企业官网建设流程全解析

搞气象绘图的同学应该都有这种感觉：等值线、填色图跑出来不难，但一张图要能用、能发、能放进论文里，地图边界辅得准不准、陆地海洋分得清不清、有没有白化处理，才是真正拉开差距的地方。很多人在Basemap白化这一步被卡住，代码要么报错、要么白化区域不对，折腾半天图还是花的。这篇就专门讲怎么用Basemap叠加地图、给站点数据或网格场加白化效果，配合完整示例把每一步的原理也说清楚，看完可以直接拿去改自己的数据。

这篇内容适合两类人：一是刚接触气象绘图、想把站点或格点数据画到地图上的初学者；二是已经会用Basemap画基本填色图、但一直没搞明白白化边界和高低精度地图怎么选的老手。我会从环境配置讲到白化的原理，再给出一套能直接跑的示例代码，最后把常见的坑列出来，避免你再走弯路。需要说明的是，Basemap本身已停止维护，但它至今在气象和海洋圈里仍有大量存量脚本，学会它再迁移到Cartopy会轻松很多，所以这篇不会让你白学。

1. 整体设计思路：为什么要在地图上做白化

1.1 白化到底解决什么问题

先看一个最典型的场景：你有一堆站点观测的降水数据，插值成0.5度格点，然后用Basemap画出等值线填色图。如果直接画，你会发现陆地上有颜色、海洋上也有颜色，甚至国界线以外还有一大片平滑插值出来的虚假降水区。气象上这叫“越界表现”，本质是插值算法不认地理边界，它只认经纬度坐标，而你的站点数据大多在陆地上，插出来却把海洋也覆盖了。

白化的作用就是在绘图结束之后，把指定地理区域（通常是中国陆地、某个省或者某个流域）以外的图形元素全部裁掉。它相当于给地图加了一个“蒙版”，只让目标区域内的填色、等值线显示出来。实际效果就是：陆地边界以北、海岸线以外那些颜色块全部消失，只剩下研究区域内的数据，图面干净得多，也严谨得多。

1.2 Basemap绘图流程里白化的位置

很多初学者以为白化是一个独立步骤，其实不是。完整的Basemap绘图链条是这样的：先建立地图投影和经纬度范围，再绘海岸线、国界、省界等底图要素，然后把数据画上去（填色图或等值线），最后才是白化。白化必须发生在数据绘制之后、保存图像之前，这个顺序不能反。

为什么不能先白化再画数据？因为白化操作本质上是“把超出边界的内容用白色覆盖”，而填色图的pcolormesh或contourf是像素网格，只要绘图函数执行一次，新内容就会盖在旧内容上面。如果先白化再画数据，等于白化层被数据层覆盖了，白化就完全失效。这个原理搞清楚，后面调参就不会莫名其妙。

1.3 为什么边选Basemap边学它怎么迁移

Basemap在2020年前后停止了更新，很多新用户担心学了立刻过时。但现实是，大量老项目、经典教材、科研机构内部脚本都基于Basemap，你接手别人代码的时候大概率会遇到。而且Basemap的投影参数、海岸线分辨率、白化思路和Cartopy高度相近，把Basemap的十来个核心参数吃透，再看Cartopy文档几乎没有障碍。

我个人的建议是：做快速出图、临时诊断分析用Basemap完全够用，尤其你只是想看个空间分布，不用为了新而新。但是在新项目里我会优先给你推荐Cartopy，原因后面章节会提到。这篇还是以Basemap为主线，因为它的资料更全、坑也已经被前人踩得差不多了，适合用来建立完整的绘图思维。

2. 白化核心细节：边界数据、投影方式与掩膜接口

2.1 白化的本质是掩膜，不是裁剪

先说一个关键认知：Basemap白化不是真的把图形“剪掉”，而是通过内置的掩膜函数把目标区域之外的所有网格值设为NaN或者填充白色。底图本身没变，变的只是数据层的外观。所以白化后的图放大看，边界是锯齿状还是平滑的，取决于你给掩膜函数提供的边界精度和数据网格分辨率。

这个机制带来的直接影响是：白化边界的精细程度不完全由Basemap控制，更多由你传入的边界文件决定。Basemap支持读取shp格式的边界文件，也支持读取内部带的高精度海岸线数据。如果你用默认的低精度海岸线做白化，生成的蒙版边界会非常粗糙；想精细就得切换到高分辨率数据或者自备省级shp文件。

