WRF后处理：python cartopy绘制土地利用/土地分类图//python绘制WRF下垫面类型（以北极为例）

下垫面类型对于WRF的地表过程十分重要，而在我们研究WRF的地表过程之前，需要对输入的土地利用类型进行一些绘制，以便后续的修改。
土地利用分类图的特点主要在于色标的设置，而在Github中，已有人根据WRF的不同土地利用数据设置了色标与标签，详见：landuse_colormao
在这里，我将以北极地区为例，绘制北极地区的WRF下垫面数据，我使用的MODIS21这类。
首先加载包，并进行函数定义：

## Custom Terrain ColorMaps by Brian
import os
import matplotlib.ticker as mticker
import netCDF4 as nc
import matplotlib.path as mpath
import cmaps
import matplotlib.pyplot as plt###引入库包
import numpy as np
import numpy.ma as ma
import matplotlib as mpl
import cartopy.crs as ccrs
import cartopy.feature as cfeature
from netCDF4 import Dataset
try:import pykdtree.kdtree_IS_PYKDTREE = True
except ImportError:import scipy.spatial_IS_PYKDTREE = False
from wrf import getvar, interplevel, vertcross,vinterp, ALL_TIMES, CoordPair, xy_to_ll, ll_to_xy, to_np, get_cartopy, latlon_coords, cartopy_xlim, cartopy_ylim
from cartopy.mpl.gridliner import LONGITUDE_FORMATTER, LATITUDE_FORMATTER
import pandas as pd
import datetime as dt
import time
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
import numpy as np
# Four Different Land Use Categories:
#   LU_MODIS20
#   LU_MODIS21     includes lake category
#   LU_USGS
#   LU_NLCD## Land Use Colormap
## ! represents categories not in my Utah domain
def LU_MODIS21(): #C = np.array([[0,.4,0],      #  1 Evergreen Needleleaf Forest[0,.4,.2],      #! 2 Evergreen Broadleaf Forest    [.2,.8,.2],     #  3 Deciduous Needleleaf Forest[.2,.8,.4],     #  4 Deciduous Broadleaf Forest[.2,.6,.2],     #  5 Mixed Forests[.3,.7,0],      #  6 Closed Shrublands[.82,.41,.12],     #  7 Open Shurblands[.74,.71,.41],       #  8 Woody Savannas[1,.84,.0],     #  9 Savannas[0,1,0],        #  10 Grasslands[0,1,1],        #! 11 Permanant Wetlands[1,1,0],      #  12 Croplands[1,0,0],     #  13 Urban and Built-up[.7,.9,.3],      #! 14 Cropland/Natual Vegation Mosaic[1,1,1],        #! 15 Snow and Ice[.914,.914,.7], #  16 Barren or Sparsely Vegetated[.5,.7,1],        #  17 Water (like oceans)[.86,.08,.23],        #  18 Wooded Tundra[.97,.5,.31],        #! 19 Mixed Tundra[.91,.59,.48],     #! 20 Barren Tundra[0,0,.88]])      #! 21 Lakecm = ListedColormap(C)labels = ['Evergreen Needleleaf Forest','Evergreen Broadleaf Forest','Deciduous Needleleaf Forest','Deciduous Broadleaf Forest','Mixed Forests','Closed Shrublands','Open Shrublands','Woody Savannas','Savannas','Grasslands','Permanent Wetlands','Croplands','Urban and Built-Up','Cropland/Natural Vegetation Mosaic','Snow and Ice','Barren or Sparsely Vegetated','Water','Wooded Tundra','Mixed Tundra','Barren Tundra','Lake']    return cm, labels

LU_MODIS21函数定义了绘制的土地类型、标签与对应色标，我们使用时，直接引用LU_MODIS21（）即可返回。
那么有一个小问题，就是当绘制范围内的数据并不包含所有土地利用类型，我们应该怎么做？
其实很简单，只要将你拥有的土地类型数据提取出来，将原本函数中的labels和C切片，重新定义色标再绘制即可。
以下是实例：
首先读取数据：

geo=Dataset('F:\wrfout\geo_em.d01.nc')
landuse=getvar(geo,'LU_INDEX')

获取当前模拟域内的所有土地类型值，并简单构造对应索引：

landclass=np.unique(to_np(landuse))
landidx=np.unique(to_np(landuse))-1
landidx=landidx.tolist()

