简介PyMICAPS 是一套面向气象数据处理与可视化的开源 Python 工具适合气象科研人员、预报员及高校相关专业学生使用。其对 GRIB、NetCDF、ASCII 等常见气象数据格式有良好支持并提供插值、统计分析、时间序列处理与地图投影转换能力帮助用户解决从原始数据解析到专业图表绘制的全流程问题。压缩包共 95 个文件约 6.74MB。其中 py 脚本为工具核心源码txt 为说明文档与示例数据png 为效果图与图片素材shp/dbf/shx 为地理边界文件还有 zbak 备份文件与配置文件等便于对照学习与二次开发。目前已有 97 人学习下载。通过这份资源读者可以获得 PyMICAPS 的完整工程目录、主要模块源码、示例数据与配置说明还能看到等压线图、风向图、散点图等绘图样例以及 Maskout、Projection、Products 等扩展工具的实现思路。对于希望基于 Python 开展气象数据分析和可视化实战的开发者而言这是一份可直接运行和修改的参考材料也能帮助理解 Micaps 类气象数据的组织与呈现方式。1. 预报员的 MICAPS 客户端打不开你的研究数据换成 PyMICAPS 做解析和出图气象台里最不缺的就是格式各异的 MICAPS 数据第 3 类站点观测、第 4 类格点场、第 11 类台风路径、第 17 类物理量场文件名像17032908.060一样按「年月日时次 预报时效」编码。客户端能看图但你要做批量统计、换色标、叠加自定义边界或者把图嵌进自动化流程时图形界面就成了瓶颈。PyMICAPS 这个开源包解决的就是「解析」和「绘制」两层问题底层用 MicapsFile 系类把每一种数据类读成 DataFrame 或字典上层用 Contour、UV、Legend、Projection 这些模块组合出带地图底图的专业图表。适合做科研出图、预报检验、还有把老数据接进 Python 工作流的开发场景。注意它的定位不是复制一个 MICAPS 客户端而是给你留好了扩展点数据解析和绘图逻辑完全分离你完全可以只拿解析层换掉绘图后端。2. 解析层架构MicapsFile 类族与第 3/4/11/17 类数据的字段映射PyMICAPS 的解析逻辑全在MicapsFile.py和各数据类文件里核心思路是「一类数据一个类」通过继承公共基类来复用文件头解析和经纬度网格生成。从压缩包的文件结构能看出Micaps3Data.py、Micaps4Data.py、Micaps11Data.py、Micaps17Data.py分别对应 MICAPS 第 3、4、11、17 类数据而MicapsFile.py是它们的公共父类。2.1 打开一个文件从路径到 DataFrame 的最小流程Main.py里暴露的入口很直白读文件时不需要关心数据是第几类MicapsData会根据文件头里的diamond标记自动分发给对应的解析器。例如读取一个站点数据文件from MicapsData import MicapsData data MicapsData(sample/17032908.060) df data.to_dataframe() print(df.head()) # 如果目标是格点场可以直接取网格数组 lon, lat, values data.get_grid() print(lon.shape, lat.shape, values.shape)to_dataframe()会把站点观测数据转成列结构列名依次是station_id、longitude、latitude、elevation、wind_direction、wind_speed后面可能跟着温度、气压等物理量get_grid()则把第 4 类格点数据展开成二维经纬度网格和对应的物理量矩阵。写代码时建议先打印data.metadata这个字典里存着层次、时次、投影参数、格距等所有文件头信息排查数据异常时比直接画图快得多。2.2 四类数据的格式差异与解析要点MICAPS 各类数据的文件头结构差异很大直接决定了解析器的实现方式。下面把这几类的关键差异列出来数据类典型内容文件头关键字段数据体组织方式第 3 类离散站点观测站点数、层次、时次每行一个站点站号、经纬度、风向、风速、温度等第 4 类规则格点场经度格距、纬度格距、起报时次按纬度从南到北排列的数值矩阵第 11 类台风路径/站点追踪数据点数、时次间隔每行一个时次的中心位置和强度第 17 类物理量格点场与 4 类类似但数据量大多时次或多层次的格点数值第 3 类的坑在于站点数不固定每行字段数随要素类型变化解析时要做容错处理不能按固定列数硬切第 4 类和第 17 类字段结构相近区别在于 17 类通常是多个物理量叠在一个文件里Micaps17Data.py里专门做了「一次读入分变量取数」的逻辑我一般会在读取后把变量索引和名称存进一个字典避免后续每次都要翻文件头。2.3 maskout.py 和 ClipBorder.py 的边界白化原理拿到多个要素的图之后真正让图专业起来的是maskout.py和ClipBorder.py这两个模块。maskout做的事情是白化mask把等值线填色图里超出中国国界bou1_4p.shp或省界bou2_4p.shp的部分裁掉让数据只显示在陆地上。