使用Python绘制雷达基数据反射率因子图教程

陆遥

发布时间：2026-11-05| 5人浏览过

原创

本教程详细讲解如何使用Python读取天气雷达基数据并绘制标准反射率因子（PPI）图，涵盖极坐标解算、库依赖配置、cinrad与Py-ART核心代码实现、色标映射及投影对齐。

在气象探测与强对流天气监测中，雷达基数据反射率因子（Reflectivity Factor，单位为 dBZ）是评估降水强度、冰雹以及云团发展阶段最核心的物理量。由于天气雷达在扫描时采用天线旋转俯仰的球极坐标系记录回波，原始基数据通常是未经投影的二进制阵列。本文将带领大家梳理从解析原始雷达基数据到完成极坐标转换、色阶映射并绘制标准平面位置显示器（PPI）反射率因子图的完整 Python 实现路径。

图 0：雷达基数据反射率因子平面扫描（PPI）核心要素概念图

一、雷达基数据与反射率因子的物理及数据结构

在实际编写绘图代码前，必须明确雷达基数据的组织逻辑。气象多普勒雷达（如我国主流的 CINRAD 系列或美国的 WSR-88D/NEXRAD）以体积扫描（Volume Scan, VCP）模式工作。雷达天线在特定仰角下进行 360 度圆周旋转，沿不同方位角向外发射微波脉冲并接收云滴、雨滴或冰相粒子的散射回波。

基数据（Base Data）记录的是未经二次网格插值的原生测量值，主要包含反射率因子（Reflectivity, 简写为 REF 或 Z）、径向速度（Velocity, V）和谱宽（Spectrum Width, SW）。其中反射率因子常用对数单位分贝（dBZ）表征：

dBZ = 10 \times \log_{10}(Z)，数值通常分布在 -10 至 70 dBZ 之间。低值（10~20 dBZ）多对应弱降水、层云或毛毛雨；35~45 dBZ 提示中到大雨；超过 50 dBZ 通常意味着强对流对流单体，并可能伴有冰雹或短时强降水。

图 1：雷达极坐标几何采样与基数据阵列结构对应关系

由上图可知，在原生基数据文件中，一个仰角扫描（Sweep）在内存中表现为一个二维数组：行数等于径向方位角数量（通常为 360 或 720 根），列数对应沿射线方向向外的距离库数量（Gate，例如 1000 个库，每个库长 250 米）。因此，绘制反射率因子图的本质，就是将这个极坐标网格（方位角 $\phi$、距离 $r$）映射为平面笛卡尔坐标或地图地理坐标（经纬度），并将库中的 dBZ 数值映射到标准气象色阶表。

二、Python 环境依赖准备与总体操作流程

在 Python 生态中，处理天气雷达基数据有两条主流成熟方案：

cinrad 库：专为中国新一代天气雷达（CINRAD SA/SB/CB/CC/CD 等标准基数据格式）定制，内置解析器、投影解算和标准 CMA 反射率配色，开箱即用。
Py-ART 库（ARM Radar Toolkit）：美国能源部大气辐射测量项目维护的通用雷达库，支持 NEXRAD、CFRadial、SIGMET 等多种国际格式，具备强大的网格化与极坐标切片绘图能力。

推荐在配置好 Conda 或虚拟环境后安装基础科学计算与绘图包：

# 基础科学计算与地图投影底图库
pip install numpy matplotlib cartopy

# 方案一：针对中国天气雷达 CINRAD 数据的专用库
pip install cinrad

# 方案二：国际通用雷达处理库 Py-ART (建议通过 conda-forge 解决依赖)
conda install -c conda-forge arm_pyart

图 2：雷达基数据反射率因子图绘制全流程步骤

三、基于 cinrad 快速绘制标准反射率 PPI 图

对于国内雷达站点获取的单站基数据（例如文件名形如 Z_RADR_I_Z9571_20230623080000_O_DOR_SA_CAP.bin），cinrad 库提供了最高效的直读和绘图接口。其底层自动完成了二进制解码和仰角分层。

1. 完整快速绘图示例

import cinrad
from cinrad.io import read_auto
from cinrad.visualize import PPI

# 1. 自动识别并载入基数据文件
file_path = "Z_RADR_I_Z9571_20230623080000_O_DOR_SA_CAP.bin"
radar_file = read_auto(file_path)

# 2. 提取指定扫描层与物理量
# 参数0代表第1个仰角（通常为最低仰角 0.5 度）
# 230 代表探测半径截断为 230 km，'REF' 指定提取反射率因子
data_tilt = radar_file.get_data(tilt=0, drange=230, dtype='REF')

# 3. 初始化 PPI 绘图对象
# dpi 设置输出分辨率，setup_kwargs 传递绘图细节
fig = PPI(data_tilt, dpi=300)

# 4. 执行绘图并输出图片
fig.plot()
fig.save("cinrad_reflectivity_ppi.png")
print("反射率因子图已成功导出至 cinrad_reflectivity_ppi.png")

2. 关键代码解析

read_auto(file_path)：内置了对我国主流雷达型号（SA, SB, CB, CC, CD, SC 等）的签名检测，会自动解出站号、雷达经纬度、天线高度以及每个扫描体包含的仰角列表。
get_data(tilt=0, drange=230, dtype='REF')：tilt=0 代表选取最底层的扫描仰角。对天气雷达而言，0.5° 仰角最贴近近地面，是识别强降水最关键的层位。dtype='REF' 确保只提取反射率因子数据，忽略径向速度或谱宽。
PPI(data_tilt)：cinrad.visualize.PPI 会自动绑定中国气象局（CMA）标准的 15 级雷达回波色阶表，并在画布上绘制 50km、100km、150km、200km 的等距离环。

