企业官网建设流程全解析

简介：这是一份面向水文水动力领域ADCP数据后处理的MATLAB三维可视化资源。针对声学多普勒流速剖面仪采集的多个断面数据，提供从VMT软件摘要文件中提取、整理到绘制3D图形的完整流程，适合需要将断面流速信息立体呈现的水文研究人员、工程师及高年级相关专业学生。资源共58个文件，压缩包约20.66MB，主体包括29个xlsx断面测量数据表、22个png三维效果示例图、1个MATLAB绘图脚本、2个docx操作说明和2个txt说明文档，目录按原始摘要、提取文件、成图输出分工明确，便于对照学习。项目覆盖14个测线断面，运行脚本可自动读取数据并绘制含全部信息的3D图，配合MATLAB的旋转3D功能，可自由切换法向视角、XY、XZ、YZ等观察角度。目前该资源已有269人学习，适合积累ADCP数据后处理和可视化经验，并可直接改造用于自己的水文项目。 做海洋或河流连续站观测的人，多半都有这个体验：ADCP网口数据拿回来，一列是时间，一列是深度，还有北向流速、东向流速、垂直流速、回波强度……信息很全，但常规的2D云图只能显示两个维度，流向要么压成几十个箭头，要么干脆不画。于是很多人都动过同一个念头——能不能做一张“包含所有信息的ADCP数据的3D图”，把时间、深度、流速大小、流向甚至回波强度一次摆进同一张图里。

这篇文章就以“ADCP数据3D图”为主题，聊聊我是怎么设计坐标、处理数据、用Python把它画出来的，适合刚接触ADCP后处理的人，也适合已经画烦了2D图、想换一种信息表达方式的同行参考。

1. 先想清楚：ADCP数据里到底藏了哪些信息

1.1 一束声波带回的数据结构

ADCP的全称是声学多普勒流速剖面仪，工作时向水层发射声脉冲，利用水中悬浮颗粒的散射信号，通过多普勒频移反演出不同深度层的流速。一个连续站位的ADCP，一天下来可以获得上千个时间剖面，每个剖面又有几十个深度层，每个格点都对应东向流速u、北向流速v、垂直流速w、误差速度、回波强度等一堆物理量。

从数据结构上看，这其实是一个三维时空场：时间是一个坐标，深度是一个坐标，物理量本身又是第三维。而一旦涉及流向，就需要在同一张图里同时表达“大小”和“方向”，信息维度进一步上升。所谓“包含所有信息”，并不是字面意义上把所有物理量都塞进去，而是把最核心的时空演变和流速矢量表达完整。

1.2 传统2D绘图的局限

常规画法里，最常用的是时间-深度云图，用颜色表示流速大小。这种图看流速强弱很直观，但流向完全丢失，实际的潮流往复、水体剪切层位置都看不出来。另一种常见画法是某一时刻的流速剖面图，横轴是流速，纵轴是深度，能够看清单条剖面的流速细节，但无法呈现连续时间的变化。还有人尝试在时间-深度图上叠加箭头表示流向，箭头一密就糊成一团，能量和方向混在一起，读图反而更累。

3D图的优势在于多出一个物理轴，可以把“流速大小”作为曲面的高度，同时用颜色表达流向，这样信息密度高很多，也方便观察峰值流速的时间位置和深度位置。

2. 3D图的坐标系怎么定，才能“一图全包”

2.1 哪些信息必须上

动手画图之前，先拆需求。一次连续站观测，最需要看的是四件事：流速大小的时间变化、流速大小随深度的分布、流向往复的规律、以及异常层的位置（比如强剪切层或底边界层）。按优先级排下来，速度大小必须用高度或者颜色表现，流向最好用颜色或者箭头表现，时间和深度则固定作为两个轴。