maskout.py读取 shapefile 的多边形坐标用matplotlib.path.Path判断网格点是否在多边形内再把多边形外的值设成 NaNfrom maskout import maskout from Border import Border from Contour import Contour # 假设已通过 MicapsData 拿到 lon, lat, values border Border(shapefile/bou1_4p.shp) masked_values maskout(lon, lat, values, border.path) contour Contour(lon, lat, masked_values, interval5) contour.contourf(cmapjet)maskout函数内部需要传入border.path这个path是matplotlib.path.Path对象由Border模块预先构建。Border.py实际上还承担了把 shapefile 的经纬度坐标投影到绘图坐标系的工作这一点在后面的投影部分展开讲。3. Contour 等值线绘制与 nclcmaps 色标配置等值线是气象图的主体Contour.py把 matplotlib 的contour和contourf包了一层省去了反复设置levels和 colormap 的样板代码。它内部根据传入的interval自动生成等值线间隔同时支持smooth参数控制是否做平滑。3.1 Contour 的最简调用与参数边界from Contour import Contour contour Contour( lon, lat, values, interval5, smoothTrue, cmapncl_precip3_16lev, line_colorblack ) contour.contourf() contour.colorbar(label2m Temperature (deg C))interval设成 5表示每隔 5 个单位画一条等值线smoothTrue时会调用scipy.ndimage.gaussian_filter做一次轻度高斯平滑。注意平滑的 sigma 值在Contour.py里默认是 0.5如果数据本身噪声大建议在外部先自己过滤再传进来不要依赖这里的默认平滑。Contour对外还暴露了levels属性手动指定非均匀间隔时可以直接赋值比传interval更灵活。3.2 色标从哪来nclcmaps 的映射规则压缩包里的nclcmaps-master.zip是一个 NCL 色标集合NCL 是老牌气象绘图语言它的色标设计经过大量业务检验像precip3_16lev、temp_diff_18lev这类色标在降水、温度距平图里很常用。PyMICAPS 的做法是读取 NCL 色标文件里的 RGB 值动态注册给 matplotlib所以你在Contour里传cmapncl_precip3_16lev时它其实是在已加载的 NCL 色标表里做的查找。如果你换了机器或者解压位置变了需要先保证nclcmaps目录被正确引用否则会报Unknown colormap。常见的用法是from nclcmaps import load_ncl_cmap cmap load_ncl_cmap(precip3_16lev)NCL 色标集合里有上百个色标命名规律是「要素 等级数 颜色类型」比如precip开头的适合降水temp开头的适合温度wind开头的适合风速。选色标时优先匹配要素类型其次看等级数是否和数据范围接近比随手用jet或rainbow安全得多。3.3 Legend.py 与三小时降水图的完整绘制逻辑单独的等值线还组不成一张业务图Legend.py负责生成图例配合Products.py里预置的产品模板可以快速出一张带标题、色标、要素说明的标准图。以降水图为例步骤通常是读取diamond 4格点数据、用Contour做填色、用maskout白化、叠加省界、最后用Legend加图例和标题from Products import draw_precipitation from Legend import Legend fig draw_precipitation( data_file17033108.240, interval4, cmap_nameprecip3_16lev, save_pathoutput/17033108.240_precip.png ) legend Legend(title2017-03-31 08:00 24h Precipitation, fontsize14) legend.brand(fig, PyMICAPS)Legend的brand方法会把工具标识或机构名放到图的右下角这在批量出图里很有用可以追溯每张图的数据源头。Products.py里封装了多套类似的产品模板本质是把「读数据、白化、画等值线、叠底图、加图例」串成流程你要自己扩展新的产品类型时直接模仿它内部的函数组合方式即可。4. 叠加 map 边界与地图投影Border、Projection 和 UV 风场图层等值线填色只是第一层业务图大多还需要叠加行政边界、站点和风场。PyMICAPS 里shapefile目录下放的是bou1_4p.shp国界和bou2_4p.shp省界Border.py负责读取并投影这些边界Projection.py定义了 Albers 等积投影和兰伯特投影的参数。4.1 shapefile 读取与投影变换的配合方式Border.py里读取 shapefile 用的是shapefile库也就是 pyshp读取后会解析每个多边形的顶点然后把经纬度坐标传给Projection做投影变换。