### 绘制温度剖面的误差对比图表 为了实现这一目标，`matplotlib` 和 `seaborn` 是两个非常强大的库。下面展示了一个具体的例子，该例子展示了如何利用这两个库创建一个温度剖面及其对应的误差范围。 #### 使用 Matplotlib 创建带有误差条的折线图 首先，安装必要的包： ```bash pip install numpy matplotlib seaborn pandas ``` 接着，在Python脚本中导入所需的模块并准备一些模拟的数据集用于绘图： ```python import numpy as np import matplotlib.pyplot as plt import seaborn as sns import pandas as pd # 设置随机种子以便于重现结果 np.random.seed(0) # 构建示例数据框 depths = range(1, 21) # 假设我们有从表面到地下20米深处的不同层位 temperatures_true = [27 + d * (-0.5) for d in depths] # 真实温度随深度变化的趋势 errors = np.random.normal(loc=0, scale=0.8, size=len(depths)) # 添加噪声作为测量误差 temperatures_measured = list(map(lambda t, e: t + e, temperatures_true, errors)) data = {'Depth': depths, 'True Temperature (°C)': temperatures_true, 'Measured Temperature (°C)': temperatures_measured} df = pd.DataFrame(data) ``` 现在有了基础数据之后，就可以开始绘制图形了。这里会使用两种方式来表示误差：一种是在实际测得的曲线上加上阴影区域显示标准差；另一种则是直接添加垂直方向上的误差棒[^1]。 ```python plt.figure(figsize=(10, 6)) sns.lineplot(x='Depth', y='True Temperature (°C)', data=df, label="真实值", color="blue") # 计算平均值和标准偏差 mean_temp = df['Measured Temperature (°C)'].values std_deviation = abs(df['True Temperature (°C)'] - mean_temp).std() # 阴影区代表95%置信区间（大约等于两倍的标准差） upper_bound = mean_temp + std_deviation*2 lower_bound = mean_temp - std_deviation*2 plt.fill_between(df['Depth'], lower_bound, upper_bound, alpha=.3, facecolor='orange') # 或者也可以选择画出每个点的具体误差棒 plt.errorbar(df['Depth'], mean_temp, fmt='-o', capsize=5, yerr=np.abs(errors), elinewidth=2, c='red', label="观测值 ± 测量误差") plt.title('不同深度下的土壤温度分布') plt.xlabel('深度(m)') plt.ylabel('温度(℃)') plt.legend() plt.show() ``` 这段代码将会生成一张包含两条曲线以及相应误差信息的图表——一条蓝色线条代表着理论模型预测出来的理想化温度梯度，而另一条红色带圆圈标记的线路则反映了经过实验获得的实际读数，并附上了各自的不确定性估计[^2]。 对于更加复杂的布局需求，比如想要在同一张图片里放置多个子图，则可以通过调整`gridspec_kw`参数来自定义subplot网格结构[^3]。