你能给出图例和绘图代码吗?
- User
你能给出图例和绘图代码吗?
Assistant
好的,我将为你提供使用 Python 绘制这些科研图表的代码示例。为了使代码可运行和演示,我将:
- 生成模拟数据:模拟卫星和再分析数据的时空分布。
- 分块提供代码:每个图表类型独立成一个函数,方便你理解和复用。
- 添加详细注释:解释代码的每一步,以及图表的含义。
前置准备:安装必要的库
你需要安装以下 Python 库:
numpy用于数值计算matplotlib用于基础绘图seaborn用于美化和统计图表cartopy用于绘制地图(需要geos和proj库,安装可能略复杂,参考其官方文档)scipy用于统计功能statsmodels用于QQ图pip install numpy matplotlib seaborn cartopy scipy statsmodels skillmetrics特别注意
cartopy和skillmetrics:cartopy在某些系统上安装可能需要额外的地理空间库(如proj,geos)。如果遇到问题,请查阅cartopy官方安装文档。skillmetrics是一个用于绘制泰勒图的专业库,比自己从头实现更方便。
1. 导入必要的库和模拟数据生成
import numpy as np import matplotlib.pyplot as plt import seaborn as sns import cartopy.crs as ccrs import cartopy.feature as cfeature from scipy import stats import statsmodels.api as sm import skill_metrics as smetrics # For Taylor Diagram # 设置Matplotlib全局字体,如果需要显示中文,请自行配置支持中文的字体 # plt.rcParams['font.sans-serif'] = ['SimHei'] # 例如设置黑体 # plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题 print("所有必要的库已导入。") def generate_simulated_data(n_lat=50, n_lon=100, n_time=120): """ 生成模拟的卫星和再分析数据。 模拟数据包含: - 空间变化(纬度依赖) - 时间变化(季节性) - 再分析数据相对于卫星数据的系统偏差 - 随机误差 - 空间偏差模式(例如,陆地与海洋的差异) """ print(f"正在生成模拟数据 (空间: {n_lat}x{n_lon}, 时间: {n_time})...") lat = np.linspace(-90, 90, n_lat) lon = np.linspace(-180, 180, n_lon) time = np.arange(n_time) # 模拟10年每月数据 (120个月) # 创建一个基本的地表类型掩码 (简单模拟陆地和海洋) # 假设 -100到100经度为陆地,其余为海洋 land_mask = (lon >= -100) & (lon <= 100) land_mask_grid = np.tile(land_mask, (n_lat, 1)) # 基本的"真实"信号(例如,温度随纬度变化,随时间季节性变化) true_signal_spatial = 20 - 15 * np.cos(np.deg2rad(lat[:, np.newaxis])) # 纬度越高温度越低 true_signal_temporal = 5 * np.sin(2 * np.pi * time / 12) # 季节性变化 # 结合时空变化 true_data = (true_signal_spatial + true_signal_temporal[np.newaxis, np.newaxis, :]) # 模拟卫星数据:真实信号 + 随机噪声 satellite_data = true_data + np.random.normal(0, 2, true_data.shape) # 卫星观测通常更接近真实 # 模拟再分析数据:真实信号 + 系统偏差 + 随机噪声 + 空间偏差模式 # 1. 全局系统偏差 reanalysis_bias_global = 1.5 # 再分析数据整体偏高1.5个单位 # 2. 陆地/海洋的局部偏差 reanalysis_bias_spatial = np.zeros((n_lat, n_lon)) reanalysis_bias_spatial[land_mask_grid] += 0.5 # 模拟再分析在陆地上可能比卫星高0.5个单位 # 3. 季节性偏差 (例如,再分析在冬季偏差更大) reanalysis_bias_seasonal = 0.8 * np.cos(2 * np.pi * time / 12) # 组合再分析数据 reanalysis_data = true_data + reanalysis_bias_global + \ reanalysis_bias_spatial[:, :, np.newaxis] + \ reanalysis_bias_seasonal[np.newaxis, np.newaxis, :] + \ np.random.normal(0, 3, true_data.shape) # 再分析通常噪声更大 print("模拟数据生成完毕。") return lat, lon, time, satellite_data, reanalysis_data, land_mask_grid # 生成数据 lat, lon, time_indices, sat_data, reanalysis_data, land_mask_grid = generate_simulated_data() # 将三维数据(lat, lon, time)展平为一维数组,用于散点图和QQ图 # 剔除NaN值(尽管我们模拟数据没有NaN,但真实数据会有) valid_indices = np.isfinite(sat_data) & np.isfinite(reanalysis_data) sat_flat = sat_data[valid_indices] reanalysis_flat = reanalysis_data[valid_indices] print(f"展平后的有效数据点数量: {len(sat_flat)}")