重新构造色标标签：

 cm,labels = LU_MODIS21()  C = np.array([[0,.4,0],      #  1 Evergreen Needleleaf Forest[0,.4,.2],      #! 2 Evergreen Broadleaf Forest    [.2,.8,.2],     #  3 Deciduous Needleleaf Forest[.2,.8,.4],     #  4 Deciduous Broadleaf Forest[.2,.6,.2],     #  5 Mixed Forests[.3,.7,0],      #  6 Closed Shrublands[.82,.41,.12],     #  7 Open Shurblands[.74,.71,.41],       #  8 Woody Savannas[1,.84,.0],     #  9 Savannas[0,1,0],        #  10 Grasslands[0,1,1],        #! 11 Permanant Wetlands[1,1,0],      #  12 Croplands[1,0,0],     #  13 Urban and Built-up[.7,.9,.3],      #! 14 Cropland/Natual Vegation Mosaic[1,1,1],        #! 15 Snow and Ice[.914,.914,.7], #  16 Barren or Sparsely Vegetated[.5,.7,1],        #  17 Water (like oceans)[.86,.08,.23],        #  18 Wooded Tundra[.97,.5,.31],        #! 19 Mixed Tundra[.91,.59,.48],     #! 20 Barren Tundra[0,0,.88]])      #! 21 Lakec=C.take(landidx,0)labels=[labels[int(landidx[i])] for i in range(len(landidx))]cm=ListedColormap(c)

开始绘图，这里使用了本人自行封装的arcticplot函数，具体可参见本人之前的博客：cartopy绘制北极

fig,f1_ax1,x,y,masked_v=arcticplot(z_masked_overlap,lat2d,lon2d,to_np(landuse))font = {'family' : 'serif','color'  : 'darkred','weight' : 'normal','size'   : 16,}c7=f1_ax1.pcolormesh(x, y, to_np(landuse), cmap=cm)
cbar=fig.colorbar(c7,shrink=1)#设置图标
cbar.set_ticks(landclass)
cbar.ax.set_yticklabels(labels)#cbar.ax.set_xticklabels(labels) #If using a horizontal colorbar orientation
cbar.ax.invert_yaxis()
cbar.ax.tick_params(labelsize=15)
plt.show()

绘图如下：

WRF后处理：python cartopy绘制土地利用/土地分类图//python绘制WRF下垫面类型（以北极为例）相关推荐

python画聚类图_python绘制的聚类图Python的局部变量和全局变量使用解惑
局部变量:在函数中定义的变量,作用域是当前函数,只对当前函数起作用. 全局变量:在代码开头定义的变量,作用域是整段代码,对整段代码起作用. 先看下面的实例, 最后给结论.name = 'PythonT ...
python画50个图-python 实现在一张图中绘制一个小的子图方法
有时候为了直观展现图的信息,可以在大图中添加小子图的方式进行数据分析,如下图所示: 具体的代码如下:该图连接了数据库,当然重要的不是数据展示,而是添加子图的方法. import matplotlib. ...
python画简便的图-python 实现在一张图中绘制一个小的子图方法
有时候为了直观展现图的信息,可以在大图中添加小子图的方式进行数据分析,如下图所示: 具体的代码如下:该图连接了数据库,当然重要的不是数据展示,而是添加子图的方法. import matplotlib. ...
python一张图-python 实现在一张图中绘制一个小的子图方法
有时候为了直观展现图的信息,可以在大图中添加小子图的方式进行数据分析,如下图所示: 具体的代码如下:该图连接了数据库,当然重要的不是数据展示,而是添加子图的方法. import matplotlib. ...
python绘制3维图-Python 画出来六维图
来自维基百科我们的大脑通常最多能感知三维空间,超过三维就很难想象了.尽管是三维,理解起来也很费劲,所以大多数情况下都使用二维平面. 不过,我们仍然可以绘制出多维空间,今天就来用 Python 的 p ...
python绘制3维图-Python 绘制 3 维以上的高维图
实用技巧. 我们的大脑通常最多能感知三维空间,超过三维就很难想象了.尽管是三维,理解起来也很费劲,所以大多数情况下都使用二维平面.不过,我们仍然可以绘制出多维空间,今天就来用 Python 的 plo ...
python绘制三维曲面图-python中Matplotlib实现绘制3D图的示例代码
Matplotlib 也可以绘制 3D 图像,与二维图像不同的是,绘制三维图像主要通过 mplot3d 模块实现.但是,使用 Matplotlib 绘制三维图像实际上是在二维画布上展示,所以一般绘制三 ...
python slice函数画高维图_Python 绘制 3 维以上的高维图
实用技巧. 我们的大脑通常最多能感知三维空间,超过三维就很难想象了.尽管是三维,理解起来也很费劲,所以大多数情况下都使用二维平面.不过,我们仍然可以绘制出多维空间,今天就来用 Python 的 plo ...
python画折线图代码实现_python如何绘制分布折线图 python绘制分布折线图代码示例...
python如何绘制分布折线图?本篇文章小编给大家分享一下python绘制分布折线图代码示例,文章代码介绍的很详细,小编觉得挺不错的,现在分享给大家供大家参考,有需要的小伙伴们可以来看看. 用Pyth ...

WRF后处理：python cartopy绘制土地利用/土地分类图//python绘制WRF下垫面类型（以北极为例）

WRF后处理：python cartopy绘制土地利用/土地分类图//python绘制WRF下垫面类型（以北极为例）相关推荐

最新文章

热门文章