2.2 投影方式影响白化边界匹配

Basemap支持几十种投影，常见的有：

• cyl：等距圆柱投影，经纬度直接映射为x和y坐标，简单直观，适合全球图或低纬度区域的白化；
• lcc：兰伯特等角圆锥投影，中纬度区域形状保留好，国内气象业务图常用；
• merc：墨卡托投影，适合赤道附近和小区域图；
• aea：阿尔伯斯等积投影，面积关系准确，适合做区域统计图；
• npaeqd、spaeqd等极地方位投影，适合极区。

白化时最容易踩的坑就是投影不匹配。掩膜函数接受的是经纬度边界，Basemap内部会先用你建立地图时定义的投影把经纬度转换到平面坐标，再生成蒙版。如果你建立地图用的投影和边界文件本身坐标不一致，或者你的数据经纬度范围跟边界文件范围差很多，白化结果就会出现错位、偏移甚至整个蒙版乱掉。

所以正确的做法是：先确定你画图用的投影，再读取对应投影下的地图实例，然后才生成白化蒙版。Basemap官方文档里给出的drawcountries()、drawcoastlines()这些方法内部都使用了你初始化Basemap时的投影参数，白化接口maskoceans和readshapefile也会自动做投影变换，理论上只要都走同一套Basemap实例，投影不会出问题。真正出问题的是你在白化时直接把经纬度数组传给掩膜函数，而没有经过basemap()转换。

2.3 边界数据的选择：内置海岸线、国界线、省级线还是定制shp

这是白化效果差异最大的来源。Basemap内置了三个分辨率等级的海岸线和国界：low、intermediate、high。对应参数是resolution='l'、'i'、'h'。其中'h'精度最高但初始化速度最慢，文件也大。如果你的图只是看看整体形势，'l'就够了；要出论文图，至少用'i'；特定区域放大图建议直接用'h'或者定制shp。

国内的省级边界shp并不包含在Basemap默认包里，通常需要自己下载或从项目里获取。白化到省级边界时，我建议直接用readshapefile()读入shp文件，再拿到它的几何边界去调掩膜接口。这样你既可以画省界，又可以按省界白化，一举两得。

常用边界数据对比

2.4 白化最小实现原理

Basemap白化最常见的实现是用maskoceans()切掉海洋，或者用readshapefile()结合自定义映射来掩膜特定区域。核心思路是构建一个与你的数据网格相同形状的蒙版数组，区域内为True或非NaN，区域外为False或NaN，然后用numpy.ma数组去画图。

关键点是蒙版数组的经纬度必须和数据网格的经纬度对齐，否则你画的图会出现边界错位。实际操作中，我习惯把网格的经度、纬度先用np.meshgrid()生成二维网格，再传入basemap()转成投影坐标，绘图时把数据和蒙版都基于同一套网格数组，这样网格对齐的问题就消除了一大半。

3. 实操示例：一个完整的气象站点降水白化图

3.1 环境准备与依赖安装

Basemap的安装一直是个老话题。Python 3.8以前的版本装起来比较简单，直接用conda即可：

conda install basemap conda install basemap-data-hires

basemap-data-hires是高分辨率数据包，强烈建议安装，没有它你用resolution='h'初始化会直接报错，或者运行时提示找不到数据文件。如果用的是Python 3.9及以上版本，Basemap可能没有预编译包，你需要编译安装或者直接改用Cartopy。这里有个很实用的替代方案：不用系统包管理器，直接用pip装geos和pyproj的依赖，再手动装Basemap源码，但极其容易踩坑，不推荐新手尝试。

我实测比较稳的一条路是用conda新建一个Python 3.8的虚拟环境专门跑Basemap老脚本：

conda create -n plot_env python=3.8 conda activate plot_env conda install basemap basemap-data-hires matplotlib numpy scipy

这样装完，基本上不会遇到GEOS库缺失的问题。

3.2 数据准备：站点降水数据插值

示例里我们用模拟的站点降水数据，站点坐标假设覆盖某个区域，并用scipy.interpolate.griddata插值到网格上。为什么要先插值？因为白化是对网格数据操作的，站点散点没法直接做掩膜。

import numpy as np from scipy.interpolate import griddata lons = np.array([...]) # 站点经度列表 lats = np.array([...]) # 站点纬度列表 prec = np.array([...]) # 对应降水量，单位mm # 构建目标网格 grid_lon, grid_lat = np.meshgrid(np.linspace(80, 130, 200), np.linspace(15, 50, 160)) # 插值到网格上 grid_prec = griddata((lons, lats), prec, (grid_lon, grid_lat), method='cubic')

