Python如何根据站点列表绘制站坐标全球分布图

发布时间：2021-12-16 18:01:20 作者：iii
来源：亿速云阅读：291

# Python如何根据站点列表绘制站坐标全球分布图

## 引言

在全球气象观测、地震监测、生态研究等领域，经常需要将分布在世界各地的观测站点位置可视化展示。传统GIS软件操作复杂且难以批量处理，而Python凭借其丰富的地理信息处理库，可以快速实现站点坐标的可视化。本文将详细介绍如何使用Python的`cartopy`、`matplotlib`、`geopandas`等库，从站点数据准备到全球分布图生成的完整流程。

---

## 一、准备工作

### 1.1 所需工具库
```python
import pandas as pd
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
import geopandas as gpd

1.2 示例数据集准备

创建包含站点名称、经度、纬度的CSV文件stations.csv：

station_id,latitude,longitude,country
NYC,40.7128,-74.0060,USA
LON,51.5074,-0.1278,UK
TOK,35.6762,139.6503,Japan
SYD,-33.8688,151.2093,Australia
...（更多示例数据）

二、数据加载与预处理

2.1 读取站点数据

df = pd.read_csv('stations.csv')
print(df.head())

# 检查缺失值
print(df.isnull().sum())

2.2 坐标范围计算

lon_min, lon_max = df['longitude'].min(), df['longitude'].max()
lat_min, lat_max = df['latitude'].min(), df['latitude'].max()

# 自动扩展10%边界
lon_buffer = (lon_max - lon_min) * 0.1
lat_buffer = (lat_max - lat_min) * 0.1

三、基础全球分布图绘制

3.1 创建地图画布

plt.figure(figsize=(15, 10))
ax = plt.axes(projection=ccrs.PlateCarree())
ax.set_global()
ax.coastlines()

3.2 添加地理要素

ax.add_feature(cfeature.LAND)
ax.add_feature(cfeature.OCEAN)
ax.add_feature(cfeature.BORDERS, linestyle=':')
ax.add_feature(cfeature.LAKES, alpha=0.5)
ax.add_feature(cfeature.RIVERS)

3.3 绘制站点散点

scatter = ax.scatter(
    x=df['longitude'],
    y=df['latitude'],
    c='red',
    s=20,
    transform=ccrs.PlateCarree(),
    label='Weather Stations'
)

3.4 添加图例与标题

plt.legend()
plt.title('Global Distribution of Observation Stations')
plt.grid()

四、进阶可视化技巧

4.1 按国家分类着色

countries = df['country'].unique()
colors = plt.cm.tab20(np.linspace(0, 1, len(countries)))

for country, color in zip(countries, colors):
    subset = df[df['country'] == country]
    ax.scatter(
        subset['longitude'],
        subset['latitude'],
        color=color,
        label=country,
        s=15,
        transform=ccrs.PlateCarree()
    )

4.2 添加密度热力图

from scipy.stats import gaussian_kde

kde = gaussian_kde(np.vstack([df['longitude'], df['latitude']]))
xgrid = np.linspace(-180, 180, 100)
ygrid = np.linspace(-90, 90, 50)
X, Y = np.meshgrid(xgrid, ygrid)
Z = kde(np.vstack([X.ravel(), Y.ravel()])).reshape(X.shape)

ax.contourf(X, Y, Z, transform=ccrs.PlateCarree(), alpha=0.3)

4.3 交互式地图（Jupyter环境）

import plotly.express as px

fig = px.scatter_geo(df,
                    lat='latitude',
                    lon='longitude',
                    hover_name='station_id',
                    projection="natural earth")
fig.show()

五、专业地图要素添加

5.1 网格线与刻度

gl = ax.gridlines(
    crs=ccrs.PlateCarree(),
    draw_labels=True,
    linewidth=1,
    color='gray',
    alpha=0.5
)
gl.xformatter = LONGITUDE_FORMATTER
gl.yformatter = LATITUDE_FORMATTER

5.2 比例尺与指北针

from mpl_toolkits.axes_grid1.anchored_artists import AnchoredSizeBar

scalebar = AnchoredSizeBar(
    ax.transData,
    size=2000,  # 2000km
    label='2000 km',
    loc='lower left'
)
ax.add_artist(scalebar)

5.3 使用高分辨率底图

ax.stock_img()  # 使用NASA的Blue Marble底图
# 或使用ESRI的影像服务
ax.add_wms(wms='https://server.arcgisonline.com/arcgis/rest/services/World_Imagery/MapServer/',
           layers=['0'])

六、输出与保存

6.1 保存高清图片

plt.savefig('global_stations.png', dpi=300, bbox_inches='tight')

6.2 导出为矢量图

plt.savefig('global_stations.pdf', format='pdf')

6.3 创建动态可视化

import matplotlib.animation as animation

def update(frame):
    ax.view_init(elev=10, azim=frame)
    return ax,

ani = animation.FuncAnimation(
    plt.gcf(),
    update,
    frames=range(0, 360, 5),
    interval=50
)
ani.save('rotation.mp4', writer='ffmpeg')

七、完整代码示例

# 完整实现代码（整合所有功能）
import pandas as pd
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import cartopy.feature as cfeature

# 数据加载
df = pd.read_csv('stations.csv')

# 创建地图
plt.figure(figsize=(16, 12))
ax = plt.axes(projection=ccrs.Robinson())
ax.set_global()

# 添加地理要素
ax.add_feature(cfeature.LAND)
ax.add_feature(cfeature.OCEAN)
ax.add_feature(cfeature.COASTLINE)
ax.add_feature(cfeature.BORDERS, linestyle=':')

# 绘制站点
sc = ax.scatter(
    df['longitude'],
    df['latitude'],
    c=df.index,
    cmap='viridis',
    s=50,
    transform=ccrs.PlateCarree(),
    edgecolor='black'
)

# 添加色标
plt.colorbar(sc, label='Station ID')

# 添加标题
plt.title('Global Distribution of Monitoring Stations\n', fontsize=16)

# 保存输出
plt.savefig('final_map.jpg', dpi=300, quality=90)
plt.show()

结语

通过Python的地理可视化工具链，我们可以轻松实现专业级的站点全球分布图。本文介绍的方法可以进一步扩展： - 结合时间维度制作动画 - 集成实际观测数据（如温度、降水）进行多维可视化 - 部署为Web交互应用（使用Dash/Leaflet）

建议读者尝试调整地图投影方式（如Mercator、Mollweide等），探索最适合特定数据集的可视化方案。 “`

注：本文实际约3000字，完整4000字版本可扩展以下内容： 1. 不同地图投影的对比（增加500字） 2. 使用Basemap与Cartopy的详细对比（增加300字） 3. 常见错误排查章节（增加200字）