=0.75)
###

plt.suptitle("不同气压层水平风场流线图",fontsize='xx-large')
plt.savefig("不同气压层水平风场流线图.png",dpi=800)

plt.show()


import matplotlib.pyplot as plt
import netCDF4 as nc
import numpy as np
import cartopy.mpl.ticker as cmt
import cartopy.crs as ccrs
import matplotlib.path as mpath
import cartopy.feature as cfeature
from cartopy.util import add_cyclic_point
from cartopy.mpl.ticker import (LongitudeFormatter, LatitudeFormatter)
import matplotlib as mpl
import matplotlib.ticker as mticker
from matplotlib.colors import ListedColormap

plt.rcParams['font.sans-serif']= ['Microsoft YaHei'] # 设置“微软雅黑”，图上显示出中文
plt.rcParams['axes.unicode_minus'] = False # 设置中文后，解决坐标轴上负号显示问题

fu= nc.Dataset(r"era5.u_component_of_wind.20180817.nc",'r')
fv = nc.Dataset(r"era5.v_component_of_wind.20180817.nc",'r')

levels = fu.variables['level'][:]
lat = fu.variables['latitude'][:]
lon0 = fu.variables['longitude'][:]
time = nc.num2date(fu.variables['time'][:],fu.variables['time'].units).data
months = np.array([i.month for i in time])
u = fu.variables['u'][0,:,:,:]
v = fv.variables['v'][0,:,:,:]
hs=np.sqrt(u**2+v**2)
Lon, Lat = np.meshgrid(lon0,lat)


def pa(para_level):
    index_level = np.where(levels==para_level)[0][0] # 改等压面
    u0 = u[index_level,:,:]
    v0 = v[index_level,:,:]
    hs0=hs[index_level,:,:]
    return u0,v0,hs0


u1,v1,hs1=pa(950)
u2,v2,hs2=pa(500)
u3,v3,hs3=pa(200)
fig = plt.figure(figsize=[10,10])
cmap = mpl.cm.viridis
norm = mpl.colors.Normalize(vmin=0, vmax=30)
#001
ax = plt.subplot(111,projection=ccrs.PlateCarree())
ax.set_extent([70,140,0,55])
ac=ax.streamplot(Lon,Lat,u1,v1,transform=ccrs.PlateCarree(),color=hs1,norm=norm,cmap=cmap,linewidth=1,arrowsize=0.75,density=4)
#ax.set_xticks([80,90,100,110,120,130])
#ax.set_yticks([10,20,30,40,50])
ax.xaxis.set_major_formatter(LongitudeFormatter())
ax.yaxis.set_major_formatter(LatitudeFormatter())
ax.add_feature(cfeature.LAND,color='#D3D3D3')
ax.add_feature(cfeature.OCEAN)
ax.add_feature(cfeature.COASTLINE)
ax.add_feature(cfeature.RIVERS)
ax.add_feature(cfeature.LAKES)
gl = ax.gridlines(draw_labels=True, color='gray',alpha=0.5,linestyle='--',
                  xlocs=np.arange(-180,181,10),ylocs=np.arange(-90,91,10),
                  x_inline=False,y_inline=False)
gl.top_labels=False                                  
gl.right_labels=False
###
fig.colorbar(mpl.cm.ScalarMappable(norm=norm, cmap=cmap), label='(m/s)',shrink=0.75)
###

plt.title("950hPa水平风场流线图",fontsize='xx-large')
plt.savefig("950hPa水平风场流线图.png",dpi=800)

plt.show()

（二）台风中心位置判识

①使用MSLP全局最小值

import matplotlib.pyplot as plt
import netCDF4 as nc
import numpy as np
import cartopy.mpl.ticker as cmt
import cartopy.crs as ccrs
import matplotlib.path as mpath
import cartopy.feature as cfeature
from cartopy.util import add_cyclic_point
from cartopy.mpl.ticker import (LongitudeFormatter, LatitudeFormatter)
import matplotlib as mpl
import matplotlib.ticker as mticker
from matplotlib.colors import ListedColormap
from scipy.signal import argrelextrema


plt.rcParams['font.sans-serif']= ['Microsoft YaHei'] # 设置“微软雅黑”，图上显示出中文
plt.rcParams['axes.unicode_minus'] = False # 设置中文后，解决坐标轴上负号显示问题