2. 散点图 + 统计指标 (Scatter Plot with Statistics)
最常用且直观的图,用于展示两组数据的整体一致性。
def plot_scatter_with_statistics(sat_flat, reanalysis_flat, title="卫星 vs. 再分析数据散点图", var_unit="°C"): """ 绘制散点图,并叠加1:1线、线性回归线,标注关键统计指标。 """ print(f"正在绘制散点图...") fig, ax = plt.subplots(figsize=(8, 7)) # 使用hexbin更适合大量数据点,显示密度 hb = ax.hexbin(sat_flat, reanalysis_flat, gridsize=50, cmap='Blues', mincnt=1) # 如果数据点不多,也可以使用普通的散点图: # ax.scatter(sat_flat, reanalysis_flat, alpha=0.3, s=5, color='blue', label='数据点') cb = fig.colorbar(hb, ax=ax) cb.set_label('数据点密度') # 1:1 对角线 min_val = min(sat_flat.min(), reanalysis_flat.min()) max_val = max(sat_flat.max(), reanalysis_flat.max()) ax.plot([min_val, max_val], [min_val, max_val], 'k--', lw=1, label='1:1 对角线') # 线性回归 slope, intercept, r_value, p_value, std_err = stats.linregress(sat_flat, reanalysis_flat) ax.plot(sat_flat, slope * sat_flat + intercept, 'r-', lw=1.5, label=f'回归线 (y={slope:.2f}x+{intercept:.2f})') # 计算统计指标 bias = np.mean(reanalysis_flat - sat_flat) rmse = np.sqrt(np.mean((reanalysis_flat - sat_flat)**2)) corr_coef = r_value # stats.pearsonr(sat_flat, reanalysis_flat)[0] # 添加统计信息到图表 stats_text = (f'样本数 (N): {len(sat_flat)}\n' f'相关系数 (R): {corr_coef:.2f}\n' f'平均偏差 (Bias): {bias:.2f} {var_unit}\n' f'均方根误差 (RMSE): {rmse:.2f} {var_unit}') ax.text(0.05, 0.95, stats_text, transform=ax.transAxes, fontsize=12, verticalalignment='top', bbox=dict(boxstyle="round,pad=0.5", fc="wheat", alpha=0.6)) ax.set_title(title) ax.set_xlabel(f'卫星数据 ({var_unit})') ax.set_ylabel(f'再分析数据 ({var_unit})') ax.legend() ax.grid(True, linestyle='--', alpha=0.6) plt.tight_layout() plt.show() print("散点图绘制完成。") # 调用函数 plot_scatter_with_statistics(sat_flat, reanalysis_flat, title="全球温度卫星 vs. 再分析散点图", var_unit="°C") # --- 增强:使用Seaborn的JointPlot --- def plot_joint_density_scatter(sat_flat, reanalysis_flat, title="卫星 vs. 再分析数据联合分布", var_unit="°C"): """ 使用Seaborn的jointplot绘制散点图、直方图和核密度估计图。 """ print(f"正在绘制联合密度散点图...") # 将数据放入DataFrame以便Seaborn使用 import pandas as pd df = pd.DataFrame({'Satellite': sat_flat, 'Reanalysis': reanalysis_flat}) g = sns.jointplot(x='Satellite', y='Reanalysis', data=df, kind='hex', height=7, cmap='Blues', joint_kws={'gridsize': 50}) # 添加1:1 对角线 min_val = min(sat_flat.min(), reanalysis_flat.min()) max_val = max(sat_flat.max(), reanalysis_flat.max()) g.ax_joint.plot([min_val, max_val], [min_val, max_val], 'k--', lw=1) # 计算统计指标并添加到图上 bias = np.mean(reanalysis_flat - sat_flat) rmse = np.sqrt(np.mean((reanalysis_flat - sat_flat)**2)) corr_coef = stats.pearsonr(sat_flat, reanalysis_flat)[0] stats_text = (f'N: {len(sat_flat)}\n' f'R: {corr_coef:.2f}\n' f'Bias: {bias:.2f} {var_unit}\n' f'RMSE: {rmse:.2f} {var_unit}') g.ax_joint.text(0.02, 0.98, stats_text, transform=g.ax_joint.transAxes, fontsize=10, verticalalignment='top', bbox=dict(boxstyle="round,pad=0.3", fc="wheat", alpha=0.6)) g.set_axis_labels(f'卫星数据 ({var_unit})', f'再分析数据 ({var_unit})') plt.suptitle(title, y=1.02) # y调整标题位置,避免与子图重叠 plt.tight_layout(rect=[0, 0, 1, 0.98]) # 调整布局以适应suptitle plt.show() print("联合密度散点图绘制完成。") # 调用函数 plot_joint_density_scatter(sat_flat, reanalysis_flat, title="全球温度卫星 vs. 再分析联合分布", var_unit="°C")
3. 时间序列图 (Time Series Plot)
用于比较两组数据随时间的变化趋势、季节性和偏差。
def plot_time_series(time_indices, sat_data_ts, reanalysis_data_ts, title="区域平均温度时间序列", var_unit="°C"): """ 绘制两组数据的时间序列,以及它们的差异。 sat_data_ts 和 reanalysis_data_ts 应该是已经过空间平均的1D时间序列。 """ print(f"正在绘制时间序列图...") # 为了演示,我们从三维数据中随机选择一个格点的时间序列,或者进行区域平均 # 这里我们选择一个中纬度区域的平均 region_lat_slice = (lat >= 30) & (lat <= 60) region_lon_slice = (lon >= -20) & (lon <= 20) # 提取并计算区域平均时间序列 sat_ts_mean = np.nanmean(sat_data[region_lat_slice[:,np.newaxis], region_lon_slice, :], axis=(0,1)) reanalysis_ts_mean = np.nanmean(reanalysis_data[region_lat_slice[:,np.newaxis], region_lon_slice, :], axis=(0,1)) # 计算差异 difference_ts = reanalysis_ts_mean - sat_ts_mean fig, axes = plt.subplots(nrows=2, ncols=1, figsize=(12, 8), sharex=True) # 上半部分:原始时间序列 axes[0].plot(time_indices, sat_ts_mean, label='卫星数据', color='blue', lw=1.5) axes[0].plot(time_indices, reanalysis_ts_mean, label='再分析数据', color='red', lw=1.5, linestyle='--') axes[0].set_ylabel(f'温度 ({var_unit})') axes[0].set_title(title) axes[0].legend() axes[0].grid(True, linestyle='--', alpha=0.6) # 下半部分:差异时间序列 axes[1].plot(time_indices, difference_ts, label='再分析 - 卫星 (差异)', color='green', lw=1.5) axes[1].axhline(0, color='gray', linestyle=':', lw=0.8) # 零线 axes[1].set_xlabel('时间步 (月)') # 假设每个时间步是一个月 axes[1].set_ylabel(f'差异 ({var_unit})') axes[1].set_title('再分析与卫星数据差异的时间演变') axes[1].legend() axes[1].grid(True, linestyle='--', alpha=0.6) plt.tight_layout() plt.show() print("时间序列图绘制完成。") # 调用函数 plot_time_series(time_indices, sat_data, reanalysis_data, title="欧洲中纬度区域平均温度时间序列", var_unit="°C")
4. 空间差异分布图 (Spatial Difference Map)
用于直观地展示两组数据在地理空间上的偏差模式。
