<think>我们计划在一张图上展示两个信息： 1. 整个中国区域的历史平均气温（1980-2014年平均）的空间分布（填色图） 2. 四个子区域的升温趋势（用红色虚线框标出，并在框内显示该区域的平均升温趋势数值，不需要色标） 步骤： 1. 读取所有年份的数据，计算每个格点的历史平均气温（1980-2014年的年平均温度的平均） 2. 计算每个格点的升温趋势（与之前相同） 3. 计算每个子区域的平均升温趋势（区域平均） 4. 绘制整个中国区域的历史平均气温空间分布（填色图） 5. 在图上用红色虚线框标出四个子区域，并在框内显示该区域的平均升温趋势数值（℃/decade） 注意：我们不需要为升温趋势值绘制色标，只需要在框内显示数值。填色图对应的是历史平均气温（℃）。 代码结构： - 读取数据，计算年平均，然后计算每个格点的多年平均（历史平均）和趋势 - 计算每个子区域的平均升温趋势（区域平均时间序列的趋势） - 绘制填色图（历史平均气温） - 添加四个子区域的红色虚线框，并在框内添加文本（区域名称和升温趋势值） 我们将在一张图上展示这两个信息。 </think> 以下是一个完整的Python代码，用于计算并绘制中国四个子区域的气温分布空间分布图，同时展示历史平均气温和升温趋势： ```python import xarray as xr import numpy as np import matplotlib.pyplot as plt import cartopy.crs as ccrs import cartopy.feature as cfeature from cartopy.mpl.gridliner import LONGITUDE_FORMATTER, LATITUDE_FORMATTER from scipy import stats import matplotlib.patches as mpatches import matplotlib.colors as mcolors # 1. 定义区域边界 china_bbox = {'lon_min': 73, 'lon_max': 135, 'lat_min': 18, 'lat_max': 54} regions = { "北方地区": {"lat_min": 34.0, "lat_max": 54.0, "lon_min": 105.0, "lon_max": 135.0}, "西北地区": {"lat_min": 36.0, "lat_max": 50.0, "lon_min": 73.0, "lon_max": 105.0}, "南方地区": {"lat_min": 18.0, "lat_max": 34.0, "lon_min": 105.0, "lon_max": 135.0}, "青藏高原": {"lat_min": 26.0, "lat_max": 36.0, "lon_min": 73.0, "lon_max": 105.0} } # 2. 读取所有年份数据并计算年平均 years = range(1980, 2015) annual_means = [] print("正在处理数据...") for year in years: file_path = f"/media/HUAWEI/LY-TSD302/ChinaMet Tmpmean/ChinaMet_0.25deg(365_fixed)/ChinaMet_025deg_tmpmean_{year}.nc" ds = xr.open_dataset(file_path) # 计算年平均温度并裁剪到中国区域 annual_mean = ds['tmpmean'].mean(dim='time').sel( lat=slice(china_bbox['lat_min'], china_bbox['lat_max']), lon=slice(china_bbox['lon_min'], china_bbox['lon_max']) ) annual_means.append(annual_mean) ds.close() # 合并所有年份数据 ds_annual = xr.concat(annual_means, dim='year') ds_annual['year'] = years # 3. 计算历史平均气温和升温趋势 print("计算历史平均气温...") # 计算1980-2014年平均气温 historical_mean = ds_annual.mean(dim='year') # 计算每个格点的升温趋势 def calc_trend(timeseries): if np.isnan(timeseries).any(): return np.nan slope, _, _, _, _ = stats.linregress(years, timeseries) return slope * 10 # ℃/decade trend_data = xr.apply_ufunc( calc_trend, ds_annual, input_core_dims=[['year']], vectorize=True, output_dtypes=[np.float64] ) # 4. 计算每个子区域的平均升温趋势 print("计算各区域平均升温趋势...") regional_trends = {} for region, bbox in regions.items(): # 提取区域数据 region_data = ds_annual.sel( lat=slice(bbox['lat_min'], bbox['lat_max']), lon=slice(bbox['lon_min'], bbox['lon_max']) ) # 计算区域平均时间序列 regional_series = region_data.mean(dim=['lat', 'lon']) # 计算线性趋势 (℃/decade) slope, _, _, _, _ = stats.linregress(years, regional_series) regional_trends[region] = slope * 10 # 5. 