Python Matplotlib 绘制 SkewT 图：5 步复现标准气象热力学图表

气象数据分析中，SkewT-LogP 图是研究大气热力学特性的黄金标准。这种独特的图表不仅能直观展示温度、露点随高度的变化，还能帮助预测雷暴、逆温层等关键天气现象。对于 Python 开发者而言，利用 Matplotlib 的 SkewT 模块可以高效实现专业级气象可视化。本文将手把手带您完成从数据准备到高级定制的完整流程。

1. 环境配置与基础准备

在开始绘制前，需要确保科学计算栈的完整性。推荐使用 Anaconda 创建专属气象分析环境：

conda create -n skewt_env python=3.9
conda activate skewt_env
conda install -c conda-forge matplotlib numpy pandas metpy

关键库的版本兼容性直接影响绘图效果，建议保持以下最低版本要求：

库名称	最低版本	核心功能
Matplotlib	3.5+	提供 SkewXAxis 坐标轴支持
MetPy	1.0+	包含标准 SkewT 实现和计算工具
NumPy	1.21+	数组运算和数据处理基础

提示：Jupyter Notebook 用户建议先执行 %matplotlib inline 魔法命令，确保图表内嵌显示

典型的气象数据通常来自无线电探空仪或再分析数据集，其结构包含多个垂直层次的大气参数。以下示例展示如何加载标准格式的探空数据：

import pandas as pd

# 示例数据列定义
columns = [
    'pressure', 'height', 'temperature', 
    'dewpoint', 'direction', 'speed'
]
data = pd.read_csv('soundings.csv', names=columns)

# 单位标准化处理
data['temperature'] = data['temperature'].apply(lambda x: x + 273.15 if x < 100 else x)

2. 构建基础 SkewT 坐标系

创建 SkewT 图的第一步是初始化特殊坐标系。与传统直角坐标系不同，这里需要定义温度轴的倾斜角度和压力轴的对数特性：

from metpy.plots import SkewT
import matplotlib.pyplot as plt

fig = plt.figure(figsize=(12, 12))
skew = SkewT(fig, rotation=45)  # 标准气象学采用45度倾斜

# 设置坐标范围
skew.ax.set_ylim(1050, 100)  # 压力范围(单位：hPa)
skew.ax.set_xlim(-40, 50)    # 温度范围(单位：℃)

# 添加标准参考线
skew.plot_dry_adiabats()  # 干绝热线
skew.plot_moist_adiabats()  # 湿绝热线
skew.plot_mixing_lines()   # 等饱和混合比线

关键参数说明：

• rotation ：控制温度坐标轴的倾斜度，30-45度为常见取值
• set_ylim ：压力轴采用对数坐标，需按从大到小顺序设置
• 参考线颜色可通过 linecolors 参数自定义

3. 绘制核心气象要素曲线

实际观测数据在 SkewT 图上主要表现为两条核心曲线：

# 绘制温度廓线(红色实线)
skew.plot(
    data['pressure'], 
    data['temperature'],
    'r-', 
    linewidth=2,
    label='Temperature'
)

# 绘制露点廓线(蓝色虚线)
skew.plot(
    data['pressure'],
    data['dewpoint'],
    'b--',
    linewidth=2,
    label='Dew Point'
)

# 添加风杆(Wind Barbs)
interval = np.logspace(2, 3, 10)  # 对数间隔采样
mask = np.isin(data['pressure'], interval.astype(int))
skew.plot_barbs(
    data['pressure'][mask],
    data['direction'][mask],
    data['speed'][mask]
)

专业气象分析中，两条曲线的相对位置关系蕴含重要信息：

• 云层判定 ：当温度线与露点线间距小于5℃时，通常指示云层存在
• 对流潜力 ：低层两条曲线靠近而高层分开，预示强对流可能
• 逆温识别 ：温度曲线随高度向右弯曲表明存在逆温层

4. 计算热力学参数

MetPy 提供完整的动力学参数计算工具链，可直接在图表上标注关键指标：

from metpy.calc import (
    lcl, parcel_profile, cape_cin,
    dewpoint_from_relative_humidity
)

# 计算抬升凝结高度(LCL)
lcl_pressure, lcl_temp = lcl(
    data['pressure'][0], 
    data['temperature'][0],
    data['dewpoint'][0]
)

# 构建气块路径曲线
parcel_prof = parcel_profile(
    data['pressure'],
    data['temperature'][0],
    data['dewpoint'][0]
).to('degC')

# 绘制气块路径
skew.plot(
    data['pressure'],
    parcel_prof,
    'm-',
    linewidth=2,
    label='Parcel Path'
)

# 计算对流有效位能(CAPE)
cape, cin = cape_cin(
    data['pressure'],
    data['temperature'],
    data['dewpoint'],
    parcel_prof
)

计算结果通常以文本框形式标注在图表边缘：

textstr = '\n'.join([
    f'CAPE: {cape.m:.0f} J/kg',
    f'CIN: {cin.m:.0f} J/kg',
    f'LCL: {lcl_pressure.m:.0f} hPa'
])
skew.ax.text(0.05, 0.95, textstr, transform=skew.ax.transAxes,
             fontsize=12, verticalalignment='top')

5. 高级样式定制与输出

专业气象机构通常有特定的图表样式规范，Matplotlib 支持从字体到网格线的全方位定制：

# 设置坐标轴样式
skew.ax.xaxis.set_major_locator(plt.MultipleLocator(10))
skew.ax.grid(True, which='major', axis='both', 
            linestyle='--', alpha=0.5)

# 添加标题和标签
plt.title(
    f'Skew-T Diagram @ {station_name}\n'
    f'Valid: {date.strftime("%Y-%m-%d %H:%M")} UTC',
    loc='left',
    fontsize=14,
    pad=20
)

# 自定义图例位置和样式
plt.legend(
    loc='upper left',
    framealpha=0.9,
    edgecolor='k',
    fontsize=10
)

# 输出高清图像
plt.savefig(
    'skewt_output.png',
    dpi=300,
    bbox_inches='tight',
    facecolor='white'
)

常见问题解决方案：

• 字体渲染问题 ：通过 plt.rcParams['font.sans-serif'] 设置支持中文的字体
• 曲线锯齿 ：对原始数据进行 scipy.signal.savgol_filter 平滑处理
• 风杆重叠 ：调整 plot_barbs 的 barb_increments 参数减少密度

实际业务应用中，我们常需要批量处理多个站点的探空数据。以下代码片段展示如何构建自动化流程：

def generate_skewt(station_data, output_dir):
    """批量生成SkewT图的模板函数"""
    fig = plt.figure(figsize=(12, 12))
    skew = SkewT(fig, rotation=45)
    
    # [此处插入前述绘图代码]
    
    output_path = f"{output_dir}/{station_data['id']}.png"
    plt.savefig(output_path)
    plt.close()  # 防止内存泄漏
    
# 示例调用
for station in stations:
    data = load_sounding_data(station['id'])
    generate_skewt(data, './output')