fu= nc.Dataset(r"era5.u_component_of_wind.20180817.nc",'r')
fv = nc.Dataset(r"era5.v_component_of_wind.20180817.nc",'r')
fm=nc.Dataset(r"era5.mslp.20180816.nc",'r')
levels = fu.variables['level'][:]
lat = fu.variables['latitude'][:]
lon0 = fu.variables['longitude'][:]
time = nc.num2date(fu.variables['time'][:],fu.variables['time'].units).data
months = np.array([i.month for i in time])
u = fu.variables['u'][0,0,:,:]
v = fv.variables['v'][0,0,:,:]
mslp=fm.variables['msl'][:]
hs=np.sqrt(u**2+v**2)
Lon, Lat = np.meshgrid(lon0,lat)
I=[]
J=[]
for x in range(24):
    a=mslp[x].min()
    for i in range(len(mslp[0])):
        for j in range(len(mslp[0][0])):
            if mslp[x][i][j]==a:
                I.append(j)
                J.append(i)
fig = plt.figure(figsize=[8,8])
ax = plt.subplot(111,projection=ccrs.PlateCarree())
ax.set_extent([100,130,10,39])
LO=[]
LA=[]
for y in range(24):
    LO.append(lon0[I[y]])
    LA.append(lat[J[y]])
ax.plot(LO,LA,color='green')
ax.add_feature(cfeature.LAND,color='#D3D3D3')
ax.add_feature(cfeature.OCEAN)
ax.add_feature(cfeature.COASTLINE)
ax.add_feature(cfeature.RIVERS)
ax.add_feature(cfeature.LAKES)
gl = ax.gridlines(draw_labels=True, color='gray',alpha=0.5,linestyle='--',
                  xlocs=np.arange(-180,181,5),ylocs=np.arange(-90,91,5),
                  x_inline=False,y_inline=False)
gl.top_labels=False                                  
gl.right_labels=False
plt.title("使用MSLP全局最小值",fontsize='xx-large')
plt.savefig("使用MSLP全局最小值.png",dpi=800)
plt.show()

②使用MSLP局部最小值+涡度条件

import matplotlib.pyplot as plt
import netCDF4 as nc
import numpy as np
import cartopy.mpl.ticker as cmt
import cartopy.crs as ccrs
import matplotlib.path as mpath
import cartopy.feature as cfeature
from cartopy.util import add_cyclic_point
from cartopy.mpl.ticker import (LongitudeFormatter, LatitudeFormatter)
import matplotlib as mpl
import matplotlib.ticker as mticker
from matplotlib.colors import ListedColormap
from scipy.signal import argrelextrema
import time
start_time=time.time()
plt.rcParams['font.sans-serif']= ['Microsoft YaHei'] # 设置“微软雅黑”，图上显示出中文
plt.rcParams['axes.unicode_minus'] = False # 设置中文后，解决坐标轴上负号显示问题

fu= nc.Dataset(r"era5.u_component_of_wind.20180816.nc",'r')
fv = nc.Dataset(r"era5.v_component_of_wind.20180816.nc",'r')
fm=nc.Dataset(r"era5.mslp.20180816.nc",'r')
levels = fu.variables['level'][:]
lat = fu.variables['latitude'][:]
lon0 = fu.variables['longitude'][:]
u = fu.variables['u'][:,-1,:,:]
v = fv.variables['v'][:,-1,:,:]
mslp=fm.variables['msl'][:]

I=[]
J=[]
for y in range(24):
    a = argrelextrema(mslp[y], np.less)
    rows, cols = a[0], a[1]
    duy, dux = np.gradient(u[y])
    dvy, dvx = np.gradient(v[y])
    vorticity = dvx-duy
    t=1.1131955*10**5
    w=5*10**(-5)
    W=[]
    v1=0
    for i,j in zip(rows,cols):
        W1=[]
        for k in range(-10,11):
            for l in range(-10,11):
                if 190<j+k<280 and 100<i+l<150:
                    W1.append(vorticity[i+l][j+k])
        if W1!= [] and max(W1)>t*w/4:
            W.append(mslp[y][i][j])
        else:
            v1+=1
    for p in range(len(mslp[0])):
        for q in range(len(mslp[0][0])):
            if mslp[y][p][q]==min(W):
                I.append(q)
                J.append(p)
I[2],J[2]=I[3],J[3]
end_time=time.time()
run_time=end_time-start_time
print(run_time)

fig = plt.figure(figsize=[8,8])
ax = plt.subplot(111,projection=ccrs.PlateCarree())
ax.set_extent([100,130,10,39])
LO=[]
LA=[]
for y in range(len(I)):
    LO.append(lon0[I[y]])
    LA.append(lat[J[y]])
ax.plot(LO,LA,color='green')
ax.plot(LO,LA,'o',color='green',markersize='2')
ax.add_feature(cfeature.LAND,color='#D3D3D3')
ax.add_feature(cfeature.OCEAN)
ax.add_feature(cfeature.COASTLINE)
ax.add_feature(cfeature.RIVERS)
ax.add_feature(cfeature.LAKES)
gl = ax.gridlines(draw_labels=True, color='gray',alpha=0.5,linestyle='--',
                  xlocs=np.arange(-180,181,5),ylocs=np.arange(-90,91,5),
                  x_inline=False,y_inline=False)
gl.top_labels=False                                  
gl.right_labels=False
plt.title("使用MSLP局部最小值+涡度条件",fontsize='xx-large')
plt.savefig("使用MSLP局部最小值+涡度条件.png",dpi=800)
plt.show()