插值方法的选择会影响白化后的图面：cubic平滑但可能在站点稀疏区产生极大值或负值；linear更保守；nearest边界明显，适合站点极密的时候用。业务上我最常用linear，在速度和合理性之间最平衡。

3.3 Basemap初始化与底图要素

插值完成后，建立Basemap实例。这里我用兰伯特投影画某个中纬度区域，投影中心定在研究区域中间。

from mpl_toolkits.basemap import Basemap import matplotlib.pyplot as plt fig = plt.figure(figsize=(10, 8)) ax = fig.add_axes([0.1, 0.1, 0.8, 0.8]) m = Basemap(projection='lcc', llcrnrlon=80, llcrnrlat=15, urcrnrlon=130, urcrnrlat=50, lat_0=32, lon_0=104, resolution='i', ax=ax) m.drawcoastlines(linewidth=0.5) m.drawcountries(linewidth=0.8) m.drawparallels(np.arange(15, 55, 10), labels=[1, 0, 0, 0], fontsize=10) m.drawmeridians(np.arange(80, 135, 10), labels=[0, 0, 0, 1], fontsize=10)

这里resolution='i'是中精度，全国范围显示时线条粗细和清晰度比较合适。注意labels参数控制纬线经线标注的位置，[1,0,0,0]表示只在左边界标注纬度，[0,0,0,1]表示只在底边界标注经度，这个不设的话图上没有刻度字，很多人第一次画出来图干巴巴就是漏了这步。

3.4 投影坐标转换与填色绘图

画填色图前，必须把经纬度网格投影成Basemap平面坐标：

x, y = m(grid_lon, grid_lat) cf = m.contourf(x, y, grid_prec, cmap='Blues', levels=np.arange(0, 101, 10))

注意这里传入contourf的x和y必须是二维投影坐标，不能再传经纬度。Basemap的m(...)调用会自动做投影变换。很多报错“x and y must be 2D arrays”其实是因为你传的是一维经纬度，没有先meshgrid。

3.5 白化关键步骤：基于省级shp裁掉区外数据

到这一步，图上海洋和国界外都有填色，开始白化。读取省界shp文件，然后生成掩膜。

from matplotlib.patches import Polygon from matplotlib.collections import PatchCollection # 投影读取shp m.readshapefile('path/to/china_province.shp', 'province', drawbounds=True) # 构建多边形列表，用于掩膜 province_polys = [] for info, shape in zip(m.province_info, m.province): province_polys.append(Polygon(shape, True)) # 制作掩膜网格：先创建一个全False的二维布尔数组 mask_grid = np.zeros(grid_prec.shape, dtype=bool) for poly in province_polys: # 将多边形顶点投影到Basemap坐标 poly_xy = np.array(poly.get_xy()) # 用matplotlib的Path判断网格点是否在多边形内部 from matplotlib.path import Path poly_path = Path(poly_xy) # 把投影坐标的网格点拉平判断 grid_points = np.vstack([x.ravel(), y.ravel()]).T inside = poly_path.contains_points(grid_points).reshape(grid_prec.shape) mask_grid = mask_grid | inside # 白化：区域外置为NaN grid_prec_masked = np.ma.masked_where(~mask_grid, grid_prec) # 重新绘制填色图 cf2 = m.contourf(x, y, grid_prec_masked, cmap='Blues', levels=np.arange(0, 101, 10))

这段代码是白化的核心。思路很清楚：先读shp，把所有省级多边形拼成一个大的几何集合；然后判断每个网格中心点是否落在集合内；落在集合内的保留，落在集合外的用np.ma.masked_where屏蔽成透明（NaN）。最后重新画一次填色图，被屏蔽的区域就是空白，露出底图颜色。

不要在地图绘制后再用plt.fill()直接填白，那个治标不治本，而且会把海岸线盖掉，图放大看非常假。掩膜才是规范做法。

3.6 添加数据范围色标与保存

白化完成后，补上色标和经纬度信息，然后输出图片：

cb = m.colorbar(cf2, location='right', size='5%', pad='2%') cb.set_label('Precipitation (mm)') plt.title('Gridded Precipitation with Basemap Mask', fontsize=14) plt.savefig('precip_masked.png', dpi=300, bbox_inches='tight') plt.show()

保存时带bbox_inches='tight'可以避免图例或标题被裁掉。dpi至少设150，提交论文用300。

3.7 完整代码串起来跑一遍

把上面代码按顺序整合，就是一个可运行的白化示例。实际使用中，你只需要替换站点数据、经纬度和shp路径。我这边经常把这段封装成函数，入参是站点经纬度、站点值、shp路径、研究区域范围，返回图形对象，这样后面批量出图会省很多时间。