四、基于 Py-ART 与 Cartopy 的底层精细化定制绘制

当需要对接科研通用格式（NetCDF/CFRadial）、叠加自定义 GIS 矢量边界（Shapefile），或者自主控制 Matplotlib 轴对象时，推荐使用 Py-ART 配合 Cartopy。这种方式能让你完全掌控图形的投影方式与地理图层。

图 3：Py-ART 底层对象与 Matplotlib/Cartopy 绘图流转架构

1. 完整定制代码示例

import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import cartopy.feature as cfeature
import pyart

# 1. 读取雷达基数据
# Py-ART 支持自动读取 NEXRAD Level 2 或 CFRadial 文件
radar = pyart.io.read("KTLX20130520_200843_V06")

# 2. 创建基于地图投影的显示控制器
display = pyart.graph.RadarMapDisplay(radar)

# 3. 设置绘图投影与画布
# 采用雷达站为中心的等距圆柱投影或朗伯投影
projection = ccrs.PlateCarree()
fig = plt.figure(figsize=(10, 8), dpi=300)
ax = fig.add_subplot(1, 1, 1, projection=projection)

# 4. 绘制第 0 个仰角（0.5度）的反射率因子
# 'reflectivity' 为标准反射率字段名称
display.plot_ppi_map(
    field='reflectivity',
    sweep=0,
    vmin=-10.0,
    vmax=70.0,
    cmap='pyart_NWSRef',        # 使用标准气象反射率色标
    colorbar_label='Reflectivity (dBZ)',
    title='Radar Reflectivity PPI (0.5° Elevation)',
    projection=projection,
    ax=ax,
    min_lon=-98.0, max_lon=-96.5,
    min_lat=34.5, max_lat=36.0
)

# 5. 叠加雷达测距环（50km, 100km, 150km）与地理特征
display.plot_range_rings([50, 100, 150], ax=ax, col='gray', ls='--', lw=0.8)
display.plot_line_geo([-98.0, -96.5], [35.0, 35.0], ax=ax, color='blue') # 自定义参考线

# 6. 保存高质量图片
plt.savefig("pyart_custom_reflectivity.png", bbox_inches='tight')
plt.close()
print("Py-ART 反射率因子图已绘制完毕并保存。")

注意事项：使用 plot_ppi_map 时，若未安装 cartopy 或地图背景数据下载受阻，可降级使用 pyart.graph.RadarDisplay 与常规直角坐标（X/Y 相对公里数），语法为 display.plot_ppi('reflectivity', sweep=0)，适合内网或纯物理回波分析场景。

五、关键技术细节与常见问题排查

在实际批量绘制或工程部署雷达图时，常会遇到一些典型问题，例如非气象回波干扰、地理投影偏差或数据缺失。下表总结了常见问题与对应的修复措施：

异常现象	根本原因	处理建议与代码方案
雷达中心周围出现大量杂乱强回波	近地地物、建筑物或山体对电磁波产生强遮挡散射（地物杂波）	结合双偏振参量（如相关系数 CC < 0.8）进行非气象回波掩膜，或在仰角低于 0.5° 时剔除近距离 10km 范围内的强回波。
绘图出现空白，或回波被全部裁切	反射率因子字段存在大量 -999.0 填充值或无效值	使用 `np.ma.masked_invalid()` 或 `np.ma.masked_less(data, -5)` 屏蔽无回波晴空区。
回波边界呈现明显锯齿或扇区错位	天线旋转过程中方位角采样不均匀，直接插值产生变形	在极坐标转直角坐标时优先使用 `pcolormesh` 原生四边形网格渲染，而非简单双线性重采样。
回波颜色与气象业务系统显示差异巨大	使用了 Matplotlib 默认的 `viridis` 或 `jet` 色阶	显式指定气象专用的 15 级离散色标（如 `pyart_NWSRef`），确保每 5 dBZ 对应固定色块。

图 4：雷达反射率因子绘图异常排查与工程优化总结

六、总结

通过本文的步骤，我们梳理了雷达基数据反射率因子的物理背景，并通过 Python 的 cinrad 与 Py-ART 两大工具包实现了从原生二进制数据读取到高质量 PPI 图的完整生成过程：

快速出图场景：针对国内 CINRAD 单站基数据，优先使用 cinrad 库的 read_auto 和 PPI 类，三行核心代码即可得到标准气象业务风格的反射率图。
科研与多源定制场景：当需要更精细地控制地图投影（Cartopy）、叠加多源地理信息或统一国际标准雷达数据时，选择 Py-ART 配合 RadarMapDisplay 能提供最灵活的扩展能力。

读者可根据实际数据源与业务场景选用对应方案，并结合地物杂波过滤与标准气象色阶配置，即可稳定生成符合气象分析要求的高清反射率因子图。