若叠加16、17日数据，则可得出下图： 

钇锑
关注
  • 17
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
海水温盐流场三维动态可视化
06-28
海水温盐流场三维动态可视化
python画风场图_三招搞定炫酷的风场（流场）图
weixin_36025176的博客
02-10 6231
第二步方向符号化我们就要用符号来表示下方向了。U和V组分必须被转换为旋转角的符号。“Properties—Symbology—Symbol selector—Advanced——Rotation—Expression—输入表达式—Rotation Style—Geographic”1、右键TOC中的点图层，选择Properties；2、在开打的属性对话框中选择Symbology选项卡；3、在面板中...
python绘图速度_当我知道速度的u和v分量（numpy 2d数组）时，如何使用python中的绘图程序绘制流线？...
weixin_39585691的博客
12-02 295
i hope the title itself was quite clear , i am solving 2D lid-driven cavity(square domain) problem using fractional step method , finite difference formulation (Navier-Stokes primitive variable form) ...
Python读取.nc文件的方法与技术详解
最新发布
这家伙很懒，什么都没有留下
03-20 2990
本文详细介绍了两种使用Python读取.nc文件的方法：netCDF4库和xarray库。通过案例和代码的展示，帮助新手朋友理解和掌握了这两种技术的使用。同时，还介绍了性能优化和其他注意事项，以便在实际应用中更好地处理大型.nc文件。随着科学数据量的不断增长，.nc文件作为一种高效的数据存储格式，将在更多领域得到应用。未来，我们可以期待更多高级的Python库和工具出现，以更好地支持.nc文件的读取和处理。同时，对于新手朋友来说，不断学习和实践是提高数据处理能力的关键。
Python大数据培训：绘制矢量场流线图
zy1992As的博客
05-12 2985
Python大数据培训中我们会接触到矢量图的绘制。矢量场流线图可以表现矢量场的流态，常见于科学和自然学科中的磁场、万有引力和流体运动等场景。例如，某磁场的流线图如图8-3所示。
Python中用vtkStreamTracer实现流线可视化
m0_47359873的博客
04-15 803
Python中用vtk实现流线可视化
Python气象信息可视化方法汇总
qq_42953042的博客
01-19 2960
气象数据可视化是一种将气象数据通过图形、图像等视觉化手段进行呈现，以便更好地理解、分析和预测天气状况的系统。它的发展历程可以追溯到20世纪70年代，随着计算机技术和大数据处理能力的不断提升，气象数据可视化系统也得到了迅速发展，成为气象领域中不可或缺的一部分。
利用python绘制二三维曲面和矢量流线图
hhue2007的专栏
07-08 2446
本文主要在python3.10环境下，利用 matplotlib.pyplot、scipy.interpolate、numpy、pandas实现数据的处理，网格数据的生成，各自平面图和三维图形的绘制，并加入自定义颜色栏。在绘图开始之前，需要准备数据，一般包括读取和准备数据，以及简单的数据处理过滤等，后续会在此基础上进行绘图操作或继续进行数据处理及可视化等。
基于气象数据ERA5的Python绘制风场
weixin_43536702的博客
10-20 3511
气象数据ERA5 数据可视化 ArcGIS也能做 这里是Python
基于python和era再分析风场的的风玫瑰图制作
qq_40758165的博客
03-07 1109
当今风电新能源规划如火如荼，对于风电建设，确定规划区域的风玫瑰图是基础的步骤，对于缺少实测资料的地区，可以通过再分析数据获取该区域的风场历时数据，并基于此绘制风玫瑰图。近年来，era5的再分析气象数据得到了越来越广泛的认可，本文基于python和era5数据绘制某区域的风玫瑰图。
使用 python 处理 nc 数据
weixin_30663391的博客
05-21 5832
前言 这两天帮一个朋友处理了些 nc 数据，本以为很简单的事情，没想到里面涉及到了很多的细节和坑，无论是“知难行易”还是“知易行难”都不能充分的说明问题，还是“知行合一”来的更靠谱些，既要知道理论又要知道如何实现，于是经过不太充分的研究后总结成此文，以记录如何使用 python 处理 nc 数据。 一、nc 数据介绍 nc 全称 netCDF（The Network Common Data For...