def plot_spatial_difference_map(lat, lon, sat_spatial_data, reanalysis_spatial_data, title="全球平均温度差异空间分布", var_unit="°C"): """ 绘制空间差异图 (再分析 - 卫星)。 sat_spatial_data 和 reanalysis_spatial_data 应该是经过时间平均的2D空间数据。 """ print(f"正在绘制空间差异图...") # 为了演示,我们计算整个时间序列的平均空间分布 sat_mean_spatial = np.nanmean(sat_spatial_data, axis=2) reanalysis_mean_spatial = np.nanmean(reanalysis_spatial_data, axis=2) # 计算空间差异 spatial_difference = reanalysis_mean_spatial - sat_mean_spatial fig = plt.figure(figsize=(12, 8)) # 定义地图投影 ax = fig.add_subplot(1, 1, 1, projection=ccrs.PlateCarree()) # 绘制差异数据 # 使用发散型色标 (diverging colormap),例如 'RdBu_r',零点在中间 # vmax/vmin 确保色标对称,以0为中心 max_diff_abs = np.nanmax(np.abs(spatial_difference)) clevs = np.linspace(-max_diff_abs, max_diff_abs, 21) # 21个级别,确保0是中心 # 使用pcolormesh绘制,提供经纬度网格 mesh = ax.pcolormesh(lon, lat, spatial_difference, cmap='RdBu_r', transform=ccrs.PlateCarree(), vmin=-max_diff_abs, vmax=max_diff_abs) # 添加地图要素 ax.add_feature(cfeature.LAND, edgecolor='black', alpha=0.7) ax.add_feature(cfeature.OCEAN) ax.add_feature(cfeature.COASTLINES) ax.add_feature(cfeature.BORDERS, linestyle=':') ax.add_feature(cfeature.LAKES, alpha=0.5) ax.add_feature(cfeature.RIVERS) # 添加网格线和标签 gl = ax.gridlines(crs=ccrs.PlateCarree(), draw_labels=True, linewidth=1, color='gray', alpha=0.5, linestyle='--') gl.top_labels = False gl.right_labels = False # 添加颜色条 cbar = plt.colorbar(mesh, ax=ax, orientation='vertical', pad=0.05, shrink=0.7) cbar.set_label(f'再分析 - 卫星 ({var_unit})') ax.set_title(title) plt.tight_layout() plt.show() print("空间差异图绘制完成。") # 调用函数 plot_spatial_difference_map(lat, lon, sat_data, reanalysis_data, title="全球平均温度差异空间分布", var_unit="°C")
5. 泰勒图 (Taylor Diagram)
一种紧凑的图表,同时展示相关系数、标准差和中心化均方根误差。特别适合比较多个模型/产品与参考数据。
def plot_taylor_diagram(ref_data, test_data, title="泰勒图", var_unit=""): """ 绘制泰勒图,需要 skill_metrics 库。 ref_data: 参考数据 (例如卫星数据,一维数组) test_data: 待检验数据 (例如再分析数据,一维数组) """ print(f"正在绘制泰勒图...") # 确保输入数据是一维的 ref_data = np.asarray(ref_data).flatten() test_data = np.asarray(test_data).flatten() # 移除NaN值 valid_mask = ~np.isnan(ref_data) & ~np.isnan(test_data) ref_data = ref_data[valid_mask] test_data = test_data[valid_mask] # 计算泰勒图所需的统计量 # skill_metrics 要求标准差、相关系数、RMSE # 泰勒图中的RMSE是中心化RMSE (CRMSE),不包含平均偏差部分 # 注意:skill_metrics 的计算函数在内部处理这些。 # 我们只需要提供参考数据和测试数据,并指定是“model”还是“ref” # 泰勒图的统计量计算 # std_ref = np.std(ref_data) # std_test = np.std(test_data) # corr = np.corrcoef(ref_data, test_data)[0, 1] # crmse = np.sqrt(np.mean(((test_data - np.mean(test_data)) - (ref_data - np.mean(ref_data)))**2)) # 使用 skill_metrics 库来计算和绘制 # skills_metrics 函数内部会计算所需的所有指标 # 注意:这里的ref_data和test_data可以是列表,每个元素代表一个模型或数据集 # 为 ref_data 提供一个虚拟的“model”名称,或者直接作为参考 # 这里我们直接传入数组,让 skill_metrics 自动处理 # 泰勒图的输入通常是 (reference_data, model_data) # 计算统计量 sdev = [np.std(test_data), np.std(ref_data)] # 测试数据,参考数据 corr = [np.corrcoef(test_data, ref_data)[0, 1], 1.0] # 测试数据与参考数据的相关性,参考数据与自身相关性为1 # 为了泰勒图的RMSE,我们需要计算原始RMSE,然后skill_metrics会转换 # 这里的RMSE是标准RMSE,skill_metrics会根据需要计算CRMSE rmse = [np.sqrt(np.mean((test_data - ref_data)**2)), 0.0] # 测试数据与参考数据的RMSE,参考数据与自身RMSE为0 # 绘制泰勒图 fig = plt.figure(figsize=(9, 9)) # 注意:skill_metrics.plot_taylor() 的参数略有变化,通常是 sdev, crmsd, corr # sdev: 标准差, crmsd: 中心均方根差, corr: 相关系数 # smetrics.taylor_diagram_stats 是计算这些指标的函数 # 它的输出是字典,包含 'sdev', 'crmsd', 'r' stats_dict = smetrics.taylor_diagram_stats(test_data, ref_data) # 将统计量从字典中提取出来 sdev_test = stats_dict['sdev'][0] crmsd_test = stats_dict['crmsd'][0] r_test = stats_dict['r'][0] # 参考数据的统计量 sdev_ref = stats_dict['sdev'][1] # 绘图 # sdev, crmsd, r 列表的第一个元素是测试数据,第二个元素是参考数据 sm.plot_taylor(np.array([sdev_test]), np.array([crmsd_test]), np.array([r_test]), ref_std=sdev_ref, markerLabel=['再分析数据'], markerLabelColor='b', markerColor='b', markerSize=10, title=title) # 泰勒图不直接显示平均偏差 (Bias),需要单独说明 bias_val = np.mean(test_data - ref_data) plt.text(0.05, 0.95, f'平均偏差 (Bias): {bias_val:.2f} {var_unit}', transform=plt.gca().transAxes, fontsize=12, verticalalignment='top', bbox=dict(boxstyle="round,pad=0.3", fc="wheat", alpha=0.6)) plt.show() print("泰勒图绘制完成。") # 调用函数 (使用展平后的数据) plot_taylor_diagram(sat_flat, reanalysis_flat, title="温度数据泰勒图", var_unit="°C")
6. 分位数-分位数图 (Quantile-Quantile Plot)
用于比较两组数据的概率分布形态。
def plot_qq_plot(sat_flat, reanalysis_flat, title="卫星 vs. 再分析数据 QQ 图", var_unit="°C"): """ 绘制 QQ 图,比较两组数据的分位数分布。 """ print(f"正在绘制 QQ 图...") fig, ax = plt.subplots(figsize=(8, 7)) # 使用 statsmodels.api.qqplot 更方便 sm.qqplot(reanalysis_flat, dist=stats.gennorm, loc=np.mean(sat_flat), scale=np.std(sat_flat), line='45', ax=ax, marker='o', markersize=3, alpha=0.5, color='blue', label='再分析数据分位数 vs. 卫星数据分位数') # qqplot的dist参数可以指定参考分布,这里我们用gennorm (广义正态分布)作为示例, # loc和scale设定其均值和标准差,使其近似卫星数据的分布。 # line='45' 表示绘制45度(1:1)参考线。 ax.set_title(title) ax.set_xlabel(f'卫星数据分位数 ({var_unit})') ax.set_ylabel(f'再分析数据分位数 ({var_unit})') ax.legend() ax.grid(True, linestyle='--', alpha=0.6) plt.tight_layout() plt.show() print("QQ 图绘制完成。") # 调用函数 plot_qq_plot(sat_flat, reanalysis_flat, title="全球温度卫星 vs. 再分析 QQ 图", var_unit="°C")
代码使用说明:
- 运行顺序:可以直接运行整个脚本,它会依次生成并显示所有图表。
- 数据替换:将
generate_simulated_data()函数替换为你自己的实际数据加载逻辑。sat_data,reanalysis_data应是三维数组(n_lat, n_lon, n_time)。lat,lon应是对应维度的一维数组。- 对于散点图、QQ图和泰勒图,你需要将三维数据展平为一维数组(
sat_flat,reanalysis_flat)。 - 对于时间序列图,你需要对空间维度进行平均,得到一维时间序列。
- 对于空间差异图,你需要对时间维度进行平均,得到二维空间数据。
- 参数调整:根据你的数据特性和可视化需求,调整函数的参数,如
gridsize、cmap、figsize、title、var_unit等。 - 字体设置:如果图表中的中文显示为方块,请取消
plt.rcParams的注释并根据你的系统安装支持中文的字体。 - 泰勒图注意事项:
skill_metrics库的安装可能稍微复杂,但它能方便地生成标准的泰勒图。如果实在无法安装,可以考虑寻找其他 Python 泰勒图的实现或手动绘制极坐标图(这会复杂很多)。泰勒图不直接显示平均偏差,因此在图上额外标注了 Bias。
这些代码示例提供了构建这些科研绘图的起点。在实际科研中,你可能需要根据数据的具体性质进行更细致的定制和优化。祝你的科研进展顺利!
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.