4. 常见错误排查与避坑经验

4.1 白化后边界有锯齿或错位

这个最常见。原因基本只有一个：掩膜网格的分辨率和数据网格不一致。很多人做掩膜时用的是网格点坐标，但画图时用了插值后的另一套网格，两边网格数量、经纬度范围不一样，边界自然对不上。

解决办法是统一：grid_lon, grid_lat, grid_prec, mask_grid都必须来自同一套meshgrid，不能一会用200x160一会用150x150。

如果边界还是粗糙，再把网格加密，比如从200x160改成400x320。网格越密，边界锯齿越不明显，但计算量和内存也上升。

4.2 shp读取时报错：shapefile does not contain any polygons

这个坑我也踩过。Basemap的readshapefile()对shp几何类型有要求，它只认Polygon和MultiPolygon，如果你的shp里混入了LineString或Point类型的要素，就会报错或者跳过。

排查办法是用相关库查看shp类型，如果混线，就用GIS软件或者QGIS把面要素单独导出为新的shp。还有一种情况是shp文件缺少.dbf或.shx，Basemap读取时会失败，三个同名文件必须放在一起。

4.3maskoceans白化海洋时内陆湖泊也被遮掉

Basemap的maskoceans虽然方便，但内部依据的是全球海洋掩膜数据集，它不区分海洋和内陆湖泊，甚至有些大型水库也可能被当成水体遮掉。如果你研究区域有重要的内陆湖泊，我不建议用maskoceans，而是用定制的polygon去掩膜。高精度海洋白化还可能导致边界附近的小岛被误删，这在沿海站点数据里比较麻烦。

提示：maskoceans只适合快速查看分布趋势，不适合出正式的精细化图。

4.4resolution='h'初始化极慢甚至卡死

高分辨率地图数据文件本身就大，初始化慢是正常的。如果你只是画一张全国范围的大趋势图，完全没必要用'h'，'l'或者'i'足够。真需要精细边界，建议只把图缩放到研究区域后，再启用'h'，不要在初始化阶段就把全全球的高清边界加载进来。

另外，resolution='h'必须装basemap-data-hires，否则会运行时报错。

4.5 白化后fig.savefig保存的图有白色边框但不透明

白色边框通常是savefig的透明设置问题。白化区域本身是透明的，底层坐标轴背景默认是白色，所以视觉上确实是白色。如果你要把图片叠加到别的图上，注意设置transparent=True：

plt.savefig('precip_masked.png', dpi=300, transparent=True)

这样白化区域就真正透明了，方便后续在GIS软件或PPT里继续叠加要素。

4.6 常见问题速查表

5. 从Basemap平滑迁移到Cartopy的白化思路

5.1 为什么推荐新项目考虑Cartopy

前面说了Basemap停维护，新环境安装困难，而且对新版matplotlib的兼容时有小毛病。Cartopy是现在气象绘图的主流替代方案，底层用PROJ做投影，接口更干净，还支持多种数据源叠加。

但它的白化方式和Basemap有本质区别。Basemap通过掩膜数组让绘图函数看不到区域外的数据；Cartopy则更底层，直接利用feature和几何裁剪，把图形对象按地理边界切割。理解Basemap的掩膜思路后，再看Cartopy的clip操作会非常顺畅，因为核心都是“只保留研究区域内的绘图对象”。

5.2 Cartopy里的白化等价实现

Cartopy本身不直接提供“把pcolormesh按shp裁剪”的高级函数，需要用shapely配合做裁剪。基本步骤是：

1. 用matplotlib.collections.PatchCollection绘制填色图；
2. 用shapely.geometry读取shp并转成Polygon；
3. 去matplotlib.path.Path做裁剪；
4. 把裁剪后的patch替换原图元素。

这其实和Basemap里用Path.contains_points做掩膜是同一个数学思想。掌握了Basemap这套，转到Cartopy就是换个壳。

5.3 过渡期两个库混用的细节

有些老代码库里既有Basemap又有Cartopy，混用时要特别注意坐标系统。Basemap用x, y平面投影坐标，Cartopy里大多直接用经纬度坐标后交给坐标轴投影变换，两者不兼容。不要在同一个axes上同时用Basemap和Cartopy的绘图函数，不然图面会乱掉。