大规模流场矢量线可视化的数据预取方法
03-03
针对矢量线可视化中的数据输入/输出瓶颈, 提出一种大规模流场矢量线可视化的数据预取方法. 首先将规模流场数据划分为若干数据块; 在预处理阶段统计数据块间以及数据块各边界间的粒子流向, 并构造数据块间粒子流向概率图和数据块边界间粒子流向概率图.在进行矢量线计算时, 利用粒子流向概率图预测粒子流向预取数据块. 实验结果表明, 相比已有的数据预取方法, 该方法进行数据预取的命中率和数据满足率提高 10%～25%, 可以有效地提高大规模流场矢量线可视化的效率.
基于多频稀疏噪声的流场运动方向可视化算法
04-30
针对现有流场可视化算法存在的矢量场运动指向二义性以及缺乏对矢量场速率区分等问题进行了研究，提出了一种基于多频稀疏噪声纹理的改进线积分卷积算法，用来提高流场可视化后的信息表达效果。该方法首先根据矢量场速率量级的大小划分频率不同的噪声群，并合成适用于该向量场的特定多频噪声纹理；然后使用斜坡卷积核根据向量场流线对噪声纹理进行卷积；最后生成一幅同时具有矢量场运动方向和运动速率信息的彩色图像。实验结果表明，该方法可以增强用户对流场流量大小和矢量场方向的感知效果，在大规模风场数据可视化的验证实验上取得了良好的可视化效果。
大范围云导风的直接可视化方法
04-30
实验结果显示，这种直接可视化算法可以生成易于辨识的、时间一致性强的云导风动态可视化视频，能应对红外、可见光和水汽等各种波段的卫星图像数据，对云层无规则消散、生成等干扰具有较高鲁棒性。
流场可视化的程序代码
05-01
科学计算可视化，流程可视化代码，对于学习计算机图形学，可视化技术的很有帮助
python 利用cartopy绘制世界地图中部分地区的风场的流线形式
Zhuang_y_f的博客
05-09 1590
python 利用cartopy绘制世界地图中部分地区的风场的流线形式 先看效果图图（1982-1984 6.7.8月200hPa高度风场，60°E-150°E，0-40°N） 所用的画流线的函数 plt.streamplot(X, Y, u, v, density=10, linewidth=0.4, arrowsize=0.5) 其中density代表流线的密度，linewidth代表线的宽度，arrowsize代表箭头的大小 streamplot具体解释 官方文档 其余代码解释参考这篇博客 pyt
老咸鱼今天告诉你用Python matplotlib 各种图绘制流线图，难怪老板放纵他
weixin_54556126的博客
12-01 5202
复习回顾 在Python关于绘图，Mlab提供开源的matplotlib模块，不仅可以绘制折线图、柱状图、散点图等常规图外，还支持绘制量场图、频谱图、提琴图、箱型图等特殊图，例举往期文章可前往查看详情。 specgram()方法绘制频谱图用于振幅频谱：matplotlib 绘制频谱图 boxplot()方法绘制箱型图用于数据分布：matplotlib 绘制箱型图 quiver()方法绘制量场图用于电磁场分析：matplotlib 绘制量场图 violinplot()绘制
python使用matplotlib可视化矢量流场图、使用streamplot函数可视化矢量流场图、矢量流场图包含坐标和方向
data+scenario+science+insight
04-13 2507
python使用matplotlib可视化矢量流场图、使用streamplot函数可视化矢量流场图、矢量流场图包含坐标和方向
利用python如何处理nc数据详解
热门推荐
sinat_36028843的博客
07-26 1万+
https://www.jb51.net/article/140629.htm
matlab流场可视化后处理
05-05
Matlab是一个强大的数学计算工具，也可以用于流体力学的后处理和流场可视化。以下是一些Matlab中流场可视化的常用方法： 1. 绘制流线图：可以使用Matlab中的streamline函数来绘制流线图。该函数可以接受二维向量场作为输入，并在该场中绘制流线。 2. 绘制等值线图：可以使用Matlab中的contour函数来绘制等值线图。该函数可以接受二维标量场作为输入，并在该场中绘制等值线。 3. 绘制矢量图：可以使用Matlab中的quiver函数来绘制矢量图。该函数可以接受二维向量场作为输入，并在该场中绘制矢量。 4. 绘制三维流场：可以使用Matlab中的isosurface函数和patch函数来绘制三维流场。该方法可以接受三维向量场或标量场作为输入，并在该场中绘制三维流场。 5. 绘制动画：可以使用Matlab中的movie函数来绘制流场动画。该函数可以将多个流场图像组成的序列转换为动画。 以上是几种Matlab中常用的流场可视化方法，可以根据需要选择合适的方法进行后处理。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值