python 等高线地图 处理_如何将等高线图叠加到基础地图上

你就快到了，但基本地图可能是喜怒无常的，你必须管理绘图/地图细节的z顺序。另外，在使用basemap绘制之前，必须将lon/lat坐标转换为映射投影坐标。

这里有一个完整的解决方案，它给出了以下输出。为了使整件事更清晰，我改变了一些颜色和线宽。我还将散点的大小按标准化的“平均”值(data['Z'])进行了缩放——如果您希望使用恒定大小(它看起来像最大的标记)，可以简单地将其移除并替换为50。

如果可能的话，还请具体说明降雨量的单位和产生该方法的测量持续时间：

import numpy as np

import pandas as pd

from matplotlib.mlab import griddata

from mpl_toolkits.basemap import Basemap

import matplotlib.pyplot as plt

from matplotlib.colors import Normalize

%matplotlib inline

# set up plot

plt.clf()

fig = plt.figure(figsize=(10, 8))

ax = fig.add_subplot(111, axisbg='w', frame_on=False)

# grab data

data = pd.read_csv('../../data/meansr.txt', delim_whitespace=True)

norm = Normalize()

# define map extent

lllon = 21

lllat = -18

urlon = 34

urlat = -8

# Set up Basemap instance

m = Basemap(

projection = 'merc',

llcrnrlon = lllon, llcrnrlat = lllat, urcrnrlon = urlon, urcrnrlat = urlat,

resolution='h')

# transform lon / lat coordinates to map projection

data['projected_lon'], data['projected_lat'] = m(*(data.Lon.values, data.Lat.values))

# grid data

numcols, numrows = 1000, 1000

xi = np.linspace(data['projected_lon'].min(), data['projected_lon'].max(), numcols)

yi = np.linspace(data['projected_lat'].min(), data['projected_lat'].max(), numrows)

xi, yi = np.meshgrid(xi, yi)

# interpolate

x, y, z = data['projected_lon'].values, data['projected_lat'].values, data.Z.values

zi = griddata(x, y, z, xi, yi)

# draw map details

m.drawmapboundary(fill_color = 'white')

m.fillcontinents(color='#C0C0C0', lake_color='#7093DB')

m.drawcountries(

linewidth=.75, linestyle='solid', color='#000073',

antialiased=True,

ax=ax, zorder=3)

m.drawparallels(

np.arange(lllat, urlat, 2.),

color = 'black', linewidth = 0.5,

labels=[True, False, False, False])

m.drawmeridians(

np.arange(lllon, urlon, 2.),

color = '0.25', linewidth = 0.5,

labels=[False, False, False, True])

# contour plot

con = m.contourf(xi, yi, zi, zorder=4, alpha=0.6, cmap='RdPu')

# scatter plot

m.scatter(

data['projected_lon'],

data['projected_lat'],

color='#545454',

edgecolor='#ffffff',

alpha=.75,

s=50 * norm(data['Z']),

cmap='RdPu',

ax=ax,

vmin=zi.min(), vmax=zi.max(), zorder=4)

# add colour bar and title

# add colour bar, title, and scale

cbar = plt.colorbar(conf, orientation='horizontal', fraction=.057, pad=0.05)

cbar.set_label("Mean Rainfall - mm")

m.drawmapscale(

24., -9., 28., -13,

100,

units='km', fontsize=10,

yoffset=None,

barstyle='fancy', labelstyle='simple',

fillcolor1='w', fillcolor2='#000000',

fontcolor='#000000',

zorder=5)

plt.title("Mean Rainfall")

plt.savefig("rainfall.png", format="png", dpi=300, transparent=True)

plt.show()

使用matplotlib的griddata方法很方便，但也可能很慢。作为替代方案，您可以使用scipy的griddata方法，这些方法既快又灵活：from scipy.interpolate import griddata as gd

zi = gd(

(data[['projected_lon', 'projected_lat']]),

data.Z.values,

(xi, yi),

method='linear')

如果使用scipy的griddata方法，还必须确定哪些方法(nearest，linear，cubic)给出了最佳的结果图。

我要补充的是，上面演示和讨论的插值方法是最简单的，不一定适用于降雨数据的插值。This article很好地概述了水文和水文模型中使用的有效方法和注意事项。这些(可能使用Scipy)的实现作为一个练习&c