建议一开始就把项目按新库统一，老脚本只在维护旧图时跑Basemap。这样既能复用历史经验，又能保证新图的可维护性。

6. 延伸技巧：批量出图、多子图与自定义白化区域

白化的应用远不止“画一张省界内的降水图”。在实际工作中，我经常要批量给多个省份、多个时次出图，这时候可以用循环批量处理。

6.1 按指定省份列表循环出图

比如我只想对华东六省一市出图，就可以在循环里读取相应的省名，然后动态拼接shp路径，逐省生成掩膜并保存。关键点：

• 每个省份单独出图时，地图范围要自动根据该省的经纬度范围调整，避免空白过多；
• 经纬网格范围可以取该省边界外扩2度，这样白化后图形不会贴在边界上；
• 文件名用省名加时间戳命名，便于归档。

6.2 多子图白化的细节

如果需要在一张图上画多个子图，每个子图投影不同，白化逻辑也要分别设置。Basemap的实例是绑定坐标轴的，你不能在一个坐标轴上画完再直接复制到另一个坐标轴。

正确做法是：

fig, axes = plt.subplots(2, 2, figsize=(16, 12)) for ax_index, ax in enumerate(axes.flat): m = Basemap(projection='lcc', ... , ax=ax) # 后续绘图、白化、添加色标都在ax上下文中

注意不同子图如果数据范围差异大，色标不可共用，否则颜色映射会失真。我的习惯是每个子图单独出色标，或者用共享色标但设置统一的levels。

6.3 自定义白化区域：流域、城市群甚至任意手绘边界

shp不止能读省界，还能读流域边界、城市群范围、农业区划等任意多边形边界。白化的原理不变，只要把多边形的顶点坐标传进去就行。我甚至见过有人手动画一个不规则关注区，存成shp之后用来做白化，效果出奇地好。

如果你不想依赖外部shp，也可以用Basemap内置的drawmapboundary和一系列几何函数构建简单的圆形或矩形掩膜。方法是用matplotlib.path.Path生成一个圆形或者矩形边界，再走同样的contains_points判断流程。这个方法适合快速测试，但正式图还是用shp更严谨。

7. 性能优化与出图规范建议

7.1 网格越细并非越好

有人为了白化边界平滑，把网格加到2000x2000，结果一张图跑几十秒，电脑风扇狂转。其实白化边界的平滑程度主要受边界文件精度影响，而不是只靠无限提高网格密度。你先检查shp本身的顶点数，如果一个shp只有几千个点，网格提高到一定程度后边界也就那样。

实践里全国范围用300x200左右网格，省级范围用400x300左右，已经能出很干净的图。如果边界仍有锯齿，优先换更高精度的shp文件，而不是盲目加密网格。

7.2 出图尺寸、分辨率与字体

气象论文图一般要求半栏图宽度7-8cm，全栏图15cm左右，dpi不低于300。字体大小建议坐标轴刻度10pt，标题12pt，色标标签10pt，这样缩放到出版尺寸后依然可读。

Basemap默认字体是DejaVu Sans，中文字符会显示为方框。如果需要中文标签，要么用rcParams指定中文字体，要么尽量用英文标签。我在实际项目里为了避免字体问题，大多直接输出英文标签，然后在排版软件里统一加中文注释，效率更高。

7.3 色彩方案选择

降水图常用Blues或BrBG，温度图常用RdBu_r或coolwarm，风场图常用viridis。Basemap不限制你用的colormap，和matplotlib一致。色标的levels尽量设成整数且等间距，这样图例简洁，读者容易读数值。

我个人比较喜欢用等间距的levels=np.arange(0, 101, 10)，因为白化后每个色块边界清晰，不会出现颜色过渡带里夹杂白化边界的错觉。

8. 最后再分享一点实际经验

Basemap白化并不神秘，核心就是“多边形包含判断”加“掩膜数组”。你只要理解透Path.contains_points()这一步，后面所有变体都只是数据源或者边界精度的不同。我踩过最深的坑就是最初用fill方法涂白，导致图上一块块白斑，后来才明白要返回到数据层去处理。

如果后续要做更复杂的专题图，比如把站点数据插值后叠加地形阴影、遥感影像或者风场箭头，Basemap依然能应付大部分场景。但新项目我强烈建议逐步迁移到Cartopy，因为维护性和现代Python生态兼容性更好。Basemap这篇内容能帮你建立的地理边界处理思维，迁移过去一样适用。

建议你动手改示例代码时，先用模拟数据把白化跑通，再换自己的shp和站点数据。这样排错时思路会清晰很多，也不容易把自己的数据问题和代码问题混在一起。