<think>我们之前已经讨论了如何用PyCharm读取ERA-5数据，现在用户明确要求可视化的代码。我们将使用之前的基础，添加可视化部分。 注意：用户要求的是在PyCharm中可视化ERA-5数据集。我们将使用xarray和matplotlib进行可视化。 步骤： 1. 读取数据（如前所述） 2. 选择需要可视化的变量（例如：2米温度 't2m'） 3. 进行简单的绘图（可以绘制某个时间点的全球分布，或者时间序列等） 我们将提供两个例子： 例1：绘制某个时间点的全球温度分布（空间分布） 例2：绘制某个地点的时间序列（例如：伦敦的全年温度变化） 注意：由于ERA-5数据可能很大，我们假设已经下载了一个时间点的数据或者一个时间序列的数据。 代码将在PyCharm中运行，因此需要确保已经安装了必要的库：xarray, netCDF4, cfgrib (如果数据是grib格式), matplotlib, cartopy（用于地图投影） 安装cartopy: pip install cartopy 但是注意：cartopy在一些系统上安装可能需要先安装GEOS和proj库。如果安装困难，可以跳过cartopy，使用简单的绘图（但地图投影会不准确）。 我们将给出使用cartopy和不用cartopy两种方式。 由于用户没有指定具体的数据文件，我们假设数据是NetCDF格式。 代码示例： </think> ### 在PyCharm中可视化ERA-5数据集的完整指南 以下是使用PyCharm对ERA-5数据集进行可视化的Python代码，基于`xarray`和`matplotlib`库实现多种可视化效果： ```python import xarray as xr import matplotlib.pyplot as plt import cartopy.crs as ccrs # 用于地理投影 import numpy as np # 1. 加载ERA-5数据 ds = xr.open_dataset('era5_data.nc') # NetCDF格式 # 或使用GRIB格式: ds = xr.open_dataset('era5_data.grib', engine='cfgrib') # 2. 查看数据结构 print(ds) # 3. 单变量空间分布图（带地理投影） def plot_global_map(variable='t2m', time_index=0, level=0): """绘制全球分布图""" fig = plt.figure(figsize=(15, 10)) ax = plt.axes(projection=ccrs.PlateCarree()) # 选择数据（假设时间维名为'time'，高度维名为'level'） data = ds[variable].isel(time=time_index, level=level) if 'level' in ds.dims else ds[variable].isel(time=time_index) # 绘图并添加地理特征 im = data.plot(ax=ax, transform=ccrs.PlateCarree(), cmap='coolwarm', add_colorbar=True) ax.coastlines() ax.gridlines(draw_labels=True) ax.set_title(f"{variable} 全球分布 (时间索引: {time_index})") plt.savefig(f'global_{variable}.png') # 保存图像 plt.show() # 4. 时间序列分析 def plot_time_series(lat=51.5, lon=-0.1, variable='t2m'): """绘制特定位置的时间序列""" plt.figure(figsize=(12, 6)) # 选择最接近伦敦的网格点 point_data = ds[variable].sel( latitude=lat, longitude=lon, method='nearest' ) # 转换为Pandas时间序列 time_series = point_data.to_pandas() time_series.plot() plt.title(f'{variable} 时间序列 (纬度: {lat}, 经度: {lon})') plt.ylabel(variable) plt.grid(True) plt.savefig(f'timeseries_{variable}.png') plt.show() # 5. 垂直剖面图 def plot_vertical_section(lat=40, lon_range=(-10, 40), variable='t'): """绘制垂直剖面图""" if 'level' not in ds.dims: print("错误：数据不包含垂直维度") return plt.figure(figsize=(12, 8)) # 选择沿经度的剖面 section = ds[variable].sel( latitude=lat, longitude=slice(lon_range[0], lon_range[1]) ).mean('time') # 创建网格 X, Y = np.meshgrid(section.longitude, section.level) # 绘制填色图 plt.contourf(X, Y, section, cmap='viridis', levels=20) plt.colorbar(label=variable) plt.contour(X, Y, section, colors='k', linewidths=0.5) plt.gca().invert_yaxis() # 反转Y轴（高度增加方向） plt.title(f'{variable} 垂直剖面 (纬度: {lat}°)') plt.xlabel('经度') plt.ylabel('气压层 (hPa)') plt.savefig(f'vertical_section_{variable}.png') plt.show() # 6. 运行可视化函数 if __name__ == "__main__": plot_global_map(variable='t2m', time_index=0) # 地表温度 plot_time_series(lat=51.5, lon=-0.1) # 伦敦温度 plot_vertical_section(variable='z') # 位势高度剖面 ``` ### 关键功能说明 1. **空间分布图**： - 使用Cartopy库创建地理投影 - 添加海岸线、网格线和标签 - 支持自定义色彩映射（`cmap`参数） 2. **时间序列分析**： - 提取特定经纬度位置的数据 - 自动转换为Pandas时间序列 - 添加网格和标签 3. **垂直剖面图**： - 沿经度/纬度方向的垂直剖面 - 双色等高线（填色+轮廓线） - 自动反转Y轴表示高度增加 ### 安装依赖 在PyCharm终端执行： ```bash pip install xarray netCDF4 matplotlib cartopy cfgrib ``` ### 使用技巧 1. **调整参数**： - 修改`variable`参数选择不同变量（如：'msl'海平面气压、'tcwv'总柱水汽） - 调整`time_index`选择不同时间点 - 修改经纬度选择不同位置 2. **大文件处理**： ```python # 使用Dask分块处理大文件 ds = xr.open_dataset('large_file.nc', chunks={'time': 10}) ``` 3. **保存图像**： 所有函数自动保存PNG格式图像到当前目录，可通过`plt.savefig()`参数调整格式和质量 ### 注意事项 - 坐标变量名可能为`latitude`/`longitude`或`lat`/`lon`，需根据实际数据调整 - 时间数据可能需要转换：`ds.time.attrs['units'] = 'hours since 1900-01-01'` - GRIB数据需指定参数ID：`ds = xr.open_dataset('data.grib', backend_kwargs={'filter_by_keys': {'shortName': '2t'}})`[^1]