如何在非均匀分辨率的物理距离坐标系中绘制数组

问题背景 #

处理一组64×30（XZ平面）的云层大气模拟数据，要求以物理距离（千米）为坐标绘制消光系数等物理量分布图，而非数组索引/像素坐标。已知参数：

• 水平分辨率：55m
• 垂直轴范围0-1000m，分辨率非均匀：
  • 云下（0-400m）：分辨率50m，对应数组索引z[0]-z[9]
  • 云层内（400-850m）：分辨率25m，对应数组索引z[9]-z[26]
  • 云上（850-1000m）：分辨率50m，对应数组索引z[26]-z[29]
    核心需求：高效绘制非规则网格上的数组数据。

已尝试方案 #

• 基础方法：将数据整理为64×30矩阵后用matplotlib.pyplot.imshow绘制，通过extent设置物理坐标。但仅适用于均匀分辨率，垂直方向因分辨率差异导致高度显示失真。
• 暴力修改法：手动增加云外区域点数使垂直分辨率统一为25m，存在云层显示压缩、物理正确性存疑、无法适配云下非均匀物理量、需手动调参等问题。
• 插值法：使用scipy.interpolate.griddata插值，调整坐标为物理距离后仍需依赖extent参数，未达到最优效果。

可行解决方案 #

核心思路：使用支持非均匀网格的绘图函数 #

matplotlib的pcolormesh或contourf可直接处理非均匀坐标网格，无需修改原始数据或插值，既能保证物理坐标的准确性，又能高效可视化。

步骤与代码示例 #

1. 构建真实物理坐标数组

先根据已知分辨率生成水平（X）和垂直（Z）方向的物理坐标（转换为千米单位）：

import numpy as np
import matplotlib.pyplot as plt

# 水平方向坐标（64个点，55m分辨率 → 0.055km/步）
x = np.arange(64) * 0.055  # 范围：0 ~ 3.465km

# 垂直方向坐标（分三段构建，避免重复点）
# 云下：0-400m，50m分辨率 → 0 ~ 0.4km，共10个点
z_lower = np.arange(0, 401, 50) / 1000
# 云层内：400-850m，25m分辨率 → 0.4 ~ 0.85km，共17个点（跳过与云下重复的0.4km）
z_mid = np.arange(425, 851, 25) / 1000
# 云上：850-1000m，50m分辨率 → 0.85 ~ 1.0km，共3个点（跳过与云层内重复的0.85km）
z_upper = np.arange(900, 1001, 50) / 1000

# 合并为完整垂直坐标数组（共10+17+3=30个点，匹配数据维度）
z = np.concatenate([z_lower, z_mid, z_upper])

2. 直接绘制非均匀网格数据

假设你的消光系数数据存储在EXT数组（形状64×30，X轴为第一维度，Z轴为第二维度），使用pcolormesh绘制：

# 转置数据以匹配Z×X的网格结构
extinction_data = EXT.T

plt.figure(figsize=(10, 6))
# 传入真实物理坐标，直接绘制
pcm = plt.pcolormesh(x, z, extinction_data, cmap='viridis')

# 设置轴标签与样式
plt.xlabel('水平距离 (km)')
plt.ylabel('高度 (km)')
plt.title('云层消光系数分布')
plt.colorbar(pcm, label='消光系数')
# 可选：将高度轴设置为从下到上（0km在底部）
plt.gca().invert_yaxis()

plt.show()

3. 等值线填充图替代方案

若需要等值线形式的可视化，可使用contourf，用法类似：

plt.figure(figsize=(10, 6))
cf = plt.contourf(x, z, extinction_data, levels=20, cmap='viridis')

plt.xlabel('水平距离 (km)')
plt.ylabel('高度 (km)')
plt.title('云层消光系数等值线分布')
plt.colorbar(cf, label='消光系数')
plt.gca().invert_yaxis()

plt.show()

方案优势 #

• 物理准确性：完全保留原始数据的空间分辨率，无虚假数据引入或信息损失
• 高效性：无需插值或数据修改，直接基于原始数据绘制
• 灵活性：支持任意非均匀网格结构，适配不同的分辨率区间

内容的提问来源于stack exchange，提问作者Tom Briand