回波强度这类辅助量，我的做法是放到第二张图里做对照，而不是强行叠进同一张3D图。因为信息量太大时，可读性会直线下降，一张图里塞五个维度，最后谁的眼睛都救不回来。

2.2 坐标分配和颜色编码

我采用的坐标方案是：X轴放时间，Y轴放深度（海面方向取负深度，让水面在图上侧），Z轴放流速大小。这样曲面越高，表示流速越强，时间和深度的分布一眼就能看懂。

流向怎么处理？有两个方案。第一个方案是给曲面贴上HSV颜色：色相表示流向角度（0度表示北，90度表示东），亮度表示流速大小。这样一张图里同时表达了方向、大小、时间和深度。第二个方案更传统，曲面颜色用viridis表示流速大小，再在关键位置叠加少量流向箭头。我实际推荐先做HSV版本，因为流向箭头在3D空间里画不好就会挡住曲面，还容易给人错误的方向暗示。HSV版本对新手更友好，颜色环解释起来也不复杂。

3. 从netCDF到图：数据处理和Python画图实操

3.1 数据预处理不能省

拿到原始ADCP数据之后，不要急着画图。我的习惯是先用后处理工具把波束坐标转换成地球坐标，确保u和v是真正的东向和北向分量。这一步很关键，因为仪器默认输出的坐标系和船体朝向有关，如果中间没有做姿态校正，画出来的流向会整体偏一个角度。

质量控制也必须在画图前做。ADCP在表层盲区、底边界旁瓣区经常出现明显错误的数据，相关性（correlation）过低、信噪比过低的bin都要设为NaN。处理完之后，把数据写成规矩的NetCDF文件，变量名清晰，后续画图就很省事。

3.2 完整的3D曲面代码

下面这份代码以处理好的NetCDF数据为例，画一张带HSV流向着色的3D速度曲面图。需要安装的库是xarray、numpy和matplotlib，安装命令如下：

pip install xarray netcdf4 matplotlib numpy

import xarray as xr import numpy as np import matplotlib import matplotlib.pyplot as plt # 读取处理后的数据 # 假设变量名：u_earth(time, depth), v_earth(time, depth), depth(1D), time(1D) ds = xr.open_dataset("adcp_timeseries.nc") u = ds["u_earth"].values v = ds["v_earth"].values depth = ds["depth"].values # 正值，自海面向下 time_num = matplotlib.dates.date2num(ds["time"].values) # 构建网格 T, D = np.meshgrid(time_num, depth, indexing="ij") # 流速大小和流向角 speed = np.sqrt(u**2 + v**2) theta = (np.degrees(np.arctan2(v, u)) % 360) / 360.0 # 使用HSV做颜色编码：色相=流向，亮度=流速大小 vmin, vmax = np.nanpercentile(speed, 2), np.nanpercentile(speed, 98) hsv = np.zeros(speed.shape + (3,)) hsv[..., 0] = theta hsv[..., 1] = 0.85 hsv[..., 2] = np.clip((speed - vmin) / (vmax - vmin), 0, 1) rgb = matplotlib.colors.hsv_to_rgb(hsv) rgb[np.isnan(speed)] = 1.0 # 缺测区域显示为白色 # 如果只想看流速大小，直接替换成 viridis 颜色即可： # rgb = plt.cm.viridis((speed - vmin) / (vmax - vmin))[:, :, :3] fig = plt.figure(figsize=(14, 8)) ax = fig.add_subplot(111, projection="3d") surf = ax.plot_surface(T, D, speed, facecolors=rgb, rstride=2, cstride=2, linewidth=0, antialiased=True) # 观察角度 ax.view_init(elev=25, azim=-60) # 坐标轴标签 ax.set_xlabel("Time") ax.set_ylabel("Depth (m)") ax.set_zlabel("Speed (m/s)") # 时间轴格式化 ax.xaxis.set_major_locator(matplotlib.dates.AutoDateLocator()) ax.xaxis.set_major_formatter(matplotlib.dates.DateFormatter("%m-%d\n%H:%M")) # 流向角度色条 direction_cmap = matplotlib.colors.ListedColormap([ matplotlib.colors.hsv_to_rgb((i / 360, 0.85, 1.0)) for i in range(360) ]) cbar = fig.colorbar( plt.cm.ScalarMappable(norm=matplotlib.colors.Normalize(0, 360), cmap=direction_cmap), ax=ax, shrink=0.6, pad=0.1 ) cbar.set_label("Direction (deg from north)") plt.show()