创建综合地图 print("绘制综合空间分布图...") plt.figure(figsize=(16, 12)) ax = plt.axes(projection=ccrs.PlateCarree()) # 设置地图范围 ax.set_extent([china_bbox['lon_min'], china_bbox['lon_max'], china_bbox['lat_min'], china_bbox['lat_max']], crs=ccrs.PlateCarree()) # 添加地理特征 ax.add_feature(cfeature.COASTLINE, linewidth=0.8) ax.add_feature(cfeature.BORDERS, linestyle=':', linewidth=0.8) ax.add_feature(cfeature.RIVERS, linewidth=0.5, alpha=0.5) ax.add_feature(cfeature.LAKES, alpha=0.5) ax.add_feature(cfeature.OCEAN, alpha=0.2) ax.add_feature(cfeature.LAND, alpha=0.1) # 创建历史平均气温的色标 temp_min = historical_mean.min().values temp_max = historical_mean.max().values temp_levels = np.linspace(temp_min, temp_max, 15) # 绘制历史平均气温分布 temp_plot = historical_mean.plot.contourf(ax=ax, transform=ccrs.PlateCarree(), cmap='coolwarm', levels=temp_levels, add_colorbar=False, alpha=0.9) # 添加气温色标 cbar_temp = plt.colorbar(temp_plot, ax=ax, orientation='vertical', pad=0.05, aspect=30, shrink=0.7, label='历史平均气温 (℃)') cbar_temp.ax.tick_params(labelsize=12) # 添加网格线 gl = ax.gridlines(crs=ccrs.PlateCarree(), draw_labels=True, linewidth=0.5, color='gray', alpha=0.5, linestyle='--') gl.top_labels = False gl.right_labels = False gl.xformatter = LONGITUDE_FORMATTER gl.yformatter = LATITUDE_FORMATTER gl.xlabel_style = {'size': 12} gl.ylabel_style = {'size': 12} # 6. 绘制区域边界框并添加趋势值 for region, bbox in regions.items(): # 绘制红色虚线边界框 rect = mpatches.Rectangle( xy=(bbox['lon_min'], bbox['lat_min']), width=bbox['lon_max'] - bbox['lon_min'], height=bbox['lat_max'] - bbox['lat_min'], linewidth=2.5, linestyle='--', edgecolor='red', facecolor='none', transform=ccrs.PlateCarree() ) ax.add_patch(rect) # 添加区域名称和趋势值 trend_value = regional_trends[region] center_lon = (bbox['lon_min'] + bbox['lon_max']) / 2 center_lat = (bbox['lat_min'] + bbox['lat_max']) / 2 # 添加趋势值文本（红色突出显示） ax.text(center_lon, center_lat, f'{region}\n{trend_value:.3f}℃/decade', fontsize=14, weight='bold', color='red', horizontalalignment='center', verticalalignment='center', bbox=dict(facecolor='white', alpha=0.9, boxstyle='round,pad=0.5', edgecolor='red', linewidth=1), transform=ccrs.PlateCarree()) # 7. 添加标题和图例 plt.title('中国区域1980-2014年历史平均气温分布及区域升温趋势', fontsize=18, pad=20) plt.figtext(0.5, 0.02, "填色图: 历史平均气温 (℃) | 红色数值: 区域平均升温趋势 (℃/decade) | 数据来源: ChinaMet 0.25°气温数据集", ha="center", fontsize=12, color='black') # 保存图像 output_path = "China_Temperature_Distribution_and_Trends.png" plt.savefig(output_path, dpi=300, bbox_inches='tight') print(f"综合空间分布图已保存至: {output_path}") plt.show() ``` ### 代码说明： 1. **数据处理流程**： - 读取1980-2014年所有NC文件 - 计算每一年中国区域内的年平均温度 - 计算1980-2014年历史平均气温空间分布 - 计算每个网格点的温度变化趋势（℃/decade） - 计算每个子区域的平均升温趋势 2. **可视化设计**： - 使用冷-暖色系展示历史平均气温分布 - 红色虚线框标记四个子区域边界 - 在每个区域中心位置显示红色趋势值（保留3位小数） - 文本背景使用白色半透明框提高可读性 - 添加详细图例和说明文字 3. **关键功能**： - 自动计算历史平均气温色标范围 - 使用等高线填充图展示气温分布 - 趋势值使用红色突出显示 - 添加专业地图要素（海岸线、国界、河流等） - 生成高分辨率图像（300dpi） 4. **输出结果**： - 生成综合空间分布图："China_Temperature_Distribution_and_Trends.png" - 图中包含： - 中国区域历史平均气温空间分布（填色图） - 四个子区域边界（红色虚线框） - 每个子区域的名称和平均升温趋势值（红色文字） ### 使用说明： 1. **依赖库安装**： ```bash pip install xarray netCDF4 scipy matplotlib cartopy ``` 2. **区域边界调整**： - 在代码开头的`regions`字典中可修改各区域边界 - 格式：{"lat_min": ..., "lat_max": ..., "lon_min": ..., "lon_max": ...} 3. **可视化定制**： - 修改`cmap='coolwarm'`可更改气温分布色标方案 - 调整`temp_levels`可改变气温分级数量 - 修改`fontsize`可调整文本大小 4. **结果解读**： - 填色图：1980-2014年平均气温分布 - 红色数值：区域平均升温趋势（℃/decade） - 暖色区域：历史气温较高 - 冷色区域：历史气温较低