这里最关键的是投影参数必须和数据解析时用的一致否则边界和数据会发生偏移from Projection import Projection from Border import Border # 兰伯特双标准纬线投影适合中国区域的模式输出 proj Projection(lcc, lat_125, lat_247, lon_0105) border Border(shapefile/bou2_4p.shp, proj) # 读取站点文件并叠加站点位置 from Stations import Stations stations Stations(sample/jxstation.txt, proj) stations.plot(ax, markero, colorred, markersize3)上面这段代码里Projection(lcc, ...)指定了兰伯特投影的标准纬线Border和Stations使用同一个proj实例保证边界和站点画在同一坐标系下。注意Projection内部用的是matplotlib.path的transform机制还是自己实现投影公式不同版本处理不一样你拿到源码后建议先跑一个已知经纬度的点验证投影方向和偏移量。4.2 UV.py 风场箭头绘制的两种形态UV.py处理的是风场数据也就是 u、v 风分量。PyMICAPS 支持两种绘制形态风羽barbs和箭头quiver。风羽在气象图里更常用但参数多容易画得密密麻麻箭头适合做流场分析视觉上更直观。代码上两者差别不大from UV import UV uv UV(lon, lat, u_data, v_data) uv.barbs(ax, skip2, length5, alpha0.8) # uv.quiver(ax, skip3, scale200, width0.002)skip是每隔几个格点画一个箭头或风羽设成 2 表示跳一个点取一个数据分辨率越高 skip 就要越大否则全部画出来糊成一团。barbs里的length控制风羽长度quiver里的scale控制箭头大小的换算比例这个值要试几次才能调到不重叠也不太小。另一个实用技巧是把风场和等值线画在同一张图上u、v 从一个文件取温度或高度从另一个文件取两张图叠加要用同一个投影实例。4.3 Station 站点数据的容错处理Stations.py处理的站点文件通常是「站号、经度、纬度、海拔」四列但它也兼容带观测值的站点文件如果某些站缺测Stations.py会跳过 NaN 行而不是报错。这一点对省台资料很重要缺测站点太常见了直接把原始文件交给绘图函数会毁掉整张图。5. 批量出图时次循环与三个高频坑的规避实际业务里很少只画一张图一个模式起报一次就出几十个时效批量出图要靠文件名循环来实现。PyMICAPS 的样例数据用17032908.060这种命名前 8 位是起报时间点后面的数字是预报时效所以你只需要遍历一个时间范围内的文件列表逐个解析、绘图、保存即可。import os from MicapsData import MicapsData from Contour import Contour from Border import Border proj Projection(lcc, lat_125, lat_247, lon_0105) border Border(shapefile/bou2_4p.shp, proj) for file_name in os.listdir(sample_data): if not file_name.endswith(.060): continue data MicapsData(os.path.join(sample_data, file_name)) lon, lat, temp data.get_grid() contour Contour(lon, lat, temp, interval4, cmapncl_temp_19lev) contour.contourf() border.draw() plt.savefig(foutput/{file_name}.png, dpi200) plt.close()这个循环里有个容易忽略的点plt.close()必须加在每次保存之后否则内存里会堆积上一张图的对象跑几百个文件后内存会涨得很难看。savefig的dpi设成 200 是折中值业务图打印够用文件体积也不会太大。三个高频坑值得单独拿出来说。第一个坑是中文字体。默认的 matplotlib 字体不含中文字符图例和标题里的汉字全变成方块。解决方法是启动时强制指定字体或者直接用Legend里预设的中文加载逻辑。Windows 下用SimHeiLinux 服务器上需要装wqy-microhei之类的字体包否则一样显示不出来。第二个坑是白化后等值线出现异常空白。maskout.py基于多边形路径做判断如果 shapefile 的多边形方向是顺时针还是逆时针与源码预期不一致白化区域会反掉把陆地裁掉只剩海洋。我处理的办法是先用一个已知的格点场画图对比确认白化区域正确后再批量跑不要直接拿批量任务试错。第三个坑是投影参数不一致导致的边界偏移。比如数据文件头里写的是lcc投影但标准纬线是 30/60而Projection里写的是 25/47边界和等值线就会错开几十公里。稳妥做法是在解析数据后先打印data.metadata里的投影信息再决定Projection的参数不要硬编码。17032908.060这类数据文件有时还会在文件头里带经纬距和中心经度这些参数同样要和投影设置对齐否则批量出的每一张图都是错的。本文还有配套的精品资源点击获取