代码里有几个细节需要解释一下。date2num这步很关键，它把datetime对象转成数值，这样plot_surface的三维数据才能正常计算。坐标轴创建之后再传日期格式化器，让刻度显示成“月-日 时:分”，可读性比一串数字好太多。rstride和cstride是抽样步长，如果数据网格很密，设成2可以明显减少面片数量，否则Notebook容易卡死。

3.3 方案2：流向轨迹三维图

如果观测方式不是固定站位，而是走航或者单点垂线流场，我更推荐另一种3D图：XYZ三个轴分别放东向流速u、北向流速v和深度，把时间作为颜色渐变。这样的图能直接看出流速矢量随深度的旋转和大小变化，很像一条在三维空间里游走的螺旋线。

例如用plotly画交互版本的代码很简短：

import plotly.graph_objects as go fig = go.Figure(data=[go.Surface( x=ds["time"].values, y=depth, z=speed, surfacecolor=np.degrees(np.arctan2(v, u)) % 360, colorscale="HSV" )]) fig.update_scenes(xaxis_title="time", yaxis_title="depth", zaxis_title="speed") fig.show()

plotly的好处是可以用鼠标旋转、缩放、查看具体数值，适合需要和不太熟悉3D图的人沟通的场景。而matplotlib版本更适合出图投稿，格式可控性更强。

4. 我踩过的坑：方向、坏点和画图性能

4.1 流向的颜色编码容易翻车

起初我用的是连续色带（比如jet）来映射流向角，结果在0度和360度交界处颜色突然跳变，明明流向很连续，图里却出现了一条明显的颜色断层。后来才意识到流向是周期变量，必须用HSV这类循环色带，或者自己拼接色带，确保首尾颜色一致。

另一个和流向有关的坑是数据本身没有做磁偏角校正。仪器输出的时候默认参考地磁北极，而我们要画的是相对于真北的流向。相差几度的磁偏角，在时间-深度曲面上的颜色变化虽小，但一旦要做流速矢量对比，误差就会被放大。建议在数据预处理阶段统一校准，别把问题留到画图时才发现。

4.2 边界坏点带来的大坑

ADCP在表层盲区和底边界附近的流速值经常是假的。如果不处理，plot_surface会把这些异常值直接画成巨大的尖峰，把整个曲面的Z轴拉伸到离谱的范围，颜色也跟着失真。

我后来养成一个习惯：质量控制后的数据中，把相关系数低于阈值或者信噪比过低的数值统一设为NaN，画图前再用nanpercentile来计算颜色范围。这样即使存在极端异常，色标也不会被个别坏点带偏。缺测区域在HSV转换成RGB之后会被赋成白色，曲面会形成空洞，这是正常现象，说明该区域数据不可靠，反而是好事。

4.3 常见问题速查表

4.4 给新手的两点实操建议

第一，先做2D图做交叉验证。我画完3D图之后，一定会再画一张传统的时间-深度速度云图，用同样的色标对比一下，确认3D曲面没有在数据插值或者颜色转换过程中引入新的问题。3D图是用来“看趋势”的，2D图才是用来“读数值”的。

第二，颜色和视角都需要反复调整。view_init(elev=25, azim=-60)这个视角是我认为比较稳的起点，它既能看清峰值流速的高点，又不会让曲面完全遮挡住近底层的细节。实际使用时我会根据数据分布微调，让曲线最高点处在视线最佳位置。

最后说点个人经验。我试过把同一组数据分别画成2D云图和3D图，拿给非专业的同事对比，3D图在展示“流速峰值在哪里、流向怎么旋转”时说服力明显更强。但真要读取某个深度层的精确速度，还是得回到2D剖面图或者直接查数据。所以我的做法是先用3D图做整体形态判断，再在关键位置补2D切片图。3D图不一定是每一篇报告的主角，但在你需要让一张图说话的时候，它确实很能撑场面。

本文还有配套的精品资源，点击获取